寫在 Manus“賣身”后：企業(yè)級 Agent 只會更像軟件，而非魔法

作者 | 水中刀

12 月 30 日 Meta 正式宣布與 Manus 達成全資收購協(xié)議，收購金額高達數(shù)十億美元，成為 Meta 成立以來，僅次于 WhatsApp（190 億美元）和 Scale AI（未披露具體金額）的第三大收購案。

Manus 創(chuàng)始人肖弘將出任 Meta 副總裁，其核心技術(shù)團隊將整體并入 Meta AI 部門，公司將繼續(xù)在新加坡獨立運營，現(xiàn)有訂閱服務(wù)保持不變。肖弘在社交媒體上發(fā)文感慨：

“今天是我一生都難以忘卻的時刻。”

無論從產(chǎn)品還是營銷層面來看，Manus 都堪稱生成式 AI 時代的典型創(chuàng)業(yè)案例，但也有業(yè)內(nèi)專家表示，看來做一家獨立公司很難，通用級 Agent 終究還是巨頭的游戲。

這樣的評價，也源于 Agent 想要落地企業(yè)，本身就存在許多工程交付與產(chǎn)品優(yōu)化問題，而這一般來說是“大廠專利”。就 ToB 場景而言，企業(yè)級 Agent 的使用頻率，與資本、品牌市場層面的“表象繁榮”是有些許錯位的，創(chuàng)業(yè)公司很難組建龐大的工程師團隊圍繞細分場景做長線研發(fā)，遑論貼身服務(wù)客戶，在價值上形成閉環(huán)。

這些所謂的工程交付與產(chǎn)品優(yōu)化問題，大概可分為以下幾類：

• 幻覺：模型帶來的幻覺問題，或許無法被根除，但必須被管理，否則會造成事故。

• 集成：因為數(shù)據(jù)孤島、權(quán)限墻的存在，Agent 在很多時候等于“綁著雙手”工作。

• 運維：如何系統(tǒng)地解決版本回歸、評測、灰度、告警、審計等問題。

• 成本可控：Agent 模式下，Token 成本的管理是核心。這里不僅指的是 Token 單價，也包括失敗重試、長鏈路、多輪工具調(diào)用帶來的不可預(yù)測。

沒有一項適合創(chuàng)業(yè)公司寫進“性感”的融資 PPT 中，但每一項都是 B 端客戶最關(guān)心的問題。在真實的企業(yè)場景里，用戶不太關(guān)心 Token 增量數(shù)字，甚至也不太關(guān)心產(chǎn)品的想象空間，他們更聚焦當下，更關(guān)心：能不能讓他現(xiàn)在就少干活，少做回歸、少挨罵。

因此當在 IDC《2025 年亞太區(qū) AI 賦能前臺對話式 AI 軟件廠商評估》

報告里的領(lǐng)導(dǎo)者象限看到騰訊云的時候，我非常驚訝——這是唯一的一家中國廠商，而且相比于為了 Token 調(diào)用量去猛卷品牌和市場的一眾廠商而言，或許相比于卷品牌市場，騰訊云更喜歡、也更擅長卷產(chǎn)品經(jīng)理，這次站到領(lǐng)導(dǎo)者象限，我不會將其視作“冠軍獎杯”，反而更像在即將到來的 2026 “困難副本”里，階段性通關(guān)的一個樣本。

Agent 越來越像軟件產(chǎn)品，而非魔法

當大家都在用品牌市場把 Token 用量推上去時，另一條更務(wù)實的路線是：把 Agent 當產(chǎn)品做，當軟件做。

這條路或許短期不性感，但更容易在全球化的競爭中活下來。實際上，企業(yè)也正把 Agent 馴化成“可控、可審計、可觀測”的系統(tǒng)組件，且都要放在精確的業(yè)務(wù)背景下來談。

