当人工智能从实验室走向产业应用，我们正见证着一场静默却深刻的范式革命。
继大模型之后，Agent正成为这场智能革命中的明确技术路线。但如何构建真正的Agent、迎接Agentic AI，大多数人并不清楚。
但易点天下已经开始通过Agent交付实实在在的价值。
易点天下作为一家企业国际化智能营销服务商，凭借多年来在营销服务领域的行业Know-How，以及近几年在AI Agent方面积累的技术基础，在前不久发布了其AI Drive2.0数智营销解决方案及首个全球多渠道全托管AI营销专家-AdsGo.ai。
以AdsGo.ai，以及此前发布的KreadoAI、Funsdata、Cycor、CyberGrow等产品为矩阵，易点天下将复杂营销工作流通过Multi-Agent和 AI Workflow来封装成一个7x24小时不间断工作的AI智能体系。
其中，新发布的AdsGo.ai通过内部互相串联的、能够理解商家目标，自主分析市场，制定并执行策略营销的垂类AI Agent，实现"程序化自动化"到"智能化自动化"的跨越，让用户只需要专注于自己的核心业务，由AI agent 即可自动完成“一键启动、长期运转”的管家式营销服务。
数据显示，内测阶段，AdsGo.ai帮助初创期和成长型企业实现广告策略多样性与投放效果提升5倍创意素材测试效率提升10倍，节省广告营销人力成本达65%，对比中级优化师AdsGo.ai的投放广告单次转化费用降低26%，链接点击率提升47%，放量效率提升132%。
在钛媒体2025 ITValue Summit前瞻之AI落地指南系列直播中，钛媒体联合创始人刘湘明与易点天下首席产品官张奥迪对话，围绕AI Agent应用落地阶段，以及AI中台如何构建等话题展开了讨论。
在张奥迪看来，当前Agent在应用广度上已经实现了全岗位渗透，具体来看，Agent已经覆盖了包括产研（AI Coding提效）、创意（AIGC素材生成）、运营（标准化流程自动化）、信息化（审批/知识库）等在内的企业内部多个环节，并触达所有关键岗位；Agent在应用深度上，已经从项目立项自动化到SEO全链路执行（关键词挖掘→落地页优化→数据反馈），20+泛Agent（AI+RPA）与专业多Agent协同系统共同支撑了易点天下多项日常工作。
此外，Agent的应用还可以根据复杂程度分为泛Agent和专业Agent。
泛Agent更像是AI+RPA，像是一个自动化的工具，能够帮助员工完成一个垂直场景的工作。“目前易点天下已经交付了超过20个泛Agent的应用，比如所有项目立项的自动化是由Agent完成的，通过自动化的方式取代人工填写。”张奥迪进一步指出，“此外，在AI信息化方面，通过协同多个Agent，完成日常办公的信息调度工作。”
专业Agent方面，张奥迪认为，真正的Agent需具备意图理解、任务拆解、自主调动、长上下文记忆及多Agent状态感知的能力。“传统以模型为中心的AI应用，往往停留在问答或创意生成等浅层能力；而专业Agent则可通过多智能体协作、动态任务调度和状态感知能力，打通营销全链路，实现营销流程从投前洞察、素材生产、投放优化到数据分析的全链路重构。”张奥迪指出。
在此背景下，张奥迪认为，Agent的最终形态是实现“以目标为中心”，“以目标为中心”的模式下，企业不需要更多的进行编排，实现“以模型为中心+以任务为中心”，结合在了以目标为中心中，“比如，某些Agent可能是workflow的编排，某些则是以模型为中心做的Chat。但在Agent内部，只需要用户输入需求，就能自动化的拆解任务，自主调度AI工具/Agent，并且还要具备状态感知，才能调动起整体Agent的协同状态，还需要保持长的上下文记忆能力，”张奥迪进一步指出，“这时候，模型才能做到专业的Agent的，以目标为中心的结果导向。”
