Manus爆火之后，產(chǎn)品過度營銷曾使其一度飽受業(yè)內(nèi)爭議——不自研大模型，而是基于第三方大模型進(jìn)行工程化包裝，實(shí)現(xiàn)通用AI智能體（Agent）的能力。在創(chuàng)始團(tuán)隊看來，極致的套殼就是一種勝利。

大模型應(yīng)用套殼其實(shí)是個微妙的話題。特別是在此之前，無論是DeepSeek還是OpenAI，亦或是加入基礎(chǔ)大模型混戰(zhàn)的知名科技企業(yè)、AI大模型創(chuàng)企，都以標(biāo)榜自家的基礎(chǔ)大模型自研技術(shù)能力為榮。

也因此，大模型研發(fā)作為一項需要卷算力、卷數(shù)據(jù)、卷算法的系統(tǒng)性底層工程，且贏者通吃，市場的聚光燈也始終聚焦于頭部企業(yè)。對于只做上層應(yīng)用的AI套殼或“借鑒”企業(yè)而言，盡管市場爆發(fā)的可能性高，但始終不掌握底層核心技術(shù)，往往被認(rèn)為缺乏風(fēng)險承受能力。金沙江創(chuàng)投主管合伙人朱嘯虎甚至直言：“所有AI應(yīng)用都是套殼應(yīng)用，說有壁壘是忽悠人的。”

盡管如此，筆者注意到，僅在一個多月的時間內(nèi)，部分大模型大廠已正快速下探到Manus所在的賽道——AI智能體。而另據(jù)外媒報道，Manus背后的公司“蝴蝶效應(yīng)”獲得了由美國風(fēng)投Benchmark領(lǐng)投的一輪融資，融資金額達(dá)7500萬美元。該輪融資讓Manus的估值提升至近5億美元。

這種跡象表明，市場需要借DeepSeek-R1大模型普及和Manus應(yīng)用爆火的催化，去化解過去企業(yè)智能化轉(zhuǎn)型過程中遺留的大量業(yè)務(wù)需求和技術(shù)空白。AI智能體在產(chǎn)品設(shè)計、商業(yè)化服務(wù)、安全治理等方面，既是新問題，也是老問題。

大廠下探AI智能體，很努力

目前大廠正加快布局AI智能體。

據(jù)相關(guān)媒體報道，Manus出圈前后，字節(jié)就搞了至少5個團(tuán)隊在開發(fā)不同AI智能體產(chǎn)品。而據(jù)百度官方，新上線的“心響”APP則由一群95后組成的團(tuán)隊，在30天內(nèi)研發(fā)出來。

目前字節(jié)推出了智能體協(xié)作平臺“扣子空間”，通過部署多類型AI智能體，調(diào)用精通各項技能的“通用實(shí)習(xí)生”與各行各業(yè)的“領(lǐng)域?qū)＜摇眱煞N專業(yè)身份處理任務(wù)?；凇翱圩涌臻g”，初步提供兩種專家Agent，一是針對股票分析的“華泰A股觀察助手”，另一個則是針對行研分析的“用戶研究專家”。

而百度亮相的體“心響”APP，則是一款宣稱對標(biāo)Manus的通用AI智能體，涵蓋超200個任務(wù)類型，包括日常的例行任務(wù)、城市旅游規(guī)劃，專業(yè)性較強(qiáng)的深度研究、法律咨詢、健康咨詢等。

而與Manus合作密切的阿里也動作頻頻。最早在3月份，阿里就與Manus達(dá)成戰(zhàn)略合作，雙方將基于通義千問系列開源模型，在國產(chǎn)模型和算力平臺上實(shí)現(xiàn)Manus的全部功能。近日，阿里旗下AI智能體“心流”開啟了高級研究模式公測，用戶可填寫問卷等待邀請。該智能體宣傳稱能像人類專家一樣，自動幫做研究、寫報告、寫代碼。