這是一項龐雜的工作，只有產(chǎn)品型團隊能夠勝任，且完成長期進化。

舉個例子，RAG 不是個新技術(shù)，對于許多項目型團隊，平臺提供 RAG 能力，主要的交付任務(wù)就已經(jīng)完成了，剩下的“用量增加”指標，應(yīng)該交給品牌市場和銷售去完成。

但如果作為產(chǎn)品來看，RAG 的迭代空間依然很大。

傳統(tǒng) RAG 的核心是兩段式流水線：檢索，生成。但其中的每一段都可能出現(xiàn)問題。

對于檢索層來說，傳統(tǒng) RAG 的問題是：拿來的資料就可能不對。實際上，檢索不是事實保證，只是相似性排序。比如：

• 召回偏差：Top?k 里缺了關(guān)鍵證據(jù)（查詢 A，檢索提供的是“看起來像 A”的 B）；

• 斷章取義：檢索時丟失了關(guān)鍵限定條件，如時間、范圍、例外條款等；

• 語料過期 / 錯誤：只能取內(nèi)容，不能鑒別真?zhèn)危?/p>

• 多文檔沖突：檢索到互相矛盾的片段，模型可能會“自作主張”進行融合；

以上狀況都會導(dǎo)致引入 RAG 技術(shù)后，幻覺繼續(xù)出現(xiàn)。

生成層的問題同樣不少，核心是就算證據(jù)在眼前，模型也可能不用或用錯。

比如：

• 證據(jù)利用失?。耗Ｐ汀翱匆娏恕?，但沒按證據(jù)約束輸出；

• 證據(jù)到答案之間需要推理：片段只給了局部信息，模型需要補全邏輯，補全時出現(xiàn)幻覺；

• 過度概括：LLM 的訓練目標偏向流暢與連貫，而不是嚴格可證；

• 指令沖突：系統(tǒng)提示說“只基于資料”，用戶又要求“給個確定結(jié)論”，模型可能選擇“滿足用戶”；

二者問題疊加，以至于傳統(tǒng) RAG 技術(shù)有非常大的局限性。大部分廠商對此的回答是：這是大模型天然的問題，在答案準確度要求較高的場景，不要使用大模型技術(shù)。

這話一半是對的，一半是錯的。對的部分是，大語言模型存在幻覺確實是底層技術(shù)原理導(dǎo)致的，屬于生成式 AI 的“本性”。錯的部分是，存在不等于失控，如果從產(chǎn)品視角來看，RAG 仍有非常大的優(yōu)化空間。

騰訊云智能體開發(fā)平臺的主張是把 RAG 做成“Agentic”的形態(tài)： 不是一次檢索一次回答，而是能規(guī)劃、多次工具調(diào)用、跨文檔推理與證據(jù)聚合。

所謂 Agentic RAG ，核心在于賦予了系統(tǒng)“思考，行動”的循環(huán)能力，而不是簡單的“檢索，生成”。其關(guān)鍵能力包括：

• 任務(wù)分解與規(guī)劃：能夠理解復(fù)雜問題，并將其拆解為多個子問題，逐步解決；

• 條件化檢索：可以判斷何時需要檢索，以及應(yīng)該從哪個數(shù)據(jù)源進行查詢；

• 自我反思與糾錯：當發(fā)現(xiàn)檢索結(jié)果不準確時，能夠主動調(diào)整檢索方向，迭代優(yōu)化答案；

• 工具使用：不僅能進行文本檢索，還能調(diào)用外部工具（如數(shù)據(jù)庫、API、知識圖譜）來獲取和處理信息；

• 多智能體協(xié)作：多個智能體可以協(xié)同工作，分工合作解決更復(fù)雜的任務(wù)；

通俗來說，Agentic RAG 的核心目標不是“檢索得更多”，而是讓模型在流程上更像一個人，而不是一個 SaaS 插件。

當然，Agentic RAG 也不能根除幻覺問題，但可以將幻覺出現(xiàn)的空間壓縮。對于對正確性要求極高的環(huán)境而言，Agentic RAG 能夠反復(fù)驗證事實、查詢多個來源，盡可能確保答案的準確性。

