AI Agent迈向中央舞台：深度解析进化新格局

AI Agent技术飞跃，引领2025年新格局

进入2025年以来，AI Agent的赛道明显提速了。5月6日，OpenAI宣布以30亿美元收购Windsurf；编程工具Cursor的母公司Anysphere也拿到了9亿美元的融资，估值直奔90亿美元；被称为中国第一个通用AI Agent的Manus，在五月同样获得了硅谷老牌风投Benchmark领投的7500万美元融资。OpenAI在一月推出了具备自主浏览器能力的Operator，二月又发布了专注复杂任务的Deep Research——这两个产品上线后迅速圈粉，如今已经有不少用户成了它们的深度使用者。

这期内容就来聊聊：究竟是哪些关键能力，支撑了Agent这一轮的技术跃迁？哪一类Agent最有可能成为未来的通用Agent？而对普通创业者来说，目前Agent赛道还有哪些机会？

这场对话邀请了MindVerse心识宇宙创始人陶芳波，以及AI产品经理Kolento Hou，一起拆解AI Agent的核心技术、热门产品的使用体验、创业的机遇与挑战，以及AI Agent的未来走向。

以下是这次对话内容的精选：

01 RTF推动的Agent热潮

泓君：先请两位嘉宾分享下自己最近用Agent的频率怎么样？自己做了多少个？

Kolento：我几乎每天都在用不同的Agent。因为自己会开发一些产品，所以像Replit这样的IDE Agent，还有Cursor这类编程Agent，都是日常必备。平时我也研究很多“Agent builder”平台，比如微软的Copilot Studio、字节的Coze等，这些工具能帮用户快速搭建属于自己的Agent。我现在大概做了200多个AI Agent，基本遇到一个场景就会去试试。感觉时代真的变了——现在开发一个产品的成本越来越低，甚至有点吓人了。

陶芳波：我也是每天都在用各种Agent，尤其是编程Agent。虽然没有Kolento做得那么多，但我在做“造Agent的平台”。最早我们做过一个叫MindOS的平台，用来构建具备通用能力的专业型AI Agent。现在我们在做一个新的开源平台叫Second Me（第二自我），也是前段时间刚发布。用户可以下载到本地，创造出代表自己的Agent。我觉得Agent时代真的来了，底层基础设施都在慢慢成熟，组合起来之后，马上就会看到一个全新的世界。

Second Me

泓君：你怎么理解什么是Agent？

陶芳波：从机器学习的视角来看，我所理解的Agent，和当下大众语境中的Agent存在一定差别。最早接触到的Agent概念来自强化学习——在强化学习框架下，Agent能够基于环境反馈，不断自主学习并优化行动策略，实现特定目标。以AlphaGo为例，它就是强化学习语境中一个经典的Agent。

但随着大语言模型的兴起，Agent这个词的含义在大众语境中发生了泛化。现在对Agent的定义，通常具备几个特征：首先，它能够像人一样独立完成某些任务；其次，它通常由大语言模型或具备一定思考能力的推理模型驱动；第三，它有自己的记忆体系；第四，它具备与用户交互的界面。

例如Windsurf和Devin，都是典型的编程类Agent，有各自的交互界面。它们的主要区别在于目标用户和交互方式：有的是嵌入在编程环境中的，面向开发者；有的则面向管理者或非技术用户，能自动完成网络搜索、测试等任务。

过去这三个月，观察到有一个非常有趣的融合趋势。传统的强化学习Agent有两个核心特征：一是以强化学习为主的技术路径；二是具备在环境中学习的能力。而大语言模型背景下的Agent大多不具备学习能力，它们对行业与任务的认知，依赖人类工程师的配置，比如设定知识库或工作流。

但现在，随着reasoning model（推理模型）的兴起，以及RFT技术的应用，越来越多基于大语言模型的Agent也可以在法律或电脑操作等特定领域里自主学习和探索。这是Agent发展中定义层面的升级——它结合了传统强化学习中Agent的自主学习、自主探索能力，以及通用Agent在任务执行、用户交互和复杂问题解决中的综合能力。所以从2025年初开始，业内对Agent的发展非常兴奋。

早在2023、2024年，Agent概念就已经出现，我们当时也做了像MindOS这样的平台，但那时候的Agent更像是“脚手架”。现在Agent真的有了智能，尤其是通过强化学习、思考能力的注入，达到了我们想要的技术范式状态。

