很多人低估了 Manus 的影響力。
就像 DeepSeek 降低了大模型商業(yè)化門檻、引領(lǐng)新一波 AI 創(chuàng)業(yè)一樣，Manus 讓大眾真正看到了 Agent 的重要性和可能性。
「看到」本身比任何觀點(diǎn)、任何演示都有說(shuō)服力。
看到了，才有落地的意愿。
但企業(yè)內(nèi)落地不能靠對(duì)業(yè)務(wù)缺乏了解的通用 Agent，需要垂直領(lǐng)域，真正懂場(chǎng)景的 Agent?；鹕揭?4 月份發(fā)布的 Data Agent 就是垂直領(lǐng)域 Agent 的代表。
Founder Park 在第一時(shí)間進(jìn)行了深度試用，體驗(yàn)后還和項(xiàng)目團(tuán)隊(duì)進(jìn)行了交流，試圖理清楚 Data Agent 在當(dāng)下落地的現(xiàn)狀和難點(diǎn)，以及未來(lái)的想象力有多大。
Founder Park 正在搭建「AI 產(chǎn)品市集」社群，邀請(qǐng)從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者，掃碼加群：
進(jìn)群后，你有機(jī)會(huì)得到：
最新、最值得關(guān)注的 AI 新品資訊；
不定期贈(zèng)送熱門新品的邀請(qǐng)碼、會(huì)員碼；
最精準(zhǔn)的AI產(chǎn)品曝光渠道
01企業(yè)內(nèi)的數(shù)據(jù)難題
企業(yè)內(nèi)如何利用數(shù)據(jù)這件事，一直都沒(méi)有被很好地解決。
怎么錄是個(gè)問(wèn)題：不同的部門有各自的數(shù)據(jù)錄入系統(tǒng)，而且數(shù)據(jù)質(zhì)量相差很大，跨部門協(xié)作很難。
怎么用是個(gè)問(wèn)題：寫 SQL 腳本是有門檻的，數(shù)據(jù)分析這件事，事實(shí)上成為了少數(shù)人的「特權(quán)」。
能不能用得好也是個(gè)問(wèn)題：數(shù)據(jù)分析只是第一步，怎么用數(shù)據(jù)去指導(dǎo)接下來(lái)的工作，更難。
這些問(wèn)題都有望在 Data Agent 里得到解決：統(tǒng)一的數(shù)據(jù)管理平臺(tái)、兼容非格式數(shù)據(jù)、自然語(yǔ)言查詢數(shù)據(jù)，以及讓數(shù)據(jù)本身從單純的查詢功能向解釋功能、預(yù)測(cè)功能轉(zhuǎn)變。
Data Agent 意味著 L3 級(jí)別智能體的誕生
不只是讓查詢更方便，而是將數(shù)據(jù)整合、智能分析、自動(dòng)化執(zhí)行融為一體，解決傳統(tǒng)數(shù)據(jù)分析中的效率問(wèn)題、技術(shù)鴻溝；不只是增強(qiáng)數(shù)據(jù)團(tuán)隊(duì)，而是讓業(yè)務(wù)、客服等多個(gè)部門可以實(shí)現(xiàn)數(shù)據(jù)平權(quán)，能力普及。
02
Data Agent：L3 級(jí)別的智能體
目前 Data Agent 涵蓋兩個(gè)智能體：智能分析 Agent 和營(yíng)銷策略 Agent，前者主打數(shù)據(jù)分析；后者提供從策略制定到效果優(yōu)化、執(zhí)行鏈路的營(yíng)銷策劃。
智能分析 Agent：人手一個(gè) AI 數(shù)據(jù)分析專家
智能分析 Agent 的對(duì)話和 chatbot 有些類似，在 Agent 與企業(yè)的結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)建立連接后，可以直接用自然語(yǔ)言對(duì)話開始數(shù)據(jù)分析。而且對(duì)話窗口會(huì)有推薦的數(shù)據(jù)分析維度，比如下圖中的「雙十一巔峰活動(dòng)分析」「一季度所有活動(dòng)復(fù)盤」「今年新品推廣的活動(dòng)復(fù)盤」，方便用戶快速選擇。