另外當進行復(fù)雜的數(shù)據(jù)庫交互時，Agentic RAG 也能自主使用工具改進查詢策略，避免查詢失敗。

最后，Agentic RAG 也使得系統(tǒng)能夠持續(xù)整合新數(shù)據(jù)，并隨著對問題理解的加深而動態(tài)調(diào)整策略。

當然，Agentic RAG 自身也存在問題，尚未成為 RAG 應(yīng)用的標配。比如，Agentic RAG 構(gòu)建與維護成本比較高——有企業(yè)在嘗試構(gòu)建商用級智能體時，遇到了知識庫上傳限制、問答準確率低等工程化難題，需要專業(yè)的陪跑支持才能解決。這與更簡單的 GraphRAG 面臨的構(gòu)建維護成本高的問題類似。

同時，Agentic RAG 的技術(shù)整合復(fù)雜度也比較高，需要將規(guī)劃、反思、工具調(diào)用等多個模塊有效整合，并確保它們協(xié)同穩(wěn)定工作，存在一定的技術(shù)難度。

但這對騰訊云智能體開發(fā)平臺而言，似乎并不是個大問題——畢竟其入選 IDC 報告領(lǐng)導(dǎo)者象限的一大核心能力就在于此。

從 RAG 到 Agentic RAG，騰訊云智能體開發(fā)平臺的案例在透露一個信號：Agent 終于開始像工程一樣被討論，它越來越像軟件產(chǎn)品，而非某種神奇的魔法。

歸根結(jié)底，我們終究需要一些沒那么浪漫，但是很值錢的解決方案。

生產(chǎn)環(huán)境不相信“愿景”

與 RAG 境遇類似的是 Multi-Agent。

區(qū)別在于，Multi-Agent 畫的“餅”更大——產(chǎn)品經(jīng)理 Agent 寫 PRD，架構(gòu)師 Agent 拆模塊，開發(fā) Agent 寫代碼，測試 Agent 生成用例與 fuzz，安全 Agent 做依賴掃描與漏洞推演，最后 Reviewer Agent 做代碼審查與風險簽署。

這樣一種群體智能在企業(yè)場景的落地實現(xiàn)，讓無數(shù)企業(yè)主心動。

但事實是，Multi-Agent 非常依賴 Agent 平臺的“工作流編排”功能，也就是一個極度確定性的執(zhí)行流程。而在企業(yè)內(nèi)，許多業(yè)務(wù)場景可能不存在一個明確的 SOP，且越貼近實際業(yè)務(wù)，越是如此。理論上 AI 應(yīng)用應(yīng)該和傳統(tǒng) SaaS 應(yīng)用存在明確的產(chǎn)品界限，支持更有好的交付，更低的使用門檻。

當行業(yè)需要某一項產(chǎn)品能力，但主流廠商都不支持時，就來到了騰訊云的“舒適位面”。騰訊云 Multi-Agent 同時支持“零代碼自由轉(zhuǎn)交協(xié)同”與“工作流編排”，并新增 Plan-and-Execute（試用階段）。

• “自由協(xié)同”更像提高靈活性，適合探索型任務(wù)；

• “工作流編排”更像提高可控性，適合流程明確、穩(wěn)定性要求高的任務(wù)；

• Plan-and-Execute 適合復(fù)雜報告 / 網(wǎng)頁等任務(wù)拆解。

這本質(zhì)上是在同時覆蓋探索型智能與生產(chǎn)型智能：自由協(xié)同適合需求不清、路徑不定的探索任務(wù)；工作流編排更適合流程明確且穩(wěn)定性要求高的業(yè)務(wù)；而 Plan-and-Execute 則補上復(fù)雜任務(wù)的“先規(guī)劃再執(zhí)行”能力，便于把報告撰寫、網(wǎng)頁生成等長鏈路工作拆成可并行、可回滾的子任務(wù)。

