一个原生自带幻觉的新技术，能用到企业的生产环境么？起初，这是行业所有人对大模型的疑虑。
火爆的 ChatGPT 本质上是 chatbox，聊天机器人和 C 端用户的互动不需要百分百的准确，但是企业生产环境能有多少聊天场景，把其他场景全改为 chatbox 也不现实，幻觉问题更是死穴，企业生产更需要确定性。
当模型层面的问题不再是问题，大模型进入生产场景就有了前提条件。2025 年 6 月 11 日，字节跳动旗下火山引擎举办 Force 原动力大会，发布豆包大模型 1.6、视频生成模型 Seedance 1.0 pro 等新模型。
结合行业趋势来看，包括字节跳动在内的所有模型厂商都认为，大模型的 「死穴」 已经尽数消失，而产业正从卷模型转向卷应用，大模型产业的胜负手既在大模型本身，更在于谁能构建一条让 Agent 进入核心场景的通路。
火山引擎总裁谭待表示，深度思考、多模态和工具调用等模型能力提升，是构建 Agent 的关键要素。同时，由于 Agent 每次执行任务都会消耗大量 tokens，模型使用成本也要降下来，才能推动 Agent 的规模化应用。
大模型的效果和性价比都很重要，本次大会上，豆包 1.6 宣布按 「输入长度」 区间定价，深度思考、多模态能力与基础语言模型统一价格。在企业使用量最大的 0-32K 输入区间，豆包 1.6 的输入价格为 0.8 元/百万 tokens、输出 8 元/百万 tokens，综合成本只有豆包 1.5 深度思考模型或 DeepSeek R1 的三分之一。Seedance 1.0 pro 模型每千 tokens 仅 0.015 元，每生成一条 5 秒的 1080P 视频只需 3.67 元，为行业最低。
与此同时，大模型要进入企业核心生产场景，还有大量的工程化实践，以及超出 Agent 本身的工作要做。一年多之前，HiAgent 企业级智能体开发平台就推出了第一个版本，如今 HiAgent 再更新大版本，如何进一步补全企业级 Agent 的版图，钛媒体 App 和火山引擎副总裁张鑫聊了聊。
2025 年，Agent 上生产线元年
如果参照互联网，应用繁荣才意味着大模型产业真正的繁荣，没有企业想要拥有一个 「互联网」，但所有企业都想拥有互联网化生出的各种能力，这些能力就以软件应用的形式呈现。
大模型产业的蔓延同样有迹可循，从预训练到精调，从算力基础设施到工具链，大模型产业行至应用层是一种必然，相比于又厚又重的底层基础设施，上层应用是一条更好、更快拥抱新技术的路径。此外，自上而下由业务到技术的驱动模式，企业也往往更愿意为看得见的价值付费。
火山引擎的认知也经历了变化，张鑫谈到，早期火山引擎看到，应用效果很大程度由大模型本身决定，所以字节跳动加大基础模型的投入，想通过好的模型让大家能够更容易地构建出好的应用。
之后火山引擎发现，有了好的模型并不和应用直接画等号，中间有一系列工程化实践，从提示词工程到知识库到工作流等，火山引擎要提供一个足够好的智能体的开发平台，要把新技术的链路补全，扣子和 HiAgent 这样的平台随之诞生。
一年多之前，张鑫发布了 HiAgent 第一个版本。当时聊大模型的算力、算法、Token 的很多，聊 Agent 的人不多，只有一小部分企业选择开始使用 HiAgent。随后大模型演变比大多数人预料的还要快速且剧烈，似乎之前的问题已经不是问题。
「2025 年是 Agent 元年」，几乎所有人都这么说，但问题是，Agent 元年是什么样的？在张鑫看来，Agent 元年是一个乐观的预期，智能体可能会 「遍地开花」，但智能体爆发需要在几个不同维度都达到临界点。
例如技术临界点，大模型能力的上限，决定了智能体应用效果的下限，今天的大模型已经达到博士生的水平；在商业和生态的角度，智能体最大的一个变化是使用工具，不管是通过 MCP，还是谷歌提出的 A2A 协议，真正能够把智能体的价值放大，还需要生态体系更加完善。