為了進(jìn)一步達(dá)成AI智能體生態(tài)的構(gòu)建，上述廠商也不約而同先后擁抱MCP機(jī)制。

4月9日，阿里云百煉上線業(yè)界首個全生命周期MCP服務(wù)，同日，騰訊云上線正式發(fā)布“AI開發(fā)套件”，螞蟻集團(tuán)旗下的Oceanbase也已實(shí)現(xiàn)MCP協(xié)議的對接。百度則引入基于百度搜索的MCP Server發(fā)現(xiàn)平臺和MCP Server服務(wù)。目前阿里百度騰訊字節(jié)旗下一部分AI智能體產(chǎn)品均支持MCP協(xié)議，大廠的生態(tài)作用也可進(jìn)一步凸顯。

民生證券指出，A2A協(xié)議主要聚焦于智能體之間的通信，而MCP則有助于連接工具和資源?；陬怣CP協(xié)議+Agentic-based決策路徑將成為未來AI智能體的主流范式，大廠有望通過MCP協(xié)議引入大量生態(tài)伙伴，推動國內(nèi)AI智能體產(chǎn)業(yè)發(fā)展。

“我們是不是可以慢一點(diǎn)”

但一路向前狂奔的AI智能體技術(shù)是否在迎合當(dāng)下用戶的真正需求？

在安全風(fēng)險性層面，安全往往是驗證一項技術(shù)的關(guān)鍵。鑒于AI智能體的設(shè)計初衷是自主執(zhí)行決策、任務(wù)或目標(biāo)，并且理想情況下是在無人監(jiān)督的情況下，因此風(fēng)險更高，必須更加密切地關(guān)注其使用情境，以降低可預(yù)見的風(fēng)險。

“從整個AI智能體的技術(shù)發(fā)展來說，它不管是在“攻”還是“防”，現(xiàn)在都是發(fā)展初期，沒有看到特別多的案例?！盙artner研究高級總監(jiān)趙宇告訴筆者。

從需求側(cè)，最近一段時間與中國企業(yè)客戶的交流中，趙宇發(fā)現(xiàn)，“客戶現(xiàn)在整體的認(rèn)知相對不足。至少有七成或更多的客戶并不了解AI智能體是什么，更罔論與之相關(guān)的安全風(fēng)險。”

“雖然有一些甲方IT負(fù)責(zé)人已經(jīng)認(rèn)識到問題，但這樣的聲音還不太普遍。他們希望是不是可以放慢AI的步伐，把一些配套的安全治理、風(fēng)險控制等能力補(bǔ)充起來。”趙宇說。

例如，AI本身的幻覺、提示注入攻擊、數(shù)據(jù)泄露等帶來的風(fēng)險問題，在AI智能體的應(yīng)用中可能會被進(jìn)一步放大；AI智能體自主決策的風(fēng)險，無論是被惡意攻擊者利用還是其本身的完備性和能力，帶來的是無法防控、不可預(yù)測的風(fēng)險；物理環(huán)境層面的風(fēng)險，同樣不容忽視。

此外，隨著多智能體協(xié)作運(yùn)行模式的流行，這種模式確實(shí)提高了任務(wù)效率，但也導(dǎo)致訪問控制漏洞的出現(xiàn)，比如訪問控制級聯(lián)失控，以及資源的競爭和沖突。多個智能體協(xié)同時，風(fēng)險級別與安全管理的復(fù)雜度急劇上升，傳統(tǒng)的安全工具將很難進(jìn)行監(jiān)控和異常行為檢測。

“多智能體在交互過程中可能需要訪問相同資源或者執(zhí)行任務(wù)時，可能會產(chǎn)生一些沖突，那么就會導(dǎo)致系統(tǒng)資源被過度濫用或者任務(wù)執(zhí)行效率降低，就會影響整體的業(yè)務(wù)和系統(tǒng)穩(wěn)定性。”趙宇指出。