如果后續(xù)還能配套預(yù)算 / 停止條件、驗收關(guān)卡與權(quán)限治理，這套組合就能把“好用的演示”更可靠地推向“可用的生產(chǎn)”。

中國 ToB 軟件行業(yè)的難點之一是，企業(yè)永遠會在客戶的定制化需求和高利潤標品之間搖擺不定?，F(xiàn)在騰訊云智能體開發(fā)平臺，似乎利用 AI 技術(shù)找到了很好的折中點：

既可以面向混沌由 AI 新建流程，又可以面對確定流程交付確定結(jié)果。

這種一邊識別市場真需求，一邊利用 AI 能力“既要又要”的模式，幾乎可以在騰訊云智能體開發(fā)平臺 2025 年的所有主要更新中見到。

比如，近日，騰訊云智能體開發(fā)平臺推出全流程 AI 原生的 Widget 功能，支持自然語言生成和模型原生輸出 Widget 組件。這是國內(nèi)首家從創(chuàng)建到使用全流程都實現(xiàn)了更 AI native 的 Widget 應(yīng)用方式。

Widget 是一種支持嵌入在對話中的自定義展示組件，可呈現(xiàn)圖文、表單、操作按鈕等多類型內(nèi)容。

國內(nèi)智能體平臺的“卡片”功能整體支持組件范圍非常有限（尤其是輸入類組件），實現(xiàn)方案主要是采用可視化拖拉拽構(gòu)建前端，再通過手動一一匹配編輯前端組件和數(shù)據(jù)字段的映射關(guān)系實現(xiàn)。一般流程比較復(fù)雜、輸出效果也不太穩(wěn)定。

騰訊云智能體開發(fā)平臺推出的 AI 原生 Widget，兼容 OpenAI Widget 協(xié)議，用戶可通過模板創(chuàng)建、代碼創(chuàng)建、甚至自然語言生成等不同方式配置，自定義創(chuàng)建符合業(yè)務(wù)需求的專屬展示單元。

簡單來說，開發(fā)人員現(xiàn)在可以用自然語言生成表單，并且將其用在和智能體的交互中，降低交互式組件的開發(fā)門檻。

目前，騰訊云智能體開發(fā)平臺的 Multi-Agent 和工作流模式均已支持 Widget 創(chuàng)建和使用。

客戶要的 Multi-Agent “零代碼自由轉(zhuǎn)交協(xié)同”，有了；用戶要的 AI 原生 Widget，也有了。騰訊云向客戶 / 用戶靠攏的速度，實在是有些快了。

在過去三年 GenAI ToB 的主流敘事里，這個需求幾乎有些奢侈：過往，企業(yè)是被 AI 輿論裹挾的。AI 有什么就擁抱什么，擁抱不了要反思一下姿勢對不對，是不是不夠 AI-Native？

騰訊云的想法是，AI 同樣需要具備產(chǎn)品思維，主動靠近業(yè)務(wù)的實際需求和情況，提高端到端復(fù)雜任務(wù)的完成率。

更進一步看， 產(chǎn)品化的本質(zhì)是擁抱變化、持續(xù)進化，這會讓企業(yè)在全球化戰(zhàn)略盛行的今天，走得更穩(wěn)健。

通關(guān)東南亞的“壓力測試場”

國際市場最終看中的不只是客情和渠道，還包括最核心的產(chǎn)品能力。

這是文章開頭提到的 IDC 這份瞄準亞太區(qū)的報告，有著極高的準入門檻——

亞太區(qū)，尤其是東南亞，是典型的企服“壓力測試場”，核心挑戰(zhàn)包括：語言與語境極端多樣性、監(jiān)管與部署要求

在“語言和語境的極端多樣性”方面，企業(yè)需求遠遠超出當前模型能力。報告提出，真正可用的系統(tǒng)不僅要覆蓋更多本地語言和方言，還要深入理解行業(yè)術(shù)語、業(yè)務(wù)表達與文化語境——這不僅是自然語言處理的問題，更是對業(yè)務(wù)理解能力的要求。

