文｜魏琳華

編｜王一粟

“90%的Agent會被大模型吃掉?！?/p>

7月15日，金沙江創(chuàng)投主管合伙人朱嘯虎一如既往地語出驚人，這次炮轟的是近一年AI圈最炙手可熱的Agent。

在“Agent之年”進程過半的時候，最近傳來的似乎卻多是悲觀的判斷和信息。就在上周，Manus總部遷移至新加坡、國內裁員80人以及放棄國內版本上線的一系列動態(tài)，也讓大眾開始討論起，Manus到底怎么了？

背后有身為美元基金的BenchMark領投、底層模型包含Gemini、Claude等一系列海外模型，加之曾陷入缺算力資源的傳聞，Manus的出走，已經印證為形勢所迫的轉移和調整，而非經營失敗導致的撤退。

但圍繞以Manus為首的通用Agent，它們頭頂的烏云尚未散去：一邊是Manus、Genspark們收入變現的下滑，另一邊是用戶活躍度的下跌。

這種局面，揭示了當下通用Agent賽道的核心問題：在技術熱潮和資本狂歡過后，產品尚未找到能讓廣大C端用戶持續(xù)“忠誠”并為之付費的殺手級應用場景，只能被偶爾拿來做個半成品PPT、找?guī)追輬蟾妗?/p>

通用Agent市場，正在被模型能力的溢出蠶食，也被垂類Agent搶走份額。

轉戰(zhàn)海外，Manus們怎么了？

通用Agent，陷入了一個尷尬的境地。

在幾個月的時間里，通用Agent誕生時的驚艷不復存在：放在企業(yè)里，它無法和垂類Agent的精準比肩；拿到個人手上，它又沒有找到更戳中用戶需求的場景。

模型能力的提升，先對Agent們“砍了一刀”。

隨著大模型能力的飛速發(fā)展，模型本身正在變得越來越“Agent化”，隨著模型性能的溢出，用戶可以直接調用模型來完成任務。

以目前進展更快的AI代碼為例，Anthropic的Claude、谷歌的Gemini系列模型，模型本身的編碼能力就在隨著更新提升，其自研的編碼工具（如Claude Code）不僅能給實現自主編程，優(yōu)化種種產品體驗之外，它的Max會員模式還支持用戶隨意調用自家模型，即使是每百萬輸出tokens收費75美元的Opus 4，單月200美元同樣支持不限量使用。

對比Manus最貴的Pro會員每月199美元的付費模式，價格雖然接近，但Manus的最高檔會員依舊是以積分制消費，Pro會員單月能獲得每日贈送的積分+單月19900積分+限時19900積分，靠任務消耗積分制來服務。按照單個任務100積分估算，一天使用次數也就在10次左右。

制約Manus的成本問題，轉嫁到用戶身上，就是不可消除的高訂閱價。

當模型本身就能提供接近Agent的體驗時，用戶會自然傾向于直接使用更便宜、更便捷的模型API或對話界面，而非額外付費使用一個功能重疊的通用Agent產品。這導致一部分市場份額被能力日益強大的基礎模型直接“吃掉”。

面向用戶來說，對比垂類Agent，通用Agent在企業(yè)端的應用效果不佳，從效率/成果衡量，都無法達到“數字員工”的高度。

朱嘯虎說“90%的Agent市場會被吃掉”，但他所在的金沙江創(chuàng)投也參與了AI Agent項目融資，只是相比于通用Agent，他更看好能真正跑出效率和實際落地的產品。

金沙江投資的Head AI（原Aha Lab），就是一家靠AI Agent做自動化營銷的公司，現在升級為AI營銷產品。用創(chuàng)始人的話來說，只需告訴 Head 你的預算和網站，它就能自動搞定達人營銷、聯盟營銷和 Cold Email——一個人解決一個市場部。

對于企業(yè)用戶而言，準確度和成本是核心訴求。但通用Agent目前還無法與針對特定場景優(yōu)化的垂類Agent相提并論。

如果把一樣的任務交給通用Agent和企業(yè)內部的垂類Agent去做，前者只能靠搜索引擎結合需求給出結果，而后者則會連接到企業(yè)內部搭建好的知識庫，根據內部信息貼合需求輸出，相當于后者身上“綁”了個更充足的資料庫，結果不言而喻。