這里我們選擇了一個(gè)消費(fèi)活動(dòng)的數(shù)據(jù)，以完成特定任務(wù)的方式來(lái)進(jìn)行測(cè)試，盡量模擬復(fù)雜 SQL 查詢的場(chǎng)景。本次測(cè)試默認(rèn)開啟模型的深度研究功能，在實(shí)際上線后這個(gè)功能將會(huì)是可選，對(duì)于一些小的快速任務(wù)就不用勾選。
任務(wù) 1：作為市場(chǎng)營(yíng)銷負(fù)責(zé)人，我想了解去年雙十一期間的部分產(chǎn)品銷售數(shù)據(jù)。
首先，不需要找部門的運(yùn)營(yíng)同事去寫 SQL 和整理數(shù)據(jù)了，我直接在 Data Agent 的產(chǎn)品界面輸入「去年雙十一期巔峰盛典活動(dòng)，30-40 歲男性用戶購(gòu)買的產(chǎn)品銷售數(shù)據(jù)復(fù)盤，及特點(diǎn)分析」。
這是一個(gè)可能需要跨表查詢的任務(wù)，牽扯到用戶年齡和性別，需要去用戶數(shù)據(jù)表、商品銷售數(shù)據(jù)表等里查詢。
在輸入要求后，Agent 先是經(jīng)歷了一番思考，然后得出了一個(gè)需要執(zhí)行六步的任務(wù)規(guī)劃。
可以看出，期間需要多次用到 SQL 工具，像 Manus 一樣，在 Data Agent 的執(zhí)行過(guò)程中，隨時(shí)可以觀看任務(wù)執(zhí)行細(xì)節(jié)，下圖中可以看到模型正在調(diào)用工具寫 SQL 查詢語(yǔ)句。
大概等待了 5min 左右，Agent 給出了查詢和分析結(jié)果，因?yàn)閿?shù)據(jù)庫(kù)中的年齡段是按照 35-44 歲記錄的，所以 Agent 也按照這個(gè)維度進(jìn)行了查詢。
可能因?yàn)楹Y選維度比較簡(jiǎn)單，這次的數(shù)據(jù)處理速度還是蠻快的。而且不僅有數(shù)據(jù)，還給出了一些初步結(jié)論，結(jié)論中提到「高客單價(jià)+多件購(gòu)買模式，適合捆綁銷售或滿減策略」。
對(duì)于這個(gè)結(jié)論，我有所疑問(wèn)，在男性消費(fèi)數(shù)據(jù)的基礎(chǔ)上，我想進(jìn)一步看一下不同年齡段的消費(fèi)者之間的差異，想知道哪個(gè)年齡段的消費(fèi)者是下一階段營(yíng)銷策略的重點(diǎn)。
于是，我直接在對(duì)話框中輸入了「去年雙十一巔峰盛典活動(dòng)中，不同年齡段的男、女消費(fèi)者的消費(fèi)情況對(duì)比」。
這次要拆分的維度多了一些，而且，可能因?yàn)樵紨?shù)據(jù)中對(duì)于性別的記錄問(wèn)題，最終輸出的報(bào)告中，有一些性別顯示「未知」的臟數(shù)據(jù)。
同樣給出了一些結(jié)論，強(qiáng)調(diào)了 18-24 歲女性消費(fèi)者客單價(jià)和成交額較高，值得重點(diǎn)關(guān)注。
兩個(gè)問(wèn)題一共用時(shí)不超過(guò) 20min，而且不僅僅是查詢數(shù)據(jù)，還能幫忙解讀數(shù)據(jù)，甚至給出了一些具體可參考的建議。
兩次的數(shù)據(jù)結(jié)果，Data Agent 不僅給出了數(shù)據(jù)，還提供了針對(duì)不同人群的銷售策略。比如針對(duì)男性消費(fèi)者的「高客單價(jià)的商品組合」，針對(duì)女性消費(fèi)者的「社媒營(yíng)銷+促銷活動(dòng)」等。在不需要專業(yè)數(shù)據(jù)分析師的情況下，能夠幫助市場(chǎng)營(yíng)銷負(fù)責(zé)人快速確定下一階段的的行動(dòng)方案，讓數(shù)據(jù)分析不只是停留在「分析」，而是有了下一步的「行動(dòng)」。
