Agent途径，其实是一种低代码途径，他能够高效的生成各种简单的Agent

2025被成为国内AI运用元年，抛开各个公司正在自研的各种产品，有两类产品是比较红火的：Agent途径以及智能体（Agent）。

这儿的Agent途径，其实是一种低代码途径，他能够高效的生成各种简单的Agent（更合适的叫法是个人助手），

这儿的个人助手，与最近网上很火的智能体（比方Manus、DeepResearch）又很不相同，所以当时Agent的定义有点泛，后面或许要被迭代，以更精准的描绘。

最近活跃的智能体有DeepResearch、Auto-GPT、Manus、纽扣空间、Lovart等。

当时这些AI产品“搞得热烈”，其意图仍是Attention is all you need，他们一方面在争夺注意力，一方面在占据新一轮流量进口。

之前介绍了Agent途径，今日咱们来介绍下当时常见的智能体。

智能体概述

当时智能体的概括性描绘，最好的资料是OpenAI创始人outman提出的发展预测：

这种设计的底层逻辑只有一个：模型吃掉运用，他们是想将一切的算法（工作流）、数据（知识库）、东西插件悉数吃掉，模型即一切，这也同步提出了Agent经典架构：

从模块分类来说：

1. 大模型处理规划与调度问题，Manus能爆发的中心原因便是模型才能大幅增强；
2. RAG处理幻觉问题，当时模型的发展趋势来说，模型上下文破百万是迟早的事，怎么让模型聊得像人，体会好的AI兼顾这类运用，将在这两年诞生；东西链处理多模态问题，包括最近很火的MCP、Computer Use其实都算是AI多模态才能的延伸，要的便是处理AI各种“不可”的问题，这儿包括了听觉、视觉、触觉等；

基于此，再看现在常见的智能体，又能够分为两类：通用型智能体、笔直职业智能体。

由于基座模型才能不大，大家都相同的所以，：

对通用型智能体来说，其中心是东西生态，生态越昌盛越简单脱颖而出；

而关于笔直职业智能体来说，私有语料、笔直范畴插件越多，其运用上越友好。

以Manus为例，他其实是没有什么技术门槛的，国内有许多类似的产品，比方，其实现周期在一周左右，当然要打磨得好，也要花不少时间的。

接下来，咱们来具体介绍下几款产品。

Deep Research

OpenAI 2月底就推出了Deep Research功能，每个月运用次数有限。

在体现上Deep Research称得上满足专业，他会像人类专家相同对杂乱任务进行逐渐拆解，然后在互联网上进行多轮的信息搜索与验证。

他会依据已有的信息逐渐调整研究方向和策略，不断深入挖掘问题的本质，直到找到最合适的答案。

但与Manus等智能体一致：真实运用后，大概不会想要运用第2次，他还不成熟。

我的任务是想要去整理一切的医疗信息，这显然是一项杂乱的工程，为了下降难度，我更改了问题：梳理一切的医疗信息发布途径。

基于这个问题，开端了Deep Research之旅，先是给了一些输入：

我要完结《医疗信息产出途径全景分级系统》。

其意图是将一切或许产出医疗信息的机构悉数包含，并且进行分级，需求遵从MECE准则

PS：真实提示词会严谨许多，但有必定密度就不放出来了