核心内容摘要
GAI双男mv免费观看最新一期
本篇为《智能体·新世界》系列第一期在Agent应用爆发前夜服务于AI的生态层正在形成给 Agent“卖铲子”蕴含着巨大的创新潜力。
Agent被称为AI时代的原生应用形式被寄予厚望。
AI时代的淘金者也将蜂拥而至。
从2025年底至今能“办事儿”的Agent赚足了眼球。
在二手市场被炒到万元的豆包手机、被Meta数十亿美金收购的通用智能体初创公司Manus、以及宣布接入阿里全生态400多个产品完成多种直接帮忙定外卖、定票的多部长程动作的千问Agent。
这些被精心打造成产品的智能体吸引了大众的注意力引发了AI从对话到行动的讨论。
在聚光灯之下开源社区也在进行一场热闹的“手搓智能体”浪潮。
技术极客们用Claude Skills这类灵活的工具包组装出贴合实际业务的“数字员工”或是打造专门优化工作流的Agent像在AI时代养成一个专属的数字伙伴这种从零到一的掌控感和成就感才具有真正的吸引力。
一位科技行业资深分析师
总结从Agent业态来看市场中的业务分化为“基座能力层”、“面向AI的业务层”和“面向人类的业务层”三个层次这是令人兴奋的质的变化中间蕴含了极大的想象空间。
其中最值得关注的是“面向机器AI的业务层”这一层是在PC互联网时代、移动互联网时代都不曾存在的全新的市场分层。
在这一层中一个专门服务Agent的基础设施市场正在快速成型。
那些为Agent提供搜索API、身份认证的“卖铲子”玩家早已悄然入场抢占这片新蓝海。
01从爆火的Claude Skills说起1月中旬随着Claude Cowork横空出世Skills彻底打破了开发者的圈层。
原本只在命令行里活跃的SKILL.md走进了每个普通职员的电脑桌面。
当你把一堆报销单扔给它时它会默默启动“Expense-Audit”技能自动调取OCR、校验税号、生成报表。
这种“挂载即用”的体验让Skills成了2026年职场人最梦寐以求的“外挂”。
破圈的Skill其实早在2024年10月下旬就已经在开发者圈内火起来。
当时Anthropic发布了Claude Code终端工具和令人惊叹的Computer Use功能AI获得了操作电脑和编写复杂代码的能力。
但是新的问题也随之产生开发者们发现虽然因为Computer Use的诞生让AI有了“手脚”但AI“脑子”里缺少针对特定任务的专业SOP(标准作业程序)。
想让它写个React组件每次都得写一大段提示词来教它。
Claude Skills应运而生。
它的逻辑极其简单将专业知识封装在一个SKILL.md文件中实现指令的“按需加载”。
平时这些规则不占用Token只有当Claude识别到任务匹配时才会像加载驱动程序一样读取这个Skill。
开源社区给予了Claude Skills极高的评价称它为“低代码时代的专业封装器”。
由于基于Markdown格式即便不是资深程序员只要能理清工作流程就能创造出一个Skill。
目前在GitHub生态中关注度最高的项目集中在两个方向。
官方的AnthropicsSkills作为北极星仓库内置了PDF转换、深度代码分析、Excel自动化等高频场景的标准技能是所有开发者学习和引用的基准。
民间开源项目中Jesse Vincent维护的ObraSuperpowers凭借独特的自动化执行框架和“自我反思”式指令集在2026年初迅速走红成为社区中星数增长最快、最受极客推崇的第三方技能工具包。
Jesse Vincent是一位资深的开源软件架构师最早意识到 SKILL.md 这种文件格式巨大威力的人之一。
他通过一系列博客文章如《Skills for Claude!》向全球开发者展示了如何通过一个简单的 Markdown 文件就能将复杂的人类专业经验“注入”给 AI。
他在 2025 年底发布的 Superpowers 4 版本更是引入了独立的代码审查代理机制直接推动了 2026 年初这波“AI 代理自主化”的热潮。
在很多极客眼中Jesse 的工作为 AI 时代的“专业标准作业程序SOP”制定了模版。