Devin

泓君：你觉得2025年的Agent和之前相比，最本质的区别是什么？你提到最早的强化学习中的Agent，我的理解是，比如在一个游戏场景里让两个小人推方块，想办法把自己围起来避免被攻击——你会看到它们慢慢涌现出一些智能，甚至用我们人类没想到的方法去完成任务。

记得在2023、2024年时，大家基本还是在游戏环境里测试Agent的协作表现。而2025年的Agent，在强化学习和电脑操作结合之后，开始进入更多领域。比如我让语言模型帮我订一张机票，告诉它偏好的时间、地点、航班类型等，如果它能顺利完成整个流程，我就觉得这是一个好的Agent。

陶芳波：这两个比方都非常好。你提到的Agent本质上都还带有环境。我说的变化，或者说让大家兴奋的地方，主要是底层能力的变化。

以前的大语言模型训练存在很大限制。无论是预训练还是后训练，包括RLHF等人类对齐技术，训练过程本身是脱离环境互动的，目标只是优化与人对话的表现。虽然我们可以把模型作为大脑，强行给它接工具、加记忆，让它在某种环境里完成任务，但由于训练过程本身没有和环境互动，所以它的行为始终显得很机械，无法真正适应环境的变化。

你提到的小人在环境中博弈的例子，正是典型的、在环境中学习的传统强化学习Agent。而2023、2024年虽然Agent很火，但始终难以落地，问题就在于环境的缺失。

但现在，我们在技术上拥有了新的能力。比如DeepSeek R1的文章就指出，它最后的推理能力，不是靠死记硬背的知识库训练出来的，而是通过模型在问题环境中自主学习实现的——像人一样，在过程中自己思考、调整策略、探索解题路径，最后掌握了解决数学题或编程题的方法。这种自主寻找解决路径的过程，在以前的训练中完全没有，所以也可以称之为大语言模型的“AlphaGo时刻”——大语言模型真的学会了基于环境给出的奖励来自主地找到解决方法。

Cursor

泓君：现在市场上做编程类Agent的公司有几十家，从最早直接使用大模型编程，到微软的Copilot，再到Cursor和Devin，行业在不断迭代。但为什么最终是Cursor和Devin跑了出来？它们比别人好在哪里？是对环境的理解更深入？还是起步更早，抢占了市场？

陶芳波：我几乎每天都会用Windsurf，相比Cursor我觉得它更好用一点。这个问题问得很准——Windsurf、Cursor甚至更进一步的Devin，本质上是对环境的理解更到位。

举几个例子。比如Windsurf不仅是一个简单的核对代码的插件，它内部还做了context engine（上下文引擎），所以它非常清楚自己能操作的代码空间，包括数据、测试、文件和配置的位置等。

再比如早期的Cursor，虽然能写代码，但无法执行命令行操作，也不能联网搜索。而Windsurf在近期的版本中已经不止能写代码，还能执行命令、操作文件，甚至检索网络技术文档作为参考——把Copilot这类编程工具的环境边界扩大了很多。

Devin的野心更大，它从一开始就打算去掉IDE，不需要考虑IDE里的环境问题。Devin设计了一个包含四个子界面的窗口：浏览器、IDE、用户交互区和测试环境。它所构建的环境比IDE更大且更细致。

它还有一个笔记系统的功能，挺有意思的。因为它想让AI能完成一个完整的软件工程闭环，这个过程可能非常长，而大模型无法理解过程的全部行为。所以就像人类在开发时会记笔记一样，Devin也加入了一个笔记环境，类似于它的策略室、作战室。当模型有新的想法时就记录下来，之后可能有一段时间它不再写代码或做检索，而是在修改笔记中的问题、优化笔记中的系统设计架构。我觉得还是挺吓人的——就像人为自己创造了一个思考环境，并且学会在其中迭代。这个功能也可以加入Agent的武器库。Devin不只是做了这个功能，而且它们对context、environment的理解也更到位。所以在4.2万亿美元的全球软件工程大市场中，它们能跑在前面。

Windsurf

泓君：你刚才提到一个观点挺有意思的：现在如果要做AI Agent，环境已经比数据更重要了。那是不是意味着只要对某个方向有足够深入的理解，几乎任何人都可以构建自己的AI Agent？它已经从一种“高门槛”的大厂项目，变成了普通人也能参与的创业机会？

