在近期举办的AI创造者嘉年华上，一场围绕AI Agent创业的深度讨论吸引了众多行业人士的关注。语核科技创始人翟星吉、Flowith联合创始人拐子、Macaron创始人陈锴杰、RockFlow创始人赖蕴琦以及硅星人合伙人王兆洋，展开了一场别开生面的“辩论”。
讨论伊始，王兆洋便抛出了通用与垂直这一AI Agent创业中绕不开的话题。他指出，这个话题如同一个筐，什么都能往里装，而其背后实则关联着对AI Agent本质的思考——到底什么是AI Agent？
陈锴杰率先回应，他表示在讨论之前甚至都没想过产品是垂直还是通用。今年初，团队发现AI在生产力方向已解决不少问题，但用户生活需求仍有大量空白。一方面，AI缺乏对用户的记忆，给出的内容可能正确却无用；另一方面，缺少辅助小工具。基于此，Macaron应运而生，旨在通过Personal Agent为用户打造类似mini app的工具，解决生活问题。
拐子则从Flowith的发展历程说起。去年8月发布首个Agent时，他们将其定义为AI for DeepWork，希望既能用于深度调研工作，也能在内容创作领域发挥作用，如为新闻工作者输出高质量研报，为自媒体工作者制作短视频和图文，甚至涉及代码方向的原型图设计等。在他看来，Flowith偏向创作领域，虽可做的事情较多，但与真正的通用Agent仍有距离，因为通用Agent在用户认知中应具备无所不能的能力，而目前他们更愿聚焦创作场景。
翟星吉透露，语核科技从去年探索AI方向时，就明确要走垂直路线。基于AI在企业中作为生产力工具的定位，他们认为每个员工都应有垂直对应的Agent。从商业逻辑角度，创业公司需聚焦，通过在特定岗位积累知识和数据，基于数据开展工程化或模型化工作，以实现可交付的结果。
随着讨论深入，话题逐渐转向在强大模型面前，AI Agent的生存空间与发展方向。王兆洋提及，此前与Manus交流时，对方也探讨了通用与垂直的话题。Manus认为一开始选择单一场景，可能导致用户仅在特定需求时打开产品，为留住用户而考虑走向通用。但这并非事先规划，而是在市场竞争和概念讨论中逐渐形成的分类。
陈锴杰回应称，大家在讨论通用与垂直时，似乎都在逃避竞争。将产品定义为垂直，是为了表明各自领域的独立性，避免正面冲突，以实现共同融资和发展。他指出，在海外做通用Agent，直接面临与ChatGPT的竞争，而ChatGPT用户量增长迅速，许多功能也在不断完善。因此，应关注如何在特定场景中提供比ChatGPT更好的解决方案。
拐子结合Flowith的新Agent分享了看法。他们内部将新Agent戏称为“太监”，实则是聆听者Agent。他认为，虽然模型未来可能具备Agent能力，但从市场角度，AI Agent市场巨大，用户更关心产品能否解决实际问题，而非产品属于通用还是垂直类别。目前，AI Agent通过将输出结果转化为可交付的形式，如PPT、视频等，为用户带来了更进一步的体验，这是其存在的价值。即使模型未来向类似方向发展，仍可能采用Agent的实现方式，因此通用Agent并非伪命题。
当被问到是否认为在模型面前通用Agent是伪命题时，拐子表示不确定，但强调用户更关注产品解决的具体问题，而非产品定义。他认为，作为CMO同时具备产品经理角色，有助于更贴近用户，了解产品定位和用户需求，这也是与大厂竞争的优势。
陈锴杰进一步阐述了对通用、Agent和模型关系的看法。他指出，去年讨论通用Agent时，是基于预训练的视角，但随着RIO1的出现，模型智能提升主要依靠强化学习和后训练。不同大模型因强化学习方向不同，已出现场景分化，如Anthropic在代码领域表现优异，OpenAI在通用问题回答和内心疗愈方面更胜一筹。因此，讨论模型是否通用意义不大，创业公司应聚焦自身领域，找到适合的课题。
讨论中，王兆洋提出了一个尖锐问题：“只服务一个场景的Agent是不是预制菜？”赖蕴琦以RockFlow为例进行解答。RockFlow专注于投资交易领域，虽然场景垂直，但不同场景下的Agent可相互协作。例如，用户的健康数据可辅助交易Agent做出更合理的决策。她认为，只要能解决用户问题，就是有价值的产品，不必纠结于通用或垂直的区别。
