从Manus到Gemini，首轮Agent竞赛中有哪些关键信号？

嘿，大家好！这里是一个专注于前沿AI和智能体的频道~

Manus 可能会成为一个导火索，引爆Agent的竞争。

在过去的几个月里，头部AI公司纷纷发布了自己的“智能体”产品。

目前来看，各家Agent产品各有侧重，但我们开始看到两条截然不同的技术路线：一类是基于工作流的“伪Agent”（如爆火但是很多人说的没有护城河的Manus （该观点不代表作者观点）），它们本质上是将LLM和工具通过预定义代码路径进行编排；另一类是基于端到端训练的“真Agent”（如DeepResearch和Gemini 2.0 Flash Thinking的各种衍生Agent应用），它们能够动态指导自己的处理过程和工具使用，保持对任务完成方式的控制权。

当然整体上，我们还处于端到端训练Agent的早期阶段，这场以智能体为核心的第二幕AI竞争才刚刚开始。Agent技术仍在快速迭代，而这可能将重塑整个AI应用格局。

1.“模型即产品”将成为Agent时代的主导范式

当前AI行业正经历一场范式转变：从“模型即基础设施”到“模型即产品”。大厂逐渐将模型本身打造成端到端的产品，而非仅仅作为应用层的基础设施。

这一转变由几个关键因素推动：

• 泛化性扩展遇到瓶颈：正如GPT-4.5所展示的，模型能力增长呈线性，而计算成本却呈指数级增长，即使是OpenAI也难以负担
• 端到端训练效果超出预期：强化学习与推理的结合使模型突然擅长特定任务，这既不是机器学习，也不是基础模型，而是一种全新的范式
• 推理成本大幅下降：最近DeepSeek的优化意味着全球现有GPU足以支持地球上每个人每天使用1万token的前沿模型

在这种范式下，大模型提供商不再满足于简单销售token，而是向价值链上游移动，将模型打造成直接面向特定场景的产品。OpenAI的DeepResearch和Anthropic的Claude 3.7 Sonnet就是这一趋势的典型例子。

藏老师的神级prompt，让任意文本直接变成酷炫的html页面。claude 3.7 sonnet就是掌管SVG的神！Gemini 2.0语言模型原生的图生成，体验一天之后，仿佛还看不到边界。。。

2.工作流Agent与端到端Agent的本质区别

目前市场上的Agent产品可以明确区分为两类：

工作流Agent（如Manus AI）：

这类产品本质上是LLM与工具的编排系统，通过预定义的代码路径和提示词引导模型。虽然短期内见效快，但很容易遇到问题：硬编码的规则无法扩展，在复杂场景中表现不佳。表现出：

• 无法有效规划，容易陷入死角
• 记忆能力有限，难以维持10分钟以上的任务
• 长期行动效率低下，错误会累积放大

端到端训练Agent（如DeepResearch）：

这类产品通过端到端强化学习训练，模型能够动态指导自己的处理过程。OpenAI的DeepResearch就是“一个新形式的研究语言模型，专门设计用来执行端到端的搜索任务”。它不依赖外部调用或编排，而是通过强化学习习得了搜索、点击、滚动和解释文件的核心能力。

真正的Agent需要具备：

• 搜索和规划能力
• 有效记忆和状态管理
• 长期行动的可靠性

3.Google与OpenAI展示了不同的Agent发展路线

通过比较Google的Gemini 2.0 Flash Thinking和OpenAI的DeepResearch，我们可以看到两种不同的Agent发展思路：

• Google的多模态融合路线：

Gemini 2.0 Flash不仅在推理能力上有所提升，更在多模态应用上取得突破。它能同时理解和生成文本与图像，支持文本+图像生成、对话式图像编辑等功能。Google还通过Deep Research功能、应用连接（YouTube、日历、地图等）和个性化功能，构建了一个面向普通用户的Agent生态。

• OpenAI的专精特化路线：

OpenAI选择针对特定场景打造专精的Agent模型。DeepResearch专注于网络搜索和文档整理，通过端到端强化学习训练，使模型能够自主规划搜索策略，交叉引用多个来源。这种专精策略使其在特定领域表现更为出色。

4.端到端训练将成为Agent的主流形态

从长期来看，端到端训练的Agent将逐渐成为主流，因为它更符合Agent的本质形态：模型能够在循环中自主处理问题，具有更高的上限。

以包含4个子任务的串联任务为例：

• 工作流Agent：即使每个子任务成功率为95%，整体成功率也仅为81%
• 端到端Agent：通过高质量数据+强化学习，有望将整体成功率提升至95%

未来可能会出现以下趋势：

• 顶级Agent的工程代码将极其简洁：背后是超高质量的训练数据和极致的端到端强化训练，所有if-else和工作流选择由模型自身完成
• 通用Agent更可能由基础模型公司推出：如OpenAI、Anthropic、DeepSeek等拥有强大基模和强化学习工程师的公司更具优势
• 垂直领域Agent将成为创业公司的机会：专注特定行业或应用场景，通过深度优化实现差异化竞争

最后

Manus虽然当前waitlist 才200万，但考虑到访问权限限制和邀请码等负面因素的影响，这一数据相较于其热度而言并不算特别惊人。

回到Anthropic的定义：LLM Agent是能“动态指导自己的处理过程和工具使用，保持对任务完成方式的控制权”。

工作流Agent vs 端到端Agent， 这个短期看起来就跟去年的长上下文模型 vs RAG 争议一致，并不会有明确的结论。

scaling vs finetuning， scaling能让模型的上限更高，但是finetuning能更快的适应到特定场景。