企业级Agent落地真相：不是AI不够聪明，而是流程没为“执行”而设计_服务软件

1. 2026年智能体将会迎来快速增长期，会成各个企业的重点的投资和发展对象。国内将加速推动 “人工智能 +” 等重点领域的应用场景培育；旧金山的 Halper AI 正式成立，专注于简化 AI 部署流程，帮助面临资源和技术门槛的中小企业实现 AI 数字化转型；2025 首尔人工智能峰会，全球 70 余家企业顶级科技企业探共同探讨讨智能体在多领域的渗透。国内预计 2028 年企业软件中整合自主型 AI 的比例将从 2024 年的不足 1% 飙升至 33%，15% 的日常工作决策将由智能体自主完成。政策扶持将加速智能体在制造、医疗、金融等领域的渗透，形成通用智能体平台加行业专用解决方案的产业格局。#AI生活指南##AI创造营##一分钟视频创作季# 种斌Marco的微博视频

2. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

3. “一人公司”喊得响，核心系统不敢动，AI编程的错位在哪？#华为云码道 #龙虾 #AI智能体 #openclaw #AI

4. AIAgent 被指「雷声大点雨点小」，其发展困境主要是什么？

5. 刚刚，阿里ATH事业群甩出王炸「悟空」！企业级正规军下场，龙虾们这次真要炸了

6. 阿里「悟空」重磅杀出，ATH首秀封神！一句话调遣龙虾军团

7. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

8. 一键批量部署、一划切换工作状态：真正的为企业而生，华为全新操作系统鸿蒙电脑企业版深度体验！

9. 字节做了个 AI 手机，钉钉做了台 AI 主机

10. AI Agent 很火，但 Agent Infra 准备好了吗？

11. 深度｜获红杉、微光创投种子轮投资，Floatboat 要让 Agent 住进你的工作现场，打造 Agent 协同办公网络

12. 应该知道的AI Agent的误区老马自奋蹄的微博视频

13. 我们该如何看待AI Agent (智能体)，以及未来发展趋势是什么样的？

14. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

15. 【#飞书CEO称企业用agent和个人玩不同#】飞书CEO谢欣近日在朋友圈发文表示，最近龙虾实在太火，很多很多朋友都在飞书上养虾。春节前后短短几周，有朋友的工作方式已经改变。我自己最近也思考很多，我越来越觉得，个人电脑上跑agent和企业里用agent,是完全不同的事情。谢欣表示，个人玩agent是探索，企业用agent是责任。个人场景出了错，大不了重来；企业场景出了错，可能是文件被删，数据泄露。agent的能力上限让人兴奋，但安全的下限决定了它能不能真正进入工作场景。不解决信任和安全的问题，越强大，越危险。这也是我们要帮大家解决的问题，让个人和企业，都能更方便，安全的养虾。

16. 为什么在生产环境部署多智能体系统（Multi-Agent）容易出现成本失控，有哪些常见的踩坑场景？

17. 第一个同时为人类和Agent设计的AI视频产品，它叫，LibTV。

18. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

19. 从能聊天的大模型，到会干活的智能体，AI正迎来全新进化。企业AI落地的机会就藏在这里。#网络名人赞两会 #2026全国两会 #红衣聊AI #产业升级

20. Agent Infra到底是什么？【AI基建】

21. RAG、LangChain、Agent 到底有什么关系？

22. AI 智能体驾驭 (Harness) 工程的兴起

23. 大模型 Agent 和 workflow 的区别在哪里？

24. a16z 刚刚把 Enterprise multi-agent orchestration platforms（企业级多 Agent 编排平台）列为 2026 年最想投的 startup idea 之一，核心点就是打造强大的 Agent 舰队。但是 Agent 舰队能开出一家独角兽公司吗？常规的观点是，Agent 是完美的个人杠杆，能让一人公司极速扩张。但是背后的悖论：agent 底层能力都是来自 LLM，门槛比较低，大家都在同质化竞争。比如现在 OpenClaw 各种竞品我其实都懒得去试，因为都是启一个 agent 调大模型完成任务，没太大本质差异。又比如短视频赛道，如果人人都能用 Seedance 批量产出优质内容，那么一个新的 Agent 舰队如何在行业立足（并成为独角兽）？

25. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

26. 这篇文章《Agent Design Is Still Hard》写的太好了，值得逐行细读！看完的6个感受：1. 如果你自己写 agent，建议尽量直接用底层 SDK（而不是高层抽象）；2. 明确缓存策略 — 尤其是对大模型 + 多步骤任务，非常关键；3. 引入强化机制（reinforcement）和 sub-agent / sub-inference，以提高 agent 的稳定性／可靠性；4. 如果你的 agent 会生成实际输出 (邮件、文件、报告等)，考虑用专门的 output tool，而不是把 “输出内容” 混在 agent loop 的消息里；5. 在设计共享状态 (shared state) 时，引入类似“虚拟文件系统 (virtual file system)”的机制，会让系统更模块化，也更适合复杂任务 + 多工具调用；6. 最难也是最重要的一点 —— 测试与评估 (testing & evals) 是 agent 系统工程中最棘手的问题，目前还没有通用／优雅的解决方案。原文转译如下：Agent 设计依然很难我觉得现在是时候写写我新学到的一些东西了。大部分内容与构建 agent 有关，少部分与使用 agent 式编程工具有关。总结：构建 agent 依然混乱。只要真正开始用工具，SDK 抽象就会崩。缓存如果你自己管会更好，但不同模型间差异很大。强化（reinforcement）比预期承担更多“驱动”任务，而失败必须严格隔离以避免把循环带偏。通过类似文件系统的共享状态是非常重要的基石。输出工具比想象中更棘手，模型选择依然强依赖任务类型。一、选择哪个 Agent SDK？当你构建自己的 agent，你可以选择直接使用 OpenAI SDK、Anthropic SDK 等底层 SDK，也可以选择更高层的抽象，例如 Vercel AI SDK 或 Pydantic。我们之前做的选择是采用 Vercel AI SDK，但只用其 provider 抽象，然后基本上自己驱动 agent loop。现在来看，我们不会再做这个选择。Vercel AI SDK 本身没有问题，但当你要真正构建 agent，会发生两个我们没预料到的事：第一，不同模型之间的差异大到不得不自己构建 agent 抽象。我们没发现任何 SDK 提供的抽象能真正匹配 agent 的需求。部分原因是：虽然 agent 的基础设计就只是一个 loop，但工具集不同会带来微妙差异。这些差异会影响抽象是否容易找到（比如缓存控制、不同的强化需求、工具提示、provider 侧工具等）。因为“正确抽象”现在还不清晰，所以使用平台的原生 SDK 让你掌控更多。而很多高层 SDK 要你构建在它们的抽象之上，最后这些抽象可能并不是你真正需要的。第二，当涉及 provider 侧工具时，我们发现使用 Vercel SDK 非常困难。消息格式尝试统一，但并不真正奏效。例如 Anthropic 的网页搜索工具会频繁破坏 Vercel SDK 的消息历史，我们至今还没完全搞清原因。此外，在 Anthropic 的情况下，缓存管理在其原生 SDK 中比在 Vercel 中容易得多，而且错误信息也更清晰。也许未来会变化，但至少现在，我们不会在构建 agent 时使用抽象层，除非整个生态已经稳定。对我们来说，目前抽象层的收益远远不足以抵消其成本。也许别人已经解决这个问题了。如果你看了觉得我错了，欢迎发邮件，我非常愿意学习。二、关于缓存的经验不同平台对缓存的处理方式非常不同。大家已经讨论过很多，例如 Anthropic 的缓存是收费的，并且需要你显式管理缓存点，这会从 agent 工程角度完全改变你的交互方式。一开始我觉得手动管理缓存很蠢：为什么平台不自动管理？但现在我完全反过来了，非常喜欢显式管理缓存。它让成本与缓存利用率都更可预测。显式缓存能让你做一些否则很难做的事情。例如，你可以把会话分叉成两个不同方向并行执行。你也能进行上下文编辑。最佳策略尚不明确，但你确实有更多控制权，而且这种控制权非常宝贵，也让你更容易理解 agent 的成本结构。你可以更好地预测缓存命中率，而其他平台我们发现经常是碰运气。我们在 Anthropic 的 agent 中的缓存策略很直接：一个缓存点放在 system prompt 后；两个缓存点放在对话开头，并随对话尾部不断前移；除此之外还有一些小优化。因为 system prompt 和工具选择必须尽可能静态，我们会在之后的动态消息里提供时间等信息，否则会破坏缓存。我们在循环中也更多利用强化。三、Agent Loop 中的强化每次 agent 调用工具，你不仅可以返回工具的执行结果，还可以向循环中注入更多信息。例如，你可以提醒 agent 宏观目标、子任务状态，也可以在工具失败时提供如何让工具调用成功的提示。另一个用途是在后台状态发生变化时告知系统。如果 agent 会使用并行处理，你可以在每次工具调用后注入状态变化信息。有时 agent 自我强化就够了。例如在 Claude Code 中，todo write 工具本质上是个自我强化工具——它只是接收 agent 给出的一组任务，再原样返回。这基本就是个 echo 工具，但却足以让 agent 推进得比只在上下文开头给任务列表要好得多。我们也使用强化来告诉系统环境是否在执行过程中发生了问题。例如，如果 agent 在某一步失败并重试，但恢复基于损坏的数据，我们会注入消息告诉它应该回退几步重新来。四、隔离失败如果你预计代码执行中会有很多失败，有机会把这些失败从上下文中隐藏。主要方式有两种。第一，把可能需要多次迭代的任务单独运行。你可以在子 agent 中运行任务直到成功，再只把成功结果（可能带一段失败策略摘要）回传。让 agent 看到一些失败尝试是有价值的，因为它可以在后续任务中利用这些信息避免重复错误。第二，并非所有模型都支持，但 Anthropic 支持上下文编辑。我们还没取得太多成功，但觉得非常值得继续探索。上下文编辑理论上可以保留更多 token 用于后续循环。例如你可以从上下文中删除对解决问题没有帮助的失败输出。但如前所述，让 agent 知道“什么没成功”有价值，只是不需要保留全面状态。唯一的问题是：上下文编辑会自动使缓存失效，这是无可避免的。因此是否值得这样做往往难以判断。五、子 Agent / 子推理（Sub Inference）如我之前提过，我们的 agent 多基于代码执行与代码生成。这要求 agent 有一个公共的数据存储位置。我们采用文件系统——在我们这里是虚拟文件系统。为了支持子 agent 或子推理，这要求所有工具都能访问这个文件系统。你应该尽量构建没有死路的 agent。所谓“死路”是指任务只能在某个特定工具内部继续。例如你做了一个图像生成工具，但它只能将图像交给另一个特定工具使用，那就会造成死路。如果你希望把生成的图像打包成 zip，需要代码执行工具能读取这些图像。因此必须让图像生成工具把文件写到虚拟文件系统，而代码执行工具也能读同一位置。反之亦然。你可能需要代码执行工具解压 zip 文件，然后让推理工具描述这些图片，之后再回到代码执行工具继续处理。文件系统就是实现这一点的机制。但这要求所有工具都支持从虚拟文件系统读取路径。因此“ExecuteCode” 工具和 “RunInference” 工具应该都能访问同一文件系统。六、输出工具的使用我们的 agent 不是一个聊天式系统。它最终会输出给用户或外部世界一些内容，但中间所有消息通常不会暴露出去。问题是：它如何生成最终输出？我们有一个专门的输出工具，agent 必须显式调用它来对人类输出。我们通过 prompt 告诉它何时使用该工具。在我们的场景中，输出工具负责发送邮件。但这反而带来很多意外问题。最难的是：相比直接在 agent loop 中输出文本，让输出工具生成“最终信息”时很难控制语气与措辞。我不知道为什么，但推测与模型训练方式有关。我们尝试过让输出工具再调用一个小模型（如 Gemini 2.5 Flash）进行文本润色。但这增加了延迟，而且反而降低输出质量。部分原因是小模型没完整上下文，无法正确措辞。而为了给它更多上下文又会变得昂贵，而且仍不能解决所有问题。有时还会泄露我们不想让最终用户看到的中间步骤。另一个问题是 agent 有时根本不调用输出工具。我们强制要求记录输出工具是否调用过。若循环结束前还没调用，我们会注入强化消息提醒它调用。七、模型选择总体上我们的模型选择最近没有太大变化。Haiku 和 Sonnet 依然是目前最好的工具调用模型，因此非常适合作为 agent loop 的主模型。它们对 RL 的行为也比较透明。另一个明显选择是 Gemini 模型。我们在主循环中并未在 GPT 系列上获得太多成功。对于子工具（例如需要额外推理的工具），我们目前主要用 Gemini 2.5——尤其是处理长文档、PDF、图像信息抽取等任务。特别是因为 Sonnet 系列容易被安全过滤器挡住，处理图像比较麻烦。另外一个显而易见的结论：token 价格并不能决定 agent 的整体成本。工具调用更强的模型能用更少 token 完成任务。有些模型 token 更便宜，但不一定在 loop 中更省钱。总的来说，过去几周变化不大。八、测试与 Evals测试与评估是我们认为最难的问题。这并不意外，但 agent 的特性让问题更棘手。与 prompt 不同，你无法在某个外部系统里轻松做 eval，因为需要提供太多上下文。这意味着 eval 必须基于观测数据或在真实测试运行中进行仪表化。目前我们试过的所有解决方案都没让我们满意。遗憾的是，现在我们还没有找到让人真正开心的 eval 方法。希望能尽快找到，因为这已经变成构建 agent 时最令人沮丧的问题之一。九、Coding Agent 的一些更新关于编码 agent，我的体验没有太多变化。主要的新点是我在试用 Amp。原因不是它一定比我现用的 agent 更强，而是我非常喜欢他们对 agent 的设计方式。从他们公开内容能看出，他们的子 agent（如 Oracle）与主循环交互方式非常优雅，而今天市面上很少有框架能做到这一点。这也是我用它来验证不同 agent 设计方式的原因。Amp 和 Claude Code 一样，让人感觉是“使用者自己做的产品”。行业里并非所有 agent 产品都有这种感觉。十、最近读的东西下面是一些我觉得值得分享的内容。1. 《What if you don't need MCP at all?》：Mario 认为很多 MCP 服务器过度工程化，工具过多占用上下文。他提出一种极简浏览器 agent 方案：只依赖简单 CLI 工具（start、navigate、evaluate JS、screenshot），不仅 token 使用小，而且流程更灵活。我据此做了一个 Claude/Amp 的 skill。2. 《The fate of "small" open source》：作者认为微型开源库时代正在结束，因为平台 API 与 AI 工具足以按需生成简单实用工具。对此我非常认同。3. 《Tmux is love》：没有文章，但结论是 Tmux 很棒。如果你的 agent 要与任何交互式系统工作，都应该考虑添加 Tmux 能力。4. 《LLM APIs are a Synchronization Problem》：这是我最近的一个发现，内容太长写成了另一篇文章。#ai创造营# #程序员# 黄建同学的微博视频