翟星吉则坚定地认为只服务一个场景的Agent是预制菜，但这是积极意义上的。他解释道，垂直场景下的Agent因拥有该场景更多更好的数据，能通过工程化或模型微调等手段，将数据和知识转化为产品，为用户提供更好的体验。这类似于预制菜，通过提前准备和优化，实现高效交付。
在探讨AI Agent的核心定义时，王兆洋分享了此前听到的两个精彩观点，一是“Models using tools in a loop”，二是将Cursor为开发者带来的体验推广到所有行业。随后，他邀请四位嘉宾用一句话阐述对AI Agent的理解。
陈锴杰认为，能帮用户做事的就是Agent，实现方式可随技术发展而变化，关键在于满足用户需求。拐子表示，AI Agent是一个可以感知环境的智能实体，能收集和储存Context，未来Multi-Agent将是发展趋势。翟星吉从组织变革视角出发，认为真正能交付以前由人完成的工作，并做好做透的，就是Agent，未来可能是Multi-Agent系统。赖蕴琦则强调，解决问题的节点都可称之为Agent。
王兆洋还提出了一个有趣的问题：能否想象RockFlow长成Macaron的样子？赖蕴琦和陈锴杰均表示两者有相似之处。RockFlow倡导投资是一种生活方式，与Macaron从生活角度出发的理念相通。未来，Macaron也可能接入类似交易的场景，存在融合发展的可能性。同时，他们也指出，不同领域的Agent可满足用户个性化需求，如RockFlow针对年轻投资者，通过AI技术实现个性化投资体验，这与新一代用户表达自我、追求个性化生活的需求相契合。
针对产品不成熟情况下是否可做增长的问题，赖蕴琦以RockFlow为例说明。她表示，AI无法完成从0到1的工作，产品初期需用户表达需求，产品再基于需求提供相应信息和操作建议。在金融监管要求下，产品通过多次确认保障用户操作安全，重点在于在用户逻辑基础上提供投资行动建议，而非直接做选择。
当被问到Flowith与语核是否可互相替代时，翟星吉和拐子均认为两者关系不大。翟星吉表示，语核的垂直Agent与Flowith的创作场景和交互模式差异明显，不存在替代可能性。拐子强调，Flowith起源于对多线程人机交互方式的探索，虽与其他产品在技术上有相似之处，但出发点和产品理念不同，未来将继续围绕画布进行创新，提供更自由的交互体验。
在技术层面，王兆洋提及Lilian Weng文章中列出的Agent结构，包括Memory、Action、Tools和Planing四个部分，并询问当前技术突破的重点。陈锴杰指出，当前技术核心在于Context engineering和Reinforcement learning。Context engineering以Manus为代表，迭代速度快，但存在系统优化不平衡的问题；Reinforcement learning以DeepSeek、Kimi等为代表，通过唯一指标实现模型优化，但指标确定和技术难度较大。他认为，在AI不断进步的背景下，关注场景应用和价值创造更为重要。
拐子分享了Flowith在Context Engineering方面的实践。他们通过无限上下文等工程优化，提升产品性能。以写论文为例，他们借鉴人类思维模式，打破传统AI工作顺序，同时注重任务完成后的优化工作，但在优化过程中需考虑成本和场景适配问题。他还提到MCP工具生态的发展，以及Agent公司在工具选择和开发方面的挑战。
翟星吉将语核科技的技术努力分为三层。第一层是内容解析能力，包括对复杂文档、音视频等的理解，这是保证结果准确率的基础；第二层是上下文管理，针对不同岗位信息的特点，进行合理的组织和使用；第三层是内置workflow的tools，将人类在特定场景下的先验知识封装成工具，供上层Agent调用，以提高效率和泛化性。
最后，赖蕴琦总结道，技术提升需根据业务场景确定关键问题，选择最适合的技术方案。她坚信AGI终将到来，当前应充分利用现有技术，为用户提供优质产品。
