铃阅
❌

阅读视图

解剖 11 个编码 Agent 源码:模型之外那层 Harness,到底是怎么搭的

原创 王吉伟 2026-11-16 15:38 山东

Agent = Model + Harness:一份源码解剖里的七个子系统与平台化信号。

• 别只盯模型能力了:生产 Agent 真正拉开差距的,是模型外面那层运行时

• Agent = Model + Harness:一份源码解剖里的七个子系统与平台化信号

• 一百行脚本和百万行系统处在同一区间:源码解剖能看到什么,又看不到什么

• 从工具到平台:编码 Agent 的 Harness 正在变成什么 

当所有人都在比谁的模型更聪明,真正决定一个 Agent 能不能在真实项目里跑起来的,往往是模型外面那一层。

最近王吉伟频道读到一篇很特别的 arXiv 论文。它不刷 Benchmark、不做运行跑分,而是直接打开 11 个生产级编码 Agent 的源码,回答一个更基础的问题:把大模型接上真实世界、让它能反复执行任务的那层运行时,到底由什么构成,各家是怎么搭的,又正在朝什么方向演化。

论文标题是 Harness Engineering: Anatomy, Architecture, and Evolution of Coding Agents — A Source-Code Study of Eleven Systems(arXiv:2609.00006v1,2026 年 7 月,CC BY 4.0)。作者来自 Inclusive Brains 与 Wavestone AI Lab。

论文标题与摘要

这篇文章不会复述全文,只讲清四件事:Harness 是什么;11 个系统里反复出现的七个结构;两组最硬的反直觉证据;以及一个从工具走向平台的判断,和它成立的边界。

别只盯模型强弱,真正该解释的是外面那一层

讨论编码 Agent 时,最常见的做法是把差距归到模型能力上:参数多大、上下文多长、推理多强。

这个解释并不全错,但它回答不了一个现象:同样的底层模型,接上不同的运行时之后,任务成功率、权限边界、上下文管理和多步协作可以拉开明显差距。差距有一部分来自模型,另一部分则藏在模型外面的工程层里。

论文把已有研究分成三类,并指出各自的缺口:

研究类型

回答了什么

没回答什么

Benchmark 综述

给出统一任务上的得分排名

看不到系统内部是怎么搭的,分数也跨模型、跨日期不可比

概念分类研究

归纳出工具、记忆、规划等设计模式

停留在模式层面,不落到真实生产代码

已有源码分类

解剖了一批开源系统

大多排除了厂商原生产品,而生产环境最常用的恰恰是原生编码 Agent

这篇论文补的就是后两个缺口:把厂商原生系统和开源系统放到同一张源码对照表里,静态阅读、定性比较,不跑统一任务集,也不做性能排名。

它选了 11 个研究样本,外加 1 个元层对照,样本时间锚定在 2026 年 7 月:

分组

系统

语言 / 备注

厂商原生

Claude Code、Codex、Gemini CLI、Mistral Vibe

分别为 TS、Rust、TS、Python;Claude Code 基于 2026 年 3 月流通快照,可复现性最弱

开源与对照

OpenHands、Aider、Mini-SWE-Agent、Hermes、Pi、OpenCode、OpenClaw

Mini-SWE-Agent 约 100 行,作为研究地板;Pi 是最小内核反趋势;OpenClaw 是非 SWE 多渠道网关对照

元层对照

Omnigent(Databricks)

编排多个厂商 Harness,自己不建编辑循环

先把 Harness 说清楚

论文用一个很简洁的等式把问题摆正:Agent = Model + Harness。

Harness 可以理解成模型之外的那层运行时:它负责让模型观测环境、形成决策、调用工具、读取反馈,再循环推进任务。模型负责生成内容,Harness 决定这些生成能不能稳定接到真实世界里。

这里有个容易混淆的地方:Harness 不等于市面上那些 Agentic 框架(LangChain、LangGraph、AutoGen、CrewAI 这一类),也不等于临时拼装的脚手架、评测时套的 eval harness,更不等于只在顶层做任务分发的编排器。论文刻意把这些概念分开,避免一个词套所有东西。

放到生产环境里看就更清楚了:真正被使用的编码 Agent,差别往往不在"调了哪个模型 API",而在这层运行时怎么组织循环、怎么管上下文、怎么控权限、怎么接工具和编辑器。读懂 Harness,才看得懂这些系统的真实分工。

论文把 11 个系统的内部结构拆成七个子系统,再加两条贯穿全局的横切面:

子系统

职责

源码里的关键观察

Agent 循环

观测、决策、动作、反馈的主循环

循环是每个系统的核心;形态从极简一轮一轮调用,到带状态、带中断恢复的完整运行时不等

LLM 集成与模型协同设计

模型客户端、提示构造、采样、重试与错误处理

原生系统会与自家模型服务做更深的协同;开源系统把这一层做得更可替换

工具与动作

工具注册、调用封装、动作执行与结果回传

工具是模型触碰环境的唯一出口,工具的边界和权限直接决定系统风险面

记忆与上下文

会话基座、上下文裁剪、信息检索与压缩

代码检索主要靠 ripgrep、tree-sitter、glob 和 Markdown 上下文,而不是向量嵌入

安全与权限

沙箱、人工批准、文件与命令权限分级

沙箱是一种架构选择,不是系统规模的必然结果;原生产品把它当成最贵的部件之一

多智能体编排

子任务分派、子 Agent 协作

大多数系统把自有子 Agent 留在进程内,而不是拆成独立服务

可扩展性

插件、技能、hook、扩展点与外部接入

技能(Skills)被更多系统采用,数量上反超了 MCP 工具协议

两条横切面不单独成模块,却贯穿所有系统:一是接口层,也就是 CLI、编辑器集成、客户端与服务器的部署形态;二是会话基座,包括会话持久化、历史导入导出和跨会话延续。

需要说明的是,这七个子系统是一份解剖坐标系,不是评分表。论文用它统一描述各家结构,并不意味着每个系统都该把七块做全,也不意味着模块越多就越强。

论文原文:七子系统章节

两组最硬的证据:两种"缺席",一个反直觉对比

论文里证据最扎实的,不是某家系统做了什么,而是两件在 11 个系统里都没有出现的事。作者做过样本三倍扩张和三个月后的二次复核,结论保持一致。

缺席一:没有一个运行时采用通用 Agentic 框架

11 个系统里,没有一个在运行时引入 LangChain、LangGraph、AutoGen、CrewAI 这类通用编排框架。连 Google 自家的 Gemini CLI,也没有用自己的 Genkit 或 ADK。各家更倾向把循环、工具、记忆直接写在自己的代码里。

这说明至少在编码 Agent 这个场景,通用框架目前并不是生产运行时的默认底座;至于这是场景成熟度问题,还是框架定位问题,论文没有下定论。

缺席二:没有一个用向量嵌入做代码检索

11 个系统里,没有一个把向量嵌入用于代码库检索。读代码、定位符号和上下文,主要靠 ripgrep、tree-sitter、glob 匹配和 Markdown 上下文组织。嵌入只出现在对话记忆场景:OpenClaw 默认使用混合检索,Hermes 只在可选插件里提供嵌入。

这并不否定 RAG 本身,而是提示一个现实观察:在编码 Agent 当前的工作方式里,确定性的工具检索比语义嵌入更常被直接采用。在王吉伟频道看来,这比任何跑分都更能说明生产环境的真实选择。

反直觉对比:一百行脚本和百万行系统处在同一成绩区间

样本里的 Mini-SWE-Agent 大约只有 100 行,是研究地板级实现;它自报在 SWE-Bench Verified 上达到 74% 以上。Codex 源码约 110 万行,属于重型系统。两者的自报成绩落在相近区间。

你就说这事反不反直觉。

不过口径必须讲清楚:这些分数跨模型、跨日期、跨配置,论文明确不把它们当成可横比的排名,只作为背景。它能提示的是循环复杂度并不直接预测任务完成率;但绝不能反过来推出"简单实现就足够",因为运行时承担的权限、可靠性、上下文管理和多步协作,并不体现在单题分数里。

四个常见理解,需要先纠偏

王吉伟频道把论文里反复澄清的误解归成四条,每条都对应一个想当然的判断。

误区一:系统越复杂,能力越强。 复杂度和任务完成率之间,在这份样本里看不到直接对应。循环再厚,也可能只是在处理工程边界问题;而静态源码阅读本身无法测量运行性能,不能把结构规模读成能力高低。

误区二:大系统一定自带沙箱。 沙箱是一种主动选择,不是规模的必然结果。Hermes、OpenCode 体量不小,却没有做操作系统级隔离;而原生产品常把沙箱当成成本最高的部件之一。隔离强度对应风险偏好,不对应代码行数。

误区三:原生优化等于紧耦合。 原生系统确实和自家模型、服务协同更深,但紧耦合并不是厂商原生的专利:谁愿意为每个厂商维护条件代码,谁就能拿到对应的原生优化。紧耦合真正独有的好处,是和服务端一起协同进化、掌握更新循环的控制权;代价则是绑定和迁移成本。

误区四:工具协议已经统一。 事实是技能(Skills)被 9 个系统采用,数量上反超了接入 MCP 的 8 个。ACP 承担三类角色:编辑器与 Agent 对接、Harness 托管、跨厂商 mesh 式互通;其中真正做跨厂商 A2A 的,样本里只有 Gemini。自有子 Agent 也大多留在进程内,没有变成独立服务。

最终判断:Harness 正在从工具变成平台

论文最有分量的趋势判断是:编码 Agent 的运行时,正在从一个完成任务的工具,转向一个承载能力、规则和协作关系的平台。支撑这个判断的是四个可观察信号。

信号

源码里的表现

技能成为声明式程序

能力以可声明、可装载、可复用的技能单元存在,而不是写死在主循环里

hooks 与事件总线

运行时对外暴露事件与挂载点,允许外部在关键节点插入逻辑

工具与工作流边界消失

单次动作与多步流程在同一层融合,工具既可以被调用,也可以串成流程

Harness 作为服务面

运行时对外提供接口和服务形态,不只是一个本地命令行工具

顺着这四个信号,论文看到两条相互靠近的路线:Harness 在吸收框架的编排能力,框架也在下沉成运行时;市场层面开始出现切换成本和企业级治理(如设备统一管理、权限与合规)的需求;最上层则出现了元 Harness,也就是像 Omnigent 那样编排多个厂商运行时、自己不建编辑循环的一层。

纵向看约 90 天的版本演进,还有一个值得留意的现象:系统之间的趋同已经从结构相似走到词汇层面的模仿,例如 Codex 沿用了 Claude Code 的 hook 词汇和会话导入器;特色的半衰期以周计;行为策略也从提示词里的自然语言散文,迁移到配置文件和开关 flag。

这是一条趋势观察,不是预言。它说明当下在发生什么,不保证所有系统都会沿着同一方向走到同一个形态。

这份研究能回答什么

读这篇论文时,我觉得有几条边界需要先摆清楚,否则很容易把结构观察误读成性能结论。

• 研究方式是静态源码阅读,不跑统一任务集,所以看不到真实运行性能、稳定性和失败率。

• 没有同任务、同模型的头对头对比,不能据此给产品排能力名次。

• Claude Code 采用 2026 年 3 月的流通快照,是样本里可复现性最弱的一环。

• "框架缺席"没有追溯动态加载、转译或二次发行的情形;代码检索的结论也限定在编码 Agent 当前实现。

• 这些结论面向编码场景,外推到其他类型 Agent 时需要重新验证。

• 版本号、工具数量、Star 数等清单信息容易过期,阅读时应以论文锚定时间为准。

• 系统之间是定性比较,其中包含作者的主观判断,不等同于可量化的客观测量。

后记:以后怎么看一个 Agent 的运行时

如果把这篇论文压缩成一套可以复用的判断框架,有两层。

看结构,回到七个子系统:循环怎么组织、模型怎么接入、工具怎么授权、上下文怎么管理、权限怎么隔离、子任务怎么协作、能力怎么扩展。再看接口层和会话基座这两条横切面。结构齐全不代表更强,但缺了哪一块,通常能对应到一类工程代价。

看平台化程度,对照四个信号:技能是否声明式、有没有事件与 hook、工具和流程是否打通、运行时是否对外成为服务面。信号越多,它越接近平台形态,也越可能沉淀出切换成本和治理需求。

最后再强调一个分工原则:源码解剖能回答"这层是怎么搭的",回答不了"它在真实任务上跑得多好"。看结构用这份研究,比性能还需要另一套基于统一任务和同模型的评测。

把这两件事分开,就不容易被任何一边的结论带偏。

论文地址:https://arxiv.org/html/2609.00006v1

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

一年关了十几家 Agent 平台,为什么工作流反而更重要了

原创 王吉伟 2026-11-13 14:44 山东

平台一家家关掉,编排才刚刚找到新位置。

• 很多人把 Agent 平台的关停,理解反了

• 大模型可以不用,但业务流程必须优化

• 平台一家家关掉,编排才刚刚找到新位置

• 工作流没有退场,它只是换了个地方工作 

11 月 9 日,腾讯元器正式停服。

10 月 29 日停止新建智能体与 API Key,11 月 9 日应用访问、数据读写、API 与控制台全部关闭,已发布到公众号、服务号、微信客服的智能体同步失效,数据导出窗口留到 2027 年 1 月 9 日。

消息出来之后,很多人第一反应是:搭建工作流这套东西不合时宜了,要退出历史舞台。

我的判断相反。

这个结论把三层完全不同的东西混成了一层。大模型可以不用,但业务流程必须优化。只要业务流程还需要优化,编排就不会消失,消失的只是它曾经的那件外衣。

本文,王吉伟频道结合近期的行业动向,跟大家聊聊这些。

 一年之内,平台集体退场

元器不是孤例。

8 月 31 日,百度文心智能体平台关闭了智能体创建、做同款与工作流创建入口。7 月 15 日,豆包和千问同时下线用户自建智能体,受影响角色超过 800 万个。

8 月 3 日,阿里把 QoderWork、MuleRun、悟空三合一成「千问办公」,原产品不再单独存在。9 月 24 日,腾讯 QClaw 公告 12 月 24 日停止运营。10 月 29 日,字节公告扣子企业版分批下线,最晚一批到 2027 年底。

海外同一时间也在收口。

Google Opal 与 Labs 版 Gems 11 月 17 日关闭,OpenAI Agent Builder 连同 Evals、Prompts API 在 11 月 30 日下线,ChatGPT 自定义 GPTs 12 月 11 日退役,微软 Foundry 的经典版 Agent Service 2027 年 3 月 31 日退役。

据 Tech 星球不完全统计,已有 38 款 AI 产品关停或被合并,其中 25 款集中在下半年。一串时间点排下来,观感确实像退潮。

你就说这节奏快不快。

 常见解释对了一半

一种流行的说法是:工作流过时了。模型现在能自己拆步骤、自己调工具,一句话交代任务就能跑,谁还去画布上拖节点。

这个说法并非没有道理,它解释了真实发生的那一部分。

今年模型在工具调用和长任务规划上的进步,确实吃掉了大量浅层编排需求:过去要五六个节点才能完成的事,现在一句提示词加两个工具就能做完,画布在这类场景里的边际价值基本就是零。

企业很容易算清这笔账,为一个季度就可能变的需求,去维护一张半年后没人看得懂的流程图,越来越不划算。

但它解释不了三件事。

第一,为什么这个赛道里份额第一的平台也活不下去。 按 IDC 口径,2025 年中国智能体开发平台公有云整体规模只有 2.5 亿元,扣子以 19.3% 的份额排第一。第一名也只有几千万的量级。这不是产品被替代的故事,是池子太浅的故事。

第二,为什么企业的长流程一天都没有变短。 ERP、OA、财务、客服、邮件、Excel、线下审批,要跨的系统一个没少。模型变强了,流程的结构没有跟着变简单。

第三,为什么 ComfyUI 这样的工作流工具反而更繁荣。 图片视频团队的工作流越搭越细,一个项目几十个节点,还要做版本管理,完全没有要退场的意思。

三条放在一起,常见解释就出现了缺口。真正的问题不在工作流有没有用,而在我们把什么当成了工作流。

 三层被混成了一层

同一个词,在不同的人嘴里,指的不是同一件东西。

这场讨论里,工作流至少在三层意思之间滑动。

第一层是编排范式。 把固定步骤、AI 判断、人力介入按规则串起来,让它们协同完成一件事。这叫 Agentic workflow,是一种组织方式。

第二层是编排载体。 这套组织方式落在哪里。它可以是一张可视化画布,可以是一段代码,可以是业务系统里的一个模块,也可以是 Agent 调用链里的一个中间层。

第三层是具体产品。 扣子、元器、QoderWork、Opal,这些是可以被买卖、被关停的软件。

关停发生在第三层,原因很朴素:市场太小,按席位收费与 token 成本倒挂,通用模型又把浅层需求免费接走了。一门生意不成立,和它提供的功能有没有价值,是两个问题。

更值得说的一句是:编排没有消失,它在换位置。从独立 SaaS 画布,下沉到业务系统里、代码里、Agent 的调用链里。所以真正该问的不是还要不要搭工作流,而是编排应该长在哪里、由谁维护、按什么计价。

这,才是关键。

 为什么编排层不可替代

把三层分开之后,还有三个理由支撑编排层不会消失,说服力都很强。

模型仍然是黑箱,工程上需要确定性约束。

当前的大模型和 Agent 存在大量不可预测性:同一个输入两次结果可能不同,出错的方式无法穷举,错误还会沿着调用链放大。

工作流的价值不在于让 AI 更聪明,而在于把 AI 关进一个可预期的作用域:它能做什么、按什么顺序做、在哪一步必须停下来等人确认、失败后回滚到哪个状态、哪些动作永远不允许它碰。

约束解码、工具白名单、评测门禁、人在环审批都是同类手段,可视化编排是其中成本最低、也最容易被业务方理解和维护的一种。

在王吉伟频道看来,复杂流程要安全稳定地用 AI 提效,通常需要一层确定性约束,工作流是这层约束最现实的载体。

企业流程的复杂度不在模型里,在系统之间。

一套长流程要跨 ERP 取数、OA 走审批、财务对账、客服回访,中途还要在群里确认、在表格里备注、在系统里留痕。每一步的数据格式、权限边界、责任归属都不一样。

Skill 擅长的是单点、边界清晰、输入输出可枚举的任务。一旦要跨系统保持状态、处理异常分支、在某个节点把决定权交回给人,单靠一个 skill 撑不住。

这不是模型能力不够的问题,是流程结构的问题。模型再强,也不会自动长出一台跨系统的状态机。

真正的资产是踩过的坑,不是那张画布。

在图片、视频的设计与处理业务里,很多团队已经在用 ComfyUI,本质就是一大堆搭出来的工作流。用 workbuddy 这类智能体应用可以直接调用,让它自动跑。

没有这些工作流,同样的活难度会陡增,一些复杂效果用 AI 根本做不出来,或者搭起来跑不通。这些工作流不只是节点连线,是无数次失败之后沉淀下来的参数、顺序和避坑经验。

但这里必须补一个限定。图像视频管线失败代价低,可以反复试跑,结果肉眼可验,是可视化编排最成熟的沃土。它证明的是经验沉淀成可复用资产有价值,不等于必须绑定某个平台。

经验持续留存,载体灵活切换:导出成脚本、模板、内部 SDK、代码库,都能承接。

所以平台关停真正伤到的,是把资产留在别人服务器上的团队,不是编排这件事。

旧控制柜和新机柜挨在一起,编排正在这样的缝隙里换位置。

 沉淀要分层,不是二选一

讨论里还有一个常见的误区:把 skill 和 workflow 当成两条互斥的路。要么把流程做成 skill,要么做成工作流,好像只能选一个。

按定义,skill 是可被调用的能力单元,workflow 是步骤、条件与异常分支的编排,业务流程则是人、系统、合规与责任归属构成的生态。

三层是包含关系:workflow 里调 skill,业务流程里跑 workflow。

分清之后,落地路径就清楚了。

• 轻量、原子、边界清晰的流程,直接转成 skill,或者新建 skill;

• 跨系统、有异常分支、需要人参与和留痕的长流程,做成 Agentic workflow,把 skill 作为节点嵌进去;

• 规则稳定、界面稳定、异常可枚举的场景,继续用 RPA,没必要为了智能化把确定性换成概率;

• 需要判断但不需要通用智能的环节,本地小模型就够,不必去调昂贵的闭源 API。

当前这波数字化转型最紧迫的任务,确实是把企业大量的业务流程和经验沉淀下来。但要补一句:沉淀的对象是经验,形态可以分层,别把某一层当成唯一答案。

把沉淀理解成转成 skill,是这一轮最容易犯的错。

 成本是闸门,风险先定形态

最后一定会落到钱上。但我不认为成本是唯一的决定项。更准确的说法是:风险等级与可验证性先决定形态,成本决定它能不能真的落地。

同样是提效,金融和医疗即使成本更低,也不会把不可解释的自动流程放进去;反过来,为了合规与留痕,企业愿意多花钱。而在风险可控的场景里,成本的账算得很直接。

简单规则流程继续用 RPA,稳定、便宜、可审计,没必要改成烧 token 的 Agent 流程。本地小模型能做的逻辑判断,不必换成闭源大模型 API。

必须用大模型、而且 token 消耗大的工作流,用组合型 Agentic workflow 拆开,该走本地模型的走本地模型,该调第三方的只调关键节点。

这些在技术上是模型路由与流程策略,在管理上是成本结构设计。我更愿意把它说成:成本是最终闸门,不是唯一原因。

顺带一句,RPA 也别被理想化。它的稳定是有条件的:界面不变、规则明确、异常可枚举。一旦上游系统改版,维护成本会立刻显形,这也是很多企业转向 Agent 的原因之一。

所以结论并非 RPA 更好,关键看什么场景配什么工具。

 后记:三个可以马上用的判断

如果你的团队正在决定这套流程要不要上 AI,有三个判断比讨论趋势更有用。

第一,看它跨几个系统。 两个以内的系统、规则清晰,skill 或 RPA 就够;三个以上、且中间要人确认,才值得上编排。

第二,看失败一次的代价。 可重跑、可回滚、结果肉眼可验,可以放手让 AI 多跑;不可逆、涉及资金与合规,必须留人工闸门,而且闸门位置要写进流程,不是靠人盯着。

第三,看资产存在哪里。 提示词、知识库、工作流配置,本地留一份能跑的最小版本。元器给了两个月导出期,Phind 只给两周,Humane 从公告到断网十天。谁都不保证下一个不是自己。

再说回 “过渡” 这个词。

我原来喜欢讲:在贾维斯那样的超级 Agent 出现之前,编排会一直存在。这话听着有道理,但它没法被检验,AGI 什么时候来谁也说不准。

其实支撑它存在的前提也很明确。只要还存在跨三个以上系统的长流程,还存在异常率高于阈值且必须留痕的环节,还存在责任必须落到具体人和具体单据上的业务,编排层就有位置。

这个条件,在可见的十年里不会消失。

所以,扣子企业版退场,退的是平台这种卖法。工作流没有退出历史舞台,它换了个地方继续工作。

大模型可以不用,但业务流程必须优化。把这句话放在最前面,后面所有的判断,都只是它的推论。

平台会退场,流程不会。

全文完

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

2026企业AI现状报告:企业AI预算超支2.8倍,Agent是元凶,附下载

原创 王吉伟 2026-11-11 15:29 山东

The State of Enterprise AI 2026:渗透率只涨10%,支出却翻了4倍。

封面|预算与账面的落差

  • Menlo Ventures报告:SaaS没死,但AI原生公司拿走了77%市场

  • Menlo Ventures报告:企业AI的钱,花在了意料之外的地方

1770 亿美元。

这是 2026 年全球企业为 AI 实际花掉的钱。2025 年这个数字还是 330 亿,一年翻了 5.4 倍。

更让财务部门头疼的是预算和账面的差距。年初做预算时,企业普遍只报了上一年 AI 开销的 1.9 倍,到年底结账,实际支出是上年的 4.7 倍,中位数企业也到了 2.2 倍。多花的 2.8 倍去哪了?

