豆包、千問與Kimi，站在AI Agent的岔路口

文 | 光子星球

“真正決定企業未來的轉折點，正在發生，不是遠方的AGI，而是當下的智能體。”

這是谷歌在開年給出的最強預測，2026年將是AI Agent的爆發之年。

一個重要的趨勢是，AI正在從回答問題，走向理解目標、制定計劃，并跨系統采取行動。這意味著，未來Agent將不僅僅是對話型AI，而是能夠完成復雜任務和交付的生產力工具。

在中國，AI Agent發展大致可以分為兩個階段，前一階段重對話、搜索，各類AI助手類應用層出不窮，并未分得出高下。從用戶量上看，幾個熟面孔包括巨頭公司的代表有抖音豆包、騰訊元寶和阿里千問，創業公司的代表有DeepSeek和Kimi等。這一階段的本質是流量入口和用戶習慣的爭奪。

時間來到2025年末和今年初，進入第二階段后，AI Agent發展呈現出明顯分化。各家依據自身的戰略和資源，瞄定了不同價值方向。

豆包深化在語音對話、圖片與視頻生成領域的娛樂化應用；千問依托阿里系生態優勢，聚焦生活服務，扮演“行政管家”角色；Kimi則將重心放在生產力方向，通過自研Agent模型推動AI與工作流的深度融合。

回到谷歌開頭的論斷，從豆包、千問和Kimi身上已經初見端倪。差異化競爭的背后，是逐漸達成的共識，AI Agent的價值，最終必須由解決實際問題的能力來定義。

輸入決定交付

探究是什么原因造成了豆包、千問與Kimi們的不同選擇，或許要回到一個簡單的原理，即輸入決定輸出的質量。

這一法則，在AI Agent時代被賦予了新的涵義，Agent所依賴的輸出，已經不僅僅是用戶的簡單指令，更包括了其對任務上下文的深度理解、對可用工具的精確調用以及對多步驟流程的可靠規劃。

從輸入與輸出的角度看，豆包的輸入場景根植于字節的娛樂與內容生態。它的輸入是開放、多模態的創意靈感。用戶可以提供一段文字、一張圖片、一句語音，甚至只是一個模糊的想法。這種輸入的不確定性和娛樂導向，要求模型具備強大的聯想能力和內容生成能力。

豆包更傾向于將任務邊界限定在創意內容生成領域，不追求解決一個確切的問題，而是激發創意的過程，其核心指標是內容的新穎性、趣味性和傳播度。

交付的結果往往是一個短視頻腳本、一張趣味圖片或一段配音，價值在于激發用戶的二次創作和社交分享。在抖音火起來的“模擬站姐生圖”“我想要占據你絲滑轉場”等均出自于豆包，這相當于完成了從AI生成到用戶交互的接力。

千問打造的是以服務調度為中心的輸入、輸出模式。千問背靠阿里覆蓋衣食住行的成熟生態，輸入的是結構化的生活服務需求。用戶通常提出“訂一張飛往上海的機票”或“買一杯奶茶”這類明確的指令。在輸入中天然包含了時間、地點、商品、服務等因素。

千問的輸入帶有明顯的指向性，Agent任務邊界被劃定在阿里生態可觸及的服務當中。它的核心是將自然語言指令，轉化為準確的API調用，衡量成功的指標是服務的完成率、效率和用戶體驗度。

所想即所得，千問最終交付的是已完成的服務結果，例如一張出票的訂單、一份外賣、一條行程規劃。千問將阿里系的流量聚到一處，其價值在于替代傳統的APP交互，成為服務生態的統一智能入口，未來所能觸及的邊界，取決于連接生態的深度和與外界的互動。

Kimi的方向代表了創業公司的一種取舍，不做生活娛樂、不做多模態生成。Agent更專注于深入研究、數據分析、PPT、網站開發等偏生產力與復雜任務的功能，這些往往需要長程規劃、復雜工具調用，具備高經濟價值潛力。

按照上面的邏輯，Kimi Agent輸入是復雜的專業工作流。用戶多數提交數十萬字的行業文檔、一個多步驟的項目需求或一套需要分析的數據集。該類型的輸入具有超長上下文、高信息密度和強邏輯性的特點。

當Kimi將任務邊界拓展至，需要深度規劃、多工具調用和長鏈條推理的工作流時，其衡量的成功標準就變成了任務的完整交付、專業度與效率的提升。結果是，Kimi交付的是直接可用的工作成果，如一份結構完整的行業報告、一套數據分析圖表等。

和OpenAI的Deep Research思路類似，核心價值在于能夠直接替代部分重復性、低創造性的專業勞動。

Agent的生產力向

不久前，豆包因為發行搭載AI助手版的手機引發熱議，千問也在進一步打通淘系生態后刷屏。因此，這里我們想更多聊一下創業公司代表的Kimi。

當昔日并稱為“AI六小虎”的智譜、MimiMax相繼在港股上市后，外界把疑問拋到了Kimi面前，就差問一句“and you”？

在Kimi創始人楊植麟所發布的內部信中，他回應稱，已完成約合35億元的C輪融資，當前現金持有量超過100億元，短期不著急上市，K3模型進一步Scaling，產品和商業化上聚焦Agent。