27. #为什么AI大厂开始卖Token#3月17日，在钉钉2.0AI年度新品发布会上，钉钉创始人、CEO陈航（无招）重磅发布全球首个企业级AI原生工作平台——“悟空”，让每一家企业、每一个团队都能轻松拥有一个24小时工作的“龙虾军团”。发布会上，无招表示当前钉钉用户数已经突破8亿，钉钉软件付费企业数达到30万，服务企业数超2000多万，即日起悟空开启邀测，并将直接内置到超2000万企业组织的钉钉之中。目前，市面上大多数AI Agent还只是个人轻量级的智能体，尽管它可以帮你整理资料、撰写文案，但在企业的实际业务中，受限于个人设备与账号，并不涉及企业组织权限，没有企业级的安全管控能力。悟空就不一样了！它是阿里专门为企业设计的，简单来说它自带企业级安全环境，AI 会自动跟着公司的权限走，你能看什么、能改什么，AI 就只能干什么，不会越权；所有操作都在安全笼子里跑，不怕数据泄露、不怕乱操作；用了多少算力、花了多少钱，清清楚楚、明明白白；企业管 AI 成本，就像管预算、管报销一样简单。未来，悟空还将接入如微信、Slack等全球主流聊天工具，用户通过手机或电脑就能远程召唤悟空干活。此外，阿里巴巴旗下的淘宝、1688、支付宝、阿里云等ToB业务的Skill也将逐步接入悟空。近年来，“一人公司”不断兴起，对此，悟空发布了OPT（一人团队）十大解决方案，涵盖了电商、跨境电商、知识类博主、开发、门店、设计、制造、法律、财税、猎头十大场景，一键启用悟空，就能轻松实现一个驾驭一支精通业务的“Agent团队”。悟空也被阿里定位为“打造B端AI应用入口，将模型能力深度融入企业工作流”，成为阿里企业级AI的战略布局。同时，它还承担着阿里AI技术在B端商业化落地的关键使命，以钉钉为核心载体，把 AI 从概念转化为企业可直接使用的生产力。

28. 当全民都在“养龙虾”时，阿里钉钉的“悟空”直接给企业造了个“龙虾养殖场”。它把钉钉底层重写成CLI，让AI能像系统管理员一样原生调用权限、安全操作，而不是模拟人类点点鼠标。这从根本上解决了AI在企业中“敢不敢用”、“能不能管”的痛点，将全民“养龙虾”的娱乐潮，导向了可规模化、可审计的企业生产力军团。更具战略眼光的是他们对内的举措：阿里向员工发放Token，鼓励使用AI工具。这绝非简单的福利，而是一次大规模的“内部压力测试”和“场景培育”。它让“悟空”在推向2000万企业之前，先在自己的组织体内跑通工作流、打磨体验。这标志着阿里的AI战略已形成从内部组织变革到外部平台输出的闭环，其目标不仅是发布一个产品，更是要从内部开始，重塑AI时代的工作范式本身。#阿里悟空落地##阿里悟空或大幅降低Token消耗#

29. Bash Is All Agent Need：Anthropic 重新定义智能体开发

30. 第3期 | 1分钟让你成为朋友圈最懂AI的人！ Workflow、Agent、智能体集群…这些词天天见，但你真懂了吗？不懂底层逻辑，怎么看懂《十五五规划》里的万亿机会？🚀 今天把AI的底层逻辑一次盘明白，特别是最后那个“一人公司”架构，看完直呼牛！ AI的4个层级，让你超越80%的人更懂AI逻辑。 #AI #人工智能 #清华 #干货分享 #工作流

31. 【#阿里发布系列龙虾智能体# 悟空与JVS Claw对应企业与个人场景】3月17日，阿里巴巴发布企业级AI工作平台应用“悟空”（WuKong），定位为阿里AI能力在企业工作场景的统一出口，由钉钉团队打造，即日起开启邀测。阿里发布系列“龙虾”智能体悟空与JVS Claw对应企业与个人场景　　“过去是人用钉钉来工作，未来是AI用钉钉来工作。”钉钉CEO陈航在当日发布会上表示，悟空延续“龙虾”智能体的产品思路，强调在物理世界安全可控的执行能力。用户用自然语言描述目标后，悟空可自动拆解流程并尝试完成操作，同时在执行过程中提供必要的人工确认。据发布会展示，悟空可以打开本地文件夹、编辑本地文档、调用桌面应用程序、处理AI听记内容、更新AI表格数据、填写审批单据等。　　据财新尝试，悟空可以在5分钟内建立一个个人官网，但当任务涉及其他应用平台时，可能出现登录失败、数据获取和操作受限等问题，尚未形成稳定的执行能力。阿里介绍，悟空将作为独立应用运行，并内置到钉钉中，支持用户通过手机端远程调用唤起，在本地或云端环境下完成工作。悟空支持连接钉钉账号体系及安全访问权限，可原生操作钉钉上千项工具，并计划在正式版中兼容包括Slack、微信、Telegram在内的多种即时通讯平台。目前，悟空适配千问、Deepseek、Kimi、智源、MiniMax等多款模型，也支持添加自定义模型。

32. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

33. 别等别人赚钱才后悔，你的AI该“嵌入”业务了。 #大咖观察 #红衣聊AI #AI工具

34. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

35. 读完麦肯锡2025年的「The State of AI in 2025: Agents, Innovation, and Transformation」报告，得到的关键词是：“Agent 化”、“工作流重构”、“人机混合决策”、“AI原生组织”。2025 年的 AI，不再是“试试看”的阶段，而是企业真正要回答的一个问题：AI 究竟能不能带来企业级的转型价值？大家可以看看自己所在的企业，是不是也都在思考这个问题，甚至正在做着这个事情。麦肯锡最新发布的年度报告显示，近九成企业已经在使用 AI，但真正将 AI 大规模嵌入核心流程、并在企业层面实现实质性收益的，只有约三分之一。而那些“AI 高绩效企业”（即超过 5% 企业利润来源于 AI 使用的组织），不仅跑得更快，也更“敢想”——他们用 AI 去做的，是增长、创新与流程再造，而不是单纯地“降本提效”。1. 从“试水”到“扩张”：AI 已成基础设施，但落地仍浅报告指出，88% 的受访企业在至少一个业务环节中使用 AI，比 2024 年上升了 10%。然而，超过 60% 的公司仍停留在“试验或小规模部署”阶段，只有三分之一进入了系统化扩展。换句话说，AI 已经普及，但还未“融入骨髓”。这与过去企业上云、信息化的轨迹相似：先有工具，再有流程变革，最后才是组织重构。现在，AI 正处在第二个阶段的拐点上。企业要真正释放 AI 的价值，不能只把它当插件，而要把它当“新的操作系统”。只有当流程被重新设计，数据和决策机制被重构，AI 才可能带来企业级的绩效提升。2. AI Agent成新热点，但仍在早期萌芽62% 的企业已经开始试验或规划 AI Agent，其中 23% 已在至少一个业务单元进行扩展。最常见的落地领域是 IT 支撑、知识管理与客户服务。这些 Agent 的典型特征是：基于大模型、能在现实流程中执行多步操作，具备一定的自主规划与执行能力。换句话说，它们正在成为企业内部的智能体员工（今年很流行的词语）。然而，报告也指出：大多数 Agent 项目仍停留在探索阶段。只有少数企业能把 Agent 真正融入工作流。Agent 是企业 AI 化的“第二曲线”。第一曲线解决“认知自动化”（生成、理解、总结），第二曲线解决 “行动自动化”（执行、协作、闭环）。未来谁能构建出稳定、安全、可控的 Agent 系统，谁就能在企业智能化中占得先机。3. AI对企业的终极目标「重构业务」：不只是自动化，而是再造业务报告显示，AI 高绩效企业有三个共同特征：1）目标不只是效率，而是“创新 + 增长”。他们把 AI 当作企业战略引擎，而不是节省人力的工具。2）高层领导深度参与（老板记得看看这条！），亲自推动 AI 战略、预算与文化转型。3）主动重设计工作流。超一半的高绩效企业重新定义了核心业务流程，使 AI 能自然嵌入执行体系。这些公司普遍具备更成熟的治理机制、更快的迭代周期、更高比例的数字预算（超过 20% 投入 AI 技术），并在“人机协作机制”上建立明确规范——例如何时由人类介入模型输出验证。这可能是 AI 带给企业的终极价值：“组织再设计”，不是“部署更多模型”。如果管理方式、人才结构和决策流程仍是旧的，AI 只能是装饰。高绩效企业的关键秘诀，是“AI 驱动的再造组织”。4. AI + 人的价值共生一个有趣的发现是，AI 高绩效企业比普通企业更容易遭遇风险（如知识产权冲突、模型不准、合规问题），但它们也更善于处理这些问题。麦肯锡的解释是：野心越大，试错越多；试错越多，成长越快。领先企业普遍采用“Human-in-the-loop”机制，让人类专家与 AI 形成闭环。这种“混合智能”不只是监督，更是协同优化。正如报告中所言，“AI 从不是独立的解决方案，它是一种与人协作的智能放大器”。未来的竞争不在于“AI 是否取代人”，而在于“谁能更好地与 AI 协作”。人类的判断力、语境理解与价值感知，是 AI 无法替代的部分。AI 只是把这些能力放大。5. AI对就业的影响麦肯锡调查发现，32% 的企业预计来年会因为 AI 减少员工数量，但 13% 认为 AI 会带来新增岗位。尤其是大公司，它们更倾向于“结构性重组”而非“单纯裁员”——AI 工程师、数据架构师、Prompt 工程师、AI 产品经理正在成为新热点岗位。——读完这份报告，我最大的感受是：AI 的下一步，不是模型能力的突破，而是组织思维的转变。当企业不再问“AI 能做什么”，而是开始问“我们怎样重新设计工作，让 AI 自然发挥作用”，这才是真正的拐点。我们可以预见，未来三年里，“Agent 化”、“工作流重构”、“人机混合决策” 将成为 AI 落地的关键词。那些能把 AI 变成企业文化和工作方式的公司，才会成为下一代“AI 原生企业”。麦肯锡在报告结尾写道：“AI 已经普遍存在，但真正的价值还在前方。”从 ChatGPT 到企业 Agent，从生成到执行，从工具到伙伴——AI 正在推动我们重新定义“人类与机器如何协作创造价值”。这场变革，才刚刚开始。#ai创造营# #微博兴趣创作计划# #ai前沿速递#

36. 钉钉的这个变革很及时，其实 OpenClaw 给钉钉带来最大的启发就是：AI 时代的软件不一定会被 Agent 淘汰，而是未来的软件并不是基于人而开发的，而是适合 AI 调用和操作的软件。只有软件拥抱 AI，给 Agent 提供土壤，Agent 才能真正在企业里扎根干活。钉钉做的 CLI 化改造就是一个典型案例。过去所有的企业软件都是给人设计的，按钮、菜单、弹窗，一切交互逻辑都围绕人的眼睛和手指展开。但 Agent 不需要这些，它需要的是干净的接口、明确的指令、可编程的操作通道。这其实是一次软件设计哲学的根本转变：从"人机交互"走向"机机交互"。未来真正有生命力的软件，一定是同时服务两类用户的，人用 GUI，Agent 用 API 和 CLI。谁先把这层基础设施铺好，谁就能在 Agent 生态里占住身位。那些还在死守图形界面、不愿意把能力开放出来的软件，大概率会被绕过去。#How I AI##科技先锋官#

37. #传阿里即将推出企业级AI旗舰应用# 千问模型加持，B端服务整合再下一城 🚀据彭博社及多家媒体报道，阿里巴巴最快将于本周推出全新的企业级AI智能体应用。该产品基于千问（Qwen）模型开发，由钉钉团队打造，旨在为企业提供强大的Agent能力。知情人士透露，该工具不仅能协助企业自动操作电脑、浏览器和云服务器，还内置了专门的安全功能以保障企业数据隐私。未来，阿里计划逐步将淘宝、支付宝、阿里云等集团旗下的B端商业服务整合进这一AI智能体产品中。目前，关于该产品的收费模式及初期整合程度尚不明确。此前，阿里CEO吴泳铭已宣布将在AI领域投入超530亿美元，并将AGI作为长期目标。【评论】从C端爆款到B端深耕，阿里正用“智能体”切开企业服务新战场当OpenClaw在C端引爆“养龙虾”热潮，阿里迅速将千问模型的触角伸向企业市场。这款由钉钉操刀的AI智能体，瞄准的不是“聊天”，而是“干活”——自动操作电脑、调用云资源、整合内部服务，直击企业效率痛点。这背后是阿里“AI+云”战略的深化：用智能体将淘宝、支付宝等B端能力串联，让企业像用“数字员工”一样调用阿里生态。在AI Agent从概念走向落地的关键窗口期，阿里正用最擅长的“生态整合”打法，卡位企业服务的下一个十年。

38. Apache RocketMQ × AI：面向 Multi-Agent 的事件驱动架构

39. 以人为中心的对话式推荐系统评估与多 Agent 协同设计探索

40. 很多人让我比较AI和互联网谁的机会更大，别急，看完这条视频，咱们一起聊聊。#大咖观察 #红衣聊AI #智能体 #互联网

41. 千亿智能体爆发前夜，谁来保护我们的AI安全？｜甲子光年

42. 职场“Yes and”利器，录音、转写、总结、分析、翻译多合一的办公神器！钉钉AI办公小助理DingTalk A1好用吗？

43. 【别搞错了，生产级AI Agent的核心根本不是AI，而是分布式系统】快速导读：大多数人以为构建Agent就是“Prompt+工具”的循环，这是一种危险的误解。一旦涉及真实用户、高并发和容错，Agent就从一个AI问题，变成了经典的分布式系统工程问题。这解释了为什么大量Agent项目最终都只是个玩具。 --- 很多人觉得，构建AI Agent无非就是把Prompt和工具扔进一个循环里。这个假设很合理，但它根本就不是生产环境的架构。你的Agent一旦需要知道自己在跟谁说话、需要保持状态、处理并发请求、执行敏感操作，以及在工具调用失败后幸存下来——它就不再是一个“LLM+工具”的简单组合，而蜕变成了一个不折不扣的分布式系统。构建Agent本身是简单部分，市面上有无数框架帮你搞定。真正的难点在于“运行时”——那个包裹着Agent、让它能在真实世界里可靠工作的系统。这才是所谓的“智能体软件工程（Agentic Software Engineering）”。构建Agent是AI工程，但在生产中运行它是软件工程。这套工程体系由六根支柱撑起：持久性、隔离性、治理、状态、扩展性和可组合性。每一个都指向经典的分布式系统难题，比如数据隔离失败就是数据泄露，而服务过载则意味着你继承了所有第三方API的速率限制和延迟。这解释了为什么那么多Agent项目最终都像个漂亮的玩具，却无法成为可靠的产品。AI行业还没有完全吸取过去几十年我们在构建可靠分布式系统中学到的教训。最终，能把这套软件工程的纪律内化到团队血液里的，会交付出伟大的产品。而那些继续把Agent当作脚本对待的，会继续与成功失之交臂。 --- 简评：一针见血。AI圈的热潮让很多人忘了，再聪明的“大脑”也需要一个强壮的“身体”才能在现实世界里行动。这篇文章把焦点从算法和模型，拉回到了决定产品生死的工程纪律上。当你的Agent需要审批、回滚、保证用户数据隔离时，你面对的就不是一个AI问题，而是对你软件工程成熟度的拷问。 --- ref: x.com/ashpreetbedi/status/2028176285575594465 #AI创造营##人工智能#

