AI Agents 现状报告，未来可期 or 强弩之末？

LangChain最近做了一次大规模调查，覆盖了1300多位专业人士——从一线工程师、产品经理到企业高管和领导层——试图摸清AI Agents的真实家底。这份报告的数据量相当扎实，背后透露出的信号，值得认真解读。

介绍

2024年，AI Agents已经从实验室概念走向行业热议焦点。各行业公司都在积极尝试将其融入工作流——无论是自动化琐碎任务、辅助数据分析，还是协助编写代码。但光有热度远远不够，关键问题是：它真的兑现了承诺，还是仅仅是又一个流行词？谁在用，谁还在观望，又是什么在阻碍更多参与者入场？这份调查，就是来回答这些问题的。

详细分析

什么是Agent？

在LangChain的定义里，Agent的核心特征是用大语言模型（LLM）来决定应用的控制流。就像自动驾驶有L0到L5的等级，Agent的能力范围也有高低之分，理解这一点，是后续所有讨论的基础。

企业采用Agent与否，就像掷硬币一样，但几乎每个人都计划过

过去一年，Agent框架的竞争已经白热化。从结合LLM推理与执行的ReAct模式，到多智能体协作框架，再到像LangGraph这样更可控的方案，技术栈层出不穷。好消息是，这些讨论并不只是推特上的泡沫。数据显示，

。如果再细分公司规模，中型企业（100-2000人）最为积极，部署比例达到了63%。更令人振奋的是，。

这就像掷硬币一样——一半已经下水，另一半正摩拳擦掌。不过，从基于Chat的简单应用转向强调多智能协作、更自主的高级框架，这个趋势非常明显。而且，不要把Agent的采用看成科技行业的专属。在非科技公司工作的受访者中，90%已经或计划将Agent投入生产，这个比例几乎与科技公司相同（89%）。

领先的Agent用例

那么，Agent都在忙些什么？调查显示，

，紧随其后的是。这背后的逻辑很直接：人们希望借助AI处理那些耗时的“苦差事”。与其自己翻遍几十份文献，不如让Agent先提取关键信息，用户只需做最后的判断与整合。同样，在日程安排、任务组织等场景中，Agent帮助用户把精力聚焦在更重要的事情上。

效率提升并不只停留在个人层面。客户服务（45.8%）是另一个主要阵地，企业用Agent来处理查询、故障排除，显著加快了响应时间。

出于安全考虑，需要措施来控制Agent

Agent一旦进入生产环境，就不能任其自由发挥。调查显示，追踪（Tracing）和可观测性工具是使用最广泛的控制手段，帮助开发团队了解Agent的行为和性能。此外，大多数公司还引入了人工监督机制，防止Agent偏离预设轨道。

不同规模的公司，控制策略也各有侧重。大型企业（2000人以上）显然更为谨慎，倾向于使用“只读”权限来规避风险，并且把防护与离线评估结合，确保在客户看到任何响应前，产品已经经历了充分测试。小公司和初创公司（少于100人）则更关注追踪，想知道Agent在自己应用里到底发生了什么。从访谈中也可以感觉到，小公司更注重产品本身，倾向于“先上线，看数据”；而大公司则会从各个层面设下防火墙。

值得注意的是，虽然非科技公司与科技公司的Agent采用率接近，但在生产中使用Agent控制的受访者中，科技公司更倾向于采用多种控制手段。

。这说明科技公司更懂得，要打造高质量的体验，控制手段必不可少。

让Agent投入生产的障碍和挑战

保持LLM应用的高质量表现——回答是否准确、风格是否恰当——从来不是一件容易的事。性能质量是受访者最担心的问题，其受关注程度是成本和安全的两倍以上。用LLM驱动工作流，Agent固有的不可预测性增加了出错的概率，团队很难确保Agent每次都能给出精准、恰当的回应。尤其是对小公司而言，性能质量远远超过其他因素（45.8% vs 成本的22.4%）。这个差距揭示了核心问题：没有可靠、高质量的性能，Agent永远只能停留在开发阶段。

对于大公司来说，质量虽是首要考量，但安全问题的紧迫感同样强烈。监管合规、客户数据敏感度，都是绕不开的坎。挑战不止于此，从问卷的书面回复来看，很多人对Agent的构建和测试感到无从下手，两大瓶颈尤为突出：

和。团队经常缺乏必要的技术知识，不知道如何针对特定场景落地；而构建、测试、部署耗时巨大，特别是要确保Agent能稳定运行时，调试、评估、微调几乎是没完没了的循环。

Agent成功案例：Cursor抢尽风头

在调查中，Cursor被评为最受关注的Agent应用，Perplexity和Replit紧随其后。Cursor是一款AI驱动的代码编辑器，通过自动补全和上下文问答辅助编写、调试和解析代码。Replit则能帮你快速搭建开发环境、配置项目，几分钟内完成从构想到部署的全流程。Perplexity则是一款AI驱动的答案引擎，能通过网络搜索并附带原文链接，来回答复杂问题。

这些应用已经不是“未来愿景”了，它们正在实实在在地解决生产环境中的问题，证明Agent已具备实用价值。

Agent应用的新兴主题

访谈里透露出的一个关键矛盾是：人们对Agent的能力充满敬佩，但团队在构建时又面临重重困难。工程师们普遍反映，难以向公司内部其他利益相关者解释Agent的功能和行为。有时，多加入一些可视化步骤能帮助理解Agent的响应逻辑；但很多时候，LLM仍然是个黑盒子，所有解释的工作都压在了工程团队肩上。

话又说回来，即便面临这些困难，以下几个方向始终保持着极高的关注度和活力。

结论

整合Agent的竞赛已经正式拉开帷幕。公司们正在通过LLM重塑工作流程，以改善决策效率并释放人的生产力。兴奋之余，大家也意识到必须小心行事——使用合适的控制手段去监督新用例，在创新与风险之间找到平衡。团队热情但谨慎，不断尝试不同的框架，试图让Agent的响应始终保持高质量，远离幻觉。

展望未来，谁能率先破解“可靠+可控”这道难题，谁就能在下一波AI创新浪潮中占据制高点，为智能自动化时代定下标准。