在对话中，张奥迪还分享了企业在建设Agent过程中需要注意的细节，在他看来，企业构建Agent应用需要“四步走”。
第一步，企业需要统一思想。“通过培训等方式，将企业内部人员对AI的认知拉齐。”张奥迪指出。
第二步，不要吝啬投资。在用AI的时候，省钱不应该是企业优先考虑的问题，“企业不必刻意省钱。AI工具要多用，消耗的Token越多越好，这样企业才能积累经验。”张奥迪给出了这样的建议。
第三步，梳理业务SOP。通过SOP梳理，企业才能寻找到真正适合AI应用，真正有AI需求的场景，并进一步深挖。
第四步，成立专职Agent研发团队。业务部门疲于KPI考核，不愿投入流程拆解，需成立专职Agent小组推动。“无论是内部抽调人员研发Agent，还是成立单独的部门做。”张奥迪表示。
“同时，企业还需要有拥抱变化的心态，即便踩到坑了，只要能快速的迭代，不管是认知上的迭代、组织思想上的迭代，还是工程建设上的迭代，最终才能做好。””张奥迪强调道。
附上本期直播时间轴，帮你快速跳转感兴趣的部分
00：28 Agent在企业中应用广度与深度
14：43 AI Agent从单点应用向着智能协同演进
22：50 AI Agent定义，什么是真正的AI Agent
49：03 Agent的大规模应用，对于企业的管理和组织带来的冲击有多大？
以下为对话实录，经笔者整理：
刘湘明：请先介绍一下易点天下应用Agent的情况，应用的深度和广度。
张奥迪：目前市场上现有的Agent/AI产品主要可以分为几类。首先是编码类的AI Coding，还有就是写分析报告类的，以及AI运营，包括建设各种Agent 的平台工具，还有就是内部的AI信息化。
首先我们在产研侧应用AI最广泛。受到交付率以及质量需求的影响，产研侧是最早应用AI Coding的环节；
第二个是，因为营销科技公司的属性，所以在素材创意方面，我们比较早的应用了AI相关产品。无论是图片类、视频类的，还是数字人类、TT素材等设计类的工作；
第三个是，AI运营类。通过AI工具帮助员工完成部分标准化、重复性的工作。
第四个是，AI信息化，包括了出差、请假审批，还有企业知识信息查询，物品领取、退还等等，包括我们各个部门的服务台。通过信息化的AI转型，我们提高了工作效率。
广度方面，AI几乎覆盖了所有的岗位，日常的关键场景。
深度方面，AI Agent已经能够处理近乎80%的工作场景。
刘湘明：是否有统计过易点在使用多少个Agent？
张奥迪：主要可以从两个层面来看，一个是泛Agent；另一个是垂直的、专业的Agent。
泛Agent化更像是AI+RPA，其实就是一个自动化的工具，能够帮助员工完成一个垂直场景的工作。那这里面我们交付很多。泛Agent化方面，我们交付了20多个产品，比如，产研协同流程里面有个项目立项，所有项目立项的自动化是由Agent完成的。完成立项后，立项的整个流程和细节，现在只需要把立项报告放到系统中，通过自动化的方式取代人工填写。此外，在AI信息化方面，通过协同多个Agent，完成日常办公的信息调度工作。
在垂直、专业Agent方面，协同办公的Agent完成之后，进而推进复杂的多个Agent（数字员工）之间交互。这个过程中，在多个Agent协同工作的过程中，保持目标的一致性是最难实现的。
刘湘明：AI Agent从单点应用向着智能协同演进，从模型为中心向着以目标为中心，在这个过程中，共分为几个阶段？每个阶段的具体能力有哪些？
张奥迪：首先，以模型为中心，就是单点能力。最早在大语言模型问世之后，推出了很多编排流的工具，我认为它是一个轻代码平台。平台中融入了很多AI节点和AI插件，这个过程中，我们可以通过简单的提示词，就做出一个AI chatbot。
当时，行业内很多认为这就是Agent平台，但你会发现，这个平台中，能力是碎片化的，且还是缺失目标感的，这时候我们依赖的仅仅是模型本身的能力提升。
