钉钉免费开放AI客服，关于AI Agent的一些发展预测...

钉钉最近把AI客服免费开放了，这事儿背后其实藏着一个更大的趋势——AI Agent的战场正在悄然拉开帷幕。

核心内容其实就三块：个人助手与Agent的边界怎么划、行业应用里到底能塞进哪些场景、以及未来这条路到底会往哪儿走。

先问个问题：为什么突然之间，所有人都在聊Agent？答案还得回到这张图上来。

从七层结构来看，

，而。换句话说，Agent就是AI应用在追逐的那个方向。

但落到行业应用里，理解又不一样了——那是

，必须对输出负责，必须有一整套监测指标来兜底。

AI Agent大势已定，等基座模型那场仗打完，下一轮行业Agent平台的争夺，必然会再次引爆。

从逻辑上说，能被AI重写的应用，迟早都会被AI重写，波及面远比你想象的要广：

Agent 场景	说明
产品对话助手	- 产品使用指南内容 - 系统功能使用内容 - 使用文档 - 工具脚本
对话助手	- 电话客服脚本 - 咨询客服脚本 - 外呼客服脚本 - 客服场景 - 用户运营
内容审核	- 合同审核 - 经营类资质审核 - 商品信息审核 - 评论审核 - 其他内容审核
报告生成	- 企业深度报告生成 - 竞品对比报告生成 - 客户报告生成 - 会议纪要
知识管理	- 文档编撰 - 知识库分类 - 知识库迭代 - FAQ
企业系统统一导航	- 会议纪要 - 客户管理 - 项目管理 - 合同管理
数据分析	- 通用数据分析报表（大类） - 经营报表（大类） - 其他
代码	- 代码生成 - 代码审查 - 代码调试

而且，眼下正是AI行业红利期，只要转过来，就一定有口饭吃：

年后，市场反馈已经很明显了——AI相关的咨询量暴涨，是年前的5倍还多。所以，Agent下一步怎么走，确实值得盯紧。

AI Agent的发展预测

后续AI Agent的演进，大概率会围绕这张图展开。

原因很简单：

。

这件事值得做。别说Manus这类通用平台搞不定，坦白讲，OpenAI和DeepSeek暂时也不行——

从当前态势看，AI Agent平台将沿着三个方向深度演进：

一、垂直领域壁垒加速形成

医疗、法律、金融等行业，正在通过

来构建专属Agent。

举个医疗领域的例子。去年看到一个案例，融合了300万份电子病历、药品知识库和诊疗指南后，辅助诊断准确率直接干到了91.2%，而通用模型只有67%。

当然，这个数据到底靠不靠谱（毕竟不是自己做的应用，现在对这类数据都得打个问号），但方向是明确的——这种专业壁垒，正在让行业Agent变成刚需工具。

二、开发范式向轻量化转型

Coze这类平台已经证明，通过模块化组件（知识库/工作流/API）快速搭建Agent的模式是可行的。

一家跨境电商企业，用

快速产出各种SOP，再对接ERP系统形成客服Agent，响应速度直接提升了40%以上。

这种

，正在把行业应用的门槛一点点降下来。

三、价值评估体系逐步完善

后续Agent的效果，一定会有各种量化指标来衡量，

。

比如风控Agent，就得同时满足

这三项硬指标。

监管部门也在活跃，相信接下来对LLM的内容产出会提出新的要求。

但有一点值得注意：

就像之前一样，做基座大模型的比如阿里云，同时提供通用版和医院定制版——后者在保持基础能力的同时，开放了检验指标解读、医嘱生成这些垂直模块接口。

这种分层演进，很可能成为主流路径。只不过，既做平台又做应用，多少会占点便宜。

Agent的现状

接下来聊聊现状。坦白讲，情况不算太妙，还得交学费。

市面上各类AI Agent框架层出不穷，但真正能在业务里落地、带来实际价值的，没几个。

整体来看，现阶段的Agent生态还处在探索与试验阶段。有些平台确实有前瞻性和高度定制能力，但也有一大堆只配用来做Demo展示的工具。

以Coze、Dify和Manus为代表的几款平台，正逐步展现出各自的特色，但差距也一目了然。

先说Coze。字节跳动出品的Agent平台，插件生态和多模态数据处理能力都不错，扩展性强。虽然跨领域协作还有局限，但快速响应需求、构建初步Demo这方面，优势很明显，体验也确实好。

相比之下，Dify走的是低代码/无代码路线，主要面向技术团队做定制化开发。某种程度上，可以认为Dify就是Coze的一个变种。既然类似，那Coze有的问题，Dify一个都跑不掉，而且体验可能还不如Coze。

