AI不是从
ChatGPT开始的

在聊天框出现以前，AI 已经藏在手机、地图、电商和企业软件的每一个细节中。

过去的 AI 往往是一个系统解决一个固定问题；真正的新变化，是我们开始能直接用自然语言和它交流。

◉

人脸解锁

计算机视觉

↗

地图导航

预测与路径规划

✦

内容推荐

推荐算法

⌁

语音输入

语音识别

▧

发票识别

OCR 与信息提取

×

短信拦截

文本分类

← → / SPACE01—06

四个概念，
一张图分清

AI 是总称；生成式 AI 负责创造内容；大模型提供通用能力；大语言模型主要理解和生成语言。

模型

如 GPT、Qwen、DeepSeek

产品

如 ChatGPT、通义、DeepSeek 应用

人工智能 AI

让机器具备识别、判断、预测、生成或决策的能力

传统 AI

识别
分类
预测
推荐

生成式 AI

文字 · 图片 · 音频 · 视频 · 代码

大模型

海量数据 + 大量参数 + 大规模计算

大语言模型 LLM

← → / SPACE02—06

它最基础的工作，
是预测下一个词

模型不是一次写完一篇文章，而是在已经出现的上下文中，逐个预测最合适的 Token。

白日依山尽，
黄河入海流

生成“最可能合理”的内容，不等于天然保证真实。因此重要事实仍要核验。

打开 ChatGPT →

01

读过海量材料

书籍、网页、对话、代码和问答，让模型学习语言与知识之间的关联。

02

持续预测与纠正

为了更准确地续写，它逐渐掌握表达、总结、翻译、代码结构和部分推理模式。

03

把答案逐步生成

每一个新 Token 都会重新成为上下文的一部分，直到完成回答。

读取前文→预测 Token→继续生成

← → / SPACE03—06

AI经历了怎样的
能力升级？

把几十年的变化浓缩成五个动词：执行规则、学习规律、识别世界、生成内容、解决复杂问题。

01

规则时代

机器执行人写好的条件：如果 A，就执行 B。

02

机器学习

机器从历史数据中寻找规律：预测销量、识别风险、推荐商品。

03

深度学习

机器开始会看、会听、会识别：图像、语音与复杂感知任务。

04

大模型

同一个模型开始能写、能画、能对话、能编程。

05

推理模型

面对复杂问题，模型开始尝试分解、检查、比较与修正后再回答。

NEXT → 从回答问题，到完成任务

← → / SPACE04—08

为什么偏偏是
最近几年？

1956

人工智能成为正式研究方向

人们开始系统性研究：机器能否表现出类似智能的能力。

2012

深度学习突破

AI 在图像识别等任务上显著提升，数据与 GPU 形成关键支撑。

2017

Transformer 出现

为大规模语言模型训练奠定重要架构基础。

2022

ChatGPT 让大模型走向大众

聊天框降低门槛，普通人开始直接使用通用模型。

2024—

推理、多模态与更长任务持续进化

竞争从“回答流畅”走向“理解更多、推理更深、完成更复杂的工作”。

01

架构

更适合处理上下文，也更适合大规模并行训练。

02

数据

互联网积累了文字、代码、图像、声音与人类反馈。

03

算力

GPU 与 AI 集群让超大规模模型训练成为可能。

04

训练方法

指令训练、反馈与强化学习，使模型更会完成要求。

05

产品体验