「大模型商业模式至今也分了几个阶段，初级阶段卖算力，收费单位是卡时，下一个阶段按 token 收费， 其实是在算力基础上叠加了一部分大模型能力，再到下一个阶段是按使用量或者按订阅制来收费，但最终智能体要在元年爆发，我认为应该按效果、按价值收费，比如营销额外产生了多少收益，节省了多少成本。」 张鑫说。
一个新的共识是，上一轮所有的应用都会被 AI 重构。
咨询机构 IDC 预计，2025 年生成式 AI 在企业的落地仍将优先聚集在办公助手等提升生产力的场景，其次是行业垂直业务场景。金融、能源、零售、制造是最值得关注的传统行业。从另一个角度，智能体将是大模型应用的重要方向，流程自动化，RPA，CRM，数字员工将优先受益于智能体升级。
从企业视角观察，大体路径先是企业研发、生产、供应链、销售服务等环节所依赖的软件、硬件工具，都通过 AI 不断迭代升级；未来全面 AI 化的企业，将发生业务流程、商业模式乃至组织形态的变化。
「有通用大模型，但很难有通用智能体，智能体非常依赖于场景，」 张鑫说。面对一个完全陌生的新技术，哪怕它具有足够的革命性、足够的势能，开端总是磕磕绊绊且不尽如人意的。这些现象背后的本质问题包括了模型能力边界的探索、To B 场景的复杂多变、工程最佳实践的缺乏，以及数据知识质量参差不齐等。
目前企业客户认知存在两个极端，企业高层大多高估 AI Agent，一线人员则很容易低估 AI Agent，同时很多企业把 AI Agent 当作传统的软件工程，交付验收即结束，但是企业的业务场景在变，数据在变，领域知识在变，智能体和真人一样需要不断地学习和调教，AI Agent 不是一次搭建的静态结果，而是持续调优的动态过程。
此外，某种意义上，在大模型产业和技术尚不成熟的阶段，企业要真正发挥新技术价值，需要付出的精力并不比技术服务商少，从 0 到 1、从无到有的拓荒，只有企业本身才能实现。对比之下，互联网产业分工明确，是因为产业基础尽数具备，技术供应商只需完成 「最后一公里」 的服务，大模型生态还早得很。
跳出 Agent，才能做好 Agent
大模型的演化有一个特点，在技术发展的极早期，大部分技术都没到成熟的稳定态，所以大模型的优化必须做端到端的把控，典型代表就是现在还留在大模型牌桌的厂商，从底层芯片到云基础设施到大模型本身，都不能有短板。
如前所述，企业 Agent 的技术栈同样不成熟，这就要求技术服务商向前一步，做更多端到端的服务。
对于当下智能体开发平台的启示是，企业不愿意为工具付费，但愿意为结果付费，想做好企业级 Agent，不能只做一个应用开发平台，而是沿着企业 Agent 的链条延展，最大程度降低企业的门槛、提高企业 Agent 的价值。
如果大模型是纵向的端到端，那么，AI Agent 更像是另一个横向的端到端，当然，大模型的纵向能力也可以引入其中。
火山引擎也看到了企业的顾虑，张鑫将 HiAgent 智能体构建平台本次大版本的更新，定义为 「上下左右」 的迭代，核心是基于 Agent DevOps 理念，HiAgent 提供策略规划、能力开发、评测、发布、观测、优化全生命周期管理，实现从模型到应用的全链路打通。
具体来看，向右意味着开发和运营一体化，智能体不是一次开发的交付，而是一个数据不断产生、经验不断积累、知识不断丰富的过程，因此 Agent 需要持续运营，HiAgent 从原来智能体开发加上了智能体运营， 包括评估评测、应用发布、线上观测、会话管理、品质调优、数据回流等一系列全生命周期管理。
火山引擎副总裁 张鑫
