本文来自微信公众号：量子位 （ID：QbitAI），作者：关注前沿科技

超级智能体，央企出手了！

中国电信天翼AI发布星辰超级智能体，拿到DBC德本咨询2025企业级AI Agent榜单央企第一。

它依托中国电信自研“星辰大模型”技术底座，为产业智能升级而来。

最近智能体实在是太火了。

国务院关于深入实施“人工智能+”行动的意见中首次将智能体作为重点发展方向。DeepSeek也被曝在该领域布局，引发又一波市场热度。

不过新兴领域，热度常有、深度认知不常有。

尤其是智能体领域，它真的好用吗？产业落地真的靠谱吗？现在发展到底如何了？能力天花板在哪里？这些疑问一直存在于行业之中。

于是趁着这次“国家队”出手，我们找到领域内专家，认真聊了聊智能体的底层技术、行业落地以及发展趋势。

本文亮点

本次访谈嘉宾分别是：

中国电信人工智能研究院副院长李永翔

中电信人工智能科技（北京）有限公司首席架构师毕然

核心观点如下：

企业更希望得到的是一个应用，而不是大模型本身，智能体平台可以直接产出应用。

超级智能体框架的理论上限非常高，性能提升主要看底模能力提升和工具的齐备。

目前超级智能体已经有70分水平，它确定能给人类提供有效帮助。

智能体落地中，嵌入企业的主业系统很重要，这决定智能体是否可以大展拳脚。

客服、营销、办公软件、IT建设完备的业务场景更能优先落地智能体。

中国电信持续迭代星辰大模型，这能更端到端优化超级智能体。

智能体就是大模型落地产业的主流模式，也是最好的模式。

自主规划可完成各类任务的超级智能体

量子位：可否先简要介绍下最新发布的星辰超级智能体，它的最大特点是什么？

李永翔：星辰超级智能体是基于中国电信自研的“星辰大模型”技术底座。它的特点包括：

全模态、全尺寸、全国产

复杂推理能力+记忆能力增强

安全能力

首先它支持全模态，包括语音、视觉、文本等模态理解，支持文生图、文生视频等。这意味着它可以调用的能力非常丰富。

同时它是完全国产化的。不仅底层模型是中国电信自研，也基于国产算力、国产框架训练，实现全栈自主可控。

第二，星辰超级智能体定向增强了2方面能力：复杂推理和记忆。

不同于通用复杂推理侧重于解数学物理题，星辰超级智能体更针对日常办公、客服网络运维、金融、工业等现实场景增强推理能力，使得它能在各个领域中都能完成复杂任务推理规划的工作。

同时我们还加强了它的记忆能力，记忆能力不够好，会导致智能体只能做短时任务，限制能力。星辰超级智能体上下文可扩展到百万字级别，此外也使用RAG进一步保持它的长短期记忆。

第三，星辰超级智能体也强调了安全保障。我们使用数据加密、容器化隔离等方式来保证ToC和企业级用户的安全使用。

实际上这几个方面也是智能体演进过程中最重要的几个发展方向。

量子位：和市面上其它智能体相比，星辰超级智能体的核心差异是什么？

毕然：现在市面上出现的大多数智能体更强调C端消费级场景，星辰超级智能体的定位是深入业务架构的数字化生产力单元，它提供深度定制的能力。

相对而言，我们不那么强调低门槛易上手，用户量不是我们最关注的，我们更希望它能真正提升企业生产力。

可定制包括两个层面，第一提供更多可定制的能力支撑企业接入各种内部系统和工具，以及对超级智能体中的大模型做更细致的打磨，第二是基于行业的共性场景推出一些产业超级智能体，这两个是我们持续在努力的方向。

量子位：今年确实是Agent之年，星辰超级智能体如何而来？可否介绍一下研发背景？

毕然：在这一波人工智能大趋势中，最开始大家都在搞模型，但是我们知道模型不能直接为用户解决问题，哪怕是模型训推平台产出的、根据具体场景打磨过的模型，它也还不是用户最终所需要的，用户更需要的是应用。