复杂能力被装进一个人人可用的聊天框。

AI 的爆发，不是某一个技术单独造成的，而是五种力量同时成熟。

← → / SPACE05—08

美国模型阵营：
从模型到生态

不要把它理解成一张“唯一总排名”。不同公司分别在综合能力、编程、多模态、开放性与产品生态上竞争。

公司

模型家族

核心标签

课堂提示

OpenAI

GPT / ChatGPT

综合能力、推理、工具与开发者生态

通用产品
工具生态

Anthropic

Claude

长文档、编程、复杂知识工作

长任务
代码

Google

Gemini

多模态、搜索与办公生态

多模态
Google 生态

中国模型阵营：
能力、效率与生态

中国模型的差异不仅是中文能力，也包括开放权重、云服务、内容平台、企业部署与工程效率等不同路线。

公司

模型家族

核心标签

课堂提示

DeepSeek

V / R 系列

推理、开放权重与工程效率路线

推理
开放

阿里 / Qwen

通义千问

中文、代码、开放生态与云服务

企业云
开放生态

月之暗面

Kimi

长上下文、资料处理与知识工作

长文本
研究资料

Z·AI智谱

GLM

国产化、开放模型与智能体生态

国产部署
Agent

← → / SPACE07—08

Logo 为教学识别用途；每页仅保留代表性公司，具体版本、能力与排名应在授课前更新。

中国模型阵营：
内容与产业生态

同样是大模型，进入企业后的价值取决于任务、数据、接入能力与人工管理，而不只取决于一个公开分数。

公司

模型家族

核心标签

课堂提示

字节跳动

豆包 / Seed

多模态、内容生态与产品规模

内容
多模态

百度

文心 ERNIE

搜索、知识与企业应用

搜索
企业服务

腾讯

混元

办公、社交与产业互联网

产业生态
办公

MiniMax

语音、多模态与长文本

语音
多模态

← → / SPACE08—08

AI 发展的关键编年

研究突破、模型架构、产品化与工作方式依次叠加，才形成今天的 AI 浪潮。

1956

AI 被正式命名

“人工智能”成为研究方向。

1958

感知机／神经网络

感知机让“从样本学习”的神经网络路线走进研究视野。

2012

深度学习复兴

AlexNet 在图像识别竞赛中的突破，推动神经网络重回主流。

2017

Transformer

为大规模语言模型训练提供了关键架构。

2018 / 2022

GPT → ChatGPT

GPT 论文开启预训练路线；2022 年 ChatGPT 让大众直接使用。

2023

Tool Calling

模型开始能调用搜索、数据库和业务软件。

2024—

Agent 产品化

AI 围绕目标拆步骤、用工具、观察并检查结果。

连接数据、权限与流程后，承担可管理的工作角色。

研究与产品节点：Dartmouth（1956）· Perceptron（1958）· AlexNet（2012）· Transformer（2017）· GPT（2018）· ChatGPT（2022）· Function calling（2023）

← → / SPACE04—06

基础模型：
综合能力排行

采用 Artificial Analysis Intelligence Index；它偏重真实工作、代码、推理、知识与长上下文，不等于中文写作或企业适配度的唯一结论。

