2025年無疑是 Agent 智能體的元年。

這一判斷從 Deep Research 帶來搜索新范式，到 Manus 一夜爆火，再到 MCP 成為新的接口標準，已經被多次證實。

與普通 AI 工具相比，Agent 具有以下優勢：

• 更強的推理能力：基于多種推理模型，Agent 不僅執行指令，還會深入思考問題。
• 豐富的工具運用能力：Agent 能夠幫助用戶連接 API 或控制硬件設備。
• 更強的信息檢索能力：通過與 LLM、向量數據庫以及 Embedding 模型等工具集成，Agent 能夠輕松處理海量數據集。
• 更完整的環境感知能力：Agent 能夠更充分地理解對話語境或物理世界中的情境。

Agent 的成熟，標志著 AI 從簡單給出答案到交付完整任務結果的進化。那么，2025 年有哪些值得關注的 Agent 呢？

在這篇文章中，我們將詳細介紹2025年值得關注的10個 Agent 智能體。

1、Deep Research 與 DeepSearcher：專業級報告生成

不久前，OpenAI 推出了深度內容生成工具“DeepResearch”，用戶只需提出類似“特斯拉的合理市值是多少”這樣的問題，DeepResearch 就能生成一份涵蓋企業財務、業務增長分析以及市值推演的專業報告。這無疑為搜索 AGI 的發展方向指明了道路。

在這樣的背景下，如何基于“DeepResearch”理念進行定制化改造，成為了一個熱門話題。而 Zilliz 在這一領域也取得了顯著進展，推出了 DeepSearcher 開源項目，僅一個月時間，該項目在 GitHub 上的 Star 數量就接近 5000。

DeepSearcher 基于 DeepResearch 的大模型、超級搜索和研究助理的三合一架構，通過 Milvus 向量數據庫引入本地數據，并支持用戶自由更換底層模型（如 DeepSeek-R1），為用戶帶來了更符合企業級場景的全新 RAG 范式。

從架構上看，DeepSearcher 主要分為兩大模塊：

• 數據接入模塊：通過 Milvus 向量數據庫接入各種第三方私有知識。這是 DeepSearcher 相比 OpenAI 原版 DeepResearch 的一大重大升級，使其更適合擁有獨家數據的企業級場景。
• 在線推理查詢模塊：包括各種 Agent 策略和 RAG 的實現部分，負責為用戶提供準確且有深度的回答。該模塊引入了動態循環迭代機制：每次完成向量數據庫中的數據查詢后，系統會啟動一個反饋（Reflection）流程。在每輪迭代結束時，Agent 會對查詢到的知識進行評估，判斷其是否足以解答初始問題。如果存在知識缺口，則觸發下一輪迭代查詢；如果知識足夠，則生成最終報告。

2、Manus：一夜爆火的全能 Agent

Manus 是由創業公司 Monica 推出的一款 AI Agent，它被定位為全球首款通用 AI Agent。今年3月初一經發布，便立刻引發了全網的熱議。根據官方展示的案例，Manus 能夠自主完成包括簡歷篩選、房產研究、股票分析等多種類型的復雜任務。它具備自主思考、規劃和執行復雜任務的能力，并且能夠直接交付完整的成果。

官方披露的數據表明，Manus 在 GAIA 基準測試中取得了 SOTA（State-of-the-Art）的成績，超越了 OpenAI 等同層次的大模型。

Manus 的架構設計可以表示為：Manus = LLM + Tools + Memory + Computer Use +Artifacts + 虛擬機

Manus 最核心的是 Computer User 技術，這個技術的架構設計如下所示：

3、Google Astra：重新定義日常生活中的 AI 助手

Google Astra 是由 DeepMind 開發的一款 AI Agent，旨在通過多模態功能無縫融入日常生活。該 Agent 由 Gemini 2.0 驅動，能夠處理并響應多種輸入信息，包括文本、圖像、視頻和音頻。

Astra 的主要特點包括：

• 實時記憶功能，能夠理解上下文;
• 先進的工具使用能力，例如谷歌搜索、谷歌地圖和谷歌智能鏡頭;
• 協助完成諸如識別物體或提供推薦等任務。

例如，用戶可以將手機對準書架，讓 Astra 識別評分最高的書籍，從而將數字世界和物理世界相連接。未來，谷歌計劃將其部分功能集成到旗下其他產品中，Astra 有望在 2025 年重新定義個人 AI 助手。

