撰文| 郝 鑫

編輯| 吳先之

AI圈春節無眠，DeepSeek憑借一己之力在國內外掀起了腥風血雨。

DeepSeek-R1徹底打開了強化學習的“黑匣子”，也撕下了以OpenAI為代表的閉源大模型“遮羞布”。一場假期逐漸演變為了DeepSeek式“掃盲”，普通人占卜問道，圈內人連夜惡補論文。

僅上線20天的“DeepSeek”創下了奇跡，全球日活DAU突破2000萬，成為了全球增速最快的AI應用。

目前，大模型行業存在著兩條并行主線，即底座大模型能力升級與Agent應用落地。前者主要解決的是天花板問題，模型通用能力越強，所能處理的問題就越復雜。Agent則承擔起連接“大模型”和“場景”的中介作用，核心解決的是模型落地問題。

DeepSeek不僅是模型性能大突破，而且帶來了高效、節約成本的開源解決方案，這將為今年Agent應用爆發打下了基礎。據悉，僅春節期間，就有部分企業完成了全線產品基座升級，迎來了第一批“DeepSeek應用”。

底層大模型是“打地基”，Agent應用是“蓋房子”，地基打得牢，房子才能建得穩。

據光子星球了解，在大模型這片算不上成熟的土壤上，Agent至少已經搶跑了一年多。當Agent從工具屬性逐漸演變為生產力，能夠把大模型能力打包進產品來解決問題，所有的SaaS都值得用AI再做一遍，都值得用智能體改造一遍。

歷史似乎是一個循環，仿佛一夜回到當初的大模型井噴期。面對Agent，是要以量取勝，走“千體大戰”“萬體大戰”的路線，還是聚焦到核心需求場景，集中把幾個場景做深、打通？

大模型的下一站：Agent在大爆發前夜

過去一兩年的時間，大家各自沿著技術、場景進行摸索。Agent作為一個新興業態，目前整體呈現出“混沌”的階段性特征。

最直觀體現在價格上，翻看過去一年的Agent應用訂單，成單價格在幾千到上千萬元浮動，彈性相當大。相關行業人士告訴我們，某些個人開發者可以把價格壓得很低。

一個比較突出的點在于，Agent的落地是先供給后需求。以技術為導向的思維下，導致了Agent早期對外輸出時更多強調的還是“工具屬性”。對一般企業來說，有兩個門檻，一是在大模型之上調動工具組合Agent應用的能力，二是把Agent應用與現有業務結合的能力。

目前國內尚有大量的大型、中小型企業用戶需求沒有被釋放與滿足，整個市場供給出現了斷檔。有一部分企業敏銳地察覺到了該現象，試圖扭轉供需間的失衡關系，但仍是杯水車薪。囿于自身資源、實力有限，不能完全覆蓋剛需場景，以此來滿足企業的需求。

需求和供給是一組動態的關系，初期由技術驅動，隨著技術的成熟，Agent應用需求爆發近在咫尺。

回顧大模型的發展也曾走過同樣的軌跡，從無到有，從搞大參數到百模大戰。比起大模型，Agent的部署難度系數更低，像此前一樣，也出現了極端化的聲音。有企業家說要做百萬個Agent應用，開展智能體時代的“千體大戰”和“萬體大戰”。

對此種觀點，持正反兩方觀點。支持的人認為，現下Agent還有大量需求沒被發現，只有迅速以數量鋪開，通過大規模的開發與應用，才能讓Agent觸角深入到各個行業，測試效果如何。

反對者則認為，借鑒大模型，百模大浪淘沙后也只剩幾家，Agent沒有必要做無謂資源浪費，不如先聚焦在幾個剛需場景。比起“用上”，“用好”才是終極目標。

讓AI更有用：聚焦五大場景做深做透

“發展智能體，做深比做多更重要?！?/p>

京東云是幾家堅持Agent市場大有可為的大廠之一，基于海外SaaS市場的成功經驗，一位京東云人士認為發展智能體也要用好技術的二八定律——20%核心應用往往滿足了通用的80%需求。

考慮到Agent目前的發展階段，京東云認為做深比做多更重要，要把核心場景打穿、打通，將20%核心應用做到“好用易用”。

因此，京東云構建了一套完整的智能體技術體系，簡單來說就是兩個詞“AI應用更有用”和“AI應用更好用”，并以此形成了可以提供從底層智算到上層應用的一攬子系統解決方案。

