Agent 市場

1. 3 秒看懂

AI Agent（智慧代理）市場是把大語言模型的推論能力與外部工具、資料、系統連線起來的“鏈式應用”（Chain‑app）生態——讓 AI 從回答問題進化為自主規劃、執行並完成複雜工作流。

2. 3 分鐘產業解釋

AI Agent 市場並非某單一產品，而是一個由三層結構構成的生態系統：底層是提供基礎智慧的大型模型與算力，中層是開發架構與平台，上層是面向具體場景的垂直應用。其核心在於“感知‑規劃‑執行”迴圈：模型理解自然語言指令後，將任務拆解為子目標，呼叫軟體介面、資料庫甚至裝置完成操作，再根據結果迭代演進。

關鍵驅動力

• 技術突破：GPT‑4、Claude 3.5、Gemini 1.5 等模型在工具呼叫、長上下文和推論上的進展，讓 Agent 具備了更可靠的任務閉環能力。
• 企業需求：降本增效與流程自動化推動企業對“AI 數字員工”的嘗試。2024 年微軟財報顯示，世界 500 強近 60% 的企業已開始使用 Copilot 系列產品（來源：微軟 FY2024 Q4 財報，2024 年 7 月）。
• 資本注入：據 Crunchbase 資料，2024 年全球 AI Agent 領域風險投資金額超過 85 億美元，較 2023 年增長逾 130%（來源：Crunchbase，2025 年 1 月檢索）。

市場熱度與格局

• 海外龍頭（微軟、Google、OpenAI、Salesforce）已形成全棧版面配置；開源社群（LangChain、AutoGen、CrewAI）聚合了數百萬開發者；國內市場以百度、阿里、位元組、智譜 AI 為代表，依託中文生態與辦公平台加速滲透。
• 商業落地尚處“早期規模化前夜”：多數企業仍處在 PoC（概念驗證）階段，但頭部 SaaS 廠商已將 Agent 功能嵌入現有產品併產生實際營收。

3. 技術原理

AI Agent 的技術架構可以抽象為四個核心模組：大腦、記憶、工具使用與多智慧代理協作。

大腦（Brain）——規劃與推論引擎

• 以大語言模型（LLM）為基座，負責理解意圖、生成計劃並進行邏輯推論。
• 主流規劃方法：Chain‑of‑Thought（思維鏈，Wei et al., 2022）、Tree‑of‑Thought（Yao et al., 2023）、ReAct（Yao et al., 2023，推論與行動交替）、以及基於蒙特卡洛樹搜尋的規劃。2024 年後，具備自我反思和錯誤修正能力的 Agent 架構（如 Reflexion, Shinn et al., 2024）受到更多關注。
• 關鍵難題：幻覺導致計劃偏離、長任務中推論失穩、以及複雜規劃帶來的高 token 消耗與延遲。

記憶（Memory）

• 短期記憶：依賴模型的上下文視窗。截至 2025 年初，Gemini 1.5 Pro 可處理高達 100 萬 tokens（有限實驗環境下可達 200 萬），GPT‑4 Turbo 為 128K，Claude 3.5 為 200K（來源：各廠商官方文件，2024‑2025）。
• 長期記憶：通過向量資料庫（如 Pinecone、Milvus、Weaviate）實現知識的儲存與檢索。技術挑戰包括增量更新、遺忘機制與記憶衝突消解。

工具使用（Tool Use）

• 實現方式：模型輸出結構化指令（如 Function Calling）或生成程式碼來呼叫外部 API、資料庫、檔案系統甚至瀏覽器。
• 2023 年後，Function Calling 成為主流 LLM 標準能力。OpenAI 的 Assistants API、Anthropic 的 Tool Use 能力以及開源架構 LangChain 的 Tool 抽象層大幅降低了開發門檻。
• 前沿方向：Agent 自主發現、組合甚至創造新工具（如 Toolformer, Schick et al., 2023），以及在沙箱中自寫程式拓展能力邊界。

