AI Agent海内外厂商进程如何？

中国互联网大厂加快AI Agent平台建设，逐步探索于办公、电商、客服等业务 主场景。

1.AI Agent 海外厂商进程——OpenAI 最新动态

1月24日，OpenAI发布智能体Operator，是研究预览（research preview）版本的智能体。Operator 由一个名为“计算机使用代理”（ Computer-Using Agent，CUA）的新模型提供支持。CUA 将 GPT-4o 的视觉功能与通过强化学习获得的高级推理相结合，经过训练可以 与图形用户界面 （GUI，即人们在屏幕上看到的按钮、菜单和文本字段）进行交互。Operator 可以“查看”（通过屏幕截图）和“交互” （使用鼠标和键盘允许的所有操作）浏览器，从而使其无需自定义 API 集成即可在 Web 上采取行动。同时，如果遇到挑战或犯错， Operator 可以利用其推理能力进行自我纠正。

3月12日，OpenAI发布Agents SDK，能够帮助开发者更容易创建能自动完成任务的AI Agents，核心组件包括Runner、Handoffs、 Guardrails和Model，这些组件协同工作以创建AI Agents。应用场景包括：1）企业快速构建和部署智能客服系统；2）科研领域自动化多步 骤研究过程，包括文献检索、数据分析和结果可视化等工作；3）内容生成：创作者可以快速生成高质量文本、图像和视频等内容，用于博 客、社交媒体、广告等多种渠道。

OpenAI Operator技术原理

Operator核心是基于“ CUA （Computer-Using Agent）”新型模型的网络自动化，结合GPT-4o 的视觉能力和通过强化学习获得的先进推 理能力，经过专门训练能够与图形用户界面GUI（即用户在屏幕上看到的按钮、菜单和文本框等元素）进行交互；通过“观察”（屏幕截图） 和“交互”（使用鼠标和键盘的所有操作）与浏览器进行通信，能够像人类用户一样操作浏览器，完成各种在线任务；

CUA关键步骤：1）视觉感知：通过截取网页的屏幕截图来“观察”网页的内容和布局，凭借 GPT-4o 多模态视觉能力，CUA 能够精确识别 网页上的各种元素，例如按钮、文本框、图片、链接等交互组件；2）任务理解：利用 GPT-4o 的自然语言理解能力，将这些指令转化为计算 机可以执行的操作序列；3）操作执行：基于任务指令，通过模拟人类用户的操作来完成具体任务，包括“移动”鼠标、点击按钮、拖动滑块 、输入文本等；4）环境反馈：观察网页发生的变化，例如页面跳转、新内容加载、文本框自动填充，将其作为动态输入，调整后续的行动计 划；5）推理与自纠正：在任务执行过程中遇到挑战或犯了错误会触发推理能力，通过对当前情境的综合分析进行自我纠正；6）人机协作： 在某些特殊情况下，例如遇到复杂验证码或极具歧义性的指令时，CUA 会主动将控制权交还给用户。

Microsoft最新动态

1月16日，微软发布全新企业级助手Microsoft 365 Copilot Chat，除了支持传统的文本生成、文本分析（PDF、Word等）、图像生成之外， 还支持AI Agent功能，集成在Microsoft 365商业版中，可直接调用企业自有数据，执行端到端的超复杂自动化业务流程。AI Agent功能：用 户可以直接在Copilot Chat的聊天中，通过自然语言创建Agent，用于执行自动化重复、枯燥、复杂的业务流程。例如在供应链管理中， Copilot Chat能够实时监控库存水平，根据销售数据和市场趋势预测需求，自动生成采购订单并协调物流配送，提升整个供应链工作效率；企 业服务中，客户服务代表可在会议前通过CRM Agent查询账户详细信息，现场服务人员可访问 SharePoint 中存储的分步说明和实时产品知识 等；提供聊天功能，使用方法与ChatGPT一样，可用于市场调研、撰写发展战略报告或准备会议资料等。

3月24日，微软推出MCP Server Playwright，Playwright是微软开源的自动化测试工具核心优势在于：1）跨浏览器支持，原生兼容 Chromium（Chrome/Edge）、Firefox、WebKit（Safari），无需手动安装驱动；2）高效稳定，具备自动等待机制及智能选择器；3）多场景 覆盖，支持文件上传下载、跨域操作、移动端模拟等复杂需求。

5月8日，微软在宣布Azure AI Foundry和Microsoft Copilot Studio两大开发平台，支持最新的Agent开发协议A2A，微软表示未来会与谷歌合 作一起开发扩大A2A协议。