44. 组织本身要成为「可计算代码」了？！1. 什么是智能体组织（Agentic Organization）？你了解什么是智能体组织吗？智能体组织看似新潮，但其实在触及组织管理的本质问题——组织中自主决策和信息流动的本质。1）传统定义：一个组织由人组成，通过等级制、流程、制度来协调众多个体的行动。2）智能体组织的定义：一个组织由「人+AI Agent混合体」组成，通过分布式自主决策和实时反馈来优化整体目标。关键区别在这里：1）传统公司：人做决策，决策流动形成信息链，从CEO→部门→执行层2）智能体组织：Agent做决策，Agent之间通过协议（非层级）交互，形成决策网络这不是自动化的升级，而是组织结构本身的范式转变。2. 为什么传统公司本质上是低效的？传统公司的低效来自三个根本缺陷：1）信息延迟和失真一个CEO要做战略决策，需要的信息来自：数据部门→分析师→部门经理→VP→CEO。每一层都有信息压缩和解释权。CEO拿到的信息，已经被人为过滤七八次。数学上讲，这是一个指数衰减的信息流。假设每层信息保留度是80%，经过7层后，CEO拿到的信息保留度只有0.8^7 = 21%。也就是说，CEO做决策时，只基于原始信息的1/5。智能体组织里，数据直接流向Agent，Agent基于完整信息做决策。信息流变成了常数而不是指数衰减。2）知识孤岛营销部和工程部各有各的工作流和隐性知识。营销知道什么样的用户容易转化，工程知道什么样的架构容易维护，但两个知识很难交汇。为什么？因为跨部门对话的成本太高了——开会、邮件、官僚流程。所以大多数500人的公司，真正在创意工作上的人可能只有5%。3）决策周期长从识别问题→汇报→批准→执行，通常需要2-4周。而竞争发生在毫秒级别。这意味着传统公司永远比市场慢一拍。智能体组织的Agent可以秒级做决策（当然要有清晰的目标和约束）。3. 智能体组织的核心机制是什么？不是AI替代人，而是「决策权的分布式转移」。新的组织架构三元素：1）面向智能体Agent的架构传统：金字塔。信息上升，指令下降智能体：网格/编队。Agent之间通过协议而非报告关系交互具体例子：- 营销Agent知道今天转化率下降- 工程Agent知道今天部署了新的推荐算法两个Agent能自主协商这是否相关，而不需要人工干预这背后的理论是Game Theory——多个自主体在约束条件下博弈，寻求纳什均衡（Nash Equilibrium）。McKinsey的研究指出，智能体组织本质上是应用博弈论的组织设计。2）Org Code（可计算的组织代码）Karpathy说：所有的组织习惯和流程，都是Org Code。传统公司：我们的决策流程是这样的（人工、缓慢、隐性）智能体组织：我们的Org Code是这样的（可编程、透明、可优化）如果组织流程能被写成代码，就能被复制（fork）、优化、和即时调整。这是微观经济学里的制度重构。以前制度是隐性的、刚性的，现在变成了显式的、软件代码一样灵活。3. 治理延迟这是SSRN最近发表的一个关键概念：治理延迟 = Agent执行速度 vs 组织干预速度的时间差。比如：传统公司：Agent做错决策，人发现这个错误需要2周，然后审批修正需要1周 → 总共3周的损失智能体组织：通过预先设计的管理约束，在Agent的决策权限中嵌入约束条件，错误被提前防止，而不是事后修正这背后的理论是Threshold-Based Authority——给Agent设定清晰的决策边界，超过边界自动触发人工审查。4. 为什么这种变化必然到来？从竞争环境变化的角度：过去：竞争基于谁的决策质量更高（需要更聪明的CEO）现在：竞争基于谁的决策速度更快（需要更快的决策系统）这是一个从速度维度到时间维度的转变。在秒级、毫秒级的竞争中，传统组织已经输了。从技术可能性的角度：现在，Claude、GPT-5等模型的能力已经足以支撑Agent做独立决策而不仅仅是推荐。当技术能力和商业需求对齐，转变就不可避免了。5. 智能体组织会面临什么挑战？1）治理延迟的困境Agent执行速度是毫秒，人的干预能力是小时。如何确保Agent做出的决策在规则内正确，但战略上也正确？SSRN论文指出：仅仅遵守规则还不够。一个Agent可以在所有约束下正确决策，但决策的组合可能导致战略目标偏离。这需要更高层的Meta-Governance——对Agent的整体决策模式进行监督，而不仅仅监督单个决策。2）组织 DNA 的重新编写Berkeley的CMR论文指出：智能体组织不是在旧组织上加Agent，而是要从设计阶段就考虑Agent。这意味着：新公司可能比老公司有3-5倍的竞争优势（新生儿vs进化的恐龙）老公司的转型成本极高，因为要改变的不只是流程，而是组织的DNA3）Agent 协作的博弈论陷阱多个Agent在网格结构中交互，本质是多人博弈。如果激励结构设计不当，可能陷入：- 每个Agent都在最优，但整体次优- 搭便车问题- Agent之间的意外冲突McKinsey的「Accountability by Design」强调，必须在Agent的激励机制中，嵌入整体目标优化而不仅仅是个体最优化。6. 智能体组织时代，人的角色是什么？角色转变：- 从做决策的人 → 设计决策系统的人- 从执行计划的人 → 监督Agent编队的人- 从连接信息的人 → 优化信息流的人可能出现的新岗位：- Agent编排师 — 设计Agent的目标、约束、协作协议的人- 混合经理（Hybrid Manager）— 领导人+Agent混合团队，权衡自主和控制- 治理架构师 — 设计Agent间的制约机制，确保没有系统性风险- AI教练 — 帮助传统员工理解如何与Agent协作可能消失的岗位：- 连接点型工作（会议协调、流程对接、信息中转）- 纯执行岗（那些按流程办的工作）这意味着：不是AI替代人，而是人的工作内容彻底改变。适应的人会获得3-5倍的效率提升，不适应的人会被淘汰。7. 总结一下1） Org Code 的可复制性改变了竞争格局传统公司的竞争优势来自经验和人才（都是长期积累）。Agentic公司的竞争优势来自Org Code（可以快速复制和迭代）。这意味着：第一个搞清楚赚钱的Org Code的公司，可以在3个月内复制到全球10个市场。而传统公司需要3年招聘和培训。2）组织变成了可计算的这是历史性的转变：组织首次从人工进化到编程。从人类文明的角度：- 工业革命：体力被机器替代- 信息革命：信息处理被计算机替代- Agentic革命：决策和协调被Agent替代每次都是一个小比例的人掌握新工具，而大多数人被淘汰。这次的速度会是最快的。3）组织管理学的范式转变从科学管理+人力资源到Agent设计+博弈论优化。这意味着：未来的CEO不需要懂人力资源管理，而需要懂智能体架构。组织管理的技能集将完全改写。你准备好了吗？如果你在一个传统组织工作，现在要思考三个问题：1）我的工作，是连接点型还是创意型？如果是前者，你有2-3年的窗口期，赶紧学如何设计智能体系统。如果是后者，你反而更安全，因为创意工作不容易被Agent替代，但你需要学会与Agent协作。2）我的组织，是否已经开始思考Org Code？如果没有，你们的竞争优势在缩小。没有可计算的组织代码，就没有快速迭代和复制的能力。3）在Agentic时代，我的稀缺价值是什么？- 能设计复杂系统的人（Agent Orchestrator）- 能理解博弈论的人（如何激励Agent）- 能做判断和选择的人（AI不能替代的人类直觉）

