一個原生自帶幻覺的新技術，能用到企業的生產環境么？起初，這是行業所有人對大模型的疑慮。

火爆的ChatGPT本質上是chatbox，聊天機器人和C端用戶的互動不需要百分百的準確，但是企業生產環境能有多少聊天場景，把其他場景全改為chatbox也不現實，幻覺問題更是死穴，企業生產更需要確定性。

當模型層面的問題不再是問題，大模型進入生產場景就有了前提條件。2025年6月11日，字節跳動旗下火山引擎舉辦Force原動力大會，發布豆包大模型1.6、視頻生成模型Seedance 1.0 pro等新模型。

結合行業趨勢來看，包括字節跳動在內的所有模型廠商都認為，大模型的“死穴”已經盡數消失，而產業正從卷模型轉向卷應用，大模型產業的勝負手既在大模型本身，更在于誰能構建一條讓Agent進入核心場景的通路。

火山引擎總裁譚待表示，深度思考、多模態和工具調用等模型能力提升，是構建Agent的關鍵要素。同時，由于Agent每次執行任務都會消耗大量tokens，模型使用成本也要降下來，才能推動Agent的規模化應用。

大模型的效果和性價比都很重要，本次大會上，豆包1.6宣布按“輸入長度”區間定價，深度思考、多模態能力與基礎語言模型統一價格。在企業使用量最大的0-32K輸入區間，豆包1.6的輸入價格為0.8元/百萬tokens、輸出8元/百萬tokens，綜合成本只有豆包1.5深度思考模型或DeepSeek R1的三分之一。Seedance 1.0 pro模型每千tokens僅0.015元，每生成一條5秒的1080P視頻只需3.67元，為行業最低。

與此同時，大模型要進入企業核心生產場景，還有大量的工程化實踐，以及超出Agent本身的工作要做。一年多之前，HiAgent企業級智能體開發平臺就推出了第一個版本，如今HiAgent再更新大版本，如何進一步補全企業級Agent的版圖，鈦媒體App和火山引擎副總裁張鑫聊了聊。

2025年，Agent上生產線元年

如果參照互聯網，應用繁榮才意味著大模型產業真正的繁榮，沒有企業想要擁有一個“互聯網”，但所有企業都想擁有互聯網化生出的各種能力，這些能力就以軟件應用的形式呈現。

大模型產業的蔓延同樣有跡可循，從預訓練到精調，從算力基礎設施到工具鏈，大模型產業行至應用層是一種必然，相比于又厚又重的底層基礎設施，上層應用是一條更好、更快擁抱新技術的路徑。此外，自上而下由業務到技術的驅動模式，企業也往往更愿意為看得見的價值付費。

火山引擎的認知也經歷了變化，張鑫談到，早期火山引擎看到，應用效果很大程度由大模型本身決定，所以字節跳動加大基礎模型的投入，想通過好的模型讓大家能夠更容易地構建出好的應用。

之后火山引擎發現，有了好的模型并不和應用直接畫等號，中間有一系列工程化實踐，從提示詞工程到知識庫到工作流等，火山引擎要提供一個足夠好的智能體的開發平臺，要把新技術的鏈路補全，扣子和HiAgent這樣的平臺隨之誕生。

一年多之前，張鑫發布了HiAgent第一個版本。當時聊大模型的算力、算法、Token的很多，聊Agent的人不多，只有一小部分企業選擇開始使用HiAgent。隨后大模型演變比大多數人預料的還要快速且劇烈，似乎之前的問題已經不是問題。

“2025年是Agent元年”，幾乎所有人都這么說，但問題是，Agent元年是什么樣的？在張鑫看來，Agent元年是一個樂觀的預期，智能體可能會“遍地開花”，但智能體爆發需要在幾個不同維度都達到臨界點。

例如技術臨界點，大模型能力的上限，決定了智能體應用效果的下限，今天的大模型已經達到博士生的水平；在商業和生態的角度，智能體最大的一個變化是使用工具，不管是通過MCP，還是谷歌提出的A2A協議，真正能夠把智能體的價值放大，還需要生態體系更加完善。