而在“區(qū)域監(jiān)管和部署要求”方面，一些企業(yè)甚至無法將關(guān)鍵工作負載部署在單一的公有云上，迫使供應(yīng)商必須提供本地部署、私有云、混合云等多種形式。

所以在報告的入選門檻上，IDC 要求供應(yīng)商必須提供可商業(yè)化的產(chǎn)品或服務(wù)，且客戶需至少連續(xù)使用一年；必須具備面向前臺業(yè)務(wù)的對話式 AI 開發(fā)能力；在亞太及日本地區(qū)擁有本地機構(gòu)，并至少在三地設(shè)有辦公室且區(qū)域營收占比超過 10%；在 2024 年至少擁有三家將 FOC AI 解決方案投入生產(chǎn)使用的區(qū)域客戶，同時該地區(qū) FOC AI 收入需超過 300 萬美元。同時，解決方案必須支持典型客戶場景（如客服、營銷與銷售），具備大型語言模型能力，并保持生態(tài)系統(tǒng)開放性，可與多種企業(yè)系統(tǒng)集成。

而除了以上兩方面技術(shù)產(chǎn)品優(yōu)化，騰訊云的一大入選原因也在于成熟的本地化和靈活的部署方式。

騰訊云在整個亞太地區(qū)（不包括印度）都有客戶基礎(chǔ)，并在新加坡、馬來西亞、印度尼西亞、泰國和香港等地設(shè)有本地化的銷售和支持團隊。

另外，針對受監(jiān)管行業(yè)（如金融服務(wù)業(yè)），騰訊云的 FOC AI 產(chǎn)品提供從私有化部署（on-premises）到 SaaS 部署的多種部署選項。

對于眾多在 AI 時代完成全球化布局的企業(yè)而言，這絕對是個好消息。

比如全球最大的跨境物流服務(wù)商之一 DHL ，覆蓋全球兩百多個國家和地區(qū)，提供國際快遞、貨運和供應(yīng)鏈解決方案服務(wù)，擁有全球最大的航空快遞網(wǎng)絡(luò)之一，恰恰最需要成熟的技術(shù)產(chǎn)品交付能力、本地化的支持，以及靈活的部署方式，因此在客服系統(tǒng)的智能化升級上，和騰訊云智能體開發(fā)平臺走到了一起。

如其他國際物流巨頭一樣， DHL 的客服系統(tǒng)面臨著嚴峻挑戰(zhàn)，如：繁多的貨運環(huán)節(jié)，較長的物流管理流程，既要滿足本地化適配，又要滿足全球化管理的協(xié)同需求。

通過接入騰訊智能體開發(fā)平臺，DHL 將傳統(tǒng) AI 客服升級為「大模型客服」，集成到企業(yè)小程序、官網(wǎng)、公眾號，C 側(cè)用戶通過對話形式進行問答，幫助自動化處理快遞寄件、收件、信息查詢等超過 40 類過程復(fù)雜且分支較多的任務(wù)，減輕人工客服壓力，提升業(yè)務(wù)服務(wù)效率和質(zhì)量。

最終，DHL 人工維護的知識條數(shù)從超 900 條下降至 119 條問答，轉(zhuǎn)人工客服絕對數(shù)減少 200 人次 / 天，機器人解決率從 69% 提升至 74%。

這是 Agent 平臺型產(chǎn)品，在高度復(fù)雜的業(yè)務(wù)環(huán)境下的真實落地案例。

有行業(yè)專家判斷，Agent 會是 2026 年最主要的 AI 商業(yè)化機遇。那么不如說，Agent 背后的產(chǎn)品思維、工程能力、交付能力、進化能力、全球化能力，就是 2026 年企服領(lǐng)域競爭的重點。

從這個角度看，騰訊云為大家做出了極好的示范。

今日薦文

你也「在看」嗎？