案例应聘网络营销做网站推广网站图片处理方案

案例应聘网络营销做网站推广,网站图片处理方案,photoshop在线入口,建个网站需要多少钱本文为《2025 年度盘点与趋势洞察》系列内容之一#xff0c;由 InfoQ 技术编辑组策划。本系列覆盖大模型、Agent、具身智能、AI Native 开发范式、AI 工具链与开发、AI 传统行业等方向#xff0c;通过长期跟踪、与业内专家深度访谈等方式#xff0c;对重点领域进行关键技术进…本文为《2025 年度盘点与趋势洞察》系列内容之一由 InfoQ 技术编辑组策划。本系列覆盖大模型、Agent、具身智能、AI Native 开发范式、AI 工具链与开发、AI 传统行业等方向通过长期跟踪、与业内专家深度访谈等方式对重点领域进行关键技术进展、核心事件和产业趋势的洞察盘点。本系列力求以体系化视角帮助读者理解年度技术演化的底层逻辑、创新方向与落地价值并为新一年决策提供参考。内容将在 InfoQ 媒体矩阵陆续放出欢迎大家持续关注。“打开方式不对还是功能被夸大了”从 3 月份“现象级”Agent 产品 Manus 刷屏到如今各类 AI Agent 产品扎堆涌现Agent 在过去这半年多一直头顶“光环”。如今热潮尚未退去但 Agent 开始频频被吐槽。在各大论坛关于 Agent 实际应用能力的讨论越来越多。不少长期关注该赛道的从业者及尝鲜用户反馈厂商们和评测方把功能描述得非常强大并放出了各种效果惊艳的演示案例。但普通用户上手时却如同“开盲盒”尝试多次都很难成功且很多效果无法复现能实现的多为基础操作逻辑稍复杂就会跑崩。一种声音是“太简单了就失去使用 Agent 的价值了还不如用工具实现。”与此同时Agent 类产品企业的市场表现似乎正在印证这些争议。曾引爆行业的 Manus 不仅国内业务大规模裁员用户访问量也呈逐月回落态势同类产品 Genspark 的用户市场亦面临相似处境。有行业观察者甚至直言通用 Agent 能完成的场景价值都很低没人愿意付费。11 月 5 日麦肯锡旗下的 QuantumBlack 团队发布了《2025 年 AI 应用现状》报告基于对 来自 105 个国家的 1993 名企业从业者的调查揭开了 Agent 在全球范围内的微妙现状。报告指出62% 的公司至少在尝试使用 Agent。然而在任何一个特定业务职能中声称其组织在规模化应用 Agent 的受访者比例都不超过 10%。有 23% 的受访者表示其公司在某些场景部署了 Agent但这种应用通常仅限于一两个职能部门。问题到底出在哪里“核心在于场景选择与 Agent 能力的错配而非技术本身的性能瓶颈。”北京枫清科技有限公司技术合伙人王传阳向我们表示Agent 在标准化通用场景中具备较强的复杂逻辑处理能力如跨平台会议统筹、多维度信息整合等场景其自主规划与工具调用能力可充分发挥效率优于传统工具但多数产品陷入场景选择误区。一是强行让通用 Agent 承接垂域简单场景这类场景虽步骤简洁却隐含专业壁垒例如化工原料配比涉及行业专属安全规范Agent 易因知识缺失导致逻辑断裂二是聚焦通用低价值场景如单纯信息检索、日程提醒等此类场景传统工具即可满足Agent 的核心价值无从体现自然无法形成付费闭环。还存在一类情况是部分用户本就是来尝鲜、看热闹的并没有实际需求。在实在智能董事长、创始人、CEO 孙林君看来“哪怕是之前 GPT 发展时也经历过‘用户量先暴涨、再逐步回落’的过程。真正的用户需求和有价值的场景会在这个过程中沉淀下来。”作为今年 AI 行业内最受关注似乎也是落地最多的一个应用领域“场景错配还是能力不实”的相关疑问持续发酵。而通用与垂直的路线抉择更是贯穿整个 AI Agent 赛道迭代、绕不开的核心命题。为此我们邀请了多家热门 Agent 产品企业的创始人以及技术负责人探讨了通用与垂直两个赛道的生存现状、发展瓶颈以及国内外 Agent 行业乱象背后的技术短板与市场逻辑。