多智慧代理協作（Multi‑Agent Systems）

• 多個專業 Agent 通過角色分工完成複雜任務（如程式設計師、測試員、專案經理的角色模擬）。典型架構包括微軟的 AutoGen、CrewAI、MetaGPT 等。
• 核心機制：任務分配、通訊協議（如共享記憶池、結構化訊息）和衝突解決。實際表現嚴重依賴排程的魯棒性，2024 年多篇論文指出多 Agent 在複雜場景下協作效率仍較低（來源：MetaGPT 團隊實驗報告，2024）。

執行與安全

• Agent 在沙盒（Docker、瀏覽器容器）或隔離的執行環境中執行，以保證動作可控。
• 安全對齊技術：RLHF（人類反饋強化學習）、Constitutional AI（Anthropic 提出）以及即時人類稽核（Human‑in‑the‑loop）是當前保證安全的主要手段。

4. 關鍵引數

衡量 AI Agent 能力和可用性的關鍵工程與業務指標如下，部分資料因廠商未完整揭露而標註“公開資料未見”。

上下文視窗長度

• GPT‑4 Turbo：128K tokens（OpenAI，2024）
• Claude 3.5 Sonnet：200K tokens（Anthropic，2024）
• Gemini 1.5 Pro：標準 1M tokens，實驗性 2M（Google，2024‑2025）
• Llama 3.1 700 億引數：128K tokens（Meta，2024）

工具呼叫準確性

• Berkeley Function Calling Leaderboard（2024 年 8 月資料，github.com/ShishirPatil/gorilla）：GPT‑4o 函式呼叫準確率（AST 匹配）約 87.2%，Claude 3.5 Sonnet 約 84.5%，開源模型 Gorilla OpenFunctions v2 約 79.8%。準確率受任務複雜度與定義清晰度影響顯著。

任務完成率（Agent Benchmark）

• SWE‑bench（軟體工程任務，2024）：最佳單智慧代理設定下，Claude 3.5 Sonnet 結合專用 agent 架構解決 GitHub issues 的佔比約 30%（來源：SWE‑bench 官方排行榜，2024 年 9 月）；多數系統低於 20%。
• WebArena（網站操作任務，Zhou et al., 2024）：GPT‑4 驅動的 Agent 平均任務成功率約 20‑30%，遠低於人類水平。

響應延遲

• 簡單的工具呼叫延遲（端到端，不含模型推論）通常在 100‑500 毫秒；複雜多步推論鏈路可能需要數秒至數十秒。公開資料未見各廠商系統性揭露 Agent 模式下的平均響應延時。

多智慧代理協調效率

• 尚無通用 benchmark。部分論文報告在“多人”寫作/程式設計任務中，3 個以上 Agent 時額外協調成本使綜合效率反而不如 2 個 Agent（來源：CrewAI 社群實驗，2024 年 6 月；具體指標公開資料未見系統定量）。

經濟引數

• 企業級 Agent 的建置成本中，模型 API 呼叫費仍佔大頭。以 GPT‑4o 為基座的客服 Agent，單次對話平均 token 消耗約 8000，API 成本約 0.04 美元（來源：OpenAI 定價頁，2024 年 10 月；按輸入輸出混合估算）。2024 年模型成本持續下降，但規模化部署仍考驗企業財務模型。

5. 技術路線

當前 AI Agent 的實現路徑呈現多樣化競爭，各路線在靈活性、易用性、安全性和生態整合度上各有取捨。

路線一：閉源全託管平台

• 代表：OpenAI GPTs / Assistants API、Google Vertex AI Agent Builder、Microsoft Copilot Studio。
• 特點：提供低程式碼/零程式碼建置、託管記憶與工具整合、原生安全護欄。適合企業快速上線標準場景，但定製靈活度受限。
• 進展：OpenAI 在 2024 年大幅增強 Assistants API 的檔案檢索和程式碼直譯器能力；Microsoft Copilot Studio 截至 2024 年底使用者數超 10 萬組織（來源：微軟，2024 年 Ignite）。

