前Liblib CTO創業，打造Agent基礎設施，可秒級調用上萬種工具

現在，AI 正在變得越來越聰明，但是一個現實的問題是：重要的事情可以直接交給它去完成嗎？

ChatGPT、豆包、元寶能幫你查天氣、訂機票，但你敢用它做投資決策嗎？問題的關鍵不在于現在的大模型不夠強，而在于它們尚不具備真實世界的感知和行動能力。

需要了解的是，要想得到高質量的金融分析報告，僅靠大模型本身編碼的靜態知識是遠遠不夠的，大模型需要像投研專家一樣實時動態的獲取最新的政策、新聞、產業鏈、輿情、行情等多維信息和數據，并使用專業的金融分析工具進行精密和精確計算，如此才能得到一份真正可用的金融分析報告。

而現實的問題是，現階段大模型智商很高，具備強大的理解、分析和規劃能力，但在現有的數字世界中“眼瞎手殘”，像被困在玻璃缸中的“缸中之腦”，無法高效、便捷、低成本地感知和操作現實世界。

要有效解決這個問題，就需要為大模型接入一套感知和行動層的基礎設施，讓它成為在數字世界中無所不知、無所不能的真正的超級智能體。

一家名為 Qveris AI 的初創公司，聚焦于 Agent 時代的 Infra 層，正致力于為 Agent 設計原生搜索和行動路由引擎。據悉，截至目前該公司已獲得近千萬元種子輪融資。

如果說具身智能是為 AI 安上了與現實世界交互的“身體”，那么 Qveris AI 正在做的事就是給智能體（Agent）裝上了數字世界的“眼、耳、手、腳”。也就是說，接入這套基礎設施之后，大模型和智能體就能自己查數據、用工具，真正實現與現實數字世界的連接和互動。

“簡單來理解我們做的事情，是構建 AI 時代可被大模型和智能體使用的所有開放服務、資源和能力的 AI-Ready 數字孿生引擎，幫助大模型和智能體在數字世界中快捷、高效、低成本、實時動態的搜索和調用所需的專業、權威、可信的數據和工具能力。”Qveris AI 創始人兼 CEO 王林芳告訴 DeepTech。

Agent 接不上真實世界，問題出在哪里？

互聯網的數據與工具生態為人類設計，Agent 缺少統一、可信、標準化的供應層。從領域現狀來看，不同的專家分散在不同的平臺，例如金融、理財、計算等等。

舉例來說，你要做金融投資，正在考慮買黃金、比特幣、股票或債券。這是一項復雜的任務，即使人類去做也可能需要咨詢各類專家，包括金融銀行經理、理財經理、投資顧問，還可能需要去網絡上看一些專家發言等作為參考資料。

現在人們常用的做法是：讓大模型用深度研究（Deep Research）模式，或找專業的金融 Agent 幫忙做全面的信息調查和推薦建議。

那么問題來了：面對海量數據查詢和對比、海量的免費和付費信息和跨供應商、跨平臺的挑戰，大模型的能力能行嗎？實際上，Agent 現在仍處于技術的早期階段，如果它拿不到真實、可信和高質量的數據，它生成的報告或未必正確，或質量水平很低。

盡管現階段大模型性能高、能對話聊天，但當面臨專業數據、專業工具甚至專業服務時，大模型的能力便“捉襟見肘”：即便是當下前沿團隊開發的產品，能夠調用的數據源和工具數量大概在數十個到百個，且搜集、對比、接入、評估、驗證的難度、成本和時間周期都很高。

面對專業級別難度的問題，AI 極有可能因找不到實時、可信、權威、專業的數據，僅靠訓練時的記憶給出推測的答案。所以，AI 最大的問題不是不夠聰明，而是被困在“光說不練”的世界里。這并不是某個模型、某個產品的單一局限性，而是當前整個 Agent 生態普遍面臨的結構性問題。

AI 會思考，但缺一層“行動基礎設施”

事實上，行業已經達成共識：大模型已經具備了驚人的“大腦”思考能力，但極度缺乏感知和改變現實世界的“手腳”。為了填補這一空白，市場正在經歷從單一的技術探索向系統化基礎設施建設的轉變。放眼整體生態，目前主要存在三類關鍵的建設路徑：標準協議層、模型算力層以及新興的“行動基礎設施”層。