图 1|预算报 1.9 倍,账面却是 4.7 倍

风投机构 Menlo Ventures 在 11 月发布的《2026:The State of Enterprise AI》给出了答案。这份覆盖近 400 位美国企业 AI 决策者、涉及超 40 亿美元已披露支出的调研显示,超支的钱几乎全部流向了 Agent。

再拉长时间看,2023 年 17 亿,2024 年 85 亿,2025 年 330 亿,2026 年 1770 亿,三年接近百倍。企业 AI 部署收入已经相当于公有云整体收入的 30%,去年只有 6%。一个原本被当作 IT 预算科目的支出,正在长成一个经济体量级的市场。

图 2|三年接近百倍,AI 支出长成一个市场

PS:公众号后台回复 EnterpriseAI ,获取完整报告。

不是采购扩容,是消费模型换代

企业过去买软件,买的是席位、人头、并发数,预算逻辑盯着"有多少人要用"。2025 年 11 月 Opus 4.5 发布是个分水岭,模型开始能在少量人工干预下独立跑完一条多步骤长链条任务,中间不需要人一直盯着。

到 2026 年 2 月,OpenRouter 平台上 Agent 产生的 token 量正式超过人类用户。此后 Agent 流量增长 37 倍,如今占据平台 80% 的 token 消耗,是人类请求量的 7 倍。同一时期,用 Agent 工作流开发的团队比例从 27% 跳到 74%,三成以上已经在跑多智能体协同。

计费逻辑随之更换。Agent 能拆成几十个子任务并行推进,也能整夜不休地跑,成本斜率不再由员工人数决定,而由完成的工作量决定。企业渗透率这一年只从 55% 升到 65%,看似温和,但重度用户的消费规模急剧抬升。

这就是预算表和账本之间那道缺口的来源。渗透率只多了十个百分点,支出却涨了近四倍,差额来自同一件事:单个账户的用量被放大了。过去一个员工一天调用几十次模型,现在一条 Agent 任务链一小时就能跑掉过去一周的量。

对财务来说,AI 支出从可预测的人头费变成了随业务量浮动的变动成本。谁还按人头报预算,年底一定会超支。这不是管理失误,是计价单位换了。

图 3|计价单位换了,预算表自然对不上

基础设施被重写,数据库之外长出了三样新东西

Agent 不是给人用的界面,是给机器用的工作台,它要求短时创建、高吞吐、用完即弃的资源。2026 年,代码沙盒采用率从 11% 升到 40%,检索与搜索工具从 5% 升到 30%,浏览器自动化从 4% 升到 14%。数据库依然是底座,91% 的 AI 应用离不开它,但形态在向高并发、短生命周期实例迁移。

人操作软件的节奏是点击、等待、翻页。Agent 的节奏是机器速度、并发拉满。为人的节奏设计的中间件,放到 Agent 面前就是瓶颈。一次合同审查,Agent 可能要开三个沙盒试运行、调十几次检索、在浏览器里翻五个页面,这些动作过去一年都不会发生在同一个用户身上。

这三类新基建的增速,本质上是一张 Agent 能力的施工图。沙盒解决"能不能安全地试",检索解决"能不能找到对的资料",浏览器自动化解决"能不能操作没有 API 的老系统"。钱投在这里,等于在为 Agent 修路,而不是在给自己买应用。

报告给了一个衡量投入效率的指标:每 1 美元用于模型训练与开发,企业端会产生 1.7 美元部署落地支出。2026 年模型开发总投入 1025 亿美元,企业 AI 部署使用支出 1768 亿美元。部署侧内部,基础设施 995 亿,AI 应用 773 亿。仅 Anthropic 与 OpenAI 两家,就吃掉 AWS、Azure、谷歌云三家总收入的 25% 以上。

基础设施的钱比应用的钱还多,说明现阶段一半以上的支出花在"让 Agent 跑得起来",而不是"让员工用得爽"。这也是云计算厂商财报里 AI 收入开始压过传统业务的原因。

图 4|数据库之外,长出了三样新基建

钱只流向能力最强的位置

企业买模型不看谁便宜,看谁更强。前沿头部三家实验室拿走 69% 的企业 AI 部署资金,去年是 50%。头部厂商开支同比增长 7.5 倍,其余参与者只增长 3.3 倍。

LLM API 市场已经变成双寡头。Anthropic 与 OpenAI 合计占 86%,去年 67%。Anthropic 凭 Opus 系列在长周期任务与编码场景的表现,份额从 40% 升到 55%。OpenAI 靠 GPT-5.6、GPT-6 在下半年放量,从 27% 升到 31%。Google 从 21% 掉到 9%,API 消费大量转向低价 Flash 版本,旗舰产品竞争力掉队。

xAI 的 Grok、Kimi、DeepSeek、GLM 这些准前沿模型,性能已经逼近第一梯队,合计 API 支出占比却不足 5%。企业主流选型从 Claude Sonnet、GPT-5,整体迁移到 Claude Opus 5.5 与 GPT-6 Astra。价格战确实存在,但发生在低端小模型之间,采购依然为能力付溢价。

道理可以算得很直白。一个 Agent 任务失败一次,企业损失的不只是调用费,还有复核成本和业务延误。模型单价在整条链路里只占几个百分点,省下这点钱换来的返工风险并不划算,企业宁愿买更高的首次通过率。

开源模型则是一个矛盾景象。token 占比从 11% 涨到 19%,使用规模同比增长 22.5 倍,资金占比反而从 6% 跌到 4%。原因是价格:开源每百万 token 均价跌了 3.3 倍,降到 0.13 美元,闭源只降 24%,停在 0.7 美元。量在涨,钱在缩。

开源内部结构更值得注意。中国模型占据开源总支出的 89%,Kimi 61%、DeepSeek 15%、GLM 11%、Qwen 3%,Meta 的 Llama 只剩 7%。后训练仍处早期,只有 10% 的开发者做微调,其中 91% 依赖算力平台或专业服务商。前沿模型迭代太快、应用公司缺人手,是主要阻碍。

图 5|钱只流向能力最强的位置

应用层:三道门槛,决定谁能收到钱

2026 年 AI 应用市场总规模 773 亿美元,去年 190 亿。分布极度不均:编码 340 亿,同比增长 7.7 倍;聊天机器人与生产力助手 250 亿,同比增长 3 倍。两个赛道合计占 76%。

报告把这种集中解释得很干脆:Agent 要产生商业价值,必须同时满足三个条件。有可操作的交互环境;有完整可供学习的业务上下文;结果能被校验评估。三条齐了,赛道就跑起来,缺一条,增长就被摁住。

这三条其实是三张体检表。环境决定 Agent 能不能动手,上下文决定它懂不懂业务,可校验决定企业敢不敢放手。缺环境的只能停在建议层,缺上下文的只能做通用问答,缺校验的永远需要人复核,省不掉人头,也就收不到钱。

图 6|三道门槛,决定谁能收到钱

编码三条全中:代码仓库是执行环境,代码与文档是上下文,编译器和单元测试负责验收。头部实验室的 Claude Code 与 Codex 拿下 240 亿,占编码市场 70%,同比增长 24 倍。独立厂商 101 亿,同比增长 2.9 倍。整个赛道,AI 原生公司拿下 96%,传统厂商只有 4%。

医疗和法律成为垂直赛道里的前两名,用的是同一套逻辑。医疗 37 亿,临床问诊、病历转录有明确的输入输出格式,结果能被医生复核。法律 18 亿,Harvey、Legora 把起草工具升级成跑完整流程的 Agent,合同条款对不对,对照法条一查就知道。这两个行业天然带校验标准,Agent 一进来就能嵌进流程。

对比之下,营销只有 12 亿、同比涨 1.8 倍,HR 只有 9 亿、涨 2.5 倍,增速明显落后。不是需求小,而是"这次投放好不好""这个人该不该招"很难有统一答案。没有可校验的结果,Agent 只能停在给建议的位置,企业也就不愿意按结果付费。

水平职能里,客户成功 27 亿、同比增长 4.3 倍,是服务类场景里跑得最快的。客服有工单系统、有知识库、有满意度回访,三张表齐全,Agent 能端到端接手。IT 运维 16 亿、销售 14 亿,走的也是同一条路径。

新旧势力的边界也随之清晰。AI 要重做一种工作方式,新公司赢,编码、金融运营、设计都是这个剧本。AI 只是嵌进已有核心系统,老厂商守位,IT 服务 91%、数据科学 88%、HR 68%。整体上 AI 原生公司拿下 77% 应用层支出和 90% 基础设施支出,剔掉头部实验室,创业公司仍占 61%。

这条分界线的形成机制并不复杂。新赛道规则还没写,谁先做出可用的 Agent,谁就定义标准。老赛道规则已经固化在系统里,数据和权限都在原位厂商手里,AI 只能当作一层皮贴上去。

图 7|新赛道新公司赢,老赛道老厂商守

SaaS 没有死,但增长曲线被改写

2026 年市场流传一个词,SaaSpocalypse,SaaS 末日。逻辑很简单:AI 会替代软件,存量被吃掉。

调研给出的答案不一样。AI 新增开销里,55% 来自全新的企业预算,只有 22% 来自原有软件预算。这 22% 中,13% 是传统厂商把 SaaS 许可升级成带 AI 功能的版本,真正从传统软件转移到 AI 原生厂商的只有 9%,约 126 亿美元。企业几乎没有动过 CRM、HRIS、ERP 这类核心系统,传统 SaaS 增速只是从 13% 小幅回落到 11%。

126 亿只占 1770 亿的 7%。所谓"AI 吃掉 SaaS",落到账面只是一条支流。企业没有拆掉财务系统,也没有换掉人事系统,只是在旁边加了一层会干活的 Agent。

AI 更像一次市场规模的外扩,而不是一场内部置换。新预算买的是过去买不到的能力,不是把旧账单搬个家。

对 SaaS 厂商而言,这个结论既是安慰也是警告。安慰在于存量安全,警告在于增量被抢。企业新批的那 55% 预算流向 Agent 原生产品,不会自动流进老厂商的续费单。守住席位不等于守住增长,能不能把 AI 功能做成客户愿意单独付费的模块,决定未来三年的曲线斜率。

图 8|SaaS 没有死,增量被抢走了

下一站,价值从模型层搬到应用层

报告对后市的判断相对克制。Agent 还会向长周期自主任务、电脑操作、多智能体协同演进,市场仍会被推着向上。但模型能力稀缺只是阶段性现象,随着技术扩散,价值重心会从底座挪到应用层。

对企业来说,现在至少有三件事可以做。把 AI 预算从人头制改成工作量制,按任务量、按通过率、按节省的工时计价。优先上三条齐全的场景,编码、客服、合同审阅这类有环境、有数据、有验收标准的业务,先跑通再扩面。别把沙盒、检索、浏览器自动化当成可省的成本,这三块决定了 Agent 能不能真的动手。

图 9|预算、场景、基建,三件事现在就能做

2026 年企业抢的是最强的大脑,往后拼的是能把结果交付出来的团队。护城河不在参数表里,而在把通用能力翻译成某个行业里可验收的产出。前沿闭源模型、开源模型、实验室自研产品、独立创业应用会长期共存,争的不是同一块蛋糕,而是把整张桌子做大。

唯一确定的是,AI 不再是一项 IT 预算科目。它已经变成和人力、产能并列的生产要素,被写进企业的经营模型。

调研说明:问卷由 Morning Consult 在 2026 年 9 月 8 日至 26 日执行;市场规模按年化运行速率自下而上估算,部分历史数据做过口径调整;OpenRouter 数据偏向开发者与初创企业;标星号企业为 Menlo Ventures 投资组合公司。

完整报告,公众号后台回复 EnterpriseAI 获取。

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

40% 的拉取请求由 Agent 起草,开发者的活儿变了

原创 王吉伟 2026-11-09 15:42 山东

封面|40% 的 Pull Request 不是人写的

  • 40% 的拉取请求由 Agent 起草,开发者的活儿变了

  • 17% 到 40% 只用了半年,企业研发流程跟上了吗?

  • 当 PR 的作者栏换成 Agent,企业的评审流程跟上了吗?

  • 从写代码到审代码,开发者的角色正在被重写

今年 9 月,GitHub 上每 10 个拉取请求(Pull Request,PR)  里,有 4 个多的初稿不是人写的。

PR 是 Pull Request 的缩写,中文常译作拉取请求。

开发者或智能体把一组代码改动提交到仓库,同事审查、跑完自动化测试,通过后才并进主分支。本文说的「Agent 起草 PR」,是指这份改动清单和代码初稿由智能体生成。

3 月这个比例还是 17%。10 月 28 日 Octoverse 报告发布之后,讨论大多落在产能上,一个 Agent 顶几个人,一个季度能多交多少需求。

但有另一笔账没人算。

2026 年公开报道里,已经出现过 Agent 删掉生产数据库、把密钥明文留在配置文件里、一枚符号链接打穿六款编码 Agent 的事。作者栏换了,审的人、审的标准、出事之后的归属,还在按代码由人写的那套跑。

40% 之后,企业的评审、凭证和审计,先动哪一步?

图 1|从 17% 到 40%,只用了半年

 40% 这个数,先别急着欢呼

GitHub 在 10 月 28 日发布的 Octoverse 报告里,把 PR 的作者构成单独列了出来。9 月单月由 Agent 发起的 PR 是 1.1 亿条,约为 3 月的 6 倍。增长曲线在 6 月前后陡然上扬,刚好跟编码智能体从单会话对话转向持久化自主执行的时间点对上。

指标

数值

对比基准

Agent 起草 PR 占比

40%+

2026 年 3 月仅 17%

单月 Agent 发起 PR

1.1 亿条

约为 3 月的 6 倍

Agent PR 涉及多文件比例

87%

人工 PR 仅 79%

Agent PR 两周内合并率

90%

人工 PR 为 86%

含 Agent 配置的仓库提交量

8 倍

于不含者

2026 年新建仓库

Copilot 用户使用多模型比例

61%

2026 年 9 月

过去 12 个月推送次数

179 亿次

超过 2024+2025 总和

GitHub 开发者总数

2.25 亿

美国 3,830 万、印度 3,200 万

表格中的八项指标,全部来自 GitHub 官方报告

过去 12 个月 GitHub 推送了 179 亿次,比 2024 和 2025 两年加起来还多。9 月那 1.1 亿条 Agent PR 就埋在这个分母里,每一条都要过测试、过审查、过合并,跟人工提交走同一条流水线。

87% 的 Agent PR 涉及多个文件,人工 PR 是 79%;两周内合并率 90%,比人工的 86% 还高。跨模块变更要先理解模块间依赖、规划修改范围、协调多文件改动,只做行内补全的工具产不出这种 PR。

报告把拐点标在 6 月前后,没给归因。但 3 月 17%、9 月 40%,中间这半年,正好是编码智能体从单会话对话转向持久化自主执行的时间窗口。按这个速度推一下自己项目的节奏,留给流程改造的时间不多了。

图 2|报告里的八个数

第三方数据里,Stack Overflow 2026 年开发者调查能追到官方页面——66% 的开发者在工作中使用编码助手或 Agent,17.2% 完全不用任何 AI 工具,这两个数按官方口径引用。

JetBrains 2026 年 5 至 7 月的调研给出 90% 每周使用、68% 每天使用,Digital Applied 给出 84% 的企业在用或计划用 AI 编码工具。这两家的数据经行业汇总媒体转述,样本量与方法未见披露,受访机构自报的占比只能当趋势看。

三家机构样本不同、方法论不同,结论却落在同一个方向:编码智能体的主流化不是某家厂商的营销叙事。已经发生和已经理解,是两件事。

能力边界跨过了什么,开发者的角色挪到了哪里?这个全球平均数又盖住了哪些行业差异?对做企业自动化的人来说,这条演进路径其实出现过一次。

RPA 十年前从录制宏的辅助工具走到端到端自动化的主导力量,工具拿到的自主决策权在扩大,人的介入点在减少。跃迁一旦发生就不可逆,没有哪家企业体验过端到端自动化之后,还愿意退回去录宏。

当年 RPA 踩过的坑,权限过大导致生产事故、缺乏审计导致责任不清、凭证泄漏导致数据外泄。如今在编码智能体领域以更快的速度重演。只盯着 40% 这个数,容易漏掉后面这笔账。

 从补全代码到起草 PR,中间跨过了什么

40% 不是一夜冒出来的。编码智能体的能力边界分三段走过来,每一

段都把一部分决策权从人手里挪到工具手里。三段走完,PR 的作者栏就从开发者换成了智能体。

2023 到 2024 年是行内补全,代表是 GitHub Copilot。开发者写一行注释或函数签名,AI 补出函数体。工具不理解完整业务上下文,只基于局部模式做预测,每一行都在人眼皮底下生成,产出完全可控。

2025 年是对话式编码,Claude Code 和 Cursor 是代表。开发者在对话里描述需求,Agent 生成代码块并写进文件,开始理解多文件上下文。但还是问一句答一句的被动模式,不主动推进任务。

2026 年到了自主起草变更。Agent 从一个 Issue 或一段自然语言出发,独立规划任务、起草涉及多文件的 PR、运行测试、修复 CI 失败。Octoverse 那 40% 反映的就是这一段。它更像一个初级工程师,而不是手的延伸。

一次动多个文件,得先知道哪几个文件互相引用,改完还得让测试一起过。行内补全只看见光标所在的那几行,这一层它够不着。

RPA 当年走的也是这个形状,区别只在速度:那段路用了近十年,编码智能体从行内补全走到起草 PR 只用了三年。问题,于是落到审的人身上。

图 3|从补全代码到起草 PR,走了三段

 写的人变了,审的人怎么办

GitHub 在报告里的表述是,开发者的起手动作变成指挥智能体,审查决定最终拿回来的是什么代码。写代码和决定要什么代码,从这里分成两件事。

分界落地之后,开发者的活儿分成了三层。

第一层是意图工程。把模糊的业务需求拆成 Agent 能执行、能验证的精确指令,过去叫 Prompt Engineering,现在更准确的说法是 Intent Engineering。

同一个 Agent,收到「帮我写个登录功能」和收到拆成带验收条件的子任务,回来的代码要走的流程完全不同。后者能逐条对着验,前者得整段读完再判断能不能用。带团队的话,这一层工具替不了,只能靠写指令的习惯。

第二层是质量审查。Agent 起草的 PR 量更大、涉及文件更多,人工审查自然成了瓶颈。偏偏它是初级工程师,安全、边界条件、错误处理这些地方最容易出错,审查标准得往上提,不能跟着 PR 量一起放水。

Veracode 2026 年报告给出的数不太好看:AI 生成代码的安全通过率 56%,跟四年前的 55% 几乎没动;44% 的 AI 代码生成任务在没有安全提示时会产生已知漏洞。这组数经行业汇总媒体转述,未见 Veracode 原报告独立核对,属于二手口径。

编码专用模型 51% 的通过率,并不比通用模型的 52% 更安全。XSS 场景下通过率只有 15%。换专用模型解决不了这一层的问题,能兜住的还是审查和安全扫描。

第三层是系统设计。智能体能写实现代码,但它不知道为什么写这段、这段在整个系统里扮演什么角色、未来会怎么演进。这些「为什么」得由人来答,开发者的不可替代价值也就上移到了架构设计、系统拆解和技术选型上。

含 Agent 配置文件的仓库提交量是不含者的 8 倍。不用 Agent 的团队在产出速度上会被远远甩开,在竞争压力下这已经不是可选项。

多出来的这些提交仍要过人工审查,逐条看改了哪些文件、测试有没有跑全、边界条件有没有漏,队列跟着拉长。8 倍是报告给的提交量倍数,审查量没有单独实测。人手不按同样规模加,效率红利会被低质量代码和漏洞吃掉。

角色转型因此不只是学会用智能体。研发组织得重新定义工作分工、能力模型和考核标准。

图 4|写的人变了,开发者的活儿分三层

 八倍提交量之外,还有八倍安全债

Octoverse 2026 首次按 NAICS 行业分类公开仓库数据,40% 只是全球平均数。建筑业约 25% 的仓库提及 AI,其中 9% 存在 Agent 发起的 PR,这个比例在所有行业里最高,制造业排第二。

采矿、医疗、农业这些行业超过 40% 的仓库提及 AI,Agent 发起的 PR 占比却不到 3%,仍停在讨论阶段。聊 AI 和让 Agent 干活之间隔着一套基础设施,规范的代码仓库、成熟的 CI/CD 管道、DevOps 文化,少一样智能体都没有可施展的地方。

图 5|40% 只是全球平均数

推动落地不能只做 AI 意识培训,仓库管理和流水线得一起补齐。一个连代码仓库都没规范化的团队,用不好自主编码智能体。

建筑业这类数字化基础扎实的传统行业跑在前面,说明智能体落地挑的是地基,跟行业标签关系不大。地基打好的行业先吃到效率红利,也先遇到流程上的堵点。

过去的 Code Review 假设 PR 由人写、人审人的代码。现在 40% 的 PR 由 Agent 起草,审查对象变了,标准也得跟着变。挑语法错误没什么用,Agent 很少犯低级语法错,要验的是业务逻辑、安全漏洞和边界条件。

人工审查要覆盖的 PR 数量跟着涨,能补人手的只有工具。让 Agent 先初筛一遍、人类开发者做终审,这套分工要靠二次审查机制撑起来。

目前 GitHub Actions 每天运行 1.24 亿次任务,每秒 1,440 次,是去年的 3 倍。Agent 发起的 PR 每多一条,就多一轮测试任务排进这条管道。队列越长,从提交到拿到审查结果的时间越久。

企业得重新做容量规划,甚至给 Agent 的 PR 单设分级测试和增量验证。别让每个 PR 都跑一遍完整套件,否则效率红利先被排队时间吃掉。

GitHub 的数据里还有一个细节:539 个仓库把 Claude 列成了变更的共同作者。共同作者里有一个不是人,责任归属、安全审计、知识产权这三个问题就没有现成答案。出了漏洞找谁、日志记在谁名下、代码算谁的产出,都得重新写进制度。

这三处都不是装个工具就能适应的调整,动的是流程和制度。企业如果只把智能体接进 IDE,不改评审标准和责任划分,很快会在同一个地方卡住。

当然,效率红利本身不假。8 倍的提交量差距摆在那里,用 Agent 的团队确实产出更快。但同一批 PR 里,如果审查和安全扫描没跟上,漏洞会跟着一起进仓库。红利和债,是同一条流水线的两头。