排名模型公司指数

01

Claude Fable 5

Anthropic

60

02

GPT-5.6 Sol

OpenAI

59

03

Kimi K3

Moonshot AI

57

04

Claude Opus 4.8

Anthropic

56

05

GPT-5.6 Terra

OpenAI

55

06

Grok 4.5

SpaceXAI

54

07

GLM-5.2

Z AI

51

08

Muse Spark 1.1

图、视频、语音：
不能共用一张榜

同一家公司可能在某个模态领先、在另一个模态并不靠前。以下按 Artificial Analysis 对应 Arena 的当前名次整理。

图像生成

TEXT-TO-IMAGE · ELO

01

GPT Image 2

OpenAI

1338

02

Reve 2.1

Reve

1305

03

MAI-Image-2.5

Microsoft AI

1265

04

HiDream-O1-Image-1.5

HiDream

1262

05

Nano Banana 2 Lite

Google

1262

视频生成

TEXT-TO-VIDEO · ELO

01

Gemini Omni Flash

Google

1244

02

Dreamina Seedance 2.0

ByteDance Seed

1227

03

Wan2.7-260612

Alibaba

1163

04

HappyHorse-1.1

Alibaba-ATH

1149

05

HappyHorse-1.0

Alibaba-ATH

1128

语音生成

TEXT-TO-SPEECH · ELO

01

Fun-Realtime-TTS

Alibaba

1219

02

Gemini 3.1 Flash TTS

Google

1214

03

Realtime TTS-2

Inworld

1209

04

Sonic 3.5

Cartesia

1203

提示：每个 Arena 测试的都是不同类型的质量偏好；不同榜单的分数不能横向相加，也不应直接等同于企业场景效果。

← → / SPACE06—06

从会回答，
到会完成

Lilian Weng 关于 Agent 等于 LLM、记忆、规划和工具使用的发言截图

大模型Agent

理解问题理解目标

生成答案规划任务

一次性输出持续执行

提供建议调用工具采取行动

等待下一条指令根据结果调整下一步

大模型提供智能，Agent 把智能组织成行动。

← → / SPACE07—16

自动运行，不一定就是 Agent

工作流

人提前规定路径，AI 执行路径中的步骤。

询问预算↓询问需求↓按固定规则评分↓写入 CRM → 分配销售

路径提前定义分支提前定义下一步由规则决定适合标准、稳定任务

Agent

人给出目标与边界，AI 动态决定完成路径。

目标：判断客户是否值得优先跟进↓读取已有信息，判断缺少哪些信息↓决定下一步询问什么，按需调用知识库或系统↓检查矛盾：继续追问、转销售或转人工

工作流是在规定路线上行驶；Agent 是给出目的地，让它自己规划路线。可靠 Agent 通常在工作流护栏内自主决策。

← → / SPACE08—17

Agent 的价值，走向两个方向

Agent
能力

理解目标拆解任务调用工具读取信息执行动作检查结果调整计划

超级个体

让一个人调动过去只有团队才具备的能力。

市场研究
产品设计
软件开发
图片与视频
内容营销
客户服务
数据分析
日常运营

超级个体 =
个人能力 × AI × 自动化

企业提效

让标准工作自动执行，让信息自动流转。

智能客服
销售线索筛选
招聘初筛
数据录入
工单分配
经营分析
内部知识服务
运营巡检

企业提效 =
Agent × 企业数据 × 业务流程

对个人，Agent 放大能力边界；对企业，Agent 重构工作方式。

← → / SPACE09—17

Agent 在哪里工作？

Cloud
Agent

云端推理、云端执行

适合

网页研究
长时间任务
并行工作
云端服务

Local
Agent

用户电脑执行；模型可在云端

适合

本地文件
终端
代码
桌面软件

On-device
Agent

模型和执行都在设备上

适合

离线任务
隐私数据
轻量个人助手

Hybrid
Agent

云端推理，本地执行

适合

编程
电脑操作
本地与云端混合任务

Private
Agent

企业私有云、VPC 或内部服务器

适合

企业数据库
CRM / ERP
敏感业务

Cloud、Local 描述的是运行环境，而不是 Agent 的能力等级。

← → / SPACE13—17

现在有哪些代表性的 Agent 产品？

不代表能力排名；看它叫什么、谁做的、在哪里运行，以及主要用来干什么。

产品公司或项目定位运行形态主要用途

ChatGPT WorkOpenAI通用Cloud / Hybrid长时间、多步骤知识工作与交付物

CodexOpenAI编程/通用Cloud / Local软件开发、终端、文件与多 Agent

Claude CoworkAnthropic办公Local / Hybrid本地文件、知识工作和电脑操作

Claude CodeAnthropic编程Local / Hybrid代码库、终端、测试

Gemini SparkGoogle通用Cloud / Hybrid连接 Google 产品的个人 Agent

JulesGoogle编程Cloud异步修复代码、编写测试、提交 PR

Gemini CLIGoogle编程/开源Local / Hybrid终端编程和任务管理