至于Manus，它代表了一类

，兼顾任务规划和实际执行能力。优势在于能同时处理决策制定和具体执行，减少了人工干预，效率上去了。

但高度通用性也意味着资源消耗大、实现难度高。在简单任务场景下，多少有点

。当然，正因为具备跨领域任务处理的潜力，Manus更适合那些需要深度定制和多维协同的复杂场景，比如高级机器人控制、智能家居系统整合。

不过，如前所述，对Manus在行业AI Agent上的发展，并不看好。

总体而言，当前AI Agent框架正处于技术突破与市场需求激烈碰撞的阶段。大家都在试图打破单一功能模式，往更高层次的业务集成走。

未来，随着垂直领域应用加深、多模态协同技术提升，这些平台在性能、稳定性和易用性上肯定还会进步。企业选工具的时候，既要看技术特性，也得考虑实际业务场景的适配性，别光停留在Demo阶段。

DeepResearch，大模型的野心

可以看出，

。

大模型当然不会放弃，它们可能认为这条技术路径是错的，于是提出了更多构想。

比如OpenAI发布的DeepResearch。一边要应对DeepSeek-CoT带来的冲击，另一边还想在模型上完成更多事情。或者说，

。

这里有一个真实评测。任务是：想要整理

。这显然是个大工程，为了降低难度，把问题从“信息”改成了“信息渠道的发布者”——

基于这个问题，开始了Deep Research之旅。先给了一些输入：

我要完成《医疗信息产出渠道全景分级体系》。目的是将所有可能产出医疗信息的机构全部包含，并进行分级，需要遵循MECE原则。

注：真实提示词会严谨很多，但有一定密度就不放出来了。

不用细看了，

。

明知道有问题，开始反复暗示：

可惜系统始终没能给一个满意的答复。

最后不得不明示，它才把医学教材加进去：

继续质疑是否还有遗漏。连续等了两轮，每轮将近10分钟，GPT依旧嘴硬得不行。

没办法，只能继续提示：

很多大型药企经常发布新药，里面涉及大量药品信息，比如新冠药物的说明……

这回GPT才“恍然大悟”，开始继续梳理。而

：

问题依然没解决，最后只能转头去跟“不听话的DeepSeek-R1”继续纠缠……

综上，每个问题耗时5到15分钟后，结论很清晰：

而且，Deep Research的黑盒问题不少。实际体验下来，并不比DeepSeek-R1高明太多，只不过看上去

……

换句话说，简单任务犯不着用Deep Research，复杂任务又指望不上。那张成绩单，只能让人觉得

……

从近期对AI搜索工具的调研来看，

，这些问题同样暴露了Deep Research在处理复杂信息时的不可靠性。

数据显示，

这种现象，不仅体现在引用新闻文章时，也反映在对原始信息的检索和链接准确性上。

AI搜索工具常常

，很少用“似乎”“可能”这类词来表达不确定性，甚至面对明显屏蔽的内容也会错误回应。

更离谱的是，付费版的工具错误率反而更高。这不仅损害用户体验，更让信息的真实性和权威性受到严重质疑。

Agent or SOPs

OpenAI强调，Deep Research是一个模型，而不是在o3基础上叠加一堆工作量。

用户提问时，Deep Research会像经验丰富的研究员那样，先主动搜索并提取初步结果，深入分析信息质量和相关性。如果结果不足，就调整搜索关键词，重新探索。

相比之下，传统AI搜索是把问题拆成关键词，依赖外部API返回结果，再由模型总结提炼。这种方式效率低，很难过滤掉低质量信息。

在行业调研中，Deep Research确实能提供可靠数据源，也能推算出新趋势。

说实在的，就过往经历来看，反而更期待它能叠加大量的SOP。比如最近有点小火的Manus（Agent平台），从测评来看，它又“超过了OpenAI”：

实际使用下来，可以得出一个结论：

至于它是否擅长，又取决于。

举个例子，如果基于o3写一套SOP，去实现“筛选某行业全量信息渠道”的任务，结果一定比Deep Research好。这就是KnowHow的威力。

结语

当大模型在专业领域频频“露怯”时，医疗诊断准确率从67%到91%的跃迁已经证明了：真正构建行业壁垒的，不是参数规模，而是结构化知识工程的能力。

那些沉淀了十年诊疗路径的医院、积累了百万判例的律所、梳理了千条风控规则的金融机构，正在把业务SOP转化为AI时代的

。

当前Agent生态的混战，本质上是两种技术路径的博弈：

1. 模型驱动派
   ，试图用更强大的基座模型吞噬一切（比如Deep Research）；

2. SOP驱动派
   ，则通过解构业务流程，建立专属的数字神经系统。

而现实世界的复杂任务，往往需要二者在

中达成平衡。

正如测试案例所示：

这场Agent革命最深刻的启示也许是：能被AI重构的，从来不是行业本身，而是行业知识的组织方式。

那些率先把业务经验转化为可编程工作流、把专家智慧沉淀为可迭代数字资产的组织，终将在AI转型中，掌握真正的主动权。