回顧去年一年，在Kimi年初轉向基礎模型和Agent研究后，低調的同時也收獲了更多成果。

2025年Kimi以“Token效率（Token Efficiency）+長上下文（Long Context）”為核心技術路徑，打造具備主動規劃與復雜任務執行能力的Agent，并通過算法與架構創新突破現有智能上限。

Token Efficiency和Long Context是Kimi兩個關鍵技術路線方向。為了提升訓練效率，Kimi首次在超大規模模型的預訓練中驗證了二階優化器Muon的價值，相比行業已經用了十多年的傳統Adam優化器實現約2倍的Token效率提升，相當于用同等資源訓練出更高智能水平的模型。

行業專家稱，“現在還能在optimizer這樣fundamental的領域，有這么大的進展，真是讓人吃驚”。作為模型架構層2025年最大的進展之一，Muon優化器后續已經被包括智譜GLM和DeepSeekEngram在內的中國開源模型陸續采用，充分展現了中國開源生態的力量。

拓展上下文能力方面，Kimi提出基于線性注意力改進的“KimiLinear”架構。首次在長上下文任務上性能超越全注意力Transformer，并在百萬級上下文長度下實現6–10倍的端到端速度提升，同時保持更強的記憶與表達能力。

楊植麟提到，Kimi的K2模型是“中國第一個Agent模型”。

通過K2 Thinking的升級，Kimi能夠完成復雜的工具調用并幫助解決高難度問題。Kimi K2在實戰中可以執行兩百多個步驟的復雜任務，已經能夠幫助用戶完成一系列高難度工作，展現出與全球頭部Agent模型競爭的能力。

Kimi的深度研究功能更適合專業用戶使用，不需要有前情提要，直接列出研究要求和可視化需求即可。Kimi能夠快速get到用戶想要的東西，并進一步地確認、明晰要點，盡管這有一點晦澀。緊接著Kimi會自行調取瀏覽器工具，邊搜索邊分析、確認，待結束后生成一份詳細的研究報告和排版好的可視化網頁。

基于深度研究、PPT和通用Agent模式（OK Computer）中的數據分析等能力，Kimi開啟了Agent能力的商業化，以訂閱制為主，不同等級的會員可以使用不同次數的Agent能力。據Kimi全員信稱，全球付費用戶數月增速170%，這在國內普遍免費的大背景下，邁出了艱難的第一步。

在剛剛知名風投機構a16z聯合創始人Marc Andreessen開年演講中，特別提到來自中國的Kimi模型是領先的開源模型之一。從基準測試來看，已基本復現了GPT-5的推理能力，除了全球范圍內“超新星”的DeepSeek外，Qwen、字節、Kimi等也具有強大的競爭力。這里面，Kimi是唯一一家創業公司。

智能的價值

從豆包到Kimi，三位玩家AI Agent路徑的選擇，不僅僅是產品功能的差異，更是對什么是Agent核心價值，這一問題的回答。

不同的理解，決定了他們未來的競爭維度。

豆包定義了如何用Agent處理非結構化創意輸入，交付情緒與互動價值。倒推對模型的要求，需要具備強大的多模態生成與風格模仿能力。生態決定了護城河在哪里，豆包生態是內容創作與分發的流量網絡，其壁壘在于能否持續產出爆款內容并激發UGC。

千問定義了如何用Agent理解結構化商業意圖，交付交易與效率價值，這要求其模型得具備極高的意圖識別準確率與API調用可靠性。千問依賴于阿里的商業操作系統，其壁壘在于對支付、物流、本地生活等服務的無縫整合深度。

Kimi Agent正試圖定義如何用Agent駕馭復雜專業任務，交付生產力與解決方案價值。這需要模型擁有深度的邏輯推理、任務規劃與長程記憶能力。Kimi通過構建專業場景下“模型+工具+工作流”標準，正在加強對于垂直行業復雜需求的理解與滿足能力，吸引的是付費意愿強的專業用戶和組織。

但歸結到一點，豆包、千問、Kimi以及更多的公司，都在定義和量化不同形態的智能價值，并將其產品化。

新的階段，AI Agent讓智能的價值，進一步得到放大。

第一步是價值的Token化，各家將模糊的智能能力拆解為可標準計量的最小單元。這如同曾經為電力配置了千瓦時的單位，使智能的消耗和計價成為了可能，為商業化奠定了基礎。

接下來是價值的流通化，當智能的價值被量化后，便能在生態中自由組合與流通，Agent就成為了智能價值的交易接口。典型如千問，流通的是交易意圖和服務，Token的價值在電商、本地生活等多個場景中流轉倍增。

最后是價值重組，也是谷歌提到的從工具層到工作與組織層的深化。

如果高性價比的智能也能像水電般隨取隨用，企業的底層邏輯有可能被改寫。公司無需招聘專家團隊，只需通過接入專業垂類Agent，就能獲得該領域的頂級能力，從而突破原有的能力壁壘。創新也許不僅限于內部生發，也可來自于對外部智能服務的創造性組合。

正如a16z聯合創始人所言，我們正目睹一種“超通縮”的智能單位成本，與一種“超通脹”的智能應用需求歷史性地相遇。

AI Agent，恰好是創造智能化價值，同時影響價值流向的關鍵。