逃离Agent坟场：企业需要产业智能体操作系统

文/王慧莹

编辑/子夜

过去两年，企业落地Agent呈现出一种明显反差：部署一个Agent越来越容易，但让它真正进入核心业务却依然困难。

越来越多的企业发现，Demo里，可以全自动跨多平台执行任务，可以做深度数据挖掘，可以帮企业降本增效，可以不间断工作8个小时的Agent，一进到真实企业环境中，就降“智”了。

“完全不是Demo里讲的那么回事”，不少企业都有这样的感受。于是，一批Agent止步于试点：它们虽然被部署，却无法稳定融入业务流程，最终被边缘化甚至弃用。

Agent“坟场”，由此形成。

为什么模型已经足够聪明，Agent还是会在工作中掉链子？

从Demo到能在真实业务场景里交付结果，Agent想要落地的关键，要融入企业自己专属的知识体系和工作方式。

换句话说， Agent要在企业里交付真正有用的结果，就不能只是一个“聪明”的智能体，更要是一个“懂企业”的智能体。

产业智能体就是这样的智能体。

沈抖提到，产业智能体是智能体+产业系统，它可以结合企业里面的知识、数据、流程、工具和一系列要求，在真实场景里去交付结果、创造价值，持续进化，带来真正意义上的系统性变革。

企业该如何搭建自己的产业智能体？不同的智能体之间又该如何形成合力？

百度智能云给出了一套系统性答案，通过通用智能体把专业智能体、定制智能体统一起来，形成一个能协调、能闭环、能对结果负责的产业智能体操作系统。

1、从工具自动化到任务自动化，企业需要产业智能体

沈抖把产业智能体总结成了一个公式：产业智能体=智能体+产业系统。

看上去是简单的一句话，背后反映的却是一场更深层的变化：Agent时代，企业经营系统正加速从工具自动化、流程自动化，转向任务自动化。

企业能够把多少任务交给智能体，智能体又能完成到怎样的程度，将很大程度上直接影响企业经营效率。

这也是产业智能体的关键所在——单个会对话、能执行的智能体只是工具，只有嵌入产业的知识、流程、数据与业务规则，才能真正承担真实经营任务。

具体来看，百度智能云认为，现在企业里任务分为三层：约20%是日常运营任务；30%是编程、做营销等具备通用方法论的专业领域任务；剩下约50%，是与企业自有数据、流程、系统和业务理解深度绑定的核心业务。

现在很多企业已经部署了不少智能体，这些智能体事实上不是不能用，而是不够用——三类任务性质不同，需要三类产业智能体协同解决。

通用智能体指向的是20%的日常办公任务，包括收集信息、协调资源、做一些经营分析等等。这类任务的不可或缺性在于，它们很大程度上是专业任务和核心任务的部分支撑。

今年以来，Agent在办公场景落地火热，大厂在AI办公赛道也在密集布局，很多声音因此将通用智能体对应成办公智能体，客观来看其实并不准确。

“这两个还是完全不一样的概念，甚至将来不应该有一个为办公而生的智能体。”沈抖说。

他还提到，过去可能就是因为企业在办公上投入了太多的精力，把工具做得非常重，员工完成一项工作往往要在多个系统之间反复切换、整理和同步，注意力反而被工具限制了。

他进一步解释道，通用智能体带来的变化就是把办公能力变成随时可以调用的基础能力，“你需要梳理信息，它就帮你整理上下文，你需要分析问题，它就帮你拆解等等，以后办公还在，但会退到后台”。

百度搭子正是面向这一层的通用智能体。

在现场，沈抖演示的案例说明了这种变化。

他展示了基金经理使用百度搭子进行ETF研究的例子。过去，一个基金经理在做研究时，必须耗费大量时间在一些日常的办公任务上。比如，他需要从好几个平台上拉取行情数据，做汇总分析，再去查内部研报、对齐信息。现在，这些事都可以交给百度搭子来做。百度搭子可以自动帮他链接外部数据源、完成ETF初筛形成报告，然后打通公司内部的系统，调用内部的Skill，深入调研挑选出符合标准的ETF产品。