具體來看，向上是場景層面，基于京東內部智能體實戰經驗，嚴選出企業布局智能體聚焦的五個重點方向，分別為協同辦公、專業助手、客戶服務、營銷推廣和數據應用。

向下是基礎設施層面，避免出現傳統SaaS重復造輪子所導致的孤島效應和資源浪費，京東云認為企業應該打造統一智算底座。通過智能體平臺配置好的模板，降低用戶使用門檻，幫助業務側快速搭建滿足80%核心需求的智能體應用。

京東云聚焦五大場景的考量主要有兩個。首先，從外部調研數據看，Agent廣泛應用在軟件開發、市場營銷、IT運營、客戶服務、人力資源等場景，其所選取場景基本覆蓋了市場企業的需求。

另據京東云數據顯示，五個重點方向目前覆蓋了智能體收益最高的80%核心場景。這樣一來，客戶不僅知道把Agent用在哪里，還知道怎么拿Agent賺錢。只有用戶清晰地看到收益，才能更快地釋放Agent應用市場需求。

落實到Agent應用場景是個模糊的概念，有些新興的Agent公司被迫定位為“工具型”產品，原因就在于缺乏行業經驗。

有公司告訴光子星球，他們只有在保證通用型產品的基礎上，才能抽出精力選擇性地滿足客戶的業務性需求，一旦超出他們的可控范圍，就不得不放棄某些場景。

但京東本身就是Agent的最佳試煉場，五大場景就是跑通物流、金融、零售等業務的實戰結果。

據其介紹，基于京東云言犀智能體平臺，京東內部已構建超1萬+個智能體，提高人效超1億元?；诖?，才有了對Agent應用場景的進一步細分，例如對籠統的“專業助手”劃分為商家智能助手、采銷助手、物流小哥智能助手等。針對營銷推廣需求細化為了AIGC營銷、AI導購、數字人直播、智能外呼等。

從場景直接切入到行業，客戶立即就能鎖定應該用到哪些業務環節中。據悉，京東云言犀智能體平臺配置100多種行業解決方案，以及1000多種插件，無論用戶是否有編程基礎，都可以低成本快速搭建基于AI大模型的各類智能體應用。

將AI Agents部署到生產環境中時常面臨著定制化難度大、缺乏可重用的基礎設施等問題。眾所周知，Agent最突出的能力在于可調用工具，但碎片化的工具、集成性和可擴展性問題一直困擾著企業和開發者。這就需要建立管道和調度屬性的平臺來統一管理。

言犀智能體平臺，是京東云推出的一站式AI智能體搭建與發布平臺，旨在連接大模型與企業應用的“最后一公里”。

（言犀智能體平臺架構圖）

該平臺最底部是模型開發平臺，目前已經接入了數十個大模型，用戶可根據實際的業務需求選擇合適的大模型。中間是Agent應用構建平臺，可以任意組合大模型、知識庫、插件、意圖識別等能力，通過流程編排的方式來增強AI Agent對流程型復雜任務的理解和執行力。最上面接入了企業核心場景，用戶只需要簡單復制行業模版和簡單調試即可快速構建智能體。

上文中提到，業務量的參差不齊導致了用戶需求量的差異性。針對此，京東云不僅在開發過程中同時兼具靈活性和便捷性，而且在交付模式上覆蓋了大、中、小型各類企業需求，也無需糾結于通用化還是定制化功能。

首先是公有云服務模式，適合深度開發行業模型或獨立模型部署的場景，無數據外網擔憂，直接使用公有云言犀SaaS服務，資源彈性，按量付費。

其次是私有化交付模式，滿足數據本地化管控要求或低延遲指標需求，適合深度開發基礎模型、行業模型或獨立模型部署的場景。

第三是聯合定制開發，由京東云與行業客戶或行業軟件開發商共創，京東云提供算法服務和交付平臺，行業開發商借助言犀智能體平臺開發應用。

重塑AI生產力：Agent已深度融入業務全流程

現在，被京東驗證過的Agent能力正在被大量復制，在各行各業的公司內部發生化學反應。

劉曄（化名）是一名跨境電商，每天都要處理來自各個國家的商品貨物，商品進出口時的貨物備案成為了其最頭疼的一環。傳統HS Code備案流程復雜、耗時久、易出錯，需要先核對產品信息、判斷商品種類，翻閱資料查找稅則號后，然后手動上傳備案。遇到不常見或復雜商品時，商家還需要重復溝通、確認。每天繁瑣又重復的步驟，讓劉曄在其中消耗了大量的時間。

