Agent核心过程与功能有哪些？

2025 年是 AI Agent 落地元年。

Agent 将 AI 大模型形态从“对话”向“工具操作+长 流程任务“转变。在技术突破的推动下，任务长度不断扩展，交互方式完成多模态升级， 应用场景从办公走向 B 端垂类业务。 Agent 的核心过程：感知(P) — 规划(P) — 行动(A) 1） 感知（Perception）：Agent 通过观察从环境中收集信息并从中提取相关知识； 2） 规划（Planning）：Agent 为了某一目标而作出的决策过程 3） 行动（Action）：基于环境和规划做出的动作。 AI Agent 产品形态下，软件行业定制化属性重，边际成本难以递减的问题，可能得到 改善。乙方定制化是中国软件行业难题。定制化程度高，压制利润率和人效，软件供应商 普遍以铺设大量人员方式为企业做定制化开发。 A 股软件行业平均利润率 2010 年以来从 13%下滑至 1.5%。软件行业收入增长很大程 度上由员工数量增长支撑，人均创收提升缓慢，2018-2023 年在 60 万元/人到 90 万元/人之 间，也是受到了行业定制化要求的制约。

我们认为，AI Agent 这类革新产品形态，有望解决软件定制化要求高的问题。 综合国内外 AI Agent，已经可以实现的功能： 1) 自主创建工作流+多 Agent 联合处理 。Agent 自主创建工作流：例如，在 HR 领域，能够自动简历分析-候选人匹配-候选 人联系-面试安排。 定制化功能一：AI 自主生成候选人匹配功能，结合公司需求筛选候选人 。定制化功能二：AI 结合公司数据，准备和岗位需求高度相关的面试问题。

Multi-agent 用例：通过 Agent 进行信息分析和总结。多 Agent 联合处理：AgentForce 预判用户对供应链问题的关注，并推荐产品专家 Agent 联合处理。Agent 参与项目讨论： 多个 Agent 作为群成员与项目成员互动，解答问题和完成任务。

2） 产品力提升：统一数据平台。统一数据平台通过底层架构整合显著提升产品力： Palantir Now Platform 以“单一数据模型”消除数据孤岛，模块化设计兼容扩展，2024 年通过 Xanadu（AI 集成）、Data Fabric（数据编织）强化统一性，实现跨部门协作。 Workday 践行“The Power of One”理念，通过统一数据/模式/体验/社区，减少大量招聘 时间并提升产能，部分新功能源自用户需求。两平台均以数据与业务深度整合驱动效率跃 升。

定制化需求来源一是非结构化数据。非结构化数据占企业数据大部分，AI 基于 NLP、 聚类算法和计算机视觉等技术，擅长处理非结构化数据，适用于满足非标需求，有望减少 软件公司的定制化开发。增强的 RAG 能够实现与企业非结构化数据建立对话，理解大段文 字的检索意图，在三个方面实现提升： 1） 控制幻觉：增强的 RAG 将 query 在企业数据中上下文化，减少在数据库中随意抓 取的问题； 2） 时效性：相比 fine-tuning 能够即时检索最新信息； 3） 数据安全：RAG 降低对 LLM 能力的要求，可以本地部署大模型，RAG 也能够更 好进行访问权限控制。 定制化需求来源二是业务流程差异。而 Agent 可获取环境反馈，适时交互，从而适应 差异化业务流程，Anthropic 强调 agent 与工作流的区别，工作流的流程是固定的，LLM 和 工具的使用方式预先设定。 Agent 独立计划和操作，在执行过程中从环境获取反馈来评估进度，并在检查点或障 碍时与人类交互，同时包含停止条件（如最大迭代次数）。复杂任务处理能力有较大提升 空间，根据 Menlo Venture（门罗风险投资基金），当前 Agent 采用率最高领域为广告、 代码、客服等高容错场景，复杂任务能力仍有较大提升空间。根据 OpenAl 研究及相关论文 成果，提升 Al agent 复杂任务处理能力主要从任务分解、规划选择、外部辅助、反馈方式 和记忆入手。 利润率上行的另一重要原因：商业模式变化，从服务费到按次收费。

过往国内软件行业主流的商业模式，以项目制为主，2016 年上云后，演化出 SaaS 等 订阅制的付费模式，且在国内外部分领域得到了较好渗透。本次 AI Agent 阶段，软件商业 模式可能再一次发生演进，从订阅制年费演化为按次按量收费。 收费方式的改变体现的是软件从服务企业管理向价值生产的转变，售卖产品带来的价 值，而不是产品的功能权限/席位许可，收费依据不断向软件产生的价值靠拢。