ManusManus通用Cloud / Hybrid研究、网页、PPT、网站与办公

Kimi Agent月之暗面通用/研究Cloud深度研究、网页、PPT、长文档

AutoGLM智谱 AI通用Cloud / Hybrid浏览器、手机和电脑界面操作

WorkBuddy腾讯办公Local / Hybrid文档、表格、PPT、研究与数据

CodeBuddy腾讯云编程Local / Cloud产品设计、开发、测试和部署

Qoder阿里巴巴编程Local / Cloud长程开发任务和代码库操作

OpenClawOpenClaw Foundation开源Local / Self-hosted个人助理、消息、邮件、日程

Hermes AgentNous Research开源Local / Private长期记忆、技能学习与个人任务

PiEarendil Works开源/编程Local / Hybrid极简终端 Coding Agent 底座

Cursor AgentAnysphere编程Local / Cloud代码理解、功能开发、终端与并行任务

Devin / CascadeCognition编程Local / Cloud多 Agent 编程、测试与工程管理

GitHub CopilotGitHub / Microsoft编程Local / CloudIssue、代码、测试、PR 与审查

Replit AgentReplit编程/创作Cloud生成并部署 App、网站和演示

OpenHandsAll Hands AI / 社区开源/编程Local / Cloud代码、终端、浏览器和软件任务

OpenCodeOpenCode 项目开源/编程Local / Hybrid开源终端 Coding Agent

AgentforceSalesforce企业CloudCRM、客服、销售、营销流程

Copilot StudioMicrosoft企业平台Cloud企业 Agent 与 Microsoft 365 连接

Joule AgentsSAP企业Cloud / Private财务、供应链、采购与人力

ServiceNow AI AgentsServiceNow企业CloudIT、客服、人力与工单流程

Coze / 扣子字节跳动开发平台Cloud / PrivateAgent、知识库、插件和工作流

DifyLangGenius开发平台Cloud / PrivateRAG、Agent、模型接入与企业应用

UiPath AgentsUiPath企业Cloud / PrivateAgent 与 RPA 的企业流程自动化

watsonx OrchestrateIBM企业Cloud / Private岗位 Agent 与跨应用工作编排

Oracle AI Agent StudioOracle企业平台CloudOracle 企业应用中的构建与部署

Amazon Bedrock AgentsAWS开发平台Cloud模型、知识库与 API 构建 Agent

CrewAICrewAI开源/平台Local / Cloud多 Agent 角色协作与编排

LangGraph PlatformLangChain开源/平台Cloud / Private有状态 Agent、长任务与人工审批

n8n AI Agentsn8n自动化平台Cloud / PrivateAgent、业务应用与自动化节点

Browser UseBrowser Use 项目开源Local / Cloud让 Agent 操作浏览器和网页任务

← → / SPACE14—17

从 AI 使用者，到超级个体

L1使用 AI 问答、翻译和生成内容

L2掌握结构化提问和结果核验

L3建立项目上下文和个人资料库

L4把经验沉淀成模板和 SOP

L5自动完成重复性工作

L6把完整目标交给单个 Agent

L7管理研究、开发、营销等多个 Agent

L8一个人经营产品、客户和数字团队

L1尝试使用

L2熟练使用

L3上下文协作

L4工作标准化

L5局部自动化

L6单 Agent 执行

L7多 Agent 协作

L8人机协同经营

L1—L2
会使用 AIL3—L4
会与 AI 协作L5—L6
会把工作交给 AIL7—L8
会管理数字团队

从自己做，到 AI 帮着做；再从 AI 帮着做，到管理 AI 做。

← → / SPACE10—16

从员工提效，到 Agent 驱动组织

L1员工零散使用 AI

L2建立培训、规范和安全边界

L3建设企业知识库和部门助手

L4沉淀 SOP、数据标准和验收规则

L5自动完成分类、录入和流转

L6部署客服、销售、运营等数字员工

L7多个 Agent 跨岗位、跨系统协作

L8人与 Agent 形成稳定的组织分工

L1尝试使用

L2熟练使用

L3上下文协作

L4工作标准化

L5局部自动化

L6单 Agent 执行

L7多 Agent 协作

L8人机协同经营

L1—L2
会使用 AIL3—L4
会与 AI 协作L5—L6
会把工作交给 AIL7—L8
会管理数字团队

企业 AI 成熟度，不看购买了多少模型，而看有多少工作真正被重新设计。

← → / SPACE11—16

一个人，开始拥有
一支团队的产能

Pieter Levels 在 X 主页公开列出多个产品的月收入；这说明“一个人 + 软件 + 自动化”可以形成真实商业闭环。

$89K/mPhotoAI
截图公开披露

$44K/mVibejam
截图公开披露

$27K/mInteriorAI
截图公开披露

证明点：不是融资故事，而是可运行的产品组合

截图里同时出现 PhotoAI、Vibejam、InteriorAI、Nomads 等产品，并标注月收入。课堂使用时可以把它理解为“超级个体”的现实参照：一个人把产品、获客、交付和运营串成组合。

