前面為大家介紹過AI Agent的發展史和工程結構模型，并對Agent的典型代表——Manus的技術架構進行了詳細解析。不少同學看完后紛紛留言說，他們在工作中也嘗試在推動落地Agent，但結果總是不盡如意，希望我能給出一些建議。

我自己目前對AI Agent也處在探索實踐階段，并無法給出很好的建議。不過在實踐的過程中，我總結了三點落地AI Agent要面臨的挑戰，倒是可以分享給大家。

首先還是明確一下AI Agent的基本概念：

AI Agent是具備感知環境、做出決策并執行任務能力的AI工具，通過感知、決策和行動實現目標。它的核心特點包括：

• 感知能力：獲取外部環境信息，如視覺、聽覺。
• 決策能力：基于信息推理規劃，選擇行動策略。
• 行動能力：執行具體的任務或操作，影響環境。
• 學習能力：通過與環境的交互，不斷改進策略。

簡單理解：Agent=大模型+插件+工作流，分別對應控制端、感知端和執行端。

基于AI Agent的定義和特點，下面是我總結的三點落地AI Agent要面臨的挑戰：

一、用戶業務場景

在工作場景中落地AI Agent工具或者產品，我個人認為，面臨的最大挑戰是發現真的對用戶有價值的Workflow。如何理解這句話呢？

假設你是一名測試工程師，日常工作中絕大多數時間都圍繞著需求和測試用例開展，如果你想通過AI Agent來解決你測試過程中遇到的問題，比如測試用例編寫、生成測試數據、自動化測試腳本，那Agent一定要能在這些環節帶來效率和準確率的提升，否則你會發現投入產出差距太大。

很多同學對Agent期望太高，想通過一個Agent來完成一個復雜的功能，但截至目前能看到的一個現象就是，單獨的Agent完成一項測試任務的投入產出比，其實還不如已經建設完成的CICD流水線，甚至是已有的自動化測試任務。

如果已有的自動化流程可以完成80%的任務，那AI Agent的優勢就完全不突出，你也很難說服老板，投入大量資源在AI落地方面。

一句話概括：找到真實存在痛點的場景，然后再考慮用Agent+Workflow來解決。

二、用戶使用習慣

回看過去二十年，無論是PC互聯網時代還是移動互聯網時代，你會發現，每當出現一個全新的技術或者產品時，無論是專業的產品經理、研發工程師還是普通用戶，都不一定清楚如何快速有效地使用它。

在當前的AI領域，這個現象依然存在。很多用戶仍然在用原來的互聯網思維，或者三年前使用ChatGPT的思維來使用Agent，在這種思維下很快你就會發現Agent存在的種種不足，主要原因有如下幾點：

• AI技術落地的基礎技術設施建設缺乏。
• 大多數工程師當前仍處于學習探索階段，落地能力仍顯不足。
• 業內缺乏行之有效的最佳實踐案例和方法論，即使大廠也僅僅是飽和式探索。

在上述這三個因素的基礎上，將AI的落地和使用經驗傳遞給普通用戶，讓他們快速上手，本身就是一個很難的挑戰。

當前在多數公司中，真正研究和落地AI的仍是少數人，如果對AI的認知和經驗無法快速推廣，則短期內很難看到AI帶來的效率。

三、Agent的效率和精度

大模型的本質是是一個概率預測機器，它會根據用戶輸入來預測生成token，并依據已經生成的token生成下一個token。作為AI Agent的底層基礎技術設施(操作系統)，就會導致這樣一個現象：

AI Agent需要通過多次調用模型和推理鏈路來保證最終輸出結果的準確性，因此任務執行時間較長。而對大多數使用AI的人來說，過長的等待時間會耗盡本就不多的對AI的期待和興趣。

從個人角度來看，AI Agent要想真正的帶來超過傳統IT技術的價值，真正的挑戰在于產品設計、實用性以及用戶(這里的用戶包括普通用戶和工作中使用AI Agent的人)接受度方面。

長期來說，技術問題遲早會被解決，效率和信息幻覺問題也會在很大程度上被緩解和提升，但AI產品設計和用戶適應的問題，可能會長期存在。

換言之，未來AI會進一步拉開普通人的認知和能力差距，造就全新的思考和創新荒漠。與此同時，能快速跟上并掌握如何使用AI的人，會在不遠的將來獲得難以想象的收益。