AI Agents，年终总结！

年末时节，关于AI Agents的热度依然不减。Langbase最近发布了一份很有意思的调研报告，他们走访了来自全球100多个国家的3400多位AI Agents开发者——其中46%的人身处C级管理层。这份数据的分量，可见一斑。

下面，我们来看看这份报告究竟透露了哪些关键信息。

开发者倾向于选择哪些LLM供应商？

• OpenAI依然是首选，绝大多数开发者将其作为AI和LLM服务的主要支柱。不过，Google正在以令人瞩目的速度追赶上来，成为强有力的竞争者。
• Anthropic也拥有一席之地，而Meta的Llama、Mistral和Cohere虽然市场份额不大，但增长势头不可忽视。

不同模型被用在哪些具体任务上？

人工智能提供商们在各自擅长的领域表现出了明显的差异。这背后反映了不同模型在行业应用中的结构性优势。

• OpenAI在技术和营销类应用里明显领先，尤其是在翻译任务上表现突出。
• Anthropic在技术任务中颇受青睐，但在营销和翻译领域则鲜有涉足。
• Google的模型在健康和翻译领域占据主导地位，语言和医疗是它的强项。
• Meta在技术和科学类应用中广泛应用，而Cohere则呈现出一种在多领域——包括科学和营销——均衡分布的使用格局。

阻碍AI Agents大规模普及的核心问题是什么？

• 扩展与部署的复杂性——这是目前最大的拦路虎。紧随其后的是数据隐私和安全合规问题。
• 缺乏成熟的监控工具，再加上高昂的基础设施成本，也在一定程度上拖慢了AI的落地进程。
• 另外，对AI驱动解决方案的抵触与怀疑情绪依然存在，这暗示着一个更本质的需求：我们需要更加透明、用户友好的AI实施平台。

选择LLM时，什么因素最重要？

• 准确性毫无悬念地位居榜首，成为大多数受访者的首要考量。其次才是安全性和可定制性。
• 有趣的是，成本反而是最不具影响力的因素。

将AI Agents部署到生产环境时，主要面临哪些挑战？

• 定制困难、有限的质量保证评估方法、以及可复用基础设施的缺失——这些是关键挑战。
• 工具碎片化、集成问题和可扩展性问题，进一步让部署过程变得复杂。

采用AI技术的首要目标是什么？

• 自动化和简化流程是AI应用的首要任务。公司希望通过AI来提升效率，让各项流程更为流畅。
• 定制化解决方案与改善协作，则反映出对灵活性和共享系统访问的越来越大的兴趣。

LLM主要被用在哪些业务场景中？

• LLM在软件开发中应用最广，在营销、IT运营和文本摘要领域也有显著渗透。
• 客户服务、人力资源和法律等领域开始崭露新兴兴趣。这预示着2025年，LLM可能会被带到更广阔的行业版图中。

AI基础设施需要什么关键特性？

• 绝大多数受访者都需要Agentic RAG（检索增强生成）能力，以改善上下文信息处理。
• 评估工具的重要性也不容忽视——它能确保AI系统按预期运转。

在编排AI管道时，更偏好哪种工具类型？

• 大多数受访者更喜欢那些提供灵活、基础原语的开发工具，以便设计定制化的AI管道。
• 预构建的拖放式方案虽然能解决特定问题，但可定制性明显不足。这说明在AI工作流设计中，定制化的需求十分强烈。

选择AI开发平台时，优先考虑哪些因素？

• AI Agent版本控制被开发者视作AI开发平台的首要特性。
• 强大的SDK或库生态系统，以及本地开发环境，同样备受重视。
• 团队协作与实验功能是次重要的考量因素，而资源监控仪表板的重要性则相对较低。

公司目前使用AI到什么程度？

• 大部分开发者已将AI用于实验和生产环境。
• 并且，稳步推进AI投入生产的趋势已相当明显。