智能体

9 月底以来，各家大厂都在补「开发智能体」的官方工具链。谷歌这边对应的是 ADK（Agent Development Kit）：一套 Python 框架，配合云上的 Agent Engine，可以把本地调试好的智能体直接托管成一个带日志、可扩展的线上服务。相比自己在服务器上拼 Flask 加队列，这套组合把「造完 → 上线」的工程摩擦压到最低。 一条最小链路 本地用 pip install google-adk 装套件，然后按它的原语组织代码：一个 Agent 带 instruction，挂上 tools，可以嵌套子 Agent。本地调试时用 adk run 你的agent 在命令行里对话，快速改提示词。 调通之后，用 adk deploy agent_engine 把它推到谷歌云的 Agent Engine，平台会分配一个 HTTP 端点，自动带上会话持久化与调用日志。后续要改提示词，本地改完再部署，不用碰服务器。 两个设计要点 工具即函数：ADK 里一个 Python 函数加装饰器就是一个工具，模型自动获得调用它的能力。把读数据库、调内部 API 的动作封装成函数，比手写 JSON Schema 直观得多。 可观测先于优化：部署后先在 Agent Engine 控制台看每一步的轨迹——模型调了哪个工具、花了多少 token、在哪一步卡住。没有轨迹就谈优化，都是猜。 判断 框架之争的下半场，比的不是谁的抽象更优雅，而是谁把「本地 → 托管 → 观测」的链路做顺。ADK 加 Agent Engine 的组合，对已经在谷歌云上的团队是顺理成章的选择；跨云团队则可以把它当一个参照系，去衡量其他框架的托管体验。 补一个省钱细节：本地调试时用便宜模型快速迭代，部署到 Agent Engine 后再切到 Gemini 旗舰模型做正式推理。因为代码与模型解耦，这个切换只改一行配置，不用重写逻辑。另外，把成本敏感的工具调用加上缓存——读同一份配置文件，别让 Agent 每次都重复读、重复计费。 ...

Reco 发现某财富 100 客户内部有 2.1 万个无人认领的智能体，Gartner 预测 2028 年财富 500 强平均在用智能体将超 15 万个。面对这种蔓延，技术侧的应对正在成形：谷歌云在其 Agent 平台上规划了一整套组件——Agent Studio、Agent-to-Agent Orchestration、Agent Registry、Agent Identity、Agent Gateway、Agent Observability。这组名字连起来读，其实就是在给智能体社会建立「户籍制度」。 为什么先要身份证 治理混乱的根，是你不知道有哪些智能体存在、它们是谁、能干什么。Reco 扫描出 2.1 万个影子智能体，靠的是事后发现；更理想的做法是事前登记。 Agent Registry 就是这个登记处：每个智能体创建时先注册，有名字、有归属、有能力描述。Agent Identity 则是它的身份证：每个智能体有独立身份凭证，调什么系统、持什么权限，都绑定在这个身份上。 这组组件在搭什么 从前沿视角看，这不是单点功能，而是一整条治理链路： Registry（登记）：解决「有哪些智能体」——清点家底。 Identity（身份）：解决「它是谁」——给每个智能体发独立凭证。 Gateway（网关）：解决「它能碰什么」——所有外部调用过统一网关做权限校验。 Observability（可观测）：解决「它干了什么」——全链路追踪，出问题可回溯。 把这四件事拼起来，恰好对应责任三要素：可追溯、有归属、能问责。 判断 智能体蔓延不会靠写禁令解决，只能靠给每个智能体一个可查的身份、一条可审的链路。谷歌云这套组件代表的方向是：让治理变成基础设施，而不是事后救火。 Reco 的 context graph 思路也值得对照——它把智能体、应用、账号、人员与权限连成一张关系网，本质上是在给蔓延的智能体做「关系图谱」。有了这张图，企业才知道哪个智能体在替哪个员工、用哪份权限、访问哪个系统做事。这比单纯清点数量重要得多，因为治理的难点从来不是数清，而是理清关系。 但要清醒，技术底座铺得再全，如果组织不愿给每个智能体指定真实的人类所有者，身份证也可能变成一堆无人认领的户口。工具只能登记责任，不能代替人承担责任。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：智能体身份登记