通用 VS 垂直谁更“难”在多重困境中通用 Agent 似乎遭受到更多质疑。更值得注意的是近期业内还普遍反映其存在成本高、落地难等现实痛点。对此王传阳的看法仍是根本原因在于行业对通用 Agent 的能力认知错位与场景定位偏差导致投入与产出严重失衡。他举例称部分企业盲目信奉 “通用 Agent 万能论”将其直接应用于垂域核心业务。例如让通用 Agent 主导信贷审批但这需投入巨额算力进行模型微调同时安排人工实时修正误判成本远超预期。并且通用 Agent 为覆盖多场景采用的冗余架构又推高了单用户服务成本。孙林君也观察到一种现象是有些人会用开源框架或某类工具去尝试完成一些极其复杂、大幅超越现有基模能力的任务导致效果不佳。在他看来“这要么是高估了自身能力要么是高估了 AI 的潜力。”“价值定位模糊进一步加剧了落地困境。”王传阳指出当前多数通用 Agent 聚焦低价值通用场景此类场景要么存在成熟替代工具要么用户不愿为轻微效率提升付费而高价值通用场景的挖掘与适配不足导致产品陷入 “能落地的不盈利盈利的难落地” 的僵局。孙林君则站在企业侧的角度提出Agent 必须满足三个关键特点才能真正落地使用。首先是可控性企业内部工作流程严谨Agent 需要遵循既定工作流多次运行仍能输出一致结果不仅成功率要高在不同电脑环境下也得保持稳定运行其次是高效性它应尽量减少对接口的依赖可以借助 RPA 能力便捷地搭建出来再加上稳定性这三点是企业选择 Agent 的核心考量。另外他表示整个行业需要时间来达到高成熟度这是现实情况。任何工具都有利有弊对于 Agent更应多关注积极的一面充分发挥它在现实场景中的实用价值而不是一味盯着当前的不足。如今 Agent 已经在很多实际场景中落地并且在不少岗位创造了价值。比如在不熟悉的领域不少人会选择付费开通会员借助 Agent 完成自己想做的事这也构成了它的一种商业模式。“不管是通用 Agent 还是垂直 Agent受限于基础大模型的发展水平、技术成熟度以及解决方案与实际需求的匹配度等因素现阶段确实存在一些明显缺点也很容易被大家感知到但这并不会成为阻碍行业发展的根本原因。”王传阳进一步指出事实上当前 Agent 的核心挑战在于对垂直领域深层业务逻辑的精准把控能力不足。垂直领域普遍存在知识壁垒高、业务逻辑动态闭环且容错成本极低的特性如工业设备运维需精准匹配设备参数与运行场景、金融风控需联动多维度动态数据这些隐性规则与复杂关联难以通过通用语料覆盖。“从技术迭代规律来看该挑战今年内无望解决。”一方面垂域高质量数据多呈现孤岛化与隐私化特征难以形成规模化训练数据集另一方面通用模型与垂域知识的适配需技术团队与行业专家长期协同调优仅知识图谱构建与规则映射就需数月至数年周期短期无法实现突破。孙林君同样提及了数据层面称“往未来看数据将逐渐成为新的行业瓶颈”。原因在于现有公开数据大概率已被各类大模型获取并用于训练了而完全由人类原创的新数据会越来越少。在众多垂直领域中那些行业外无法获取的专属数据会变得愈发稀缺。也正因此垂直大模型相较于通用基模在针对性微调方面能取得更优的效果。“现阶段无论是企业还是具备专业职能的个人应用这类基于垂直大模型的 Agent往往能看到更理想的使用效果。接下来基于通用基模开发垂直大模型的应用也会逐步凸显出来。”同时孙林君指出Agent 的成本会逐步降低。“芯片性能在持续升级模型优化技术也在不断进步。现在部分 7B 级别的模型已经能实现原来 ChatGPT 那样的效果。按照这个发展规律未来随着算力的升级和模型训练方法的革新我们完全可以用更小体量的模型打造出效果更优的 Agent 或大模型产品。甚至这些小模型在终端设备上的表现已经非常出色达到了实用化水平这都是可预见的趋势。”对此王传阳则持不同观点他认为短期内3-5 年通用 Agent 的成本与性能难以实现突发性突破。性能方面LLM 受限于高质量数据稀缺与算力投入性价比下降OpenAI、Anthropic 等企业的新一代模型改进幅度已趋于平缓。