企業(yè)在引入新技術時，對成本和風險的控制要求極高。通用Agent通常基于龐大而復雜的“黑盒”模型，其決策過程不透明，且輸出結果存在一定的隨機性（即“幻覺”問題）。對準確度要求更高的企業(yè)，顯然無法接受通用Agent不穩(wěn)定的輸出質量。

一位Agent開發(fā)者告訴，企業(yè)通常需要將Agent與內部知識庫、業(yè)務流程系統深度集成，部分簡單的工作則會通過工作流來確保任務準確執(zhí)行。

夾在大模型和垂類Agent之間，通用Agent被兩者各自瓜分走了一大塊蛋糕。

沒場景、待進化

Agent才走了個開頭

在“用不起來”的情況下，用戶對通用Agent熱情也不復當初。

這也導致，以Manus們?yōu)榇淼腃端通用Agent正在面臨增長放緩、甚至倒退的困境。

雖然從商業(yè)化上來說，通用Agent確實展現了足夠吸金的一面。以Manus、Genspark等通用Agent為代表，近幾個月的變現成績證明了這個賽道的潛力：非凡產研數據顯示，今年5月，Manus已經達到936萬美元ARR（年化收入），Genspark更是在發(fā)布45天的情況下，達到3600萬美元ARR。

但在短期的流量上漲過后，通用Agent產品們或多或少地出現了訪問量和收入下降的情況。

6月，Manus訪問量為1781萬，和3月發(fā)布即登頂的訪問量2376萬相比，已經下跌25%；Genspark的訪問量也處在來回浮動的狀態(tài)，6月訪問量為842萬次，下降8%，昆侖萬維天工超級智能體下降3.7%。

同樣是在6月，兩個商業(yè)化表現突出的產品Manus和Genspark出現不同程度的收入下跌。據非凡產研數據，Manus當月MRR（月度收入）為254萬美金，環(huán)比下跌超過50%；Genspark當月MRR為295萬美金，環(huán)比下跌13.58%。

上述數據說明，在一時的熱度過后 ，通用Agent類產品的使用體驗并沒有能讓用戶持續(xù)付費的吸引力。同時，用戶體驗的頻次也在減弱。

究其原因，還是因為Manus們沒有找到足夠讓用戶為之持續(xù)付費的Killer（殺手級）場景。

目前，市場上多數通用Agent都在卷幾個固定的方向：做PPT、多模態(tài)能力、寫報告（Deep Research），多聚焦于和辦公強相關的場景。但對于用戶來說，這些定位還難以讓用戶持續(xù)付費。

在沒有找到確切的應用方向前，通用Agent賽道已經有一批公司先靠產品下水測試，意圖先搶占市場。

變現和流量不穩(wěn)定的情況下，大廠對自研Agent的精力投入有限，一般還是采取“兩手抓”的模式，在開發(fā)自家Agent產品之外，目前更多地在推廣自家Agent開發(fā)平臺。比如阿里、字節(jié)和百度，推廣平臺的同時發(fā)福利、組織Agent開發(fā)比賽，聚焦開發(fā)者生態(tài)搭建。

市場似乎已經默認，通用Agent是小廠玩不起的生意。

可以看到，在國內市場，除去Manus和GensPark零星幾家創(chuàng)業(yè)公司，多數通用Agent的開發(fā)公司都是手握自研大模型的公司：

其中，大廠不僅有模型，背后還有自家云做支援。通用Agent既是產品，也是他們作為B端平臺，通過C端產品展示能力的一面鏡子，以此招徠更多開發(fā)者。

大模型創(chuàng)業(yè)公司則本著“模型即Agent”的思路，更多在模型層就針對Agent對RL（強化學習）、長文本等需求鉆研模型，才有了通用Agent產品。

國內通用Agent玩家的收費模式，也比出海的方式更卷。以百度、字節(jié)為代表的大廠有能力公開測試，免費提供服務。如MiniMax、天工智能體等則以限量使用或是購買積分使用的方式開放。和大廠免費不限量的手段相比，國內通用Agent賽道注定會越來越卷，商業(yè)化變現是一條看不到收益的路。

從場景來看，DeepResearch式的深度研究功能是更多產品選擇主攻的方向，對于文檔類Agent來說，調用工具的復雜程度相對較低，且文本生成的成本更低，算是一個更有性價比的方向。