智能体平台正是能直接产出应用的。

如果画一张图表示它们之间的关系，最底层是大模型、中间是智能体平台、最上层就是应用。现在各行业不缺底层的技术，更缺少上层的能力。

这个底层逻辑驱动我们在2024年初就开始布局智能体平台和相关技术。在新兴趋势里，只有提前布局才能更快做到行业领先。

现在行业内整体智能体的发展可以分为3种路线：

自主规划智能体：全自动+简单任务

工作流智能体：半自动+复杂任务

超级智能体：全自动+复杂任务

第一种自主规划智能体是大模型出现之初被提出的。该智能体在大模型基础上可以访问知识库，能够根据提示词使用工具完成工作。但它只能解决一些简单任务，一旦任务过于复杂，它就会崩溃、出错，落地稳定性很差。目前应用最多的是在一些知识问答和客服的场景。

第二种智能体是为了解决自主规划智能体无法稳定完成复杂任务的问题。它通过人工编排任务流程来提升执行稳定性，可以解决一些复杂任务。目前这种智能体技术是产业落地的主流，比如客户投诉处理、合同审核等业务流程，均可使用这类智能体解决。它的问题是半自动化，还是需要人类花很多精力去规划编排，甚至做一定的代码编写。

第三种是新兴的技术路线，自动化解决复杂问题。通过提供一个虚拟机环境，智能体能够以类人的方式在虚拟机内使用各种资源和工具去执行任务。它在过程中不可避免会犯一些错误，但是能够不断修正自己，直到最终任务完成。它无需人类编排任务，毕竟世界上的工作场景那么多，靠人工编排一个个工作流的工作量是巨大的，而且也不够灵活。

我们最新推出的就是第三类智能体。

比如面对密密麻麻的电商营销数据表，超级智能体可以一键分析化繁为简。它首先会分析问题规划清晰的步骤，然后会开始执行任务、编写Python代码来处理数据。

遇到出错的情况，比如常见的代码因为字段不匹配而执行失败，超级智能体可以识别任务、自主反思，它发现代码中的列名和原始表格一致，接着可以自动修正代码，再次执行后，任务就一次成功了。

量子位：目前底层技术已经足以支撑这种全自动智能体完成复杂任务吗？

毕然：这种智能体基于的框架，它的理论上限非常高。它和人类执行任务的过程非常像。核心分为四大模块：

感知与理解模块：接收并解析多模态输入，将其转化为信息可以理解和处理的结构化信息；

认知与决策模块：智能体的“大脑”，基于感知信息、内部记忆和外部知识进行推理、规划、反思和最终决策；

记忆与知识模块：为智能体提供长期、短期和世界知识存储，使其具备连续性和个性化能力；

行动与执行模块：将决策转化为具体行动，与世界进行交互并产生影响。

这套架构使得智能体可以像人一样接收外界信息，然后判断该使用什么工具、调取哪些记忆和知识、使用什么技能。比如任务是写报告，就调用一个写作大师智能体；任务是编程，那就调用编程专家智能体。它还会有一个深度思考模型，用来反思执行过程中的一些进展和问题，比如编程专家智能体写的代码是否有问题，如果存在问题运行不了，那要再反馈给规划模块，去重新尝试新的策略来完成任务。

这意味着智能体内部是动态调整的，整个不断循环流转，因此执行一个任务的时间也可能比较长，几分钟甚至十几分钟不等。

量子位：超级智能体怎么判断自己需要反思到什么程度？需要人类去给它规定一个标准吗？

毕然：很大程度还是超级智能体自己做判断，它会根据人类一开始的指令做判断，自己是否完成对应要求。

不过坦白说，超级智能体做如此多种类的任务，它的成功率不是一件“非一即零”的事情。可能现阶段要求超级智能体写一个调研报告，人类还是会觉得它不能直接使用，但是它一定为人类提供了有价值的参考。

我觉得超级智能体的水平已经达到70分，至少在提供一定参考价值的角度，它已经没问题。

量子位：所以这套超级智能体框架，在短期内也不会有比较大的变化，只需在这个范式内不断叠加能力？

毕然：这套框架本身符合人力思考与工作的原理，它的能力上限是很高的，有时候执行效果不好，背后原因有两种：

第一，底层大模型能力不够强。如果大模型自己都犯错了，以它为核心的智能体表现也不会很好。这导致一些对结果有一定容错性的任务，用户接受度更好，比如说写调研与分析报告。

第二，落地过程中很多时候超级智能体还没有完全嵌入到生产流程和系统中，类似于一个很强大的员工，但是站在企业的外部，它能够完成的事情是很有限的。它得先入职进入到企业的内网，掌握各种企业内部的平台权限。

