2025 年，讓 Agent 實際投產(chǎn)、落地應(yīng)用的最大障礙已經(jīng)不再是成本問題了，而是「質(zhì)量」。如何讓 Agent 輸出可靠、準確的內(nèi)容，仍然是最難的部分。

近期，LangChain 通過對工程師、產(chǎn)品經(jīng)理、企業(yè)高管等 1300 名行業(yè)人士進行調(diào)查，深度調(diào)研了 AI Agent 目前最真實的應(yīng)用情況。

進入 2026 年，企業(yè)對于 Agent 的討論焦點，已經(jīng)從「要不要做」全面轉(zhuǎn)向了「如何規(guī)模化、可靠且高效地用好」。

6 個關(guān)鍵結(jié)論：

• Agent 實際落地應(yīng)用趨勢明顯。57% 的受訪者已將 Agent 投入到生產(chǎn)環(huán)境中，且規(guī)模越大的企業(yè)，落地速度越快；

• 客戶服務(wù)、研究與數(shù)據(jù)分析是目前 Agent 最火熱的兩大應(yīng)用方向，兩者合計占據(jù)了所有應(yīng)用場景的一半以上。說明，在重復(fù)性高、知識密集或直接面向客戶的工作中，Agent 能最大化地創(chuàng)造價值；

• 確保 Agent 輸出的結(jié)果穩(wěn)定可靠，依然是商業(yè)化落地中最棘手的難題。相比之下，成本已不再是大家最頭疼的問題，行業(yè)的關(guān)注點正從「省錢」轉(zhuǎn)向「如何讓產(chǎn)品做得又快又好」；

• Agent 的「可觀測性」已經(jīng)成為行業(yè)標(biāo)配。大多數(shù)團隊，都會對 Agent 進行全面追蹤，記錄內(nèi)部運行狀態(tài)和行為模式；

• 關(guān)于 Agent Evals 的實踐還不夠成熟。約半數(shù)團隊會進行離線評估，只有約三分之一的團隊會在真實的生產(chǎn)數(shù)據(jù)上進行在線評估。

• Coding Agent 是大家在日常工作中使用最頻繁的。此外，仍有相當(dāng)一部分受訪者表示，除了聊天或編程助手，還沒用過其他類型的 Agent。

??關(guān)注 Founder Park，最及時最干貨的創(chuàng)業(yè)分享

超 17000 人的「AI 產(chǎn)品市集」社群！不錯過每一款有價值的 AI 應(yīng)用。

邀請從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產(chǎn)品曝光渠道

落地 Agent 速度越快

調(diào)研數(shù)據(jù)顯示，超過一半（57.3%）的受訪者已經(jīng)將 Agent 投入實際生產(chǎn)，另有 30.4% 的人正在開發(fā)且有明確的上線計劃。

這一數(shù)字比去年的 51% 有了明顯增長，行業(yè)正在從「概念驗證」快速邁向「價值實現(xiàn)」階段。

規(guī)模越大，行動越快

一個有趣的現(xiàn)象是，萬人以上的大型企業(yè)中，已經(jīng)有 67% 將 Agent 投入生產(chǎn)，24% 正在積極開發(fā)并計劃部署；而在百人以下的小公司，這個比例是 50% 和 36%。這說明，大型企業(yè)憑借平臺、安全和基礎(chǔ)設(shè)施上等方面的資源優(yōu)勢，能更快地將 Agent 從試驗品變成穩(wěn)定可靠的生產(chǎn)力工具。

02落地最快的場景：
客戶服務(wù)、研究與數(shù)據(jù)分析

客戶服務(wù)（26.5%）成為最普遍的 Agent 用例，研究與數(shù)據(jù)分析（24.4%）緊隨其后。兩者合計占據(jù)了所有應(yīng)用場景的一半以上。

• 客戶服務(wù)用例的亮眼數(shù)據(jù)，說明企業(yè)正在大膽地將 Agent 直接推向一線，面向真實客戶，不僅僅是限于內(nèi)部使用。

• 同時，Agent 在企業(yè)內(nèi)部也創(chuàng)造了顯著價值，例如，有 18% 的受訪者將其用于內(nèi)部工作流程自動化，來提升員工效率。