4、微軟的 Copilot：簡化工作流程并提高生產力

微軟的 Copilot 是一款集成在諸多微軟辦公平臺(例如 Office 365 和 Dynamics 365)中的 AI Agent，其目標是簡化日常任務與工作流程。以 Word 為例，Copilot 能夠協助用戶撰寫報告或優化已有文本;在 Excel 中，它可根據自然語言指令生成公式并創建可視化圖表;在 Teams 里，Copilot 可以總結會議要點、突出關鍵信息并提出后續行動建議，從而提升協作效率。

對于開發者來說，Copilot 的功能遠不止于終端用戶的任務。它還提供與 Azure 的集成，助力實現工作流程自動化和業務流程管理。通過將 AI 融入人們日常使用的工具，微軟的 Copilot 讓重復性工作變得簡單，使團隊能夠將精力集中在更具挑戰性和創造性的任務上。

Copilot 的架構設計如下圖所示：

5、ChatGPT Plugins 與 Operator：將 GPT 的能力拓展到現實世界任務中

ChatGPT 插件為 OpenAI 的 GPT 模型賦予了強大的交互能力，使其能夠與外部系統進行溝通，從而執行一系列現實世界中的任務，而不僅僅局限于文本生成。通過與 Expedia、Wolfram Alpha 和 Zapier 等第三方服務的集成，這些插件讓 ChatGPT 能夠獲取實時數據并實現工作流程的自動化，使其更接近于成為個人和企業的動態 AI 助手。例如，用戶可以利用 ChatGPT 來預訂航班或計算復雜的方程式。

盡管 ChatGPT 插件并非完全自主的 Agent，但它們通過動態響應提示并利用外部工具來完成任務，實現了類似 Agent 的行為。對于開發者而言，這意味著可以以更低的成本構建自己的工作流程。

除了 ChatGPT 插件，OpenAI 還發布了首款 AI 智能體工具 Operator(意為操作員)。Operator 能夠代理用戶執行基于網頁的操作，簡單來說，它能夠像人類一樣使用網頁瀏覽器。

6、AutoGPT：自主任務執行領域的先驅

AutoGPT 是一個實驗性的開源項目，它將 GPT 模型轉化為能夠在極少人工干預的情況下執行復雜、多步驟任務的自主 Agent。借助 GPT-4 的強大能力，AutoGPT 能夠將復雜目標拆解為更小的、可執行的任務，依次執行這些任務，并根據結果進行迭代，以達成預期目標。這使得 AutoGPT 成為最早被開發者廣泛采用的自主 AI Agent 示例之一。

盡管仍處于早期階段，AutoGPT 通過展示自主 Agent 的潛力，激發了 AI 社區的想象力。開發者們可以借鑒它的思路，構建復雜的應用程序，例如研究助手、自動化工作流程管理器等。AutoGPT 突顯了 AI Agent 不斷增長的趨勢：它們不僅提供答案，還能采取行動，為未來更復雜的自主系統鋪平了道路。

AutoGPT 的架構設計主要圍繞以下幾個核心功能展開：

https://hub.baai.ac.cn/view/27039

• 任務分解

AutoGPT 能夠將復雜的目標分解為更小的、可執行的任務，依次執行這些任務，并根據結果進行迭代，以達成預期目標。

• 自主決策

AutoGPT 利用 GPT-4 的強大能力，能夠自主決策并執行任務，無需過多人工干預。

• 多步驟任務執行

AutoGPT 支持多步驟任務的執行，能夠根據任務的復雜性動態調整執行路徑。

• 迭代優化

AutoGPT 根據任務執行的結果進行迭代優化，逐步改進任務執行的效率和準確性。

7、BabyAGI：用于可擴展解決方案的輕量級任務自動化工具

BabyAGI 是一款輕量級的開源自主 Agent，專注于以迭代和智能的方式執行任務，由 GPT-4 驅動。它在任務管理和執行方面表現出色，是面向任務的 AI 解決方案中的佼佼者。其模塊化設計允許開發者根據需求自定義工作流程，與各種數據庫集成，并構建特定的解決方案。

與僅響應孤立查詢的普通大語言模型不同，BabyAGI 能夠根據總體目標創建任務隊列，對任務進行優先級排序，并逐步完成它們。例如，面對“研究一個主題并總結研究結果”這樣的復雜指令時，BabyAGI 會自主地將其分解為子任務，如收集資源、分析內容和起草連貫的總結。

