在AI领域，一款名为Manus的产品近期引发了广泛关注。其独特之处在于，并未选择自主研发大模型，而是巧妙地将第三方大模型进行工程化包装，打造出了一个功能强大的通用AI智能体。这种“套壳”策略虽然一度饱受争议，但创始团队坚信，极致的套壳本身就是一种胜利。
大模型应用套壳的话题一直颇为微妙。此前，无论是DeepSeek还是OpenAI，亦或是众多知名科技企业和AI创企，都以自研基础大模型为荣。相比之下，只做上层应用的AI套壳企业则显得缺乏底层核心技术，市场对其风险承受能力持怀疑态度。金沙江创投主管合伙人朱啸虎甚至直言不讳地表示，所有AI应用都是套壳应用，所谓壁垒只是忽悠人的。
然而，值得注意的是，就在短短一个多月的时间内，部分大模型大厂已迅速涉足Manus所在的AI智能体赛道。与此同时，Manus背后的公司“蝴蝶效应”也获得了由美国风投Benchmark领投的7500万美元融资，估值飙升至近5亿美元。这一迹象表明，市场正急需通过DeepSeek-R1大模型的普及和Manus应用的火爆，来填补企业智能化转型过程中的业务需求和技术空白。
在AI智能体领域，大厂们正加快布局。据报道，Manus走红前后，字节就组建了至少5个团队开发不同的AI智能体产品。百度也推出了由95后团队在30天内研发的“心响”APP，对标Manus，涵盖超200个任务类型。阿里则与Manus达成战略合作，基于通义千问系列开源模型，在国产模型和算力平台上实现Manus的全部功能，其旗下的AI智能体“心流”也已开启高级研究模式公测。
为了构建AI智能体生态，这些大厂也不约而同地拥抱了MCP机制。阿里云、腾讯云、蚂蚁集团旗下的OceanBase等纷纷实现MCP协议的对接，百度也引入了基于百度搜索的MCP Server发现平台和MCP Server服务。民生证券指出，基于类MCP协议+Agentic-based决策路径将成为未来AI智能体的主流范式，大厂有望通过MCP协议引入大量生态伙伴，推动国内AI智能体产业发展。
然而，在AI智能体技术飞速发展的同时，是否真正迎合了当下用户的真正需求？这是一个值得深思的问题。从安全风险性层面来看，AI智能体的设计初衷是自主执行决策、任务或目标，且理想情况下是在无人监督的情况下进行，因此风险更高。Gartner研究高级总监赵宇指出，目前AI智能体在“攻”和“防”方面都处于发展初期，客户对其安全风险的认识相对不足。至少有七成或更多的客户并不了解AI智能体是什么，更不用说与之相关的安全风险了。
随着多智能体协作运行模式的流行，这种模式确实提高了任务效率，但也带来了访问控制漏洞、资源竞争和冲突等问题。多个智能体在交互过程中可能需要访问相同资源或执行任务时，可能会产生冲突，导致系统资源被过度滥用或任务执行效率降低，从而影响整体业务和系统稳定性。AI智能体自主决策的风险、物理环境层面的风险以及AI本身的幻觉、提示注入攻击、数据泄露等风险问题也不容忽视。
在厂商侧，由于AI智能体自身的发展还处于初期阶段，市面上对其安全风险和控制措施的研究同样处于早期阶段。部分AI厂商、大模型厂商或AI智能体厂商都没有配备相应专职的安全团队。厂商目前交付的产品是否可以通过安全测试，或者是否存在可被攻击者利用的漏洞，这些都是未知数。现在大部分企业无论是厂商还是甲方企业，都比较关注短期的商业利益，对于长期安全风险的重视程度不够。
那么，何为AI智能体？这个概念虽然已经出现了一段时间，但围绕其延伸出的Agentic AI、Agentic Workflow、MCP、A2A等新名词却成为了最近一段时间的热门话题。Manus演示视频展示了一个独立的智能体，可在短短几秒钟内对简历进行分类、对候选人进行排名以及在电子表格中格式化数据。未来，每个人可能会使用多个智能体，这些智能体都有自己的角色和职责，需要通过通信和协作来达成目标。
业内对AI智能体的实践目标是使其真正适应复杂的应用场景。构建一个能够自主决策、与环境交互的智能体需要解决感知、理解、规划、执行等多个环节的技术难题，且各环节之间需要高度协同。在自动驾驶领域，车企正在对传统系统中的感知、融合、预测、规划、控制、定位等技术模块进行AI融合，以打造端到端自动驾驶系统。AI智能体或多个AI智能体在主动适应复杂工作流程的过程中，需要基于动态环境和业务流程的变化，以最佳方式实现预期结果。
因此，在应用和实践AI智能体之前，需要对其原理、成本及风险性等诸多关键因素进行解构。对于有多年智能化探索经验的客户而言，他们希望“慢一点”的本质在于提升在AI智能体领域的治理能力和认知。重要的不是追逐花式技术名词，而是在大量的实践和基础夯实中找到成功的故事共鸣。