2026 年公开报道里的三起事故,出事点都在 Agent 手上的权限。Cursor Agent 在 9 秒内删掉了 PocketOS 的生产数据库和所有备份,起因是它在一个无关文件里找到 API Token,拿这把凭证调了基础设施 API。

Claude Code 的「别再问我」功能把含密钥的命令明文写进项目配置文件,1,994 个公开 GitHub 仓库因此泄漏了 2,539 个真实密钥。

SymJack 攻击用一个符号链接同时命中 Claude Code、Cursor、Copilot、Codex、Gemini、Grok 六款编码 Agent。研究者的说法是针对整个类别的一种技术,不该当成六个独立的 bug 分别修。

这三起事故的公开信息主要来自媒体报道,涉及的时间、数量与影响范围待核实,厂商与研究者的一手复盘尚未见到。三起里,Agent 都拿到了写生产库、读配置文件、调外部 API 的完整行动能力。

图 6|三起事故,出事点都在权限

能写代码、能跑命令、能调 API 之后,智能体已经不是工具,而是有行动能力的数字员工。对数字员工的治理要按真实员工的标准来:凭证、权限、审计、回滚,一样都不能少。

从 17% 到 40% 用了半年,从 40% 到 60% 以上可能更快。人从零手写一个完整 PR 会变成少数场景,「Agent 先出初稿」会像今天默认用 IDE 一样自然。

61% 的 Copilot 用户在 9 月用了不止一个模型,多模型协作正在变成常态。一个 PR 由编码 Agent 写实现、测试 Agent 写用例、审查 Agent 做初筛、人类开发者做终审,这个分工不再只是设想。

面向 Agent 代码审查与治理的工具会成一条新赛道。要解的问题已经列得出来:Agent 代码的安全扫描、行为审计留痕、权限最小化管控、产出责任归属。谁先给出企业级方案,谁就接住下一波需求。

编码智能体的普及是一次长期产业变动。企业今天在凭证、评审和审计上做的选择,会决定它往后几年站在哪个位置。

 企业今天该动的三件事

编码智能体已经从辅助工具跨到主导变更,40% 不是终点。开发者的角色从作者挪到指挥者加审查者,研发流程和安全治理得同步跃迁,否则效率红利会被安全债吃掉。

CIO 和研发管理者要改考核口径。只考「用了多少 Agent」,团队就会把 PR 数量刷上去,质量与安全没人管。把采用率升级成效率、质量、安全三维指标,同时把面向 Agent 代码的 Code Review 流程定下来。

「Agent 写的代码出了问题谁负责」这个问题,得在事故发生前就有答案,不能等出事再翻聊天记录。Agent 的凭证、权限、审计也要纳入企业安全治理框架,别让它成为治理清单之外的空白。

DevOps 和安全负责人手上有一件立刻能做的事:给 Agent 配最小权限凭证,生产凭证不对 Agent 可见。PocketOS 那起事故的直接原因就是 Agent 在无关文件里翻到了 API Token。如果它根本看不到生产凭证,删库这一步走不通。

CI/CD 管道里要加 Agent 代码安全扫描,扫描范围不能只盯着已知的 Key 格式,命令行里的明文密码同样要覆盖。.claude/、.cursor/、.gemini/ 这些 Agent 文件夹,得按 .env 的规格对待,在项目 .gitignore 里排除掉。

开发者要把精力从写实现挪到定义意图、设计架构和审查质量上。实现代码会越来越多地由 Agent 完成,意图定义、架构设计、质量审查这些「为什么」和「对不对」,目前还得人自己答。

写精确的 Agent 指令是新的核心竞争力。对 Agent 产出的代码保持怀疑,尤其是在安全、边界条件和错误处理这些模型最容易出错的地方。可以把智能体当成初级工程师——初级工程师的代码要过审才能上线。

图 7|企业今天该动的三件事

40% 这个数留给企业的问题,不是 Agent 会不会主导研发,而是主导之后系统还稳不稳。所有人都会用上 Agent,用到什么程度不构成差距,兜不兜得住才构成差距。

答案不在模型参数里,也不在 PR 数据里。在企业今天就该动手搭的那套治理框架里。先把凭证收窄、把审查标准写下来、把审计留痕接上,再谈占比往 60% 走的那一步。

顺序调过来,效率红利才落得进账。

扩展阅读

[GitHub Octoverse 2026: Commits, pushes, reach new highs in 2026 as developers build with agents] https://github.blog/news-insights/octoverse/octoverse-commits-pushes-reach-new-highs-in-2026-as-developers-build-with-agents/

[Stack Overflow 2026 Developer Survey: AI trust remains conditional] https://stackoverflow.co/company/press/archive/stack-overflow-annual-developer-survey-ai-trust-conditional

[AI Coding Statistics 2026 - FOSSPOST] https://fosspost.org/ai-coding-statistics/

[State of AI Coding 2026 - Awesome Agents] https://awesomeagents.ai/guides/state-of-ai-coding-2026/

[USABite: Claude Code "Don't Ask Again" leaked secrets on GitHub] https://usabite.com/claude-code-dont-ask-again-leaked-secrets-github/

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

从脚本化 RPA 到 Agentic RPA:厂商开始卖“不宕机”了

原创 王吉伟 2026-11-05 15:35 山东

44% 的 CEO 说不清 AI 回报,RPA 厂商先动手了。

2026-11-05_RPA厂商开始卖不宕机了_王吉伟频道-2026-1105-14:46:45-1

  • 44% 的 CEO 说不清 AI 回报,RPA 厂商先动手了

  • CIO 们已经厌倦"建了一堆机器人却没价值",厂商怎么接

  • Gartner 说 13% 的 CIO 拿到了 AI 价值,RPA 厂商开始卖"不宕机"了

  • 从脚本化 RPA 到 Agentic RPA:厂商开始卖“不宕机”了

2026 年 10 月,Appian 在 26.10 版本里把 Agentic RPA 做成了 GA,Release Notes 里既没有 Preview 也没有 Beta 的标记。往前推一年多,UiPath 的 Healing Agent 在 2025 年 5 月就已经 GA(正式发布)。

两家头部 RPA 厂商在一年之内先后把“运行时自愈”和“Agent 接管”做成正式产品,这个节奏放到过去十年的 RPA 行业里都算快的。

快,是被逼的。

Gartner 10 月的一份调研里,只有 13% 的 CIO 表示自己的企业从 AI 中拿到了显著或者转型性的价值。

EY 和 Forrester 更早的调研问的是另一件事,RPA 项目本身成不成,30% 到 50% 没有达到预期,超过一半连 10 个机器人都扩不出去。客户不是不满意,是已经疲了。

在王吉伟频道长期跟踪的这条赛道里,RPA 的脆弱性从来不算秘密。问题在于,厂商现在终于承认,继续卖“会罢工的机器人”,已经卖不动了。

 机器人最常见的死法,是界面变了

RPA 机器人死得最多的一种方式,跟算法没关系,跟按钮有关系。一个按钮改了名字,一个对话框挪了位置,一个弹窗毫无预兆地冒出来,写死了 selector 的脚本当场卡在原地,然后傻等运维来救。

UiPath 自己的技术博客也承认,UI 变更是机器人失败的首要原因。

这个问题存在了将近 20 年,大家可能觉得是技术上解决不了,实际不是。之所以拖了这么久,得从传统 RPA 的收费结构说起。

它的收入分三层:开发许可、运行许可、维护服务。前两层是一次性的,第三层按年收,而维护服务恰恰是厂商收入里最稳的那一块。脚本越脆,客户越需要厂商的人来修,年度服务合同也就越值钱。

这倒不是说厂商故意卖脆弱的产品,没有哪家公司会把产品主动做差。是商业激励结构决定了,在“彻底消除脆弱性”和“持续提供修复服务”之间,后者更赚钱。

于是行业进入一个很诡异的均衡。客户为自动化付费,也为自动化失败之后的救火付费;厂商卖机器人,也卖机器人的维修费。这个均衡维持了很多年,一直很稳,大家也就习惯了。

客户还愿意一直为失败买单吗?两个变量同时变了之后,这个问题开始有了新答案。

第一,客户醒了。CIO 和 CEO 对“建了很多机器人但拿不到价值”已经厌倦,另一份 Gartner 调研里,44% 的 CEO 难以向利益相关方证明 AI 的财务回报。

第二,技术到了。大模型的 computer use 能力让“用自然语言驱动一个 Agent 在屏幕上干活”变得可行,厂商终于有了一条不靠写死 selector 的路。

把“技术做不到”这个因素排除掉之后,问题就落到了商业激励上。修脚本不再是唯一的解法,收费结构就必须跟着改。

 Appian 的解法:把整段活交给 Agent

Appian 在 26.10 里给出的东西,比“失败了让 Agent 救场”走得更远。

这个能力的正式名称是 RUN AGENTIC RPA。它是 RPA actions 面板里的一个独立 action,不是某个传统步骤的失败回调。

用法是,你用自然语言写一段描述目标的 prompt,选一个模型,这个 action 就会自己截屏、理解屏幕上的内容、决定下一步做什么,一直做到你描述的那个目标达成为止。

Appian 文档里的说法是,传统 RPA action 需要你把每一步都规划好、配置好,agentic automation 不需要,它会先抓取屏幕,理解自己看到的东西,再决定下一步最优的动作。

这意味着两件事,而这两件事经常被混成一件。

第一,它可以整段替代传统脚本。那些界面不稳定、步骤难以穷举的任务,比如操作一个老旧的 ERP 终端,或者处理一个经常改版的网页,你不再需要把每一步配置出来,写清楚目标就行。

第二,它也可以配合 Try-Catch 使用。把传统 action 放在 Try 里,失败之后在 Catch 里调用 RUN AGENTIC RPA 接管,让 Agent 绕过障碍,再交回脚本继续跑。

所以“失败接管”只是 Agentic RPA 的一种用法,不是它的全部。把 Appian 这个能力简化成“脚本崩了 Agent 来救”,会低估这个产品想干什么。它要做的不是给脚本打补丁,是用 Agent 替掉脚本本身。

不过“写清楚目标就行”这句话,得按 Appian 自己的官方文档打个折。官方给 agentic RPA 的 prompt 提了五段结构,目标与全局规则、输入与上下文、分步执行与护栏、完成定义、严格输出格式。

光护栏那一节就不轻,要求你写明每一步的锚点,网页给 URL 和菜单,桌面端给窗口标题和按钮的外观描述。容错口径也得自己定,比如“1250”和“$1,250.00”算不算匹配,主路失败之后走哪条备选路径,哪些东西不许碰,每一步做完又怎么验证成功。

写到这个程度,配置工作是从点选挪到了写文字,并没有消失。以前你在动作面板里配参数,现在你在提示词里配参数,前者有下拉框帮你兜底,后者全靠自己表述准确。

当然,代价也是明摆着的,Agent 自主决策就带来不确定性,它可能多绕几步,也可能在某个地方卡住不动。Appian 设了三道刹车,任意一道踩下去,action 都会自己中止。

跑满你设的最大迭代次数算一道,这个数可以填 1 到 100,不填就是 100。跑到 100 次还没解决也算一道,Appian 把这种情况判成 prompt 写得太模糊,让你回去改提示词。最近 20 步里同一个动作重复超过 10 次算第三道,判成模型卡住了。

中止和失败都不是静默降级。action 会抛异常,整个 robotic task 就停在那儿了。Agent 卡住的那一刻,流程就是停的,不会自动退回脚本继续跑。想让它退回脚本,得自己在 Try-Catch 里兜住这个异常,再到 Catch 里安排下一步。

三道刹车管的是成本,管不了的却是可解释性。

 UiPath 选了另一条路:只修 selector

UiPath 的方向几乎相反,它的运行时自愈能力叫 Healing Agent,2025 年 5 月 GA,定位写得很克制,只做基于 UI 的自动化,只处理 selector 失效、UI 变更这一类失败。

失败发生的那一刻,它先看一眼当前界面,再决定用哪种手法救。元素属性变了,它按原来的定位意图重新生成一个 selector,指的还是同一个地方。

标签只是改了名字,比如“First Name”变成了“Given Name”,它用语义判断这两个是同一个字段,照填不误。如果这个界面在开发阶段留下过截图,它还能退回图像比对,用画面找位置。

挡路的弹窗、浮层、模态框单独算一类,先认出是什么,再按类处置。几种毛病凑在一起,它会在同一个恢复周期里连着修,比如先关掉碍事的弹窗,再调 selector,最后加一段等待让页面加载完,一轮走完接着跑。

它有两种跑法,一种是自愈模式,修完直接继续跑,业务不中断;另一种是建议模式,只把失败细节和改法记下来,等开发者审核后再应用。用哪种由 AI Trust Layer 里的策略控制,团队按自己的风险容忍度定。

从产品形态来看,两家的差别不在能力多少,而在边界画在哪。

Appian 是一个通用的 computer use Agent,理论上任何屏幕上的任务它都能碰,包括它从来没见过的应用。UiPath Healing 是一个封闭式的策略工具箱,只修 UI selector 这一类病,策略集是确定的、可枚举的,一个是开放世界,一个是有限清单。

这个差别直接决定了两边的风险轮廓,Appian 的风险在不可预测。Agent 每一步都靠模型推理,你没法在事前把它的行为路径穷举出来,甚至说不清它一共有多少条路可走。

审计这边,Appian 留下的东西不算少。Execution Log 按 TRACE 级别记 AI action 用量,一条记录长这样,“AI actions - 36.0 | Total - 222.0”,前一个数是这一次调用用掉的,后一个是这个 action 到现在累计用掉的。

每次 action 结束还会发一个 AGENTIC_AI_USAGE 事件,带 execution ID 和总用量,想跟某一次具体运行对上就靠它。

输出固定三个字段。“status”是结果状态,只有成功、失败、中止三种。“result”在成功时是模型自己写的一句结论,比如“Appian 的网页已经在 Firefox 里打开了”,失败时是模型最后说的那句话,中止时是空的。“error_details”只在失败和中止时出现,写明为什么没做完。

此外,截图是可选项,时机也分两种。成功的,动作一做完就截;失败的,在抛异常和开始清理之前截。这个先后有讲究,清理之后界面就变了,截下来也看不出出事时的现场。

但它没有逐步推理回放,也没有人工审批介入,官方文档里没提相关机制。这个空白意味着,对运维来说 Agent 的决策过程是个黑箱,出了问题只看得到结果,看不到它为什么这么走。

这点容易和 UiPath 的建议模式搞混。那个模式是让开发者在部署前挑选修法,属于事前的策略确认,不是让业务方在运行时放行某一步。Appian 这边缺的是后者。

UiPath 的风险在覆盖有限。Healing Agent 只处理 UI 类失败,如果你的机器人死在后端接口超时、数据格式变化或者业务逻辑判断错误上,这套策略工具箱帮不上忙。

好处是可预测、可审计,Insights 里能看每种失败的修复成功率,也能看出哪个流程老在同一个地方栽跟头。26.10 版本加了一条,救不回来的时候把失败原因写进 Robot logs;Studio 2026.10 里这些数据进了 Observability 面板。

UiPath 还有另一个能力叫 Autopilot,容易被搞混。它是个编码 Agent,帮开发者规划、构建、运行、调试自动化,属于设计时辅助,不处理运行时失败。Autopilot 在 Studio Desktop STS 上 2026 年 8 月 GA,Studio Web 还是 Public Preview。

把 Autopilot 和 Healing Agent 放在一起看,UiPath 的 Agent 战略其实覆盖了自动化的全生命周期,只是运行时自愈这一环走的是确定性修复路线。

 两种失败,两种选法

没有谁更强的标准答案,只有你的失败长什么样。

如果你的失败频繁来自非预期场景,新接入的系统界面和文档不一致、第三方网页改版、老旧终端根本没有标准 selector,那 Appian 这条路的通用性更值钱。

一个能看懂屏幕、自己找路的 Agent,覆盖范围比一个只会修 selector 的工具箱大得多。代价是你要接受一定程度的不可预测,也要接受 AI Actions 的用量成本。

如果你的失败主要是 UI selector 失效这类可预测问题,比如一个 ERP 系统定期升级导致按钮位置变了,那 UiPath Healing 更划算也更可控。

确定性策略引擎的恢复行为是可枚举的,Insights 能告诉你修复成功率,审计链路齐全。代价是非 UI 类的失败它管不了,你还得靠别的机制兜底。

两条路也不互斥。一个成熟的自动化团队完全可以混着用,对 UI 稳定、步骤确定的核心流程,用传统 RPA 加 Healing Agent 做自愈;对界面不稳定、难以穷举的长尾流程,直接 Agent 化。问题不在选谁,在于把哪一类型的自动化交给谁。

 这笔账:AI Actions 是新的维护费吗

不管走哪条路,有一笔账是共同的,Agent 不免费。

Appian 的做法最直接。RUN AGENTIC RPA 消耗 AI Actions,Execution Log 实时记录用量,最大迭代次数和卡死检测防失控。成本的口径因此从“按机器人数量收费”变成了“按 AI 推理次数收费”。一个复杂任务可能吃掉几十上百个 AI actions,一个简单任务可能只用掉几个。

用量能查到,单价查不到,定价页只给了月度上限,具体数字官方没披露。

UiPath 那边,Healing Agent 的许可和计费方式官方文档也没写清楚。不过从 Autopilot 走 AI and Agentic usage pool 的模式看,运行时的推理大概率也会并进这个用量池。

于是问题就来了,AI Actions 用量费,是不是换了个名目的维护费?

从客户视角看,不完全是。维护费是“失败了才产生”的不确定成本,你不知道这个月机器人会罢工几次,也不知道救火要花掉多少人天。

AI Actions 是“运行就产生”的确定成本,你可以按任务复杂度预估用量,把成本摊到每一笔自动化交易上。用确定性成本替代不确定性成本,这本身就是价值。

从厂商视角看,这是收入结构在迁移。过去的维护服务是一次性的、按项目计费,现在的 AI 用量是 recurring 的、按使用计费。

厂商不再靠“脚本坏了客户才来找我”这种被动收入,而是在每一次 Agent 运行里持续收费。这是 RPA 从卖软件许可往卖运营结果转的一次收费重构。

但这个重构有个前提,客户得相信 Agent 真的能让流程少宕机。如果 Agent 经常卡住、经常做错决策,那这笔用量费就变成了“花了钱还没解决问题”的双重负担。

这也是为什么 Appian 缺逐步推理回放和人工审批是个真问题,出了问题却说不清 Agent 为什么这么干,客户很难为用量费买单。

至于“Agent 化之后每笔自动化交易的成本到底升了还是降了”,现在我们答不了,两家的价格模型都没公开,这笔账得等厂商把定价摊开才算得清。

 后记:下一个指标,是一年宕机几次

当 Agent 既能写脚本,又能跑脚本,RPA 厂商的价值主张就变了。

过去卖的是“我给你一堆机器人,你自己配置、自己维护、自己救火”。现在正在变成“我给你能自己跑、自己修的 Agent,你为运行结果付费”。

机器人的数量不再是一个有意义的采购指标,一个 Agent 可能顶过去十个脚本,也可能一个就把整条流程跑完。

接下来的指标是,你的流程一年宕机几次,一次宕机损失多少。

客户到今天还没看见 AI 的可证明价值,13% 就是这么来的。RPA 厂商要破这个局,光说自己的 Agent 很智能没用,得能证明“用了之后你的流程宕机时间减少了多少”。

谁先把这个结果用可审计、可治理的方式写进 SLA,谁就能拿下 RPA 的下半场。

这个行业过去 20 年的商业模式,建立在一个心照不宣的前提上,机器人会罢工,而人必须来救。

Appian 和 UiPath 在 2025 到 2026 年做的这些产品动作,正在拆掉这个前提。当 Agent 接管了脚本的构建和运行,卖机器人这件事就走到了尽头。

卖不宕机,才是下一个故事的开头。大家如果在做选型,先别急着比参数,回去数一遍自己去年宕机了几次,这个答案可能比产品文档更有用。

扩展阅读

  1. [Appian 26.10 Release Notes] https://docs.appian.com/suite/help/26.10/Appian_Release_Notes.html

  2. [Appian Agentic RPA 文档] https://docs.appian.com/suite/help/26.10/rpa-9.27/actions-run-agentic-rpa.html

  3. [UiPath Agents May 2025 Release Notes] https://docs.uipath.com/agents/automation-cloud/latest/release-notes-ha/may-2025

  4. [UiPath Healing Agent 技术博客] https://www.uipath.com/blog/product-and-updates/technical-tuesday-how-healing-agent-solves-ui-automation-challenges

  5. [UiPath Activities v26.10 Release Notes] https://docs.uipath.com/activities/other/latest/ui-automation/release-notes-uipath-uiautomation-activities-v26-10

  6. [UiPath Autopilot Aug 2026 Release Notes] https://docs.uipath.com/autopilot/other/latest/release-notes/august-2026

  7. [Gartner:仅 13% CIO 实现 AI 转型价值] https://www.gartner.com/en/newsroom/press-releases/2026-10-19-gartner-survey-finds-only-13-percent-of-cios-say-their-enterprise-has-realized-significant-or-transformational-value-from-ai

  8. [Gartner:44% CEO 难证明 AI 财务回报] https://www.gartner.com/cn/newsroom/press-releases/2026-10-20-gartner-says-44-percent-of-ceos-struggle-to-demonstrate-ai-financial-returns-as-technology-becomes-central-to-growth

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

Agent 越能干,企业越要先回答它能动什么

原创 王吉伟 2026-11-02 14:45 山东

76% 的企业说管得住 Agent,能实时看见的只有 19%。企业买 Agent 的顺序,可能从头就是反的你的。

26.11.02Agent越能干企业越要先回答它能动什么_公众号版-2026-1102-14:09:40-1

  • 76% 的企业说管得住 Agent,能实时看见的只有 19%

  • 企业买 Agent 的顺序,可能从头就是反的

  • 你的 Agent 能动多少东西,五分钟答得上来吗

10 月 29 日,Cursor 发现自家扩展市场里有一个插件被人动过手脚。

按常理,下架那一个就够了。他们没这么做:整个市场先关停,密钥轮换,重建之后才放回来,前后约 11 小时,受影响用户最多 4,100 到 5,000 人。

一个插件出问题,为什么要连整个市场一起关掉。

因为扩展不是一篇文章,它是程序,跑在你的电脑上,用的是你的用户权限。它能读家目录,能往 authorized_keys 里写一把公钥,能替你开反向隧道。

微软威胁情报把注入的代码逐段拆开,发现加载器在扩展正常代码之前就执行。它会挑出名字里带 KEY、TOKEN、SECRET、PASS、AWS、GCP 的环境变量,最多记 40 个,把名字报回攻击者的服务器。

它没取走密钥的值,只是把“这台机器上哪些位置放着密钥”告诉了对方。

卸载扩展也停不下来。载荷会另外释放一个持久化脚本继续运行,得手工清 SSH 密钥、清持久化项、杀隧道进程,再评估机器要不要重建。

从装上的那一刻起,你对这台机器的完整掌控就已经不在了。

还有一层它自己管不全。Cursor 的第三方扩展来自 Open VSX,那是个独立性很强的公共源,安全验证接近没有。Cursor 于是在中间加了自己的代理,下载都走它的域名,上架前跑一遍自动的恶意代码与供应链分析,不通过就拦掉。

