2025年熱門的AI Agent方向及國內外代表產品

2025年作為Agent發展元年，Manus敲響了AI 應用大發展的號角，各種Agent應用層出不窮。這些智能體基本框架是怎樣的，哪些更有前景？

最近在海外看到一張「2025 年 AI Agent 技術趨勢全景圖」，覺得非常精彩，分享出來和大家交流。

這張圖是 《Agentic AI：利用 AI 代理重塑商業與工作》作者拉凱什·戈赫爾所做，看趨勢圖之前，可以先看這張涵蓋LLM Workflow、RAG、AI Agent、Agentic AI等常見概念名詞的解讀。

再來重點看這張趨勢圖，把未來一年最有可能落地的 Agent 形態、核心協議棧、工程框架與典型場景全部壓縮在一張圖里，非常清晰明了幫助大家完整理解Agent。

1

中心主題

中間的圓環標明了 2025 AI Agent Trends 的六大類趨勢：

• Agentic RAG（推理型檢索增強生成）

• Voice Agents（語音智能體）

• CUA（Computer Using Agents，能像人類一樣操作電腦的智能體）

• Coding Agents（代碼智能體）

• Deep Research Agents（深度研究型智能體）

• Agent Protocols（智能體協議）

六大Agent趨勢的外圈是代表產品，圓圈四周是每個Agent的流程圖。我們來具體解讀下，這里在每個Agent領域，鯨哥增加了國內這個類型的代表產品。

6大 Agent 模式

1

Agentic RAG

定義：一種結合檢索與推理的 AI 智能體工作流，用于實時數據檢索和生成。

流程：

• Memory（記憶）：保存上下文信息

• Planning（規劃）：確定任務步驟

• System Prompt（系統提示）：定義任務邏輯

• Agent（智能體）：執行任務

• Tools（工具） + Vector Search（向量搜索） + Knowledge DB（知識庫）：從外部數據庫檢索信息

• Generate（生成）：輸出結果

國外代表：

• PerplexityAI：主打即時信息檢索+引用來源，類似搜索引擎+AI顧問

• Harvey：面向法律行業的專業推理與檢索

• Glean：企業內部知識檢索與智能問答

國內代表：

• 秘塔AI搜索：聚焦本地化搜索+實時問答

• 百度文心一言 + 搜索增強：結合百度搜索做事實檢索

• 360納米搜索：整合360搜索的即時信息流

2

Voice Agents

定義：通過自然語言與用戶交互的智能體，支持語音輸入與輸出。

• STT（Speech-to-Text） 將語音轉文字

• Embedding Model + Retrieval API + Vector DB 處理信息

• Agent 進行任務執行

• TTS（Text-to-Speech） 將結果轉為語音

• 可接入 Gmail、Telephony 等渠道

場景：智能客服、語音助理、電話機器人

國外代表：

• OpenAI GPT-4o Voice：多模態對話，低延遲語音交互

• Alexa LLM（亞馬遜）：智能家居+語音助手

• Apple Siri（升級版）：與Apple Intelligence結合的智能助手

• Meta’s Voicebox（研發中）：多語言語音生成

國內代表：

• 豆包：強實時語音識別與合成

• 小愛同學（小米）：深度嵌入IoT生態

• 天貓精靈（阿里）：智能家居+購物語音控制

• 華為小藝：跨設備語音助手

3

CUA（Computer Using Agents）

定義：能夠像人類一樣操作電腦的軟件和界面。

• 使用 語言模型 解析用戶指令

• 獲取 桌面環境數據（Desktop Sandbox）

• 結合 Vector DB、Memory、第三方工具（如 Stripe、DoorDash） 執行任務

場景：自動化辦公、桌面軟件操作、RPA（機器人流程自動化）

國外代表：

• Devin（Cognition AI）：能直接在電腦環境中開發、調試、部署代碼

• MultiOn：能代替用戶操作網頁、表格、日歷等

• Adept ACT-1（研發暫停）：早期探索自動化辦公