短短一年多的时间skillsmp已经有6万个Claude Skills了。
国内的AI头部自媒体数字生命卡兹克这样评价Skills“Skills的价值在于复用。
明天你会开始想做第二个。
后天你会想把所有的流程全都搬进去。
到那一步你就进入了另一个状态。
自由创造的状态。
”Claude Skills 开启了一个全新的范式在 Agent 的基础设施层同样孕育着巨大的市场机遇。
这意味着“一人公司”或“超级个体”能够独立打造可复用的 给Agent 用的技能包。
这一领域极具潜力有望演变成像移动互联网时代的 App Store 那样形成一个高度多样化的生态系统。
02智能体“铲子”生态初步形成Skills在2026年初的破圈火爆其实只揭开了整个智能体经济的冰山一角。
它的生态潜力巨大但是在整个的生态基座中还有众多更为关键的构成部分。
一个Agent 的完整框架是什么OpenAI研究员Lilian Weng将 Agent 定义为一个以大模型为“大脑”通过规划拆解目标、记忆沉淀经验、工具拓展边界从而实现自主执行复杂任务的智能系统。
这是行业认可度较高的标准框架。
“大脑”层目前是基础模型玩家的领地。
但未来的竞争充满变数因为业界正面临一个新的课题端到端大模型是否本身就是智能体。
这一争议点我们将在文章的最后部分重点拆解。
有了大脑Agent还需要学会规划将复杂目标拆解为可执行步骤的艺术。
2026年的智能体普遍具备了“反思与自省”能力。
它们会像人类一样检查输出发现搜索结果不匹配时通过ReAct等模式自动修正路径。
虽然LangGraph或CrewAI这样的编排框架对普通用户是隐形的但它们作为Agent的内置“元工具”通过监控和优化执行路径确保任务不会困在逻辑死循环里。
让Agent真正能够个性化服务于用户的关键在于“记忆(Memory)”。
除了记录当前对话的短期记忆,通过RAG(检索增强生成)技术构建的长期记忆已成标配。
利用Pinecone或Milvus等向量数据库APIAgent可以随时从海量历史文档中检索信息。
2026年最显著的趋势是“个性化档案”的兴起——Agent不仅记住你的工作偏好还能通过MCP跨平台读取你的Google Drive或数据库记录形成一种带有温度的个性化数字记忆不再“阅后即焚”。
真正让Agent与众不同的是它的“手脚”即“工具与执行(Action)”。
这是目前最繁荣的工具层,从Tavily专用搜索API到Zapier自动化集成平台生态庞大。
特别是Claude Skills的出现它将复杂工作流封装成可复用的能力包。
配合MCP标准协议Agent能无缝接入GitHub、Slack甚至本地Docker环境直接操作 8000 多种 SaaS 应用。
2026年Anthropic 又通过 Advanced Tool Use 补齐了 MCP 协议曾缺失的交互逻辑利用工具搜索、使用示例及程序化调用解决了 Agent 在面对海量工具时的感知过载与决策瘫痪。
现在搭建一个生产级Agent的流程已经像组装乐高一样标准化。
简单说来开发者首先定义清晰的“角色(Persona)”来设定行为风格接着构建“环境(Environment)”通过MCP连接器配齐各种外部API随后注入“长效记忆(Knowledge)”将业务文档存入向量数据库再用编排框架设计“工作流(Orchestration)”逻辑最后在最外层设定名为“护栏(Guardrails)”的安全过滤机制确保Agent的行为始终安全可控。
注以上分层框架根据行业分析及公开资料整理目前还没有工业化的统一标准一个智能体生态的雏形已经开始初步形成然而行业发展还在早期还存在很多的模糊地带及待攻克的难题。
03智能体生态的分歧第一种分歧在于 Agent 的本质究竟是在帮助人完成流程还是在成为另外一种“人”。
一派是Dify、n8n 或 LangChain 玩家们深耕于“流程编排Workflow”。
在这种范式下开发者像老练的钟表匠精细地拨动 LangGraph 里的节点思考第一步做什么、第二步做什么。