“大模型商業模式至今也分了幾個階段，初級階段賣算力，收費單位是卡時，下一個階段按token收費， 其實是在算力基礎上疊加了一部分大模型能力，再到下一個階段是按使用量或者按訂閱制來收費，但最終智能體要在元年爆發，我認為應該按效果、按價值收費，比如營銷額外產生了多少收益，節省了多少成本。”張鑫說。

一個新的共識是，上一輪所有的應用都會被AI重構。

咨詢機構IDC預計，2025年生成式AI在企業的落地仍將優先聚集在辦公助手等提升生產力的場景，其次是行業垂直業務場景。金融、能源、零售、制造是最值得關注的傳統行業。從另一個角度，智能體將是大模型應用的重要方向，流程自動化，RPA，CRM，數字員工將優先受益于智能體升級。

從企業視角觀察，大體路徑先是企業研發、生產、供應鏈、銷售服務等環節所依賴的軟件、硬件工具，都通過AI不斷迭代升級；未來全面AI化的企業，將發生業務流程、商業模式乃至組織形態的變化。

“有通用大模型，但很難有通用智能體，智能體非常依賴于場景，”張鑫說。面對一個完全陌生的新技術，哪怕它具有足夠的革命性、足夠的勢能，開端總是磕磕絆絆且不盡如人意的。這些現象背后的本質問題包括了模型能力邊界的探索、To B場景的復雜多變、工程最佳實踐的缺乏，以及數據知識質量參差不齊等。

目前企業客戶認知存在兩個極端，企業高層大多高估AI Agent，一線人員則很容易低估AI Agent，同時很多企業把AI Agent當作傳統的軟件工程，交付驗收即結束，但是企業的業務場景在變，數據在變，領域知識在變，智能體和真人一樣需要不斷地學習和調教，AI Agent不是一次搭建的靜態結果，而是持續調優的動態過程。

此外，某種意義上，在大模型產業和技術尚不成熟的階段，企業要真正發揮新技術價值，需要付出的精力并不比技術服務商少，從0到1、從無到有的拓荒，只有企業本身才能實現。對比之下，互聯網產業分工明確，是因為產業基礎盡數具備，技術供應商只需完成“最后一公里”的服務，大模型生態還早得很。

跳出Agent，才能做好Agent

大模型的演化有一個特點，在技術發展的極早期，大部分技術都沒到成熟的穩定態，所以大模型的優化必須做端到端的把控，典型代表就是現在還留在大模型牌桌的廠商，從底層芯片到云基礎設施到大模型本身，都不能有短板。

如前所述，企業Agent的技術棧同樣不成熟，這就要求技術服務商向前一步，做更多端到端的服務。

對于當下智能體開發平臺的啟示是，企業不愿意為工具付費，但愿意為結果付費，想做好企業級Agent，不能只做一個應用開發平臺，而是沿著企業Agent的鏈條延展，最大程度降低企業的門檻、提高企業Agent的價值。

如果大模型是縱向的端到端，那么，AI Agent更像是另一個橫向的端到端，當然，大模型的縱向能力也可以引入其中。

火山引擎也看到了企業的顧慮，張鑫將HiAgent智能體構建平臺本次大版本的更新，定義為“上下左右”的迭代，核心是基于Agent DevOps理念，HiAgent提供策略規劃、能力開發、評測、發布、觀測、優化全生命周期管理，實現從模型到應用的全鏈路打通。

具體來看，向右意味著開發和運營一體化，智能體不是一次開發的交付，而是一個數據不斷產生、經驗不斷積累、知識不斷豐富的過程，因此Agent需要持續運營，HiAgent從原來智能體開發加上了智能體運營， 包括評估評測、應用發布、線上觀測、會話管理、品質調優、數據回流等一系列全生命周期管理。