陶芳波：这件事有两面性。一方面，借助RFT的方式，可以显著降低对大规模数据的依赖，从而减少资本和算力的投入。但另一方面，对Agent创业的前景并没有那么乐观。如果每个人都能做Agent，且做的都是服务型Agent，在C端市场，真正还有多少空间留给新的Agent创业项目？

举个例子，Deep Research上线之后，一些以前认为需要单独工具完成的任务，比如学术研究、市场调研，它几乎都能覆盖。而像Operator这样的平台，不仅能帮你订餐、买菜、订机票、做行程规划，还可能覆盖上百个场景——这些在过去或许代表着上百个不同的创业项目，现在却可能被一个通用Agent整合完成。

大厂和大模型公司在足够大的领域里占据位置。剩下的空间，只会是一些小机会。相比移动互联网时代，创业者在这个时代的机会会少很多。

泓君：所以这是一个更适合做小而美的时代，因为大机会都会被巨头吃掉。

陶芳波：对，而且现在做一款产品或一个 APP时，边界比以前更容易扩大。一旦被大厂占住的机会，往往能覆盖用户更多的需求和注意力。普通人在这个时代还有哪些机会？我想到一个挺有意思的案例：在移动互联网时代，微信推出了公众号平台，抖音推出了短视频平台。这些平台级机会几乎都被头部公司牢牢占住。但为什么仍有很多普通人在这个时代里赚到了钱？关键就在于，他们利用这些平台做出了新的东西，在平台中表达了自己的个体性——比如做自媒体网红。

如果只从“AI工具提升生产力”的角度看，确实会有很多人原有的价值被剥夺。但当AI形成网络之后，可能会有一波新的个体机会被释放出来。也许那时会有一波新的创业潮出现——比如，现在的网红也可能会变成创业者，他做一个表达自己个性的Agent，也会有独特的市场。但如果目标是做一个服务所有人的通用Agent，机会是很小的。

02 Agent爆火背后的密码

泓君：刚才你提到了三种核心能力：模型能力、工程能力，以及数据壁垒的能力。未来在真实用户的实验中，数据壁垒可能是最重要的核心竞争力。但我也听到另一种声音——比如Manus的创始人张涛就分享了他们产品引爆的关键节点，他认为是和Claude Sonnet 3.7模型的发布高度同步。我也看了Cursor的创始人在Lex Fridman播客上的采访，他也提到类似观点：像Cursor这种自动写代码的AI Agent能火，最根本的原因还是大模型能力的提升。

为什么现在大家会觉得Copilot有些过时了？很大一部分原因也是它的产品升级没能及时跟上模型的能力迭代。所以归根结底，Agent的爆火，底层模型的提升仍然是决定性因素。

Claude

陶芳波：完全同意。一方面，大模型能力的提升确实带来了智力的提升，对任务的理解能力自然也就更强。但更重要的是，大家频繁提到Sonnet，是因为它不仅聪明，而且是第一个真正解决了代码生成问题的模型。代码是一种通用的行动空间，在数字世界中具有极高的操作性。Sonnet让几乎所有任务都可以通过代码这个中间层，转化成像八爪鱼一样可以操作背后的数据与环境。这对整个Agent生态是质的飞跃。

所以你提到的Cursor和Manus自然会非常看重这种模型能力的提升。但我也想强调一点，数据依然是一个不容忽视的问题。即便是在数字环境中，很多平台的数据依旧存在壁垒，无法通过代码层来访问。比如，如果你希望Agent去获取某个人在Facebook上的信息，仅靠代码就无法实现。

所以从今天这个时间点来看，凡是代码层能接触到的数据，Manus这样的通用Agent都可以纳入进来做很多事情。但依然还需要面对数据层的壁垒问题。

泓君：所以你觉得像Cursor、Windsurf这些AI编程Agent，反而可能是最有可能杀出来的那一类，未来甚至可能发展成应用很广的巨型通用AI Agent？

陶芳波：现在已经能看到这样的趋势了。Cursor和Windsurf目前都开始接入一些自定义的MCP接口。虽然它们表面上是编程类Agent，但已经可以接入Notion等不同平台的MCP——在编程过程中也可以做类似Manus做的事，比如编辑Notion内容。

Manus

Kolento：我一直认为Manus对模型的依赖非常强。但希望建立的是更健康的机制：模型越强，Agent也越强，而不是模型越强，Agent反而被替代。之前GPT频繁更新那段时间，很多YC的AI公司倒在了路上，原因就在于它们的构建方式不对。

