Bob's Garden

AI Agent 未来发展与投入方向调研

11分钟阅读

AI Agent 未来发展与投入方向调研

生成日期：2026-04-11 起源：对”AI Agent 作为下一代流量入口”一文的深度思考

一、核心判断

Agent 的未来不在更聪明的单体，而在群体间的协议、信任和默认授权——这才是新入口真正的护城河。

关键主线：

  1. 从”人找服务”到”Agent 间协商”（M2M 交互层取代人工点击）
  2. 协议标准化是真正的门槛（Skill 注册表战争取代 App Store 战争）
  3. 中小商家的机会窗口很短（早期内容稀缺期 → 大厂标准化 SDK 后回到被分发位置）
  4. 真正的瓶颈在信任与授权边界（身份、支付、责任的法律框架）

二、正在推动变革的商业组织（2025-2026）

协议层（入口争夺战）

  • Anthropic – MCP：9700 万次下载，2025 年 12 月捐赠 Linux 基金会中立托管，成 Agent-to-Tool 事实标准
  • Google – A2A + UCP：2026 年 1 月联合 Shopify/Walmart/Mastercard 推 Universal Commerce Protocol
  • OpenAI – ACP：与 Stripe 联合发布 Agentic Commerce Protocol，ChatGPT Instant Checkout 向商户抽 4%
  • Salesforce – Agentforce：8000+ 企业客户，半年贡献 9 亿美元营收
  • Linux 基金会 AAIF：AWS/Anthropic/Google/Microsoft/OpenAI 共同治理的中立平台

基础设施层

  • LangChain (LangGraph 1.0)：多 Agent 工作流主流框架（2025-10 GA）
  • CrewAI / Microsoft AutoGen+SK：10 万开发者 / 企业级统一框架
  • Letta：长期记忆基础设施（sleep-time compute）

应用入口层

  • 字节豆包：MAU 7500 万，抢手机 OS 入口
  • 美团”小美/问小团”、腾讯”元宝派”：防御性布局
  • Visa TAP / Mastercard Agent Pay：传统支付网络全面接入 Agent 链路

三、被改造的重点领域

领域现状与数据
客服自动化70-85% 工单由 Agent 处理，单票成本 1-3
代理购物2025 Cyber Week 影响 $670 亿销售；2030 年预计 25% 网购经 Agent
代理支付Visa/Mastercard/Stripe 全面接入，标准战 2026 见分晓
B2B 企业流程Gartner 预测 2028 年 $15 万亿 B2B 交易由 Agent 主导
编码与 Web 自动化Cursor / Browserbase / Playwright Agent

四、创新机会（空白地带）

  1. Agent IAM 中间件：NIST 2026-02 刚启动标准，身份/授权层没有”Stripe 级”中间件
  2. Agent 信誉系统：M2M 信任无法靠人工审核，缺可组合的声誉原语
  3. 中立 Skill Registry：没有”Agent 版小程序商店”，发现与路由空白
  4. 长尾商家 Agent 接入工具：ACP/UCP 只覆盖大商户，中小店铺缺低门槛插件
  5. 审计 / 合规 Audit Trail：金融医疗强监管行业刚需
  6. 本地/隐私计算 Agent：地理围栏 + 端侧数据不出设备
  7. 多 Agent 收益分配协议：链路中间 Agent 的经济模型完全空白

五、被忽视的 10 条暗线

A. 开发者工具链

  1. Agent 的 Datadog：非确定性系统的可观测性、回放、A/B、成本归因
  2. Agent CI/CD：Prompt + Skill + Tool 的版本管理、灰度、回滚
  3. Agent 仿真沙箱：上线前跑 10 万次对抗测试（类比自动驾驶 CARLA）
  4. Red Team as a Service：攻击别人的 Agent 找越狱漏洞

B. 人机协作界面

  1. “Linear for Agents”：同时监督 10 个 Agent 时 chat UI 完全崩溃
  2. 个人 Digital Twin：代表你出席、谈判、筛选的 Agent

C. 遗留系统桥梁

  1. “MCP Wrapper for SAP/Oracle/用友/金蝶”：传统企业软件的转换层
  2. Robots.txt 2.0：网站如何声明欢迎/收费/禁止 Agent

D. 垂直领域最后一公里

  1. 蓝领/线下 Agent：餐厅排班、物业报修、货运调度、建筑工地
  2. 跨境小微贸易 Agent：1688 选品 → 翻译 → 独立站 → 物流 → 报关

六、软件工程师的投入方向

🟢 低成本高杠杆（周末就能开始）

  • 做一个 MCP Server，围绕熟悉的垂直工具——命名红利期
  • 写 Agent 评估/可观测性 OSS 小工具，易被 LangChain/Letta 生态吸纳
  • 建 垂直 Skill Registry（如”财税 Agent Skills 合集”），用内容抢心智

