模型触手可得，落地举步维艰？真正的竞争，是 AI 应用的"落地效率"。一场关于 AI 中间件的"基建之战"正在开启。「点击预约按钮即可预约直播」 直播介绍 直播时间 9 月 23 日 20:00-21:30 宋顺 ：蚂蚁集团资深技术专家 嘉宾 直播亮点 李志宇 博士：记忆张量 CTO 章耿：蚂蚁集团 AI 中间件负责人 如何从"云原生"平滑过渡到"智能原生"？ 企业级 AI 中间件如何破解落地成本、管控难题？ 开发者如何抓住这波红利，成为智能时代核心人才？ 如何看直播？ 扫描下图海报 【二维码】 ，预约 AI 前线视频号直播。 直播主题 从模型为王到应用为王：AI 中间件的基建之战 直播嘉宾 主持人 / 嘉宾： 扫码 查看 完整日程 > 开发者如何抓住这波红利,成为智能时代核 心人才? 模型触手可得,落地举步维艰?真正的竞争, 是 AI 应用的" 落地效率 "。一场关于 AI 中 间件的"基建之战"正在开启。一起进直播 间来聊聊吧! 扫 / 码 / 预 / 约 直播福利 智能应用开发资料包 扫 码 领 取 免费福利 >> 难题? 区 Agentic AI 应用前沿技术及案例 了 Agent 应用工程化落地的架 ...

产品定位与架构 - 推出完全开源的异步编码智能体Open SWE 专为云端运行和复杂软件开发任务设计 代表从实时副驾驶助手向自主长期运行智能体的转变 [2] - 采用多智能体架构（Manager Planner Programmer Reviewer）生成高质量代码 Reviewer在创建拉取请求前检查错误以减少构建失败和重复审查周期 [3] - 基于LangGraph构建并通过LangGraph平台部署 该平台针对长期运行智能体优化 提供持久性 扩展性和部署灵活性 支持自托管企业部署 [5] 功能特性 - 直接连接GitHub仓库 通过GitHub Issues或专用UI分配任务 可研究代码库 生成计划 编写测试代码 审查并打开拉取请求 [2] - 在安全隔离的Daytona沙箱中运行 允许自由执行shell命令而不危及宿主环境 完全云端运行 并行处理多任务不消耗本地资源 [2] - 支持人在回路控制 开发人员可中断任务 请求更改或提供新指令无需重启 计划阶段可接受编辑或拒绝建议策略 支持双重文本功能 [3] 生态与市场反馈 - 在GitHub提供完整文档 支持开发人员扩展 自定义提示或集成到内部系统 定位为生产就绪助手和社区创新基础 [7] - 早期反应褒贬不一 Hacker News用户质疑LangChain生态系统能力 认为其智能体构建存在危险信号 [6]

核心观点 - 2025年是Agent技术加速发展的关键年份，但真正实现用户价值闭环的产品仍稀缺 [6] - Agent的真正门槛在于基础设施而非模型能力，包括记忆系统、上下文感知、工具调用和可控环境等模块 [6] - Coding被视为衡量AGI最关键的先验指标，可能占据大模型产业阶段性90%的价值 [6][45] - AI Native产品需要构建同时服务于AI和人类的双向机制 [34] - Agent商业模式正从按token/调用次数计费向按结果/工作流计费演进，未来可能出现直接雇佣Agent的模式 [6][39] 01 通用Agent是大模型公司主战场 - 通用Agent领域表现最佳的是"模型即Agent"(Model as Agent)模式，如OpenAI的Deep Research和o3模型 [12] - 通用Agent市场已成为大模型公司的主战场，创业公司难以仅靠通用需求做大 [13] - 垂直领域Agent分为前台(与人交互)和后台(重复性工作)两类，典型案例包括HappyRobot(物流沟通)和AI for Science创业公司 [14][15] 02 Cursor是从Copilot发展到Agent - Cursor通过三个阶段完成从Copilot到Agent的转型：自动补全→代码重构→后台异步执行 [22][23] - 关键策略是先从Copilot切入收集用户数据，逐步过渡到Agent形态，而非一开始就追求完全自动化 [18] - 产品设计注重用户交互心智，通过同步交互收集反馈数据，为后续Agent能力奠定基础 [23] 03 Coding是衡量AGI最关键的先验指标 - Coding数据具有干净、可验证、易闭环的特性，最可能率先实现数据飞轮 [24] - 数字世界是实现AGI的第一环境，Coding能力提升将带动指令遵循等核心能力 [25] - 若AI无法规模化完成端到端应用开发，在其他领域进展会更缓慢 [25] 04 做一个好的Agent需要什么条件 - 需要构建可验证的反馈机制和数据飞轮环境，如代码和数学领域 [26] - 产品需同时考虑人和Agent的需求，实现AI Native设计 [28] - 评估标准包括任务完成率(行业及格线约50%)、成本效率(计算/时间成本)和用户指标(留存/付费率) [30][32][33] 05 Agent定价会从基于成本转向基于价值 - 商业模式演进路径：按成本→按动作→按工作流→按结果→按Agent本身 [39] - 典型案例Hippocratic AI的AI护士成本仅为人类护士的1/4 [39] - 未来可能出现智能合约模式，通过Crypto技术实现Agent经济价值分配 [40] 06 人与Agent该如何交互协作 - 交互模式分为Human in the loop(持续参与)和Human on the loop(关键节点介入) [41] - 未来高重复性任务将实现高度自动化，人类仅需复核摘要 [42] - 新的异步协同方式将出现，需要探索Agent与Agent之间的交互机制 [43] 07 Agent爆发离不开Infra - 环境(虚拟机/浏览器)是Agent开发早期80%问题的根源 [55] - 关键基础设施包括上下文管理(记忆/检索)、工具发现平台和安全机制 [57][58] - 未来机器搜索需求可能达万亿次/天，远超人类搜索规模(200亿次/天) [59] - 大厂分化明显：Anthropic专注Coding，OpenAI布局多方向，Google具备端到端能力 [52][53]

AI行业趋势 - 年内将出现两个确定的AI趋势：长窗口和Agent，特别是Coding Agent的规模化应用 [1] - Coding Agent将端到端地完成有经济价值的软件应用开发 [1] - Coding Agent是观测通用Agent发展的关键，因其逻辑性、可验证性和闭环性 [1] - 若Coding Agent未能大规模替代初级程序员或完成经济任务，其他通用Agent的发展可能更慢 [1] Coding Agent的重要性 - Coding Agent被视为最简单且可验证的通用Agent类型 [1] - 其发展进度可能直接影响其他通用Agent的推进速度 [1] - 规模化应用将聚焦于替代初级程序员和创造经济价值 [1]