路線二：開源 Agent 架構

• 代表：LangChain、LlamaIndex、Haystack、Semantic Kernel。
• 特點：高度可定製、模型無關，開發者可自由組合記憶、工具和規劃邏輯。但需要自行處理安全、監控與部署。
• 影響力：LangChain 在 GitHub 已獲得超 95,000 Stars（截至 2025 年 1 月，GitHub），Python 和 JavaScript SDK 月下載量均超千萬次。

路線三：多智慧代理編排架構

• 代表：AutoGen（微軟）、CrewAI、MetaGPT、ChatDev。
• 特點：通過定義角色、對話流與任務依賴實現協作。適用複雜、多環節任務（如軟體專案啟動）。
• 侷限：除錯困難，協調成本高，實踐中尚難以保證高可靠性。

路線四：端側混合智慧代理

• 代表：Apple Intelligence（2024）、高通 AI Hub、各手機廠商端側模型。
• 特點：敏感資料在本地處理，延時極低，結合雲端端強模型做分發決策。適合個人助理和隱私敏感場景。
• 進展：Apple在 2024 年 WWDC 上推出的 App Intents 架構為端側 Agent 奠定基礎，但複雜任務仍需雲端端支援。

路線五：垂直行業可組裝的 Agentic 工作流

• 代表：Palantir AIP（國防、能源）、Salesforce Einstein 1（CRM）、ServiceNow AI Agents（ITSM）、用友 YonGPT（ERP）。
• 特點：深度利用行業資料和業務規則，與現有企業軟體繫結緊密。模型只是其中一環，壁壘在於工作流設計和資料飛輪。

路線對比總結：閉源全託管降低入門門檻，易於建立商業閉環；開源架構促進創新但碎片化嚴重；多智慧代理編排試圖突破單模型能力上限，但仍在工程化早期；端側路線適配隱私與即時場景；垂直工作流則以 data moat 和 domain expertise 建置護城河。

6. 上游

Agent 市場的上游核心是提供“智慧”和“連線”的基礎元件：大型模型、算力、資料與工具基礎設施。

大型模型供應商

• 海外：OpenAI（GPT‑4o、o1 系列）、Anthropic（Claude 3.5）、Google DeepMind（Gemini）、Meta（開源 Llama 3.1）、Mistral AI。商業模式主要為 API 呼叫計費和 Token 套餐，2024 年頻繁降價。
• 中國：百度（文心大型模型 4.0，搭配飛槳）、阿里巴巴（通義千問 2.5）、騰訊（混元大型模型，內嵌於微信/企業微信）、字節跳動（豆包大型模型系列）、智譜 AI（GLM‑4）、月之暗面（Kimi，長上下文）、DeepSeek。國內大廠普遍採用 MaaS（模型即服務）與雲端底座捆綁。

算力與晶片

• 訓練與推論晶片高度依賴輝達。旗艦 H100、即將量產的 B200 市場供不應求。據 NVIDIA FY2025 Q3 財報，資料中心業務營收達 308 億美元（2024 年 11 月），其中推論需求佔比據 CFO 表示已超過四成。
• 雲端服務商：亞馬遜 AWS（與 Anthropic 深度繫結, Bedrock Agent）、微軟 Azure（OpenAI 獨有訪問）、Google雲端、阿里雲端、華為雲端。2024 年各雲端廠商均推出模型推論最佳化例項，降低 Agent 部署成本。
• 國產晶片：華為昇騰、寒武紀等尚處於替代期，與主流架構適配和效能仍有差距（公開資料未見大規模用於 Agent 推論的獨立資料）。

資料與向量資料庫

• 向量資料庫是實現長期記憶與高效檢索的標配。代表產品：Pinecone（北美付費客戶數超過 5,000，2024 年 Pinecone 揭露）、Weaviate、Milvus（開源中國主導）、Qdrant。
• 資料準備/ETL 工具：如 LlamaIndex 的 Ingestion Pipeline、Unstructured.io，用於將企業文件、表格等轉換為 Agent 可用的知識。

