文｜魏琳华

编｜王一粟

“90%的Agent会被大模型吃掉。”

7月15日，金沙江创投主管合伙人朱啸虎一如既往地语出惊人，这次炮轰的是近一年AI圈最炙手可热的Agent。

在“Agent之年”进程过半的时候，最近传来的似乎却多是悲观的判断和信息。就在上周，Manus总部迁移至新加坡、国内裁员80人以及放弃国内版本上线的一系列动态，也让大众开始讨论起，Manus到底怎么了？

背后有身为美元基金的BenchMark领投、底层模型包含Gemini、Claude等一系列海外模型，加之曾陷入缺算力资源的传闻，Manus的出走，已经印证为形势所迫的转移和调整，而非经营失败导致的撤退。

但围绕以Manus为首的通用Agent，它们头顶的乌云尚未散去：一边是Manus、Genspark们收入变现的下滑，另一边是用户活跃度的下跌。

这种局面，揭示了当下通用Agent赛道的核心问题：在技术热潮和资本狂欢过后，产品尚未找到能让广大C端用户持续“忠诚”并为之付费的杀手级应用场景，只能被偶尔拿来做个半成品PPT、找几份报告。

通用Agent市场，正在被模型能力的溢出蚕食，也被垂类Agent抢走份额。

转战海外，Manus们怎么了？

通用Agent，陷入了一个尴尬的境地。

在几个月的时间里，通用Agent诞生时的惊艳不复存在：放在企业里，它无法和垂类Agent的精准比肩；拿到个人手上，它又没有找到更戳中用户需求的场景。

模型能力的提升，先对Agent们“砍了一刀”。

随着大模型能力的飞速发展，模型本身正在变得越来越“Agent化”，随着模型性能的溢出，用户可以直接调用模型来完成任务。

以目前进展更快的AI代码为例，Anthropic的Claude、谷歌的Gemini系列模型，模型本身的编码能力就在随着更新提升，其自研的编码工具（如Claude Code）不仅能给实现自主编程，优化种种产品体验之外，它的Max会员模式还支持用户随意调用自家模型，即使是每百万输出tokens收费75美元的Opus 4，单月200美元同样支持不限量使用。

对比Manus最贵的Pro会员每月199美元的付费模式，价格虽然接近，但Manus的最高档会员依旧是以积分制消费，Pro会员单月能获得每日赠送的积分+单月19900积分+限时19900积分，靠任务消耗积分制来服务。按照单个任务100积分估算，一天使用次数也就在10次左右。

制约Manus的成本问题，转嫁到用户身上，就是不可消除的高订阅价。

当模型本身就能提供接近Agent的体验时，用户会自然倾向于直接使用更便宜、更便捷的模型API或对话界面，而非额外付费使用一个功能重叠的通用Agent产品。这导致一部分市场份额被能力日益强大的基础模型直接“吃掉”。

面向用户来说，对比垂类Agent，通用Agent在企业端的应用效果不佳，从效率/成果衡量，都无法达到“数字员工”的高度。

朱啸虎说“90%的Agent市场会被吃掉”，但他所在的金沙江创投也参与了AI Agent项目融资，只是相比于通用Agent，他更看好能真正跑出效率和实际落地的产品。

金沙江投资的Head AI（原Aha Lab），就是一家靠AI Agent做自动化营销的公司，现在升级为AI营销产品。用创始人的话来说，只需告诉 Head 你的预算和网站，它就能自动搞定达人营销、联盟营销和 Cold Email——一个人解决一个市场部。

对于企业用户而言，准确度和成本是核心诉求。但通用Agent目前还无法与针对特定场景优化的垂类Agent相提并论。

如果把一样的任务交给通用Agent和企业内部的垂类Agent去做，前者只能靠搜索引擎结合需求给出结果，而后者则会连接到企业内部搭建好的知识库，根据内部信息贴合需求输出，相当于后者身上“绑”了个更充足的资料库，结果不言而喻。

