北大元培实验班出身、康奈尔大学毕业、阿里达摩院前产品总监的硬核技术创业者——杨劲松。
在他看来，AI 大模型是“大脑”，而 Agent 是赋予其行动力的“手脚”。如何让模型从“会说话”进化为“能干活”，正是他和团队正在解决的“最后一公里问题”。
一、从北大元培到达摩院，他为何选择创业？
杨劲松的人生履历并不缺光环：北大元培实验班、康奈尔大学计算机硕士、阿里达摩院 AI 产品总监。他坦言，自己一直是个“规划型选手”，从大学开始就做了出国、进大厂的职业路径规划。
但他也清楚，规划是双刃剑：
“早期的规划往往是基于局部最优解，但技术与行业变化太快，容易错过全局最优机会。”
2019 年左右，AI 在一波热潮后逐渐遇冷，不少大厂甚至关闭了自己的 AI Lab。但到了 2022 年底，ChatGPT 横空出世，全球再度聚焦于大模型的变革能力。2023 年初，中国进入“百模大战”，杨劲松看到了机会：
“大模型只解决了感知问题，但如何让它能完成一项完整任务，成为业务生产力？我们认为 Agent 是答案。”
相比训练模型需要巨额资金与算力门槛，Agent 的创业门槛更接近业务场景，具备更现实的商业化可能性。
二、Agent 是如何改变企业的生产力逻辑？
大模型能理解语言，回答问题，但仍然停留在“聊天”的层面。而企业的真实业务远不是简单对话能解决的，通常涉及信息收集、分析判断、决策执行多个链条。
杨劲松打了一个比喻：
“大模型是人类的‘大脑’，但真正的工作还需要‘手脚’去执行。Agent 的意义就是赋予大模型行动能力。”
那么，Agent 如何在真实场景中落地？
电力行业的应用案例：
Agent 接入变压器等设备数据接口，实时获取设备运行状态。
通过模型分析判断是否存在异常波动或风险。
系统自动提示给工程师，辅助决策，提前预警。
“我们服务的电力客户已经在实际使用 AI Agent 做风险监测，大大提升了响应效率。”杨劲松说。
金融行业的落地路径：
Agent 能根据信贷申请信息，从多个系统中抓取关联数据。
识别关键字段，如资产、负债、信用等级等。
快速完成风控评分并辅助人工决策。
在这类高频、高标准、重数据的行业中，Agent 替代部分重复性脑力劳动，是提升效率的最优解。
三、从通用到垂直：Agent 商业化的现实路线
很多人好奇：OpenAI、百度、阿里等大厂都在做 Agent，创业公司如何不被“碾压”？
杨劲松的回答非常实在：
“我们选择从垂直场景切入，做大厂不愿意深耕的小而深的需求，用实效打出差异化。”
他们首选电力和金融，是因为这些行业：
专家能力稀缺、训练成本高；
决策流程标准化、数据结构清晰；
单点场景海量可复制。
比如在电力行业，某个决策工具一旦在一个省份落地，就能复制到几十个城市。金融行业更是天然适合标准化智能流程，“从信贷评分、保单核保到合同审核，每一步都可以是一个 Agent。”
此外，他们也在尝试一些“短平快”的场景，比如企业销售助理、报告生成、内容编辑等，来提升落地效率和商业转化率。
四、中小企业如何用好 Agent？
很多中小企业对 AI 很感兴趣，但也面临两个困惑：
业务是否适合上 AI？
是自己开发，还是买现成的？
杨劲松的建议是：
先用现成工具试水，看看是否能解决业务中的具体问题。
不要被技术绑架，关键是是否真的能提升效率。
找痛点场景切入，比如销售线索管理、文档审核、客服对话等重复度高的任务。
杨劲松说：
“未来每个公司都应该拥有多个 Agent，像员工一样为企业工作。”
五、未来图景：一人公司、超级入口与 AI 协作社会
在杨劲松设想的未来社会中：
每个人都像 CEO 一样管理多个 Agent；
一人公司能实现过去十人团队的效率；
工作从“人做事”变成“人管 Agent 做事”。
甚至他认为，未来的“超级流量入口”也可能是 Agent：
对个人用户，可能是集成于手机、眼镜、耳机的语音助手；
对企业用户，可能是一个熟悉企业流程的“智能管家”。
而实现这些前提，是让 Agent 能够不断自我进化，具备学习与适应的能力。这就涉及强化学习、垂直领域微调、数据闭环等关键技术方向。
如果你觉得 Agent 还离你很远，不妨思考这样一个问题：
👉 你是否有一些重复又琐碎的工作，一做就是几小时？
👉 你是否希望有一个助理能帮你写文案、做报告、查数据、发提醒？
👉 你是否希望，让自己的时间用于更有价值的创造与判断？
那么，Agent 就已经在你的身边了。秒搭AI就是最好选择，我们专注打造“企业知识库引擎”和“智能体数字员工”，通过深度融合企业专属知识，构建行业定制化的大模型，结合企业业务流程，创造出真正能自主干活的智能体Agent。
