总结中美Agent创业者的关键教训与落地挑战
推荐阅读：《中美 Agent 创业者闭门：一线创业者的教训、抉择与机会》（链接见评论）
2025 年，在 AI 业内，Agent 无疑是最热的话题。模型侧，新一代 Agent Model 的能力大幅提升，支持更强大的长时规划和工具调用。同样，产品侧，Agent 也正在从简单的聊天助手进化为真实环境中持续交付的数字员工。
但真正实际好用的 Agent 产品屈指可数，其实这也说明了 Agent 的实际落地远远比我们预期中的更复杂。
做 Agent 的真正卡点在哪？是技术还没到位吗？在 Agent 创业中，有哪些真实的教训和经验？现在做通用 Agent 产品，还有价值吗？......
TLDR：
The Bitter lesson 依然生效，新一代Agent Model的"规划"和"工具调用"能力的提升，取代了过去大量基于规则的工作流编排等外围工程。
隐性知识的获取是一个Agent的核心挑战，尤其在2B领域。
Context，即隐性知识和业务逻辑的好坏决定了大模型如何能够在实际落地中完成任务，是否真正实现"可生产可交付"的价值。
Workflow跟自主编排Agent各有用武之地，会长期并行。但价值重心很明显正在逐步向后者迁移。
通用Agent的留存与付费转化偏弱，新客多、留存低成为常态，更务实的做法是从"通用"转向"垂直深耕"。即便在"通用"赛道，也先聚焦特定场景。
长期来看，真正的护城河在于几个核心能力：深度的环境理解与操作能力、持续的学习记忆闭环、针对特定场景的模型优化，以及多Agent间的协作标准。
2025 年，在 AI 业内，Agent 无疑是最热的话题。模型侧，新一代 Agent Model 的能力大幅提升，支持更强大的长时规划和工具调用。同样，产品侧，Agent 也正在从简单的聊天助手进化为真实环境中持续交付的数字员工。
但真正实际好用的 Agent 产品屈指可数，其实这也说明了 Agent 的实际落地远远比我们预期中的更复杂。
做 Agent 的真正卡点在哪？是技术还没到位吗？在 Agent 创业中，有哪些真实的教训和经验？现在做通用 Agent 产品，还有价值吗？......
TLDR：
The Bitter lesson 依然生效，新一代Agent Model的"规划"和"工具调用"能力的提升，取代了过去大量基于规则的工作流编排等外围工程。
隐性知识的获取是一个Agent的核心挑战，尤其在2B领域。
Context，即隐性知识和业务逻辑的好坏决定了大模型如何能够在实际落地中完成任务，是否真正实现"可生产可交付"的价值。
Workflow跟自主编排Agent各有用武之地，会长期并行。但价值重心很明显正在逐步向后者迁移。
通用Agent的留存与付费转化偏弱，新客多、留存低成为常态，更务实的做法是从"通用"转向"垂直深耕"。即便在"通用"赛道，也先聚焦特定场景。
长期来看，真正的护城河在于几个核心能力：深度的环境理解与操作能力、持续的学习记忆闭环、针对特定场景的模型优化，以及多Agent间的协作标准。
如果你的 Agent 还需要用 ReAct 框架来写 Prompt，那么要么说明你在用没有 Agent 能力的模型（比如 GPT-4o、Gemini 2.5 Pro），要么就是用错了。因为具有 Agent 能力的模型，比如 Claude 4 系列（包括之前的 Claude 3.7 和 GPT-5），是不需要 ReAct 提示词来激发 Agent 的。