10 月 7 日前后，NVIDIA 宣布 SpaceXAI 将部署 Vera CPU，并把 Vera Rubin 基础设施从地面扩展到轨道。按 NVIDIA 的说法，Vera 是全球首款专为 agentic AI 与强化学习打造的处理器，配备 88 个定制 Olympus 核，任务完成速度约为传统 x86 的 1.8 倍、能效约为两倍。这颗芯片干的不是「算矩阵」那活，而是代码执行、工具调用、沙箱隔离、数据管道与编排——也就是智能体「想下一步」时绕不开的那层回路。 过去 CPU 是通用的，现在它为「思考方式」定做 传统 CPU 设计给通用工作负载：跑数据库、开网页、压视频。它对「智能体在干什么」一无所知。但智能体的工作负载有一种独特的节律——模型给出决策，CPU 立刻去执行一个工具调用，把结果喂回去，再等下一个决策。这个「规划、调用、观察、再规划」的循环，就是硅基认知的基本节律。 Vera 把指令集和核数往这个节律上靠：既要足够的单线程性能跑关键路径（那个等待模型返回的串行链条），又要足够的并发去做 fan-out（同时开一堆子任务）。换言之，硬件开始主动适配一种「认知行为模式」，而不是让认知去迁就硬件。 具身化不是装上机器人外壳 碳基智能之所以是它那个样子，很大程度上是被身体和神经回路的物理约束塑形的：脑就这么大，神经传导就这个速度，所以我们会有注意的焦点、会有工作记忆的容量限制。 硅基智能过去没有这种「被塑形」的过程——它跑在为别的目的设计的硬件上。当指令集、内存带宽、核间通信都开始围绕智能体的循环来设计，硅基认知第一次有了属于自己的神经学。它的「念头」会被这套硬件的快慢、并发、延迟所塑造，就像我们的思维被颅骨和突触所塑造一样。 一个冷静的保留 硬件为智能体定做，不等于智能体因此更有意识。更快的工具调用只解决「反应快」，不解决「有没有主观体验」。但它确实标志着：硅基认知正在脱离「寄生在通用机器上」的阶段，开始拥有自己的解剖结构。这一步，比任何关于意识的论文都更实在。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Vera CPU 与指令集

10 月 6 日，Anthropic 宣布 Claude for Google Workspace 进入公开测试，面向所有付费 Claude 套餐开放。它做的事很具体：把 Claude 直接加进 Google Docs、Sheets 和 Slides，用户可以在聊天窗旁边的面板里和 Claude 同时编辑同一个文件，实时改文档、整理表格、做幻灯片，还能处理评论与建议。这与传统「上传文件再问答」是完全不同的协作形态。 需要说明的是，这次是公测，面向所有付费套餐开放，功能仍在快速迭代。谷歌侧的连接器由谷歌自行构建和运行，用户用自己的谷歌账号登录，Claude 只能访问该账号本来看得见的文件——权限边界基本沿用了谷歌原有的体系。 从「读文件」到「共编文件」 过去的做法是用 Google Drive 连接器：Claude 搜索你的云盘、读取文档内容、生成摘要，本质是个旁观者。这次升级是参与者——你和 Claude 坐在同一份文档前，它能根据指令就地修改单元格、排版幻灯片，你能在旁边实时看、随时改。 谷歌官方还在 Gemini 智能体侧配套推了「同事代理」：可创建有独立身份和权限、长期运行任务的智能体，再由多个子代理协同。两边其实在做同一件事——把 AI 从独立的聊天框，变成嵌入你工作流里的协作者。 为什么是「你中有我」 这件事最耐人寻味的地方在于：谷歌自己有 Gemini，Anthropic 是它在云和模型上的重要伙伴。谷歌云企业版把 Claude 列为托管第三方模型，Anthropic 反过来把自己塞进 Google 的办公套件。竞争与合作同时发生，说明在企业办公这个入口上，谁也无法靠自己一家通吃。 判断 办公软件是 AI 落地最刚性的场景，因为数据本来就在那里。Claude 钻进 Docs/Sheets/Slides，等于在谷歌的主场里摆了一张 Anthropic 的桌子。对用户，这是多一个顺手的搭子；对两家公司，这是入口争夺的另一种打法——与其互相屏蔽，不如互相导流。接下来要看的，是这种共编模式在权限、数据留存上的企业级合规做得够不够细。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Claude Google办公