PhotoAI.com$89K/m Vibejam$44K/m InteriorAI.com$27K/m levels.io创始人主页

AI 放大的不是“会写提示词”，而是一个人持续验证、搭建、上线、运营多个产品的能力。

数据边界：收入来自 @levelsio 个人 X 主页截图，随时间波动；本页为个人经营案例，不等同于可复制承诺。

← → / SPACE15—17

L6：Klarna智能Agent客服

从传统人工客服，到 Agent 驱动的自动处理、服务编排与人工接管。

2/3客服对话
由 AI 处理

230万上线首月
处理对话

<2分平均处理时长
原为 11 分钟

公开案例结果：Klarna × OpenAI。图中为课堂流程整理；数字为公开披露口径，应结合具体业务复核。

← → / SPACE16—17

L7：SAP跨部门多Agent协作

从人工跨部门串联，到 Joule 调度多 Agent 并行协作、人员负责关键判断与审批。

多部门财务、销售
供应链、客服

并行专业 Agent
共享上下文

闭环自动回写
人工审批

案例表达：SAP Joule 多 Agent 协作流程课堂整理；高风险判断、付款、审批与客户承诺应保留人工授权。

← → / SPACE17—17

简历筛选器：把 HR 的重复判断变成工作流

它不替 HR 做最终录用决定，而是把“看、抄、比、排、问”这些可拆解环节先跑起来。

原来：HR 手工串行处理

每份简历都要重新阅读、摘录和比较，时间被消耗在重复操作上。

01逐份打开简历，理解候选人经历和项目背景。

02手工摘录学历、年限、技能、行业经验等关键信息。

03对照岗位 JD 和筛选标准，判断匹配度与风险点。

04把候选人排优先级，再准备面试问题和沟通记录。

现在：工具先完成初筛主链路

Agent 读取非结构化简历，按统一标准输出可复核结果。

01导入岗位 JD、筛选标准和候选人原始简历。

02自动抽取教育、项目、技能、年限与行业匹配度。

03生成结构化表格、匹配评分、推荐理由和风险提示。

04辅助生成面试问题，异常和最终判断仍由人接管。

统一标准减少每个人凭感觉初筛

可复核评分、理由和风险点留痕

可扩展团队招聘与求职服务都能复用

关键不是“AI 代替 HR”，而是 HR 把高频判断拆成可执行、可检查、可交接的工作流。

← → / SPACE10—22

餐饮闭店日报：从一张表，看见70%的信息搬运

《7月21日固定工作》按一行一项统计：一家门店每天固定管理事项约66项，其中约47项需要拍照、填写、截图后发送微信群。

四类原始资料，都可以点开

前厅经理日报不是孤立文本，而是员工执行、照片留证、表格填写、群消息汇报和经理二次整理共同形成的管理证据。

固定工作统计

每天固定工作：60+项，横跨前厅、厨房、综合、后勤等岗位。
需要人工汇报：40+次，约占全部固定事项 70%。
大量动作集中在：拍照留证、表格填写、群消息汇报、经理人工检查。
Agent 的价值不是“写日报”，而是把低价值信息搬运变成智能管理闭环。