7. 下游

Agent 能力嵌入到千行百業，形成了多元化的下游應用。以下按場景列舉代表性產品與落地進度（數字均標註來源與年份）。

辦公效率與知識工作

• Microsoft 365 Copilot：截至 2024 年 Q4，已擁有超過 240 萬企業付費席位（來源：微軟 FY2025 Q2 財報，2025 年 1 月），月均 ARPU 約 30 美元，預計年化營收超 80 億美元（源於財報推算，口徑含 Copilot for Microsoft 365 和 GitHub Copilot 的總營收接近 100 億美元，但未單獨拆分）。
• 國內：釘釘 AI 助理已服務超過 100 萬家企業，呼叫量級超千萬次/日（來源：釘釘 2024 生態大會）；飛書智慧夥伴已整合進多維表格、文件等產品；金山辦公 WPS AI 在 2024 年 Q3 公佈月活裝置數接近 6000 萬（來源：金山辦公 2024 年三季報）。

軟體開發

• GitHub Copilot：2024 年 Q4 付費使用者超 180 萬，年化營收以數十億美元量級增長（來自微軟財報分析師電話會議）。
• 開源替代與競爭者：AWS CodeWhisperer、Cursor（Anysphere，已獲大額融資）、國內的通義靈碼（阿里雲端）、百度 Comate。其中通義靈碼 2024 年 9 月官方宣稱累計安裝量破 1000 萬，日均程式碼生成量過億行（來源：阿里雲端 2024 雲端棲大會）。

客戶服務與營銷

• Salesforce Einstein 1 平台：在 2024 年 Dreamforce 大會上宣佈整合 Agent 功能，可自動處理服務請求與營銷分配。根據 Salesforce 2025 財年 Q3 資料，Einstein 相關流水增長超過 30%。
• 國內：百度“文心智慧代理”應用於客服和營銷文案生成，已服務超過 10 萬家企業（來源：百度 2024 年 Q3 電話會）；明源雲端、匯通等 SaaS 廠商也在原有產品中加入 Agent。

金融與專業服務

• BloombergGPT 之後，金融機構更傾向於使用私有化部署的 Agent 完成研究報告摘要、合規檢查與反洗錢監控。摩根大通 2024 年財報揭露其 AI 相關的技術支出超 120 億美元（全口徑），Agent 被視為重點之一。
• 國內金融機構：工行、建行等紛紛在辦公與客服環節試點 Agent 應用，具體資料公開資料未見。

醫療與科研

• Google Med‑PaLM 2 已在多家醫院試點，與臨床決策 Agent 結合，可輔助診斷，但仍在 FDA 審批等監管程序中。國內醫渡雲端、數坤科技等將多模態 Agent 用於影像分析與臨床試驗匹配。
• 科研領域：AutoGen‑based 科研助手可完成文獻檢索、實驗設計草案撰寫，但尚未形成可量化的市場。

工業與製造

• 西門子的 Industrial Copilot 在 2024 年漢諾威工博會亮相，用於 PLC 程式碼生成與產線運維，計劃在 2025 年向更多客戶交付。國內方面的工業 Agent 主要來自樹根互聯、海爾卡奧斯等平台，但功能多停留在問答與報表生成，少數試點執行半自主任務（來源：工業網際網路產業聯盟報告，2024 年 12 月）。

8. 受益公司

（本節僅客觀梳理版面配置企業與潛在業務增量，表述不構成任何投資建議。）

海外綜合型巨頭

• 微軟：通過 Azure（OpenAI 模型獨佔）、GitHub Copilot、Microsoft 365 Copilot、Dynamics 365 Copilot，在雲端、辦公、開發者與業務應用四大維度建置 Agent 生態閉環。其 2025 財年第二季度智慧雲端營收 255 億美元，其中 AI 相關貢獻持續上漲。
• Alphabet（Google）：Gemini 模型系列 + Google Cloud Vertex AI + Workspace 整合，以長上下文視窗和深度搜索為賣點。2024 年Google雲端業務營收首次突破單季 100 億美元，AI 產品的貢獻被屢次提及。
• 亞馬遜：AWS 通過 Bedrock Agent 和 CodeWhisperer 參與，同時與 Anthropic 深度繫結（投資 40 億美元）。作為 IaaS 巨頭，其受益於 Agent 推論算力消耗的增量。
• Meta：開源 Llama 系列聚集大量 Agent 開發者，但直接貨幣化路徑尚不明朗；有利其廣告與內容生態的自動化。