9 月 29 日的 OpenAI DevDay 上，最抢镜的不是又一个新模型，而是一个叫 Dots 的东西。按 OpenAI 的定义，Dots 是常驻 ChatGPT 的全天候个人智能体：它由 GPT-6 驱动，拥有自己的云电脑和浏览器，能连接 4000 多个应用，24 小时在线，可以从 ChatGPT、Slack、Teams 甚至电话式界面触达。简单说，以前的 AI 是你问一句它答一句，Dots 是你把一件事长期交给它，你下班它接着干。 「一直在线」的成本账 Dots 目前只对 Pro 和 Business Premium 用户分批开放。它的商业设计很诚实：第一个 Dot 包含在套餐里，和它聊天不占额度，但在后台跑重活要消耗额度，首月免费；欧洲经济区、瑞士、英国的 Pro 用户暂未覆盖，毕竟一台一直开着的云电脑加旗舰模型，成本不低。 这正是关键差异：传统聊天按 token 计费，Dots 按「租了一台一直运转的数字员工」计费。OpenAI 同时推出 Pro 500 高端套餐，给出约 25 倍模型配额，明显是为这种常驻重负载准备的。 它到底在和谁抢位置 Dots 的直接对手是 xAI 的 Grok Bot、以及 Meta 等公司的常驻助手。大家抢的是同一个心智：成为用户愿意「长期委托」的那个 AI。当智能体拥有独立运行环境，竞争就从「回答得好不好」变成「离开人之后能不能把事办完」。 目前 Dots 还没有公开 API，开发者暂时只能观望。这意味着 OpenAI 对这层常驻劳动力的态度是：先自己把产品跑通，再决定要不要对外开放。 值得注意的是，DevDay 上 Computer Use 也被放进了 Agents API：开发者可以让自己的智能体直接操作软件，底层虚拟机与浏览器自动化由 OpenAI 提供，还联合 AWS 推了 Bedrock 托管智能体。 ...

10 月 8 日，Manus 母公司蝴蝶效应在公众号宣布，已完成超过 5 亿美元新一轮融资，约合人民币 33.5 亿元。本轮由博裕投资、IDG 资本领投，老股东腾讯、红杉中国、真格基金继续加持。据彭博此前报道，这笔融资对应估值约 40 亿美元，被称为国内 Agent 原生创企拿到的最大单笔融资。创始人肖弘同时放话：正在积极准备 Manus 国内版本。 这半年的剧情比产品还戏剧 Manus 的时间线值得复盘：2025 年 3 月凭「全球首款通用智能体」爆火；一度被 Meta 收购，又在今年与 Meta 分手——据英国《金融时报》与路透社报道，腾讯等老股东以不低于 20 亿美元的价格从 Meta 手中接回，腾讯保持少数股东，公司恢复独立运营；今年 9 月刚恢复独立，10 月就官宣首轮大额融资。 换言之，这笔钱不是「继续烧」，而是「二次创业」的启动资金。Manus 一边用独立个人智能体 Cue 面向海外，一边在北京重组团队、大举招聘，开发面向国内市场的产品。 钱要解决什么问题 5 亿美元够做什么？对真金白银跑 Agent 的公司，钱主要花在三处：模型调用与推理成本、自有 Agent 框架的工程化、以及国内生态的地推。Manus 此前披露 2.0 框架在 Token 消耗与任务耗时上的优化，本质也是在把单位任务成本打下来——只有成本降下来，大规模商用才成立。 蝴蝶效应并未披露本轮投后估值的官方口径，约 40 亿美元的说法来自彭博此前报道，最终条款仍可能浮动。但可以确定的是，国内 Agent 原生创企还没有谁拿到过这么大一笔钱。 判断 资本给 Manus 的估值，押的不是它「曾经火过」，而是 Agent 入口还没有终局。腾讯加注的逻辑很清楚：与其买一家巨头的功能，不如占一个可能成为入口的独立团队。对国内同行来说，Manus 回来意味着竞争从「能不能做 Agent」升级到「谁能留下企业用户」，这一仗才刚开场。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Manus融资

