在过去 3 年中，以对话为核心的交互方式是这一轮 AI 最重要的入口。用户通过自然语言表达需求，系统生成回应，这种方式极大地降低了使用门槛，也让复杂能力可以被更广泛地触达。

在这一阶段，AI 主要解决的问题是知识层面的：理解问题，生成内容，辅助决策。无论是写作、编程还是分析，这些任务在很大程度上都可以被转化为“生成一个更好的答案”。因此，对话成为最自然的载体。

但用户开始期待系统能够围绕一个目标持续推进任务，直到获得结果。当人工智能足够强、调用足够方便时，人们自然会尝试把它用于更复杂的场景；而一旦进入这些场景，对话这种交互方式的限制就会变得愈加明显。

例如，一个多步骤任务若仅仅通过多轮对话来推进，就会很快遇到边界。每一步都需要重新描述上下文，每一次决策都依赖用户手动连接，这种方式在任务规模较小时尚且可行，一旦复杂度上升，成本就会迅速增加。

更重要的是，对话本身并不承担执行责任。它可以提供建议，可以生成方案，但真正的执行仍然需要用户在不同系统中完成。这意味着，AI 仍然停留在辅助的位置，而没有进入任务本身。

当一个 AI 系统需要完成真实任务时，它至少需要具备 3类能力：理解目标并拆解任务，调用外部能力或资源，以及在执行过程中根据反馈不断调整路径。这 3 类能力一旦组合在一起，就已经不再是单纯的对话能力，而更接近一个可以自主行动的系统—智能体。

今天很多关于智能体的讨论，仍然停留在 AI 工具升级的层面。但实际上，智能体真正重要的地方并不是“更聪明”，而是它围绕目标，在时间维度上持续运行。这是一个非常关键的变化。传统软件本质上是功能集合，用户调用一个功能，完成一次操作；而智能体越来越像一个持续存在的工作单元，它会理解目标，拆解任务，调用能力，并根据反馈不断调整路径。用户开始明显感觉到， AI 不再只是一个工具，更像一个参与工作流程的协作者。

这个变化为什么如此重要？因为它意味着，AI 第一次进入现实生产过程。过去的大模型虽然已经很强大，但仍然主要停留在知识生成层，而智能体的出现让 AI 进入了任务执行层。工业时代真正重要的变化并不是机器能够提供动力，而是机器开始进入生产流程；互联网时代真正重要的变化也不是信息可以被传播，而是互联网开始进入商业协同系统。当 AI 能够从“对话”走向“任务执行”时，它的价值就会大大提升；同时，开发智能体的门槛和成本大幅下降，智能体的数量迅速增加。不同场景、不同任务、不同细分需求，都可能催生某种形式的智能体。

智能体本质上是能力的组合。不同的智能体， 以不同的方式组合不同的能力，去满足不同类型的任务需求。这里要特别强调一点：智能体是价值创造单元，而非能力单元。能力可能包括信息搜索、内容理解、文本生成、数据分析、代码执行、工具调用、页面操作、计划制订等。单一能力本身不是用户真 正关心的东西，用户也不会说：“我今天要去使用一个能力。”用户关心的是有没有一个智能体能够帮我把事情做成。

所以在这一阶段，真正形成竞争的不是能力本身，而是哪些智能体调用了不同的能力，最终创造了最大的价值，并被足够多的用户使用。

这就像互联网早期的情况。网站可以有无数个，但最终只有少数网站成为高频入口。同样，未来智能体也会有很多，但能形成广泛用户基础和巨大影响力的，只会是少量能持续完成客户真实任务的智能体。

智能体的大爆发为什么会迅速带来复杂性爆炸？

智能体的大爆发，首先带来的当然是效率的提升。这一点今天已经越来越明显。很多过去需要大量人工操作的工作，开始被智能体持续承担。这一变化的速度比很多人想象的更快。过去几年，大模型真正突破的并不仅仅是能力，还包括能力获取成本的急剧下降。在强大的推理、生成、搜索、代码、分析能力通过 API 被统一调用之后，整个产业的创新门槛就会迅速降低。

工业时代最重要的变化，是机器降低了体力劳动成本；而今天，AI 正在快速降低智力劳动成本。大量过去无法成立的小需求、小场景、小工作流，开始被快速智能体化。那些看起来非常细碎的任务，过去其实并不是没有价值，而是因为组织成本太高而掩盖了其真实价值。一个小型研究需求、一个局部运营流程、一个客户分析任务，过去往往不值得专门组建团队；但今天，当一个人加几个智能体就能快速完成时，大量原本不经济的需求会突然被激活。

这也是为什么未来智能体的数量很可能远远超过今天绝大多数人的想象。AI 时代最先爆发的未必是少数超级应用，而更可能是海量任务系统。每一个细分任务、每一种工作流、每一种行业场景，都可能快速演化出大量的不同智能体。