企业在引入新技术时，对成本和风险的控制要求极高。通用Agent通常基于庞大而复杂的“黑盒”模型，其决策过程不透明，且输出结果存在一定的随机性（即“幻觉”问题）。对准确度要求更高的企业，显然无法接受通用Agent不稳定的输出质量。

一位Agent开发者告诉光锥智能，企业通常需要将Agent与内部知识库、业务流程系统深度集成，部分简单的工作则会通过工作流来确保任务准确执行。

夹在大模型和垂类Agent之间，通用Agent被两者各自瓜分走了一大块蛋糕。

没场景、待进化

Agent才走了个开头

在“用不起来”的情况下，用户对通用Agent热情也不复当初。

这也导致，以Manus们为代表的C端通用Agent正在面临增长放缓、甚至倒退的困境。

虽然从商业化上来说，通用Agent确实展现了足够吸金的一面。以Manus、Genspark等通用Agent为代表，近几个月的变现成绩证明了这个赛道的潜力：非凡产研数据显示，今年5月，Manus已经达到936万美元ARR（年化收入），Genspark更是在发布45天的情况下，达到3600万美元ARR。

但在短期的流量上涨过后，通用Agent产品们或多或少地出现了访问量和收入下降的情况。

6月，Manus访问量为1781万，和3月发布即登顶的访问量2376万相比，已经下跌25%；Genspark的访问量也处在来回浮动的状态，6月访问量为842万次，下降8%，昆仑万维天工超级智能体下降3.7%。

同样是在6月，两个商业化表现突出的产品Manus和Genspark出现不同程度的收入下跌。据非凡产研数据，Manus当月MRR（月度收入）为254万美金，环比下跌超过50%；Genspark当月MRR为295万美金，环比下跌13.58%。

上述数据说明，在一时的热度过后 ，通用Agent类产品的使用体验并没有能让用户持续付费的吸引力。同时，用户体验的频次也在减弱。

究其原因，还是因为Manus们没有找到足够让用户为之持续付费的Killer（杀手级）场景。

目前，市场上多数通用Agent都在卷几个固定的方向：做PPT、多模态能力、写报告（Deep Research），多聚焦于和办公强相关的场景。但对于用户来说，这些定位还难以让用户持续付费。

在没有找到确切的应用方向前，通用Agent赛道已经有一批公司先靠产品下水测试，意图先抢占市场。

变现和流量不稳定的情况下，大厂对自研Agent的精力投入有限，一般还是采取“两手抓”的模式，在开发自家Agent产品之外，目前更多地在推广自家Agent开发平台。比如阿里、字节和百度，推广平台的同时发福利、组织Agent开发比赛，聚焦开发者生态搭建。

市场似乎已经默认，通用Agent是小厂玩不起的生意。

可以看到，在国内市场，除去Manus和GensPark零星几家创业公司，多数通用Agent的开发公司都是手握自研大模型的公司：

其中，大厂不仅有模型，背后还有自家云做支援。通用Agent既是产品，也是他们作为B端平台，通过C端产品展示能力的一面镜子，以此招徕更多开发者。

大模型创业公司则本着“模型即Agent”的思路，更多在模型层就针对Agent对RL（强化学习）、长文本等需求钻研模型，才有了通用Agent产品。

国内通用Agent玩家的收费模式，也比出海的方式更卷。以百度、字节为代表的大厂有能力公开测试，免费提供服务。如MiniMax、天工智能体等则以限量使用或是购买积分使用的方式开放。和大厂免费不限量的手段相比，国内通用Agent赛道注定会越来越卷，商业化变现是一条看不到收益的路。

从场景来看，DeepResearch式的深度研究功能是更多产品选择主攻的方向，对于文档类Agent来说，调用工具的复杂程度相对较低，且文本生成的成本更低，算是一个更有性价比的方向。

