pg电子平台樊刚正与我们分享了Agent公司来自实践一线的观察与思考。从本地生活+AI，到AI教育，再到分别面向C端和B端的智能体平台，汇智智能围绕Agent的落地做了不少的尝试探索。

　　那么AI Agent的价值点在哪里？最适合AI Agent落地的场景是什么？一线用户对智能体需求的真实反馈是什么？

　　技术的引入需要解决实际问题，而非增加复杂度。先考虑做单点突破，再去考虑做泛化通用。不是去造飞机大炮，而是要在AI商业化中造子弹。企业内部能最先能用好的Agent，比如像在钉钉、飞书这种企业协作工具里。

　　今天在分享中，我更倾向于向大家去呈现：我们在Agent落地方面经历了什么样的探索，然后在落地探索中，我们吸取了哪些经验。我觉得这个实际业务当中的一些经验，可能对于大家来讲更有启发，也更有价值。

　　汇智智能最早是做本地生活，还有游戏相关的业务。所以最初我们转向做AIGC的时候，也尝试过和我们过去的业务做一些结合。

　　我觉得任何从传统业务，或者从互联网行业转型做AI的公司可能都会经历过这样的步骤，先去考虑AI和我原有业务怎么去做结合，然后再想如何仅基于AIGC去做产品。这也就是从应用+AI到AI原生的这么一个路径。

　　最早汇智智能做的小程序是面向本地生活商家，主要是为用户提供运营管理的工具，通过抖音MCN，以派单的方式给达人一些线上任务。

　　加入AI大模型后，我们先后推出了旺氪小程序和智能体AI小程序。除了接单派单的功能，还加了内容生成的工具化服务。比如说用户可以在小程序里生成门店图片，或景区风景合影照片。当时上线了非常多的插件类工具，我们在内部把这个叫做智应用。

　　但在这个过程当中，我们发现：即使有一些流程指引，商家反馈的使用效果也不是很好。加了AI的功能之后，部分视频是AI生成的，部分文案是AI生成的，但对商家来讲，他们觉得步骤变多了，但我拿到的东西还是和过去一样。

　　在一开始转型做AI业务的时候往往会发生这样的问题，想当然地认为可以用AI去改造现有的生产环节，或者认为这能够替代一切原有的内容生产。但实际使用时会发现，ROI并没有想象的高。

　　在应用AI时我们需要谨慎，特别是在没有颠覆性创新之前，技术的引入必须真正解决实际问题，而不是增加复杂度。

　　另外我也给大家一个建议，就是先考虑做单点突破，再去考虑做泛化通用。过于泛的场景应用容易导致各个场景只能拿到60分，但对用户来说，如果你只能在一个场景中解决60%的问题，其实解决0%的问题没有区别。

　　在上面的尝试中我们也发现：AI的转型落地依赖于相关人才来完成最后100米的落地部署。这种人才在国内来讲是比较少的，真正能称得上是大模型工程师的人其实不多，这也导致项目落地时，没办法提供很高的交付能力。

　　所以我们希望为市场培育更多人才，这对整个行业都是有价值的。于是我们想把过去内部业务培训的内容，拿出来做成对外的课程。但它也没有太强的生命力。

　　因为在没有积累丰富的AI落地案例的时候，课程更多偏大模型本身的技术学习。所以面向的学员群体非常窄，推广难度大，没有能够吸引很多人来加入这个行业。另外，教育内容的研发和推广周期长，导致课程上线时已落后于市场需求。

　　我们的经验是，AI教育应从业务中自然生长，当有足够多的经验案例时再推向市场。同时，教育对象应是可以转化为业务伙伴的用户，而不是C端用户。对于业务平台来说，直接参与知识付费业务没有那么合适，应该谨慎对待。

　　在几次业务尝试之后，我们重新思考了汇智智能在大模型生态中的定位——我们将自己定位在应用框架层，合作伙伴属于垂直应用层。

　　目前汇智智能的业务架构是B端和C端融合的结构。我们目前主要的两个智能体平台：Gnomic平台面向C端创作者，提供定制化的智能体创意、分享与推广服务。Agent云则为B端企业提供AI数字员工解决方案和云服务，帮助企业优化成本、提升效率，提供决策支持。