而在廠商側(cè)，由于AI智能體自身的發(fā)展還處于初期，市面上對其安全風(fēng)險和控制措施的研究同樣處于早期階段。

趙宇進(jìn)一步指出，部分AI廠商、大模型廠商或AI智能體廠商，都沒有配備相應(yīng)專職的安全團(tuán)隊。廠商目前交付的產(chǎn)品是否可以通過安全測試，或者是否存在有被攻擊者可利用的漏洞，等等這些在安全性上都是存疑的。其次，現(xiàn)在大部分企業(yè)不管是廠商還是甲方企業(yè)，還是比較關(guān)注短期的商業(yè)利益，所以對于長期安全風(fēng)險的重視程度其實(shí)也不太夠。

此外，AI安全可能也需要全局性工作，很難從單一廠商的安全措施就可以覆蓋掉整個鏈條的風(fēng)險。

正確認(rèn)識AI智能體

技術(shù)常有常新，無需過度畫餅。到底何為AI智能體？這個概念其實(shí)已經(jīng)出現(xiàn)審美疲勞。更快速的變化在于，圍繞AI智能體（Agent）延伸而出的Agentic AI、Agentic Workflow、MCP、A2A等新名詞，已經(jīng)成為最近一段時間更炙手的話題。

例如，Manus演示視頻展示的是一個獨(dú)立的智能體：AI智能體可在短短幾秒鐘內(nèi)對簡歷進(jìn)行分類、對候選人進(jìn)行排名，以及在電子表格中格式化數(shù)據(jù)。用戶還可用于分析股票市場趨勢、從互聯(lián)網(wǎng)上抓取數(shù)據(jù)，甚至可以從頭開始創(chuàng)建一個網(wǎng)站。

按照微軟的說法，以后每個人都會使用多個智能體，同時會有大量專業(yè)智能體，而不是只有一個超級智能體。那么，每個智能體都有自己的角色和職責(zé)，大量多個智能體需要通過通信和協(xié)作來達(dá)成目標(biāo)。這也是Anthropic、谷歌兩家公司分別提出MCP、A2A的原因，其本質(zhì)上都是在解決智能體搭建的效率問題。

當(dāng)下來看，業(yè)內(nèi)對AI智能體的實(shí)踐目標(biāo)是使其真正意義上適應(yīng)復(fù)雜的應(yīng)用場景。AI智能體要構(gòu)建一個能夠自主決策、與環(huán)境交互的智能體，需要解決感知、理解、規(guī)劃、執(zhí)行等多個環(huán)節(jié)的技術(shù)難題，且各環(huán)節(jié)之間需要高度協(xié)同，從被動執(zhí)行固定指令到主動進(jìn)化，其技術(shù)架構(gòu)和實(shí)現(xiàn)方式遠(yuǎn)比傳統(tǒng)的軟件系統(tǒng)復(fù)雜。

比如在自動駕駛領(lǐng)域，當(dāng)前車企針對端到端自動駕駛系統(tǒng)的改造邏輯，正是對傳統(tǒng)系統(tǒng)中的感知、融合、預(yù)測、規(guī)劃、控制、定位等技術(shù)模塊進(jìn)行AI融合，在業(yè)務(wù)流程上體現(xiàn)出的不是簡單模塊間的拼接。

那么，AI智能體或多個AI智能體，在主動適應(yīng)復(fù)雜工作流程的過程中，就不可能像RPA等技術(shù)在嚴(yán)格劃分的場景中有效運(yùn)作，而是基于動態(tài)環(huán)境和業(yè)務(wù)流程的變化，以最佳方式實(shí)現(xiàn)預(yù)期結(jié)果。

因此，在應(yīng)用和實(shí)踐AI智能體之前，對其原理、成本及風(fēng)險性等諸多需要考量的關(guān)鍵因素進(jìn)行解構(gòu)。

可能對于有多年智能化探索經(jīng)驗的客戶而言，希望“慢一點(diǎn)”的本質(zhì)在于，在AI智能體領(lǐng)域的治理能力和認(rèn)知的提升，重要的不是聽一個個花式技術(shù)名詞，而是怎么能在大量的實(shí)踐和基礎(chǔ)夯實(shí)中找到成功的故事共鳴。

審核編輯 黃宇