悦点科技任鑫琦：收入过亿的 toB Agent 正在重构人机协作

*本文根据任鑫琦分享实录编辑整理

Agent的进化：从理解语言到自主执行

过去半年，Agent技术突飞猛进，出现了几个值得关注的标志性节点：

• Anthropic 提出 Computer Use 概念：标志AI能力从“理解语言”走向“执行操作”。

• OpenAI 发布 Operator 功能：极大增强了AI模拟人类系统操作的能力。

• MCP 协议进入普适阶段：支持模型直接调用工具，大大提升执行力。

• 国内环境激活：DeepSeek引爆行业关注，Manus等项目加速Agent认知普及，大厂积极布局落地。

这些变化背后，预示着Agent能力边界的重新划定，整套技术正在向“多模态感知”“动态推理”“系统协作”方向进化。具体有以下几个重要的细分方向：

• 感知：从纯文本向图像、语音等多模态迁移。

• 推理：从固定流程转向上下文驱动的动态决策。

• 执行：从调用API到模拟人类使用工具。

• 记忆：从短期记忆转向长期、分层的知识体系。

• 协作：从单体Agent转向多智能体分工协作。

• 应用：从工具替代向组织流程重构转变。

从工具到“同事”：如何重构人机协作

在我们看来，智能体（Agent）的发展趋势正在从“替代工具”转向“替代系统执行过程中的人类参与”。人类的工作（主要指软件类工作）可以分为两类：

• 一类是标准化任务，程序化、确定性强，前两年我们用workflow 的方式让它执行得更准确，主要追求的是高效运转。

• 一类是探索式任务，需要结合人的经验与直觉，具备开放性和创造性，这类事情AI目前可能做得不是那么好。

在人类主导操作的模式下，是通过什么来实现效率提升和创新加速呢？核心有三点：

• Knowhow/逻辑理解：理解业务背景、流程规则与决策逻辑；

• 系统/环境连接：操作多个系统、调度任务执行，完成复杂交互；

• 数据/知识调用：调取和融合结构化与非结构化数据，构建有用的信息和知识。

此前，这三部分需要依靠人来运转，从而提供相应的服务。现在我们提用Agent替代人，本质上也需要Agent完成这件事，这也对应着Agent系统在感知（Perception）、连接（Integration）、认知（Reasoning）层面的能力跃升。

在这个框架之上也有一些典型的服务出来，例如智能客服、代码生成、业务分析、生产优化、情报处理、办公自动化。这些场景中，偏向于“程序化”式的工作已经完成得很好了，但偏向“探索式”的工作还有很大的提升空间。比较典型的是智能客服，我们能看到更接近于“程序化”工作的外呼系统已经比较成熟了，而涉及到一些“探索式”工作的内呼系统做的依然不够好。

这里想再引申一下， AI Agent 的核心是给未来或者现在正在发生的人机交互带来一个革命性的突破。突破之处不在于改进人机交互，是直接把人、机交互的模式转变为模型与系统端的交互模式，甚至整个交互过程不需要人去介入。也就是说未来机器跟人的交互不是那么重要。我觉得这对我们做Agent也好，或者做传统软件、App也好都是很重要的认识。

业务选择逻辑：只做能“替人干活”的Agent

这里想再引申一下， AI Agent 的核心是给未来或者现在正在发生的人机交互带来一个革命性的突破。突破之处不在于改进人机交互，是直接把人、机交互的模式转变为模型与系统端的交互模式，甚至整个交互过程不需要人去介入。也就是说未来机器跟人的交互不是那么重要。我觉得这对我们做Agent也好，或者做传统软件、App也好都是很重要的认识。我们对业务场景的判断，参考了两个核心维度：

• 一是业务知识复杂度：这决定了任务对理解力、推理能力的要求；

• 二是流程复杂度：这决定了任务是否需要跨系统协作，是否需要编排多个步骤完成。

结合这两个维度，我们将智能体的企业级落地划分为四个象限。

从2023年底创业初期开始，我们就选择不做左下角“低知识 + 低流程复杂度”的象限。像简单的知识库问答、制度问询、AI+BI 数据分析，这些虽然容易落地，但本质上是“辅助类工具”，只能做 Copilot，不能真正“替代人”。