　　截至今年5月底，Gnomic平台拥有超过500万用户，原创智能体数量达7万多个。像AI小王子、南瓜博士，还有数字生命卡兹克，都是我们最早一批内测用户。

　　Gnomic平台面向的用户群体很广泛，我们可以通过这些智能体去观察，有哪些场景适合我们做深入的业务探索。比如目前有3万+休闲娱乐相关的智能体，例如角色扮演等，还有2万+与工作学习相关，2万+与金融和商业相关。

　　我们所有的智能体支持转发或部署到微信公众号、抖音号中，让我们平台的能力变成创作者在个人平台里的能力。我们也会帮创作者做一些推广，分享创作者作品让更多人看见。希望能够做到「与AI热爱者同进，与AI创造者共赢」。

　　Agent云平台的定义是企业级的AI数字员工解决方案与云服务平台。区别于过去的数字员工，Agent云定义的AI数字员工更突出与大模型结合带来的新价值。具体有五大用户价值点：

　　汇智智能拥有自研大模型CarrotAI，预计今年下半年可通过备案，向公众提供大模型服务。

　　有很多合作方和生态合作伙伴问我们，为什么作为平台层公司，还要做自己的大模型？

　　因为我们觉得，如果只是做平台层，往往会陷入身不由己的境地。最近大模型在大降价，相比直接我们的接入成本降了很多。但是对我们而言，成本可控比成本低更重要。

　　而且，当我们熟悉从数据标注到预训练的大模型开发全过程，再到最后微调、部署，我们自身也会有更强的技术掌控力。面对客户的需求时，我们都可以通过自己的技术栈做快速的切入来提供服务。

　　面对更多的场景，仅靠汇智智能来承载是不够的。这里为大家呈现的是，汇智智能生态合作伙伴的运营体系——城市运营中心。

　　最终我们希望通过汇智智能的大模型创新能力，为合作的城市运营中心提供技术上的赋能。让身处于行业中的生态合作伙伴，去交付具体客户。

　　比如像金融行业的客户需要智能体业务，我们自己去了解行业再做成定制化产品，就会花费比较长的调研、开发时间，而对于金融行业的合作伙伴而言，就容易得多。我们将底层技术提供给金融行业的合作伙伴，由他们完成实际交付。相当于把汇智的能力复制出去了。

　　我们这段时间也正在招募城市运营中心的合作伙伴，非常欢迎大家联系我们交流合作。

　　Q：在目前汇智智能的观察中，在哪些场景或什么样的工作，是Agent能够完成得更好更优质的呢？为什么企业可以用Agent来代替原有的工作流？

　　汇智智能樊刚正：在Agent云中上线的智能体，大多数都是用于企业内部协作的场景。我们觉得在企业内部能最先能用好的Agent，比如像在钉钉、飞书这种企业协作工具里，在内部平台去加上智能体业务。

　　汇智智能樊刚正：其实还挺多的。比如我们之前与江苏的一个国企合作，提供企业内部的协作服务。他们作为一家大企业，旗下有400多个子公司，内部协作时有许多各部门共享的文档，和需要同步的会议信息。

　　我们为他们定制了内部使用的智能体平台。在平台里，可以创建不同部门的智能体空间，每个空间的智能体都对应了具体的员工，员工平时可以把日报和周报发给智能体。时间一长，对应的智能体会非常了解这个人在做什么，平时在解决什么问题。

　　如此可以实现以下两种场景。一个是记忆的传承，当原来员工离职后，新员工可以继承他的智能体，遇到问题就可以向原来员工的智能体询问。还有一个是记忆的共享，用户可以调用不同身份的智能体。当该身份员工不在时，可以向他的智能体寻求建议。智能体就像是一个员工的数字分身。