任務(wù) 2：作為汽車銷售公司的主管，想查一下過(guò)去一年內(nèi)汽車銷售線索轉(zhuǎn)化情況
對(duì)于 Data Agent 最明顯的感知，是 SQL 查詢語(yǔ)句不再是門檻，而且好的數(shù)據(jù)提問(wèn) prompt 隨時(shí)可以放在對(duì)話的預(yù)置詞中，讓所有人都可以調(diào)用這些好的提問(wèn)。
這個(gè)提升，在這次任務(wù)中可以明顯感受到。
作為公司主管，在以前，如果我想快速查一下過(guò)去一年的某個(gè)數(shù)據(jù)的變化情況，一般的操作路徑有以下幾種：找到過(guò)去幾個(gè)季度的數(shù)據(jù)匯總，放在一起對(duì)比分析；直接找到年度的整理數(shù)據(jù)，篩選處理分析；或者就是找運(yùn)營(yíng)同學(xué)寫 SQL 腳本，讓他處理好再給我。
但有了 Data Agent，只需要我輸入一句查詢指令，甚至不用輸出，比如這次我的查詢需求，碰巧是 Agent 默認(rèn)的查詢語(yǔ)句之一。默認(rèn)的數(shù)據(jù)查詢命令有：
放在以往，這里的每個(gè)結(jié)果分析可能都要 2 個(gè)小時(shí)以上的時(shí)間，數(shù)據(jù)篩選、SQL 查詢、數(shù)據(jù)導(dǎo)出，然后在 Excel 里進(jìn)一步的處理分析，而現(xiàn)在，只需要一句話，然后去喝一杯咖啡，我需要的結(jié)果就出來(lái)了。
在選擇了「一年內(nèi)，線索各步驟的轉(zhuǎn)化情況，以及影響因素分析后」進(jìn)行查詢后，我大概等待了 20min。然后就有了這樣一份報(bào)告。
一份可以直接拿來(lái)用，甚至可以在小組會(huì)議上分享的報(bào)告。從提需求到最后生成可決策參考的報(bào)告，現(xiàn)在只需要不到半個(gè)小時(shí)，Agent 極大縮短了從數(shù)據(jù)到?jīng)Q策的鏈條，提升了會(huì)議的效率，最起碼，大家以后開會(huì)不需要幾天的準(zhǔn)備周期了。
限于篇幅，結(jié)果未完全截圖
營(yíng)銷策略 Agent：從洞察到自主執(zhí)行的全閉環(huán)
智能營(yíng)銷 Agent 的交互和智能分析 Agent 略有區(qū)別，兩者要處理的數(shù)據(jù)也不太一樣。智能營(yíng)銷 Agent 要解決的問(wèn)題是，結(jié)合用戶及活動(dòng)數(shù)據(jù)，打造適配的營(yíng)銷策略。處理的數(shù)據(jù)是新老用戶、各類活動(dòng)數(shù)據(jù)。而且，提供的從策劃到執(zhí)行的全流程服務(wù)。
這次我們也盡量模擬現(xiàn)實(shí)，測(cè)試了兩個(gè)營(yíng)銷案例的任務(wù)。
任務(wù) 1：某電商 app 增長(zhǎng)負(fù)責(zé)人，為達(dá)到快速拉新的目的，針對(duì)老用戶推出邀請(qǐng)有禮的活動(dòng)。
618 畢竟快來(lái)了，趁這個(gè)時(shí)間點(diǎn)為店鋪帶來(lái)一些新增用戶，也可以讓大促期間的營(yíng)收更好一些。
方式也不想搞太麻煩，直接邀請(qǐng)新用戶下載 app 或者注冊(cè)會(huì)員，就給老用戶送小禮品。老用戶的選擇范圍，盡量還是對(duì)優(yōu)惠券/小禮品敏感性的用戶。
對(duì)話界面如下圖所示，把一些可篩選項(xiàng)做成了下拉菜單而不是全部由用戶手動(dòng)輸入，因?yàn)闋I(yíng)銷策劃都會(huì)有明確的時(shí)間和渠道。時(shí)間暫時(shí)選 0505-0512，一周的時(shí)間。觸達(dá)渠道，一般我都會(huì)選擇短信和 push。
