Agent又卷起來了。

　　近日，月之暗面Kimi推出了第一個 Agent ——Kimi-Researcher（深度研究） ，并開始小范圍灰度測試 。

　　據介紹，模型即 Agent
，Kimi-Researcher 是基于端到端自主強化學習（end-to-end agentic RL）技術訓練的新一代 Agent 模型，也是一個專為深度研究任務而生的 Agent 產品 ，強調模型即Agent。

　　此外
，月之暗面稱也將逐步開源 Kimi-Researcher 基礎預訓練模型 、以及強化學習后的模型
。

　　《科創板日報》記者在實測中發現，Kimi-Researcher可生成詳細豐富的研究報告 ，專業性和報告可視化可圈可點
，是國內少有的基于自研模型打造的Agent。生成時間一般在15—20分鐘左右，后續也可以適當縮短時長 。通過自主調用瀏覽器、代碼等工具 ，在平均規劃70多個關鍵詞及對200多個網址的搜索后
，可以自動生成分析報告，完成端到端的交付
。

　　記者實測“Kimi-Researcher ”

　　《科創板日報》記者使用“ Kimi-Researcher”實測了七個任務 ，它均能較好地完成
，舉其中三個例子來展示其推理過程。

　　任務一：近期獲得融資的 AI 硬件創業公司天數智芯，分析其硬件產品的技術特點
、性能優勢和應用場景 ，研究其在與巨頭競爭中的創新策略和市場突破路徑，給出一個是否值得投資的結論 。

　　大約15—20分鐘左右
，Kimi-Researcher搜索數百個網站，生成了一份數萬字的詳細報告—《天數智芯深度研究報告：AI芯片新勢力的崛起與投資價值分析》 ，包括公司概覽與核心優勢產品與技術實力分析、市場競爭與戰略分析等方面
，還用表總結了天數智芯主要產品系列及其特點 、競品概況等，另外 ，最后還附帶一份可視化報告
，該報告還可以通過復制文本
、鏈接和生成圖片保存
。

　　任務二：人形機器人是風口還是泡沫？制約人形機器人商業化落地關鍵環節有哪些？何時能夠商業化落地？

　　20分鐘左右，Kimi-Researcher生成了報告《人形機器人：風口還是泡沫？商業化落地的深度剖析與未來發展路徑》 ，引言表示：人形機器人產業目前正處于技術加速迭代與資本高度關注的風口期
，但其商業化落地仍面臨智能化水平不足、運動控制能力有限 、核心零部件成本高昂
、應用場景不明朗以及產業鏈成熟度不高等多重制約環節。短期內，人形機器人將在工業、特定商業服務等B端場景持續滲透；中期（3-10年）有望迎來技術突破與成本下降的關鍵期 ，應用領域將進一步拓展；長期（10年以上）則可能實現大規模普及 。

　　任務三：我需要一份 7 月 2-7日從北京出發的日本行程
，預算為3 -8萬元，適合我和閨蜜
。我們喜歡名勝古跡 、美食美景等 ，并需要一個特別的歷史地點推薦。請提供一份詳細的旅行手冊，其中包含地圖
、景點介紹、必要的外語短語和旅行小貼士
，供我們在旅途中參考 。

　　對于Kimi選擇進軍Agent領域，北京計算機學會AI專委會秘書長 、北大人工智能博士張有魚告訴《科創板日報》記者 ，這樣的選擇既是其技術勢能的釋放
，也是商業戰略主動躍遷的結果
。

　　在技術層面，Kimi將其長文本（Long Context）處理能力及端到端的強化學習技術“Agent化
” ，并讓模型從一個“被動”的知識庫變為一個能進行“主動 ”研究
、自主交付成果的智能體。這不僅是技術價值最大化的必由之路
，更是幫助Kimi在基礎模型“卷參數
”的紅海中，開辟“卷應用”藍海的重要一步 。

　　當前 ，在激烈的商業競爭格局下
，單純提供API調用的模式護城河過淺。Kimi推出Kimi Researcher，可以直接切入的核心知識生產流程
。其商業模式也從“賣API ”到“賣解決方案
”的根本性轉變 ，試圖通過深度綁定用戶工作流
，構建更強的用戶粘性與商業壁壘。

　　全球Agent競賽已從“能力展示”轉向“場景交付 ”

　　2025年是AI Agent技術的爆發之年，國內外多家科技企業紛紛推出差異化Agent產品 ，覆蓋研究、辦公 、企業服務、消費電子等多場景 。

　　國內企業Agent發布方面，月之暗面推出產品Kimi-Researcher（深度研究）
，智譜推出AutoGLM沉思，定位是首個“邊想邊干
”型智能體 ，字節跳動推出扣子空間（Coze Space）
，定位全能型智能體開發平臺，火山引擎
、昆侖萬維、榮耀等也推出智能體；國外企業OpenAI 、DeepMind
、Anthropic等也紛紛發布智能體
。

　　《科創板日報》記者注意到 ，2025年全球Agent競賽已從“能力展示”轉向“場景交付 ”
，國產Agent憑借免費策略、垂直整合與端到端自動化，正快速搶占企業及C端市場高地。

　　國內外科技大廠紛紛發布Agent的背后 ，是大模型基礎能力的提升 。

　　智源研究院院長王仲遠告訴《科創板日報》記者
，當基礎大模型發展至一定階段并達到可用狀態后，Agent將成為產業界可重點發力的領域
。隨著Agent能力的不斷增強 ，其將具備更廣泛的擴展性。現階段
，基礎大模型的思考能力與智能化程度已有所提升，使得部分Agent能夠表現出較為出色的效果 ，而這正是產業界所擅長且具備優勢的領域，亦是未來產業發展的趨勢 。

　　王仲遠認為
，基礎模型需達到或接近GPT-4的能力水平，才能滿足實際應用需求
。對于創業公司而言 ，投入產出比（ROI）是關鍵考量因素。因此
，在模型開發中需兼顧性能與效率，在保證能力的前提下 ，盡量縮小模型規模
，提升推理速度 。盡管當前仍存在技術瓶頸，但隨著研究深入 ，這些問題有望逐步得到解決 
。

　　談及深度研究任務Agent
，市場上還存在哪些痛點和需求未被滿足的方面，張有魚表示 ，當前AI輔助深度研究市場
，存在“通用
”與“個性”的矛盾，大多數AI工具為追求普適性而犧牲了個性化。然而 ，深度研究恰恰是高度定制化的 。不同領域 、不同課題
、不同研究者都有獨特的分析框架與偏好。市場亟需能理解并適應研究者個性化需求的AI工具，提供更靈活、可定制的解決方案
。

　　其次
， 還存在“自主 ”與“可控”的悖論： 這也是研究類Agent面臨的終極考驗。用戶既希望AI足夠“自主
”，能從繁瑣流程中解放自己 ，又要求AI在嚴肅的研究場景中絕對“可控”與“可信 ”
，過程透明 、結果可溯源 。不同Agent產品常在兩者間博弈：要么過于自主而出現不可信的“黑箱
”，要么過于人工可控而顯得笨拙低效
。如何優雅地平衡這對矛盾 ，是決定產品成敗的關鍵。

（文章來源：財聯社）