可以看到，有了百度搭子，基金经理只需要做真正需要他判断的事：选择研究方向、调整配置逻辑，然后做出投资决策。

另一个案例，则是百度搭子联合专业智能体百度伐谋，进行半导体设计优化任务。百度伐谋非常擅长处理复杂的任务，在这任务中，它负责优化芯片布局局规划与布局两个环节的算法优化。

百度搭子则负责工作流的串流，芯片设计中的布局规划与布局是两个衔接环节，通常上一步算完之后，工程师需要把结果导到下一步，重新核对约束，调整参数。

所以很多时间不是花在设计上，而是花在环节衔接上。现在百度搭子把两个工作流串联起来，人只需专注关键结果的判断与验证。

从这个案例中，通用智能体不仅是做了日常运营的任务，还调用了专业智能体。通用智能体的价值不只是完成办公操作，更在于理解任务上下文、调度专业能力，并把分散的工作流组织起来。

对应那30%的专业领域任务的，则是专业智能体。

代码开发、组合优化、计算机视觉识别、数据分析和营销等任务专业性较强，而且背后的知识、工具和流程具有较高共性，结果也相对容易验证，因此适合交给专业智能体处理。

因为这类能力往往方法论成熟，但开发门槛高、投入大。如果每家企业都从头开发，无异于重复造轮子。

所以，经过市场验证、能够“开箱即用”的专业智能体，正在成为企业的现实需求。

阿尔特的实践提供了一个典型案例。

阿尔特是国内头部整车研发企业、中国第一家上市的独立汽车研发商。在“今年上半年，平均不到3天就有一款新车上市”的节奏下，公司也需要更快更好地做风阻设计。

而风阻设计是一类典型的“超长程难任务”，车身曲线、后视镜角度、尾部轮廓，任何一个维度的调整都会影响车身的风阻表现。要做好风阻设计，核心是要看如何在大量的设计变量、物理约束和性能目标之间持续找到更优的方案。

这一诉求，恰巧与专业智能体“百度伐谋”能力契合。伐谋的关键特性在于自我演化，擅长处理在AI4S、生产排程、工程设计、组合优化等方面的超长程难任务，能自主寻求更优解。

阿尔特将百度伐谋接入了公司的CFD仿真系统（计算流体力学仿真系统，它通过在虚拟空间中“复现”实际流体的行为，从而替代或辅助部分物理实验，实现“数字风洞”或“数字流体实验”。），让伐谋快速生成、筛选这些可行的风阻设计方案，再结合物理规律和高精度仿真实验验证，不断根据结果去优化演进方案。在一次方案设计中，伐谋经过120多轮自我演化后找到了更优解，把单次CFD仿真时间从几小时缩短到几秒。

不只是伐谋，百度智能云还推出了应用开发智能体百度秒哒、本体构建智能体百度胜算、视觉智能体百度一见、营销智能体的百度Hogee、企业级代码智能体文心快码、以及数字人智能体百度一镜。

这些通用智能体和专业智能体，解决的主要是企业经营中的共性需求。但真正决定一家企业竞争壁垒的，仍然是剩下的50%——那些与企业自身数据、流程、系统和业务经验深度绑定的核心业务任务。

2、模型懂世界，Agent还要懂这家企业

企业在使用Agent时，最容易高估的一件事，是把模型知道得多，等同于Agent懂公司、懂业务。

但模型能力强和智能体“能干活”，本质上是两码事。

通用模型掌握的是公开知识。而一家企业的风险规则、设备使用、生产约束等，散落在数据库、文档、流程系统和员工经验里，往往还附带复杂的权限边界。

要智能体“懂业务”至少要翻过三座山：

其一，懂数据，理解业务对象、关联关系、状态变化与权限边界；

其二，懂专业方法论，理解行业专家如何分析、建模与决策；

其三，懂企业专属规则，理解企业特有的审批链路、风控红线、工艺参数与经营惯例。

因此，简单地把更多文档塞进知识库，并不能抹平通用知识与企业业务之间的差距。Agent不仅要找到信息，还要知道信息描述了什么对象，对象之间存在什么关系，一个动作会改变什么状态，以及这一动作受到哪些权限和规则的限制。