在开发深度研究功能的基础上，各家Agent开始在多模态能力和应用场景上发力。一方面，在生成的文档中插入图片、视频等多模态能力，另一方面，把目前和Agent契合的场景植入到通用Agent中，比如做PPT，几乎成了办公Agent的标配。

但无论是拿来做报告，再用图文锦上添花，还是用Agent做PPT，背后都无法解决Agent输出效果一般的问题。比如一份深度研究报告，Agent最容易出现的是对事实信息检索的错漏，比如无法厘清Agent概念从而推荐大模型产品。

进一步的问题是输出的信息价值不高。一份报告，零星只有3-4个信源，更多内容从网络筛选得来，往往只能得到模棱两可的“废话”。比如要它介绍大模型公司的生存挑战，它把开公司可能存在的问题都列个遍，既没有针对性，也不具备有价值的增量信息。

于是，企业开始探索更多Agent能匹配的场景，试图吸引更多用户参与。Agent也难免后续变成自家公司产品的“集合入口”，被公司用各种方式把自家产品能力整合进去，比如MiniMax融入了海螺生视频的能力，百度心响在场景中接入了原有的智能体对话等。

除了找不到贴合场景，当前Agent能力有限，效果不一，也难以让用户为之买单。

通用Agent执行任务一般是拆解任务，再按照步骤执行。越复杂的任务，就意味着Agent执行的过程更多，其中只要有任何一个步骤跑出的结果有问题，就会导致整体输出结果质量不佳。所以，对于复杂任务来说，当前Agent执行的稳定性不足。

比如，输出对一家公司的分析，就要从财报信息抓取、公司网页介绍到各大信源的分析点评，其中有任何一个环节结果出错，整体报告的分析质量就会大打折扣。

当下，一些Agent开发者正试图通过技术创新来突破这些瓶颈。

比如MiniMax把年初发布的新的线性注意力机制用到了新模型M1中，其智能体产品以M1模型为基座模型。这样的好处是大幅扩展了智能体能够承载的文本量，支持100万的上下文输入，针对法律文书这类需要大量文本分析的场景效果更好。

月之暗面则强调“模型即Agent”，其基座模型是月之暗面基于端到端自主强化学习技术训练的新一代 Agent 模型。其中，RL（强化学习）成为这个深度研究Agent的亮点。

多数业内人曾在和光锥智能交流中肯定RL之于Agent的重要性。相比传统的监督学习或预训练模型在特定任务上表现出色，但其泛化能力往往受限于训练数据的分布。当Agent需要处理的任务场景多样化、环境动态变化时，预设规则或仅依赖一次性推理的Agent难以适应。

比如，在处理一些需要多个流程完成的任务中，传统模式可能在任一个环节中出现推测问题，进而影响到最终结果，但RL则是靠大量试错和奖励机制来提升泛化能力，对于需要多个步骤处理的复杂任务，表现效果更好。

Kimi-Researcher主动针对矛盾信息的处理

可以说，RL能够大幅提升Agent的能力上限。

Kimi-Researcher研究员冯一尘分享，在Humanity's Last Exam（HLE，人类的最后一场考试，衡量AI在各学科难题上的测试）榜单上，=gent模型得分从最初的8.6%跃升至26.9%，相比OpenAI Deep Research团队在相关工作上从20分左右（o3）提升到26.6分的成果，进一步证明了强化学习在Agent训练上的巨大价值。

在技术的天花板还够高的情况下，后来者正在拔高Agent的能力标准。今日（7月18日），OpenAI发布的通用Agent产品ChatGPT Agent跑出了一个漂亮的效果，在HLE 测试表现上，取得了41.6%的新SOTA 成绩。

通过强化学习，Agent有望从简单的“工具调用器”进化为真正具备“自主学习”和“环境适应”能力的智能体。届时，通用Agent或许才能真正找到杀手级场景，并让用户心甘情愿地为其买单。

Agent的路还很长，只有靠技术突破和场景深耕，才能成为真正帮得上忙的AI助手。