公司上了Agent，裁掉90%员工

AI Agent真的会取代90%的员工吗？深入解析Agent发展阶段与当前局限。

核心内容：

• Agent发展的5个阶段：从简单指令执行到数字人格的演进路径
• 企业级Agent应用现状：L2向L3过渡期的能力与局限
• Agent核心架构解析：5大关键组件如何实现智能化运作

上周，给一家企业实施AI Agent应用时，对方的项目总监悄悄问：“K总，我听说这个Agent上线后，会裁掉90%的员工，是真的吗？”听到这一类问题，一点也不惊讶——“AI焦虑”已经成为一种普遍社会现象。但要想全面深入地回答这个问题，就会涉及到Agent的发展阶段、核心组成、类型划分、以及当前面临的种种不足等等，不是一两句话就能说得清。下面通过这篇文章，好好剖析一下这个问题。

Agent发展的5个阶段

AI Agent不是突然冒出来的成熟产物，而是随着底层大模型推理能力的不断增强，逐步走向完善的。整体上，我们可以将它的发展划分为五个阶段（L1–L5）：

在这个初级阶段，Agent的能力仅限于按照用户或开发者预先设定的确切指令，一步步完成任务。比如，你可以让它“打开邮件，阅读第一封未读邮件”，它更像一个智能化的执行器，但缺乏自主判断和更复杂的决策能力。

进阶到L2，Agent能够基于对确定性任务的描述，在预设的动作空间内自动完成一系列步骤。它不再需要每一步都精确指令，而是能在给定规则下完成相对封闭、可预测的流程，比如你可以让它“查询今天上海的天气”。在这一过程中，Agent会自动调用并整合多个数据源。

这是当前许多先进Agent正在努力达到的阶段。在L3，Agent可以根据用户指定的高层次任务目标，自主调用各种资源和工具，规划并执行步骤，并能根据中间反馈，迭代优化计划。

在这个阶段，Agent将具备更深层次的智能，能够感知用户在长期交互中的上下文，理解用户过去的记忆，并有时主动提供个性化的服务。它能记住你的偏好、习惯，甚至能预测你的需求，比如“告诉扫地机器人今晚打扫房间”，它会根据你的日常习惯，避开你常用的区域，或根据天气状况推荐何时清洗窗户。

这是Agent发展的终极目标，智能体将能代表用户完成更复杂的事务，甚至能与他人进行交互，并确保其安全和可靠性。这个时候，它可能不仅仅是你的助理，更是你在数字世界中的一个分身，能够独立思考、决策，并保护你的利益。

目前，随着推理大模型的进一步成熟，以及Manus、百度文心智能体平台、扣子空间、通义千问智能体等通用Agent的出现，企业AI Agent的应用正加速从L2向L3阶段迈进。它们在执行确定性流程和一定程度的自主规划方面，已经表现出色；但在真正拥有长期记忆、上下文理解和主动服务方面，仍有很长的路要走。

Agent关键组件和架构

一个AI Agent之所以能够“智能”地运作，离不开其背后精密的组件协同和逻辑架构。

5个关键组件

就像人类的思考和行动一样，Agent也有一套完整的认知与执行系统：

• 感知
  ：它是智能体与外部环境交互的基础接口，负责收集和解析环境数据，包括文本、图像和声音等。

• 规划
  ：作为智能体的决策中心，它负责将复杂的总目标分解成可执行的步骤，并制定实现策略。这里不得不提的是“思维链”，这种提示技术已成为提高大模型在复杂任务表现上的标准方法，它让Agent能像人类一样进行逐步推理。

• 记忆
  ：存储着历史交互、知识积累和临时任务数据，是Agent实现上下文感知和长期学习的基础。

• 工具使用
  ：通过调用外部资源，如API、代码库、RPA或应用程序，来扩展自身能力，是Agent在企业环境中实现价值的关键。

• 行动
  ：是感知、规划、记忆和工具使用的最终成果，也是智能体执行任务和与环境交互的具体表现。

架构逻辑图

把这些组件连接起来，Agent的逻辑架构也就一目了然。整条信息流清晰呈现了其从输入、处理到输出的完整路径：

来源@顿悟山丘智库

：Agent的起点，接收用户以图文、语音、视频等多种形式提供的指令或信息。

：负责统一接口管理，进行身份认证、协议转换和路由，确保输入信息能够安全、高效地进入Agent的核心处理区。

：对输入的原始数据进行预处理、意图分类和实体提取，将非结构化的用户指令转化为Agent能够理解的结构化信息。

：这是Agent的核心大脑，负责任务的规划、策略的筛选、大语言模型的推理和最终决策的验证。它决定了Agent下一步“做什么”和“怎么做”。

：根据决策层的指令，调用并执行相应的工具，如注册、MCP、API、代码执行等，并处理工具返回的结果。

：将工具执行后的结果或推理决策的产出，进行内容组装、格式化，并进行质量优化，使其符合用户阅读和理解的习惯。

：将处理完成并格式化的结果呈现给用户。

除此之外，还有三个重要的支撑模块，即管理支持、记忆系统以及知识库，它们共同构建了Agent的基本架构。

企业级Agent的两种类型

在企业应用层面，Agent可以根据其主要解决的问题和工作方式，大致分为两大类：

1、流程自动化型

这类Agent的核心在于“自动化”，它们依据企业内已经固定的工作流和明确的规则，执行重复性、规范化的任务。这类Agent的优势在于提高效率、降低错误率、节省人力成本。