第一類是標準協議層，以 Anthropic 等機構推出的 MCP（Model Context Protocol）為代表。這類協議制定了 AI 與世界溝通的語法規則，解決了如何連接的標準化問題。但這僅僅是鋪設了管道，管道中流動的內容——豐富、可用的工具資源，仍然處于匱乏狀態。

第二類是模型算力路由層，例如 OpenRouter。它們聚合了來自全球不同廠商的頂尖模型 API，解決了開發者獲取智力資源的便利性問題。

“這類平臺解決了‘大腦’的供給問題，屬于核心算力層。但對于一個完整的 Agent 而言，光有大腦是不夠的。”王林芳表示，Agent 要真正落地，需要面對的是一個復雜、非標、數據分散的現實世界。而 Qveris AI 聚焦的正是模型之外的行動能力——將各行各業的技能與服務，轉化為 AI 可理解、可調用的資產。

從技術演進的宏觀視角來看，我們正處于一種全新的運行模式切換期：互聯網時代是“人類搜索+人類執行”；大模型初期開啟了“人類輔助+AI 生成”；而現在，我們正在進入“Agent 自主資源調度+Agent 自主執行”的新階段。

然而，現有的互聯網是為人類設計的，而非為 Agent 設計的。這導致了一個巨大的范式鴻溝（如下表所示）：

（內容來源：王林芳；制圖：Nano Banana Pro）

由此可見，強行讓 Agent 去使用為人類設計的網頁或接口，效率極低且極不穩定。Qveris AI 的核心定位正是基于此，來構建互聯網上可被大模型和智能體使用的“AI-Ready”數字孿生引擎。

Qveris AI 不僅僅是簡單的工具聚合，而是對數字世界的重構。它將互聯網上開放的服務、資源和能力進行深度的清洗、建模與封裝，把原本適合人類閱讀的“網頁互聯網”，轉化為適合機器調用的“能力互聯網”，使得大模型能夠快捷、高效、低成本且實時動態地搜索，并調用所需的專業數據與工具。

這與 2000 年代初的電商市場頗為類似。彼時，雖然商品豐富，但由于缺乏統一的支付、物流和信用體系，交易成本極高。而 Qveris AI 正在建設的“行動基礎設施”，相當于 Agent 經濟時代的“商業操作系統”：它把所有數字世界的信息交換產品，包括跨領域、跨平臺的資源集合在一起，打通了從搜索、發現、比較到調用、交易的全鏈路。

未來，當 Agent 需要查詢最新的法律條文、預定復雜的差旅服務或調用特定的 SaaS 功能時，它不再需要像人類一樣去瀏覽網頁，而是通過 Qveris AI 的基礎設施，直接以機器的速度連接真實世界。這不僅是技術架構的升級，更是智能體時代釋放生產力的關鍵一環。

為 AI 而生的搜索引擎，解決的不是查信息，而是“找能力”

在 Agent 賽道中，頭部玩家的目標往往是打造 AI 時代的超級應用，成為新的流量入口。憑借強大的工程資源與商務拓展能力，大廠往往傾向于通過自建或深度定制的方式，直接接入高頻、核心的數據與服務（如地圖、支付、主流電商）。然而，現實世界的復雜性遠超單一平臺的覆蓋能力。

對于核心且排他性強的場景，自建連接是合理的選擇；但對于海量、長尾、分散在各行各業的專業工具與數據（如特定行業的合規查詢、垂類 SaaS 操作、實時供應鏈數據），構建一個跨平臺、中立的行動基礎設施，顯然是比單點逐一接入更具性價比的系統化解法。

對于廣大中小 Agent 開發者而言，痛點更為直接：他們擁有敏銳的場景洞察力，卻往往受困于有限的工程與商務資源。要驗證一個創新場景，可能需要對接幾十個不同的 API，每個接口的鑒權、調試、維護都耗時耗力。他們迫切需要一套現成的基礎設施，以極大地縮短開發周期，將驗證成本降至最低。