这个动作能挡住大部分明显的东西,但它审的是包,不是包背后的人。

02 Cursor 关停整个市场(约 11 小时)

Cursor 敢关掉整个市场,是因为它算清了一件事:一个扩展能做什么,比它能干什么更要紧。能力是拿来当卖点的,权限是用来兜底的。这两件事撞在一起,先被牺牲的往往是后者。

这不是一家公司的判断失误。整个行业在 2026 年 10 月被现实统一纠正了一次顺序。

十月这一个月,攻击者先学会了用 Agent

也是 10 月 29 日,Wiz 发布《The Rise of Agentic Attacks》。在他们自己和客户的事件响应记录里,入侵中的大部分动手环节已经交给 AI 智能体,人只负责设定目标、划出护栏。

Wiz 复盘了三起自己查的案子。第一起从一台暴露在公网的 Flowise 进。Flowise 是一个拖拽式搭建大模型应用的开源平台,很多团队为了调试方便把它架在公网上,而它同时持有团队配置的模型密钥。

它用来拦内网地址的规则写得挺全,私有网段和云元数据地址都列在里面,但只要把地址写成 IPv4 映射的 IPv6 形式,类型判断就对不上,整条规则会被跳过。规则在那儿,检查也跑了,结论是放行。

这不一定是这一起的入口,但它说明这类平台的防护是什么成色。

攻击者进去之后 24 小时内生成了 99 个脚本,平均一到两分钟一个,被攻陷的实例又成为攻击同行的基础设施。

这 99 个脚本里,几乎每一个开头都写着一份计划。原文是中文,Wiz 做了翻译和脱敏,留下的结构是这样:先摸清系统身份、环境变量、云凭据文件和 SSH 目录。

然后是让改动生效这一步。它没有重启服务,而是给进程发一个信号打开调试端口,通过浏览器调试协议往还活着的进程里注册一条隐藏路由,再把端口关掉。

还有一个批量利用脚本,开头就把整套测试顺序列了出来:先看存活情况和版本,再看有没有认证分支,再试一个无需认证的远程执行入口,再试 1.x 版本特有的取文件漏洞,最后试白名单面上的目录穿越。它连命中之后怎么干活都写了:跑真正的命令执行,用 puppeteer 起一个 shell,读一下 id。

第二起从一台 Java 运维网关进,用约 4.5 小时走完 602 个操作步骤,横跨云元数据、Kubernetes 权限、RabbitMQ、ArgoCD 等 12 类技术。

它的脚本注释写得也很直白,四步概括就是换票。先拿节点的角色凭据,因为访问元数据服务需要一个令牌,注释里还留着令牌申请失败、长度为 0 的记录。

拿到节点凭据之后,再去换集群的系统身份令牌。最后带着这个身份去试数据库,注释里专门标了一条“最大隐蔽:不部署,不写入”。

这句约束是攻击者写给自己的。它知道什么动作会留下告警,所以主动把自己限制在只读范围里。

第三起的入口更简单,是一个带 MCP 接口的 GraphQL 后端。MCP 是模型调用外部工具的通用协议,服务器收到请求后要按参数启动进程。攻击者能控制这个参数,参数就变成了命令行。

只要 MCP 接口对外可达,能传参数的人就能在这台机器上执行命令。这一起持续了约 21 小时,留下 150 多个脚本,指向约 25 个组织。

它的工具里留下了 803 行可读注释,逐条说明这一步在做什么、为什么这么做。人写脚本一般不爱写注释,注释是给自己看的,能省就省。

注释里还有一处更直接的证据。它去重新获取读写凭据,写着走的是工作负载的角色,然后它开始问:可是另一个拿到了 60 万行的导出,怎么做到的?

它的运行也是从同一个 pod 类型开始的。另一个确实连上了,也许网络策略变了,也许它的导出走了不同的 pod。

“另一个”是同一套智能体的第二个实例。它在推理另一个自己在干什么。

Wiz 给这类攻击列了七个特征,三个与以往不同。一是节奏。第三起的操作记录里,新脚本大约每一到两分钟落地一个,连续约 21 小时没停,中间没有人类会有的疲劳间隙。

更有意思的是节奏会跟着难度变:撞上 403 就快速重试,需要解析前端打包文件、从里面抠出接口地址的时候,间隔明显拉长。

一台机器不会因为被拒绝而放弃,也不会因为成功而兴奋,它的速度只跟手上的事有多难有关。

还有一个特征是并行,规模比前面三起大得多。Wiz 另有一份案例复盘,入口是一台暴露在公网的 Kafka 管理界面,问题是一个 Java 远程执行漏洞。同一个源地址在同一时间窗里,扫了 600 多个其他客户的环境。

进去之后它先翻 pod 里挂的 Kubernetes 服务账号令牌,按 token、secret、key 这些词搜环境变量,再向云主机元数据服务要凭据。在 GCP 上它借一个有建令牌权限的服务账号,给几十个身份签了凭据;在 AWS 上它用系统管理器跨实例执行命令,建了一个 IAM 用户,再借组织角色拿到整个组织的管理权限。

最能说明问题的是它怎么站稳。它用一把拿到手的身份提供方管理密钥,给自己建了一个用户,加进管理员组和云角色组,几分钟后就能单点登录进 AWS。

一个攻击者给自己开账号,用的是企业自己的身份系统。这件事跟漏洞没有关系。

二是会自我纠错。第一起案子里留下了一个密钥验证工具的第二版,开头写着第一版为什么失败:第三个目标有一份自定义白名单,42 条,而标准版本只有 20 条,整个管理接口都在白名单里,所以不带认证头也返回 200,拿它验证密钥有效性等于什么都没测出来。

第二版因此改用不在白名单里的路径,让请求真的走到校验函数,判断规则也写下来了:返回 401 就是被拦住了。

03 智能体攻击三特征

这些还只是 Wiz 自己查的三起,规模都不算大。它同时引了第三方披露的案例,量级完全不同:ARTEX 是一个被用来攻击韩国金融机构的智能体工具,约 67,000 人的信息外泄。这个数字经 Wiz 转述,按转述看待更稳妥。

Wiz 在同一份报告里还给了两个反向判断。第一,能力不等于隐蔽。智能体会犯错,会走进死胡同,反复试错本身就留下大量可观测的活动。

第二,归因会变难。工具越容易共享和修改,靠代码相似性去指认攻击者的做法就越不可靠。也就是说,你还有机会看见它,但已经很难说清它是谁。

另一条线,漏点多在平台自己这边

如果只有进攻手段在进化,这件事还能算外部威胁升级。真正麻烦的是,出问题的地方大多在平台自己这边。

十月这一个月,至少九到十个 AI 开发者平台出了事。它们提供模型推理托管、代码部署、在线开发,客户把代码和密钥放上去就能跑,服务器上天然堆着大量第三方 API 密钥。

这一类平台在结构上就危险。它替很多客户保管凭据,一次入侵就能同时拿到很多家的密钥。

出事的时间从 10 月 6 日的 Fireworks AI 排到 10 月 30 日的 Northflank。名单看着像一排不相干的事故,挑两家看细节,会发现是同一个毛病。

Railway 的时间线是公开的。10 月 20 日 13:58,攻击窗口开始。19:53,工程师确认这不是偶发异常,而是一场持续的攻击,于是先把构建基础设施停了以防万一。但攻击者已经进了部分内部系统。

10 月 21 日披露:加密过的客户密钥被访问过,其中一部分被解密,用的是攻击者手上已有的凭据。10 月 22 日 03:32 确认攻击者失去访问。从发现到清除,一天半。它自己的说法是最多 1.85% 的工作区、约 10 万个环境变量可能受影响。

Zeabur 那一家的细节更难解释。10 月 14 日,攻击者用泄露的内部凭据进了共享集群和部分独立服务器,一路走到平台数据库,读走客户环境变量、账户信息和项目数据。调查里有一句要紧的话:8 月已经出过一次安全事件,但当时没把凭据轮换干净,所以有些凭据到 10 月还有效。

两个月的间隔,一次没做完的收尾,就是二次入侵的入口。这家平台的自述是 320 万条环境变量记录被读取、涉及 32.1 万个账户,10 月 20 日把事故标记为解决,随后宣布关停。

根因确实各不相同,凭据访问、构建提权、第三方依赖、遗留系统都有。但共同点比根因更值得看:公开报告都指向针对性搜寻,攻击者专门翻存储里的环境变量,优先挑能换到 AI 服务访问权的。

拿走密钥不是为了登录系统,是为了用别人的账号花钱。这个模式叫 LLMJacking。术语是 Sysdig 在 2024 年 5 月造的,当时指用偷来的云凭据去调 AWS Bedrock 上的模型。

成熟到什么程度,看两把 key 就够了,它们分属 Wiz 的两个客户。两把 key 的第一笔未授权活动,都发生在供应商确认泄露后的 30 分钟内:攻击者从住宅 IP 发出一次模型调用请求,一分钟内横扫多家机构,先试一个较新的模型代号失败,回退到另一个成功。

之后几天是细水长流的试探,两把 key 的调用步调几乎同步,说明有一个验证任务在持续检查它们还能不能用。

再往后才是集中消耗:第一把 key 在 30 小时内打了约 80 万次调用、约 90% 成功,第二把在 13 小时内约 170 万次、超过 100 万次成功。按标价合计,这两笔很可能超过 10 万美元。

两把 key 的配置不一样。第一把没做限制,允许跨区域推理,负载自然摊到各个区域,只有约 6% 的调用被限流。

第二把做了限制,只允许走美国区域的推理配置,而转售池要的是跨区域,所以一开始几千次调用全部失败。然后那个验证任务摸清了能用的模型代号,13 小时里单个地址打出约 170 万次。

一个限制没能挡住消耗,只让它多花了几分钟摸清规矩。

Wiz 还定位到两个转售团伙,都在明码低价卖前沿模型的访问权。其中一家的域名上挂着“蒸馏检测监控”页面,给用户打出高风险、观察、正常三档。账单之外,这个细节说明另一件事:这个市场已经自己长出了质检和分级。

两条链,把合法动作串成了攻击

前面那些事故,多数是平台的门被打开。下面这两条不一样,门都还在:一条用的是企业自己发出去的权限,一条用的是自家产品里每个单独看都合理的设计。共同点是每一步都合法。

第一个是 LiteLLM。这条链值得一步步走,因为每一步单独看都说得通。

5 月 27 日,一个配置文件被提交进公开仓库,里面带着内部 Agent 平台的管理密钥。三小时后补了一个提交把文件删掉,备注里也写了这把密钥需要吊销。但没人真的去吊销。四个多月后它还有效。

10 月 10 日,攻击者用这把密钥进了那个平台,从接口返回的配置数据里拿到一个 GitHub 的 OAuth 令牌。麻烦在于这个令牌不是限定仓库的访问令牌,而是挂在组织所有者名下的命令行令牌,它不分范围,也不受敏感操作的二次验证约束。

有了这个身份,后面的动作全都变成合法操作。攻击者往内部仓库的分支写提交,借持续集成跑一段工作流,把环境里的凭据发到自己的服务器上,拿到两个维护者的令牌,再把执行记录删掉。

10 月 21 日,他们改发布流程。原来的流程把仓库所有者写死在代码里,构建不可能指向别处,所以他们加了一个参数:默认还是官方组织,但可以填任何组织。

这个提交被分支保护挡了下来,因为主分支要求走合并请求、两次检查通过、代码负责人批准。攻击者用组织所有者的令牌直接覆盖分支保护,把提交推了上去。

然后是最讽刺的一环。正常情况下发布要由授权工程师触发,再由一个锁在办公室物理设备上的特殊账号批准。那一周为了多发几个版本,这条规矩被放宽成任意两名工程师即可。攻击者于是用一个令牌触发、用另一个令牌批准,让官方流水线签出了恶意版本。

11:39 到 11:40 的二十二秒里,7 个安装包上架 PyPI。11:46 容器镜像跟上。12:06 有安全研究员发现问题,13:23 PyPI 隔离,13:51 镜像下架,14:19 关掉发布流程。全程约两小时。

恶意代码藏在三个启动文件里,其中一个叫 sitecustomize.py。Python 解释器启动时会自动加载这个文件,所以只要装了包,哪怕一个应用从来没有 import 过 LiteLLM,代码也会跑起来。它翻的东西很全:云凭据、浏览器数据、SSH 与 GPG 材料、持续集成配置,还有各家 AI 编程工具的认证文件。

最后一步是抹掉痕迹。攻击者用第三个维护者的令牌删掉测试和发布流程的执行记录,再用组织所有者令牌把主分支强制还原。

一整条链走下来,没有一处是漏洞利用。全都是手上的权限本来就允许做的事。

第二个是 ChatGPT 那条链。沙箱本身没被攻破,破的是同一个会话里的交互图表。图表加载了一个叫 MathLive 的数学公式库,这个库在主页面装了一个键盘监听器,接受任意来源发来的消息,还把键盘布局字段当作 HTML 渲染。代码里有个函数叫 createHTML,名字看着像消毒,实际把字符串原样传了过去。

HTML 插进来不会直接执行脚本,所以他们改用 srcdoc 造一个新 iframe。主页面创建它的时候没加 sandbox 属性,它就继承了 chatgpt.com 的身份。剩下的问题是脚本从哪来:内容安全策略禁掉了内联脚本,但放行了 YouTube,而 YouTube 的嵌入接口会把一个回调参数原样反射成 JavaScript 再返回一个报错。

最后一步是设计交付方式。他们把一页真图表和后面那个 HTML 预览放进同一个公开会话,整条链就固化在一个分享链接里。受害者点开链接,就是全部所需的操作,不需要再做别的。

任何登录用户点开这条链接,都可能被窃取从未分享过的私有对话。这条链定了 P1,赏金 5,000 美元,Simon Willison 觉得给少了。

这条链上没有哪一步本身是错的:预览隔离了,图表可以加载数学键盘,iframe 之间可以传消息,安全策略放行了大型媒体站,对话可以分享。腾讯白皮书把这种情况叫“复合攻击”,单个动作合法,串起来就是攻击。这是 2026 年防守方最难的一课。

账本上的落差:76% 和 19%

事故之外,还有一组企业自己报的数。ServiceNow 今年调研了 3,766 名安全负责人,覆盖 20 个国家和 8 个行业。

57% 的人说,生产环境里每一个智能体都有完整准确的记录;但只有 34% 是在部署环节通过技术手段自动注册进来的。76% 的人说自己维护着每个智能体完整、最新的访问地图;但只有 19% 能实时看到 90% 以上的智能体。

57% 与 34% 之间那 23 个百分点,76% 与 19% 之间那 57 个百分点,都是人工补的。人补的记录会滞后,人画的地图会画完就不再更新。

漏掉的那部分成了影子 AI。29% 的安全负责人过去一年在自己生产环境里发现过自己不知道存在的智能体。

再补几个数:90% 的组织过去一年经历过 agentic 安全事件,只有 36% 在 24 小时内控制住;32% 有强制的自动化闸门能在智能体通过检查之前拦住部署。

ServiceNow 白皮书里的原话更直接:智能体没有边界感,被允许做什么就做什么,以机器的速度横穿它能触及的所有系统和数据。

ServiceNow 卖的就是 AI 治理平台,这些数字又是受访者自己报的,不是独立测量。所以 76% 和 19% 适合当趋势信号,不适合当精确比例用。

ServiceNow 落差

趋势信号已经够用,因为 Gartner 从另一条路得出了同一个结论。到 2027 年底,40% 的 agentic AI 项目会被取消,原因是成本、价值和风险控制;到 2028 年,超过一半的 AI 举措会因为 agentic 身份问题没解决而中止;同期平均每家财富 500 强企业将运行超过 15 万个 Agent。

Gartner 分析师 Shiva Varma 指出,企业把智能体治理当成二选一,要么锁死要么全信,这才是失败的根因。对简单智能体管得太死,交付变慢,逼出影子开发;对高自主智能体管得太松,运营、安全、合规风险一起涨。所以他提了四级自主度:只读、只给建议、每步要人批、在护栏内自主执行。

Gartner 四级

这个分级把“能不能干”和“能动什么”拆成两个独立问题。大多数企业现在只回答了前一个。

为什么只剩权限这一个控制点

这个局面不太像管理水平问题,更像结构性错配。差距有四个。

第一是频率差。常被引用的数字是智能体每分钟 3,000 到 5,000 次操作,人类员工约 50 次。建立在知情同意和多因素认证上的静态模型在这个频率下直接失效。这个数字建议当定性听,它找不到一手出处,只有中文二手综述反复转引。

第二是数量差。每个接入的智能体都会衍生出几十个非人类身份:API 密钥、OAuth 令牌、服务账户、连接凭证、mTLS 证书。云安全联盟与 Entro Security 的数据是,非人类身份与人类身份平均 45:1,云原生环境高达 144:1。

一家财富 500 强金融机构的审计发现非人类身份超过 420 万个,人类账户约 5 万个,47% 的非人类身份超过一年没改过。DSCI 还数出每 20 个机器身份里就有 1 个拥有完全管理员权限,最大的风险是下线不干净,孤立的服务账户还活着。

第三是链条差,单个动作合法、组合起来就是攻击。第四是边界差,网络边界在合法 API 调用面前形同虚设,剩下的可问的只有三个问题:它是谁,谁授权了它,它此刻能动什么。

还有一条容易被忽略,是同意疲劳。腾讯认为:弹窗越多,员工越容易为了赶进度无脑放行。Gartner 的说法一致,审批在时间压力下会退化,制造出虚假的安全感,同时扩大攻击面。

你没法把一个每分钟要做几千次决定的东西,交给一天点不了两百次确认的人来把关。所以权限成了唯一说得清的控制点:它可以被枚举、审计、撤回,不需要理解模型在想什么,只需要回答“这一步被允许吗”。

OWASP 2026 版 Agentic Top 10 把这个逻辑写成了原则,叫最小能动性:在不需要 agentic 行为的地方部署 agentic 行为,只扩大攻击面,不增加价值。

NHI Top 10 对应的是不安全认证、过度授权、长期密钥这几条;NIST 的 SP 800-53 给的是最小权限和事件日志,SP 800-207 要求每次请求都验证,凭会话信任不够。

身份证明不等于行为授权。凭据能证明是谁在动,但不能证明这个动作被允许。正确的顺序是先识别、再授权、全程观察。非人类身份管理组织把这一条翻成三个动作:验证智能体本身,验证它代表的主体,验证这一次请求。

第三条最容易被跳过,也最有用。一个被要求总结文档的智能体,没有理由去调用发邮件的工具。权限管的是这一次请求,不是这个模型。这条原则落到工程上是一次鉴权,落到管理上是一条能追到人的授权链。

四个错配

厂商已经在卖答案了,答案长这样

这东西现在买得到,几家厂商的方案形状相当一致。

国内最完整的一份公开回答是腾讯在 10 月 30 日发布的《WorkBuddy 企业版安全白皮书》,讲“可控、可溯、可管”,拆成事前识别、事中拦截、事后恢复、全程留痕四道防线。

其中几条可以直接当采购清单用。终端侧是三大操作系统原生级沙箱,文件读写和命令执行收在授权目录内,目录外默认不可写;SSH 密钥、云平台凭据等 8 类敏感路径默认保护,内置规则 106 条,rm -rf、sudo 这类命令默认先问一句。

审计侧,拦截与放行统一进审计中心,每次拦截要说清拦了什么、依据哪条规则。生态侧,技能与连接器上架前要过文件检测、行为检测、实名核验,过去三个月拦下超过 300 个问题技能。

这份白皮书里,我认为最要紧的是“执行前拦截,不依赖模型自觉”这一条。不管模型被什么话术说服,越界操作都会在执行之前被系统机制拦下。

ServiceNow 在 10 月 15 日推出 AI Passport,给每个智能体发一张带密码学签名的凭据,由 Control Tower 签发,锚定 CMDB 和 GRC 策略。运行时引用它验证授权范围,范围内自由行动,越界则分级响应,必要时以机器速度终止。

他们把这套做法叫 Shift Zero,意思是控制点前移,从“上线之后才发现”提前到“上线之前就定好”。有个客户案例:一家企业部署了 1,500 个智能体,每一个都配了员工编号和主管。

这个做法很笨,但解决了一个真问题:智能体不是法律实体,出不了庭,必须有一个能出庭的人挂在它后面。

控制点前移这件事,在很小的设置里也能看到。Cursor 给企业用户留了一个开关:市场里的扩展发布之后,可以要求先等若干小时才允许安装和更新,默认是 0,也就是关闭。

这个开关不解决真假问题,它只做一件事:让那些上传后很快下架的恶意包失去时间窗口。第一章那 11 小时的关停,本质上是同一个判断,只不过是在事后手工做了一遍。

Okta 把智能体注册成和人类员工平等的一等身份,强制它绑定一个承担业务后果的自然人,用短效 JWT 替换长效密钥,并提供程序化终止开关。它的 Agent Gateway 坐在智能体和工具调用之间,每次调用都做策略校验和记录。

那套三问框架可以直接搬进董事会议程:我的智能体在哪,它能连什么,它能做什么。

技术层还有一个新品类,叫 MCP 安全网关。MCP 把工具调用标准化之后,权限必须细分到每一个工具、每一个参数,否则一个能读文档的智能体也能顺手发邮件。

网关做四层校验:方法级、工具级、参数级、资源级。策略通常交给独立的策略引擎判断,请求本身放进一次性的沙箱里跑。最后一层核验发起调用的自然人是否真的有权访问那份文档。真实密钥只存在网关里,客户端和模型接触不到,转发时换成短效令牌。

还有一条容易被忽略的规矩:拒绝也要记。审计里只记成功不记拒绝,等于把最有价值的那部分证据扔了。

08 厂商方案格局

三个判断,都带边界

第一个判断,企业买 Agent 的顺序错了。现在的顺序是先做 PoC 证明它多能干,再补权限。这个顺序在演示阶段没问题,一进生产就出问题,因为补权限的时候,权限已经扩散出去了。

十月那十家平台里,很多不是被攻破,是能拿到的东西比该拿到的多。正确的顺序是先划清它能动什么,再放开能力。边界说清楚:这条只在 Agent 接入生产系统和真实数据时成立。只读的、只出草稿的工具不用套,套了只是拖慢交付,还会逼出影子开发。

第二个判断,这一轮 Agent 安全事件的本质不是漏洞,是身份。十月十家平台根因各不相同,共同点是都在翻环境变量找能用的凭据。修漏洞是一次性的,管身份是持续的。

判断标准我给一条:如果一家企业只能说出它有多少个 AI 账号,说不出有多少个非人类身份、各自能动什么、谁授权,那它还没开始治理。

这里的身份不是指买一套 IAM,而是三件事:每个智能体有独立身份,权限按任务发不是按人发,授权链能追到一个具体的人。

第三个判断,能看见比能拦住更早成为瓶颈。76% 与 19%、57% 与 34% 的落差,就是今年企业 Agent 治理的实际状态。连有多少、在哪、能动什么都没看清,谈拦得住没有依据。