不过现在可以看到，底层模型能力正在不断升级，企业对于智能体落地的热情也很高，有很多人正在围绕智能体去改造现有的业务软件。

做好系统嵌入，智能体才能发挥效用

量子位：您刚刚提到智能体的落地效果和它能否很好嵌入到企业内部系统有非常大关系，为啥这么说？

毕然：这个可以参考中国电信江苏公司的落地案例。他们很好地完成了各种各样的系统嵌入。

比如他们基于星辰智能体平台打造了智享客服，实现客服投诉工单的预处理，接收到投诉工单后，智能体根据用户的投诉内容结合客服提供的处理规范调用各类工具核查相关信息，最终给出转派对象和预处理意见，同步至投诉工单系统，完成自动转派及预处理工作。

你可以看到，智能体想要处理这么多工作，必须要和已有业务系统打通，才能取得较好的效果。

现在很多企业其实都完成了数字化改造，他们的IT系统里有完善的流程和数据。

量子位：所以智能体嵌入系统的难度不是很大。

毕然：是的，从单点的工程难度来说并不大，但问题是这样的业务系统太多了，做适配和接入会有非常大的工作量。

量子位：不过现在对于AI取代人力会有一定争议，您作为推动智能体落地的一方，怎么看待这个问题？

李永翔：我们强调的是增效而不一定是减少人力。比如我们内部落地的一些例子，在客服网络运维领域，智能体能够让每个员工处理工单的效率提升30%以上。

要知道在实际产业里，不管是中国电信还是其他行业客服，面临的问题还是工单接不过来、或者老百姓提出的一些复杂需求客服系统难以处理。所以落地智能体应用不一定代表要取代人类，而是让人更省事。

应用不一定代表要取代人类，而是让人更省事。

量子位：作为从业者，您感觉目前产业界对于智能体持一种怎样的看法？市场需求旺盛吗？

毕然：我认为市场需求是很强烈的，国外的资本市场和科技企业均已在大幅投入，我们国家也在推动AI+的产业落地，最重要的抓手就是智能体。

不过尽管很多行业都做出了很好的落地标杆项目，但很多人对智能体概念和技术还是陌生，毕竟大模型和智能体技术发展太快，跨行业理解也需要一定门槛。

量子位：对于这种“陌生”的企业客户，怎么去帮助他们落地智能体？

毕然：我认为找到企业的适合智能体落地的核心场景非常关键，这个核心场景一定是它的主营业务场景。例如一家金融企业，我们更多需要去帮他们解决信贷审核、投资顾问等核心业务的增效问题。

不过这种核心场景往往需要挖掘，我们现在有两种方法。第一是在企业内去做应用创意挑战赛，发动业务人员在星辰智能体平台上开发应用，在海量内部应用中找到更有价值的场景。第二是方案实现赛，去判断智能体在哪些场景落地效果好，可以快速“摘桃子”，实现难度较大的场景暂时往后放。

此外这还涉及到人才培养、业务系统重构等一系列问题。

量子位：怎么理解智能体领域的人才培养？

毕然：在星辰超级智能体平台上主要有两类用户：使用智能体的人和开发智能体的工程师。

我们现在正在通过培训，让开发智能体的工程师变得更专业。这个群体越来越壮大、应用才会越来越丰富。

就像微软CEO纳德拉说的，未来所有软件都是智能体软件。所以如果当下还在开发传统软件，那可能也要被淘汰了，现在转行做智能体开发这个趋势非常火。以及我个人觉得，智能体应用还是需要各个系统环节业务都串起来，才能获得更好的使用体验，这背后则涉及很多开发和改造工作，需要既懂业务场景，又懂智能体开发的专业人才。

中国电信获得了工信部授权运营的“智能体开发工程师”职业认证培训，从我们这培训结业的工程师能得到国家认可的职业证书。

量子位：这种实际落地中，哪些场景是能优先推进的？

毕然：我觉得客服、营销、办公软件或者是IT化程度高的行业都能够优先落地。

客服场景是因为大模型天生和对话场景更适配，再加上知识库访问、工具调用等配套，通常能较好地完成问答任务。另外，各种业务流程清晰的场景也能很快落地，比如舆情监控的场景，它的流程可以分为信息收集、舆情筛选、问题通报、效果分析等步骤，只是不同企业监控舆情的侧重点不同，这种有一定业务流程框架同时又需要一定灵活性执行的场景，正是工作流智能体可发挥价值的地方。

