去年这个时候，企业评估大模型还在比拼谁更擅长回答脑筋急转弯，C-Eval 和 MMLU 的榜单分数是 POC 里的硬指标。到了今年，同样的客户却在招标书里写道：“需要自动完成从邮件询价、检索产品规格、计算报价到发送回函的完整流程。”需求变了——企业不再满足于一个口才很好的对话框，他们要的是能独立干活的数字员工。大模型的竞争焦点，正从语言生成能力转向多步骤任务执行能力。
Chatbot 的核心是 next-token prediction，本质上是对话接龙；而 Agent 的核心是 planning，即在开放环境里制定并调整行动计划。当用户说“帮我准备下周去深圳供应商大会的行程”，模型不能只是生成一段包含航班建议的文本，而必须自主拆解出：检查护照有效期、查询签证政策、比对机票和高铁价格、预订离会场三公里内的酒店、在日历中锁定时间、生成包含天气和交通提示的行程单。
这种拆解涉及条件分支和动态修正。Anthropic 为 Claude 引入的 extended thinking 模式，会在内部生成显式的思维链，对每一步的必要性进行自我检查；OpenAI 的 o1 系列则在数学和编程测试中展现出多步骤推理时的自我纠错能力。对于一家年采购额超过十亿的制造企业来说，这意味着大模型不再只是 RAG 知识库的语音界面——它开始替代那些依赖固定 SOP（标准作业程序）的人工操作岗位。
Tool use 是 Agent 触碰现实世界的第一根手指。早期模型只能给人类发一份“待办事项”，如今的模型可以直接调用 API、查询数据库、触发业务事件。Salesforce 在 2024 年推出的 Agentforce 已经允许其客服模型同时查询 CRM 客户记录、物流追踪系统和库存管理数据库，在一个对话回合内完成“我的订单到哪了”的完整链路。更关键的是，工具调用正从单步走向编排：模型需要先调用天气 API，再根据结果决定是触发航班改签接口还是酒店延期接口。
微软在 Copilot Studio 的年末更新中披露，企业客户为 Agent 配置的自定义连接器数量平均已达 12 个，复杂工作流通常涉及 3 到 5 个工具的串行或并行调用。这带来了一个新的工程挑战：当第三个工具返回超时或异常时，模型不能崩溃，而需要具备重试、降级或向人类申请权限的能力。没有这种鲁棒性，Agent 就进不了生产环境。
在具体的 Agent 形态里，browser use 和 coding agent 是目前进展最快、企业买单意愿最强的两条赛道。OpenAI 年初演示的 Operator 展示了模型如何在云端浏览器中像人一样点击、滚动、填表，完成从购买日用品到预订餐厅的任务。对于消费品公司的市场研究岗位，这意味着过去需要实习生花两小时手动扒取的竞品电商价格，现在可以由 Agent 在十分钟内按固定格式填入内部系统。
Coding agent 的进化更为直观。GitHub Copilot 的早期版本只是自动补全一行代码，而今天的 Cursor、Windsurf 以及 Claude Code 已经能读取整个代码库，执行“将这段 Python 脚本重构为 Go 微服务，并补全单元测试与 CI 配置”的多小时任务。Replit 的内部报告指出，开启 Agent 模式的用户，其项目从零到可运行演示的平均时间缩短了 63%。企业 IT 部门不再把它当作程序员的玩具，而是开始纳入正式的开发排期，用来处理技术债清理和跨语言迁移这类高耗时的脏活。
技术范式的转移直接改写了甲方的评估体系。一年前，CIO 们问的是模型能不能通过司法考试或高考；现在，POC 的验收标准是端到端任务完成率。一家跨国药企在 2024 年第四季度的 AI 招标中明确要求：投标方案必须能在无人工干预的情况下，完成接收临床实验数据邮件、提取附件、核对患者脱敏规则、上传至内部数据仓库并返回确认回执的七步流程，且连续 50 次测试的成功率不得低于 85%。
这种需求也解释了为什么单纯的模型参数竞赛正在降温。如果模型在第三步调用数据库时幻觉了一个不存在的字段名，整个工作流就会中断，前功尽弃。因此，编排层的重要性急剧上升：LangChain 的 LangGraph、OpenAI 的 Agents SDK，以及各类可视化 Workflow 编排工具，解决的问题不是让模型更博学，而是让模型的行动轨迹可观察、可回滚、可审计。这与传统 RPA 的区别在于，RPA 处理的是确定性的规则，而 Agent 处理的是有模糊边界的意图——但两者最终都要接受同一个考验：是否能在生产环境里 7×24 小时稳定跑完。
大模型正在经历从“会说话”到“会干活”的成人礼。对企业而言，一个能准确复述公司年假政策的 Chatbot 固然省下了 HR 的话务量，但一个能自动走完请假审批、检查日程冲突、在余额不足时触发年假结转并通知直属上级的 Agent，才是真正值得投入预算的生产力工具。下一轮竞争的胜负手，不再是谁的困惑度（Perplexity）更低，而是谁能把复杂工作流的闭环率做到足够高、足够可靠。