企業 SaaS 轉型者

• Salesforce：Einstein 1 平台內建 Agent 能力提升客戶黏性，推動 CRM 升級週期。
• ServiceNow：將 Agent 注入 IT 服務管理（ITSM）與 HR 流程，2024 年財報顯示其生成式 AI 相關合同價值大增。
• Palantir：AIP（Artificial Intelligence Platform）已經成為其戰略核心，在軍事、能源和高危製造領域中標多個大單。

中國主要廠商

• 百度：文心大型模型+千帆平台+文心智慧代理三層，覆蓋知識管理、營銷、客服等場景。2024 年三季度財報顯示智慧雲端營收 49 億元，其中 AI 貢獻佔比提升。
• 阿里巴巴：通義千問系列與阿里雲端和釘釘深度整合，主攻企業辦公、IT 運維和電商運營。阿里雲端 2024 年度使用者大會上公佈已有超過 30 萬家客戶使用通義系列產品。
• 騰訊：依託企業微信和騰訊會議，推出“騰訊混元助手”並內嵌入協作應用，側重私域運營與辦公。其雲端業務通過 MaaS 提供 Agent 建置能力。
• 字節跳動：以豆包大型模型和釦子（Coze）平台為抓手，拓展智慧客服與內容生成場景，C 端流量優勢明顯。
• 獨立模型/平台公司：智譜 AI（模型廣度與政企關係）、月之暗面（Kimi，超長上下文）、MiniMax、百川智慧等均積極版面配置 Agent。用友網路（YonGPT 服務 ERP）和金蝶國際（蒼穹 GPT 融入財務、HR）則聚焦企業級管理軟體。

9. 市場規模

由於統計口徑不一，各機構對 AI Agent 市場規模的預測差異較大，但共識是高雙位數年複合增長率。

• MarketsandMarkets 2024 年 1 月釋出的《AI Agent Market – Global Forecast to 2030》估計：2024 年全球 AI Agent 市場（含軟體、平台與服務）為 50.1 億美元，2030 年有望增至 471.1 億美元，CAGR 44.8%（來源：MarketsandMarkets, Jan 2024, Report Code: TC 8842）。
• Grand View Research 的《AI Agents Market Size, Share & Trends Analysis Report, 2024–2030》則採用更寬泛口徑（包括 RPA 與 AI 流程自動化），給出 2023 年市場規模約 210.8 億美元，並預計 2024–2030 年 CAGR 約 42.0%（來源：Grand View Research, July 2024）。
• IDC 在 2024 年《Worldwide Artificial Intelligence Software Forecast》中雖未單獨列出 Agent 市場，但預測 2025 年全球 AI 平台支出將達到 670 億美元，其中 Agent 化能力被視為核心模組。
• 中國市場：根據 IDC 中國 2024 年釋出的《AI 與大型模型應用市場追蹤》，2023 年中國 AI Agent 相關（含開發平台、應用服務）市場規模約為 45 億元人民幣，預計 2027 年將達到 380 億元，CAGR 超 70%（來源：IDC 中國, 2024 年 9 月）。增長動力來自政企數字化與國產模型加速部署。