当来到以任务为中心的时候，就出现了一些更复杂的工具，以及一些工程化的提示词，以及手工编排。结合在一起就变成：我会用很复杂的工作流的编排去收敛它的稳定态。其实我们做模型应用，我现在理解就是我们在“不确定中寻找确定性”。
因为大模型本来是生成式的，肯定会有一些幻觉，还有一些记忆的问题。如何解决？我们用我们历史的运营经验，变成一个标准的 workflow，然后再加上本身大模型的意图理解的能力，构建起以一个任务为中心的点，这个更像是AI+RPA的方式做自动化。这种类型的应用包括了合同识别、自动流转、智能客服等。
最后，我们就到了以目标为中心。这个过程更为复杂，企业不需要更多的进行编排，可能是以模型为中心，加上以任务为中心，结合在了以目标为中心里。比如，一些Agent可能是workflow的编排，一些是以模型为中心做的Chat，但在Agent入口，只需要我们输入需求，就能自动化的拆解，自主调度各类AI工具，或者Agent，并且还要具备状态感知，才能调动起整体Agent的协同状态，还需要保持长的上下文记忆能力。这时候，模型才能做到专业的Agent水平，以目标为中心的结果导向。
刘湘明：能否举个具体的例子？
张奥迪：以我们公司内部建设为例。最初我们处于以任务为中心的阶段，我们可以编排很多工具，比如在电商场景中的，换假发、抠背景图等，这就需要用到很多编排，可能是通过模型微调进行收敛，也可能是用comfyUI的方式，调参数进而收敛模型稳定性的状态，这也算是workflow的编排。在整个过程中，我们发现素材类的生产，可以把很多垂直类的效果场景单独拿出来，编排成一个稳定的workflow。
以目前通用Agent生产的素材，主要分为两步，第一步是生产出来，第二步还需要对素材进行编辑或剪辑。但当两步融为一体之后，就需要非常的垂直化。比如有很多的视频素材，需要做一个类似于故事绘本，首先需要将单点画面做出来，然后通过首尾帧一致性文生视频再进行拼接。这其实就是编排的以任务为中心的一个案例。
此外，我们在营销领域，以电商营销为例，现在的一些AI工具、电商站，其核心要么是通过买量投放，进行获客；要么是通过SEO。SEO里面有很多步骤，比如首先需要寻找关键词，通过一些工具寻找长尾关键词，进而建设落地页——如何将关键词“埋”到营销的内容页中，并将整个网站的布局做出来，让它更适合SEO。第三个是外链购买，第四个是数据反馈。
我们有一个刚对外发布的SEO的产品，刚发布就有大几百个网站开始使用了这个产品。这个产品其实就是通过workflow+MCP+自主调度多方 AI工具的能力，将前面提到的环节全部变成自动化的执行路径。最终实现：用户只需要将他的网站链接扔进来，就会自动完成关键词分析筛选和落地页建设。此外，在网站建设方面，我们可以调用一些编排能力强的AI工具，更好地建设网站布局。再加上易点员工帮助运营操盘，实现整个SEO路径的全部自动化和Agent化。
刘湘明：相当于在Agent大规模应用过程中，最核心、最有难度的一点是智能任务编排的系统建设，是这样么？
张奥迪：我认为它不是最难的，最难的是一开始人的思想理解。分为两点，第一点，员工会认为，Agent跟ChatGPT、DeepSeek等的区别是什么？员工会提出：我天天在用（ChatGPT等模型）然后你又让我建设Agent，为什么？
第二点，业务人员本身的精力都在完成KPI考核方面，如何有精力建设Agent？对于企业而言，Agent建设的过程是成本，当效果没有达到稳定预期的时候，是否还会继续投入，是个未知数。
第三点，推广Agent的过程中，我会要求大家梳理SOP，SOP如何梳理，为什么要梳理SOP，
这三个问题都需要通过组织的力量解决。比如需要贯彻思想，培训，让员工理解，拉齐大家的认知。这个过程中会发现，刚开始培训或拉齐认知的过程中，员工的认知参差不齐，有的人每天都在用很多AI工具；而有的员工遇见问题了并没有选择用AI工具，而是求助于其他同事。让大家切实感受到AI Chatbot与AI Agent是不一样的。