火山引擎副總裁 張鑫

類比云原生的DevOps理念，將開發（Dev）、運維（Ops）和測試（Test）等團隊緊密結合，通過自動化流程和工具鏈的整合，實現軟件從開發到運維的快速、高效交付。DevOps不僅僅是開發團隊和運維團隊的結合，而是涵蓋了從需求分析、產品設計、開發、測試、部署到運維的全過程協作。

向上，除了智能體開發平臺以外，很多企業還是要面臨“最后一公里”的問題，火山引擎也提供了行業樣板間和模板庫，面向常見的一些場景，包括客服、營銷、招聘、辦公類等，進一步細分成教育行業、醫療行業、金融行業等。“如果說智能體開發是從0到1，有了模板以后企業就從0.8到1，企業可以基于模板補充符合自己需求的最后20%，小修小改就能快速完成。”張鑫說。

向下則是模應一體，模型和應用一體，除了提示詞工程、知識庫，大模型能力本身就是應用能力很重要來源。很多行業免不了要做自己的模型，把通用模型通過精調、強化學習，甚至通過精蒸餾達到一個非常專業的領域模型成都，然后再基于它做上層的智能機搭建，以期實現更好的效果。

在HiAgent 新版本中，智能體效果的深度優化可以下鉆到模型層。HiAgent 2.0 融合一站式模型訓推平臺，提供模型后訓練以及多模型的管理和評測，從數據標注到參數調優，讓專業開發者能針對行業場景定制專屬模型，告別‘通用模型水土不服’的痛點；同時，HiAgent 2.0提供私有化部署引擎，讓推理服務嵌入企業內網，數據不出企業防火墻，既滿足合規要求，又能在工廠、銀行等網絡敏感環境中穩定運行。

向左，一個統一的智能體入口。張鑫表示，跟企業合作多了以后就會發現，大家會遇到一個共同問題，基于HiAgent確實可以很方便地創建智能體，企業員工群策群力，一個企業內部往往會有幾百個不同的智能體，但是所有智能體的使用非常零散，所有智能體分布在不同的入口。

這時企業就需要統一的交互入口，讓員工可以在日常工作中更容易地和智能體協作，同時沉淀更多企業用戶數據和偏好記憶。HiAgent 2.0就發布了這樣一個Canvas統一交互門戶，在HiAgent上搭建的智能體可以直接發布到Canvas門戶，員工與多智能體可以通過“千人千面”的動態“畫布卡片”的方式，協同作業。HiAgent通過閉環智能體從搭建到使用的鏈路，可以讓企業更容易地使用多個智能體，讓“數字員工”真正融入到日常業務中，更好推動業務的AI轉型。

張鑫表示，“飛書和釘釘本質上更多解決了人人協同的問題，和飛書和釘釘不一樣，火山引擎更想成為解決人機協同的入口，這個入口專屬于一個用戶，甚至可以千人千面的呈現，研發、銷售和管理人員看到的界面都不同，通過這個入口可以喚醒幾十個甚至上百個自己的專屬智能體。”

他還提到，互聯網應用看重流量和生態能力，類比到企業領域，企業內部智能體一定不是孤立存在，新技術和老技術有相對長的共存期，企業內部已有的CRM、OA以及API、各種算法等工具還是會存在的，如何讓智能體更好和企業已有系統打通，火山引擎也希望通過統一端能夠完成，比如存量系統是否可以通過工具的形式發布到HiAgent平臺，讓智能體可以自由調動，這也是HiAgent要做端到端的核心之一。

Agent繁榮，大模型才是真繁榮

除了負責火山引擎企業級智能體開發平臺之外，字節跳動的智能體開發平臺，還有更被開發者和普通用戶所熟知的扣子，有了扣子，為什么字節跳動還要做HiAgent？

“在字節內部，我們特別不提倡內卷。”張鑫一言以蔽之。

從本質上看，扣子的產品確實在企業業務市場有需求，從客戶視角看，扣子有自己的定位，面向開發者和C端用戶，追求開發者的廣度和深度。此外，企業級客戶，尤其是大型客戶的“人事物”更復雜，需求也更個性化，需要HiAgent這樣的平臺來滿足。