45. #阿里悟空落地#阿里系，素来喜欢用动物来给自己家的产品取名字的，比如天猫、飞猪、蚂蚁、河马等（钉钉算是个例外），这次发布了个电商工作搭子——悟空，从这点来说，悟空在阿里眼里还是个动物，但悟空是个成精了的动物，似乎又对这款应用赋予了特别的意义。斗战神佛在天上听说这事儿，不知作何感想[doge]

46. #钉钉宣布接入OpenClaw# API调用限时全免费，面向中小企业推普惠课程 🤖3月10日，钉钉宣布从即日起至2026年3月31日，企业和个人开发者在使用OpenClaw时，调用钉钉相关API、Webhook或Stream服务，可获得不限量的免费调用额度。接入后，用户可通过OpenClaw直接调用钉钉AI表格、Teambition等产品技能，实现创建表格、数据整理及自动化任务处理、项目管理等操作。同时，钉钉将面向中小企业推出实战课程，帮助管理者和开发者从认知到实操掌握OpenClaw与钉钉的集成应用，将AI真正落地在业务场景中。【评论】“技术普惠”组合拳，钉钉正在降低中小企业拥抱AI的门槛当API调用“不限量免费”，当实战课程手把手教落地，钉钉这波操作瞄准的是中小企业最真实的痛点：有AI焦虑，但缺技术门槛。OpenClaw作为开源AI Agent框架，与钉钉打通后，让“聊天式调用AI、跨平台执行任务”成为可能。这不是简单的功能开放，而是用“免费+课程”的双重杠杆，把AI从大厂的“奢侈品”变成中小企业的“日用品”。在AI应用落地的关键窗口期，钉钉赌的是：谁能帮企业跨过第一道坎，谁就能成为未来十年的默认选项。

47. Agent Skills使用指南：让AI智能体拥有“即插即用”的超能力

48. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

49. 炸裂！钉钉AI杀入苏州，全国首个AI服务中心落地！苏州OPC创业者沸腾了苏州老板你好，钉钉又搞大动作了！全国首个「钉钉AI应用服务中心」刚刚签约落地苏州高新区，这次直接给苏州的AI产业和OPC创业者们送来了「硬核大礼包」！1，AI赋能四箭齐发：AI应用培训：手把手教企业玩转AI工具；解决方案共创：联合企业定制「AI+制造」专属方案；标杆示范打造：直接建「AI+行业」样板间；算力模型+生态平台：提供技术基建和资源对接。2，本地化军团集结：首期招聘100人组建服务团队，精准服务苏州企业。3， OPC创业者狂喜：AI技术+资源扶持，苏州的创业公司们要起飞了！4，这波操作，不仅是钉钉全国布局的「战略重棋」，更是给苏州「AI+制造」产业升级装上了火箭引擎！苏州的老板们，你们准备好迎接这场AI革命了吗？评论区聊聊你的看法吧！

50. AI Agent从热词到真实产品，速度比想象中快得多。Reddit上一场关于"大家到底在用Agent做什么生意"的讨论，揭示了当前落地最真实的图景。核心洞察：真正赚钱的Agent业务，往往不那么光鲜最成功的案例都有一个共同点：它们不试图取代整个岗位，只是把最无聊的部分自动化掉。当前正在构建的几类Agent：1. 自动化交易Agent基于LangChain构建的多模态Agent网络，支持用自然语言描述任意交易策略并自主执行2. 内部运营类Agent监控内部系统、跨工具数据对账、自动生成报告、对入站请求进行分类筛选——人类看到之前就已处理完毕3. 竞争情报Agent为电商团队监控竞品定价、落地页变化、促销活动，只在发生有意义变化时才发出警报4. 客服支持Agent审阅工单、标记边缘案例、为支持团队起草回复——已在节省真实工时5. 语音客服Agent很多创业团队在做这个方向，解决企业"无法24小时接听电话"的痛点，融资相对容易6. 趋势洞察Agent整合社交媒体动态与内部OKR，识别趋势机会，帮助团队确定每周优先级7. 会议摘要Agent自动总结会议纪要和邮件内容，面向初创团队8. 统一知识查询Agent连接Slack、Google Sheets、Google Docs、数据库等多源信息，实现极速问答一个关键规律：成功的Agent都运行在高度约束的环境中。它们需要操作真实Web工具时，往往在可预测的沙箱环境里执行，保持"无聊且可审计"。那些试图过度自主或过于通用的Agent，通常都会卡壳。结论很清晰：真正的商业机会正在小而垂直的细分领域形成，而非大而全的通用系统。reddit.com/r/AI_Agents/comments/1pyd60q/what_agentic_ai_businesses_are_people_actually/

51. 中小企业千万别错过！2025华为坤灵秋季新品发布会！#华为坤灵#灵的不止一套#华为坤灵助力中小企业跃升智能化

52. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

53. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

54. AI Agent落地“卡壳”？腾讯云用100毫秒沙箱打通“最后一公里”｜甲子光年

55. //@宝玉xp:推荐看看网易有道开源的 LobsterAI，是一个完整功能的个人助理 Agent。技术上基于 Electron + React + TypeScript 构建，采⽤严格的进程隔离架构，任务⽀持本地执⾏和沙箱 VM（QEMU + Alpine Linux）两种模式。数据层使⽤ SQLite 实现全本地化存储，IM ⽹关层通过钉钉 Stream、⻜书 SDK 等对接各平台。开源用起来更放心，也是个很好的学习机会。地址见原文查看图片

56. 图解 AI 智能体的上下文工程

57. #阿里悟空落地##AI 替代岗位#阿里悟空正式落地，技术是一方面，最最重要的还是安全性。阿里还是有家底的，背靠阿里云和钉钉的安全体系，加密、审计、权限管控一应俱全，相当于给AI配了贴身保镖+全程监控，数据和操作风险基本兜得住。不过玩笑归玩笑，AI再聪明也有犯迷糊的时候，万一理解错指令搞点“骚操作”也不是没可能。总体来看，安全底子够厚，但想要完全放心，还得靠人机配合盯着，别让它放飞自我就行。

58. #阿里巴巴成立Alibaba Token Hub事业群# CEO吴泳铭亲自挂帅，全面迎战AI Agent时代 🚀3月16日，阿里巴巴正式成立Alibaba Token Hub（ATH）事业群，建立以“创造Token、输送Token、应用Token”为核心目标的新组织，由阿里巴巴CEO吴泳铭直接负责。这是阿里巴巴面向AI Agent时代一次重要组织调整，旨在强化AI业务战略协同，全面推进AI战略落地。【评论】从“散点布局”到“集团军作战”，阿里正用组织力构筑AI时代的“水电煤”当AI从技术概念走向基础设施，单点突破已不足以支撑战略野心。Token Hub的成立，是阿里将散落在各处的AI能力（千问、通义、钉钉、夸克）拧成一股绳的关键落子。“创造Token”是研发底座，“输送Token”是平台生态，“应用Token”是场景落地——三者闭环，直指AI Agent时代的核心命题：谁掌握Token的生成与分发，谁就掌握下一代人机交互的入口。悟空事业部的出现尤其值得玩味：B端AI原生工作平台，意味着阿里正用钉钉的To B基因，切开企业服务市场的新蛋糕。这是从“AI工具”到“AI劳动力”的升维竞争。