此外，我们会在一开始收集大量的零碎的需求。比如一些短剧团队，我们收集需求之后，会帮助他们建设一些短剧Agent，一开始会有选短剧，选品。另外，运营人员每天也会看大量短剧，总结数据，这件事完全可以使用大模型进行。员工输入短剧视频或者文本，总结出一个包括人物角色关系在内的，结构化的脑图和概要，让员工扫一眼就知道短剧的内容，就能增加运营人员的效率。此外，在短剧内部设置付费的关键点，AI可以剖析剧情的矛盾点和聚焦点，从而推荐出付费的关键点。
通过这些案例，用户就会发现Agent与一般Chat之间的差别。Agent能够串联起整个场景，人只作为一个像L2辅助驾驶一样的关键存在。这时候，员工就会产生观念上的改变，就会有一些主动找过来寻求开发Agent的需求，
第三个阶段，当正向反馈逐渐出现，就会发现其实踩了很多坑。第一个就是，很多需求并不是AI能够完成的。从一开始的不信任，到后来的神化AI。这就需要对AI有甄别的能力去筛选哪些AI能做，哪些做不了，此外，企业还需要专业的Agent建设的团队。易点从工程、算法、数据分析等部门抽调了一些同事，组成了Agent建设小组，专注于Agent建设。进而甄别业务部门提出的AI需求是否可行，这个过程需要业务部门提供详细的SOP的梳理，才能知道如何编排任务流，用哪些工具，才能达到最好的效果。
当宏观的收集到了所有的SOP，就能知道组织AI化的天花板在哪里，并且随着经验积累和大模型能力的提升，就能知道组织AI化的进程达到了百分之多少，我觉得这是很有意义的一件事。
刘湘明：一个合格的、真正的Agent到底是什么？
张奥迪：真正的Agent需要具备这几点能力。第一个是意图理解，需要理解用户的目标是什么。第二个是任务拆解，需要具备自主拆解任务的能力。第三个是自主调动，Agent需要知道每一步做什么，并调用相应的工具。第四个是长上下文记忆能力、理解能力，以及多Agent状态感知的能力。
所以，非常专业的Agent的建设是十分复杂的，并不是编排一个流就结束了。而是又回归到大型的工程建设，我觉得Agent的建设更像是集团化数据中心建设，是一个庞大的工程系统。
举个例子，我们在AI信息化的过程中，做了一个ALL IN ONE的AI——易鲸灵。当我开车时，我可以跟它说“帮我订个几点的会议室”，虽然它的架构不是最先进的，但它能满足我的需求。这个过程中，第一个Agent是意图理解，我们通过复杂的提示词（接近1000行）进行调度。设置提示词也需要技巧，因为当你获得一个稳定的提示词模板，再加上长上下文之后，这个模板又会变得不稳定，为什么会发生这样的情况呢？因为大模型会理解“我必须按照这种模板来做”，稍微换一下说话方式，大模型的理解力就会下降。
所以，在长上下文提示词构造里，需要构造多种口吻，比如反问、正向问、疑惑问等多个模板，让它能够理解这些问题模式，长期来看，对大模型的理解能力的增长有很大帮助。
回到刚刚提到的调度，抛出问题后，Agent会调度到下面十余个不用的Agent，比如会议场景，它就会调度到行政，会议预定等相应工具，调度飞书里面预定会议的接口。
除此之外，还需要判断很多因素，首先是，我需要跟谁组建会议，那个人行程跟我目前会议行程冲突码？进行信息检索；第二个，Agent会将会议间隙拿出来，组建会议，然后寻找哪些会议室是空闲的，另外还会询问用户参会人员规模，并匹配相应的会议室，最终选择出一个最佳的会议室，并预定这个会议室。在此过程中，需要我们收敛AI，制作工具，将稳定性做好。