在開發(fā)深度研究功能的基礎上，各家Agent開始在多模態(tài)能力和應用場景上發(fā)力。一方面，在生成的文檔中插入圖片、視頻等多模態(tài)能力，另一方面，把目前和Agent契合的場景植入到通用Agent中，比如做PPT，幾乎成了辦公Agent的標配。

但無論是拿來做報告，再用圖文錦上添花，還是用Agent做PPT，背后都無法解決Agent輸出效果一般的問題。比如一份深度研究報告，Agent最容易出現的是對事實信息檢索的錯漏，比如無法厘清Agent概念從而推薦大模型產品。

進一步的問題是輸出的信息價值不高。一份報告，零星只有3-4個信源，更多內容從網絡篩選得來，往往只能得到模棱兩可的“廢話”。比如要它介紹大模型公司的生存挑戰(zhàn)，它把開公司可能存在的問題都列個遍，既沒有針對性，也不具備有價值的增量信息。

于是，企業(yè)開始探索更多Agent能匹配的場景，試圖吸引更多用戶參與。Agent也難免后續(xù)變成自家公司產品的“集合入口”，被公司用各種方式把自家產品能力整合進去，比如MiniMax融入了海螺生視頻的能力，百度心響在場景中接入了原有的智能體對話等。

除了找不到貼合場景，當前Agent能力有限，效果不一，也難以讓用戶為之買單。

通用Agent執(zhí)行任務一般是拆解任務，再按照步驟執(zhí)行。越復雜的任務，就意味著Agent執(zhí)行的過程更多，其中只要有任何一個步驟跑出的結果有問題，就會導致整體輸出結果質量不佳。所以，對于復雜任務來說，當前Agent執(zhí)行的穩(wěn)定性不足。

比如，輸出對一家公司的分析，就要從財報信息抓取、公司網頁介紹到各大信源的分析點評，其中有任何一個環(huán)節(jié)結果出錯，整體報告的分析質量就會大打折扣。

當下，一些Agent開發(fā)者正試圖通過技術創(chuàng)新來突破這些瓶頸。

比如MiniMax把年初發(fā)布的新的線性注意力機制用到了新模型M1中，其智能體產品以M1模型為基座模型。這樣的好處是大幅擴展了智能體能夠承載的文本量，支持100萬的上下文輸入，針對法律文書這類需要大量文本分析的場景效果更好。

月之暗面則強調“模型即Agent”，其基座模型是月之暗面基于端到端自主強化學習技術訓練的新一代 Agent 模型。其中，RL（強化學習）成為這個深度研究Agent的亮點。

多數業(yè)內人曾在和交流中肯定RL之于Agent的重要性。相比傳統的監(jiān)督學習或預訓練模型在特定任務上表現出色，但其泛化能力往往受限于訓練數據的分布。當Agent需要處理的任務場景多樣化、環(huán)境動態(tài)變化時，預設規(guī)則或僅依賴一次性推理的Agent難以適應。

比如，在處理一些需要多個流程完成的任務中，傳統模式可能在任一個環(huán)節(jié)中出現推測問題，進而影響到最終結果，但RL則是靠大量試錯和獎勵機制來提升泛化能力，對于需要多個步驟處理的復雜任務，表現效果更好。

Kimi-Researcher主動針對矛盾信息的處理

可以說，RL能夠大幅提升Agent的能力上限。

Kimi-Researcher研究員馮一塵分享，在Humanity's Last Exam（HLE，人類的最后一場考試，衡量AI在各學科難題上的測試）榜單上，=gent模型得分從最初的8.6%躍升至26.9%，相比OpenAI Deep Research團隊在相關工作上從20分左右（o3）提升到26.6分的成果，進一步證明了強化學習在Agent訓練上的巨大價值。

在技術的天花板還夠高的情況下，后來者正在拔高Agent的能力標準。今日（7月18日），OpenAI發(fā)布的通用Agent產品ChatGPT Agent跑出了一個漂亮的效果，在HLE 測試表現上，取得了41.6%的新SOTA 成績。

通過強化學習，Agent有望從簡單的“工具調用器”進化為真正具備“自主學習”和“環(huán)境適應”能力的智能體。屆時，通用Agent或許才能真正找到殺手級場景，并讓用戶心甘情愿地為其買單。

Agent的路還很長，只有靠技術突破和場景深耕，才能成為真正幫得上忙的AI助手。