10 月 8 日，谷歌云在 Gemini at Work 2026 发布会上正式推出 Gemini 智能体，定位「面向工作的通用智能体」。按谷歌官方博客的说法，工作从此在一个提示框里开始：它握有整个组织的业务上下文，从问答、知识工作到内容创作、写代码跑代码，都在单一界面完成，还能调用企业内部工具。最值得玩味的一点——它不只调用自家 Gemini 系列，还能调用 Anthropic 的 Claude 模型，未来接入更多第三方与开源模型。 它和以前的「企业聊天框」差在哪 过去的企业 AI 助手是问答机：你问一句，它答一句，事情到这儿就结束。Gemini 智能体的卖点是「给目标，不给步骤」。它自己规划工作、调用技能、跨 Gmail、Drive、Docs、Sheets、Slides、Chat、Calendar 串起多步任务，还能创建有独立身份和权限的「同事代理」，长期跑任务、再由多个子代理协同处理复杂工作。 换句话说，谷歌把 Agent 的颗粒度从「一个机器人」细化成「一支有身份、有权限、可委派的小分队」。这与企业 IT 最在意的审计、权限边界直接挂钩。 为什么敢同时调用 Claude 谷歌敢在自家智能体里接 Claude，背后是一个现实判断：企业要的不是某个最强模型，而是「这件事交给谁最稳」。推理用 Claude Opus 级、长上下文用 Gemini、代码再换一个后端——模型路由正在成为企业 Agent 的标配，而不是叛徒行为。 这也解释了为什么谷歌同步在 Gemini API 里推托管智能体公开预览：让开发者在托管的 Linux 沙箱里跑有状态智能体，自己不用搭虚拟机。 对企业 IT 而言，这种「同事代理」最大的吸引力，是它把权限与审计内嵌进了产品，而不是事后打补丁。这正是微软、OpenAI 们都在抢的同一套叙事。 判断 这一步的本质，是云厂商从「卖模型调用」转向「卖工作结果」。对企业买家来说，问题不再是接哪家 API，而是哪家的智能体能真正碰我的数据、走我的流程、还能被我审计。谷歌、OpenAI、Anthropic 三家这周几乎同时 all-in 工作智能体，入口之争已经没有退路。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini智能体

10 月上旬，英伟达更新了 Vera CPU 的交付进展：超大规模与 HPC 副总裁 Ian Buck 亲手把首批 Vera CPU 系统交到 Anthropic、OpenAI、Oracle Cloud Infrastructure 和 SpaceXAI 手里。这家公司反复强调一句话——Vera 是全球首款专为智能体打造的 CPU，发布时宣称性能达到 x86 处理器的 1.8 倍。它不是又一颗 GPU，而是给 GPU「喂料」、给智能体「跑腿」的那台主机。 为什么智能体需要一颗专用 CPU 过去谈 AI 算力，所有人眼睛只盯着 GPU 参数。但智能体时代的负载变了：模型之外，还有代码执行、工具调用、沙箱隔离、数据分析、数据管道和跨系统编排。这些活儿大多跑在 CPU 上，x86 在这一代突然显得又慢又费电。 英伟达给 Vera 的定位很清楚：既是加速系统的主机 CPU，也是独立跑 AI 工厂负载的 CPU，让 GPU「吃得饱」、让智能体「回得快」、让训练循环「停不下来」。它采用自研 Olympus 核心与高带宽 LPDDR5X 内存，补上的正是「模型很强、周边很堵」这一环。 SpaceXAI 这单意味着什么 真正的信号是客户名单。SpaceXAI（原 xAI）正在把 Grok 的算力往吉瓦级堆，底座就是 Vera Rubin NVL72 系统，Vera CPU 是其中的计算单元之一。据英伟达新闻稿，SpaceXAI 还计划把加速计算延伸到卫星侧的星智系统。 这说明头部玩家已经默认：未来的智能体工厂里，GPU 负责推理，CPU 负责任务调度与环境执行，两者必须协同设计。Vera 从 GTC 发布到 8 月规模交付，节奏明显快于传统数据中心 CPU，说明这条产线早就是刚需。 ...