类比云原生的 DevOps 理念，将开发 （Dev）、运维 （Ops） 和测试 （Test） 等团队紧密结合，通过自动化流程和工具链的整合，实现软件从开发到运维的快速、高效交付。DevOps 不仅仅是开发团队和运维团队的结合，而是涵盖了从需求分析、产品设计、开发、测试、部署到运维的全过程协作。
向上，除了智能体开发平台以外，很多企业还是要面临 「最后一公里」 的问题，火山引擎也提供了行业样板间和模板库，面向常见的一些场景，包括客服、营销、招聘、办公类等，进一步细分成教育行业、医疗行业、金融行业等。「如果说智能体开发是从 0 到 1，有了模板以后企业就从 0.8 到 1，企业可以基于模板补充符合自己需求的最后 20%，小修小改就能快速完成。」 张鑫说。
向下则是模应一体，模型和应用一体，除了提示词工程、知识库，大模型能力本身就是应用能力很重要来源。很多行业免不了要做自己的模型，把通用模型通过精调、强化学习，甚至通过精蒸馏达到一个非常专业的领域模型成都，然后再基于它做上层的智能机搭建，以期实现更好的效果。
在 HiAgent 新版本中，智能体效果的深度优化可以下钻到模型层。HiAgent 2.0 融合一站式模型训推平台，提供模型后训练以及多模型的管理和评测，从数据标注到参数调优，让专业开发者能针对行业场景定制专属模型，告别 『通用模型水土不服』 的痛点；同时，HiAgent 2.0 提供私有化部署引擎，让推理服务嵌入企业内网，数据不出企业防火墙，既满足合规要求，又能在工厂、银行等网络敏感环境中稳定运行。
向左，一个统一的智能体入口。张鑫表示，跟企业合作多了以后就会发现，大家会遇到一个共同问题，基于 HiAgent 确实可以很方便地创建智能体，企业员工群策群力，一个企业内部往往会有几百个不同的智能体，但是所有智能体的使用非常零散，所有智能体分布在不同的入口。
这时企业就需要统一的交互入口，让员工可以在日常工作中更容易地和智能体协作，同时沉淀更多企业用户数据和偏好记忆。HiAgent 2.0 就发布了这样一个 Canvas 统一交互门户，在 HiAgent 上搭建的智能体可以直接发布到 Canvas 门户，员工与多智能体可以通过 「千人千面」 的动态 「画布卡片」 的方式，协同作业。HiAgent 通过闭环智能体从搭建到使用的链路，可以让企业更容易地使用多个智能体，让 「数字员工」 真正融入到日常业务中，更好推动业务的 AI 转型。
张鑫表示，「飞书和钉钉本质上更多解决了人人协同的问题，和飞书和钉钉不一样，火山引擎更想成为解决人机协同的入口，这个入口专属于一个用户，甚至可以千人千面的呈现，研发、销售和管理人员看到的界面都不同，通过这个入口可以唤醒几十个甚至上百个自己的专属智能体。」
他还提到，互联网应用看重流量和生态能力，类比到企业领域，企业内部智能体一定不是孤立存在，新技术和老技术有相对长的共存期，企业内部已有的 CRM、OA 以及 API、各种算法等工具还是会存在的，如何让智能体更好和企业已有系统打通，火山引擎也希望通过统一端能够完成，比如存量系统是否可以通过工具的形式发布到 HiAgent 平台，让智能体可以自由调动，这也是 HiAgent 要做端到端的核心之一。
Agent 繁荣，大模型才是真繁荣
除了负责火山引擎企业级智能体开发平台之外，字节跳动的智能体开发平台，还有更被开发者和普通用户所熟知的扣子，有了扣子，为什么字节跳动还要做 HiAgent？
「在字节内部，我们特别不提倡内卷。」 张鑫一言以蔽之。
从本质上看，扣子的产品确实在企业业务市场有需求，从客户视角看，扣子有自己的定位，面向开发者和 C 端用户，追求开发者的广度和深度。此外，企业级客户，尤其是大型客户的 「人事物」 更复杂，需求也更个性化，需要 HiAgent 这样的平台来满足。