另外一派的观点是Agent创建者需要像构建一个物理世界一样定义好原子操作的边界和行为准则然后拥抱 Agent 在不确定性中产生“魔法”的可能。
就像 Manus 通过 Sandbox 提供的预制工具箱Agent 虽然接收到了人类的指令但是在环境中自主发现原子操作并组合。
这种视角认为真正的 Agent 应该像人类一样在环境中“即兴发挥”并不是在预设的流程轨道上“刻舟求剑”。
这种认知的差异直接延伸到了智能体经济的底层逻辑什么才是这个生态里的最小结算单元 一派是将大目标“拆解”成无数细小的子任务Task认为只要拆得够细Agent 就能执行到位。
然而Agent的大脑是基于Transformer架构的大模型这就造成了Agent从本质上就不可能做到百分百精确拆分。
Agent创业者 Mingke的构想代表了另一股思潮以“生成”为核心的“意图协议Intent Protocol”。
在这种构想下意图才是最小的经济单元Agent 不必关注复杂的中间步骤而是通过意图直接驱动能力的释放。
Mingke还详细解释了他构建的Agency Framework“我的框架里Agent就是所有能力的interface其他能力是通过Agent这个 interface暴露给终端用户的包括Access control权限控制、身份核验、使用能力的状态管理比如是否实现目标。
”在这种路径下意味着未来的用户可能不再感知具体的 App 或数据库他们只通过 Agent 这一层“薄纱”与整个数字世界交互。
如果按照传统的思考逻辑这种范式会对现有的互联网生态架构提出根本性挑战。
这也是为什么虽然豆包手机理想很丰满但是在真正干活的时候阻力重重千问Agent在阿里自有的生态框架中能够比较完整地完成用户布置的任务。
在传统的世界里试图搭建一个新的游戏规则必定困难重重。
在很多Agent创业者的眼中顺利地让Agent完成意图需要一个新世界的新方式。
在这种设想中Agent经济的最小单元就如上文所说是“意图”。
意图的定义是“期望的状态” 。
获得了用户描述的这种状态之后Agent 将模糊的自然语言转化为一系列可执行的规划。
比如用户说我想去北京出差这其中其实包含了订票、订酒店、天气查询等一系列意图。
点一杯奶茶也属于一种意图。
未来的商业结算是为用户“达成意图”的结果而付费。
然而从“理解意图”到“交付价值”中间还横着一道天堑意图如何标准化 怎样才算真正达成了意图目前Agent 之间依然像一座座彼此隔离的孤岛生态中尚未形成通用的意图表达协议。
这意味着Agent 们还无法像 Visa 或 Swift 系统处理货币那样直接通过意图来结算价值。
Agent 真正走向价值互联显然还有很长的一段路要走。
04模型和智能体边界在哪里另外还有一个一直有争议的核心问题具备Agent能力的基础模型如果能够端到端实现Agent的功能那么它和Agent的边界在哪里如果端到端的模型能够通吃一切那么智能体的生态还是否能够健康发展Mingke解释“LLM的本质只有Next Token Genration至于这个Token吐出来后怎么被改造成可以去对环境造成影响的Action是模型以外的东西。
Next Token Generation是LLM唯一能做的事情。
虽然产品化之后大家统称为模型实际上已经是模型外面附加了很多东西了。
比如Claude 已经开始Agent化了内核的模型和claude code以及cowork之间塞了很多东西比如虚拟机这些都不属于模型本身。
”所以端到端的具有Agent能力的模型和Agent如果不考虑技术实现路径实际上是一个物种都需要Agent的生态依托。
当下Agent 经济的淘金潮已然开启相比于终端应用的混战为 Agent 提供标准化能力支撑的“基础设施层”即那些不可或缺的“铲子”已进化为一个确定性极高的爆发性赛道。
但是这次“卖铲子”绝对不是配角。
学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】