|
北大元培实验班出身、康奈尔大学毕业、阿里达摩院前产品总监的硬核技术创业者——杨劲松。 在他看来，AI 大模型是“大脑”，而 Agent 是赋予其行动力的“手脚”。如何让模型从“会说话”进化为“能干活”，正是他和团队正在解决的“最后一公里问题”。
一、从北大元培到达摩院，他为何选择创业？
杨劲松的人生履历并不缺光环：北大元培实验班、康奈尔大学计算机硕士、阿里达摩院 AI 产品总监。他坦言，自己一直是个“规划型选手”，从大学开始就做了出国、进大厂的职业路径规划。 但他也清楚，规划是双刃剑： “早期的规划往往是基于局部最优解，但技术与行业变化太快，容易错过全局最优机会。”
2019 年左右，AI 在一波热潮后逐渐遇冷，不少大厂甚至关闭了自己的 AI Lab。但到了 2022 年底，ChatGPT 横空出世，全球再度聚焦于大模型的变革能力。2023 年初，中国进入“百模大战”，杨劲松看到了机会： “大模型只解决了感知问题，但如何让它能完成一项完整任务，成为业务生产力？我们认为 Agent 是答案。”
相比训练模型需要巨额资金与算力门槛，Agent 的创业门槛更接近业务场景，具备更现实的商业化可能性。
二、Agent 是如何改变企业的生产力逻辑？
大模型能理解语言，回答问题，但仍然停留在“聊天”的层面。而企业的真实业务远不是简单对话能解决的，通常涉及信息收集、分析判断、决策执行多个链条。 杨劲松打了一个比喻： “大模型是人类的‘大脑’，但真正的工作还需要‘手脚’去执行。Agent 的意义就是赋予大模型行动能力。”
那么，Agent 如何在真实场景中落地？ 电力行业的应用案例：“我们服务的电力客户已经在实际使用 AI Agent 做风险监测，大大提升了响应效率。”杨劲松说。 金融行业的落地路径：在这类高频、高标准、重数据的行业中，Agent 替代部分重复性脑力劳动，是提升效率的最优解。
三、从通用到垂直：Agent 商业化的现实路线很多人好奇：OpenAI、百度、阿里等大厂都在做 Agent，创业公司如何不被“碾压”？ 杨劲松的回答非常实在： “我们选择从垂直场景切入，做大厂不愿意深耕的小而深的需求，用实效打出差异化。”
他们首选电力和金融，是因为这些行业： 专家能力稀缺、训练成本高； 决策流程标准化、数据结构清晰； 单点场景海量可复制。
比如在电力行业，某个决策工具一旦在一个省份落地，就能复制到几十个城市。金融行业更是天然适合标准化智能流程，“从信贷评分、保单核保到合同审核，每一步都可以是一个 Agent。” 此外，他们也在尝试一些“短平快”的场景，比如企业销售助理、报告生成、内容编辑等，来提升落地效率和商业转化率。
四、中小企业如何用好 Agent？很多中小企业对 AI 很感兴趣，但也面临两个困惑： 业务是否适合上 AI？ 是自己开发，还是买现成的？
杨劲松的建议是：
杨劲松说：“未来每个公司都应该拥有多个 Agent，像员工一样为企业工作。”
五、未来图景：一人公司、超级入口与 AI 协作社会在杨劲松设想的未来社会中： 每个人都像 CEO 一样管理多个 Agent； 一人公司能实现过去十人团队的效率； 工作从“人做事”变成“人管 Agent 做事”。
甚至他认为，未来的“超级流量入口”也可能是 Agent： 而实现这些前提，是让 Agent 能够不断自我进化，具备学习与适应的能力。这就涉及强化学习、垂直领域微调、数据闭环等关键技术方向。
如果你觉得 Agent 还离你很远，不妨思考这样一个问题： 👉 你是否有一些重复又琐碎的工作，一做就是几小时？
👉 你是否希望有一个助理能帮你写文案、做报告、查数据、发提醒？
👉 你是否希望，让自己的时间用于更有价值的创造与判断？ 那么，Agent 就已经在你的身边了。秒搭AI就是最好选择，我们专注打造“企业知识库引擎”和“智能体数字员工”，通过深度融合企业专属知识，构建行业定制化的大模型，结合企业业务流程，创造出真正能自主干活的智能体Agent。 | 