围绕这一问题，市场上已经出现了一些探索。

Palantir是一个典型样本。企业软件领域有个名词叫Ontology，可译为“业务本体”，即把企业现实业务“建模给机器看”。它把Ontology定义为数字资产之上的“运营层”，将工厂、设备、产品、订单、交易等现实对象，与对象关系、可执行Actions和动态安全规则统一建模，数据由此被还原为一个包含对象、关系、动作和权限的数字化业务世界。

聚焦国内，百度智能云的智能体“胜算”也是类似的思路。它以业务本体统一描述对象和关系，把ERP、MES、PLM等多源数据转成Agent可理解的业务语义，同时加入权限控制、沙箱与人机协同，把企业最难标准化的业务语境，沉淀成可复用的数字资产。

沈抖在现场分享的胜算和南方电网的合作，就是一个很好的观察样本。

双方合作中，通过构建百度胜算数据本体，将公司的相关设备、台账、检测记录，以及它们之间的业务关系组织了起来，同时结合 AI工作台，连接了多个业务系统，已经为多个核心业务构建了十多个智能体应用。

以电网运营为例，电抗器的温度是一个关键的监测指标，如果这个温度持续偏高的话，就会影响设备安全，也可能带来供电风险。现在遇到告警，智能体就可以基于数据本体和真实业务逻辑，自主判断是不是真的构成了设备缺陷，以及后续应该进入哪一类处置流程，智能体作出判断之后，可以在不同系统之间搜集设备型号、历史维修记录，把这些信息自动填写工单，推动处置流程，形成闭环。

这个案例说明，企业数据只有被组织成Agent能够理解的业务世界，才可能进一步转化为行动。

但这仍然不够。

数据可以接入，专业方法论可以沉淀，企业专属规则却只能来自企业自身。定制智能体的重要性，正源于此。

已经有企业开始定制自己的专属智能体。以泰康保险为例，其把智能体用在医疗健康、风控规划、销售运营等核心场景，通过百度的智能体开发平台，它已经开发了超过3500个智能体，日均调用200亿tokens。

不过，对大多数企业而言，构建自己的定制智能体并非易事。

沈抖坦言，过去几年，百度服务了很多央企、金融机构、大型互联网公司，也服务了大量的中小型企业，通过类似于ChatBot、工作流这些产品，深刻体会到企业定制智能体这“最后一公里”非常难。

难点在于，不仅要把智能体和企业的权限、数据、系统、流程打通，更重要的是接进去以后，还能理解业务的上下文，把真实的业务持续跑起来。

在智能经济论坛上，百度智能云推出了百度搭子开发平台，正是百度为了支持企业这“最后一公里”。

它可以提供全生命周期API来覆盖智能体的开发运行到管理全流程，而且企业可以在现有系统里快速地定制自己的产业智能体。

值得注意的是，百度搭子开发平台的技术底座与百度搭子同源，采用三层Harness、三层记忆架构并共同演进。也就是说，搭子升级，企业定制的智能体也会升级。此外，其还提供私有化部署以及VPC的部署方案，在数据安全、隐私安全方面做足了保障。

3、Agent不是越多越好，关键是把它们组织起来

有了通用智能体、专业智能体以及定制智能体组成的产业智能体系统，并不等于智能体就能自动形成生产力。

现实中，不少企业的Agent布局往往是割裂的，彼此无法调度、数据互不相通、结果难以回流，本身并不构成系统，这也是Agent坟场的另一种成因。

沈抖也直言，“最不希望的就是三种智能体又是三个烟囱”——彼此割裂、无法共用。

换句话说，智能体更需要的，是被组织起来的方式。企业需要的，是一套产业智能体的操作系统。

具体来看，沈抖把这套操作系统拆解为三层。

向上承接任务，即统一接收企业和员工的任务请求，判断由哪类智能体、哪些技能参与，完成任务调度和管理。中间层，连接企业经营体系，既沉淀管理企业知识体系，也调度管理企业流程与工具，把知识、数据、权限、工具和流程组织成智能体可随时调用的经营资源。向下则统一调度云上算力、存储和安全资源，即云资源调度。

