端到端训练开启Agent新范式，四月国产Agent迎集中发布潮.pptxVIP

摘要;第一章;1.1大模型困境：成本投入大、边际收益放缓、商业化慢;1.1大模型困境：API调用价格快速下降、商业化模式需改善;1.2从LLM出发，到AgenticWorkflow，再到真“Agent”;1.3海外Agent进展开始加速，从工作流迈向端到端驱动;1.4市场空间：AIAgent战略转型，驱动生态革命与未来范式迁移;第二章;2.1工作流框架VS智能体框架;2.1工作流框架技术路径;;2.3智能体代际划分，从“小镇做题家”到“任务多面手”;2.4预训练ScalingLaw已达峰，瓶颈难以突破;2.5后训练阶段，强化学习(RL)同样遵循ScalingLaw;2.5强化学习催生长CoT，遵循推理ScalingLaw;;2.6单智能体Scaling：强化学习与推理层面突破大有可为;;2.6多智能体ScalingLaw：注重协作，但未底层破壁;第三章;;;2025年2月，Claude系列最新迭代3.7发布，这款模型被定位为“迄今最智能的模型”，并首次引入混合推理功能，结合了普通大型语言模型（LLM）和专门的推理模型能力。Claude3.7有两项关键升级：一是超强的多模态能力：能准确解读图片内容，理解图表、截图中的文字，甚至可以分析复杂的技术图像。二是超长上下文支持：能够处理高达20万tokens的内容，相当于一本小说的长度。扩展思考模式计费标准为每百万输出tokens15美元。;资料来源：Anthropic，CSDN，中信建投;3.3OpenAI发布“博士级”AgentOperator;手机端AgentAutoGLM是智谱AI推出的一款AI智能体应用，它能够根据人的自然语言指令，自主的规划操作路径和识别

手机页面，自动模拟人类操作手机和网页，执行各种任务。

AutoGLM具备强大的任务规划以及屏幕界面信息理解的能力，仅通过自然语言指令即可实现复杂任务的快速执行。面对真实使用过程中所出现的诸多情况，AutoGLM具有一定的判断与自我纠错能力，并且可以在任务执行的过程中持续与用户进行交互反馈，同时还可以调用多种工具，根据用户的要求精准完成操作。

AutoGLM可以自主执行超过50步的长步骤操作，也可以跨app执行任务；AutoGLM也能够开启「全自动」上网新体验，支持数十个网站的无人浏览；并能基于视觉多模态模型实现通用Agent的技术探索。;3.4AutoGL能力源自于强大的基底模型和RL;3.5Manus：国产工作流Agent展现强大能力;3.6Google：三大Agent矩阵驱动向智能体工作流转型;3.7微软：Agent与产品结合，深耕端侧智能体赛道;3.8Meta：多智能体协同先行者;第四章;4.1Agent算力需求趋势分析;对于智能体工作流，解决问题往往需要多次反复调用API并进行计算，因而对算力的消耗会显著大于单次调用的情形。

算力消耗主要体现在运算次数提升和提示词生成两个阶段。对于仅需一次API调用的情况，提示词消耗token量较低。而对于多次生成提示词的情形(更类似于Agenticworkflow机制)，token消耗量大大增加。;4.3多Agent算力需求百倍跃升;第五章;大模型技术发展不及预期：大模型属于先进AI算法，若后续大模型算法更新迭代效果不及预期，则会影响大模型演进及拓展，进而会影响其商业化落地等；

商业化落地不及预期：大模型的商业落地模式在业界中普遍处于探索阶段，用户对于大模型的接受程度和商业化变现能力可能不及预期；

算力基础设施支持不及预期：美国制裁中国高科技企业，对中国形成芯片、算力的封锁，大语言模型训练过程中需

要大量算力资源，需要关注中美关系带来的算力的压力；

政策监管力度不及预期：大语言模型带来新的网络生态商业，尚属于前期成长阶段，政策监管难度加大，相关法律

法规尚不完善，政策监管力度可能不及预期。

数据数量与数据质量不及预期：大型语言模型需要大量的高质量数据进行训练，若数据数量和质量存在短板，则会影响大语言模型效果。