看得见也分层次。端口扫到不算看见,行为和意图看见才算。29% 的人在自己生产环境里发现过自己不知道的智能体。受访者自报的数只能当趋势,但它说明的不是攻击有多厉害,是清单有多不靠谱。

三问

后记:顺序问题,其实是起点问题

Cursor 关掉整个市场,不是在为一个插件道歉,是在用一次短痛换掉一个不可控的长痛。它判断清楚了:扩展能干什么已经被证明过,扩展能动什么没有被证明过。

智能体的能力会继续涨。它会改文件、调系统、下单、审批、写代码,还会通过技能和连接器不断接新能力。你挡不住,也不该挡。

真正需要你先回答的,是那个更朴素的问题:它此刻能动什么,谁授权了它,出了事找谁。

这三个问题听起来像合规部门的事,其实是采购、架构评审和一把手的事,是被人当众问起、你能不能在五分钟内答上来的那种事。

十月这一个月,行业已经用十家平台、一次市场关停、一条分享链接、两张加起来超过 10 万美元的账单,把这道题做了一遍。

答案不是少用 Agent。答案是把顺序调过来:先划边界,再给能力;先答它能动什么,再谈它有多能干。

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

100 亿营收,3% 采用率:SAP 这波 AI 热闹给谁看

原创 王吉伟 2026-10-29 13:39 山东

你的软件账,马上要从"人头费"变成"计件工资"。

cover
  • SaaS计费地基正在被AI Agent拆掉

  • SAP 赚到 100 亿欧元,它的 AI 却只有 3% 客户在用

  • 当软件开始按“干活”收钱,你签的 SaaS 合同还作数吗

  • 你的软件账,马上要从“人头费”变成“计件工资”

设想你是某制造集团的 CIO。年底续约 SAP,账单上多了一行 Business AI 的价目,可你的业务线负责人告诉你,他们平时让 AI 干的活,走的是微软 Copilot。

钱花出去了,人却不在你买的那个入口上。年底对账你会发现,AI 价目和员工实际用的入口,根本对不上号。

这不只是采购走偏。SAP 刚交出的一份成绩单,把这种错位摆到了台面上。2026 年第三季度,它的总营收首次单季突破 100 亿欧元,云业务积压订单站上 241 亿欧元。

SAP 官方 2026 Q3 财报页截图:总营收首破 €10B(€10.27B)、当前云积压 €24.1B(来源:SAP Investor Relations)

同一份光鲜财报的旁边,还摆着另一组数字,来自德国 SAP 用户组 DSAG 的调查:只有 3% 的 SAP 客户,把 SAP 的 Business AI 真正跑在了生产环境里。

比这些更难处理的,是对接的合作方。在已经用上 AI 的企业当中,77% 用的是 SAP 之外的工具,主角几乎都是微软的 Copilot。

一个营收创新高,一个采用率几乎贴地。这反差不是 SAP 一家的事,它把今天企业软件正在经历的一场底层变化,摊开在了桌面上。

软件的收费方式,正从“按人头”转向“按干活”。

这条主线,值得所有预算负责人与数字化决策者提前纳入考量。要看清这场搬家往哪走,不妨先看清旧地基长什么样。

旧地基:席位就是收入

过去二十年,企业买软件基本按人头算。一家五千人的公司,买一套 CRM 就买五千个席位,单价乘以人数就是账单。软件商的收入,跟着你的员工数一起涨:人招得越多、用的人越广,厂商赚得越多。

对人来说,界面好不好用、流程顺不顺,是选型时最在意的事。所以软件商拼命打磨屏幕上的按钮、表单和仪表盘,因为那才是人每天盯着的战场。

这套逻辑简单、可预测,也养出了今天最大的几家 SaaS 公司。它最大的好处是买卖双方都好算账:明年多招两百人,预算加一笔就行。

计费地基换轨:从「按人头」到「按干活」(来源:本文整理)

这套模式的裂缝一直都在。

一家零售企业上了一套仓库系统,按门店人数买席位,真正天天用的只有仓库主管,其余席位常年闲置,钱照交。席位费和实际产生的价值,从来不是一回事。旧模式只是勉强假设它们成正比。一旦有人不亲自用软件也能拿到结果,这根线就松了。

把账算到厂商那头,这套模式更妙。席位费往往提前按年收,签一次长约就锁定了未来三五年的收入预期,华尔街最爱听这种“可预测增长”的故事,它也撑起了今天 SaaS 公司动辄几十倍的市销率。

对买家来说,这意味着你交的是一笔“人头税”:哪怕某个月业务收缩、用的人变少,席位费一分不少。

一个客服中心旺季招了三百个临时工、买三百个席位,淡季人走了、合同没到期,钱照交。席位把“使用”和“付费”焊死在“人数”这一个变量上,而人数恰恰是企业自己都未必控得住的。

采购侧也强化了这套惯性。几十年里,IT 预算按席位批,财务好懂、审计好过。一个部门要新系统,先报人数,再乘单价。

这种简单,恰恰是旧模式最顽固的护城河,也是它最容易被 Agent 绕开的地方。把“使用”和“付费”焊死在“人数”上,这套逻辑最稳,也最容易被 Agent 从底下松脱。

Agent 把“人用软件”这件事绕了过去

AI Agent 的出现,改了规则。它能自己登录系统、调接口、跑完一整个流程,比如自动比价、开采购单、做月结、处理客服工单。活干完了,人可能从头到尾都没打开过那个软件的界面。

这里的关键,是 Agent 不占席位。旧模式里,软件商靠“多一个使用者,多一份收入”。可 Agent 不是员工,它没有工号、不占 headcount,软件商找不到一个现成的“席位”向它收费。

一个财务 Agent 在月底跑完上百家子公司的对账,背后调了十几套系统,可这些公司并没有多雇一个人。厂商眼睁睁看着“活干完了、价值产生了”,却收不到对应的“人头费”。

席位模式最尴尬的地方就在这里:它假定每一份产出都来自一个被计费的登录用户,而 Agent 把这条假设连根拔起。

把这个过程拆开看更清楚。

一笔采购单卡在审批,过去员工要在三个系统之间切,查价格、比对目录、填单、等审批。Agent 接手后,这几步在后台一次跑完,员工只在需要拍板时收到一张待确认卡片。

软件从“人天天戳的界面”,变成了“背后把事办妥的引擎”。Gartner 把这种现象叫软件隐形。还给这种转变起了个名字,叫 agentic arbitrage,可以译作“智能体套利”。

意思是:Agent 跨系统把任务办妥,人不再需要逐个去戳那些传统软件的界面,于是“用户数增长带动收入增长”这根线,就此被剪断了。

Gartner 在 2026 年 7 月的预测 里写到,到 2030 年,最高有 2340 亿美元的企业应用软件支出,会暴露在这股力量之下,约占当年企业 SaaS 支出的两成。

这里要解释一下:2340 亿是“暴露于风险”的估算,不是已经消失的收入。Gartner 自己也把这场变化叫 Saaspocalypse 的重新定义,并且明确说,SaaS 不会毁灭,它会蜕变。软件还在,只是收钱和存在的方式要换。

Gartner 的原话是:买软件的对象变了,主角从人换成了 Agent。当 Agent 成为主要使用者,界面好不好看、培训顺不顺,都快速贬值。

它甚至预言,传统 SaaS 的市场份额会被两类玩家分掉:守不住旧模式的厂商,和交付横向智能体平台的新进入者。当主角从人换成 Agent,按人头收钱的那本账,就翻不开了。

价目表已经悄然改了

光看预测不够直观,看价目表最实在。两家巨头已经动手了。

SAP 这边,它的企业级智能体(Joule Agents)改成了按动作计费:每执行一个动作,消耗 0.02 个 AI Units。最基础的 Base AI 干脆免费,跟着云订阅走,不额外收钱。也就是说,你让 Agent 多干一件活,账单就多一笔;放着不用,就不花。一个只在月底跑月结的财务团队,平时几乎不花 AI 钱。

Salesforce 更直接。2025 年 5 月,它在 Flex Credits 定价公告 里推出 Flex Credits:Agentforce 每做一个动作,吃掉 20 个积分,折合 0.10 美元,十万积分一包卖 500 美元。

它还给客户一个 Flex Agreement,可以把原本买“人席位”的预算,和买“积分”的预算互相调换。从前它按“每次对话”收 2 美元,现在按“每个动作”收 0.10 美元,计费颗粒度明显变细了。

Salesforce 官方 Agentforce Flex Credits 定价公告页截图(2025-05):每动作 20 Flex Credits,折合 $0.10;10 万积分一包 $500(来源:salesforce.com 新闻稿)

把账算细一点。一笔客服工单,过去按一次对话收 2 美元,长聊短聊一个价。现在拆成多个动作,每个 0.10 美元:简单的问答可能更便宜,绕来绕去的复杂工单反而更贵。成本首次跟着真实工作量走,不再被“一次对话”这把粗糙的尺子拉平。

IDC 在 《Agentic Evolution of Enterprise Applications Framework》 里把这条线拉成了长期曲线。今天企业应用里,跟“使用量或结果”挂钩的定价只占 13%,它预测十年后会涨到 63%。按人头收费不会一夜消失,但会从唯一的主流,退成其中一种选项。

更可能的结局是混合:基础席位保底,自动化按动作另算,买方账单变成“底费加变量”。这对 CIO 其实是双刃剑:预算从固定变成浮动,财务预测更难,但闲置资源不再白付。

市场已经在用钱投票。IDC 测到,32.8% 的企业愿意为嵌入应用的 Agent 多付至少一成,18% 愿意多付三成;24.7% 说下一版缺 Agent 能力就换供应商。需求是真的,意愿也强,只是落点还没稳定。

落到采购上,你以后签软件合同,买的东西会变:从“一个团队都能用的工具”,变成“办成一件事的代价”。从卖锤子,变成按钉子的颗数结账。下面这张对照,把两种模式摆在一起:

维度

旧 SaaS(按席位)

新 SaaS(按动作/结果)

计费单位

每人每月

每次动作 / 每办成一事

收入随什么涨

员工数

被办成的业务量

厂商打磨的重点

界面、表单、仪表盘

API、执行能力、结果质量

买方账单逻辑

人头数乘单价

实际干了多少活

闲置时

席位费照交

不干活就不花钱

对管预算的人,这张表的价值在于提醒一件事:当计费单位从“人”变成“动作”,你评估软件的标准也得跟着变,否则很容易继续为用不上的席位买单。

把视角转到卖软件的一方,逻辑同样成立。Gartner 的判断是,守着旧仪表盘和按席位模式的厂商,会面临生存级威胁;而愿意把能力嵌进执行环节、保留客户专属知识、转向按结果计费的厂商和服务商,反而拿到新收入。

这对买家的提示是,挑供应商时也要看它自己敢不敢按结果收费,敢收的,往往更信自己的活干得漂亮。买方账单从“人头数乘单价”变成“实际干了多少活”,挑软件的标准自然也要跟着换。

为什么偏偏是 SAP 卡在采用率上

宏观趋势讲完,回到开头那组反差。SAP 的产品是真的。Joule 能把采购、财务、供应链里的多步流程自己跑完,能力摆在那儿。可为什么只有 3% 客户用上了?

原因一,是门槛。Joule 主要跟着 RISE with SAP、GROW with SAP 这类云合同走,还在用老系统 ECC 的客户根本摸不到它。而 ECC 的标准支持要到 2027 年底才结束,大量客户还卡在迁移的路上。产品再好,人进不了门也白搭。

原因二更关键:Agent 的入口,被别人占了。Copilot 不挑系统,长在每个人的 Outlook、Word、Teams 里,是员工每天默认打开的那一个。人习惯在 Copilot 里问一句“鹿特丹港罢工对我们 Q4 排产有什么影响”,Copilot 再去调 SAP 的数据把答案送回来。

SAP 的 Joule 更像藏在背后的执行引擎,前台那个被天天念叨的名字,往往是 Copilot。77% 这个差距,本质是“默认入口”之争。谁天天被打开,谁就掌握工作流的主动权。

Copilot 赢在它长在微软 365 的装机量上,几乎每台办公电脑都预置了入口。Joule 再强,也得等客户先上 SAP 云、再单独打开一个新产品。入口的距离,就是采用率的距离。

SAP 当然不服。2026 年它一连串出手:买下做表格基础模型的 Prior Labs、买数据湖仓 Dremio、买主数据管理商 Reltio、买工作智能平台 TechWolf,又在自家平台里推一个叫 AI Agent Hub 的开放治理层,想把自己从“被调用的后台”重新变成“被记住的前台”。

这些收购里,Prior Labs 的方向很说明问题:它做的是表格基础模型,专门吃 SAP 最擅长的结构化业务数据,和通用大模型训练的网页文本不是一回事。SAP 想把 AI 的数据底座攥在自己手里,再抢回入口。

SAP 也顺势接受了共存:它和微软做了互操作,让 Copilot 在前台问、Joule 在后台办。巨头心里清楚,逼用户二选一不如把后台攥紧。入口争不到,就争执行权。

对同行的一个信号是,大厂也会在“产品有了、采用为零”上翻车。问题往往不在技术够不够强,而在它有没有长在客户天天待的地方,有没有降低进门的那道坎。

这对所有想推 AI 的厂商是一句提醒:能力要长在使用现场,不能只长在发布会。SAP 的反差提醒一句:产品到位不等于采用到位,入口的位置常常比能力本身更决定成败。

比计费更隐蔽的,是知识归谁

如果只盯着价格,会漏掉更深的变量。顺着 Gartner 反复强调的一条线往下想:它说未来的系统要能“留存深厚的机构记忆与客户情境”,要“捕获并保留客户专属的知识,而不只是数据”。

顺着这个思路,不妨给这类能力起个直白的名字,叫知识留存率(Knowledge Retention Rate,KRR)。Agent 每处理一次异常、每走完一条流程,都会积下“这家公司是怎么做事的”经验。问题来了:这些经验,最后存在谁那里?

设想一家制造企业,它的采购 Agent 跑了一年,摸清了哪些供应商交期稳、哪些物料该留安全库存。如果这套经验沉淀到了厂商的共享模型里,等于你在用自己的运营数据,帮所有竞争对手也变聪明。

对买家来说,这是比“按人头还是按动作”更根本的绑定,因为它锁住的是你公司的肌肉记忆。更要命的是,这种沉淀往往发生在合同没写清楚的缝隙里。

厂商的共享模型越用越懂行,你的竞品用同一套服务,等于间接继承了你的打法。知识归属不写进合同,等于把护城河免费送给平台。

这套绑定比计费本身更难察觉,也更难逆转。旧模式里,企业的数据存在自己的数据库,厂商拿不走,客户随时能换。

可 Agent 时代,要紧的是“怎么用数据把事办成”的那套方法,数据本身倒居其次。方法学一旦被厂商的模型吸收,就成了厂商的资产、客户的负债。

更要命的是,这种吸收往往发生在合同没写清的缝隙里:你买的是“AI 助手的使用权”,没人会想到要写明“它从我这儿学到的流程模板归我”。

等你想换供应商时才发现,最懂你业务的那个“大脑”留在了平台那边。KRR 之所以关键,是因为它衡量的是:你的知识,最后沉淀在了谁家。

知识归谁:沉淀进厂商共享模型 vs 留在客户自己库(来源:本文借 Gartner 思路整理)

Gartner 的原话是,下一代软件合同里最重要的一条,是“系统从你这儿学到的东西归谁”。它给 CIO 的建议很直白:审合同,要像审技术一样认真。尤其盯两条。

一条是 agent 权限条款,你的 Agent 被允许调哪些系统、能做到哪一步;另一条是知识归属条款,Agent 从你这儿学到的东西归谁。

今天签的 SaaS 合同大概率要服役好几年,等 Agent 普及了还在生效,现在不写清楚,将来只能被动重新谈。落到纸面上,至少盯三条。

其一,写清 Agent 可调用哪些系统、能走到哪一步,避免厂商用条款把第三方智能体挡在门外。

其二,明确 Agent 从你业务里学到的知识、模型或流程模板,归属客户,不进厂商的共享池。

其三,失败动作、重复动作不计费,或设消费上限,防止账单失控。

这三条今天就能写进附录,等技术到位时直接生效。计费之争摆在台面上,知识归属之争藏在台面下,而且更难翻案。

给管理者的三点判断

写到这里,落到你能做的事上。开头那个反差,SAP 的 100 亿营收与 3% 采用率,本质上是同一件事的两面:计费地基在换,可客户并不一定跟着换。下面三件事,是你能现在就做的。

其一,评估软件别只看界面了。Gartner 的判断是,该问的是:这个系统的 API 能不能让 Agent 把人能在屏幕上干的事全干了,而且合同允许这么干。界面好看,正在快速变成次要指标。一家厂商如果只允许人在屏幕上点,不让 Agent 通过接口办同样的事,它的价值会被智能体时代打折。

具体可以这么问:你们的 API 能不能让 Agent 自己建单、查库存、发起审批,而不只是给人看个图表?答不上来的,界面再漂亮也经不起智能体时代。

其二,合同要提前埋 agent 条款。前面说过,agent 调用权限和知识归属现在就写进去,比将来被动重新谈判省力得多。别等 Agent 成了主流,才发现三年前签的条款把路堵死了。这一条现在就能做,不依赖任何技术升级。具体可以照抄一句:因 Agent 自动化产生的额外调用,不计入席位费,单独按用量结算,并设置月度消费上限。

其三,别被“AI 功能清单”式采购带偏。前面那些愿意多付费、愿意换供应商的数字说明,市场对 Agent 的胃口很大。但愿意付钱不代表该被功能数量忽悠。看结果计费,看办成的事,比看加了多少 AI 按钮更稳。一张功能表里列了二十个 AI 能力,不如一个能跑通、能度量、能审计的真实流程。采购时直接要一个跑通的生产案例,比看十张演示截图管用。

给管理者的三点判断:API、agent 条款、别被 AI 清单带偏(来源:本文整理)

这场从“按人头”到“按干活”的迁移,不会一夜完成。IDC 自己也指出,市场还在涨,只是长法变了,而且分化厉害:联络中心这类场景已经过半被智能体增强,数字商务才刚起步。SaaS 没死,它正在换一种收钱和存在的方式。面向未来看,SaaS 蜕变后的样子大概是这样:系统本身还在,因为它是数据的系统记录层,但人不再必须打开它;Agent 在后台把活办妥,界面变成可选项。这对买家是好事,账单更贴近真实产出;对厂商是考题,护城河从界面体验挪到了数据、API 和知识归属。这还是预测,不是已经发生的定局。

对采购最实在的一步,是把“软件能否被 Agent 调用”写进下一份需求书,和“界面好不好用”放在同样的位置。

对管理者来说,真正的功课,是在下一次签合同前想清楚你到底在为什么付费,新词追不追倒在其次。把这些动作现在做了,比等潮流定了再追,余地大得多。

后记

把上面几节收拢成一句话:企业软件的收费地基,正在从“按人头”搬向“按干活”,而 SAP 那份“100 亿营收、3% 采用率”的成绩单,恰好是这场搬家途中最诚实的一张快照。

它诚实,是因为数字彼此矛盾却都真实:营收在涨,说明旧模式的余威仍在;采用率贴地,说明新世界的入口已经被别人占走。Gartner 的 2340 亿、IDC 的 13% 到 63%,给的是方向,不是倒计时;它们告诉你地基在动,但没说哪天塌。真正的变量不在价格表,而在 KRR:当 Agent 把企业的打法学走、又未必留在企业自己手里,收费方式的改变只是表面,知识归属的重新划定才是底牌。

对管预算、管数字化的人,这篇文章想留下的,是一份现在就能做的动作清单,不靠制造焦虑:评估软件多问一句 API 能不能被 Agent 调用,签合同先埋好 agent 条款与知识归属,看厂商敢不敢自己按结果收费。新词会一直冒,但“你到底在为什么付费”这个问题,不会变。

扩展阅读:

  1. [SAP 2026 年第三季度财报(投资者关系,2026-10-21 发布)]:https://www.sap.com/investors/en/financial-documents-and-events/recent-results.html

  2. [DSAG 投资调查 2026(2026-02 发布,覆盖德奥瑞约 200 家企业)]:https://www.innobu.com/en/articles/sap-joule-2026-agentic-enterprise-ai.html

  3. [Gartner 新闻稿(2026-07-01)$234 Billion in Enterprise Application Software Spend Is at Risk from Agentic AI]:https://www.gartner.com/en/newsroom/press-releases/2026-07-01-gartner-says-us-dollars-234-billion-in-enterprise-application-software-spend-is-at-risk-from-agentic-artificial-intelligence

  4. [IDC:Agentic Evolution of Enterprise Applications Framework(2026-09)]:https://www.idc.com/page/4/?author=elizabeth%20dunn

  5. [Salesfoce:New Flexible Agentforce Pricing(Flex Credits)]:https://www.salesforce.com/news/press-releases/2025/05/15/agentforce-flexible-pricing-news

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

Anthropic 官方指南:多智能体不等于更强大

王吉伟 2026-10-27 09:00 山东

最近不少企业搭 AI 智能体,习惯拆出一堆子智能体分工干活。默认就是分工越细、数量越多,能力就越强。

可真上了生产环境,问题全冒出来了。上下文反复交接,信息损耗严重;延迟和成本往上飙,系统复杂得没法维护。更扎心的是,很多架构直接把部门结构复刻成了智能体结构,看着漂亮,上线根本推不动。

Anthropic 团队给了一套新解法:别盲目拆,优先用单智能体循环。一套清晰的提示词配上四五个轻量工具,就能覆盖绝大多数业务。实测下来,运行速度能达到多智能体方案的 2 倍。

当然,子智能体也不是没用。遇到上下文膨胀、需要并行独立任务,或者指令互相冲突时,该拆还得拆。迁移也别大刀阔斧,先建评估集,逐个合并,效果变差就留着。

架构没有标准答案,小步迭代才是硬道理。

跳转微信打开

  •  

Anthropic 官方指南:多智能体不等于更强大

原创 王吉伟 2026-10-26 13:28 山东

从协调器回到单循环,Anthropic 的企业级智能体架构指南。

2026-10-26_多智能体不等于更强大_Anthropic中译导读_保留原结构版-2026-1026-12:42:35-5

  • 多智能体不等于更强大:Anthropic 官方指南完整中译

  • 子智能体该留还是该合并?Anthropic 给了一套判断标准

  • 从协调器回到单循环,Anthropic 的企业级智能体架构指南

最近 AI 智能体领域正在发生一场观念上的转向,过去一两年「多智能体协作」几乎成了行业默认解法,团队习惯通过一个协调器,拆出大量子智能体分工完成复杂任务,默认分工越细、数量越多,能力就越强。

可大量企业进入真实生产之后,很多团队发现这套架构能够暴露不少现实问题,上下文反复交接带来信息损耗,延迟与 Token 成本往上飙,系统复杂度居高不下,问题到底出在哪?