然后就開始生成營(yíng)銷方案，Agent 首先是任務(wù)拆解：類似經(jīng)驗(yàn)的搜索和總結(jié)、用戶畫像標(biāo)簽、然后是創(chuàng)建觸達(dá)客群。
同樣是先思考，再進(jìn)行任務(wù)的規(guī)劃。智能分析 Agent 多是調(diào)用 SQL 和 Python 工具，智能營(yíng)銷 Agent 則是搜索+數(shù)據(jù)篩選為主。
這是第一步篩選出的可參考的相關(guān)垂直行業(yè)的實(shí)踐經(jīng)驗(yàn)，然后總結(jié)出客群畫像特征。
對(duì)生成的營(yíng)銷方案沒(méi)有問(wèn)題，我選擇進(jìn)入下一步。Agent 基于這個(gè)方案生成了四種用戶篩選方案：
我選擇了第二種方案，根據(jù)「券敏感度」篩選用戶，進(jìn)行精準(zhǔn)營(yíng)銷。畢竟，能參加這個(gè)活動(dòng)的用戶，都是會(huì)對(duì)小禮品上心的用戶，自然也就是「券敏感度」用戶了。
接著就是針對(duì)不同敏感度的客戶，進(jìn)一步確定觸達(dá)渠道、時(shí)機(jī)、文案和獎(jiǎng)品了。
Agent 自動(dòng)篩選好推送時(shí)間、邀請(qǐng)禮物，還自動(dòng)生成了五條短信，不得不說(shuō)，這個(gè)文案還蠻實(shí)用的，讓我自己來(lái)寫可能都沒(méi)準(zhǔn)確和直擊痛點(diǎn)。
三種「券敏感度」的不同方案分別是：
然后就是選擇具體的某個(gè)方案，提交任務(wù)審批即可，也可以在任務(wù)審批界面進(jìn)行一些用戶群的再拆解。
就這樣，從活動(dòng)發(fā)起、到目標(biāo)拆分、用戶群篩選、觸達(dá)內(nèi)容編輯、短信/push 發(fā)送，在智能營(yíng)銷 Agent 里全完成了，而且是運(yùn)營(yíng)負(fù)責(zé)人一人就完成了！
任務(wù) 2：某知名咖啡品牌，推出一款電影聯(lián)名咖啡，需要策劃營(yíng)銷活動(dòng)
第二個(gè)任務(wù)，我們嘗試了離大家生活更近的營(yíng)銷案例——電影聯(lián)名 9.9 的咖啡，看這些 Agent 能給出什么樣的營(yíng)銷方案。
活動(dòng)就簡(jiǎn)單些，照搬其他品牌過(guò)往的做法，甚至還簡(jiǎn)化了下：兩杯套餐送海報(bào)，單杯就送掛墜或者書簽。觸達(dá)方式選擇了短信，直覺里小程序或者 app 的 push 到達(dá)率都不高。
分析市場(chǎng)類似案例后，Agent 選擇的用戶畫像還算精準(zhǔn)。白領(lǐng)、學(xué)生和文藝青年，9.9 咖啡的典型用戶。
給了四種拆分方案，考慮到該電影已經(jīng)是爆款 IP 了，肯定會(huì)有很多人會(huì)因?yàn)槁?lián)名來(lái)買咖啡，我就選了第三種方案。
同樣也是生成了五條促銷短信，不得不說(shuō)，這個(gè)短信打的點(diǎn)都會(huì)蠻準(zhǔn)的：數(shù)量有限、積分翻倍、隱藏款禮品、CP 粉等等，直擊痛點(diǎn)。
下一步就是直接編輯短信送達(dá)了，感覺到目前這一步，都不需要我怎么修改，一路 Next 向下那種，太省心了。
從最開始的人群選擇、針對(duì)性的營(yíng)銷策略以及最后生成的直擊痛點(diǎn)的短信，可以看出，Agent 還是很懂業(yè)務(wù)的，能夠理解業(yè)務(wù)語(yǔ)境，生成可用的高質(zhì)量營(yíng)銷內(nèi)容，直接幫助業(yè)務(wù)提升轉(zhuǎn)化率。
