如果说2024年国内大模型的关键词是“降价”与“长文本”，那么进入2025年之后，行业叙事的重心明显转向了Agent，也就是能自主规划、调用工具、多步执行任务的智能体。近日，多家头部厂商的动作密集得有些应接不暇：DeepSeek在其推理模型基础上强化了函数调用与多轮工具编排能力，智谱清言把AutoGLM的“手机操作”做成了可演示的完整链路，月之暗面的Kimi在长上下文之外补上了联网检索与任务分解，字节跳动的豆包则依托火山引擎把Agent能力打包成面向企业的解决方案。这些动作指向同一个判断——模型能力的比拼正在从“答题”转向“办事”。
从技术路径看，国内Agent产品的第一层竞争是工具调用与规划能力。DeepSeek的推理模型在数学与代码任务上表现突出，但真正的难点在于让模型在真实环境中稳定地拆解任务、选择工具并处理异常。智谱的AutoGLM选择了一条更具象的路线：让智能体直接在手机界面里点击、滑动、填写表单，完成点外卖、订机票、发消息等操作。这种“GUI Agent”路线的价值在于绕开了大量App缺乏开放API的现实瓶颈，代价则是对视觉理解与操作准确率的要求极高，长链路任务中的误差累积仍是难点。
第二层竞争落在长任务的稳定性上。Kimi以长上下文起家，天然适合处理需要阅读大量材料再输出的任务，比如财报分析、合同审阅、论文综述。近日其在联网搜索与多文档交叉引用上的优化，实际上是在为“研究型Agent”铺路。一个典型场景是：用户给出一个行业问题，Agent自主拆解为若干子问题，分别检索、比对、归纳，最后生成带引用的报告。这条路径对检索质量、事实一致性以及引用溯源的要求，远高于单轮问答。
第三层竞争则是企业侧的平台化。豆包背后的火山引擎把Agent开发框架、知识库、插件市场与模型服务打包，降低了企业搭建客服、营销、内部流程自动化Agent的门槛。阿里通义千问则在电商与办公场景中推进Agent落地，把商品推荐、数据分析、文档处理等能力嵌入既有工作流。这类打法的核心不在模型本身，而在于能否把Agent无缝接入企业已有的IT系统与数据资产。换句话说，谁能更好地解决权限、数据隔离与审计问题，谁就更容易拿到企业订单。
值得注意的是，Agent的落地正在暴露出一些共性问题。其一是可靠性，长链路任务的成功率会随步骤增加而快速衰减，如何设计重试、回滚与人工接管机制成为工程重点。其二是成本，多步调用意味着token消耗成倍增长，如何在效果与成本之间取得平衡，是商业化能否成立的关键。其三是安全与合规，当Agent能够代替用户操作手机、访问企业数据时，权限边界与责任归属必须提前界定。近日不少厂商开始强调“可观测性”，即把Agent的每一步决策与工具调用记录下来供审计，这恰恰说明行业已经从演示阶段进入工程化阶段。
从更宏观的视角看，中国Agent赛道的一个显著特点是场景驱动而非纯技术驱动。海外市场更强调通用Agent的自主性，国内厂商则普遍从垂直场景切入：办公、电商、客服、营销、出行。这种选择既受制于基础模型的通用能力，也受益于国内丰富的应用生态与用户对效率工具的强需求。可以预见，未来一段时间Agent的竞争将集中在三个维度：任务完成率、单位任务成本、以及与企业系统的集成深度。谁能在这三点上给出可复现的答案，谁就能把这轮“数字员工”的叙事变成真正的生意。
标签：Agent,DeepSeek,智谱清言,Kimi,豆包