我们聚焦在右边的象限——高知识 + 高流程复杂度，这类任务不仅需要 Agent 具备强知识理解和推理能力，更需要它能跑通任务链，替代人在流程中的决策和执行。

这就是我们对“企业级 Agent”核心价值的理解：不是做一个更聪明的助手，而是做一个能真的“干活”的员工。

未来我们也会在“高业务知识”这个象限持续延伸，逐步耦合更复杂、更具专家知识门槛的任务，让智能体真正成为企业的“数字员工”。

真实应用案例

下面介绍一些我们接触到的一些有意思的Agent应用领域。

案例一：制造研发场景——智能体辅助轴承设计全流程

在服务一家全球大型轴承企业的项目中，我们的Agent系统被用于贯穿整个研发流程，从需求提取、建模到设计验证，实现了人力替代与流程加速。

在这个过程中，我们的 Agent 不是去替换CAD软件或仿真软件，而是尽可能替换参与整个软件运作流程的人。从而提升流程清晰度提升、减少重复工作，让设计师可以聚焦在真正创造性的工作上。从而使得整个研发设计流程中，设计师处于核心位置，负责创造性思考、评估、决策和沟通。智能体则作为辅助工具，增强设计师能力，提高效率和准确性，并减轻重复性工作负担。

在这个过程里，我们做了四个场景的智能体：

1.产品专家知识库Agent：基于企业数据构建语义检索体系，非专业人员也可快速获得准确解答。

2.需求收集Agent：整合业务、客户与网络反馈，通过大模型进行初判与结构化处理，生成规范研发文档。

3.需求设计多Agent协同：将任务分解、参数提取、格式适配交由多个专业Agent并行完成。

4.设计拆分Agent系统：多路并发计算设计任务，有效提升准确率与生成效率。

案例二：工业运维场景——600公里货运铁路运管检测智能报告

另外一个服务对象主营货运铁路运营。这条铁路长约600公里，铁轨的运营维护是公司非常重要的工作板块，其中一个核心环节是“货运铁路检修报告”的撰写。这套工作流程涉及到负责各个路段的子公司的100余位工作人员，耗费时间长、数据填写标准不一，存在报告时效性差、分析指标不全面等诸多痛点。

后来我们通过四个核心智能体组成“报告生成链”：格式规范Agent、指标计算Agent、定性分析Agent、自动生成&调整Agent。

系统上线后提效非常明显：投入人力从130人减少至10人、报告生成时间从7天缩短至20分钟，分析维度更丰富、准确性更高。

这套系统的可复制性也比较强。一方面具有水平复制性很集中，可以在这家公司多个同类子公司推广应用。同时也具备垂直复制性，因为检修报告的产出是整个业务的原动力和基础，与机务分公司涉及到的检修、换轨、轻筛，应急处置分公司的抢修，运管分公司负责的设备分析等重载核心业务都直接对应。

受到这套智能体的启发，客户企业也正在对整套业务的ERP系统进行重塑， 希望将ERP由“靠人驱动”转变为“靠智能体驱动”。这对我们来说也是在工业领域的一次重要突破。

我们做 Agent，真正的落脚点在哪？

很多人问我们，悦点做 Agent 的核心逻辑是什么？我们回顾过去这两年的实践，其实答案很明确：我们始终围绕一件事——让 Agent 真正替人类“去做事”，而不是只当个陪聊的 Copilot。

早期，我们主要从企业的数据系统出发，先聚焦右侧通路：把企业的资源（数据、接口、可调用工具）抽象成可操作的组件，并配合静态行业知识与动态处理逻辑，推动 Agent 去执行业务流程。这是我们 2023 年的主要精力所在。

但进入 2024 年，我们进一步发现：那些企业里高频重复、又非常依赖专家经验的业务知识，完全可以被“蒸馏”下来，变成具备泛化能力的模型能力。所以我们开始构建两套关键能力：

• 一套是偏知识的蒸馏和训练，专注于行业 know-how；

• 一套是偏推理逻辑的蒸馏和训练，抽象出可迁移的推理流程。

这就构成了我们现在底座的 Knora Platform。从 Knora 开始，我们往上长出了两个层次的能力：

• General Scenario Agents：横跨行业的通用智能体，可以快速适配场景；

• SLM Models：小参数模型，用于嵌入式或边缘计算场景，比如军工、航天、工业设备等。

我们不是做一个大而全的框架平台，而是把业务流程拆成武器库。每一个 Agent 背后，其实都是 workflow 和行业知识的高度耦合产物。我们会根据客户的需求，再对接客户的领域知识，最终交付真正能“跑”业务的 Agent。

在落地过程中，我们也验证了：高流程复杂度 + 中高业务知识密度 的场景成熟且业务价值高，

比如 OA 助手、销售智能体、订单中心 Agent，这些 Agents 能直接替人“干活”，而非仅仅“辅助思考”。相比之下，那些数据价值小、流程琐碎的低知识类场景，我们会主动放弃，因为性价比低，不值得做。

我们已经在多个行业完成了深度验证，尤其在工业制造、能源等方向，构建了几十个高质量、能稳定执行的 Agents，用的都是结构化、标准化的工程化方法。现在也在寻找更多具备业务深度的合作伙伴，希望把这样的能力复制到更多行业场景中。