Agent

GPT-6.1 Sol 按速度卖三档这件事，对做产品的人启发远大于对用户的情绪。OpenAI 等于公开演示了一套「延迟分舱」定价法：同一模型，按算力优先级分成标准、Fast、Ultrafast 三档，价格差最高 6 倍。如果你正在做任何带 AI 生成的 SaaS，这套打法今晚就能照搬。本文给一套可落地的设计。 你的产品该不该做「三档」？又该对应什么？ 不是所有产品都该分三档，但只要你的产品里有「等结果」这个环节，就有分舱空间。先把用户的等待场景拆开： 标准档：后台批处理、邮件摘要、夜间跑的报表——用户能等，走最便宜的算力池。 Fast 档：实时对话、客服机器人、文档起草——用户在屏幕前等，需要秒级响应。 极速档：游戏内 NPC、交易信号、直播实时字幕——晚一秒就穿帮。 你会发现，同一套底层模型，在这三个场景下的付费意愿差一个数量级。按一个价格卖，等于把极速场景的高价值白白让给了免费用户。 这套延迟分舱具体该怎么落地？ 第一步，在产品里把「生成」这个动作做成可配置的延迟档位，默认给标准档，付费开关解锁 Fast 和极速。第二步，后端对接模型时做路由：标准档走 Luna 这档便宜模型加队列，Fast 档走 Sol 标准价，极速档走 Ultrafast 并预留算力。第三步，定价上参考 OpenAI 的梯度：标准档含在订阅里，Fast 档加 30% 溢价，极速档按次或按专属配额单独卖。 关键是给极速档设硬配额。如果不设上限，一个高频用户就能把你最贵的算力烧穿。OpenAI 敢卖 6 倍价，就是因为知道极速档的容量是稀缺的。 做分舱定价最容易踩什么坑？ 别把「智能」和「速度」混在一个档位里卖。用户为快付钱，不是为更聪明付钱。如果你的极速档只是排队优先、模型没变，就老实说「加速」；如果极速档偷偷换成了更强模型，那要单独标出来。价格信号一旦和用户预期错位，就是 GPT-6.1 Sol 现在面对的口碑翻车。 分舱定价的本质，是把你过去混在一起卖的「体验」拆成可计量的层。拆得越清楚，愿意为快付钱的人越容易掏钱。 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：速度分舱定价

10 月 8 日 Manus 超 5 亿美元融资落地后，市场注意力迅速转向一个问题：下一站去哪？多家媒体援引此前彭博报道称，Manus 可能走向港股 IPO。这并不是孤例——视频生成公司可灵此前已经在港股排期，一级市场明显在把 Agent 和生成式 AI 公司往香港这个退出通道里推。对一个过去几年只融不退的赛道，出口突然成了稀缺资源。 Agent 公司为什么扎堆去港股？ 三个原因凑在一起。第一，美股对中国 AI 资产的审查趋严，Manus 甚至经历了被 Meta 收购后又被强制赎回的波折，赴美上市的政策不确定性太高。第二，香港市场对未盈利科技公司已有 18A 章的先例，资金对 AI 叙事接受度高，愿意给高增长高亏损的公司定价。第三，腾讯、红杉这些老股东本身就是港股生态的熟客，退出路径顺。 Manus 此轮 40 亿美元 pre-IPO 估值，本质上就是在给港股发行价做预热。先在一级市场把价格锚住，再去二级市场找流动性。 排队上市对这些公司意味着什么？ 第一波上市的不是商业模式最成熟的，而是融资节奏最快的。Manus 们需要上市，是因为背后的美元人民币基金到期要退；不是因为它已经赚钱。这就意味着港股会迎来一批「高增长、高亏损、高估值」的 AI 公司，招股书里的风险因素会写得非常坦白。 对打新的散户要清醒：这批公司和 Anthropic 一样，大概率营收涨得快、亏得更快，上市初期的股价会被情绪推着走，而不是被利润推着走。可灵之后，真正该盯的是上市后第一个季度的营收留存和付费转化，而不是发行价故事。 这对一级市场是好事还是坏事？ Agent 赛道的估值锚正在从「下一轮融资倍数」切换到「二级市场可比公司」。一旦 Manus 在港股拿到一个公开市值，后面所有 Agent 公司融资都要拿这个数当参照系——好的一面是价格透明，坏的一面是一荣俱荣、一损俱损：Manus 破发，整个赛道下一轮估值都会被压。 出口出现既是利好也是紧箍咒。上市之后，每个季度都要向公众交账，再也不能只靠叙事融资。 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：港股IPO潮