但问题恰恰也会从这里开始。因为在智能体数量爆发之后，整个系统会迅速进入一种新的状态：复杂性开始以比能力增长更快的速度上升。这其实是整个 AI 产业里最容易被低估的问题之一。现在，大部分人看到的主要是智能体带来的能力释放：AI 能够完成任务，能够进入工作流，能够承担部分执行工作。这当然令人兴奋。但如果回头看历史，你会发现一个非常重要的规律：每一次能力的大规模释放，都会同时带来复杂性的急剧上升。工业革命提高了生产能力，但同时也带来了前所未有的组织复杂性，所以现代企业制度才会出现；互联网提高了信息流动效率，但也迅速带来了信息爆炸，所以搜索引擎、推荐系统、平台治理才会变得如此重要。

AI 今天也正在进入类似阶段。过去的软件系统，大多数时候仍然是有极高确定性的。即使系统内部非常复杂，但整体而言，它们的功能边界也是相对明确的。Excel（电子表格软件）不会突然决定帮你修改战略方向，ERP（企业资源计划）也不会主动重新定义供应链逻辑。软件更多是在执行预设规则，但智能体不是这样。智能体天然带有一定程度的自主性。它会根据上下文动态决策，会主动调用资源，持续调整路径，会在执行过程中不断生成新的中间状态。也就是说，系统行为越来越难以完全预定义。

这意味着，AI 开始进入复杂系统阶段。这个变化的重要性远远超过 AI 能做多少事情。因为复杂系统最核心的特征不是能力，而是不可预测性迅速增加。这一点，在真实任务世界中会尤其明显。

例如， 一个企业如果只是让 AI 生成营销文案，问题不大，但如果让多个智能体真正参与企业运营，事情会迅速复杂化。一个完整任务可能同时涉及数据、财务、研究、客户、内容、执行等多个智能体协同运行，这时候，问题就已经不再是“某一个智能体能力够不够强”，而变成“整个系统到底能不能稳定运行”。很多今天看起来很简单的问题，在真实环境里都会被迅速放大。例如，不同智能体之间的上下文如何保持一致？多个系统之间的信息如何避免失真？一个智能体生成的错误，会不会被后续系统持续放大？如果多个智能体同时调用资源，成本如何控制？如果系统做出了错误决策，责任到底如何归属？

这些问题在当前阶段其实才刚刚出现，因为今天绝大多数智能体仍然主要停留在局部任务层。但随着智能体进一步深入企业真实工作流，复杂性会迅速呈指数级上升，这一点其实会彻底改变未来产业竞争的重点。

当智能体数量足够多时，用户面对的不再是一个工具，而是一个不断扩张的智能网络。不同智能体互相调用、互相协同、互相影响，整个系统会越来越像一个动态生态，而不是一个静态软件。可见， 生态系统最核心的问题从来不是局部能力，而是整体秩序。

未来不会缺智能体，真正稀缺的将是谁能够有效组织大量持续运行的智能系统。这一点，其实会成为 AI 发展第二阶段最深层的产业矛盾。因为当复杂性超过用户自身的控制能力时，用户就会天然寻找新的组织中心。这也是为什么我一直认为：AI 发展第二阶段最重要的竞争很可能不是模型竞争，也不是单点智能体竞争，而是谁能够帮助用户管理复杂性。可见，用户购买的从来不只是能力，更是确定性。

智能体的开发和选择：双边市场的形成

当面对复杂的智能体世界时，用户面临的核心问题很快变为“我该如何选择”。这个问题看似简单，但从用户的角度看，解决好很不容易。

智能体是任务完成系统，而任务本身往往没有清晰的边界。例如，同样是行业研究，不同智能体可能有完全不同的能力结构：有的擅长信息收集，有的擅长结构分析，有的擅长财务建模，有的擅长长周期跟踪。在很多情况下，用户在使用之前，其实很难判断哪一个系统更适合当前任务。

更重要的是，智能体的能力表现很大程度上取决于具体的上下文。它不像传统软件那样具备稳定、固定的功能边界，同一个智能体在不同任务上下文中可能产生完全不同的效果。很多时候，一个系统在某一类上下文中非常优秀，但在处理另一类任务时却并不稳定。这意味着，用户不仅需要理解任务本身，还需要理解不同智能体之间的能力边界、协同关系与适用条件。换句话说，用户面对的是如何在一个持续变化的智能体世界中做动态决策。理解了这一点，其实会让用户迅速提高对整个系统的认知成本。

用户会发现，首先，不同智能体都声称自己能够完成任务，但它们之间的能力差异、稳定性差异、边界差异，在使用之前往往并不透明，用户必须不断试错，才能逐渐理解哪个智能体真正适合自己。而真实任务的试错成本其实是非常高的。如果只是让 AI 生成一段文案，问题不大，但当智能体开始参与企业运营、客户服务、财务分析、供应链管理时，试错成本会迅速上升。

其次，很多智能体并不是标准化产品，它们在特定场景中表现良好，但在其他场景中可能效果有限。当任务本身具有一定复杂度时，用户很难在一开始就判断出哪一个智能体更适合当前问题。