餐饮行业不是没有数据，而是每天产生大量低价值信息搬运工作；Agent 的价值就在于把“信息流转”变成“智能管理闭环”。

← → / SPACE18—29

我们挖掘出的不是一个问题，
而是四类流程断点

如果只看日报，会以为是员工粗心；如果按流程看，会发现是标准、证据、数据和追踪没有连起来。

01

完成情况缺少证据绑定

检查表写“完成”，但每个项目没有固定照片、时间、区域和负责人对应。

风险：完成依赖人工口头确认

02

异常没有形成整改任务

餐桌垃圾、香菜未冷藏都被记录了，但没有自然转化为负责人、截止时间和复查标准。

风险：问题写进日报后就结束

03

经营数据口径容易误判

当天采购不等于当天实际耗用成本；只用采购额算毛利，会影响老板判断。

风险：把现金支出误认为真实亏损

04

盘点差异和公式异常未自动发现

理论库存、实际库存和差异金额需要自动校验，避免表格公式漏算。

风险：小损耗长期沉淀成管理漏洞

Agent 的第一步不是自动写报告，而是把“模糊管理感受”拆成可验证的问题清单。

← → / SPACE19—29

我们设计的流程：采集、核验、派单、复查

把闭店后的零散动作，改造成一个有标准、有证据、有责任人、有复查的运营闭环。

闭店运营 Agent 主链路

01固定点位采集

02照片与表格核验

03异常分级汇总

04生成次日任务

05自动追踪复查

经理不再从头整理所有资料，而是审核 Agent 找到的异常、确认责任边界、处理高风险事项。

需要的专业 Agent

不同 Agent 负责不同证据和判断，再由审计 Agent 交叉核验，避免单一信息源误判。

卫生检查固定点位、垃圾、油污、小料冷藏

库存盘点理论库存、实际库存、差异金额

营业核算收入、采购、实际耗用成本口径

平台运营评价目标、差评回复、转化指标

人员任务负责人、交接、奖惩建议留痕

安全审计燃气、电器、冰箱温度和高风险项

普通 AI 给老板看一张报表；经营 Agent 要发现问题、找到证据、提出动作，并追踪动作有没有完成。

← → / SPACE20—29

这个案例最终应该交付什么？

不是交付一段提示词，也不是交付一份更漂亮的日报，而是一套能被门店每天使用、管理层持续复盘的闭店运营工具包。

闭店采集标准

固定拍摄点位、检查项、时间要求、负责人、照片命名与缺失提醒。

SOP + 表单 + 照片规范

异常判断规则

卫生、安全、库存、平台、人员任务的分级标准和人工接管边界。

规则库 + 风险等级

自动日报模板

自动汇总当日状态、重点异常、经营数据口径、人员情况和次日计划。

日报 + 证据链接

次日任务看板

每个问题自动生成负责人、截止时间、验收标准和复查记录。

派单 + 追踪 + 留痕

经营数据校验

盘点公式、理论库存、采购与耗用成本口径的自动检查。

表格审计 + 数据口径

试点验证报告

用 1 家门店连续 7-14 天验证节省时间、异常发现率和整改闭环率。

试点指标 + 复盘建议

人工边界：罚款、处分、食品安全高风险判断、采购付款和员工评价必须由管理者确认。

落地顺序：先日报与任务闭环，再接 POS、库存、采购、平台和企业微信/飞书。

真正的交付，是让门店从“每天写总结”，走向“每天自动形成经营闭环”。

← → / SPACE21—29

学会用 Agent 做软件，
个人能力边界会被重新打开

很多过去要外包、排期、开发立项的想法，现在可以先做一个 Demo，用真实反馈验证是否值得继续。

从创意到验证，不再只靠开发团队

一个人先把问题说清楚，再让 Agent 协助生成工具、连接数据、测试修复和展示结果。

01写清楚想简化的工作流

02生成可运行的小工具或原型

03用真实数据测试，快速修复

04拿 Demo 去验证需求、获客和流程价值

05确认有效后，再决定是否产品化或企业化

获客工具

自动整理线索、判断优先级、生成跟进话术。

岗位工具

把重复表格、报告、资料整理做成一键流程。

内容工具

从资料收集到脚本、标题、分发版本快速生成。

服务工具

把咨询、诊断、报价和复盘沉淀成标准化交付。

更短试错周期更低开发成本更快验证创意

人人都可以先实现自己的创意：不先花大钱建系统，而是先用 Demo 证明这件事值得做。

← → / SPACE11—22

越来越多软件，
正在把操作权开放给 Agent

过去的软件把按钮交给人。现在的软件开始把按钮背后的能力，也开放给 Agent。

企业微信 CLI

可覆盖消息、文档、智能表格、通讯录、待办、会议、日程等办公能力。

Agent 开始操作企业微信能力

飞书 CLI

连接消息、云文档、电子表格、多维表格、日历、邮箱、任务、会议等协作系统。

Agent 开始进入日常办公数据

钉钉 MCP 与开放接口

支持机器人消息、群聊与联系人搜索、AI 表格、业务数据和自动化流程等接入。

Agent 开始连接企业业务流程

过去：人操作多个软件

打开企业微信搜索群聊记录复制客户需求筛选智能表格整理飞书文档发送提醒通知

软件界面3-5

重复操作几十次

耗时20-40分

现在：一句话交给 Agent

拉取本周客户跟进信息，结合客户阶段和成交数据，生成销售周报，并提醒未提交计划的负责人。

企业微信→信息提取→智能表格→分析 Agent→飞书文档→企业微信提醒

普通问答15分

Agent 执行3-5分

人工职责审核

证据口径：企业微信 CLI GitHub 项目、飞书 CLI 官方页面与开放平台变更记录、钉钉 AI 能力中心与 MCP 功能清单。效率数字为课堂场景估算，适用于规则清晰、数据规范、重复频率高的流程。