我觉得Manus也面临类似的问题。它的任务理解、工具调用这类智能能力几乎是完全托管给主流大模型的，比如Claude 3.7 Sonnet。这也是我猜它们会采取邀请码机制的原因：调用成本高、性能不稳定——模型升级、API波动、响应延迟、输出幻觉等，都会成为产品层面不易控制的变量。本身是做产品经理的，所以一直在思考如何更好地从产品侧解决这些问题。

姚顺雨写过一篇文章，他认为强化学习有三个要素：算法、环境以及先验知识。他还提到一句非常认同的话：evaluation（评估）比training（训练）更重要。

在过去构建AI产品的过程中，我过度聚焦在prompt工程以及挑选最新的大模型上。但逐渐意识到，真正决定产品质量的，是对系统效果可衡量性的判断机制——也就是evaluation。打个比方，prompt是武器，但evaluation是准心。

因为一个AI产品不可能靠一次成功的demo活下去，它需要持续迭代。而evaluation正是量化每次产品变更效果的唯一工具。

当然，它和传统的测试不太一样，更灵活，也更偏向语义层面。目前市面上主要有三类方法：

1. Human Evaluation（人工评估）：优点是与用户偏好直接相关，具备人类的语义理解。但局限性也很明显——反馈稀疏、不够精准、成本高。

2. Code-based Evaluation（基于代码的评估）：优点是快速、便宜，适合代码生成类任务。但对语义复杂、交互丰富的应用则不适用。

3. LLM-based Evaluation（大模型自评）：这是目前论文里最常提到的方向，让模型不仅能生成，还能评估自己的输出，具备高度自动化能力。

所以我认为，未来要做出真正有竞争力的AI Agent，evaluation是必不可少的能力中心，从一开始就要建立起完整的evaluation框架。

以Manus为例，它其实已经有多个模块：意图识别、工具调用、API调度、内容生成等等。每一个模块都应该有独立的evaluation逻辑。这不应该是后期的附加测试，而是像DevOps一样——AI Agent也应该有自己的EvaluationOps，任何一次响应、执行、生成的过程都要通过评估机制。

之后的重点是，需要形成一套通用的evaluation模板库，并能扩展到新的任务类型上，类似Phoenix这样的开源框架。比如摘要生成、RAG、代码生成等。

陶芳波：很同意Kolento这个说法，尤其是关于面向真实环境的evaluation。未来的AI产品，本质上可能都会是Agent产品。而Agent产品首先要关注其所处的环境；在此基础上，接下来的重点就是如何evaluate它在环境中的表现。

如果进一步把evaluation提升为reward的概念，那就意味着这个反馈具备可重复生成的特性。当Agent在环境中探索和优化时，可以始终参考reward进行对齐或学习。这是接下来设计Agent产品时更重要的思考路线。

CSDN.com

泓君：evaluation是一个很重要的问题，也让我联想到另一个技术话题——RFT和SFT这两种方式的区别。OpenAI发布RFT之后，现在绝大部分AI Agent创业者都倾向于使用RFT，因为效果更好。

但我们也和一些更老牌的Agent创业者聊过，他们反而认为SFT在成本上更具优势。虽然目前RFT在效果上可能比SFT好25%左右，但训练和运行的成本可能是几倍的差距。尤其是在用户量大的情况下，这种成本差异就更为显著。我们是否真的需要为这25%的性能提升，付出成倍的成本？听说Manus内部用的就是SFT技术。

陶芳波：关于SFT和RFT的选择，确实可以看到技术圈正在逐步向RFT迁移。但就Manus来说，它们当时没有用RFT，原因之一是当时RFT本身还没有发布多久。更重要的是，RFT需要微调背后的思维链模型，但Sonnet本身是不允许微调的。所以Manus使用SFT，其实并不是用在模型的核心思维链模型，而是外围执行模块——比如Computer Use Model这一类组件。换句话说，它们调的是“手”，而不是“脑”。

03 垂类AI Agent推荐

泓君：在你目前使用过的Agent中，有没有哪些在表达或交互上特别出色的？

Kolento：我觉得Replit非常出色，它在我需要澄清问题的时候，总是能及时引导我把需求讲清楚。

我还想提另一个产品Fellou，可能算是Manus的潜在竞争对手，是谢扬最近推出的一个Agent浏览器。它的交互方式很符合我的预期——在执行任何任务之前，都会先通过更可视化的方式和我对齐，对齐完之后再自主运行。