再复杂的情况就是，需要多个Agent之间协同做一件事。定会议室场景中，因为整体链路短，所以Agent需要保持的记忆也短。但当我需要长上下文交互的时候，就会发现，原先使用的先问一个提示词，然后再自己结合上下文，混合成一个新的提示词的方式，已经超过了大模型本身的输入限制，会被截断。截断之后，就会发现模型的回答很蠢，这时候又要在大模型之外，连接缓存机制（每一个对话都有它自己的一套外部系统缓存，）这又到达另外一个复杂程度了。会发现要构造一个非常垂直或者专业化的Agent 解决复杂的长链路的场景，一定要把大模型当作操作系统来看，围绕它构造一个 native 的 AI 应用。
我觉得我们正在往一个非常复杂的Agent构建路程中前进，未来还会有更多的坑出现。包括大量Agent出现之后，还需要维护它，不断迭代。
Agent的管理也是一个问题。企业需要结合场景的难易程度，寻找适合的Agent建设工具，现在有大量的工具，目前仍处于“淘汰赛”阶段，明年可能还会出现新的工具。所以企业需要保持一个变化的心态建设Agent，但在组织内部，又需要有一个聚合，聚合到自己的平台。将零散的一些场景集合到自身平台上使用，当业务需要这些能力的时候，企业可以在Agent平台上统一构建一个开放接口给他使用。
在这个过程中也会遇见很多问题，比如算力成本问题。有些部门可能只需要用大语言模型，有些部门会用到多模态模型，企业需要构建分账体系，更像是商业化平台落地，最后你会发现，你构建的其实是一个AI中台。
AI中台底层能力是，接入大量服务商AI模型，再上一层，需要结合业务场景构建一些小的微调（模型），一些垂直领域场景，并没有能达到最好效果的通用化模型。再往上就是Agent建设，这一层会调用大量AI工具，寻找一些确定性的方式，再往上就是面向业务人员，通过接口调用Agent，完成工作。
刘湘明：有一个细节，上下文在某种意义上也需要进行分级和定义，这方面，易点天下如何处理的？
张奥迪：刚才我们聊到的所有方式，都是为了降低幻觉。以单点Agent为例，首先，每个Agent都会用到RAG，向量化检索知识库内容。我们在做易鲸灵的时候，会把每个业务日常的FAQ，以及经验等数据，维护在统一的文档池中，这就形成了企业级的知识库。将经验变成了可操作的稳定流，就让每个Agent都有了RAG的能力。
第二个，在长上下文应用中，在单点Agent中，外部存储的临时文件会结合RAG。但当多个Agent需要协同时，就需要把每个Agent里面外挂的知识库，以及上下文管理，提取出来，进行统一管理，进而在进行任务分配。这是当下我们遇见的最大挑战。
前不久，manus 发布了技术复盘，对于行业来说，是一个非常好的指引。里面暴露出了未来可能会遇见的问题。
我认为企业未来的壁垒是：企业内部可被AI模型利用的，私有的知识库。微调可能会是一个好的方向，但是在我看来，与微调相比，企业还不如把上下文和知识库RAG做好，会推进的快一些。
刘湘明：目前，一个Agent开发的流程和周期大概是什么样的？
张奥迪：流程方面，主要有两种。第一种是需要梳理企业内部所有的SOP；第二种是零散的收集需求，寻找真的AI需求，并将AI需求放在SOP中，观察进行到哪一步了。
第二步，对流程进行编排或者自主调度，进行规划，产出一个解决方案（可能是框架图，也可能是技术手段），并进行技术选型、工具选择，进而将这些工具接入到企业AI中台。
第三步，开发。在整体调度方面，我们有十余个员工，但具体制作Agent方面，1~2个员工就能制作一个相对简单的Agent，即便是复杂的工程化的Agent，十余个员工也足够。
Agent的建设与数据中台的建设类似。当Agent变多时，需要知道每个Agent的流向，以及相互的关联关系。这特别像数据中台建设过程中的数据血缘。此外，Agent也需要类似数据中台的质量监控。
当企业内部全部Agent化之后，就会存在特别多的Agent，这时候就需要类似数据中台的数据治理，定期对Agent清理一遍，将低热度（低使用频率）的Agent清理掉。并且，当AI能力不断提升之后，企业还需要将不同的、垂直的Agent合并成一个。整个过程就是传统的复杂工程的建设过程。