Agent 不是把一个动作加快 10 倍，而是把原本需要人连续操作的几十个动作一次完成。

← → / SPACE18—20

国家已经给出方向，
调用量已经开始爆发

政策决定方向。Token 调用量反映 AI 是否真正进入生产流程。

2025.03

支持大模型广泛应用

持续推进“人工智能+”，推动 AI 终端和产业应用。

2025.08

智能体应用普及率进入国家目标

到 2027 年超 70%，到 2030 年超 90%。对象包括新一代智能终端、智能体等应用。

2026.03

智能体进入政府工作报告

促进新一代智能终端和智能体加快推广，推动重点行业 AI 商业化、规模化应用。

政策推动软件开放调用量爆发

Token，就是 AI 时代的“用电量”

工厂用电量暴涨，说明机器在真实运转；AI 调用 Token 暴涨，说明模型开始进入真实流程。

1000亿/日中国
2024初

100万亿/日中国
2025底

140万亿/日中国
2026.03

9.7T/月Google
2024.05

480T/月Google
2025.05

3.2Q+/月Google
2026.05

来源：国务院“人工智能+”行动意见、2026 政府工作报告、人民日报/国家数据局、Google I/O 2026 官方博客。

这不是一场正在等待发生的变革。它已经开始规模化运行。

← → / SPACE19—20

成为下一个时代的
基本功

过去，人们学习如何操作电脑。未来，人们需要学习如何让 Agent 替自己操作电脑。

COMPUTER ERA

人操作软件

键盘和鼠标
文件与文件夹
Word、Excel、PowerPoint
菜单和图形界面

会操作

INTERNET ERA

人连接信息与资源

搜索
电商
在线协作
社交媒体
数字营销

会连接

AGENT ERA

人提出目标，Agent 操作工具

人负责目标、背景、优先级、权限和验收
Agent 负责拆解任务、调用软件、查询数据、执行步骤和调整结果

研究 Agent数据 Agent内容 Agent销售 Agent开发 Agent运营 Agent

会管理智能

目标定义上下文提供任务拆解结果验收权限管理

学习 Agent，不是在多学一个软件；而是在学习下一代使用电脑的方式。

← → / SPACE17—20

你，
站在哪一边？

软件的操作员

自己寻找每一个按钮
自己复制粘贴资料
自己在多个软件之间切换
工作增加，只能增加时间
经验停留在个人头脑中
离开电脑，任务就停止

一个人
亲自完成一份工作

Agent 的管理者

定义目标与验收标准
分配数字角色
让 Agent 调用不同软件
同时执行多个任务
把经验沉淀成流程
把时间用于判断、创造和决策

研究 Agent数据 Agent内容 Agent销售 Agent开发 Agent运营 Agent

一个人
管理一支数字团队

未来人与人的差距，可能不再是谁快了 10%。
而是一个人在亲自工作，另一个人在管理一支数字团队。

技术浪潮不会等待所有人准备好。真正的问题已经不是 Agent 会不会到来，而是当它全面进入工作时，你是否已经学会使用它。

是继续成为软件的操作员，还是成为 Agent 的管理者？

← → / SPACE20—20

我们的目标一：
FDE 赋能企业业务

深入企业真实现场，挖掘高价值需求，应用先进模型与智能体，把效率提升沉淀成业务闭环。

我们进入业务现场，把问题变成可执行的智能体方案

第一种方式，是由我们来梳理需求、拆解流程、设计智能体，并和企业一起完成落地验证。目标不是做一个演示，而是让业务效率、流程经验和工具能力形成持续循环。

深入企业
挖掘需求先进模型
智能体落地效率提升
闭环复盘

企业业务真实流程、真实数据、真实岗位痛点

模型与 Agent选择、编排、接入与验证

效率闭环提效结果反哺需求与流程优化

FDE
三角闭环

我们承担“发现问题、搭建智能体、验证价值”的主链路，让企业先看到业务效率的真实变化。

← → / SPACE21—23

我们的目标二：
让核心人员掌握 Agent 工作方式

相比第一种“我们来实施”，第二种更重视把方法交给企业人员，让他们能自己提升岗位效率，并进一步带动企业效率。

01

工具开发

把日常重复工作拆成小工具：资料整理、表格处理、报告生成、线索判断、内容生产。

明确输入与输出用 Agent 生成原型用真实数据测试

02

流水线编排

把多个步骤串起来：收集、清洗、判断、生成、审核、发送，让工具从单点能力变成完整流程。

拆分步骤与角色设计人工审核点沉淀可复用模板