成本方面通用 Agent 的全场景适配架构存在天然冗余即便优化算力分配单用户服务成本也难以低于聚焦单一领域的垂直 Agent。角逐大半年谁更“强大”在近期的一场 AI 创造者嘉年华上RockFlow 创始人赖蕴琦给出了不一样的视角“通用 Agent 和垂直 Agent 不太有真正的区别。核心是‘为用户解决什么问题’只要能解决问题就是很有价值的产品。”那么这两类产品谁更强呢当前有一个现象是在跨行业场景中通用 Agent 的任务完成度和完成深度面临越来越多的实践争议与拷问。孙林君认为现阶段通用 Agent 能完成的场景在任务深度上其实取决于基模能力。就像之前基础大模型做高考数学题的表现并不理想但仅仅过了半年现在的基础大模型做高考数学题达到 140 分以上的成绩已没什么问题能秒杀 99% 的考生。从这一点足以看出只要有可迭代的框架通用 Agent 每隔几个月就会快速升级而它所需要的足量数据与行业经验本质上都源于人的实践积累不是解决不了的问题。“在可见的短时间内我们必然会看到更多有深度、能力超过普通人水平的 Agent 出现事实上现在已经有不少了。”“而且垂直 Agent 就一定比通用 Agent 的能力更强大吗这倒也不一定。”他举例道不是说把某一件事干好公司就会变好。实际上只有多个岗位之间实现无缝协同、高效配合才能让整个公司运转得更好。从属性上来说Agent 平台的核心是为用户提供搭建 Agent 的能力。只要这个平台的搭建能力足够强大、足够灵活再加上沉淀了丰富的行业模板或现成的 Agent 资源就能形成一个完整的生态而这个生态必然不会局限于某个垂直行业。另外孙林君指出如果将解决某个特定领域问题的 Agent 定义为垂直 Agent比如专注于营销、客服、运营或数据处理的 Agent通用 Agent 对企业来说其实更具价值。他以一个现实问题举例解释道“一家企业想要搭建各类 Agent 且希望这些 Agent 能够协同工作有必要去购买十套不同的垂直 Agent 平台吗从这个角度来看对任何企业而言都没必要耗费成本去搭建十套各自独立的垂直 Agent 平台。”因此他认为面向企业或个人的通用 Agent会是未来的核心发展趋势。至于垂直 Agent它确实有其阶段性的优势目前能看到的表层情况是它在特定领域可能显得更深入一些。但随着每一轮技术迭代Agent 的底层能力会持续增强通用 Agent 的通用性也会不断提升届时垂直 Agent 的发展空间将会被一步步压缩。王传阳则从技术层面谈到通用 Agent 并非必然牺牲深度通过模块化架构设计可实现跨行业适配与领域深度的平衡。核心思路是构建 “通用基础层 领域知识层 场景适配层” 的三级架构通用基础层基于大参数模型保障跨行业的自然语言理解、工具调用等基础能力领域知识层通过检索增强生成RAG技术嵌入垂域知识插件如金融领域加载风控规则图谱能源领域接入设备运维知识库。场景适配层则通过强化学习对具体行业场景的反馈数据进行微调优化决策精度。例如企业跨行业合同生成场景通用基础层保障合同框架的规范性接入不同行业插件后可匹配金融、制造等领域的专属条款再通过场景微调适配企业个性化需求无需重构模型即可实现 “广度覆盖 深度适配”。“博弈”在升级终局不会是二选一自两条路线分化以来关于赛道终局的选择争议便从未停歇。这几个月行业内流传着这样一种观点“通用 Agent 是未来垂直 Agent 只是过渡产品”。而在孙林君看来最终行业不会走向非此即彼的极端反而会形成一种动态平衡。具体来说如果需要深度解决某个特定领域的问题垂直 Agent 无疑更具优势但如果是应对 80% 的常规通用需求通用 Agent 就完全足够覆盖。其实两者存在一定程度的互补性想让其中一方完全取代另一方并不是一件容易的事。王传阳的观点也类似。他认为未来行业演进的主流逻辑是 “协同发展”通用 Agent 承担跨场景协同、通用任务处理等基础工作垂直 Agent 深耕领域深度决策两者形成互补而非替代关系。