嘿，大家好！这里是一个专注于AI智能体的频道~
年末了，最近玩cursor上瘾，好久没更新了。今天给家人们分享一篇关于AI Agents的年终总结吧，来自langbase。
他们调研了来自100多个国家的3400多个高级AI Agents开发人员，其中46%的参与者担任C级职位。
开发人员使用哪些 LLM 供应商来构建 AI Agents？
开发者主要依赖于OpenAI提供的AI和LLM服务，Google作为强有力的竞争者迅速崛起。 Anthropic也是一个受欢迎的选择，而Meta的Llama、Mistral和Cohere虽然市场份额较小但正在增长。
使用各种人工智能模型的具体目的是什么？
不同的人工智能提供商在不同的领域表现出色，体现了不同模型有各自的优势行业。
OpenAI在技术和营销应用中领先，特别是在翻译任务中。 Anthropic在技术任务中受到青睐，但在营销和翻译中的使用较少。 Google的模型在健康和翻译领域占主导地位，展现了在语言和医疗领域的强项。 Meta广泛用于技术和科学应用，而Cohere在多个领域，包括科学和营销中都有平衡的使用。
想学习Agent的家人们可以瞅一瞅机工设的新书噢
阻碍AI Agents广泛应用的主要问题
扩展和部署的复杂性是主要问题，其次是数据隐私和安全合规性。 缺乏强大的监控工具和高昂的基础设施成本也阻碍了AI的采用。 对AI驱动解决方案的抵制或怀疑反映了持续的担忧，表明需要更透明和用户友好的AI实施平台。
选择LLM时的影响因素
准确性是大多数受访者在选择大型语言模型时最优先考虑的因素，其次是安全性和可定制性。 成本是最不具影响力的因素。
部署AI Agents到生产环境的主要挑战
定制困难、有限的质量保证评估方法和缺乏可重用的基础设施是关键挑战。 工具碎片化、集成问题和可扩展性问题进一步复杂化了部署过程。
采用AI技术的主要目标
自动化和简化是AI采用的首要任务，使公司能够提高效率和流程的流畅性。 定制解决方案和改进的协作反映了对灵活性和共享系统访问的日益增长的兴趣。
公司使用LLM的场景
LLM在软件开发中被广泛使用，在营销、IT运营和文本摘要中也有显著的采用。 客户服务、人力资源（HR）和法律显示出新兴的兴趣，预示着2025年可能在更广泛的领域中采用。
AI基础设施的关键特性
大多数受访者需要Agentic RAG能力来改善上下文信息处理。 评估工具也很重要，以确保AI系统按预期工作。
AI管道编排时偏好的工具类型
大多数受访者更喜欢提供灵活、基础的原语以设计定制AI管道的开发工具。 预构建的拖放解决方案虽然可以解决特定问题，但可定制性较低，表明AI工作流程设计中对定制的需求强烈。
AI开发平台的首选因素
开发者将AI Agent版本控制视为AI开发平台的首要特性。 强大的SDK或库生态系统和本地开发环境也很受重视。 团队协作和实验是重要的但次要的考虑因素，资源监控仪表板的重要性较低。
公司中AI的使用程度
大多数开发者将AI用于实验和生产。 开发者正在稳步采用AI进行生产。
好了，这就是我今天想分享的内容。如果你对构建AI智能体感兴趣，别忘了点赞、关注噢~