在接觸到京東云的CMS HScode生成智能體后，他開始嘗試讓AI替代人力?！艾F在一步就能完成備案流程，算下來只用了5秒鐘”，劉曄驚喜于Agent帶來的高效?，F在，他每天只需要點擊“AI推薦”按鈕，智能體工作流就會被觸發，大模型自動根據輸入的商品名稱進行品類識別，精準推薦出對應的海關編碼，在被其采納后，還能同步關聯出編碼下的相關審核信息。

京東云稱，目前已有600多家京東跨境商家體驗到了該智能體的便捷，日均調用次數超過3000次，最高達5282次，商家采納率高達84%。

在廣告投放場景上，京東云推出了京準通智能助手，實現了“一魚多吃”。一個Agent應用解決了許多商家專業知識不足、創意制作難題、操作效率低下和數據分析困難的四大難題。

“一個人也可以是一個廣告投放團隊?！?/p>

例如，商家往往難以獲取行業內的最佳投放實踐經驗，不知道如何根據不同的產品和目標受眾進行精準投放。京準通智能助手作為AI優化師，能結合專業投手的最佳實踐，提升廣告創建與優化效率，讓商家能夠借鑒專業經驗，提高投放的精準度和效率。

制作吸引人的廣告文案和圖片素材需要耗費大量時間和精力，對于人力和資源有限的商家來說是一個巨大的負擔。京準通智能助手的AI設計師功能，可幫商家一鍵制作廣告文案和圖片素材，快速生成高質量的創意內容。

一個真實的案例發生在去年京東618大促期間，惠普品牌在推廣某款游戲本時嘗試使用智能助手來輔助廣告投放，得益于其數據查詢和分析能力，幫助品牌降低20%多的人工操作耗時。

合同審核幾乎成為了Agent落地的必選項，無論央國企還是私企每天都產生了大量的需求。看似簡單的功能，實則每個流程都對AI造成了挑戰。

文本往往具有高度的專業性和嚴謹性，充斥著大量的法律術語、行業慣例和復雜的條款結構。AI要準確理解合同內容，不僅需要具備強大的自然語言處理能力，還需要深入了解法律、商業等多個領域的知識。

例如，合同中的一些模糊表述，如“合理期限”與“不可抗力”，其含義在不同的情境下解釋各異，AI需要結合上下文和相關法律規定進行準確判斷。此外，合同條款之間存在著復雜的邏輯關系，如條件關系、因果關系等，AI要能夠識別并理解這些關系，才能準確評估合同的風險和合規性。

為了解決上述問題，京東的JoyLaw智能體應用采用“小模型+大模型+工程”組合的審查模式，通過大模型的語言理解能力對合同文本進行初步分析，再利用小模型針對特定領域和業務場景進行精細化處理，結合工程優化手段，顯著提升了審查結果的準確性，準確率超過85%。整個審查過程最快低至2分鐘內，極大地提升了效率。

DeepSeek以其媲美OpenAI領先模型的效果和極大的成本降低，給AI應用帶來更大的想象力。據測算，DeepSeek-R1的整體成本，約為OpenAI o1模型的1/30，讓人們可以用極低的成本應用AI。

此前，京東云已經正式上線DeepSeek-R1和DeepSeek-V3模型，支持公有云在線部署、專混私有化實例部署兩種模式，供用戶按需部署，快速調用。

隨著大模型技術的飛速演進和成本的極大降低，有觀點認為，2025年將成為Agent大規模落地元年。一旦Agent的“千體大戰”“萬體大戰”爆發，Agent應用難免走向同質化的命運。

跳出“題海戰術”，包括京東云在內的很多玩家都認為，Agent的差異性不在技術上，而在場景與業務落地。

當Agent真正成為生產力，其標準也隨之變得透明化，回歸到“降本增效”的本質上。站在用戶側，則體現為Agent搭建上手速度越快越好；企業需要自己定制化的比例越低越好；為企業帶來的增效越明顯越好。

京東具備豐富供應鏈場景和數據，能夠為大模型應用生長提供肥沃土壤。我們了解到，活躍在其內部的智能體超10000個，覆蓋了智能客服、物流運輸、合同審核、研發效能等場景。

測試數據證明，Agent已經帶來了明顯的提效。AI場景的探索落地，從3個月縮短到1周，之前需要10余人的科學家團隊工作，現在1人即可完成。新應用的開發上線，從以前幾個月時間，只能做一個應用，到現在每個月可生產上千個應用。

早先，“采銷東哥”出圈，商家們正是看到京東自己“用得好”，才選用言犀數字人解決方案一樣，對于客戶而言，他們所需要的Agent不是花里胡哨的營銷，而是要一把經過實際驗證有效的產品。

微信號｜TMTweb

公眾號｜光子星球

別忘了掃碼關注我們！