10 月 8 日，NVIDIA 开发者博客挂出一篇复盘文章，拆解 KGMON 团队在 KDD Cup 2026 竞赛中如何构建一个「靠谱的数据分析智能体」。这篇文章之所以值得读，不是因为它讲了多新的模型，而是因为它承认了一个很多人不愿面对的事实：让 Agent 真的把一份数据做对，比让它「看起来会分析」难得多。文章提炼的三个关键词——受限工具、持久状态、基于 trace 的评测——正好是这套实战手册的骨架。 做数据分析 Agent，为什么工具反而不能给太多？ 直觉上，工具越多 Agent 越强。竞赛里的反经验是反过来的：给 Agent 二十个细粒度工具，它会在工具选择上反复犯错、反复重试，把上下文烧光。KGMON 的做法是收敛工具集，只保留少数几个语义清晰、参数稳定的动作，把「选择困难」从 Agent 的决策里删掉。工具越少，错误面越小，成功率反而越高。 为什么 Agent 的状态必须跨轮次持久？ 数据分析不是一次问答，而是多轮探索：先看列、再筛选、再聚合、再画图。如果每一轮都从零开始、重新读全表，既慢又错。KGMON 的关键设计是给 Agent 一个持久的工作状态——它记得刚才看过哪些列、做过哪些过滤、中间结果是什么，下一轮直接在这个状态上继续。这把 Agent 从「单次调用」变成了「有记忆的工作者」。 为什么评测要盯着轨迹，而不是只看最终答案？ 数据分析任务的答案往往不是唯一的一个数，而是一条推理链。只看最终数字对不对，根本无法判断 Agent 是真的会做，还是蒙对了。KGMON 的做法是记录完整 trace——每一步调了什么工具、传了什么参数、看到了什么——再基于轨迹做评测和回归。这和做人机复盘一模一样：你得看它怎么走到的结论，而不是只看结论。 这套经验对哪一类团队最有用？ 任何想把 Agent 接进真实业务数据的团队，都该把这三条抄走。数据分析是 Agent 最容易「演示惊艳、上线拉胯」的场景，KDD Cup 的价值就在于它用一个封闭、可重复的竞赛环境，把这个坑提前暴露了一遍。工具收敛、状态持久、轨迹评测——这三件事不性感，却决定了你的 Agent 是 demo 还是产品。 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：KDD Cup数据分析智能体

链式调用为什么不够用 早期 Agent 框架（包括 LangChain 最初的 Chain）本质是一条线性管道：输入进，输出出，中间串几个步骤。但真实的智能体任务充满了循环、分支与回退——写完代码要跑测试，测试挂了得回头改，改完再跑；查资料发现方向错了，要退回去换检索词。线性管道表达不了这种「根据中间结果动态决定下一步去哪」的控制流，于是很快就撞上了天花板。LangGraph 由 LangChain 团队推出，把 Agent 的运行时建模成一张有状态的图：节点是计算步骤，边是转移条件，状态在节点间流动。这一步抽象转换，让 Agent 从「脚本」变成了「可循环的程序」。 节点、边与共享状态 LangGraph 的核心三件套。**节点（node）**是一个普通 Python 函数，接收当前状态、返回要更新的状态片段。**边（edge）**决定下一个节点是谁：固定边写死转移，条件边根据状态里的字段动态路由，比如 if error: go to fix_node else: go to review_node。**状态（state）**是一张被所有节点读写的共享字典，通常用 TypedDict 或 Pydantic 定义，还能配 reducer 决定多个节点写同一字段时是覆盖还是追加（比如消息列表用 add_messages 累加而非替换）。 这套抽象的好处是可控：你能在图里画出循环，能加人在环（human-in-the-loop）的断点，能让某个节点失败后走兜底分支。相比「一个大 prompt 让模型自己决定调什么工具」的黑盒 Agent，LangGraph 把控制流交还给开发者——模型负责推理，图负责流程。 检查点与持久化是它的护城河 真正让 LangGraph 区别于玩具框架的，是 checkpointer。图在每一步执行完都会把状态持久化（可以落 SQLite、Postgres），于是 Agent 可以随时中断、第二天恢复、甚至把状态序列化后在另一个进程里接着跑。这对长周期任务（比如要跑几小时的代码修复 agent、跨多轮对话的客服）至关重要：进程崩了不丢进度，用户随时能插入一条指令让它从当前节点继续。这也是生产级 Agent 系统和 demo 的分水岭。 与其他框架的分工 AutoGen 偏多智能体对话，CrewAI 偏角色分工的角色扮演式协作，LangGraph 偏底层的可控状态图。如果你要的是「快速搭一个多角色剧本」，CrewAI 更顺手；如果你要的是「能调试、能持久化、能上生产的确定性流程」，LangGraph 更可靠。很多团队的做法是用 LangGraph 做编排内核，把工具层通过 MCP 接进来——协议管工具互联，图管流程控制，各司其职。 收束 Agent 编排的演进方向很清楚：从不可控的单 prompt 黑盒，走向有状态、可观测、可恢复的图。LangGraph 抓住了「状态」这个要害。对开发者而言，理解节点、条件边、reducer、checkpointer 这四个概念，比盲目堆工具调用更重要——因为 Agent 的可靠性，从来不是某个模型多聪明，而是流程有没有被好好地组织起来。 ...