不過(guò)，當(dāng)前營(yíng)銷策略 Agent 還只到發(fā)短信的環(huán)節(jié)，官方介紹，后續(xù)會(huì)加入營(yíng)銷后的數(shù)據(jù)分析環(huán)節(jié)，這樣的話，營(yíng)銷活動(dòng)的全流程閉環(huán)都可以在一個(gè) Agent 里完成了。
03
對(duì)話火山引擎：關(guān)于 Data Agent 的 N 個(gè)思考
可以看到，今天 Agent 的產(chǎn)品形態(tài)還是以 chatbot 為主，但 chatbot 肯定不是 Data Agent 的完全體。
實(shí)測(cè)后的最大感受，今天的 Data Agent，已經(jīng)帶給了我們很多新的想象：AI 從「僅洞察」進(jìn)化到「從洞察到執(zhí)行閉環(huán)」；人機(jī)協(xié)作，真正實(shí)現(xiàn)數(shù)據(jù)在企業(yè)內(nèi)部、在各個(gè)環(huán)節(jié)的閉環(huán)。
不過(guò)，關(guān)于 Data Agent 我們?nèi)杂泻芏嗬Щ?，在?Data Agent 項(xiàng)目團(tuán)隊(duì)進(jìn)行深入交流后，整理了一些創(chuàng)業(yè)者和行業(yè)可能會(huì)關(guān)心的問(wèn)題，以及火山引擎在 Agent 這塊的新認(rèn)知。
Q：大模型的幻覺問(wèn)題，在 Data Agent 里是怎么解決或者控制的？
幻覺問(wèn)題在內(nèi)部是 P0 級(jí)別優(yōu)先級(jí)別的問(wèn)題，工具調(diào)用也是，上下文長(zhǎng)度則是我們 P1 級(jí)別的問(wèn)題，可能會(huì)在下半年投入解決這個(gè)問(wèn)題。
幻覺的問(wèn)題在 Agent 成為潮流之前，就已經(jīng)是很多大模型的應(yīng)用落地時(shí)核心要解決問(wèn)題了。數(shù)據(jù)編造、來(lái)源編造、結(jié)構(gòu)化數(shù)據(jù)處理錯(cuò)誤等各種問(wèn)題，導(dǎo)致 Agent 產(chǎn)生幻覺的原因有很多。
坦白來(lái)說(shuō)，從目前的大模型架構(gòu)來(lái)說(shuō)，100% 消除幻覺是不太可能的，但需要把幻覺控制在可控的范圍內(nèi)。另一方面，「幻覺」一定程度上是模型開放性思考的一種體現(xiàn)，甚至有時(shí)能夠帶來(lái)新的可能性。
當(dāng)下的解決方法，主要以涉及單次數(shù)據(jù)準(zhǔn)確性、多次運(yùn)行校準(zhǔn)、事實(shí)性核查等多種工程化手段。避免簡(jiǎn)單地通過(guò)加 Prompt「戴手銬」限制模型能力，而是要更深入地理解模型原理，甚至通過(guò)微調(diào)等方式從底層解決。
Q：Agent 的話就需要考慮模型的工具調(diào)用能力，以往大家都覺得模型不太會(huì)調(diào)用工具，你們是怎么解決這個(gè)問(wèn)題的？
我們的 Data Agent，在工具調(diào)用上，從傳統(tǒng)的 Function Calling 升級(jí)到 MCP 架構(gòu)。MCP 的解決方案讓 Agent 調(diào)用工具的能力提升了不少。
MCP 的優(yōu)勢(shì)很明顯，可擴(kuò)展性更好，調(diào)試成本更低。對(duì)于 Agent 來(lái)說(shuō)，單次 5-8 個(gè)工具的調(diào)用需求，MCP 也能滿足。
目前來(lái)看，MCP 架構(gòu)本身限制不大，主要瓶頸仍在模型能力。挑戰(zhàn)在于，如果 MCP Server 返回的是非確定性（模型生成）的結(jié)果，誤差會(huì)被放大。因此，MCP 目前更適合調(diào)用穩(wěn)定性好的服務(wù)（如數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、確定性聯(lián)網(wǎng)）。