再次， 当一个任务需要跨越多个步骤时，选择不再是一次性的，而是贯穿整个过程。用户不仅需要决定用哪个智能体，还需要决定在什么阶段使用哪个智能体，以及这些选择之间如何衔接。这种连续选择，本身就会显著提高使用门槛。

更重要的是，随着智能体参与更真实的任务，选择所影响的不再只是效率问题，还会逐渐延伸到一系列更深层的判断。其中最直接的是与信任相关的一类问题。

当智能体只是提供建议时，用户可以把它当作参考，但当它直接执行操作，甚至接触账户、数据或业务流程时，用户必须面对一个更现实的判断：这个智能体是否值得信任。这种信任不仅包括对其能力的判断，还包括对其行为边界的理解。例如，它是否会在执行过程中调用不必要的资源，是否会在未经明确授权的情况下做出某些决策。

一旦这些问题进入用户决策范围，选择就不再是哪个更好，而是哪个更安全可控。与信任紧密相关的是责任问题。在传统软件体系中，责任关系相对清晰：工具提供功能，使用者对结果负责。但在智能体具备一定的自主执行能力之后，这种边界可能会变得模糊。如果一个智能体在执行过程中出现错误或者带来实际损失，责任是归属于开发者、平台还是用户自身？在不同使用场景中，这一问题的答案可能并不一致。这一点在当前阶段还不突出，但随着智能体使用深度的提升，会很快凸显出来。

最后，随着智能体开始参与实际价值创造，另一类问题也会逐渐浮现，即与成本结构和利益分配相关的约束。今天，围绕大模型能力，我们已经看到一些初步的结构。例如，以Token 为单位的计费方式已经成为主流，即模型提供能力，调用方按使用量付费。在这一层之上，又叠加了 API 调用费用、工具使用费用，以及应用层的服务收费。

如果把这一体系拆开来看，我们会发现它已经不再是单一层级的定价，而是一个逐渐分层的结构。一个看似简单的应用，背后可能同时涉及模型调用成本、中间层处理成本，以及面向用户的服务费用。不同公司在不同层级中获取收益。

在当前阶段，这种结构仍然相对简单，因为参与方有限，调用链路较短。但如果顺着智能体数量增加的趋势往前推，当一个任务由多个智能体协同完成时，这种结构很可能发生变化：一个任务可能由多个步骤组成，每一步由不同智能体执行；每一次调用，都会产生不同层级的成本；而最终呈现给用户的，是一个整体结果。在这样的情况下，一个问题就可能凸显出来：这一结果所创造的价值，应当如何在不同参与方之间分配？

这个问题之所以关键，并不是因为它在理论上复杂，而是它直接影响系统能否稳定运行。如果分配机制不清晰，开发者就难以判断投入与回报；如果成本结构不透明，用户也难以形成稳定预期。在早期阶段，这个问题可以简单地通过定价或补贴暂时掩盖，但随着使用规模扩大，它很可能会越来越重要。而且这个问题并不会随着技术进步自动消失，相反，随着参与的智能体数量增加、任务链条延长、角色分工细化，分配关系可能会变得更加复杂。

如果把这些因素放在一起看，我们就会发现，“多”所带来的并不是单一问题，而是系统内各因素之间相互关联的约束：效果判断、能力边界、信任建立、责任划分，以及成本与收益的分配。

在这样的背景下，如果完全依赖用户自身来完成这些判断，成本会迅速上升，也很难形成稳定的使用模式。正是在这一压力之下，我们可以预见会出现某种形式的“入口”，其核心作用是帮助用户在一个不断扩展的智能体空间中，更容易发现能解决他们真实问题的智能体。用户不关心你有 100 个智能体还是 1 000 个智能体，他们只关心“今天这个问题，谁能帮我解决”。因此平台真正要做的是降低探索成本，缩短从“我有一个问题”到“我找到一个能解决问题的智能体”之间的距离。

为了让自己的智能体更容易被发现，更方便地被接入和调用，开发者一侧可能逐渐出现一定程度的标准化，从而使自己的智能体进入更大的使用场景。在这个方向上，竞争也会非常激烈：看谁有能力吸引最多的开发者，形成一个强大的智能体生态，从而给用户提供更好的选择。

这是个非常典型的连接用户和开发者的双边市场。它一方面大幅降低开发者的成本；另一方面，帮助用户更好地选择自己需要的智能体。两者形成正反馈闭环，带来双边市场效应。最终，市场竞争会形成很少几个入口，帮助用户找到自己需要的智能体。

工业时代，人们购买产品；互联网时代，人们获取信息； AI 时代，人们会越来越直接地购买任务结果。谁能够在一个高度复杂、持续变化的智能世界中持续稳定地帮助用户完成任务，谁才有机会形成下一阶段最重要的入口和平台。浏览器时代，并不是每个网站都重要，但那些能承载高频需求、形成大规模访问、成为用户默认停留点的网站，会逐渐构成新的平台秩序。智能体时代也会如此。