03

关键要点

理解边界、权限、数据质量和验收标准，知道什么时候让 Agent 执行，什么时候必须人来判断。

权限与风险控制结果核验与留痕从个人提效到团队复制

企业真正需要的不是更多“会聊天的人”，而是一批能把工作流变成智能体工具的核心人员。

← → / SPACE22—23

我们的目标三：
深度辅导企业核心员工

进一步进入软件架构基础、智能体应用原理与调试方法，让企业核心人员具备开发、调试和持续迭代企业级工具的能力。

01

软件架构基础

理解前端、后端、数据库、接口、权限和部署之间的关系。

02

智能体应用原理

理解模型、工具调用、记忆、规划、工作流和人工接管机制。

03

开发与调试能力

能定位问题、调整流程、检查日志、修复错误，并持续优化工具。

从“会用 AI”走向“能建设企业级 AI 工具”

企业级软件
开发调试→智能体
开发调试→赋能企业
真实业务

最终目标，是让企业内部形成自己的智能体建设能力：核心员工能理解业务、搭建工具、调试流程，并把经验持续转化为组织效率。

最深的一层赋能，是让企业不只拥有几个工具，而是拥有持续建设工具的人。

← → / SPACE23—23

AI不是从ChatGPT开始的

人脸解锁

地图导航

内容推荐

语音输入

发票识别

短信拦截

四个概念，一张图分清

它最基础的工作，是预测下一个词

读过海量材料

持续预测与纠正

把答案逐步生成

AI经历了怎样的能力升级？

为什么偏偏是最近几年？

人工智能成为正式研究方向

深度学习突破

Transformer 出现

ChatGPT 让大模型走向大众

推理、多模态与更长任务持续进化

架构

数据

算力

训练方法

产品体验

美国模型阵营：从模型到生态

中国模型阵营：能力、效率与生态

中国模型阵营：内容与产业生态

AI 发展的关键编年

AI 被正式命名

感知机／神经网络

深度学习复兴

Transformer

GPT → ChatGPT

Tool Calling

Agent 产品化

数字员工

基础模型：综合能力排行

图、视频、语音：不能共用一张榜

图像生成

视频生成

语音生成

从会回答，到会完成

自动运行，不一定就是 Agent

工作流

Agent

Agent 的价值，走向两个方向

Agent能力

超级个体

企业提效

Agent 在哪里工作？

CloudAgent

LocalAgent

On-deviceAgent

HybridAgent

PrivateAgent

现在有哪些代表性的 Agent 产品？

从 AI 使用者，到超级个体

从员工提效，到 Agent 驱动组织

一个人，开始拥有一支团队的产能

证明点：不是融资故事，而是可运行的产品组合

L6：Klarna智能Agent客服

L7：SAP跨部门多Agent协作

简历筛选器：把 HR 的重复判断变成工作流

原来：HR 手工串行处理

现在：工具先完成初筛主链路

餐饮闭店日报：从一张表，看见70%的信息搬运

四类原始资料，都可以点开

固定工作统计

我们挖掘出的不是一个问题，而是四类流程断点

完成情况缺少证据绑定

异常没有形成整改任务

经营数据口径容易误判

盘点差异和公式异常未自动发现

我们设计的流程：采集、核验、派单、复查

闭店运营 Agent 主链路

需要的专业 Agent

这个案例最终应该交付什么？

闭店采集标准

异常判断规则

自动日报模板

AI不是从
ChatGPT开始的

四个概念，
一张图分清

它最基础的工作，
是预测下一个词

AI经历了怎样的
能力升级？

为什么偏偏是
最近几年？

美国模型阵营：
从模型到生态

中国模型阵营：
能力、效率与生态

中国模型阵营：
内容与产业生态

基础模型：
综合能力排行

图、视频、语音：
不能共用一张榜

从会回答，
到会完成

Agent
能力

Cloud
Agent

Local
Agent

On-device
Agent

Hybrid
Agent

Private
Agent

一个人，开始拥有
一支团队的产能

我们挖掘出的不是一个问题，
而是四类流程断点

学会用 Agent 做软件，
个人能力边界会被重新打开

越来越多软件，
正在把操作权开放给 Agent

国家已经给出方向，
调用量已经开始爆发

成为下一个时代的
基本功

你，
站在哪一边？

我们的目标一：
FDE 赋能企业业务

我们的目标二：
让核心人员掌握 Agent 工作方式

我们的目标三：
深度辅导企业核心员工