• 研究與數(shù)據(jù)分析用例的普及，再次證明了 Agent 在海量信息整合、跨源推理和加速知識型工作方面的核心優(yōu)勢。

值得注意的是，今年的應(yīng)用場景分布更廣，說明 Agent 的應(yīng)用正在從幾個早期領(lǐng)域向更多元化的方向滲透。

規(guī)?；瘧?yīng)用中的場景差異

在萬人以上的大企業(yè)中，提升內(nèi)部生產(chǎn)力（26.8%）反超客戶服務(wù)，成為第一大應(yīng)用場景。這或許說明，大企業(yè)傾向于先在內(nèi)部用 AI 提升團隊運營效率，然后再將其推廣到外部客戶。

03輸出質(zhì)量仍是 Agent 落地的最大障礙

和去年一樣，質(zhì)量仍然是阻礙 Agent 大規(guī)模應(yīng)用的最大障礙，三分之一的受訪者將質(zhì)量視為主要瓶頸。這里的質(zhì)量問題，指的是 Agent 的準確性、相關(guān)性、輸出結(jié)果的一致性，以及在維持適切語調(diào)、遵循品牌或政策規(guī)范方面的能力。

延遲（20%）則成為第二大挑戰(zhàn)。當(dāng) Agent 被用于客服或代碼生成這類實時交互場景時，響應(yīng)速度直接決定了用戶體驗的好壞。這也反映出團隊必須在「效果」和「速度」之間做出權(quán)衡，功能更強、步驟更多的 Agent 雖然能產(chǎn)出更高質(zhì)量的結(jié)果，但響應(yīng)速度往往也更慢。

一個積極的變化是，隨著模型價格下降和技術(shù)優(yōu)化，成本已不再是大家最頭疼的問題。團隊的關(guān)注點正從單純的開銷轉(zhuǎn)向如何讓 Agent 運行得更好、更快。

不同規(guī)模企業(yè)的痛點問題不一樣

對于員工數(shù)超過 2000 人的企業(yè)來說，質(zhì)量問題仍然是首要障礙。但對安全問題（24.9%）的關(guān)注度超過了延遲問題，成為僅次于質(zhì)量的第二大挑戰(zhàn)。

對于員工數(shù)超過 1 萬的企業(yè)，在開放式回答中，許多大企業(yè)提到「幻覺」和生成內(nèi)容的一致性是保證質(zhì)量的最大挑戰(zhàn)，同時在上下文工程及大規(guī)模管理上下文方面方面也是困難重重。

04Agent 執(zhí)行流程的可觀測性成為行業(yè)標(biāo)配

能夠追蹤 Agent 多步推理鏈和工具調(diào)用的能力，已成為一項基本要求。89% 的企業(yè)已為其 Agent 實施了某種形式的可觀察性，其中 62% 擁有詳細的追蹤能力，允許他們審查單個步驟和工具調(diào)用。

在已有 Agent 投入生產(chǎn)的受訪者中，這一比例甚至更高：94% 部署了可觀察性，其中 71.5% 具備了完整的追蹤能力。這揭示了 Agent 工程的一條基本準則：如果無法洞察 Agent 的推理與行動過程，團隊將無法可靠地排查故障、優(yōu)化性能，也無法與內(nèi)外部的利益相關(guān)者建立信任。

追蹤 Agent 多步推理鏈和工具調(diào)用的能力，已經(jīng)成為了一項行業(yè)標(biāo)配。高達 89% 的團隊部署了可觀察性系統(tǒng)，其中 62% 能夠進行細粒度的追蹤，審查每一步的細節(jié)。

對于已經(jīng)投入生產(chǎn)的 Agent 項目，這個比例高達 94%，其中 71.5% 具備了完整的追蹤能力。這背后是 Agent 工程領(lǐng)域的一個基本共識：如果無法洞察 Agent 的思考推理與行動過程，團隊將無法可靠地排查故障、優(yōu)化性能，也無法與內(nèi)外部的利益相關(guān)者建立信任。

05Agent 評估越來越得到重視

雖然可觀察性已經(jīng)普及，但 Agent 評估仍是相對較新的領(lǐng)域。

超過半數(shù)（52.4%）的企業(yè)表示，會通過測試集進行離線評估，這說明許多團隊已認識到在部署前發(fā)現(xiàn)性能衰退和驗證 Agent 行為的重要性。

在線評估（37.3%）的采用率較低，但隨著團隊開始監(jiān)控 Agent 在真實世界中的表現(xiàn)，這個比例正在增長。

當(dāng) Agent 進入生產(chǎn)環(huán)境后，評估變得更為重要。「不進行任何評估」的團隊比例從 29.5% 大幅下降至 22.8%。進行在線評估的比例則上升至 44.8%，因為團隊需要通過觀察真實的生產(chǎn)數(shù)據(jù)來實時發(fā)現(xiàn)問題。