比如，财务部门的发片报销流程、企业内部的业务审批流、员工的学习考试系统等，都是流程自动化型Agent的典型应用场景。它们能够精准地遵循既定步骤，无需人工干预，极大地提升了日常运营的效率。目前，在金融、保险、制造等传统行业，流程自动化型Agent占据了企业应用的主导地位。

2、超级Agent型

与流程自动化型Agent不同，超级智能体型Agent更侧重于探索和目标达成。它们被赋予一个高层次的目标，然后由智能体自主规划、探索信息、调用工具，并迭代优化路径以实现该目标。这类Agent更强调灵活性和解决复杂、非结构化问题的能力。

常见的应用场景包括生成市场研报、进行复杂的数据分析、甚至辅助软件开发等，都属于超级智能体型Agent的应用范畴。它们需要更强的推理能力、更广阔的知识面以及更灵活的工具调用能力。尽管目前在企业中的应用尚处于辅助地位，但其发展潜力巨大，代表着Agent更高级的智能形态。

当前Agent的不足

Agent固然强大，但并非万能，当前仍存在一些显著的不足，主要包括以下三个方面：

1、错误复合效应

大模型在执行任务时，准确率永远不可能达到100%。哪怕单次调用的准确率高达95%（已属相当不错的水平），但当一个复杂任务需要Agent连续调用20次时，最终成功率却会骤降至约36%（0.95的20次方）。这也意味着，在真实而复杂的业务场景中，Agent想要“一步到位”全自动完成任务的概率，要远比想象中低得多。

而真正可行的做法，是放弃对“完美全自动”的幻想，把任务拆解成一系列更小的步骤，逐步执行、逐步验证。这样一来，即便某个环节出错，也能单独回溯或重试，不会牵连整个流程，从而显著提升系统的稳定性和任务的整体成功率。

2、token成本指数级增长

当Agent与用户或系统进行多轮交互时，为了保证上下文连贯，往往需要在每次对话中携带大量历史内容。随着轮次增加，所需的Token数量会急剧上升，API调用成本也随之飙升，最终成为企业部署Agent的一大负担。

更高效的做法，是尽量采用无状态或弱状态的会话设计，减少不必要的上下文传递。在多轮对话中，只保留关键变量或必要信息，并通过记忆系统进行优化，而不是把所有历史记录一股脑塞给大模型。这样不仅能大幅降低Token消耗，也能让系统运行得更轻、更稳。

3、工具生态不足

不少人以为，Agent的核心在于AI本身，但现实中，真正由AI推理完成的部分往往不到30%，其余70%的工作都落在调用、集成和调试浏览器、搜索引擎、编程接口、RPA（机器人流程自动化）等外部工具上。由于当前工具生态还不够成熟，很多时候Agent会陷入反复调试工具的困境，效率低下。

解决这一问题，首先要明确Agent可用的工具范围和使用规范，让它清楚“能用什么、该怎么用”。同时，还要设计完善的兜底机制，一旦工具调用失败或效果不佳，Agent能及时切换到备用方案，避免陷入无休止的重试循环。只有这样，Agent的稳定性和实用性才能真正提升。

企业Agent应用场景举例：价值重塑，而非简单替代

Agent到底是否会导致90%的裁员？最终还是要看它在企业中能“做什么”和“替代什么”。下面列举两个真实使用场景，来具体说明这一点。

1. 语核科技AI数字员工：从“周”到“小时”的效率杠杆

语核科技是一家专注于企业级AI应用的科技公司，其核心是打造流程自动化型智能体，在业务层面精确瞄准了企业中“非标准化文档解析”和“海量物料匹配”这一业务瓶颈。为它的一个重工客户，成功解决了“非标维修清单和上万个物料SKU匹配”的头疼问题。使得这项工作的时间成本从原来的“一周以上”，大大压缩为“半小时以内”，同时还保持了高达90%以上的端到端准确率。为客户解决了发展中的一个耗时低效的业务阻塞点，释放出了大量的人力、物力和时间投入。

2. 递航科技AI招聘官：将HR从“海量简历”中拯救出来

递航科技是一家专注于AI招聘领域的创新企业，致力于用智能Agent重塑传统招聘流程。在传统模式下，HR每天要筛上千份简历、发上百条信息，效率低、体验差。递航科技打造的数字员工团队，由多个具备不同职能的专业Agent协同工作（比如，AI“画像师”能精准构建人才模型，AI“寻访师”在全网高效锁定候选人，AI“沟通师”负责完成初步筛选与意向沟通），实现了招聘前端的自动化与智能化，同时也让招聘过程变得更快、更准，也更轻松。

说到这里，想必大家对“Agent上线是否会引发大规模裁员”这样的话题，已经有了更深的认识和更准确的判断。

AI Agent的核心价值在于自动化重复性任务，从而解放员工，使其能聚焦于更高价值的创新与决策。它带来的是企业岗位结构的优化和人才能力的升级，而非简单粗暴的取代。从某个角度看，Agent并不是职场中的“杀手”，而更像赋能企业与员工共同进化的翻跟斗。战略性地理解并驾驭这项技术，才是我们在智能时代最该做的事，这远比“原地焦虑”有意义得多。

3、今年，搞AI变革的CIO被裁了