🟡 中等投入（3-6 个月副业）

  • 帮传统行业（律所/诊所/物业/外贸）做 Agent 落地咨询 + 定制，客单 5-20 万
  • 做 Agent 接入工具 micro-SaaS（如独立站一键生成 ACP/UCP 端点）
  • 深耕一个协议层 SDK（MCP/A2A/ACP），成为社区前 50 名 contributor

🔴 高投入长周期

  • 加入 Series A/B 的 Agent 基础设施公司（Letta、Browserbase、Sierra）
  • 自己做 Agent IAM/审计 创业（需合规或安全背景）

七、核心建议

不要去追大厂打得最凶的战场（协议、支付、通用 Agent），去做大厂看不上但 SMB 离不开的”脏活”——那是单个工程师唯一的结构性优势。

最值得押注的两个趋势：

  1. 代理支付协议标准战（OpenAI ACP vs Google UCP vs Visa TAP）2026 见胜负
  2. Agent 身份与信任基础设施将产生下一代生态的”PKI 基础设施商”

八、传统 RAG 的命运与 Karpathy 路线

传统 RAG 会被淘汰吗

会，但不是被”更好的 RAG”替代——而是被降级为基础设施原语。

根本缺陷：chunk + embed + topK 本质是”语义搜索 + 字符串拼接”。切块破坏语义、embedding 相似度 ≠ 相关性、检索无状态无推理、知识更新困难。本质是一个被 LLM 美化的搜索引擎。

Karpathy 路线是什么

不是某一个产品，而是一组收敛的思想：

  1. LLM OS（2023）：LLM 是新操作系统内核，context = RAM，知识库 = 磁盘
  2. “RAG is a hack”：人类不是靠”在图书馆搜相似段落”记住知识
  3. LLM Wiki（2024-2025）：模型自己读写 wiki 风格的知识库，像维护 Notion 一样去重、归纳、交叉引用——知识是被持续整理的活体制品
  4. Software 3.0 / Context Engineering：Prompt + Context 本身就是编程，核心技能从”写算法”变成”管理上下文”
  5. Agent Memory：Letta / MemGPT 方向比朴素 RAG 更接近正确答案

Anthropic Skills / Artifacts / Projects、OpenAI Memory、Letta sleep-time compute——都是这个方向的不同实现。

“基础设施原语”的含义

原语（Primitive）= 最基础、被其他东西依赖的构建块。历史上很多”曾经的产品”都变成了”现在的原语”：

曾经是产品现在是原语
B-tree数据库里的一个模块
TCP/IP操作系统一行 import
JSON 解析语言内置
OAuth标准库

这些东西没有消失——它们比任何时候都用得更多，但从”产品”降级成了”原语”。

RAG 正在经历同样的过程：

  • 今天：有公司专门卖 RAG 方案、有 RAG 工程师职位
  • 2-3 年后：Postgres 的一个扩展（pgvector）、LangChain 的一行函数、Claude API 的一个参数

商业价值的分层：

┌─────────────────────────────────┐
│  应用层（客服、知识助手）        │ ← 还能赚钱
├─────────────────────────────────┤
│  Memory / Context Engineering    │ ← 新战场 ⭐
├─────────────────────────────────┤
│  Agent 编排 / 推理循环           │ ← 正在被卷
├─────────────────────────────────┤
│  RAG（检索原语）                 │ ← 正在变成一行 import
├─────────────────────────────────┤
│  向量数据库                      │ ← 已经是原语
├─────────────────────────────────┤
│  LLM API                        │ ← 已经是原语
└─────────────────────────────────┘

核心判断

不要把自己定位成”RAG 工程师”，而要定位成”站在 RAG 之上做 Memory / Knowledge 工程”的人。 前者的市场会萎缩到零，后者的市场才刚开始。

九、押注方向：Agent Memory & Context Engineering

在所有 AI 方向里，这是个人工程师最值得押注的位置：

方向判断
基础模型训练❌ 资本密集，个人没机会
Agent 编排框架❌ 红海，LangChain/CrewAI 已吃完
通用 Agent 产品❌ 大厂肌肉战
多模态❌ 门槛在数据+算力
RAG 本身❌ 正被降级为原语
评估 / 观测🟡 好方向但天花板低
垂直行业 Agent🟡 好但需行业资源
Memory / Context Engineering✅ 押这个

原因：趋势明确（Karpathy / Anthropic / OpenAI 都在往这里走）+ 拥挤度低（Letta 是先行者但远未通吃）+ 技能可从 RAG 平滑迁移 + 纯工程+系统设计的战场（不需算力或政治资本）+ 上游定价权（定义了 Agent 怎么”记住”就定义了行为边界）。

关系图谱