　　当智能体平台与监控摄像头相结合，还可以做到预测功能。比如过去火情监测是靠烟雾、火苗的识别来做预警，那么通过监测环境中的易燃物，可以火灾的可能性，同样也可以预测火情的原因和适合什么设备来灭火。类似的监测还可以用于校园霸凌的场景，比如发现多个学生围着某个孩子时，就可能存在校园暴力的场景。

　　Q：那就您的观察，目前智能体的用户比较关注的Agent的功能是什么样的呢？

　　汇智智能樊刚正：不同行业有不同关注的价值点。主要集中在三个方面，一个是快捷、一个是可塑，一个是性价比。

　　比如我们和一个咨询公司的合作。对方主要是为企业提供数字化转型咨询服务的。当用户问他们有没有AI平台可以使用时，他们就只能推荐使用智谱，或者月之暗面这些平台。那么，现在我们提供了定制化智能体平台OEM服务，他们可以直接对客户企业说：可以直接使用我们的平台上的智能体产品。对于这样的用户，他们关注的就是平台的快捷、可塑。

　　有的公司需要单独做具备智能体功能的小程序开发，我们就提供了比较有竞争力的服务价格。对于生态合作伙伴，在开发费用、算力费用上都有不同程度的优惠政策。相比企业自己去搭技术栈做这样一个平台，我们可以节约95%以上的成本。

　　Q：那么像现在大模型迭代也非常快，那么智能体产品是否需要始终适配最新的大模型呢？

　　汇智智能樊刚正：不是这样。以C端的视角来举例：假设我是一个提示词创作者，过去在ChatGPT上面创作了很多有意思的提示词，但当把这些提示词搬到智谱，或者月之暗面的模型上面时，发现效果和GPT回答的并不一致，因为他们本身的能力是不一样的。

　　那在企业端也是这样的问题。比如已经把智能体配置得很好，基于某种模型做了测试，调试后达到了一定的效果。如果有什么最好的模型马上做更换的话，那相当于提供的服务其实是不稳定的。可能换了参数量、能力更强的模型，但不意味着一定能做更好的服务。我们更倾向于在这个场景下，当模型已经能实现用户要求的时候，一般就不会做更换。

　　这也是去年行业里一个普遍的误区，就是模型越大越好、模型一定要参数量越高越好。其实不是这样的。小模型，相对来讲更可控，而且成本更低，我们去做运营的调试成本也会更低。对于用户来讲，也能够做更多定制化的东西。

　　Q：还有伙伴比较关心，如果用Agent来作为数字员工的话，涉及到任务的解答或者知识的继承，对于准确性还是有一定要求的，汇智智能如何看待智能体的数据准确性呢？

　　汇智智能樊刚正：数据准确这方面，其实有很多策略可以来解决。大家知道大模型有幻觉问题。比如大家关注的AI搜索：以前用大模型回答问题时，很难避免不出现幻觉。而AI搜索的逻辑是：用户输入问题后，后台调用搜索的插件，比如Bing的插件去看搜索出来的结果，然后根据这些结果的文本内容进行总结，再回答你。

　　我们也可以在知识库的层面去避免这种问题。如果你发现想提供给用户的服务，在知识库里没有，互联网上也找不到，那我们可以帮企业做信息上传，进行知识库的处理。

　　我们还可以在提示词里做避免幻觉的提示词策略，比如要求AI回答的任何问题，都必须通过知识库或互联网连线去检索回答，并提供依据。

　　另外。技术本身是有自己演进过程的。我们现在也很难信任智能体来完成一些具体的金融行为，比如让智能体帮我付钱。比如订单点菜的智能体，万一产生了幻觉，付款付多或者付少了怎么办？

　　所以我们需要有长远的技术视角。现在在某些场景下，智能体已经可以比较准确地解决问题，但是在某些要求特别精准的环境里，我们可能要期待未来的技术来解决这些问题。

　　AI技术的落地应用不仅限于科技领域，它已经渗透到各行各业，成为推动产业升级的重要力量。因此，“365行AI落地方案”主题策划应运而生，我们寻找各行各业中成功应用AI技术的案例和方案，分享给更多的产业内人士。