59. 看了下 OpenAI 新出的 Codex Mac App：左侧是任务列表，中间是对话区，还支持 Git Worktree。整体布局明显是围绕 Agent 模式设计的，更像一个“指挥台”，用来调度一支 Agent 团队协同工作。虽然主打编程开发，但从形态上看，其实也完全可以扩展到更通用的业务场景。想想这套模式怎么这么眼熟……这不就是我们的 Wegent 编码模式吗？

60. #科技先锋官# 2026年AI代理预测将成为驱动产业效率革新的核心力量，也因此被业界定义为AI代理年。企业无需专业团队即可快速部署，让AI代理高端配置变为普惠工具，企业级需求的爆发成为核心推力。数据显示，2026年全球AI代理市场规模预计达85亿美元，企业级应用覆盖将超10万家。过去AI多聚焦单一基础场景，而AI代理可自主理解目标、规划流程并执行复杂任务，在客服、销售、运维等领域大幅提升效率，这种一站式解决能力精准匹配了企业降本增效的核心诉求。随着算力租赁模式成熟与国产芯片技术突破，2026年企业AI算力成本较上年再降40%。以往中小企业因百万级训练成本望而却步，如今通过按需租用模式，算力投入门槛降至传统模式的1/10，加上动态扩缩容技术提升资源利用率，即使是中小微企业也能负担AI代理应用，为市场爆发奠定了基础。AI代理已突破早期对话局限，具备多模态交互、上下文理解与跨系统集成能力。依托检索增强生成与自主学习技术，其任务处理准确率超95%，可无缝对接企业CRM、订单系统等核心平台。MaaS模式将复杂技术封装为标准化服务。#AI创造营##AI创作热点##一分钟视频创作季# 种斌Marco的微博视频

61. 【#李开复称未来就是比谁更会用Agent#】 12月6日，由@中国企业家杂志主办的2025（第二十三届）影响力企业家年会（原中国企业领袖年会）在北京召开，零一万物CEO、创新工场董事长李开复发表了主题演讲。他认为，AI Agent带来的革命不只是制造了一个工具，而是能帮助重构公司，帮助公司增效。公司以后会有越来越多的Agent，一个CEO管着很多Agent，而且这些Agent会一年会比一年便宜，因为推理成本在快速下降。#李开复称未来办公司和搭积木一样快# 他还指出未来办公司就像搭积木一样快，以后企业的竞争力就体现在：第一，要最早用上Agent；第二，要用最聪明的Agent；第三，要用公司的闭环数据，让你的Agent强于别的使用同样技术的公司。要早、要快、要有闭环数据。（中国企业家吴莹）#2025中国企业家杂志影响力企业家年会#

62. 为什么通用Agent很难实现企业化落地？

63. 不唯大模型论企业级 AI Agent 落地的关键到底是什么？

64. AI Agent公司怎么选？北京大神科技

65. 企业级AI Agent落地的四大挑战与解决方案！

66. AI Agent 落地难？这套框架破解 “能想不会做” 的行业困局

67. AI Agent 在企业里迟迟落不了地

68. AI Agent 打通企业AI落地的“最后一公里”

69. 终结开源Agent安全乱象！悟空重构企业级AI落地底层逻辑

70. 企业智能体是什么？为什么2025年成为爆发年

71. 人工智能体落地困境

72. 我看到的真相

73. AI手机折射的困境

74. 钉钉悟空破局

75. 钉钉悟空今天开测，AI在企业里"真正能用"这件事终于来了

76. 告别养虾安全隐患！悟空入场开启企业级Agent正规军时代

77. 为什么90%的AI Agent还停在PPT里？ - 哔哩哔哩

78. 为什么说阿里这次发布，是所有“龙虾”玩家的噩梦？

79. 从 “极客玩具” 到真生产力！悟空让 AI Agent 真正走进企业

80. 阿里发布全新AI产品悟空！钉钉升级解锁企业级AI原生能力

81. 钉钉 11 年磨一剑发布企业级 Agent平台 “悟空”， “龙虾军团”锚定阿里 AI to B 核心入口！

82. AI Agent的智商，90%由数据决定

83. 钉钉「悟空」背后

84. AI Agent落地失败原因剖析

85. AI Agent 打通企业AI落地的“最后一公里”

86. 钉钉“悟空”发布

87. 阿里发全球首个企业级AI平台悟空，钉钉AI重构开启邀测！

88. 钉钉完成CLI命令行界面化改造支持AI Agent直接操作

89. 刚刚！钉钉重磅发布“龙虾”产品

90. 悟空来了！钉钉打造企业级龙虾，我现场体验被震撼到了

91. 无招揉碎钉钉，炼出一个“悟空”

92. 钉钉发布AI原生工作平台“悟空”

93. 阿里发布"悟空"，要把"龙虾"装进2000万企业组织里

94. 钉钉发布AI原生工作平台“悟空”，可24小时替你上班

95. “悟空”来了！钉钉发布全新Agent平台

96. 阿里「悟空」横空出世，全球首个企业级Agent平台，24h龙虾军团。

97. 钉钉CEO陈航

98. 阿里把钉钉打碎，炼出个「悟空」

99. 阿里钉钉发布“悟空”，要把“龙虾”装进企业组织

100. 阿里推出企业级Agent平台“悟空”，接入钉钉服务超2000万组织

101. 阿里甩出AI王炸！悟空入局企业服务，2000万组织迎来AI生产力革命

102. 钉钉来了个"悟空"，它和你见过的所有 AI 助手都不一样

103. 阿里悟空杀疯了！打工人的超级外挂来啦

104. 首个企业级Agent平台“悟空”发布阿里加速B端AI Agent战略布局丨新经济观察

105. 阿里发布全球首个企业级Agent平台“悟空”

106. AI Agent

107. 从自动化客服到 ERP 任务代理

108. 什么是 AI Agent 客服？智能交互新范式的全面解读

109. 智能客服机器人（基于Agent智能体的自动化客户服务机器人）

110. 客服Agent到底要不要流程控制，再给面试官上一课！！！

111. AI落地企业第八讲

112. 收藏必读！大模型Agent落地避坑指南

113. AI Agent不是万能的

114. 学用系列｜MiniMax Agent实测，全Agent模式虽火，人机协同才是刚需

115. 2026年的AI客服

116. 2026年HR -首席架构师-AI Agent 人机协同训练师

117. Agentic AI引领HR革命

118. MiniMax Agent实测，全Agent模式虽火，人机协同才是刚需

119. 和多位AI负责人交流后，我发现了Agent成功的真相

120. WIRED深度

121. 2026年企业AI落地的关键挑战

122. 瓴羊 AgentOne

123. 赛道第一Agent的7个关键认知

124. 如何紧贴业务逻辑开发专用AI Agent？

125. 企业AI为什么难规模化

126. Agent能做什么与不能做什么？

127. 企业Agent落地破局

128. 【深度分析】2026 AI Agent 商业化落地报告

129. 2026年，AI Agent从"会聊天"变成"能办事"——企业智能体的分水岭时刻

130. AI洞察 | 2026年:企业AI Agent从试点走向规模化部署的操作指南

131. AI Agent 的双刃剑

132. AI Agent从Demo到ROI

133. 从 Copilot 到 Agent 365

134. 推荐一款国产AI Agent智能体

135. 让每个部门都能拥有自己的AI团队

136. AI Agent呼叫中心系统怎么选？2026 选型要点与避坑

137. 2025国产Agent推荐

138. 2026 年 AI Agent 框架完全选型指南

139. 从单体到多智能体，AI Agent 的四大架构与选型指南

140. 2026智能客服厂商如何选择？看这篇就够了

141. 把钉钉打碎,阿里炼出了「悟空」,给企业配了一支龙虾军团

142. 看清AI泡沫真相!通用Agent风口吹不动,垂直Agent才是未来的出路

143. 客服Agent革命:智能客服系统的技术实现与效果评估

144. 阿里“悟空”,要把“龙虾”装进两千万企业组织中—新闻—科学网

145. “悟空”来了!“一人团队”正成为现实

146. 浙江省经济信息中心

147. 阿里发布企业级Agent平台“悟空”