因为Fellou是PC端应用，所以它具备一定的系统级权限。每当遇到高危操作，比如需要登录或输入密码时，它会以系统弹窗的方式提醒我进行确认。而这正是Manus目前做得不太好的地方：它缺乏足够的对齐，在高危操作上又无法获取权限，经常会直接卡住——白白消耗掉credits，任务也没能完成。

所以我觉得像Fellou和Replit的设计理念更合理，在关键场景引入HITL机制，与人类进行对接。

Replit

泓君：在你们目前使用过的AI Agent中，如果从用户体验和商业潜力两个维度出发，有没有哪些公司是你们特别看好的？

陶芳波：目前市场上还没有出现真正能覆盖全人群、全通用场景的Agent产品，大家还在寻找不同的切入角度。

我比较看好Cursor、Windsurf这类编程Agent，它们是从技术人员的角度切入的。而这两者中我更看好Cursor。目前来说，Cursor的市场渗透率更高——它毕竟是在Windsurf之前就做出了这种产品形态。我也更认可Cursor团队在探索上的那种进取心。当然，Windsurf被OpenAI收购，也不排除未来会被赋予更强的战略目标，朝通用Agent方向发展。但相比之下，一个独立团队所拥有的自由度会更大。

而且我觉得我们普遍低估了编程Agent作为未来通用型Agent的潜力。很多人对Cursor的印象还停留在“Web端编程工具”这个层面，觉得它就是个辅助编程工具。但随着MCP这类底层基础设施的逐步完善，Cursor正在积极地把自己从一个编程工具，变成一个可以连接多种应用、场景和数据的平台。

也许Cursor未来的界面都会分成两种模式：一种仍以IDE为核心，目标是代码产出；另一种则把代码作为手段，核心目标转向完成任务。这是很多美国公司常见的做法——先打好坚实的底层架构，再一层层往上构建功能。所以我比较看好Cursor的发展路径。

当然Manus也还有机会。它是从办公人群的日常场景切入，不只是做Deep Research，还具备不少文件处理等方面的能力。但从这个角度出发，也需要逐步拓展能力集。通用型Agent的建设，是一个需要长期积累的过程。

Kolento：我目前关注的AI Agent产品，大多都是非常垂直的场景类产品——虽然可能不为大众所熟知，但在各自领域内表现都非常突出，也很有前景。

比如Vantel，它专门为商业保险经纪人打造。保险行业里，很多从业者80%的时间都花在重复性工作上，比如保单分析、手动录入数据等。而Vantel专注于将这些流程自动化。它们自己宣称，能每周帮一个经纪人节省十个小时以上的时间。早期的demo就能在五分钟内帮用户快速比对和分析一份几百页、包含大量条款的保单。我看了它们的demo和很多用户反馈，效果都很不错。

还有Sweet Spot，我从2023年开始就非常关注，一直都觉得这个项目非常有前途。它做的是AI for Granting，主要服务全球的SMB、NPO和NGO，帮助它们申请各类政府资助和联邦补助金。除了分析合同之外，还能辅助用户分析招投标。它的用户体验也做得很好——前期会自动帮你搜索相关合约信息，并提供深入解读。而且它们的UI在2023年就已经做得非常不错了。我记得每次它只给48小时免费试用，因为太好用了，为此我换了八九个邮箱，最后还联系了它们CEO，希望能开一个会员账号。

Sweet Spot

泓君：我也用过一个非常垂类的Agent产品——Gamma，一个AI辅助制作PPT的工具。我觉得它完全可以“秒杀”Canva。我只需要提供一个大致框架或主题，它就能自动生成内容并排版。比如我小朋友学校要讲解“什么是Podcast”，我交给Gamma，五分钟就能出一整套PPT，排版也很好看。而且内容如果有不满意的地方，简单手动修改再导出就可以了。

Kolento：很巧，我是Gamma的前100位用户之一。在它们2020年刚上线时就注册了账号，到现在我的credits都还没用完。很多人知道Gamma是因为它AI生成PPT的功能，但我最早用它的时候还没集成AI，那时就觉得它的产品非常出色。