问题的根子在架构设计,它跟着组织架构走,像「康威定律」那样把部门结构直接复刻成智能体结构,不少 POC 原型看着漂亮,上线之后却很难维护迭代。

就在这个节点上,Anthropic 应用 AI 团队发布了一篇工程实践文章,标题是《Building agents:When to fold subagents into your main agent loop》,一反「越多 Agent 越好」的惯性思路。

PS:后台回复 261026 ,获取这篇文章的中英文版。

文章提出单智能体循环加技能工具渐进披露的新思路,同时开源了迁移工具包,指导企业审慎对待子智能体,判断哪些应当合并进主循环,哪些场景才真正需要保留多子智能体模式。

这篇文章不是实验室里的理论推演,是 Claude 平台上大量企业项目踩坑沉淀出来的落地经验,它面向 AI 开发者与技术架构师,也给企业管理层留了一份架构选型的参考。

下面是完整中文翻译。

构建智能体:何时应将子智能体合并入主智能体循环 Building agents: When to fold subagents into your main agent loop

如果你已经在 Claude 平台搭建过包含多个子智能体的智能体系统,可以参考本文,判断哪些子智能体适合借助我们的迁移工具包合并到主智能体循环当中。该工具包提供引导式工作流,可以识别你的系统模式、评估替代方案并验证最优实现方案,还附带演示案例,你可以在模拟系统上完成测试,再应用到实际智能体项目中。

子智能体拥有独立的上下文窗口、工具集与指令集,由协调器统一调度,是智能体设计里实打实的核心组件,校验复核、并行任务处理、模块化权限管控这些场景都非常合适。

Anthropic 内部基于 Claude 平台开发的多款智能体,例如我们的多智能体研究系统,都大量使用了子智能体。

不过 Anthropic 应用 AI 团队在企业落地实践中发现了一种趋势,不少企业级智能体项目把路由模块、规划模块、领域子智能体合并进主智能体循环之后,整体表现反而更好。

对比了大量企业落地案例之后,我们发现具备多技能的单智能体方案,在输出质量上往往优于「万能单提示词」方案与多子智能体方案,多数场景下还能够降低单任务成本、减少响应延迟。

举个实例,某企业面向用户的智能体内部部署了十多个专业子智能体,统一的品牌交互体验很难维持,还平白多出额外延迟,用户体验跟着受损。

我们还经常见到一类固化的智能体设计,意图分类器、固定多步推理流水线、用户分群模块、独立推荐分支,最外层再加一层多智能体协调器。

这类项目落地之后的反馈高度一致,架构里大部分工作大模型本身就有能力执行,一套清晰的系统提示词配上 4-5 个轻量化数据工具,再加上严格的输出防护规则,就能够覆盖绝大多数业务场景。

2026-10-26_多智能体不等于更强大_Anthropic中译导读_保留原结构版-2026-1026-12:20:12-2

注:子智能体依然有其适用场景,尤其在前沿研究领域。满足以下三个条件时,应当保留子智能体。

  1. 单智能体循环因为上下文膨胀,出现可量化的性能下滑;

  2. 需要并行处理多项任务,每项任务都需要全新独立上下文,任务结束后即可丢弃该上下文;

  3. 单智能体难以选择合适工具,或是系统提示词内存在互相冲突的指令。

但现实中很多企业会按团队、按业务类型直接拆出一个个子智能体,智能体架构完全复刻企业组织架构,这就是康威定律的典型体现。

下面结合大型企业智能体建设的实际经验,讲清楚什么场景适合把子智能体合并进主循环,以及对应的实践细节。

大型企业搭建智能体的常见失败模式 Agent building failure modes for large organizations

企业常常希望搭一个智能体,把多款产品、多项能力整合到统一的用户交互入口,让用户在一个界面里把问题解决完。

现实中每一项业务能力分属不同业务团队,于是企业让各个团队各自开发专属智能体,再由平台中心团队搭一层协调器,把所有子智能体串联起来。

常见架构分为两种,协调器加子智能体的分层结构,或者主智能体把其他智能体封装成 MCP 工具调用,看着简单省事,却会立刻催生一系列复杂度问题。

  • 上下文管理难题。需要定义不同智能体之间传递哪些上下文,多轮交互过程中信息细节极易丢失。
  • 子智能体泛滥。每个业务团队都上线自己的子智能体,企业内部最终会出现数百个功能重叠的子智能体,缺少统一规范,也没有明确责任人。
  • 「拼接提示词」乱象。各个团队都往系统提示词里增加规则语句,最终指令互相冲突,交互输出风格无法统一。
  • 缺乏全局视角的评估体系。每个团队自建评估指标,指标只针对自身子任务做优化,没有人维护完整的全局评估集,管理层却依靠这些片面的评估分数做决策。
  • 响应延迟高。多智能体架构本身会带来额外开销,有客户做过对比,同样业务下,单智能体循环的运行速度大约是多智能体方案的 2 倍。

采用渐进式信息披露的智能体循环 Using an agent loop with progressive disclosure

虽然「协调器 + 子智能体」能够实现跨团队专业能力协同,但往往还有更优思路,通过技能实现上下文渐进披露,通过工具检索实现工具集渐进披露。

直白讲,智能体只看得到技能、工具的简要描述,真正需要的时候才加载完整详情,这套方案的优势有三点,而且都指向同一个结果:

  1. 共享上下文,输出质量更高。对于长会话智能体,多项任务产生的全部信息保存在同一个主上下文窗口,智能体能够看到前面每一步的执行结果,串联全部信息,产出更丰富的回答、更深度的洞察,远优于子智能体返回一堆摘要片段的模式,也减少了多次切换上下文带来的信息损耗。
  2. 渐进披露规避上下文膨胀。通过该模式,单智能体就能够处理五花八门的任务,不用一开始就把全部信息塞进超长系统提示词,这也消解了企业拆分大量子智能体的主要动因。事实上,针对新一代高级模型,我们把 Claude Code 的系统提示词精简了 80% 以上,其中大量优化就来自技能与工具的渐进披露机制。
  3. 大模型能力持续变强。从 Opus 4.5 版本开始,模型在单个循环内可以处理的任务复杂度远超多数团队预期,Opus 5.5、Fable 5.1 等新一代模型会自主记录思考过程、主动校验结果,很多过去需要外部调度代码实现的逻辑,现在模型自身就能够完成。

    模型迭代升级之后,越来越多的决策逻辑可以从调度层下沉到模型内部,简洁的单循环架构也更适配模型升级迁移,不少客户案例中,僵化的多智能体架构反而限制住了新模型发挥能力。

单智能体循环模式对工程管控能力有要求,需要精心维护系统提示词,技能、工具的描述要做到精准触发,同时要妥善管理上下文窗口、记忆模块与笔记记录逻辑。后文会深入讲解迁移与架构设计要点。

建议由一个小型中心团队全权负责最终输出质量与系统提示词,任何新增工具、新增评估用例上线之前都必须经过该团队审核,小团队能够加快迭代速度,也可以降低跨部门协作成本。

如果依然选择多智能体路线,请优先挑能满足业务的最简单架构,生成校验模式、协调器加子智能体模式都算。

拆分子智能体要守住一条原则,按上下文边界拆分,分配给子智能体的任务尽量少依赖系统其他部分的信息,子智能体只返回精简结果。

适合交给子智能体的任务有几类:独立调研分支、接口清晰的独立组件、黑盒校验复核。

如果单纯按业务问题类型切割子智能体,就会陷入「传话游戏」,每一次子智能体之间传递数据都会损耗信息保真度。

2026-10-26_多智能体不等于更强大_Anthropic中译导读_保留原结构版-2026-1026-12:22:39-3

如何将子智能体合并入主智能体循环 How to fold subagents into the main agent loop

不少企业已经上线了协调器加一系列专业子智能体的生产系统,我们建议朝着下面这套单循环架构演进:

  1. 单个模型、单个上下文窗口,运行开放式工具调用循环,调度层设置各类上限,轮次预算、成本预算、写入权限管控。

  2. 每一轮,模型批量发起工具调用,调度层并行执行全部工具,把原始返回结果交还给同一个模型,由模型决定下一步执行动作,继续调用工具、向用户提问,还是直接输出最终答案。

  3. 当模型输出回答,或是触发任务预算上限,循环终止,回答输出之后,可以额外可选执行目标校验、结果复核逻辑。

  4. 模型在首轮就会写下执行计划,拿到工具返回结果后随时修改计划,这是和「协调器 + 专业子智能体」模式最大的区别,写计划的模型同时负责落地执行,可以中途动态调整方案。

  5. 上下文依旧会按需加载,由智能体自身管理。
    • 不再需要额外代码,从规则库改写生成执行计划,全部步骤交由模型自主决策。

    • 业务流程、领域专属规则,封装进技能(skills)。

    • 校验规则、审批拦截,会话过程中需要的记忆查询等逻辑,封装进工具(tools)。

    • 调度代码依然可以承担轻量通用预处理(例如实体解析),以及工具内部的机械性执行,请求报文组装、流式解析、澄清会话恢复。

单循环架构也更贴合很多团队的终极目标,即打造能够理解用户高层诉求、自主替用户执行任务的智能体,所有会话学习到的信息全部保存在同一个上下文。

下面按阶段介绍从多智能体系统迁移到单智能体循环的落地路径,同时兼顾多业务团队协同开发的问题。

构建任务完成度评估集 Task-completion evals

评估集是整场迁移的地基,缺了它,架构改动的好坏只能靠主观感受。迁移的起点就是搭这样一套评估集,用来判断某个子智能体是否适合合并进主循环。

实践中效果最优的方案,是一套由中心团队维护的全局端到端评估集,各个业务团队再为自己负责的技能配套一套小规模专项评估集,哪怕只有 10 条高质量基准样例,评估工作就可以启动。

可以对照评分标准给智能体最终输出打分,以此追踪回答质量,还保留协调器的阶段要额外追一项路由准确率,看协调器有没有选对子智能体。

子智能体合并完成之后,这一项换成校验环节,看智能体是否正确唤起技能、调用了哪些工具,持续完善面向任务完成度的评估体系,这是不同架构之间做对比的最重要依据。

如果内部系统难以复现线上环境、用户交互难以模拟,评估会变得很复杂,我们内部实践的一个可行方案是记录关键事件的时间戳,后续复现回放,执行定向评估。

逐步缩减子智能体数量 Reducing subagents over time

缩减的方向很清楚,向单智能体循环演进,本质就是把子智能体的能力转化为技能和工具。

具体可以走几条路径,合并领域子智能体、把原有子智能体封装为工具调用,或是直接改写为技能加工具。

2026-10-26_多智能体不等于更强大_Anthropic中译导读_保留原结构版-2026-1026-12:23:41-4

合并领域子智能体 Combining domain agents

正式合并之前,先搭建端到端评估集,优先合并调用频次最高、上下文高度重合的子智能体,这条顺序比架构图画得细不细更重要。

如果多个专业子智能体之间存在调用依赖、读写同一批数据、经常被串联调用,就适合合并。

举个例子,线上大量请求流程都是先调用 A 子智能体,紧接着调用 B 子智能体,两者强耦合,就可以合并为一个领域智能体。

将子智能体作为工具调用保留 Subagents called as tools

当满足前文提到的适用条件、需要保留原有子智能体时,可以让主智能体把它当作工具调用,主智能体持续维护和用户的会话,这是三种处理方式里风险最低的一种。

只有子智能体需要直接跟用户对话交互,才把会话完全移交子智能体处理,其余场景都改在主循环内部通过技能加工具实现。

这种方式可以定义统一的返回结果规范,主智能体能够基于真实数据校验子智能体输出,精简后续汇总步骤。

同时不需要改写原有子智能体代码,还可以拿到任务评估集上的基准数据,用来判断后续要不要彻底合并这个子智能体,作为过渡方案很划算。

但该方案依旧遗留了部分缺陷:

  • 各个专业模块依然保有独立提示词、独立上下文、归属不同业务团队,配套独立评估;

  • 每次调用,依旧只能拿到有损的摘要返回;

  • 每一次调用都会启动一套嵌套模型循环去执行,带来额外延迟。

通过技能与工具把子智能体彻底并入主循环 Folding subagents into the main agent via skills and tools

彻底合并要逐个改造子智能体,把提示词转化为技能,API 接口封装为 MCP 工具,改造完再对比开启与关闭原子智能体两种模式的评估表现,才决定是否保留原方案。

对比时不要只看综合分数,要关注哪些任务的结果发生了变化。

我们在一个客服智能体上做过测试,把子智能体合并之后延迟下降,但部分业务流程开始出错,主智能体直接调用订单查询工具给出答复,跳过了物流子智能体确认配送时间的关键一步。

因此每一次架构改动之前,评估用例必须覆盖生产环境所有串联调用链路以及所有业务禁止规则,每个用例还要多次运行,上面那个故障就只在 2 次运行中的 1 次复现。

多团队如何协同开发同一个智能体 How several teams can contribute to a single agent

领域业务逻辑可以存放于知识库、技能库、MCP 工具中,各个业务团队的技术工作重心,从维护独立智能体转向维护技能与工具。

系统提示词与端到端输出质量依旧由小型中心团队把控,新技能、新工具、评估用例上线都要经过该团队审核,这条规矩在多团队协作里最容易被忽略。

MCP 工具 MCP tools

工具适合的场景比较明确,智能体要执行动作、读取系统实时数据、输出固定格式结果的时候都用工具,迁移过渡阶段,也可以通过工具封装调用遗留子智能体。

建议按照用户意图分组管理工具,而不是一个 API 对应一个工具,系统提示词内的工具定义超过 30-50 个之后,模型选择工具的准确率就会下降。

可以开启工具检索加延迟加载机制,减少硬前置条件,把前置校验逻辑下沉到工具内部。

举个例子,工具 Y 依赖工具 X 的输出,就在 Y 工具内部校验前置条件,给模型返回可读指引。

用户权限控制同理,工具内部校验调用者权限,直接返回拒绝提示,单套循环就能够服务不同权限等级用户,不用为不同权限单独搭建智能体。

技能 Skills

技能沉淀的是业务团队的工作方法论,过去写在专业子智能体提示词里的业务步骤、业务规则、人工判断逻辑,现在都应该落在技能这一层。

我们对技能库的管理思路是,维护权归编写技能的业务人员,技能的创建、测试、清理这些机械工作交给 Claude。

为避免技能库无序膨胀,每个业务团队指定直接负责人(DRI),保障技能质量、功能边界清晰,配套对应的评估用例。

  • /skill-creator。生成规范的新技能,审计存量技能,做删减、去重、重构。
  • /skill-doctor。统计每个技能的调用成本、实际调用频率,清理废弃无用技能。

知识库 Knowledge bases

知识库存放偶尔才会查阅的参考资料,政策条文、指标定义、产品规格文档都属此类。模型通过检索、查询工具读取内容,也可以把参考文件嵌入技能。

但不建议写代码把大段知识库内容直接粘贴进提示词。

提升迁移效率的配套工具 Tools to accelerate this work

我们近期发布了一批 Claude API 技能,可以覆盖上面提到的绝大多数工作。

迁移工具包串联这些能力,提供引导式工作流,完成多智能体系统向单智能体循环的评估与迁移,还支持先跑演示 Demo,再落地到正式业务。

  • /claude-api build-eval。协助生成中心团队维护的端到端评估集,或是各技能配套的小规模专项评估集。
  • /claude-api prompt-audit。扫描提示词、技能、工具描述中为旧版模型编写的指令,输出修改建议,可以用于系统提示词巡检,清理过时规则,避免智能体变慢、逻辑僵化,各团队负责人也可以用来自查本团队的技能与工具描述。
  • /claude-api hillclimb。迭代优化智能体,对齐评估标准,用于对比「保留子智能体」与「合并为技能加工具」两套方案,迭代调优技能、工具描述,判断合并之后是否达到甚至超过原有子智能体效果,也可以迭代优化系统提示词。
  • /claude-api cost-optimize。分析 API 调用开销,给出降本方案,提示词缓存、裁剪不必要的输入输出 Token、调整推理算力等级、选型模型,逐项落地降低成本与延迟。

随着大模型持续迭代,智能体的技术实践也会不断更新,比起固定架构,更重要的是底层原则,做可量化评估,一次只改动一处,只保留经过验证有效的方案。

本案例就是这条原则的体现,随着模型能力越来越强、会话越来越长,越来越多子智能体的能力可以转化为主循环内的技能与工具。

迁移不需要一步到位,先搭建小规模端到端评估集,合并一个子智能体,如果评估效果变差就继续保留它,循环往复,逐步完成改造。

术语对照表(方便阅读)

文中反复出现的英文术语不少,这里整理成一张对照表,方便随时回看。译名按行业通行译法处理。

英文术语

中文释义

Agent

智能体

Subagent

子智能体

Main agent loop

主智能体循环

Skills

技能,封装业务流程、规则与判断逻辑

Tools

工具,执行调用、数据读取、权限校验等操作

Context window

上下文窗口,模型会话记忆空间

MCP tools

MCP 协议工具,标准化智能体调用外部能力接口

Eval / Evaluation

评估、测试用例集

Orchestrator

协调器,调度多个子智能体的调度模块

Conway’s law

康威定律,系统架构会复刻组织沟通结构

后记

这篇 Anthropic 技术文章,本质上给火热的多智能体浪潮做了一次理性降温。它并非全盘否定子智能体与多智能体架构,而是划清了清晰边界。

那么多智能体到底还要不要做?

子智能体适合上下文膨胀、需要并行独立任务、指令互相冲突这几类少数特定场景,但很多企业盲目按照部门、业务模块拆分出大量子智能体,属于典型的过度工程化。

文章传递出几条非常务实的工程启示:

其一,新一代大模型推理、规划能力显著提升,很多原本交给协调器、子智能体完成的任务,现在完全可以交给模型本身在同一个上下文循环内完成,通过技能封装业务流程、MCP 工具处理外部调用、渐进披露机制控制上下文大小,兼顾能力广度的同时避免了提示词无限膨胀,实测案例中,改造后的单智能体循环运行速度甚至可以达到原有多智能体方案的 2 倍。

其二,企业做智能体建设要警惕「康威定律」陷阱,不要把组织架构直接复刻成智能体架构,推荐由小型中心团队统一管控系统提示词与全局评估标准,各个业务团队只负责输出技能、工具与配套评估用例,兼顾多团队协作开发和系统体验一致性。

其三,迁移改造切忌大刀阔斧一次性重构,必须以评估集为底座,逐个合并子智能体,每一次改动都校验任务完成质量,可以先通过工具封装旧子智能体作为过渡,对比基线效果之后再决定是否彻底合并。

其四,架构没有永远的标准答案,模型能力会持续迭代,比固定架构模板更重要的方法论是,可量化评估、小步迭代、只保留经过验证有效的方案。

对不同读者,这份译文的价值不太一样,AI 技术爱好者可以从中理解当下 Agent 行业从「堆数量」走向「重内核」的趋势。

AI 从业者可以把文中的迁移步骤、评估思路直接用于技术项目改造,企业高管则可以用来审视自家智能体项目,避开盲目堆砌子智能体带来的成本、延迟与体验不一致的坑。

扩展阅读

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注 Agentic AI与AIGC ,专注企业级、数字化转型、业务流程自动化与 AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

20 家厂商、4 个象限、5 个用例:一张图看懂 Gartner 2026 自动化新标准

原创 王吉伟 2026-10-23 09:00 山东

Gartner BOAT 魔力象限解读:企业自动化,正在从「单点工具」走向「统一编排」。

  • Gartner 这份魔力象限报告,让企业自动化的采购逻辑彻底变了

  • AWS、n8n 杀入,Hyland、Newgen 出局:2026 Gartner 榜单变天了

  • CIO 必读:Gartner 说 2030 年 70% 企业会走向统一自动化平台

之前我一直在讲,包括我在探讨AI Agent的书里也写过,要学会在不断演进的变化中抓住那些不变。对于企业运营而言,不管技术与业务逻辑怎么变,抓住业务流程需要持续优化这一点,就对了。

业务流程优化,简单地讲就是流程自动化与流程管理。而自动化,与当前的Agent以及Agentic AI息息相关,说到底它们再智能再自主,最终要做的还是企业自动化的事。

自主Agent大行其道以后,人机协作中从人类占80%的操作大概能下降到20%。届时,仍有20%的自动化空间,需要在未来解决,业务流程的自动化,可谓任重道远,当然也会创造更多经济价值。

像Gartner这样爱造新词并能让其快速流行的研究机构,就稳稳抓住了自动化这个需求点,在去年又创造了一个跟自动化和编排相关的新词:BOAT,并且发布了魔力象限报告。

2026 年 9 月 ,Gartner 发布了第二年的《业务编排与自动化技术 魔力象限(简称 BOAT)》报告,把企业自动化的坐标系彻底重画了一次。

过去十几年,企业买 RPA 买 BPM,买 iPaaS 买低代码,每类工具各管一摊;Gartner 现在用 BOAT 这个新品类告诉市场:真正值得买的,是能把流程、连接和智能体统一编排在同一平台上的那一层。

上篇讲Agentic BPM 的 9 个核心特征的文章,在开头提到了这篇 BOAT魔力象限报告。

扩展阅读:Agentic BPM 到底改变了什么?这 6 组对照一次说清

很多读者,对这个报告感兴趣。这篇文章,就来盘一盘它。

本文围绕八个问题展开:BOAT 魔力象限是什么,它主要看什么,从哪里来,什么时候开始,对企业意味着什么,2026 年谁入选,入选门槛有多高,以及和 2025 年首届相比谁进谁出。

公众号后台回复 2026BOAT ,或取改报告的中英文版。

什么是 Gartner BOAT 魔力象限

BOAT 是 Gartner 在 2025 年正式创立的品类缩写,全称是 Business Orchestration and Automation Technologies。它有明确的定义:一个整合型软件平台,用来编排和自动化企业系统内那些复杂度与自主程度各不相同的业务流程与任务。

这个定义里有几个关键词需要注意。

首先是「整合」,Gartner 要求平台原生具备 AI 智能体的编排、治理与多智能体协调能力,而不是把几个单点工具拼在一起。

其次是「连接」,平台要通过模型上下文协议(MCP)、智能体对智能体(A2A)等开放协议,以及 API 和界面交互,把跨系统的执行环境打通。再者是「长流程」,平台必须支持长时间、有状态的过程编排,把人、API、机器人和智能体放进同一条端到端流程里。

魔力象限本身是企业软件采购圈最常被引用的参考框架之一。它用两个轴给厂商定位:横轴是「执行能力(Ability to Execute)」,纵轴是「愿景完整性(Completeness of Vision)」。

2026 年版一共评估了 20 家厂商,按表现落进四个象限。行业对这 20 个 BOAT 平台的独立盘点,也印证了这种整合趋势。

看到这个象限图,我就笑了,其中很多厂商都是之前RPA魔力象限中常客,其中领导者象限的4家厂商在RPA象限中也有不错的位置。如今随着RPA与Agentic AI的融合,在业务流程及编排这个领域,这些RPA厂商凭借早年的技术积累,在这个新兴领域仍然是带头大哥。

报告还把能力分成强制与可选两类。强制项包括智能体编排、治理与生命周期管理、多智能体协调、MCP/A2A 互操作、RAG、长流程有状态编排、API 与事件驱动连接、人机任务模拟(computer use)以及低代码与治理运营;可选项则覆盖 BPMN/DMN 标准建模、数据管理、文档抽取、领域模型与可观测等。

这条分界,基本把只做单点任务的工具挡在了门外。它同时也意味着,BOAT 比的是平台广度,而不是某个单点功能有多深。

图1 概念:什么是 BOAT(整合/连接/长流程)

报告主要看什么:两轴与五个用例

除了两轴定位,Gartner 还配套发布了一份《Critical Capabilities(关键能力)》报告,给出五个通用用例,作为细分评分的依据:确定性工作流自动化(Deterministic Workflow Automation)、平台整合(Platform Consolidation)、案例管理(Case Management)、自适应工作(Adaptive Work)、智能体治理与运行时控制(Agent Governance and Runtime Control)。

用例

它考的是什么

确定性工作流自动化

把可预先画清的流程跑稳、跑准

平台整合

一个平台能否替换你已有的多套工具

案例管理

非结构化、异常重的知识型工作

自适应工作

让智能体在不确定中做判断

智能体治理与运行时控制

生产环境里谁能管住智能体

这五个用例其实把市场的两张考卷摊开了。前两个考的是「你今天能把确定性流程和多平台整合做多好」,后三个考的是「你如何管住非确定性、带智能体的复杂工作」。Mavengity 对第二版的分析也指出,五个用例是在同时考两张不同的卷。

Appian 在确定性工作流自动化和平台整合两个用例中均居首位,并在平台运营与治理维度拿下最高分。Pega 在执行能力轴上排名最高,同时在案例管理和自适应工作两个用例中得分居首。

ServiceNow 则在智能体治理与运行时控制用例中居首。Appian 还把 BOAT 平台能力梳理成产品页,强调数据织锦与统一自动化;Pega 的 2026 领导者专页也重申其连续两年领导者地位。

从用例得分看,三家领导者的强项各有侧重,这正好说明 BOAT 不是一条单一赛道,而是一片需要多项能力同时达标的海域。换句话说,看懂用例得分,比只看象限位置更能判断一家厂商的真实成色。

图2 能力:Critical Capabilities 五个用例

iBPMS 退役与 BOAT 诞生

很多人可能会问,BOAT 这个品类到底从哪来?