BabyAGI 的獨特之處在于其輕量級和可擴展的設計。它在不需要大量資源的情況下，就能提供核心 AI 功能，為預算有限的企業提供了一個易于使用的工具。此外，其自適應學習系統會隨著用戶需求的變化而發展，確保隨著時間的推移提供越來越個性化和高效的幫助。最近的更新還引入了增強的協作功能，使 BabyAGI 成為小型團隊處理共享項目的優秀工具。

8、甲骨文 Miracle Agent：面向企業數據驅動決策 AI 工具

Oracle 的 Miracle Agent 是一套由 50 多個專門的 AI Agent 組成的工具集，專為企業環境設計，專注于數據庫管理。通過深度集成到 Oracle 的云生態系統中，Miracle Agent 實現了數據處理和可視化的自動化，使公司能夠在極少人工干預的情況下獲得洞察。

例如，Shift Scheduling 助手可以幫助創建和管理員工的輪班時間表，同時考慮個人偏好和合規規定。Employee Hiring Advisor 可以協助尋找候選人并簡化招聘流程，縮短招聘時間。在供應鏈管理方面，Customer Sales Representative Guide 可以提供個性化的洞察，以增強客戶互動。

9、MultiOn Agent API：為開發者簡化網頁自動化

MultiOn Agent API 是為開發者構建的專業級集成平臺，支持將 AI Agent 無縫部署至多樣化應用場景與終端設備。該平臺通過先進的網頁自動化能力，顯著提升任務執行效率并優化終端用戶體驗。自2024年4月公測發布以來，開發者已可利用其構建具備復雜網頁操作能力的AI代理，包括但不限于：

• 動態網站導航與交互
• 多源數據智能提取
• 全流程在線交易自動化

平臺提供 Python/JavaScript 雙語言 SDK ，并與主流大語言模型框架(如LangChain、LlamaIndex)實現深度兼容。這種開箱即用的集成特性使開發者能夠快速構建高階應用，包括：

• 自適應網頁瀏覽器
• 智能數據采集系統
• 網頁內容管理自動化解決方案

圖片

10、亞馬遜 Bedrock Agents：企業工作流程智能自動化工具

AWS Bedrock Agents 是亞馬遜云科技推出的創新AI代理服務，旨在將AWS強大的基礎模型與企業工具及數據無縫集成，為開發者提供構建智能應用的完整解決方案。

第一、靈活多變的 AI Agent 能力

Bedrock Agents 以其卓越的靈活性著稱，適用于多種 AI 驅動場景：

智能客服：打造自然交互的客戶支持聊天機器人

流程自動化：優化后端業務流程，提升運營效率

個性化推薦：構建精準的推薦系統，增強用戶體驗

此外，Bedrock Agents 內置豐富的 AP I支持，可輕松與企業現有技術棧集成。基于 Serverless 架構，該服務天然具備彈性擴展能力，無需額外管理基礎設施。

第二、向量數據庫：AI Agent 的智能記憶核心

現代 AI Agent(如AutoGPT、Google Astra等)不僅能夠處理數據，更能像人類一樣進行推理與決策。而實現這一能力的關鍵在于長期記憶系統——這正是向量數據庫的核心價值所在。

第三、為什么向量數據庫至關重要?

采用高維向量存儲技術，精準捕捉文本、圖像、音頻等非結構化數據的語義信息

支持高效的相似性搜索與上下文檢索，使 Agent 能夠快速調用歷史知識

行業領先解決方案(如Milvus、Zilliz Cloud)為AI Agent提供高速、可擴展的記憶管理

第四、實際應用示例

當 Agent 遇到新問題時，可實時查詢向量數據庫，檢索過往相似案例或相關知識，從而做出更精準的決策。缺乏這種記憶能力的 Agent，將難以實現持續學習和復雜推理，極大限制其智能化水平。

Bedrock Agents 結合向量數據庫技術，為企業提供了構建下一代 AI 應用的強大基石。

本文中介紹的這些 AI Agent 僅僅是 2025 年代表性產品中的一小部分，其他有前景的 Agent，如 Anthropic Claude Agents、Hugging Face Transformers Agents 以及 Llamaindex 的 Llama Agents，同樣值得關注。

如果這些 Agent 都不能滿足您的需求，我們可以利用向量數據庫、大語言模型輕松構建自己的 AI Agent。

本文轉載自公眾號玄姐聊AGI  作者：玄姐

原文鏈接：??https://mp.weixin.qq.com/s/jpqdMVhjoKOwq4h_bTuTdw??