大模型发展增速放缓通用 Agent 短期内无法突破垂域知识壁垒而垂直 Agent 的场景适配性具备长期不可替代性。当前 LLM 的性能提升已显现边际效益递减数据稀缺与算力成本飙升成为主要瓶颈Epoch AI 预测 2028 年前可用文本数据将耗尽未来 5 年内通用模型难以覆盖垂域的隐性知识与刚性规则。从场景需求来看垂直领域对 “高精度、高合规性” 的要求决定了垂直 Agent 的长期价值。例如医疗诊断 Agent 需匹配临床指南与患者病史工业控制 Agent 需严格遵循工艺参数这些需求无法通过通用 Agent 的 “概率性输出” 满足。“即便未来实现技术突破通用 Agent 也无法颠覆垂直 Agent 市场。”王传阳表示垂直 Agent 的核心竞争力不仅在于技术能力更在于深度绑定的行业资源与场景壁垒。然而孙林君也直言称“从领域来看我们更看好那些垂直属性强、发展空间广阔且行业纵深深的赛道。那些领域覆盖较浅、没有自身独特行业数据支撑的 Agent会慢慢被通用 Agent 蚕食掉。”关于数据对 Agent 能力的重要性知名市场研究机构 CB Insights 在最新发布的报告中亦重点提到Agent 只有数据好它才能真正发挥作用。在报告前言里CB Insights 首席执行官 Manlio Carrelli 还反复强调真正的竞争优势不在 AI 本身而在于能不能把准确、全面的数据用起来以及搭建让 Agent 真正有用的编排层。值得关注的是另一场 Agent 领域的关键争夺战也开始燃起科技巨头们正在抢 Agent 通信标准的主导权。Anthropic 的模型上下文协议MCP、谷歌的 A2A 协议、IBM 的 Agent 通信协议都在一年内推出。今年 9 月Stripe 发布用于智能体支付的 API并与 OpenAI 共同推出了智能体商务协议Agentic Commerce Protocol将通过提供 Agent 与买家、企业之间的标准化通信框架使其能够完成自主购买任务。基模崛起淘汰赛悄然打响Agent 赛道的“内争”还在继续日渐强大的基础模型所带来的冲击却又似“外患”般接踵而至。去年“模型即应用”的口号就喊了出来。前几天月之暗面推出并开源旗舰级开源思维模型 Kimi K2 Thinking以思维 Agent 为核心架构主打“模型即 Agent”的理念。模型越来越强Agent 会不会被吃掉这一担忧与 Macaron 创始人陈锴杰在 AI 创造者嘉年华上提出的观点不谋而合。“大家在讨论通用与垂直时都在逃避竞争。”陈锴杰谈到讲垂直是为了表明各自领域不“打架”都能实现融资和发展。他进一步指出在海外做通用 Agent是明牌正刚 ChatGPT。在他看来假设很多场景里面要解决的问题跟 ChatGPT 差不多不同的解决方案或者更好的解决方法可能才是问题的本质。孙林君则向我们举出了 AIGC 生成领域的现实案例之前很多专注于某一细分领域像图片处理的小型创业公司现在不少已经不复存在了。他表示核心原因就是通用大模型的能力每迭代. 一次都会让这些公司掌握的技术被冲击掉。但如果某个垂直领域的能力是建立在通用大模型缺乏足够数据深度的基础上通用大模型想替代它就比较难。比如医疗领域对技术精度和数据专业性的要求极高且很多医疗相关的行业数据具有独特性外部无法获取。在这类领域中垂直应用或垂直 Agent 的使用效果要优于基于通用基模开发的 Agent自然能拥有稳定的生存空间。反过来若某个垂直 Agent 只是单纯依托通用基模的原生能力那它的未来就不好说了。再比如实在智能团队做面向企业的通用 Agent 时接触过很多客户内部独有的软件不管是 GPT-4、GPT-4.5 还是 GPT-5 都没有接触过这类专属系统。这些通用大模型在对这类软件进行操作、识别和控制时往往会出现“幻觉”进而导致操作的不确定性和高失败率。“而像 TARS 大模型是基于特定行业的专属数据训练出垂直大模型再面向企业级 Agent 时就能对企业内部信息化系统实现更完备、精准的操作相较于通用基模就能体现出差异化能力。”