2025人工智能体(AI Agent)应用现状挑战及建议研究报告 智能体 AI Agent 为把握人工智能体发展趋势,研判发展机遇与挑战,本期专刊系统梳理了人工智能体的技术特征、发展历程、应用场景和产业生态,分析了全球主要经济体和重点企业的布局动向,深入探讨了我国人工智能体发展面临的生态建设、经济效益、场景落地等方面挑战,并从标准制定、生态优化、应用推广、政策支持、技术攻关等维度提出了相关建议。
AI行业Agent专题报告:智能体基建厚积薄发,商业化应用曙光乍现 AI 智能体 AI发展阶段从推理者走向智能体,模型底座智能水平提升。目前,AI发展水平正从推理者向智能体Agent演进,AI产品逐步能够理解目标、具备外部记忆和推理能力,相关智能体产业链正经历从模型能力提升到应用商业化的系统性跃迁。AI大模型能力由预训练、后训练、测试时三条扩展曲线推进,其中,预训练奠定模型内部智能上限,后训练及测试时扩展分别释放模型在特定领域和推理方面的潜力,当前基础模型迭代放缓,逐步从训练扩展向测试时扩展转变,主次曲线迎来切换,从而对大规模集群依赖程度下降、推理算力需求攀升,更加聚焦AI产品的商业化能力和生态建设。
2025年AI智能体领域前沿技术研究报告架构挑战与范式演进 AI 智能体 自主决策与执行:智能体从依赖用户指令的“建议者”转变为能够自主决策和执行的“执行者”。例如,Manus能够自动完成从任务规划到成果交付的全流程,如筛选简历时自动解压文件、提取关键信息并生成排名表格。
2025年智能体应用现状挑战及建议报告 智能体 智能体(AI Agent)是基于人工智能技术理解外部环境刺激并生成有意义动作的交互系统,涵盖环境感知、决策规划、自主学习、多模态交互及任务执行等关键技术。
SVIP免费 浙江大学DeepSeek系列专题线上公开课(第二季):从大模型、智能体到复杂AI应用系统的构建——以产业大脑为例 浙江大学 DeepSeek 大模型 智能体 AI OpenAI 公司于2022年11月发布ChatGPT,短短三个月内日活跃用户从零增长至超过 3000 万,标志着对话式 AI 进入大众应用阶段
走向智能体:AI应用赋能投研 智能体 AI 本报告聚焦 AI 在投研领域的应用,全面探讨其对证券研究的变革与赋能。从 AI 集成工具和本地部署入手,以 Ollama 和火山引擎为例,介绍 DeepSeek 模型本地及云端部署方法、所需硬件和操作流程。在 AI 信息检索与知识库方面,分析主流大模型文件处理能力,阐述 Cherry Studio 本地知识库搭建及多种工具在信息检索、年报总结、新闻主体识别等场景的应用。通过对比秘塔 AI、ChatGPT、Gemini 2.0 生成英伟达投资价值报告的案例,展示 AI 深度研究功能。
智能体专题报告:智能体时代来临,具身智能有望成为最佳载体 智能体 AI 智能体时代来临,小型端侧设备无法消化大模型大参数,而具身智能则有望成为最佳载体。从具身智能训练层面看,仿真软件可为大模型提供海量、低成本数据,解决真实数据高成本、难收集的问题,仿真软件有望实现大范围应用。相比于刚性物体的仿真,柔性、流体的仿真技术壁垒更高,具备相关技术积累的厂商优势突出。从具身智能商业化路径来看,我们认为目前商业落地途径主要包括三种:(1)通用机器人路径对于资金和技术要求较高,目前特斯拉等行业巨头正加速布局。(2)纯软件路径的核心是设计通用的操作系统使多个硬件厂商共享同一套软件,英伟达 Project GR00T 以及华为鸿蒙操作系统核心合作厂商有望深度受益。(3)垂直领域软硬一体路径能够使公司形成数据壁垒,细分领域龙头具备核心优势。
AI Agent(智能体)行业专题报告:从技术概念到场景落地 AI Agent 智能体 人工智能 思维链铸就智能体,多体交互拓展应用:早在上世纪 50 年代,阿兰图灵把“高度智能有机体”扩展到了人工智能。如今随着大模型的快速发展,这个概念又被重新拾起。大模型成为了智能体目前最完美的载体,有望完成从概念到实际应用的蜕变。用户在 Agent(智能体)模式中给 AI 设臵目标和身份,并提供 Prompt(提示词)。AI 自主拆分任务、使用工具、完成工作,用户仅负责设立目标、提供工具资源和监督结果。 赋能两类实体领域,成本与效益的博弈:AI Agent 目前的应用大多都在概念层面,但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素,应用层面的 AI Agent 推进速度加快。智能体大致可以分为六类,根据他们被设计出的特点,可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研发方向,像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被垂类智能体覆盖。结合多模态大模型,自动化和情感需求类智能体已落地。但商业化智能体仍需考虑成本问题,由于智能体之间的交互过程可能出现错误循环且输出结果不一定符合需求,tokens 成本远高于普通 LLMs。