以上預測均基於當前技術遞進和客戶採納節奏，實際增速可能受監管、安全事件或殺手級應用出現而大幅偏離。

10. 玩家對比

（對比基於截至 2025 年初公開資訊，排列不分先後；所有內容僅供參考，不作為推薦。）

維度	微軟（Copilot Stack）	OpenAI（GPTs/Assistants）	Google（Vertex AI Agent）	Salesforce（Einstein 1）	百度（文心智慧代理）	阿里雲端（通義/百鍊）	位元組（釦子 Coze）
核心模型	GPT‑4o（Azure 獨有）	GPT‑4o / o1	Gemini 1.5 Pro	自研 + 外部模型可選	文心大型模型 4.0	通義千問 2.5	豆包大型模型系列
工具整合	深度整合 Microsoft 365、Power Platform、Azure	內建程式碼直譯器、檢索、第三方 Plugin	Google搜尋、Docs、Maps 等 + API 工具	CRM 資料流與業務應用	百度搜索、地圖、企業私有資料	釘釘、瓴羊、電商工具	飛書文件、客服、抖音生態
多Agent支援	Copilot Studio 支援自定義 Agent（有限多角色）	單個 Assistant 為主，無原生多Agent	Vertex AI Agent Builder 支援多Agent編排	服務流程中內建多節點	文心智慧代理平台支援對話流編排	阿里雲端函式計算 + Agent 鏈	釦子支援多Bot與知識庫協同
開源/閉源	閉源（部分 SDK 開源）	閉源	閉源	閉源	閉源	閉源	閉源（部分外掛生態開源）
開發者生態	GitHub、VS Code 整合；SDK 覆蓋 .NET、Python	Assistants API，開發者首選，整合極廣	依託 GCP 和 Colab，主要服務企業	Apex/LWC 開發者，強在 CRM 生態	千帆大型模型平台，降低微調門檻	阿里雲端百鍊平台，與雲端產品捆綁	釦子平台，低程式碼開發，社群活躍
企業級功能	成熟的安全、合規、資料駐留	有限，依賴 Azure 的企業協議	強，支援 VPC、IAM、DLP	極強，與客戶資料平台深度繫結	逐步建設，已有私有化部署	強，政企雲端服務經驗豐富	弱，未完全推出企業專有版
定價模式	訂閱制（每人每月 30 美元）+ 消耗量	按 token 計費 + 按 Assistant 呼叫	按 token + 平台費	訂閱 + 按用量	平台呼叫 + 模型 token	按 token + 雲端資源	多數功能免費（兌換算力），增值服務收費

開源架構對比（LangChain vs LlamaIndex vs AutoGen vs CrewAI）

• LangChain：生態最大，元件最全，適合複雜鏈和 Agent，但學習曲線陡峭；被批評過度抽象。
• LlamaIndex：聚焦資料索引與檢索增強生成（RAG），輕度 Agent 支援，更適合知識密集型應用。
• AutoGen：微軟支援，專注多 Agent 對話，擴充套件性高，除錯難度大。
• CrewAI：基於 LangChain 的輕量多 Agent 架構，上手快，但生產級穩定性待驗證。

11. 風險

技術風險

• 幻覺與邏輯錯誤：模型產生虛假資訊並據此行動，可能導致業務損失。即使在 2024 年底，複雜任務下的幻覺率仍普遍高於 5%（來源：Vectara Hallucination Leaderboard，2024 年 12 月）。
• 安全漏洞與提示注入：攻擊者可利用惡意提示讓 Agent 洩露資料或執行未授權操作。2024 年多家安全公司演示了對 AutoGPT 和 LangChain 應用的注入攻擊。
• 穩定性與對齊：長時間自主執行中，Agent 目標可能發生漂移；安全對齊技術（如 RLHF）仍不能完全避免越獄。

商業風險

• 客戶付費意願不明確：許多 Agent 功能以“免費增值”形式提供，獨立收費難度大。Adobe、Zoom 等公司 2024 年已因 AI 變現未達預期導致股價波動（來源：公開財務揭露）。
• 投入產出比（ROI）：企業部署 Agent 的總擁有成本（包括整合、監控和治理）常常高於預期，真正實現減人增效的案例仍屬少數。
• 生態割裂：不同平台間 Agent 無法互通，可能造成資料孤島與供應商鎖定。