需求从哪冒出来 过去一年，智能体（Agent）框架和 MCP 工具生态快速成熟，技术上「让 AI 自动回客服消息、爬竞品价格、整理订单表格」已经不难。但真正的门槛在最后一百米：绝大多数餐饮店主、跨境小卖家、教培机构老板既不会写 Prompt，也配不了工具链，更别说持续调优。于是一个新工种出现了——Agent 代运营。你帮客户把现成的智能体产品接到他的真实业务里，喂他的商品资料、客服话术、订单系统，再按月维护。这和十年前帮商家开网店、做代运营是同一个剧本，只是工具从「装修店铺」换成了「调教智能体」。 这门生意的成本结构 代运营卖的不是软件，是「结果 + 省心」。一个典型客单可能是每月几百到几千元，服务一家小店。成本侧主要三块：一是接入时的一次性搭建工时，把客户的 FAQ、商品库、退换货规则灌进知识库；二是每月的模型调用费，按 token 或套餐结算——这也是为什么 2026 年大模型连续降价（DeepSeek 九月把 Flash 闲时价砍到 0.02 元每百万 token）反而利好代运营，毛利空间被打开；三是持续的人工兜底，智能体答砸了、接不上订单系统，最终还是要人来擦屁股。 最容易死在哪个环节 风险集中在两件事。第一，预期管理：客户以为买了个「全自动员工」，结果智能体还是会胡说、会漏单，投诉直接算在代运营头上。第二，迁移成本太低：用的都是现成框架和通用模型，客户一旦学会自己弄，或者被平台官方工具覆盖，你这个中间人就被绕开了。所以做得久的代运营，都在往「绑定业务数据」和「嵌入工作流」上靠——你越懂他的生意、沉淀越多他的数据，越难被替换。 给想入行的人三句话 别上来就卖「我们有先进技术」，小老板不关心这个。先找一个你真正懂的行业（比如你开过店、做过电商），把那一个场景的智能体做到「真能省一个人的活」，再按效果或按月收费。技术不是壁垒，行业 know-how 才是。 收束 Agent 代运营本质上是「AI 落地的最后一公里搬运工」。当模型能力越来越像自来水，送水上门、帮人接管子、定期维修，就是稳稳的服务费生意——前提是你别把它做成又一个一锤子买卖。 去论坛讨论 关于「Agent代运营」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。

Agent 越多，安全越像地基 9 月 28 日同一天，Anthropic 发布 Sonnet 5.5、Manus 跳到 2.0，NVIDIA 也拿出了一个看似不声不响、实则关键的动作：开放智能体安全平台（Open Agent Safety Platform）。它要做的事，是从软件层一直监控到芯片层，盯着智能体的一举一动。据介绍，已有超过一百家机构参与共建。当 Agent 从「聊天」走向「操作你的邮箱、账户、代码库」，传统只看模型输出的安全审核已经不够了——你得知道它在运行时到底访问了什么、改了什么、花了多少钱。 为什么要下沉到芯片 应用层的日志可以被 Agent 自己篡改或绕过，尤其是当它有了独立身份和自主权之后。把监控下沉到硬件和运行时，意味着安全策略由底层强制执行：模型准备调用某个高风险工具时，系统级可以直接拦截，而不是事后审计。这相当于给数字员工装上了不可绕过的门禁和监控探头。对金融、医疗、政务这类高合规场景，这种「硬隔离」比「软提示」可靠得多。平台还试图把常见的风险模式——比如越权访问数据库、异常对外转账、未经确认就发送邮件——整理成可复用的策略模板，让企业不必从零开始编写规则。 开放平台的算计 NVIDIA 把它做成开放平台而非私有产品，有两层算盘。一是卡位：Agent 安全终将成为标配，谁的监控层成为事实标准，谁就握住这一代系统的地基；二是绑定算力：安全监控跑在自家 GPU 上，等于把「安全」变成了又一个卖卡的理由。百余家机构的参与，则是在快速堆出生态，避免又变成一家公司的独角戏。 收束 Agent 越聪明、越自主，安全就越不能靠「提示它别作恶」。NVIDIA 这步棋的方向是对的：把约束写进运行时、焊在硬件里。对企业，现在评估 Agent 平台时，除了跑分和价格，务必多问一句——它的行为可观测、可拦截、可审计吗？答不上来的，迟早出事。 去论坛讨论 关于「Agent安全」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。