但是扣子和HiAgent也算“同出一門”，兩大產品之間既有交叉的部分，譬如智能體開發的通用能力未來也會做到復用，類似低代碼、寫提示詞、做自動優化、工作流編排、知識庫建設等。不交叉的部分兩邊會各自投入大的資源，HiAgent的投入就是企業級客戶的所需。

簡而言之，扣子和HiAgent走出了差異化的路徑，但共同目標都是大模型產業的繁榮，前者聚焦于低門檻、場景化的智能體搭建平臺，賦能個體開發者和中小企業快速落地AI應用；后者則深耕企業級復雜流程自動化與深度集成，為大型組織提供端到端的高可靠智能解決方案。

結合行業來看，企業市場的Agent有時會滯后于消費市場，但是在垂直領域的縱深要遠遠超過消費級應用。例如某企業基于其他開源平臺開發了Agent并應用于生產系統，但是并發只能做到200個，遠遠低于該企業所需，改換HiAgent之后才滿足了生產環境的大規模并發。

更有趣的是，比如在企業AI工作臺，用戶想總結一個會議，此時企業沒有會議總結助手，AI工作臺就會自動調用一個特殊的工具HiAgent-Browser-Use，像manus那樣在線用HiAgent搭建出一個會議總結助手智能體，搭建完成后自動注冊成超級App背后的子智能體并執行會議總結，然后把結果渲染到畫布上。這就好像是，HiAgent能讓Agent自我繁衍了，一個更高階的Agent創建了新的Agent。

這也表明，HiAgent不只是一個開發工具，甚至不只是一個平臺產品，越來越多的客戶把HiAgent視為一個完整的AI能力中心，有別于以往的軟件應用，HiAgent沉淀了客戶的數據和知識，云基礎設施、大模型、中間件等產品和服務都是過程，最終交付給企業的AI能力，這應當是AI Agent之于企業的意義。

張鑫還記得，廣州公交集團的數字人，在內部居然有了自己的工號，在合同審核、車輛維修等多個領域持證上崗，且有自己的考評體系，硅基員工似乎真的成了企業生產環境的一部分，這也是他眼中Agent上生產線的實證。

基于行業視角觀察，張鑫認為，現在還是智能體開發平臺的發散階段，就像早期模型架構不統一的“百模大戰”，最終MoE架構成為主流，大模型玩家自此收斂。目前Agent的標準也并不統一，缺少公認的Agent成熟度體系，所有人都認可Agent的戰略方向，只是在落地和關鍵能力上有所不同。

火山引擎認為，除了開發平臺以外，還有幾個關鍵因素，首先是模型的能力，其次是極致的推理性價比，因此字節跳動在豆包大模型本身的投入上不遺余力，更注重自身模型的效果。同時在AI推理能力上，火山方舟加大更多投入，讓Agent跑起來的時候性價比更高，這也是未來Agent繁榮很重要的一個因素。

基于云計算的軟件開發模式已經成為主流，但是開發者使用容器等理念反而減少了對云廠商的依賴，張鑫在加入字節跳動之前，曾在谷歌深度參與K8s的開發，之后回國創立才云科技，親歷了云計算時代的軟件開發。

“K8s讓應用太容易遷移，這是開源的勝利，我們曾在谷歌內部開玩笑說，某種程度它反而有損于公有云廠商的價值，因為開發者可以將應用遷移到任何合適的環境，但是Agent可能不一樣”張鑫表示。

在他看來，對企業或者開發者來說，Agent真正的黏性在于更具性價比的全棧基礎設施，以及越用越好用的數據沉淀。

“Agent更依賴于基礎設施，就像DeepSeek出來之后各家的推理成本差距很大，很多云廠商托管的DeepSeek服務也不可用，火山引擎提供了更好的服務。另外，Agent天然對用戶有黏性，因為它有長期記憶，用戶使用同一個平臺，用同一個產品構建了Agent以后，用得越多Agent越好用，數據可能是以長期記憶或者知識庫的形式存在，這些知識和數據沒有辦法帶走的話，Agent的效果也會大打折扣。”