但大多數(shù)團隊仍然是從離線評估入手，因為門檻更低、設(shè)置更明確。

在評估方法上，行業(yè)呈現(xiàn)出了混合模式。近四分之一的團隊會同時采用離線和在線兩種評估方式。

大家普遍依賴人機結(jié)合的方法：一方面，采用將大語言模型用作評判者（LLM-as-judge）（53.3%）的方式來擴大評估的覆蓋面，同時通過人工審查來保證評估深度；另一方面，通過人工審查（59.8%）來保證評估的深度，尤其是在處理精細或高風(fēng)險場景時。

相比之下，像 ROUGE 和 BLEU 這樣的傳統(tǒng)機器學(xué)習(xí)指標(biāo)采用率較低，因為它們不適合評估開放式、存在多個合規(guī)答案的 Agent 交互場景。

06GPT 占主導(dǎo)，

但混合使用多種模型是常態(tài)

雖然 OpenAI 模型在采用率上占主導(dǎo)地位，但幾乎沒有團隊會把雞蛋放在一個籃子里。

超過三分之二的企業(yè)正在使用 OpenAI 的 GPT 模型，超過四分之三的團隊在生產(chǎn)或開發(fā)中會使用多種模型。大家越來越傾向于根據(jù)任務(wù)的復(fù)雜度、成本和延遲，靈活地將任務(wù)分配給不同的模型，而不是綁定在某一個平臺上。

盡管商業(yè) API 提供了便利，但在內(nèi)部署模型對許多組織而言仍是一項重要策略。超過三分之一的組織仍在投資部署開源模型，主要是出于成本優(yōu)化、數(shù)據(jù)主權(quán)或行業(yè)監(jiān)管合規(guī)的考慮。

與此同時，微調(diào)（Fine-tuning）仍然沒有成為主流選擇。57% 的組織沒有進行微調(diào)，而是更依賴于提示工程和 RAG（檢索增強生成）技術(shù)。主要是因為微調(diào)需要在數(shù)據(jù)收集、標(biāo)注、訓(xùn)練基礎(chǔ)設(shè)施和持續(xù)維護上進行大量投入，目前仍是少數(shù)高價值或?qū)I(yè)化場景的選擇。

07日常工作中，

還是編程類 Agent 被用得最多

在日常工作中，最常用哪些 Agent？在開放式問答中，我們發(fā)現(xiàn)了幾個清晰的模式：

編程 Agent 主導(dǎo)日常工作流。

到目前為止，絕大多數(shù)被提及的都是編程類工具，如 Claude Code，Cursor，GitHub Copilot，Amazon Q、Windsurf 和 Antigravity 等工具。這些工具被廣泛用于代碼生成、調(diào)試和測試。

研究類 Agent 是第二大常用類別

第二常見的模式是由 ChatGPT、Claude、Gemini、Perplexity 及類似工具驅(qū)動的研究與深度研究 Agent。這些 Agent 被用于探索新領(lǐng)域、總結(jié)長篇文檔以及整合跨源信息，常常在同一工作流程中與編程 Agent 協(xié)同使用。

基于 LangChain 和 LangGraph 構(gòu)建的自定義 Agent 也廣受歡迎。

許多團隊正在利用這些框架構(gòu)建內(nèi)部專用的 Agent，用于 QA 測試、知識庫搜索、SQL/文本轉(zhuǎn) SQL、需求規(guī)劃、客戶支持和工作流自動化等場景。

值得注意的是，仍有相當(dāng)一部分受訪者表示，除了聊天或編程助手，他們還沒用過其他類型的 Agent。這說明，雖然 Agent 概念很火，但「一切皆可 Agent」的愿景仍處于非常早期的階段。

注：報告研究方法

本報告的數(shù)據(jù)來源于 LangChain 在 2025 年 11 月 18 日至 12 月 2 日期間進行的一項公開調(diào)查，共收到 1340 份有效回復(fù)。

行業(yè)分布 Top 5：科技（占受訪者的 63%）、金融服務(wù)（占受訪者的 10%）、醫(yī)療健康（占受訪者的 6%）、教育（占受訪者的 4%）、消費品（占受訪者的 3%）、制造業(yè)（占受訪者的 3%）。

公司規(guī)模分布：少于 100 人（占受訪者的 49%）、100-500 人（占受訪者的 18%）、500-2000 人（占受訪者的 15%）、2000-10,000 人（占受訪者的 9%）、超過 10,000 人（占受訪者的 9%）。

轉(zhuǎn)載原創(chuàng)文章請?zhí)砑游⑿牛篺ounderparker