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。
有需求可以咨询联系👉
相关文章