監管與法律風險

• 責任歸屬空白：Agent 自主行為造成損害時，法律責任在使用者、開發者還是模型供應商之間不清晰。歐盟《人工智慧法案》（2024 年生效）對高風險 AI 系統施加嚴格義務，Agent 可能被劃入。
• 資料隱私與跨境：Agent 處理大量個人/商業資料，須遵循 GDPR、中國《個人資訊保護法》等。多 Agent 系統更容易在資料流動中引發違規。

倫理與社會風險

• 就業替代：自動化高階知識工作可能衝擊白領崗位。2024 年國際勞工組織與多份智庫報告對此發出警告。
• 偏見放大：基於歷史資料訓練的 Agent 可能固化甚至放大決策偏見，在招聘、信貸審批等領域尤為敏感。

12. 誤讀糾偏

誤區一：“AI Agent 就是聊天機器人加幾個外掛” 事實：聊天機器人側重對話，Agent 則是目標導向的自主行動系統，能夠規劃、呼叫工具並迭代修正。外掛的組合不等於智慧代理的自主決策與記憶能力。

誤區二：“Agent 市場只是炒作，沒有真實落地” 事實：2024 年微軟 365 Copilot、GitHub Copilot 等已產生數十億美元級別的營收；金融機構和醫院正在試點；多家上市公司將 AI Agent 寫進年報與增長戰略。雖然整體仍處早期，但並非零落地。

誤區三：“一個超級模型就能解決一切，不需要多 Agent 和架構” 事實：不同任務的規劃邏輯、工具呼叫方式和安全要求差異巨大，專用架構與編排才能滿足生產級需求。多模型、多 Agent 混合架構更適應複雜企業環境。

誤區四：“Agent 將完全取代人類員工” 事實：當前最先進的 Agent 在非確定性場景中仍需要人類介入與審批（Human‑in‑the‑loop）。多數部署旨在增強而非取代人，人與 AI 協同是主流範式。

誤區五：“開源架構可以零成本建置企業級 Agent” 事實：開源架構降低了實驗成本，但在資料安全、監控、高可用運維上需要大量工程投入，總擁有成本可能遠超許可費。

誤區六：“中國 Agent 市場落後，只會跟隨” 事實：雖在高水平開源生態和核心理性上存在差距，但中國企業在中文場景、與國民級辦公平台的整合以及政企私有化部署方面具備獨特優勢，部分應用（如智慧客服、寫作輔助）滲透率甚至高於某些海外市場。

13. 最新事件

以下列出 2024 年初至 2025 年初影響 Agent 市場的主要事件，按時間順序排列，來源均為公開媒體報道與官方通告。

• 2024 年 2 月：OpenAI 公佈 Assistants API v2，增加持久化執行緒和改進的檢索，降低 Agent 建置門檻。
• 2024 年 3 月：Anthropic 釋出 Claude 3 系列，強調工具使用能力，多項 benchmark 領先。
• 2024 年 5 月：微軟 Build 2024 推出 Copilot+PC 和 Copilot Studio 中的自主 Agent 能力，並整合 Windows 語義索引（Windows Semantic Index）。
• 2024 年 6 月：Apple WWDC 釋出 Apple Intelligence，提出“個人化智慧”與 App Intents，標誌著端側 Agent 主流化。
• 2024 年 7 月：OpenAI 推出 GPT‑4o mini，大幅降低 API 成本，利於 Agent 高頻呼叫。
• 2024 年 8 月：Google雲端推出 Vertex AI Agent Builder，支援企業自建多 Agent 應用，並開放 Gemini 1.5 Pro 100 萬 token 上下文。
• 2024 年 9 月：百度在雲端智大會上正式釋出“文心智慧代理平台”，提供零程式碼/低程式碼 Agent 開發，並連線搜尋與企業系統。
• 2024 年 10 月：字節跳動釦子（Coze）平台開放模板與外掛市場，吸引大量創作者，社群月活開發者數十萬（來源：位元組官方部落格）。
• 2024 年 11 月：Anthropic 推出實驗性“計算機使用”（Computer Use）功能，Agent 可以像人一樣操控桌面 UI，引發業界對安全性的廣泛討論。
• **