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。

问题不在模型，在工具说明书 很多人抱怨「我的 Agent 老乱调工具、参数瞎填」，第一反应是模型不够聪明。但拆开日志看，真相往往是：工具的 JSON Schema 写得太烂。模型决定调哪个函数、填什么参数，依据的就是你给它的那段描述。你把 city 参数写成一个字符串，不写枚举、不写单位、不写默认值，它当然会把「北京」写成「beijing」、把温度单位填成「摄氏度」——它只能猜。 好 Schema 的三个零件 OpenAI、Anthropic、国产模型的 function calling 都基于 JSON Schema，写好一个工具描述要三样东西： 第一，description 写成「合同」而不是「标题」。别写「查询天气」，要写「根据城市名和日期查询天气预报，返回温度与降水概率；city 必须是中文城市名，date 格式为 YYYY-MM-DD，不填默认今天」。模型是照着这段文字做决策的，越具体越不容易跑偏。 第二，枚举和约束写死：city 用 enum 限定常见城市，unit 限定 ["celsius", "fahrenheit"]，数值参数加 minimum/maximum。约束越死，自由发挥空间越小，幻觉越少。 第三，必填与可选分清：required 字段只放真正必填的，可选字段给 example。一次工具调用失败，七成是必填参数没传或传错类型。 反例 正例 city: 城市名 city: 中文城市名，如「北京」，枚举限定 date: 日期 date: YYYY-MM-DD，缺省今天 不说明返回值 写明返回温度(℃)、降水概率(%) 三个落地补丁 第一，加一层参数校验与重试：工具执行前用 Pydantic 校验参数，失败就把错误信息回喂给模型让它自己修正，比直接报错断掉友好得多。第二，一个工具只干一件事：别写 do_everything(action, params) 这种万能函数，拆成 search_order、refund_order、create_order，模型选错工具的概率直线下降。第三，本地小模型也能调工具：Qwen2.5、GLM-4 这类开源模型都原生支持 function calling，Ollama 跑本地模型时在 API 里传 tools 字段即可，不必迷信云端大模型。 收束 工具调用不是模型单方面的事，是你和模型之间的一次接口约定。Schema 写得像合同，模型就是听话的执行者；写得像口号，它就自由发挥给你看。把 description、枚举、必填这三样做扎实，Agent 的工具调用成功率能肉眼可见地从「经常翻车」提到「基本靠谱」。 去论坛讨论 关于「工具调用」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。 ...