框架只是给了企业快速入场的平台，最终企业还需要脱离框架。因为现在Agent的框架还没有达到成熟态。AI应用还没有像数据中台似的，达到标准化建设阶段。还会有一些新的开源框架，以及规范出现，才能逐渐到达像数据中台建设那样的标准化。
刘湘明：Agent与传统的IT系统的关系，以及Agent团队与IT团队的关系是什么样的？
张奥迪：团队方面，因为大家都理解了一定要拥抱AI，所以大家都在想方设法的利用AI升级原有系统，这又回到了+AI和AI+的讨论中。
AI+是以AI为主导，这时候就需要统一的入口，统一的交互。可能会出现一个ALL IN ONE的调度中心（新入口）。
+AI是将传统的系统，例如BI、OA等，结合上AI需求或SOP，更像是助手的形式。比如在OA提交了立项申请，就可以通过AI助手自动填写。
所以，传统的交互跟AI的交互完全不排斥，大家不要为传统系统变成对话就是AI的错误认知。在应用AI的过程中，用户还是需要区别场景与用途。
这引出了另一个问题——场景的复杂度有多深？为什么行业内会存在“AI会首先颠覆SaaS”的观点？因为SaaS本身是要用通用解决定制化需求，为了尽可能的避免定制，所以SaaS软件会在通用上下很大功夫，会做的越来越复杂，最后还衍生出了软件培训师，需要对使用者进行培训才能使用。
而这件事恰恰是AI擅长的。比如，ChatGPT能将一段毫无逻辑、杂乱无章的话，结构化，并筛出逻辑，在软件学习领域，AI可以帮助企业降低SaaS软件的学习成本、使用成本。
刘湘明：Agent的大规模应用，对于企业的管理和组织带来的冲击有多大？
张奥迪：我认为会变成人机协同的范式。以产品经理为例，使用AI可以帮助其总结文档，并且协助其与开发人员交互。比如，现在产品经理可以利用Agent直接生成网页，从众多生成的网页中选择一个符合预期的，同步给前端工作人员。
整个过程，在弱化设计师参与的同时，也将产品语言与研发语言同步（原先需要产品人员与研发沟通需求，不断修改，现在只需要产品经理将生成的网页代码发给研发就能解决）。通过人机协同的方式，改变了原有的员工之间的配合模式。
不过使用AI也存在一些问题，比如AI会“献媚”。以产品策略撰写为例，我提供了方案，AI结合长上下文记忆理解等能力，会先赞赏你的方案，AI会用各种解释，阐释你的方案很不错。我现在在使用的过程中，就会明确跟AI说“不要献媚，请客观评价”。这也是人机协同的一个变化。
此外，组织关系也会随着AI应用变得更扁平。通过Agent助理，企业管理层可以筛选、评估、总结基层员工的汇报内容，进行风险预判，让管理者能优先处理更为重要、紧急的事。
刘湘明：企业如何构建Agent才能更好的实现目标？
张奥迪：第一步需要统一思想，需要通过培训等方式，将企业内部人员对AI的认知拉齐。
第二步，企业在用AI的时候，省钱不应该是优先考虑的问题，企业不必刻意省钱。AI工具要多用，消耗的Token越多越好，这样企业才能积累经验。
第三步，梳理业务SOP。
第四步，需要组织引领、推动Agent落地。无论是内部抽调人员研发Agent，还是成立单独的部门做。
按照这四步走，会有比较好的效果。同时，企业还需要有拥抱变化的心态，即便踩到坑了，只要能快速的迭代，不管是认知上的迭代、组织思想上的迭代，还是工程建设上的迭代，最终才能做好。
刘湘明：知识库的建设在哪个阶段开始比较好？
张奥迪：知识库已经足够了。只要企业能够将文档详细归类，并将日常FAQ和经验结构化的积累下来，就是一个好的企业知识库积累机制和状态。
另一方面，非结构化的数据未来会越来越重要。虽然现在没有一个完整的实践经验：非结构化数据会应用到数据中台，或者会给未来的营销效果提升非常多，但这是个趋势。
刘湘明：谢谢张总的分享。
张奥迪：谢谢。