只有这三层真正贯通，智能体、企业经营系统和底层云资源才能被组织成一个整体。

一个任务进入系统后，系统先判断由谁完成、需要调用哪些知识和工具、应当在什么权限下执行，以及需要占用多少算力；任务完成后，结果再回流到系统中，沉淀为新的知识、经验和优化依据。智能体由此不再悬浮于业务之外，而是真正运行在企业的经营流程之中。

这一体系能够运转的关键，是通用智能体可以串联、组织其它两类智能体。专业智能体和定制智能体都可作为Skills被通用智能体统一调度，任务中产生的数据、经验和方法又会沉淀回智能体，支撑其持续自主进化。

基于此，百度智能云提供两条路径：既可把整套系统做成解决方案直接交付，帮客户快速搭建、少走弯路；客户也可基于方案定制自己的产业智能体操作系统。

最后，操作系统的生命力一定程度上也取决于生态开放程度。百度智能云的选择是，把系统彻底打开，外部Skills、工具和服务均可接入。与此同时，百度搭子生态开放计划也覆盖了套件、工具、技能与硬件生态，并且承诺永不向合作伙伴抽佣。

4、算力供得上、推理跑得快，Agent才能规模化

产业智能体操作系统解决的是智能体如何被组织起来；但当产业智能体达到数十亿量级，还要回答两个更硬核的问题：每次推理能否足够高效，底层算力能否稳定供给且成本持续下降。智能体竞争的本质，就是AI云的竞争。

“产业智能体未来还会爆发式增长，到2030年，产业智能体的规模会达30多亿个，带来超过100吉瓦级的推理需求。”沈抖判断。

这就对Agent Infra提出了更高的要求，百度智能云也在这次智能经济论坛中透露了Agent Infra的升级：

其一，MaaS被彻底资源化。百度智能云提供150余个SOTA模型，支持企业根据任务需求自由组合和灵活切换。据百度智能云披露，其主流模型推理速度领先行业25%。模型能力由此更接近一种可按需取用的云资源，企业无需将全部业务绑定在单一模型上。

其二，智能体推理效率大幅提升。与一次性问答不同，Agent完成任务需要持续拆解步骤、调用工具、处理反馈，长链路推理才是常态。升级后长链路推理性能提升3倍，同样一项复杂任务，轮次更少、时延更低、消耗更省。

其三，Agent Cloud围绕三个“极致”打造运行底座：极致弹性，万级沙盒百毫秒热启动；极致安全，统一管理智能体身份与权限；极致透明，全程追溯执行链路、实时监控核心指标，让Agent随用随起、安全运行、全程可控。

Agent Infra的底层，是性能更强、效能更高的算力集群：要让产业智能体真正跑起来，算力成本必须持续下降、服务必须足够稳定。百度智能云判断，未来仅推理侧就将迎来百吉瓦级需求，且不会只靠一种算力支撑——国产算力将在安全合规、连续供给、成本可控等场景承担更大责任。

昆仑芯是十年磨一剑，在第三代P800出来以后，已经在互联网、金融、能源、制造、汽车、运营商、教育等领域建立了成熟的昆仑芯集群。

集群层面，百度是去年年初国内首批发布超节点的厂商之一，如今天池超节点已在全国多个智算中心实现千柜级部署，可支持万亿参数模型训练；其计算、存储、互联、供电、散热、整柜制造六大模块实现全栈国产化。而且，百度天池超节点已经开放了六大核心模块的技术规范，推动芯片、部件、整机等产业链合作伙伴在同一套架构上高效协同。