Microsoft 365 Copilot

Copilot主要功能及应用场景： 1）与每天使用的 Microsoft 365 生产力应用配对，例如Word、Excel、PowerPoint、Outlook、Teams 等； 2）使用 Microsoft Graph 中的内容通过用户的工作电子邮件、聊天和文档个性化响应， Copilot 仅显示用户有权访问的数据； 3）文档创建、数据分析、项目管理、通信； 4）生成代理：通过集成第三方系统和数据源扩展 Copilot 的知识；跨 Microsoft 365 和外部应用程序自动执行复杂的多步骤工作流；定制用 户体，按照不同功能类型可分为声明性代理和自定义引擎代理； 例如：Copilot销售代理可以通过在Dynamics或Salesforce中将联系人转换为销售线索、设置会议以及与客户联系来自执行潜在顾客管理， 同时安全地访问Microsoft 365 和企业数据，以个性化交互并推动业务成果。

Google MCP及AI Agent最新动态

4月4日，Gemini更新API文档，正式宣布接入MCP，可直接将MCP服务器与Gemini模型搭配使用； 4月10日，在谷歌云Next大会上Google正式发布Agent2Agent（A2A）开放协议，A2A协议使AI Agent之间的沟通与协作更为顺畅，本质上 与MCP协议属于互补关系。A2A协议界定了AI Agent间沟通的固定方式，允许AI Agent相互发送消息，帮助其跨越孤立的数据系统和应用此 程序并完成协作，进一步提升AI Agent自主性并大幅提高生产力，长期来看能够降低多智能体系统的使用成本； 5月15日，Google DeepMind公布了编程AI Agent “AlphaEvolve”，可以用于通用算法发现和优化，目前已将AlphaEvolve发现的算法部 署到谷歌的计算生态系统中，包括数据中心、硬件和软件。AlphaEvolve同时部署Gemini Flash（提升速度）和Gemini Pro（提升深度）， 对现有代码提出修改建议，打造可以超越单个函数发现、进化整个代码库并开发更复杂算法的Agent。AlphaEvolve提高了谷歌数据中心的效 率，其算法应用于谷歌大规模集群管理系统Borg，可持续恢复谷歌全球计算资源的0.7%：使Gemini运算速度提升23%，整体训练时间缩短 1%。

2.AI Agent 国内厂商进程

阿里Qwen-Agent

Qwen Agent 的目标是让大模型从“对话工具”进化为“任务执行助手”，在电商、办公、客服、云平台等多个业务中提供智能体能力。如智能电商导 购、商家运营助手、企业AI客服、阿里云灵积平台（向开发者提供Qwen模型API，可构建垂直行业Agent，如金融客服、医疗问诊、法律问答）。

Qwen-Agent 是基于通义千问模型（Qwen）的开源Agent开发框架， 支持函数调用、代码解释器和 RAG（检索增强生成）等功能，能够处 理从8K到100万 tokens 的文档，超越传统长上下文模型；

主要功能：1）指令遵循：Qwen-Agent 能理解和执行用户的指令；2）工具使用：支持智能体调用外部工具完成任务；3）记忆能力：QwenAgent 具备记忆上下文的能力；4）函数调用：支持智能体调用预定义的函数或 API；5）代码解释器：内置代码解释器，支持智能体执行和解 释代码；6）多代理框架：支持构建和管理多个智能代理；

技术原理：1）大语言模型（LLM）：基于大型预训练语言模型；2）工具集成：集成各种工具，包括 API、脚本或外部程序；3）智能代理架 构：智能体能继承自 Agent 类，实现具体的应用逻辑；4）RAG 算法：用 RAG 算法处理长文档，将文档分割成小块，保留最相关的部分，提 升上下文处理能力；

示例应用：BrowserQwen，在Qwen-Agent的基础上开发的Chrome浏览器扩展：1）能与Qwen讨论当前网页或PDF文档的内容；2）记录 浏览过的网页和PDF/Word/PPT材料，帮助了解多个页面的内容、总结浏览过的内容、自动化繁琐的文字工作；3）集成各种插件，包括可用 于数学问题求解、数据分析与可视化、处理文件等的代码解释器。

未来展望：阿里2025年一季报中提到，所有 Qwen3 模型已在 ModelScope、Hugging Face 等平台全面开源，Qwen3 的全面开源将推动开 发者、初创企业和大型企业的创新实践与新应用落地。

阿里云百炼MCP

4 月 9 日，阿里云百炼上线全生命周期 MCP 服务，MCP服务可快速让大模型转化成真实场景的生产力工具。平台集成了阿里云函数计算、 200多款业界领先的大模型、50多款主流MCP服务，全面解决Agent开发所需的算力资源、大模型资源和应用工具链等。用户可根据需求选 择大模型和MCP服务，仅需简单的配置工作，无需代码几分钟即可完成一个Agent应用的搭建。

百炼平台首批上线了高德、无影、Fetch、Notion等50多款阿里巴巴集团和三方MCP服务，覆盖生活信息、浏览器、信息处理、内容生成等 领域，可满足不同场景的Agent应用开发需求，未来阿里巴巴集团更多应用和三方应用的MCP服务将逐步上线百炼平台，满足更多场景Agent 的开发需求。