我现在所有的PPT都是用Gamma做的——不仅是因为它的AI功能，而且它的立体效果也非常好。它是模块化的PPT工具，可以自由拖拽不同模块到不同页面，而且视觉效果非常有冲击力。记得2020年左右看了它们一个demo，展示了如何在静态PPT中“炸出”一段视频，当时就被震撼到了。从那以后就一直在用它们家的产品。

现在它们也上线了很多AI生成的功能，整个平台变得非常完善。虽然免费用户现在只能做10页，但这10页几乎能覆盖大多数人的常见需求。而且它支持对每一页做很精细的微调，提供几乎所有需要的组件，甚至可以帮你判断插入的图片是否可商用，还能自动从不同图库中搜索替代素材。我觉得它们在每个细节上都做得很到位。

Gamma

04 行业快与慢

泓君：过去的两个月行业发展得非常快，大家觉得在心态或做事方式上有哪些变化吗？

Kolento：我觉得变化非常明显。过去这几个月，像Manus这样的产品陆续发布，工作速度加快了，而且很多竞争对手也是。现在无论是开源还是闭源项目，有时候甚至都会要求执行大于计划。

以前从产品经理的角度出发，做事情的第一步通常是做详细拆解，考虑非常多的细节，可能会写很长PRD。但现在发现，很多团队已经不再那么强调PRD，而是更关注怎么尽快打通从需求到落地的链路。

这种变化不只是个人的感受，在工作场景中也非常明显。整体来看，不论是行业节奏还是产品迭代的浪潮，统一都在加速推进。最大的感受就是：一切都变快了。

陶芳波：对我来说，最大的变化是我们发布了Second Me。但如果说到对整个Agent主题的感受，我和Kolento反而是有点相反的。

年初的时候，大家普遍觉得2025年将是“Agent之年”。虽然Manus发布了，MCP协议也越来越火，但我反而觉得，如果Agent真的要在2025年破茧而出，成为一种像大众日常使用AI一样的方式，仍然存在非常多的问题——而且越做发现问题越多。

今天的大语言模型，尤其在国内，连我爸妈那样的用户都会使用豆包。基于大语言模型的聊天机器人已经成为一个通用的产品形态。但如果我们谈的是AI Agent——不论是垂类还是通用型——要达到同样的日常使用程度，我觉得还有相当大的距离。而且，很多问题不是靠某家公司搞出一个新功能就能解决的，它更像是一个行业级的挑战。

比如有两个大的问题。第一个是环境侧的问题。每一个Agent，本质上都在桥接用户与环境，是需求与行动之间的转化器：它要不断挖掘用户需求，并在环境中转化为行动，实现双向沟通。虽然环境侧有了MCP协议，但这个协议还很不完善，生态渗透率也很低。就像任何一个标准协议一样，MCP所需的生态配合和渗透，都是以年为单位来衡量的过程，而不是几个月就能铺开的。所以还需要慢慢推进建设大量的生态。

第二个问题是Agent如何真正理解用户需求。Agent要如何主动提问、捕捉需求、理解偏好。虽然我们已经发布了开源项目，在GitHub上也有了9.2万颗星，很多社区内的人已经在用了。但也发现一个很难解决的根本性问题——在未来的世界里，如果一个人真的想把Agent用好，他自己也必须具备一个高质量的输出通道。

Medium.com

泓君：一句话简单解释一下什么是MCP？为什么MCP的发展可能是一个“以年为单位”的过程？你觉得它目前还存在哪些待进化的地方？

陶芳波：MCP是一个关于AI Agent如何访问外部信息源或服务的协议。它不是Agent和Agent之间的，而是Agent和服务之间的协议。

之所以说它需要以年为单位来进化，并不是因为这个协议本身有多严重的根本性缺陷——尽管它还有很多可以改进的空间。更核心的问题在于行业层面的采纳意愿。

你希望行业能主动拥抱MCP，但很多平台并不愿意开放它们的数据——因为这些接口和数据本身是它们商业模式的基础。一旦引入MCP，其他Agent可以使用接口和数据，就会涉及一系列问题：身份验证如何处理？数据隐私怎么保障？最关键的是如何保障商业化？这些问题，目前还没有行业统一的标准或解决方案。现在所拥有的，其实只是一个技术上的通道。

所以目前的行业落地是以年为单位来推进的。今天的MCP更多还是对于API的AI化封装，还没有真正实现AI原生的程度——还无法让Agent真正通过MCP这扇门进入对方的环境中进行自由操作。