由此可見，Agent 時代的瓶頸，已不再是算力或模型智商，而是連接成本。

如果說 ChatGPT 等聊天機器人解決了 AI 的思考問題，那么 Qveris AI 致力于解決的便是 AI 的行動問題。

Qveris AI 通過構建 AI-Ready 的數字孿生引擎，為開發者帶來三大核心價值：

·語義級快速發現（Semantic Discovery）：AI 獲取工具不再局限于預置的幾十個插件。面對用戶的復雜意圖，Qveris AI 能夠基于語義理解，在海量資源庫中以秒級速度匹配最適合當下的工具或數據源，實現從關鍵詞搜索到意圖匹配的進化。

·標準化一鍵調用（Unified Execution）：將原本需要耗時數月的商務談判與 API 對接工作，壓縮為幾行代碼。通過統一的 Schema（數據結構）定義，Qveris AI 屏蔽了底層數萬個工具的異構差異。開發者只需對接一個標準接口，即可調度萬級以上的標準化工具，極大降低了集成復雜度。

·動態路由與高可用（Dynamic Resilience）：這是企業級 Agent 穩定運行的保障。Qveris AI 充當了智能路由器的角色，當某個工具因網絡波動、服務中斷或價格調整不可用時，系統能自動尋找并切換至同類備選方案。

王林芳解釋說道：“我們接入了全網的工具和搜索+調用的能力，包括進行 Agent 的搜索排序。例如，在同花順無法使用時，這套基礎設施可以查詢東方財富、彭博等同類數據。這樣一來，開發者始終能夠獲得實時的替代方案，不會受到單一服務提供方的限制或中斷的影響。”

從搜索到 Agent：一個長期主義者的判斷

要把搜索、調用、評估和交易整合成一套系統，本身并不是一個輕量級工程。回顧王林芳的職業經歷，她在搜索領域的積累為創業奠定了基礎。

其本科和碩士畢業于清華大學電子系，研究生時期曾在微軟亞洲研究院實習，畢業后加入微軟，在 Bing 搜索引擎負責工作包括百億級網頁爬蟲、索引、多模態理解、知識圖譜等。

后來，她加入了一家創業公司 Opera News 做大規模推薦引擎。2018 年，王林芳來到京東 AI 研究院，主要聚焦于 AI 視覺算法及應用。2022 年底 ChatGPT 出現后，她意識到這是 AI 領域的一個重大機遇。于是她 2023 年中從京東離職開始探索創業之路，以 CTO 的身份加入了 Liblib AI，打造了國內領先的開源開放多模態模型社區和工具平臺。

圖丨王林芳（來源：王林芳）

2025 年 6 月，她正式成立了 Qveris AI。據了解，目前該公司已與數家企業達成合作，其中包括知名通用 Agent 開發商，以及多家專注于金融與科技領域的 Agent 公司，年收入已到達數百萬元。

在王林芳看來，云廠商、SaaS 服務商以及各類數據工具提供方，本質上屬于資源供給側；而 Qveris AI 則處于連接供給與需求的索引分發層，兩者生態位截然不同。

“我們希望成為 Model Agent 體系中的‘Google’。”王林芳形象地比喻道，“正如 Google 不生產網頁但索引全網信息一樣，Qveris AI 的核心價值在于其跨平臺的中立性。我們不綁定任何單一云廠商，而是廣泛兼容各類底層基礎設施，將分散在不同云端的服務聚合起來，統一分發給上層的各類模型與開發者。無論你的資源在哪里，無論你使用什么模型，我們都是中間那個高效的連接器。”

Agent 經濟的長期想象

Agent 經濟給我們留下了想象空間：Agent 的發展可能是非線性的，并在各種業務中得到廣泛應用。

王林芳指出，未來 10 年內，有可能 90% 的業務都會由 Agent 自主完成。“盡管每個領域都有最好的工具，但發展路徑總是先有再優，就像搜索引擎的覆蓋面優于人工精選一樣，我認為搜索模式更適合現在和未來較長一段時間的需求。”

當 Agent 開始自主搜索、比價、決策并執行，人類與技術的關系或許會再次發生改變。在這個過程中，真正重要的，不只是模型有多聰明，而是它能否被接入一個更開放、更透明、更可信的世界。

如果說過去的互聯網連接的是人，那么正在形成的 Agent 網絡，連接的將是能力本身。

排版：劉雅坤