内部海量场景+全国本地化团队+丰富产业化经验

量子位：现在市场中不同类型的玩家竞争也很激烈，您怎么看不同的竞争策略？

毕然：我觉得现在的市场主要分为四类玩家：大模型厂商、科技大厂、创业公司、央国企。

大模型厂商的重点是模型能力的提升，尤其是模型支持智能体的几方面能力，如深度思考、工具使用、数理计算、代码编写；科技大厂非常注重建设智能体生态，比如进行模型和平台的开源来培养开发者生态，而且普遍重视将智能体技术应用到已有的C端产品中。创业公司更多在垂直场景发力，当然它们也会做开源来提升知名度。央国企则更注重产业场景的规模化落地，结合国家的AI+行动在大幅投入。这也是中国电信的星辰智能体平台的最大优势，源于产业实践，有大规模产业落地应用。

央国企/运营商则更加注重产业的规模化落地。为啥呢？

因为央国企内部本身就有海量可落地场景，比如客服、IT运维等；同时，类似于中国电信这样的央国企在全国各省有非常完善的本地化服务团队。这是其他类型企业所不具备的，也是中国电信的独特优势。我们可以向客户提供可持续的智能体开发与应用的服务能力，而不用通过跨地域出差驻场的方式。

为了让中国电信更好的服务广泛行业与地域的客户，星辰智能体平台在中国电信内部实施了产品开源的模式，集团内的省专公司可基于星辰智能体平台的开源版来二次开发，使得平台可以适应各种场景的需要。

量子位：这种内部先落地的模式有什么好处吗？

毕然：这个好处非常大，当前企业都很务实，更看重实际效果。如果我去和客户直接说智能体如何好，能怎么赋能，很多客户会先反问我，你先说说智能体怎么给中国电信提效？

这时候我去展示中国电信集团内部的落地案例与提效数据，他们会更感兴趣，会自然地联想到自己是不是有类似的场景去落地。

李永翔：另外，中国电信也有非常丰富的产业落地经验，2024年中国电信实现营收入5236亿元，其中产业数字化收入达1466亿元，落地的行业包括文旅、农业等。

我们和中车、中物流、国能这些国企有非常深入的合作，帮助中车基于平台打造中车集团大模型服务系统，满足中车集团从研发到应用全流程AI管理需求，推动AI技术在轨道交通领域的广泛应用。另外也和深圳东莞市政等方面有密切合作，他们的政务客服系统更加复杂，基于这些经验也拓展了我们智能体平台的能力。

量子位：对于智能体落地，除了经验和服务，底层模型的能力是不是也很重要？

毕然：是的。比如最近谷歌的Nano-Banana很火，本质上就是因为它的模型和产品场景联动打磨得非常好。

超级智能体需要联动底层模型和框架进行端到端优化，但因为资金人力等方面压力，现在国内还坚持做基础大模型的企业已经不多了。

中国电信现在还在持续迭代星辰大模型，我们会根据智能体实际应用中的需要，来提升模型能力；同时也能做端到端的优化，这意味着我们能根据场景做深度定制。

李永翔：在中国电信人工智能研究院这块，专职投入在大模型算法研发的团队就有300人左右，同时我们还和国内顶尖的高校和科研机构一起合作，围绕大模型、Agent等下一代技术进行攻关。

毕然：我还要补充一点，安全也是智能体落地中非常被关注的一方面。

作为央企，中国电信本身对安全就有着非常严苛的要求，这使得我们也能吸引一批对安全方面有更高要求的客户。

One More Thing

最后，值得一提的是，对于智能体这个趋势李永翔副院长最初是持怀疑的态度：

回想一下，最早OpenAI提出GPTs这个概念的时候，大家都很兴奋，说一夜之间能做出来很多个应用了，它就是把AI对话挂载了一些文件知识库，把长对话过程固化成了APP的形式。

后面就是智能体趋势，它其实就是把传统的工作流复活了，10年前做SaaS时一些常见的形式，感觉就是大模型时代给它起了个新名字。我一开始会担心这不是说一种包装、炒作。

但是后面随着趋势发展以及和客户的实际接触，他意识到智能体趋势是值得相信的。

Why？

因为目前基模的天花板能力摆在这，要解决实际问题，只能通过多个模型组合的方式。

目前即便是最好的编程模型，它也需要加入到编排的工作流里才能去解决实际问题。

所以我现在觉得，智能体就是当下最好的一种方式，不管是ToC还是企业级应用。当然除了模型能力不断进步外，接下来我们也需要融入更多的行业Know-how。