Q：感覺 Agent 在 B 端的落地，因?yàn)椴煌髽I(yè)的數(shù)字化程度不一樣，似乎落地政策區(qū)別很大，你們是怎么做的？
落地策略上，大公司追最佳實(shí)踐，小公司核心是先用起來(lái)。
很明顯，Data Agent 對(duì)數(shù)字化程度有要求，但也并不是說(shuō)，數(shù)字化不好的公司，就用不了了。
對(duì)于數(shù)字化程度高的企業(yè)來(lái)說(shuō)，數(shù)據(jù)基礎(chǔ)通常較好，挑戰(zhàn)在于數(shù)據(jù)孤島、跨部門協(xié)作。落地的策略是挑選標(biāo)桿客戶共創(chuàng)，建立 Data Agent 落地的最佳實(shí)踐（適用場(chǎng)景、對(duì)接系統(tǒng)、行業(yè)模板積累），盡快與業(yè)務(wù)流程融合。
對(duì)于數(shù)字化程度低的企業(yè)，數(shù)據(jù)可能不夠豐富，但優(yōu)勢(shì)是流程簡(jiǎn)單，適配和轉(zhuǎn)型速度可能更快。落地策略是提供能力 + 模板，引導(dǎo)客戶使用。例如提供分析模板，讓客戶通過(guò)簡(jiǎn)單的數(shù)據(jù)上傳和自然語(yǔ)言交互也能獲得不錯(cuò)的分析結(jié)果，要「帶著他們走」，提升團(tuán)隊(duì)的能力。
Q：Data Agent 普及后，會(huì)取代過(guò)往那些報(bào)表工具，甚至是 ChatBI 嗎？
Data Agent 成為主流后，并不會(huì)直接取代 ChatBI，甚至連一些長(zhǎng)期存在固定報(bào)表都不會(huì)消滅。
傳統(tǒng) BI（如中國(guó)式報(bào)表）、ChatBI、分析 Agent 會(huì)長(zhǎng)期共存，服務(wù)不同用戶和場(chǎng)景。Agent 不會(huì)也不應(yīng)試圖替代所有 BI 功能（如復(fù)雜的固定報(bào)表）。Agent 是 ChatBI 在智能水平上的升級(jí)，但不完全是場(chǎng)景替代，更像是對(duì)分析師不同能力切片（取數(shù) VS 分析）的模擬。
Agent 會(huì)蠶食 BI 的增量需求（如之前手動(dòng)做周報(bào)的場(chǎng)景，現(xiàn)在可以用 Agent），但 BI 的存量（大量已有的固定報(bào)表系統(tǒng)）仍會(huì)長(zhǎng)期存在。
Q：未來(lái)企業(yè)的數(shù)據(jù)需要 AI Ready，那數(shù)據(jù)庫(kù)的形態(tài)會(huì)怎么變化? 會(huì)被某種新形態(tài)的產(chǎn)品取代嗎？
數(shù)據(jù)庫(kù)仍將存在，但形態(tài)和面向的對(duì)象會(huì)有新的變化。
存儲(chǔ)范式變化：需要更融合的方式存儲(chǔ)結(jié)構(gòu)化、文檔、向量以及未來(lái)的圖像、音視頻數(shù)據(jù)（多模態(tài)數(shù)據(jù)湖的方向）。
數(shù)據(jù)處理邏輯變化：從傳統(tǒng) ETL（針對(duì)結(jié)構(gòu)化）擴(kuò)展到非結(jié)構(gòu)化數(shù)據(jù)的標(biāo)注、打標(biāo)、召回等新處理方式。
數(shù)據(jù)會(huì)與知識(shí)融合：如何融合數(shù)據(jù)庫(kù)中的記錄數(shù)據(jù)和非結(jié)構(gòu)化信息，建立關(guān)聯(lián)和轉(zhuǎn)化機(jī)制（如知識(shí)圖譜）是巨大挑戰(zhàn)。
核心需求會(huì)變： 從以數(shù)據(jù)存儲(chǔ)/處理為中心 轉(zhuǎn)向以應(yīng)用/智能為中心。數(shù)據(jù)如何更好地成為 AI 的「養(yǎng)料」（用于預(yù)訓(xùn)練、后訓(xùn)練、知識(shí)庫(kù)），如何快速更新并被 AI 有效利用？