148. 当Agent进入外贸采购领域,犹如王者虐青铜

149. 对话昆仑万维方汉:通用Agent是大厂的事情,跟创业者无关

150. Agent落地企业场景,为什么BetterYeah值得期待?

151. 阿里大动作！“悟空”出世打响企业级AI Agent攻坚战！

152. 【原创】企业智能体（AI Agent）落地难的原因与改善策略研究

153. 钉钉打碎自己，炼出“悟空”！阿里AI to B底牌亮了

154. 钉钉发布企业级AI平台悟空，阿里要把每家企业变成AI Agent军团

155. 炸场！阿里悟空正式发布，打碎钉钉重炼AI，企业级Agent终有真标杆？

156. 全球首个企业级Agent平台“悟空”来了

157. 陈航“拆家”，钉钉是怎么变成悟空的？

158. “悟空”出世，阿里打响AI to B第一枪

159. 抓住“龙虾”安全死穴，阿里发布企业级Agent平台“悟空”打造B端AI应用入口

160. 钉钉为什么非要推倒重来？悟空给了答案

161. 钉钉推出AI新平台“悟空”，企业干活效率直接拉满！

162. 2025年企业AI智能体落地指南

163. 3月17日阿里发布全球首个企业级Agent平台“悟空”

164. 钉钉打碎重建，悟空大战龙虾

165. OPT智能体助手“悟空”

166. 阿里“悟空”上线！钉钉给企业送来龙虾大军

167. 钉钉发布“悟空”，让2000万家企业实现“龙虾自由”

168. 炸裂！钉钉悟空杀疯了，AI 办公彻底无门槛

169. 把“龙虾”装进企业！阿里发布企业级Agent平台“悟空”

170. AI Agent:全球首个企业级Agent平台“悟空”来了

171. 把钉钉打碎，阿里炼出了「悟空」，给企业配了一支龙虾军团

172. 体验完阿里「悟空」，我想把电脑里的龙虾换掉了，是真NB！

173. 用了一天钉钉悟空，我觉得龙虾该紧张了

174. 从生态到细节，悟空让B端AI落地更简单

175. 实测阿里悟空，把OpenClaw们的隐藏风险关到箱子里

176. 构建全链路开放生态，钉钉把8亿用户的工作流CLI化！

177. 阿里发布全球首个企业级Agent平台“悟空”：重构钉钉底层代码，首批OPT方案覆盖电商等十大场景

178. 为什么说悟空是AI工作平台，而不是工具升级

179. 钉钉AI 2.0重磅发布：全球首个企业级AI原生工作平台「悟空」问世

180. 智能客服机器人，AI Agent赋能自动化服务的原理与价值

181. “悟空”登场！阿里重磅发布企业级AI原生工作平台，重新定义智能协同

182. 阿里发布企业级Agent平台“悟空” 帮专业个人实现生产力大幅提升

183. 钉钉“打碎重建”炼出悟空！阿里AI双强格局，改写企业办公新规则

184. 最新企业级AI Agent应用报告发布，AI Agent大潮下，企业为何陷入“落地困局”？

185. 2025年Q3企业级AI Agent市场发展洞察：合力亿捷入选Global Agent优秀厂商

186. 钉钉被AI重构！阿里“悟空”让每个公司都拥有一支“龙虾军团”

187. 144 | 钉钉悟空出世：AI 办公革命的启发

188. 阿里“悟空”闪电入场：企业级AI Agent告别“玩具时代”

189. 钉钉推出全新AI原生工作平台“悟空”

190. 基于Agent的智能客服项目文档（含PRD，已交

191. 告别“伪智能”！钉钉悟空AI原生平台上线，CLI化重构办公新体验

192. 从财务到 HR 全适配！2026 企业 Agent 工具 TOP5，实测能省 80% 重复劳动

193. 钉钉发布“悟空”：AI原生工作平台，让企业拥有24小时“龙虾军团”

194. 【数智力量】AI 钉钉 2.0・悟空来袭

195. AI服务能力大比拼：5款Agent型客服机器人品牌实战数据深度对比

196. 一文盘点10个超超超核心的电商Agent：客服，推荐，选品，定价，营销，库存，订单，调度，风控，数据Agent

197. 钉钉悟空实操指南：一人公司如何靠AI实现24小时自动化运营

198. 比openclaw还强10倍的一人公司神器：我实测了 24 小时钉钉悟空，有些实话想对你说-掘金有术

199. 干货｜企业为什么一定要做“人机协同”？

200. Oracle推出AI Agent市场:企业AI应用的"App Store"来了

201. 阿里巴巴推出全球首个企业级AI原生工作平台赋能青岛OPC

202. 企业智能体落地指南——拆解7大关键问题，附实战避坑策略

203. 云栖大会学习笔记-AI技术在企业级应用的创新与实践

204. AI智能体元年，谁在重新定义企业竞争力？

205. 阿里发布全新AI产品悟空！钉钉为超级个体与小微企业注入全新动能

206. 2026年企业级自主AI代理（Agentic AI）落地场景深度决策报告：基于ROI分层与本地化架构演进

207. 引入 Agent GPA：企业级 AI 就绪框架

208. Agent选型参考！国产企业级Agent开发平台TOP5盘点

209. 从龙虾谈企业Agent的应用架构更新

210. google: AI Agent五大趋势重塑企业

211. 不是替代，是进化：企业级AI Agent平台如何打造人机协同的“超级团队”？

212. 基于Agent的智能客服项目实战（已脱敏） 🌿本文将结合我在多个智能客服项目中的实践经验 ▶️从需求分析 ▶️系统设计 ▶️核心算法实现 ▶️到生产部署的完整技术链路进行深度剖析。 . ✅重点关注客服场景的需求建模、多轮对话的上下文维护、知识库的动态集成以及人机协作的智能切换机制。通过详实的代码实现、丰富的技术图表和量化的性能评测，帮助读者构建一个真正适用于生产环境的智能客服Agent系统。 . 这套技术方案已在多家大型企业成功落地，处理日均对话量超过10万次，为企业节省人力成本60%以上。 . 项目是开源的，放在知识库里了，希望对大家有帮助～ #计算机 #AI #Agent #智能客服 #AI大模型

213. 国内首发！企业级AI Agent应用评估标准欢迎共同起草

214. AI智能体总翻车？智能体的实施与交付指南！

215. AI系统定制，利用智能体提升企业生产力

216. AI Agent开发框架深度分析与选型报告

企业级Agent落地真相：不是AI不够聪明，而是流程没为“执行”而设计

精选参考来源