“不过哪怕是通用 Agent如果完全依靠基模能力即便结合工具把产品设计得还不错但底层能力要是没法超过基础大模型本身那它的发展其实是高风险的很难保持稳定。”对此Flowith 联合创始人拐子结合 Flowith 的新 Agent 产品分享了另一种看法。他认为未来模型有可能变成用户眼中的 Agent。但对用户而言这并不重要。用户真正关心的只是能否帮自己解决问题。现在大家之所以关注 Agent核心是它比传统大语言模型更进了一步不再只提供单纯的输出而是能交付到手即可用的结果。从市场端角度考虑Agent 的市场规模非常庞大。全世界范围内无论是知识工作者、媒体从业者还是日常使用手机、电脑的普通用户都是 Agent 的潜在用户他们需要通过这类工具变现、创造价值。因此在模型面前通用 Agent 有可能受到威胁但绝非伪命题。即便模型未来去做类似事情大概率也会采用类似 Agent 的运作方式。“Agent 所需的调用能力、记忆功能在当前的模型训练架构下是做不到的。”泡沫之下能赚钱的真不少正如麦肯锡高级合伙人 Michael Chui 所言“Agent 确实很火但真正做好很难。”CB Insights 在最近发布的《AI Agent Bible》中梳理了当前 AI Agent 生态的增长脉络。2024 年Agent 初创公司一共拿到了 38 亿美元融资几乎是 2023 年的三倍。2025 年在 CB Insights 追踪的 1500 多个科技细分市场里交易最活跃的前十个市场中有五个直接和 Agent 相关。在 2025 年收入最高的 20 家 Agent 初创公司里有一半 3 年前都不存在几乎“从零起步”却迅速闯进营收榜前列包括 2022 年成立、年经常性收入 5 亿美元的 Cursor以及 2023 年成立、收入均达 1 亿美元的 Lovable 和 Mercor 等。收入排名前 10 的企业中有 6 家专注编程类 Agent且员工人均收入达 140 万美元。但与此同时倒下的 Agent 项目也不少其中还不乏明星企业。前不久做法律 AI Agent 产品的英国 AI 初创公司 Robin AI 因新一轮融资失败被挂上了破产网站。就在一月份Robin AI 还入选了《星期日泰晤士报》推出的英国科技公司 Top 10 榜单。今年上半年国内企业级 AI Agent 公司澜码科技被证实陷入经营危机员工大规模离职仅剩 20 余人维持客户支持。Chui 一针见血地指出“很多人看到的是炒作我们看到的是大量还在探索阶段的公司。”根据麦肯锡发布的《2025 年 AI 应用现状》报告目前Agent 最常出现的领域是 IT如自动服务台、知识管理如深度研究、资料汇总、软件工程、服务运营等。而发展较为前沿的行业是科技、媒体电信、医疗保健这些行业 Agent 落地的比例明显更高。把视线拉长到未来 3 年王传阳给出这样的预测“金融、电信、能源三大领域的 Agent 有望实现爆发式增长核心源于这些领域具备数据基础扎实、场景需求明确、商业价值显性的独特优势。”短短两年间Agent 已从前沿技术概念跃升为企业 AI 布局中的优先事项。甚至去年业内人人都在说2025 年是 Agent 的落地元年。现在年关将近Agent 看似无处不在。但从落地实况来看还远远不足以支持千行百业的需求。在 10 月的一档播客中OpenAI 创始成员之一、前特斯拉 AI 主管 Andrej Karpath 就此给出了更为审慎的视角。他直言不讳地指出行业内存在一些过于乐观的预测。在他看来更准确的描述应当是我们正处于“Agent 的十年”。十年内它们将能够真正完成“工作”。“有点泡沫并不是坏事”有人这样说道。无可否认的是这一年Agent 成功从技术概念走上了产业应用的舞台并且赚到钱了。而接下来还有众多有增长潜力的领域产品正蓄势待发。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】