在 2020 到 2021年,由于传统的流程管理(BPM/iBPMS)已经演变为更广泛的业务流程自动化(BPA),同时业务流程自动化正在向超自动化体系融合,单纯的流程套件边界被打破,使得市场更看重工作流、低代码(LCAP)、RPA 以及 AI 智能体的组合能力。

Gartner 退役了沿用多年的 iBPMS(智能业务流程管理套件)魔力象限,把相关能力并入新框架。iBPMS 自 2010 年前后就是企业流程自动化的采购基准。Gartner 把它退役,等于承认单点流程引擎已经装不下今天的智能体负载。

其实背后的逻辑很清晰,流程自动化、集成、RPA、低代码和智能体,已经不再是彼此独立的采购项,而是同一平台要同时覆盖的能力。

Gartner 自己给出的判断是,80% 的业务流程自动化客户,会把这类工具当成架在现有业务服务和 API 之上的流程与组合层来用。

换句话说,问题已经从「选哪个 BPM 工具」变成「哪个平台能把最多的自动化表面积整合起来,并且架构是对的」。AutomationToday 对第二版发布的报道,也明确点出这种融合方向。

这也促成了《BPA 市场指南》和如今的《BOAT 魔力象限》的诞生。

随着企业自动化的演进,Gartner 认为市场已经从“解决单一任务的碎片化自动化工具(如传统 RPA)”转向了“端到端全渠道业务结果的统一编排”。转而通过全新的 BOAT 魔力象限来更广泛地评估能够将工作流、系统集成(iPaaS)、传统 RPA 以及新型 AI 智能体(Agentic AI)融合在同一架构下的综合平台厂商。

但由于企业在面对缺乏 API 的老旧系统(Legacy Systems)以及复杂的跨平台 UI 交互时,RPA 仍然是目前市场上最经济、最可靠的界面自动化解决方案, Gartner 并没有立即完全取消独立的 RPA 魔力象限。

Gartner 仍然于 2026 年 6 月发布了 2026 版的 RPA 魔力象限报告。当然评估的厂商缩减: 仅对全球 10 家 最核心的 RPA 厂商进行了深度评估,包括 UiPath、Automation Anywhere、Microsoft、SS&C Blue Prism、ServiceNow、Appian、Pegasystems、Laiye(来也科技)、Samsung SDS 和 EvoluteIQ。

对比前面的BOAT魔力象限,你会发现这里面的很多厂商都在那个里面。RPA厂商正在积极从传统 RPA 正在大步迈向 APA,快速想Agentic AI融合与迭代,也就是正在向Gartner定义的BOAT演进。

所以,明年Gartner是否继续发布RPA魔力象限报告,不好说。

2025 首届,2026 第二版

顺着品类诞生的脉络再往前推,BOAT 这份榜单最早出现在什么时候?BOAT 魔力象限的首届发布于 2025 年 10 月 15 日,当时评估了 20 家厂商,Appian、Pega、ServiceNow、UiPath 就已被列为领导者。

2026 年 9 月 14 日发布的是第二版,9 月 15 日配套的关键能力报告跟进。

一个容易被忽略的细节是署名变化。2026 版报告署名作者为 Saikat Ray、Arthur Villa、Sachin Joshi、Adam Briggs、Tushar Srivastava、Mike Warren;2025 首届还包含 Marc Kerremans 与 Cathy Tornbohm。核心分析团队的延续,说明这个品类不是临时起意,而是 Gartner 自动化研究线的长期方向。ServiceNow 自己的分析师报告列表,也把 2025 年 BOAT 领导者列入历史战绩。

把时间线拉直看,BOAT 从创立到第二版只隔了 11 个月,品类演化速度远超多数魔力象限,这也意味着采购者手里的榜单有效期很短。

图3 脉络:从 iBPMS 到 BOAT 的时间线

对企业有什么价值

说了这么多定义与厂商,最该问的还是那句:这对企业到底意味着什么?

对企业高管来说,BOAT 最大的价值不是又多了一个榜单,而是提供了一个统一的采购与治理视角。

Gartner 的战略假设很有冲击力:到 2030 年,70% 的企业将转向统一自动化平台,用来编排流程、智能体、机器人、API 和人,而今天这一比例大约只有 10%。同一预测把 BOAT 市场规模指向 2030 年超过 340 亿美元。

落到操作层面,BOAT 至少帮企业解决了三件事。

其一,它把碎片化工具收敛为控制平面,让流程、智能体和人不再各管一摊。

其二,它把智能体治理前置为平台级能力,回答「谁在生产环境里管住这些智能体」这个真问题。

其三,它给选型提供了一张可验证的清单,让 CIO 不再凭感觉下注,选型焦虑在超自动化对比研究中也被反复提及。

几家头部厂商的表述也印证了这个方向。

UiPath CEO Daniel Dines 说,智能体单独不产生价值,被编排后才产生价值,企业需要编排层让智能体在安全、受治理、可规模化的状态下生产。Appian 产品执行副总裁 Sanat Joshi 强调,把 AI 智能体直接嵌入结构化的确定性流程模型,才能给 AI 精确目标、上下文与护栏。

Camunda 则把 BOAT 视为「把 AI 智能体变成企业级产出的关键」。UiPath 资源页同时罗列了 Forrester 与 Everest 的跨机构认可,说明智能体编排正在成为多机构共识;Gartner Peer Insights 上 UiPath、Automation Anywhere、Blue Prism 与 Microsoft 的评分,则提供了客户侧的真实口碑参照。

这也意味着,智能体编排正在从概念走向生产,不再停留在 PPT 上。

图4 价值:到 2030 的市场展望

2026 年入选厂商全景

讲完价值,落到具体名单:2026 年版共 20 家厂商,按执行力与愿景两条轴落进四个象限。下面这张表,可以把谁在哪个位置一次看清。

象限

厂商

领导者(4)

Appian、Pega、ServiceNow、UiPath

挑战者(2)

IBM、Microsoft

远见者(3)

Camunda、Salesforce、Workato

利基玩家(11)

AWS、Automation Anywhere、Bizagi、Boomi、Flowable、Mendix、n8n、Nintex、OutSystems、SAP、SS&C Blue Prism

IBM 与 Microsoft 作为挑战者,延续了各自在企业自动化与集成平台上的积累;利基玩家中,SS&C Blue Prism 强调治理优先的智能体平台,Flowable 主打高监管行业的案例编排,Mendix 则从低代码侧切入 BOAT,Workato 作为远见者强调以 MCP 为治理控制平面连接智能体与企业应用。

UiPath 的 Maestro 编排支持 BPMN 2.0 与 DMN,强调即使第三方智能体也能纳入同一治理层;其官方关于页披露客户横跨 100 多个国家、超 1.08 万家。

远见者里的 Salesforce 以 Agentforce 360 平台切入,把声明式工作流、集成与智能体放进一个智能体操作层;SAP 则借 Build 与 Joule Studio,把编排能力嵌入 ERP 生态。这种从各自老本行向同一平台收敛的路径,正是 BOAT 想要统一的对象。

值得单独说两句的是新面孔。AWS 参评产品是 Amazon Quick,2025 年 10 月才发布,是整个报告里最年轻的产品,Gartner 也提示其案例管理与流程编排能力尚待生产验证。

n8n 则是凭借开源友好和自托管能力快速成长的编排层,2026 年 5 月获得 SAP 战略投资,估值升至 52 亿美元,并计划作为受管环境嵌入 SAP Joule Studio。n8n 自身的角色转变分析也显示,智能体并没有消灭工作流工具,而是住进了工作流之中。这也意味着,BOAT 的边界仍在快速扩张,远没有定形。

图5 全景:2026 BOAT 魔力象限四象限 + 20 家厂商

此图根据Gartner 2026 BOAT MQ报告绘制

入选标准:高门槛背后的逻辑

Gartner 凭什么标准挑人?它给 BOAT 设了四组门槛(A 到 D)。

A 是市场定义与产品资格,要求产品覆盖从确定性到非确定性的不同自主程度,并跨多个企业应用与执行环境。

B 是产品能力,要求截至 2026 年 3 月 31 日,平台必须充当跨系统的主编排控制平面,支持长流程、人机协作、智能体构建与治理等。C 是上市定位,要求 BOAT 是可作为主平台直接销售的产品,而不是别的品类里的附属功能。

D 类「市场动能」是商业层面的硬指标,也是外部最容易验证的一环:评估产品要么有至少 300 个付费客户,要么有 1 万个客户标识,要么 BOAT 相关收入同比增长 45%;同时要有至少 20 家实施或集成伙伴,覆盖至少 2 个行业、至少 2 个地理区域。

换句话说,Gartner 把「有没有生态」也当成产品的一部分来考,因为这类平台从来都是连同一支懂它的实施团队一起交付的。

Gartner 也列了排除项:纯开源且仅靠 API 拼装其他 BOAT 的平台、只做编排却缺连接与低代码的平台、只随实施服务捆绑销售的产品,以及到 2026 年底就要停更的平台,都不在评估范围。

也就是说,能进榜的,都是把编排、连接、智能体做成一体且可持续商业化的玩家。

图6 标准:入选门槛 A-D(D 类硬指标)

相比 2025:谁留下来,谁离开,谁进场

定好门槛,最自然的问题是:和去年比,谁进谁出?

和 2025 首届相比,2026 年版最显眼的变化是「进出」。新增的两家是 AWS 与 n8n;被剔除的两家是 Hyland 与 Newgen。

Hyland 与 Newgen 在 2025 年都曾作为利基玩家入选。2026 年 Hyland 仍出现在 Gartner 文档管理魔力象限的领导者位置,但已不在 BOAT 榜单。

Gartner 在报告里也提醒,某家厂商某年不在榜,不一定代表对其评价变差,也可能是市场变化导致评估标准调整,或是该厂商自身重心转移。但无论如何,连续两年只保留 18 家、换掉 2 家,本身就说明这个品类的门槛在抬高,而不是在放宽。

另一个参照系是 Forrester。2026 年第三季度,Forrester 推出同名新品类《自适应流程编排(APO)Wave》,把 Camunda、UiPath、Boomi 评为领导者(第四家未公开)。

Gartner 与 Forrester 两份报告的领导者名单并不完全一致,这恰好提醒采购者:榜单是起点,不是终点。Camunda 连续两年被评为远见者,并在 2026 年愿景完整性上进入前三。这种跨机构对照,正是读榜时最该记住的一点:榜单要对照着看,不能孤立采信。

图7 对比:2025 到 2026 谁进谁出

结语

两年榜单读下来,企业自动化到底在发生什么?把 iBPMS 到 BOAT 的变迁连起来看,企业自动化正在完成一次范式转移:从买一堆单点工具,到买一个能统一编排流程、连接和智能体的平台。

对 CIO 来说,2026 年的这份 BOAT 魔力象限既是采购地图,也是治理清单。它真正想说的只有一句话:当智能体开始进入生产,谁掌握编排与治理,谁才掌握自动化的下一程。

榜单年年变,但编排与治理的主线不会变:谁先把这件事做扎实,谁就拿到自动化的下一程。

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  

Agentic BPM 到底改变了什么?这 6 组对照一次说清

原创 王吉伟 2026-10-20 14:20 山东

Agentic BPM 落地前,先搞懂这 6 个转变Agentic BPM 的 9 个核心特征。

AgenticBPM来了②_带图-2026-1020-13:46:53-2

  • 接上篇:Agentic BPM 落地前,先搞懂这 6 个转变

  • Agentic BPM 的 9 个核心特征,第 9 条最容易被忽略

  • Agentic BPM 到底改变了什么?这 6 组对照一次说清

  • Agentic BPM 不是工具升级,是流程治理的换位

先说个具体场景。

一个采购负责人被三家厂商分别拉去开会。第一家说我们有 Agentic BPM 平台,第二家说我们做的是 Agentic Workflow,第三家说自己其实是 BOAT。

三家 PPT 都很漂亮,都放了同样几个数字:40% 的企业应用会内置 Agent,2340 亿美元的软件支出要被重塑。

这位负责人开完会回来只问了一句:这三家有区别吗?

这个问题不好答,因为答案取决于你站在哪一层看。Gartner 在 2026 年 9 月发布的 BOAT (Business Orchestration and Automation Technologies,业务编排与自动化技术)魔力象限里,把「AI Agent 的原生编排与治理」列为必要条件,评了 20 家厂商。

AgenticBPM来了②_带图-2026-1020-13:46:20-1

也就是说,从分析师口径看,这些厂商确实在往同一个格子里挤。但从概念上看,它们讲的根本不是同一件事。

这是Agentic BPM系列第1篇的下半篇,我会把开头提到的这些词分清楚,然后回答标题那个问题。

什么是 Agentic BPM?

关于Agentic BPM ,我们先来看看它的定义。2026 年 5 月 Dagstuhl 研讨会上由 19 位学者联署的《Agentic Business Process Management:A Research Manifesto》,是目前学术界对Agentic BPM最正式的一次表态。

Agentic BPM 是一种以 AI Agent 为重要执行与决策单元,通过目标驱动、上下文理解、动态规划、工具调用、反馈闭环和受治理的自主行动,实现业务流程智能执行、动态适应与持续优化的新型业务流程管理范式。

这个定义有点长,但每个词都不是随便放的,拆开看会清楚很多。

Agent。执行和决策的基本单位变了。以前流程里的基本单位是「活动」,一个人干一件事,或者一个系统跑一个任务。现在基本单位是 Agent,它能感知、能推理、能调用工具。这个变化是整篇的地基。

Goal。流程不再从「第一步做什么」开始,而是从「要达成什么」开始。传统流程的输入是单据,Agentic 流程的输入是目标加约束。

Context。这是最容易被低估的一项。ARIS 与 The Hackett Group 对 200 多家全球 2000 强企业做的研究里,86% 的高管认为没有流程上下文,AI Agent 无法可靠部署。上下文不是把数据喂给模型,是让它知道工作实际上怎么流转、哪些规则在起作用、出了问题谁负责。

Planning。路径由 Agent 自己生成,不是事先画好的。这条决定了后面所有讨论,我会在本文第 2 章展开。

Action。Agent 能动手。调 API、改状态、发消息、下订单,而不只是给建议。这也是治理压力突然变大的原因,因为它真的会改变现实世界。

Feedback。执行完不是结束。结果回流,成为下一轮的输入,流程因此有了自我修正的可能。

Governance。最后一个词,也是最关键的限定词。宣言的原话是:自主性只有在被约束、被对齐、并通过流程意识变得可操作时,才对企业有用。换句话说,没有治理的自主不叫 Agentic BPM,叫失控。

七个词连起来读,你会发现它描述的不是「更聪明的自动化」,而是一种结构不同的东西。自动化的问题是「怎么把已知的路径执行得更快更稳」,Agentic BPM 的问题是「路径本身该由谁来定」。

Agentic BPM 七个定义支柱

这一问的差别,值得单独写一章。

Agentic BPM到底「Agentic」在哪里?

这是整篇的核心。很多人把 Agentic 理解成「给流程加个大模型」,这个理解太浅,因为它把性质变化当成了程度变化。

学术界对这一点有个很锋利的表述:自动化是执行预设好的指令,自主性是在流程框架内根据情境做选择,两者不是程度差别,是性质差别。

性质差别意味着什么?下面六组对照,是同一个变化在六个侧面的投影。

六组对照:性质差别不是程度差别

Process-driven → Goal-driven

传统 BPM 的起点是流程模型。你先画出 BPMN 图,定义每个节点、每个分支、每个审批人,然后系统照着跑。流程是主角,人是执行者。

Agentic BPM 的起点是目标。你告诉它「这批采购要在预算内完成,优先保证交期」,它自己决定先干什么后干什么。流程从「必须遵守的剧本」变成了「可参考的路线图」。

这个转变带来的直接后果是:流程设计的工作从「穷举所有分支」变成「定义目标和边界」。前者永远做不完,现实里总有没被穷举到的例外;后者只需说清什么算成功、什么不能碰。

Fixed Path → Dynamic Path

塔图大学的 Dumas 等人在 2026 年 1 月的立场论文里提出一个「三角自主谱」。

左下角是人工编排,人执行全部活动,比如刑侦办案;右下角是规则编排,确定性自动化,比如产线上的焊接机器人;顶点是 Agent 编排,给定高层目标,Agent 自主决定并执行整个流程,比如自动进行供应商谈判。

真实流程落在三角形内部任意位置,不是非此即彼。这个三角的用处是让你定位:我的流程在哪一格,想往哪走。

路径固定和路径动态的区别,用一句话说清楚:前者是「走错了要改流程」,后者是「走错了它自己换条路」。

Rule-based → Context-aware

规则的本质是「如果 A 则 B」。它的优点是确定、可审计,缺点是遇到没写进规则的 A 就卡住。

上下文感知的本质是「看情况」。同样是采购申请,同一个金额,规则引擎只会判断要不要审批;Agent 会去看这家供应商过去有没有履约问题、当前库存周转如何、这笔采购是不是急单。

有个采购寻源的案例很典型:TCO 模型算下来,供应商 A 单价最低但交期 45 天、历史准时率只有 82%;供应商 C 单价高 15%,但交期 20 天、准时率 98%。按停产等待成本每天 2 万元算,C 的总成本反而最低。

这个判断规则引擎做不了,因为它需要把「停机成本」这种跨部门信息拉进同一个决策里。

Task Completion → Goal Completion

任务完成是「这一步做完了」,目标完成是「这件事成了」。

差别在验收标准。任务型系统的 KPI 是处理量、及时率、错误率;目标型系统的 KPI 是「采购成本降了多少」「交付准时率提了多少」。前者衡量动作,后者衡量结果。

Camunda 调研里有个数据很说明问题:只有 10% 的企业在用基于 Agent 的编排,而 81% 认为没有这种编排,就实现不了真正的自主企业。

这 81% 的人想的大概不是「处理更多单据」,而是「让流程自己朝着目标走」。

Single Execution → Feedback Loop

一次性执行的意思是,跑完就完了。结果好不好,下一轮重新来过,经验不沉淀。

反馈闭环的意思是,跑完的每个结果都成为下一轮的输入。Agent 会记住这次为什么失败,下次绕开。更进一步,流程会记住哪类异常反复出现,主动提出改流程结构。

这一点在学术上有个专门的说法叫「自我修改」(self-modification)。宣言把它列为 Agent 的四项必备能力之一,同时明确指出:这项能力排在最后,因为它最危险,也最难治理。这个排序很讲究。

框架化自主、可解释性、对话可行动性是逐步建立信任的过程,自我修改是信任建立之后才敢碰的东西。

Static Process → Adaptive Process

静态流程改一次要立项、走变更、等发版。业务变化的速度早就超过发版周期了,这也是流程挖掘存在的意义:它专门用来暴露「模型里的流程」和「真实的流程」之间的裂缝。

自适应流程的改法不一样。它可以在运行时调整参数、切换路径、增减校验,不需要动代码。

Kissflow 那篇讲「SOP 终结」的文章给了个五阶段路径:先把现有流程显性化编码,再加监控和反馈,再引入条件响应元素,再让流程自我优化,最后规模化。这个顺序不能跳,跳了就是拿生产环境做实验。

六组对照的画法

把上面六组压成一张图,就是下面这样。

1

2

3

4

5

6

7

8

9

10

11

12

13

Traditional BPM                Agentic BPM
Process                        Goal
   ↓                             ↓
Task                           Context
   ↓                             ↓
Rule                           Planning
   ↓                             ↓
Execution                      Action
                                 ↓
                               Feedback
                                 ↓
                               Adaptation

左边是四级流水线,右边是六级闭环。多出来的两级(Feedback、Adaptation)就是「会学习」和「不会学习」的分水岭。

我更想指出的不是多两级,是方向上的差别。左边从上到下,是设计者把意图逐层分解成动作;右边从下到上,是 Agent 把执行结果逐层反馈成调整。一个开环,一个闭环。

四级开环 vs 六级闭环

Agentic BPM的9大核心特征

上一章讲的是「变了什么」,这一章讲「变完之后长什么样」。九条特征,构成整个系列的第一个分析框架,后面几篇会反复引用。

1. Goal-driven(目标驱动)。系统输入是目标加约束,不是动作序列。考核标准是目标达成度。

2. Context-aware(上下文感知)。能看到流程状态、历史数据、业务规则、组织结构、异常记录。86% 的高管认为这是可靠部署的前提,但只有 22% 的企业真正具备端到端的实时可视性。

3. Dynamic Planning(动态规划)。路径在运行时生成。同一类任务,因为情境不同,走的路线可以不同。

4. Agent-based Execution(Agent 执行)。执行者从「人 + 规则引擎」变成「Agent + 工具」。一个流程里可以有多个 Agent,分工协作。

5. Skill-based Capability(技能化能力)。Agent 的能力以可复用的技能单元组织,不是写死的代码,后续篇目会展开。

6. Tool/System Interaction(工具与系统交互)。通过 API、MCP、A2A 这些协议和外部系统对话。Gartner 已经把 MCP、A2A 的互操作能力列为 BOAT 平台的必需项。

7. Feedback Loop(反馈闭环)。执行结果回流,成为下一轮输入。

8. Adaptive Process(自适应流程)。流程结构本身可以变,不只是参数在变。

9. Governed Autonomy(受治理的自主)。所有自主行动都在边界内,哪些能自己定、哪些要报备、哪些碰都不能碰,都写清楚。

前八条讲的是「能力」,第九条讲的是「许可」。

Agentic BPM 九大核心特征

这两件事在学术上被明确分开过:一篇 2026 年的论文提出把「允许自主等级」(AAL)和「自主能力等级」(ACL)拆成两个独立概念,并用一个已上线的企业数据工程 Agent 做了演示。