交互對(duì)象會(huì)變：從面向人（需要 SQL）轉(zhuǎn)向面向 AI。數(shù)據(jù)庫(kù)需要讓 AI 更易理解，讓 AI 知道何時(shí)調(diào)用、如何調(diào)用。
Q：AI 時(shí)代，開發(fā)產(chǎn)品尤其是 Agent 產(chǎn)品，對(duì)團(tuán)隊(duì)提出了什么新的要求？要面臨哪些新的挑戰(zhàn)？
Agent 時(shí)代的產(chǎn)品開發(fā)思路會(huì)有新的變化，不能靠加 Prompt 解決問(wèn)題
開發(fā)流程的不可控性增強(qiáng)，解決大模型問(wèn)題（如幻覺）所需時(shí)間難以預(yù)估（10 人天還是 100 人天？），因?yàn)槭乔把靥剿?，沒(méi)有標(biāo)準(zhǔn)答案。
團(tuán)隊(duì)很難做長(zhǎng)期規(guī)劃，只能看清未來(lái) 3-6 個(gè)月。畢竟模型進(jìn)展本身也不是很確定。
尤其是解決問(wèn)題思路轉(zhuǎn)變，不能「頭痛醫(yī)頭腳痛醫(yī)腳」（比如不斷加 Prompt 限制），需要更抽象地看問(wèn)題，從模型層面或更底層尋找解決方案。
對(duì)于開發(fā)團(tuán)隊(duì)來(lái)說(shuō)，要學(xué)會(huì)擁抱不確定性，在不確定中持續(xù)探索。要提升抽象和底層理解能力，更深入理解模型原理。
Q：Agent 產(chǎn)品，或者說(shuō) AI 產(chǎn)品和模型的關(guān)系會(huì)是怎么樣的？
不要去補(bǔ)大模型短板，而是做大模型的「容器」
Data Agent 的方向是做更好的大模型容器，會(huì)將主要精力放在構(gòu)建能更好利用和擴(kuò)展模型能力的框架上，而不是過(guò)度投入資源去彌補(bǔ)短期短板。
但核心是對(duì)大模型發(fā)展速度的判斷。過(guò)于悲觀，花大量精力補(bǔ)短板，可能短期有生存空間，但長(zhǎng)期易被模型迭代「吃掉」。過(guò)于樂(lè)觀，則需承擔(dān)模型發(fā)展不及預(yù)期的風(fēng)險(xiǎn)。持續(xù)在「發(fā)揮上限」和「控制下限」之間做平衡和取舍。
Q：隨著模型能力的增強(qiáng)，未來(lái) Data Agent 會(huì)朝著什么方向進(jìn)化？
Data Agent 的未來(lái)是自主學(xué)習(xí)和智能體協(xié)同
目前觀察到 Agent 在工具調(diào)用路徑選擇上展現(xiàn)出一些超出預(yù)設(shè)的「智能」。既然假設(shè)大模型比人聰明，那么 Agent 設(shè)計(jì)本身是否也能利用大模型的自我迭代能力？這是值得持續(xù)探索的。
未來(lái)的發(fā)展規(guī)劃是讓 Agent 在解決問(wèn)題過(guò)程中自我學(xué)習(xí)、優(yōu)化路徑、甚至超越預(yù)設(shè)能力邊界，而非完全依賴工程化設(shè)定。
對(duì)于智能體協(xié)同（Multi-agent collaboration），不同專家 Agent（分析、營(yíng)銷、工程、編織等）協(xié)同工作，有望突破單一 Agent 或人類協(xié)作的上限，激發(fā)創(chuàng)造力。
一個(gè)簡(jiǎn)單的任務(wù)（如發(fā)起營(yíng)銷活動(dòng)），Agent 可能自主在后臺(tái)調(diào)用分析、數(shù)據(jù)工程等多個(gè) Agent，探索數(shù)據(jù)、打通鏈路，最終給出意想不到的解決方案。鏈路越長(zhǎng)，不確定性越大，但潛力也越大。
熱門跟貼