但是扣子和 HiAgent 也算 「同出一门」，两大产品之间既有交叉的部分，譬如智能体开发的通用能力未来也会做到复用，类似低代码、写提示词、做自动优化、工作流编排、知识库建设等。不交叉的部分两边会各自投入大的资源，HiAgent 的投入就是企业级客户的所需。
简而言之，扣子和 HiAgent 走出了差异化的路径，但共同目标都是大模型产业的繁荣，前者聚焦于低门槛、场景化的智能体搭建平台，赋能个体开发者和中小企业快速落地 AI 应用；后者则深耕企业级复杂流程自动化与深度集成，为大型组织提供端到端的高可靠智能解决方案。
结合行业来看，企业市场的 Agent 有时会滞后于消费市场，但是在垂直领域的纵深要远远超过消费级应用。例如某企业基于其他开源平台开发了 Agent 并应用于生产系统，但是并发只能做到 200 个，远远低于该企业所需，改换 HiAgent 之后才满足了生产环境的大规模并发。
更有趣的是，比如在企业 AI 工作台，用户想总结一个会议，此时企业没有会议总结助手，AI 工作台就会自动调用一个特殊的工具 HiAgent-Browser-Use，像 manus 那样在线用 HiAgent 搭建出一个会议总结助手智能体，搭建完成后自动注册成超级 App 背后的子智能体并执行会议总结，然后把结果渲染到画布上。这就好像是，HiAgent 能让 Agent 自我繁衍了，一个更高阶的 Agent 创建了新的 Agent。
这也表明，HiAgent 不只是一个开发工具，甚至不只是一个平台产品，越来越多的客户把 HiAgent 视为一个完整的 AI 能力中心，有别于以往的软件应用，HiAgent 沉淀了客户的数据和知识，云基础设施、大模型、中间件等产品和服务都是过程，最终交付给企业的 AI 能力，这应当是 AI Agent 之于企业的意义。
张鑫还记得，广州公交集团的数字人，在内部居然有了自己的工号，在合同审核、车辆维修等多个领域持证上岗，且有自己的考评体系，硅基员工似乎真的成了企业生产环境的一部分，这也是他眼中 Agent 上生产线的实证。
基于行业视角观察，张鑫认为，现在还是智能体开发平台的发散阶段，就像早期模型架构不统一的 「百模大战」，最终 MoE 架构成为主流，大模型玩家自此收敛。目前 Agent 的标准也并不统一，缺少公认的 Agent 成熟度体系，所有人都认可 Agent 的战略方向，只是在落地和关键能力上有所不同。
火山引擎认为，除了开发平台以外，还有几个关键因素，首先是模型的能力，其次是极致的推理性价比，因此字节跳动在豆包大模型本身的投入上不遗余力，更注重自身模型的效果。同时在 AI 推理能力上，火山方舟加大更多投入，让 Agent 跑起来的时候性价比更高，这也是未来 Agent 繁荣很重要的一个因素。
基于云计算的软件开发模式已经成为主流，但是开发者使用容器等理念反而减少了对云厂商的依赖，张鑫在加入字节跳动之前，曾在谷歌深度参与 K8s 的开发，之后回国创立才云科技，亲历了云计算时代的软件开发。
「K8s 让应用太容易迁移，这是开源的胜利，我们曾在谷歌内部开玩笑说，某种程度它反而有损于公有云厂商的价值，因为开发者可以将应用迁移到任何合适的环境，但是 Agent 可能不一样」 张鑫表示。
在他看来，对企业或者开发者来说，Agent 真正的黏性在于更具性价比的全栈基础设施，以及越用越好用的数据沉淀。
「Agent 更依赖于基础设施，就像 DeepSeek 出来之后各家的推理成本差距很大，很多云厂商托管的 DeepSeek 服务也不可用，火山引擎提供了更好的服务。另外，Agent 天然对用户有黏性，因为它有长期记忆，用户使用同一个平台，用同一个产品构建了 Agent 以后，用得越多 Agent 越好用，数据可能是以长期记忆或者知识库的形式存在，这些知识和数据没有办法带走的话，Agent 的效果也会大打折扣。」