國內代表：

• 扣子空間（字節跳動）：低代碼構建多場景桌面操作

• MuleRUN：具備系統級操作的能力

• Fellou：網頁與桌面操作的自動化執行

4

Coding Agents

定義：能 10 倍速構建和調試應用的 AI 智能體。

• 用戶提出 Query

• Agent 選擇合適工具執行（代碼生成、調試、測試）

• 輸出成品代碼或測試結果

工具鏈：

• Code Generator：生成代碼

• Code Debugger：調試代碼

• Test Runner：自動化測試

場景：軟件開發、自動化調試、代碼審查

國外代表：

• GitHub Copilot Workspace：支持從需求到部署的全鏈路編碼

• Cursor：IDE級AI編程助手

• Replit Agents：可多步生成、運行、調試代碼

國內代表：

• 通義靈碼（阿里）：嵌入IDE的代碼生成與調試

• 百度Comate：結合文心大模型的智能編程工具

• 字節Trae：全流程的AI IDE產品

5

Deep Research Agents

定義：多智能體協作，構建深度研究型報告。

• 用戶需求 → Aggregator（聚合器）

• 分發給多個 Sub-Agent（子智能體）

• 各自檢索、引用（Citation Agent）、分析

• 聚合輸出報告

場景：市場調研、學術研究、情報分析

國外代表：

• OpenAI Deep Research（2025新功能）：多Agent長期調研

• Perplexity Pro Search：支持多步調研與引用

• LangChain + Agents：自定義研究工作流

• Vulcan Research AI：行業情報自動生成

國內代表：

• 夸克深度搜索：支持多輪長程研究

• 阿里通義助理 Deep Search：針對行業報告和市場分析

• 百度文心智研：自動生成調研大綱與全文

6

AI Agent Protocols

定義：統一的多智能體通信協議，簡化跨平臺協作。

關鍵技術：

• MCP、ACP、A2A（Agent-to-Agent） 協議

• Google ADK、LangGraph、Cisco SLIM

• Agent 發現與連接

• 任務流轉與結果回傳

• 支持流式與非流式數據處理

意義：打通不同智能體和工具間的交互，形成互通生態

國外代表：

• Google AI Device Kit（ADK）：多Agent跨設備調用

• LangGraph：可視化多智能體協作編排

• Cisco SLIM：企業級Agent通信標準

• OpenAI MCP（Model Context Protocol）：跨模型的上下文共享

國內代表：

• 字節跳動Coze協議層：支持不同Bot的消息與任務協作

• 阿里云AgentFlow：跨Agent編排與協議轉換

• 騰訊云智鏈協議：支持企業多Agent互通

• 華為MetaAgent標準：IoT與大模型互通協議

戈赫爾還制作了Agent L1-L5的發展標準：

Level 5 – 完全自治智能體

• 具備自我改進能力，完全自主

• 持續學習與推理

• 無需人工干預

• 以目標為驅動，具備多模態感知

• 能感知復雜環境

• 能基于過往經驗進行規劃

• 能基于反饋進行推理和學習

• 具備自然語言理解

• 工具編排

• 基礎AI系統，自治性有限

• 簡單機器學習用于模式識別

• 提供部分決策支持

• 剛性、基于規則的系統，無學習能力

• 簡單的 if-then 邏輯

• 手動使用工具完成操作

• 無適應性和智能

并認為得益于 GPT-5、Claude 4.1、Grok 4 和其他內置Agent的基礎模型突破，當下Agent正朝著以下模式發展：

• 多智能體協作化：從單一 AI 升級到多智能體分工協作。

• 多模態輸入輸出：語音、文本、代碼、桌面操作都可以接入。

• 工具鏈深度集成：每類智能體都配合檢索、數據庫、測試和第三方 API。

• 跨協議互通：通過標準化協議讓不同廠商、不同類型智能體無縫交流。

• 高自動化程度：很多智能體可直接替代人工執行復雜任務。