一个技术上达到高能力等级的 Agent,可以被刻意限制在较低的允许自主等级上,理由是风险、可逆性和组织准备度。

这个区分非常实用。它解释了为什么很多企业明明技术上行得通,还是选择让 Agent 只做建议不做决定。不是能力不够,是许可没给。

九条里,我觉得最容易做到的是 4(Agent 执行),最容易忽略的是 9(受治理),最难的也是 9。因为前八条都是加法,第九条是减法。

Agentic BPM与相关概念的边界

这一章解决读者最大的困惑。八个对比,我尽量用一句话说清每个词的「分析单元」,因为分析单元变了,才是真的新东西。

Agentic BPM vs BPM

BPM 分析的是活动。它关心流程由哪些活动组成、活动之间什么关系、谁负责、什么标准算完成。Agentic BPM 分析的是Agent。

宣言里那句话是最狠的总结:流程管理的基本单位正在从活动转向 Agent。这不是加了功能,是换了分析对象。

Agentic BPM vs BPMS

BPMS 是 BPM 的软件实现,一套跑流程的系统。Agentic BPM 是一种管理范式,它需要系统支撑,但不等同于系统。

一个企业可以买了 BPMS 却完全没有 Agentic BPM 的实践,也可以有这套思路但用一堆散装工具拼。

Agentic BPM vs Workflow

Workflow 关注的是路径。谁在第几步做什么,条件满足就往下走。它不管目标,只管路线。

Agentic 流程里也有工作流,但工作流从「主干道」降级成了「一类可选路线」。

Agentic BPM vs RPA

RPA 模拟的是动作。点按钮、填表单、搬数据。它解决的是「系统没有 API,只能靠人肉界面操作」这个问题。

国内做流程治理的厂商现在普遍用一张四维矩阵来描述这件事:流程挖掘负责发现,BPM 负责管理,RPA 负责执行,AI Agent 负责判断。

RPA 的价值在于确定性,Agentic 的价值在于处理不确定性。这两件事不冲突,RPA 在 Agentic 流程里往往退化成 Agent 可调用的一个工具。

Agentic BPM vs Process Mining

流程挖掘分析的是事件。它从系统日志里还原真实流程,找瓶颈、找偏差、找合规问题。

它的角色在 Agentic 时代变了:从「诊断工具」变成「感知层」。Agent 要先知道流程现在什么状态,才能决定下一步做什么。

Celonis 的 Context Model 本质就是在做这件事,把流程数据、业务知识、决策智能合成一个 AI 能理解的数字孪生。

Agentic BPM vs AI Agent

AI Agent 是执行单元,Agentic BPM 是管理体系。

这个区别很关键。买一堆 Agent 不等于有了 Agentic BPM,就像买一堆机器人不等于有了精益生产。Agentic BPM 管的恰恰是「一堆 Agent 怎么协同、谁审批、出事谁负责」。

ServiceNow 在 2026 年 10 月发布的 AI Workflow Factory 就是按这个逻辑做的,用 Action Fabric 把第三方 Agent 通过 MCP、A2A 接进统一治理层,再用 AI Control Tower 做跨厂商审计。

它卖的不是 Agent,是管 Agent 的那层。

这笔生意的增速也印证了判断:ServiceNow 2026 年第二季度营收同比涨 24%,AI 平台年合同价值破 10 亿美元;Salesforce 的 Agentforce 年化收入 8 亿美元,同比涨 169%。

Agentic BPM vs Agentic Workflow

Agentic Workflow 是流程形态,一条由 Agent 驱动的流程。Agentic BPM 是管理范式,一套让这类流程可治理的方法论。

打个比方:Agentic Workflow 是一条会自己找路的运输线,Agentic BPM 是整个物流网络的管理规则。

塔图大学那个五层架构里,编排层同时包含 Agentic 流程编排系统与基于规则的编排系统。这也说明一件事:现实中的 Agentic BPM 不会全是 Agent,而是两种编排混着用。

Agentic BPM vs Agentic ERP

Agentic ERP 是一个系统的形态,ERP 里长出 Agent 能力。Agentic BPM 是跨系统的编排层。

Gartner 的预测在这里很有穿透力:到 2030 年,60% 的组织会从系统记录厂商之外的供应商那里采购 Agent 编排平台。

翻译一下,就是企业不会再让 ERP 厂商顺带管编排,因为编排本来就是一个横跨多系统的工作。

SAP Signavio 这类厂商的反击方式是给 ERP 转型铺一层「可信的 Agentic 基础」,连续四年在 Gartner 流程智能平台魔力象限里被评为领导者。

总图

八个概念的关系,可以画成一条层级链加三个落点。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

Agentic AI
                         │
                       Agent
                         │
                       Skill
                         │
                 Agentic Workflow
                         │
                  Agentic Process
                         │
                   Agentic BPM
              ┌──────────┼──────────┐
              │          │          │
         Agentic ERP Agentic CRM Agentic RPA

从上往下是抽象层级递减,从下往上是场景化程度递增。Agentic BPM 站在中间偏上,承上启下:往上看它是管理范式,往下看它是三个具体系统形态的共性底座。

相关概念边界:层级链与三个落点

顺便说一句,Gartner 所造的词 BOAT,是把 RPA、BPA/BPM、iPaaS、低代码连同流程挖掘和治理可观测性收进同一个平台类别。

Gartner 预计这个市场到 2030 年超过 340 亿美元,70% 的企业会从今天 10% 的分散状态转向统一编排平台。这个词解决的是「采购时该看什么类别」,不是「概念该怎么分」。两者不冲突,但别混着用。

Agentic BPM参考模型

这一节第一次正式提出一个概念级参考模型。注意是概念级,不是技术栈,详细的技术选型留给后面专门一篇。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

Business Goal
      ↓
Process Intent
      ↓
Agentic Process
      ↓
Agent
 ┌────┼────┐
Skill Tool Knowledge
      ↓
Agent Runtime
      ↓
Enterprise Systems
      ↓
Feedback
      ↺

七层,我逐层说一句它在解决什么问题。

Business Goal:业务目标。这一层不是技术问题,是管理问题。目标定不清楚,下面全会歪。

Process Intent:流程意图。这是我认为整个模型里最容易被跳过、也最不该跳过的一层。它把业务目标翻译成「这条流程要达成什么、在什么约束下达成」。目标是「降本 10%」,意图是「在不牺牲交付准时率的前提下降低采购总成本」。少了这一层,Agent 拿到的是个空洞的数字。

Agentic Process:流程本身。它有了目标、有了约束、有了边界。

Agent:执行者。可以是单个,也可以是多个分工协作。

Skill / Tool / Knowledge:Agent 的三类能力来源。技能是「会做什么」,工具是「能用什么」,知识是「知道什么」。三者缺一,Agent 就会在某类任务上退化成聊天机器人。Camunda 的调研里 80% 的已部署 Agent 还只是聊天机器人或助手,原因多半就在这儿。

SAP Signavio 在 2026 年 5 月做的 Process Atoms 和 Company Memory 就是在补知识这一层:把流程标准、合规规则、决策逻辑编码成可复用的原子,再连成治理化的企业知识层,供人和 Agent 共用。

Agent Runtime:运行时。负责调度、状态管理、权限控制、日志。这一层决定了流程能不能长跑。

Enterprise Systems:企业系统。ERP、CRM、SRM、财务、HR,Agent 最终要在这里改状态。

Feedback:反馈回流,箭头回到上面。这是闭环的物理体现。

这个模型有个隐含判断:Agentic BPM 的复杂度不在 Agent 本身,在 Agent 与意图、上下文、运行时、企业系统之间的连接。这也解释了为什么 Gartner 认为编排才是主要挑战,而不是模型能力。

Agentic BPM 概念级参考模型

一个Agentic BPM流程长什么样?

用采购举例,因为这是目前落地案例最多、最容易比较的场景。

传统采购是这样一条链:

申请 → 审批 → 询价 → 比价 → 采购 → 交付

六步,每步之间有明确的交接。实际跑一轮 15 到 20 天是常态,因为每一步都要等人。

Agentic 版本不是把六步里的每一步换成 Agent,而是换成另一种结构:

目标 → 理解需求 → 查询知识 → 搜索供应商 → 分析价格 → 判断 → 执行 → 监控 → 发现异常 → 调整

看起来步骤更多了,但性质完全不同。前者是一条固定的直线,后者是一个带回路的过程:监控之后能发现异常,发现异常之后能回头调整。

采购流程对比:固定直线 vs 带回路

需求理解这一环,Agent 从审批流、ERP、邮件里抓采购申请,解析物料、规格、数量、交期,直接生成标准询价单。

某电商企业的实验耗材采购场景里,需求方在钉钉提交后,智能体实时抓取并同步到供应商平台,响应到秒级。

报价获取这一环,难点在跨平台。传统 RPA 要给每个供应商门户单独写脚本,页面一改版就得跟着改。Agent 靠语义识别找价格字段,页面变了还能找到。

有制造企业每天要采铝、铜、钢材的当日单价,价格散在行情网站、咨询站、大宗商品公司官网和小程序里,部署 Agent 后每天定时抓取汇总,效率提升一倍,每天省 1 小时人力。

比价这一环最能体现「上下文感知」。前面提到的 TCO 案例里,Agent 输出的不只是价格排序,而是把交期、准时率、停产成本都算进去的总成本排名,还带风险标注。

这套打分规则由采购专家在后台配置,权重可以按物料类别动态调整:关键安全件把质量风险系数提到 40%,标准件把价格权重提到 50%。

执行之后的监控和调整,是传统流程根本没有的部分。

某制造集团的采购协同智能体上线后,询比价准备和资质初筛先由 Agent 处理,采购人员转向谈判和供应商策略,因为 Agent 输出的比价依据能追溯到具体数据源,跨部门的口径争议明显减少。

再往末端走,履约跟催原来最琐碎。

有平台的做法是:扫描最近 30 天逾期未交订单,输出交货差异报告,含核心指标、供应商排名和逾期明细;对缺料申请则把「比价 → 生成订单 PDF → 发催货邮件 → 汇总」串成闭环,压到一次对话内完成。

有一个细节值得单独拎出来:所有这些案例里,Agent 都不是完全自主的。有案例明确写了「涉及修改与提交的动作全部走人工审批节点,Agent 负责找问题,人负责做决定」。

另一个案例写明「TCO 分析结果是决策参考而非自动决策,最终确认权在采购人员手中,系统承担的是信息整理和风险提示角色」。

Agentic BPM 不是把每个流程节点都换成 Agent。 这句话听起来像废话,但市面上大部分「智能 BPM」产品做的恰恰是这件事:在原有流程图上挂几个 Copilot。

真正的变化是另一句:

流程本身开始具有理解、判断、规划、执行和适应能力。

区别在哪?前者是「流程里的某些步骤有了 AI」,后者是「流程作为一个整体有了 AI」。前者你可以把它拆回原来的六步,后者拆不回去,因为它的价值和结构都在回路里。

什么样的流程适合Agentic BPM?

不是所有流程都值得 Agent 化。这里提出一个判断工具,叫 Agentic Process Fit,七项标准。

1. 非结构化程度。输入是邮件、合同、图片、录音,还是规整的表单数据。越非结构化,Agent 的价值越大,因为规则引擎根本处理不了。

2. 判断密度。一个流程里需要人做主观判断的节点有多少。判断越密,越适合 Agent。

3. 例外率。走标准路径的比例有多少。例外率高的流程,传统 BPM 的成本极高,因为每个例外都要人接。

4. 跨系统程度。一个流程要穿过几个系统。Camunda 调研里流程平均涉及 50 个端点。跨得越多,编排层的价值越大。

5. 知识依赖。做完这件事需要多少隐性知识。依赖越重,越需要 Knowledge 这一层。

6. 路径不确定性。路径是不是每次都差不多。如果每次都一样,规则引擎更便宜也更稳。

7. 目标明确程度。目标越清晰可衡量,Agent 越容易判断自己做成了没有。这一条如果打分低,前面六条再好也白搭。

七维打分之后,会得到一个比较实用的结论:高非结构化 + 高判断 + 高例外 + 高跨系统 + 高知识依赖 + 高不确定 + 高目标清晰度的流程,是最值得优先考虑的候选。

真实世界里很少有流程七项全高,所以要找的是「短板不太短、长板特别长」的那些。

反过来,有几类流程现在明显不该碰:薪酬决策、雇佣决策、高额自主付款、法律承诺、安全关键的生产控制、员工监控、高不确定性的战略决策。有学术框架直接把这些列为「不适合作为 Agentic 起点」的场景。

理由不是技术做不到,是一旦出错,代价不可逆。

Agentic Process Fit:七维判断与禁区

这里还有一个经常被忽略的判断:不是所有流程都该由 Agent 主导。

前面提到的自主性阶梯从 L0 到 L5,研究者给中小企业的建议是目标区间定在 L2 到 L4(提案引擎、带审批的工具型 Agent、有升级机制的标准案例自动化),L5 完全自主「不是多数场景的起点」。

大企业也一样,只是阈值不同。

Agentic BPM现在还面临什么问题?

先做个方法论提醒。同一个「Agent 采用率」,不同调查给出的数字从 3% 到 97% 都有。

不是谁在造假,是「部署」的定义不同:装进采购合同算不算、跑通一个部门算不算、进了生产才算,三个口径能差出几十倍。Gartner 自己的 CIO 调研给 17%,同时又说 60% 以上计划两年内部署。

下面十个问题,按「越往后越难」排。

Agent 可靠性。Aldric Research 调查 290 位企业技术负责人,生产环境部署率从年初 19% 涨到 54%,但完全自主运行的 Agent 只占 12%。能力之外还有信任。

决策错误。错误率本身不是最麻烦的,最麻烦的是错误不可预测。模型可能在 95% 的情况下表现很好,剩下 5% 做出完全无法预期的决定。这 5% 足以让风险团队否掉整个项目,51% 的企业把模型可靠性列为障碍。

流程确定性。Agentic 流程天然是非确定性的。同样输入,两次可能给出不同但都算合理的结果。这不是 bug,是这类系统的工作方式,测试方法也得换:不测「这一次过没过」,而是跑很多次看结果分布是否落在可接受区间。

权限。Agent 能调什么系统、改什么数据、花多少钱,都要有明确边界。最小权限、任务级凭证,而不是共享的长期密钥。

反过来看,企业对权限的焦虑其实已经反映在采购决策上:Caylent 调查的 200 位高管中,83% 认为护栏的重要性等于或高于模型智能,59.5% 已经把自主 Agent 放进了生产环境。这两个数字放在一起读很有意思,愿意放权,但前提是先有护栏。

数据安全。Agent 要读数据才能判断,读到什么程度是安全问题。

审计。这是最尴尬的一块。Agent 的推理日志和人的审批记录往往在两个系统里,中间那次交接没有任何记录。而审计要问的恰恰是那一刻:人为什么批准了这个决定。

欧盟 AI 法案给的解法是先把账建起来,给每个运行中的 Agent 一个唯一标识、能力描述和权限范围,形成一份 Agent 资产清单,再谈日志和追溯。

责任。ZAI Institute 调查 67 位高管,37% 说不清 Agent 代表组织行事时谁负责。这个数字比技术障碍更值得担心,因为责任不清的项目没人敢推到生产。

Human-in-the-loop。多数企业的默认做法是监督式自主,Agent 提方案,人批高风险步骤。问题是怎么设计这个「批」,批得太细等于没自动化,批得太粗等于橡皮章。

ROI。Gartner 预测到 2027 年底超过 40% 的 Agentic 项目会被取消,理由是成本失控、价值不清、风险控制不足。

第二年 ROI 通常比第一年高 40% 到 60%,但很多项目活不到第二年。这里面有个结构性原因:企业在第 0 到 12 个月做的是「把流程显性化」这件苦活,价值要到第二年才显现。

国内制造业的账算得更细一些,采购价格维护从每次 3 到 4 小时压到 35 到 50 分钟,订单处理从每单 5 到 10 分钟压到 1 分钟,这类改善的计量单位是分钟,不是战略。

Deloitte 2026 年 4 月对 1100 多位高管的调研则显示,跑 Agentic 工作流的企业 ROI 比用零散 AI 工具的高出近 30%。

治理。只有 34% 的企业对治理 AI 决策有信心,18% 有成熟的企业级治理框架,46% 还把 AI 责任完全交给 IT。

这三个数字放一起看,意思是:绝大多数企业连「谁管」都没定下来。监管侧的动作比企业快,欧盟法案 2026 年 8 月进入全面执行,把 Agent 接入医疗、金融、工业控制等高风险场景纳入最严监管。

说完十个问题,得把结论收回到一句话:

Agentic BPM 不是无限自主,而是 Governed Autonomy。

这句话不是妥协,是定义。宣言里四项能力的排序已经暗示了这一点:框架化自主排在最前,自我修改排最后。自主是有前提的,前提是框架。

欧盟 AI 法案在 2026 年 8 月 2 日正式适用高风险系统义务,要求风险管理贯穿生命周期、人工监督可介入可中断、自动日志足以支撑追溯和上市后监测。

这些要求听起来像负担,实际上给了 Agentic BPM 一个明确的工程目标:把「可治理」设计进去,而不是事后补。

从Agentic BPM到Autonomous Process

最后重新看演进链。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

BPM
 ↓
BPMS
 ↓
Workflow Automation
 ↓
RPA
 ↓
Process Mining
 ↓
Intelligent Automation
 ↓
AI-enabled BPM
 ↓
Agentic BPM
 ↓
Agentic Process
 ↓
Adaptive Process
 ↓
Autonomous Process

这条链上每一环都解决了一个特定的问题。

BPM 把流程显性化,BPMS 让流程可执行,Workflow 让工作能流转,RPA 让机器能操作界面,流程挖掘让企业看见真实流程,智能自动化把 AI 塞进具体环节,AI-enabled BPM 让流程有了理解能力,Agentic BPM 让流程有了行动能力。

有意思的是,这条链走了三十年,市场本身还在长:2026 年全球 BPM 市场约 260 亿美元,预计 2030 年到 457 亿美元。

从 BPM 到 Autonomous Process 演进链

后面三个值得单独说一说。

Agentic Process 是 Agent 深度参与后的流程形态。流程还是那个流程,但执行者变了。

Adaptive Process 是能自己调整结构的流程。不只是参数变,是路径和规则都在变。Kissflow 描述的自更新流程最后阶段就是这个形态:流程根据运行数据自己优化,人做周期性审查而不是逐次审批。

行业里已经在讨论它的两个前提:一是数字流程孪生,让企业先在虚拟副本上做压力测试再上线;二是自愈工作流,系统发现重复手工操作后自己生成自动化脚本。

Autonomous Process 是目标给定后基本不需要人干预的流程。这个形态目前还在很远处。有研究者用自动驾驶做类比:连最先进的自驾系统都没在所有路况下做到 L5,企业流程更没理由认为自己能一步到位。

这张图最重要的判断是:

Agentic BPM 是走向 Autonomous Process 的重要中间阶段,但二者不是同义词。

中间阶段的意思是,它必须保留人的位置。有框架把这种保留说得很具体:条件自动化(Level 3)是「Agent 在定义参数内自主管理常规工作流,人类保留对例外和质量保证的监督权」。

这个定义里,Agent 的自主和人的监督不是过渡关系,是稳定结构。

所以我认为,把 Agentic BPM 当成「通往全自主的过渡态」是误读。它更像是一个新的稳态:流程有相当程度的自主,但治理结构清晰、人的位置明确。

至于 Autonomous Process,那是另一个问题,可能几十年后才有答案。

写在最后:流程正在从「被执行」走向「能够行动」

回到开头那位采购负责人。三家厂商的区别,其实可以这样回答:

说自己是 Agentic BPM 平台的,卖的是管理体系;说自己是 Agentic Workflow 的,卖的是一条流程的形态;说自己是 BOAT 的,卖的是一个采购类别。三者不在一个层面上,没法直接比价。

这篇文章,真正想说的不是名词。

过去三十年,BPM 一直在做一件事:把流程定义出来,让它可以被描述、被执行、被度量、被优化。这条路上每个技术进步都在提高「执行」的效率。

过去的 BPM,是把流程定义出来;Workflow 让流程运行起来;RPA 让机器执行流程;Process Mining 让企业看见流程;AI 让流程获得理解能力;而 Agent 让流程开始拥有行动能力。

从「被执行」到「能够行动」,中间隔着的不是一代技术,是一次身份变化。执行者是被动的,行动者是有意图的。

这带来一个让人不太舒服的推论:如果流程开始有意图,那么「流程设计」这件事的含义也变了。以前设计流程是画一张图,现在设计流程是定义目标、边界和判断标准。前者是工程活,后者更接近管理活。

Agentic BPM 真正改变的,不只是流程自动化的效率,而是企业对「流程是什么」的基本认知。

这句话听起来抽象,而落到日常决策上会是这样的:你下次评估一个流程该不该 Agent 化,问的可能不再是「这个流程有几个节点」,而是「这个流程的目标清不清楚、上下文够不够、边界定没定」。

判断标准变了,说明认知已经变了。

看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,也可以给个星标,你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版,完整构建Agentic AI在企业应用中的全景式知识体系,内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块,为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图,欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发,王吉伟频道会随机选取读者,《一本书讲透Agentic AI》包邮到家。

【文末福利1】:后台发消息 研报2026,获取15篇2026年AI Agent研报。 

图片

【文末福利2】:后台发消息 Workflow,获取Agentic Workflow相关25篇论文。

图片

【文末福利3】:后台发消息 agentic,获取Agentic AI相关资源。

图片

图片

RECOMMEND

推荐阅读

1、新书《一本书讲透Agentic AI》出版,吃透代理式AI核心不踩坑

2、【万字长文】数字员工、具身智能,AI Agent未来发展十大研究方向

3、一切皆可Agent Skills,无处不在的AI Agent会替代业务流程吗?

4、意图即应用:Agentic AI时代计算交互新范式

5、企业AI Agent战略级规模化落地方法论,Agentic AI Stack for Enterprises

6、五层结构AI Enablement Stack,把可用AI Agent技术栈生态讲透了

7、智能体主题分享:DeepSeek、Manus与AI Agent行业现状,附PPT下载

8、十篇AI Agent研报,看懂2025年全球智能体行业全景,附下载

8、API难以解决AI智能体执行能力问题,AI Agent深度落地锁定RPA

10、RPA终极发展方向瞄准AI Agent,超自动化智能体时代已经开启

【王吉伟频道,关注Agentic AI与AIGC,专注数字化转型、业务流程自动化与AI Agent,欢迎关注与交流。】

阅读原文

跳转微信打开

  •  
❌