分界线从「回答」移到了「安排」 2023 年的 ChatGPT 是被动的：你问一句，它答一句，每一步都在你的注视下。2025 年起的 Agent 换了逻辑——你给一个目标「帮我订下周五去上海的差旅」，它自己拆步骤、查航班、比价、填表单、遇到改签自己处理，连续跑几个小时不用你管。Manus、Devin 这类系统展示的，已经不是「工具好用」，而是「一段流程被授权出去」。这条线的哲学意义被低估了：以前你是操作者，现在你是目标的下达者和结果的验收者，中间那段决策链——选哪个航班、退不改还是改签——已经不在你手里。 授权的代价：你看不懂它在做什么 自主 Agent 用工具、写代码、改配置，速度是人类的几十倍。问题是，当它在 8 小时里执行了上千个操作，你无法逐行审计。人类退回的位置是「签字的人」：目标是我定的，结果是我收的，但过程我审不动了。这和把手术全程交给自动导航的手术刀是同一种处境——你仍然对结果负责，但你已失去对过程的理解能力。责任与控制的脱节，是自主性时代最隐蔽的风险。 「目标是我定的」不是免责符 有人说：目标是人定的，Agent 只是执行，所以责任全在人。但目标本身是模糊的，「帮我安排差旅」背后隐含了预算偏好、时间弹性、航司倾向——这些没说出口的东西，Agent 要用自己的策略去补。你以为你下的是目标，实际上你下的是一个「待补全的函数」。补全的那部分价值，来自模型的判断，而不是你的决定。于是「目标由人定」很快会退化成「大方向由人定，细节由 Agent 定」，人在不知不觉中让出了绝大多数具体的决定权。 收束 自主性不会在某一天「突然到来」，它是一次次小授权累积出来的——先让它回邮件，再让它排日程，最后让它谈合同。每一步都合理，加起来就是权力让渡。真正该警觉的不是「AI 会不会抢班夺权」，而是人类在审计能力跟不上 Agent 速度的那一刻，就已经把决定权让出去了，自己还以为只是在用个工具。 去论坛讨论 关于「Agent自主性」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。

一个 Agent，开始有了自己的联系方式 9 月 28 日，Manus 没有把更新叫作「小版本迭代」，而是定性为一次新架构，同时推出新产品 Cue。最炸的细节是：在 Cue 里，每个智能体都拥有自己的邮箱、电话号码，甚至一个钱包。这意味着 Agent 不再是依附在你账号里的一段会话，而是一个能独立对外通信、能收发邮件、能打电话、还能完成支付的数字主体。Manus 本身已跑出约一亿美元量级的年化收入，总部设在新加坡，是这波通用 Agent 潮里跑出来的少数赢家之一。 为什么「身份」是分水岭 过去的 Agent 再强，也只是「你」的延伸——它替你操作，但账号、手机号、支付手段全是你的，一旦出事责任模糊。当 Agent 有了独立邮箱和电话号码，它就能被别人联系、被流程引用、在组织里被分配权限；有了钱包，它就能独立完成下单、续费、报销这类闭环动作。这其实是把 Agent 从「工具」升级成了「数字员工」：有工号、有联系方式、有预算、有职责。 风险与边界同步到来 身份和能力的另一面是风险。一个能打电话、能花钱、能代表你对外签约的 Agent，一旦被提示注入或被诱导越权，后果是真实世界的金钱与法律责任。邮箱和电话意味着它成为社工攻击的新靶点——别人可以反过来给你的 Agent 发钓鱼邮件。钱包更需要硬约束：单笔限额、审批阈值、可疑操作人工复核，这些不是可选项，是上线前必须焊死的安全闸。否则，一个拿着钱包的数字员工，就是一个放大版的钓鱼受害者。 收束 Manus 2.0 标志着通用 Agent 从「演示惊艳」走向「职场入职」。给 Agent 发身份，是承认它将长期参与真实社会协作；而真正的课题，已经从「它能不能干活」变成「我们敢不敢让它自己去干」。接下来一年，谁能把数字员工的身份治理、权限审计做扎实，谁才配吃下这波红利。 去论坛讨论 关于「Manus2」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。

融资分布 垂直Agent（拿钱最多） 客服Agent：融资额第一 编程Agent：估值最高 营销Agent：数量最多 通用Agent平台 头部平台融资集中 中小平台融资困难 Agent基础设施 记忆、工具、编排层受关注 数据标注与评测服务兴起 商业逻辑 垂直Agent：ROI清晰，客户付费意愿强 平台Agent：故事大，落地难 基础设施：卖铲子逻辑，稳定 投资判断 能替代人类具体工作的Agent最值钱。通用Agent平台仍需时间验证。

Agent经济的形态 Agent即服务：企业雇佣AI Agent处理具体业务 Agent协作网络：多个Agent协作完成复杂任务 Agent市场：任务发布-竞价-完成-结算 真实案例 内容公司用Agent批量生产SEO文章 电商用Agent自动回复+处理退款 程序员用Agent写代码、测代码 争议 Agent算不算员工？ Agent创造的价值归谁？ 人类还需要工作吗？ 观点 Agent经济是真实趋势，但Agent完全自主赚钱还是炒作。现阶段Agent是强大工具，不是独立经济主体。