SaaS 用不好常卡在“最后一公里”。但 Al Agent 用不好,问题会出在“每一公里”。
2025 被普遍视为企业级 Al Agent 的落地拐点:企业从“试试看”走向“用起来”,技术叙事让位于业务结果。美国著名通信 API 服务机构 Plivo 的调研显示,超过六成企业将 Al Agent 列为未来 12 个月的关键布局,“价值导向型”采购兴起,RaaS(结果计费) 正压过传统 SaaS(功能交付)。读懂 MCP / GraphRAG / AgentDevOps / RaaS 四大趋势,基本就抓住了“能干活的 Al Agent”的工程化答案。 1 企业级 Al Agent 究竟缺什么?四大趋势给出可复用的工程化解法 趋势一:MCP 让 Al Agent 可扩展2024 年年末,Claude 母公司 Anthropic 首次在《Introducing the Model Context Protocol》一文中提出 MCP(Model Context Protocol,模型上下文协议)。这是一个能够实现大语言模型与外部数据源和工具集成,并建立安全双向连接的开源协议。为了更加具象化地向公众解释这个新词汇,Anthropic 在 MCP 文档中称“可以把 MCP 想象成 AI 应用的 USB-C 接口”,开发者能够以一致的方式将各种数据源、工具和功能连接到 AI 模型,极大地降低了企业在 Al Agent 项目中的集成与运维成本。
Claude 3.5 Sonnet 第一个“吃螃蟹”,支持快速搭建 MCP 服务器;早期实践者 Block 和 Apollo 也在第一时间将 MCP 集成进自身系统。随后的一年时间里,MCP 迅速成为 AI 原生应用的重要基础设施,并得到了多家海内外科技巨头们的关注:微软、谷歌、亚马逊云科技纷纷将 MCP 集成到自家的 AI 服务中,OpenAI 在 Al Agent SDK 中支持 MCP,BAT 也密集布局 MCP 协议。社区的广泛支持则代表了 MCP 在开发者生态中已经成为事实标准:GitHub、Hugging Face 上涌现了数千个由社区贡献的 MCP Server,覆盖数据库、云服务以及各类 SaaS 应用。11 月 25 日官方发布的 MCP 周年博文中更是指出,MCP 注册表中收录的服务器数量已接近 2000 个,生态扩张速度可见一斑。
但生态上的繁荣掩盖不了 MCP 在落地层面所面临的现实挑战,尤其对于中国企业而言,标准碎片化、安全治理以及运维管理层面上的难题愈加突出。标准层面,国内不少企业都基于自身业务生态推出了差异化 MCP 方案,实际运行中协议不匹配问题频发,从而导致 Al Agent 协同能力受限。安全治理层面,MCP Server 认证生态混乱,权限边界模糊,一旦被攻破,攻击者可跨服务访问敏感数据。此外,当前 MCP 协议在身份验证、操作审计等关键安全模块上尚不完善,难以满足强监管行业更高的合规要求。运维管理层面,MCP Server 往往需要单独部署,这也带来了资源隔离与弹性伸缩的现实难题。
企业级 Al Agent 要想跨越从“可用”到“好用”的鸿沟,就必须需要一套更体系化的 MCP 方法论,在开源协议之上,重建统一、可治理、轻运维的连接层,而非简单的单次集成。在全球范围内,已经有多家企业验证这一方向。最早采用 MCP 的公司之一 Block,将 MCP 用作多工具协调层,使得内部 Al Agent 可统一访问支付、风控和客服系统,降低接口维护成本。一些开发者工具公司,如 Replit、Zed,也在生产环境中增加对 MCP 的支持,通过统一连接层让 AI Agent 能够跨代码仓库、调试工具、构建系统进行组合式操作,从而提升了任务的成功率与可观测性。在国内,类似的工程路径也在逐渐成型。以百融云创为例,其推出的结果云 Results Cloud 与企业级智能体平台百融百工以 MCP 作为连接底座,对多模型、多工具进行统一接入与治理,降低企业运维与扩展成本。这些案例都表明,基于 MCP 构建统一治理层,已经成为企业级 Al Agent 发展的必然趋势。
趋势二:GraphRAG 让回答不再乱GraphRAG 是由微软提出的结合了知识图谱和 RAG 技术的新方法。传统 RAG 更像是检索增强,依赖向量召回与文本匹配,擅长从外部知识库中检索相关信息,却难以保证跨文档、跨版本的口径一致性。GraphRAG 在 RAG 的基础上进一步引入了知识图谱,将信息以节点和边的形式存储,构建实体关系网络,使得大模型不仅能检索文本片段,还能理解深层逻辑关系。进而,确保 Al Agent 的回答内容更加全面且一致。在适用场景上,GraphRAG 适用于所有“长文、多跳、强逻辑、需可解释”的复杂业务文档场景,能把回答准确率提升 20–50 个百分点,并将 token 成本降低 10–100 倍,尤其适用于金融、保险、医疗、法律等高价值领域。
图片来源:Medium 博客
GraphRAG 同 MCP 一样选择了开源,这也加速了工程落地的脚步,社区基于此衍生出了多种更易用的模板。在 GitHub、Hugging Face 社区中,有多个项目基于微软的官方实现,创建更轻量、更易于使用和定制的版本。此外,包括 LangChain 在内的多个主流开源框架,也已支持 GraphRAG 流程,将图结构检索能力与 RAG 模型结合,以构建更强大的知识系统。
但在落地层面,GraphRAG 面临的现实挑战同样复杂。其一,知识图谱的构建复杂度较高,企业知识分散在 PDF、PPT、表格与图片等多个源头,提取和解析难度较高;其二,知识版本治理缺失,由于缺乏统一的版本控制机制,Al Agent 在回答时容易引用过期规则;其三,全局召回的工程复杂度高,GraphRAG 在 RAG 的向量召回基础上引入了图谱召回,使得 Al Agent能够更深层地理解上下文,但全局召回需要企业对全量知识进行解析,此外,一些简单的问题可能也会触发复杂的全局检索,引入无关信息,增加成本。
因此,一套更加工程化的 GraphRAG 方法论正在中国企业中形成共识,其核心目标不是构建“庞大的知识库”,而是构建“可治理的知识资产链路”。在国内,不少技术团队都在沿着这一大方向推进工程化实践,只是在具体路径和侧重点上有所不同。以百融云创的实践为例,其工程体系主要围绕三大核心能力展开:第一,高精度文档解析,只有在解析阶段达到足够高的准确率,才能更可靠地支撑后续的图谱构建、全局检索;第二,版本治理,以金融行业为例,规章制度每年迭代,各版本之间的关系复杂,必须依靠有效的知识库版本管理机制,对其进行可控管理;第三,意图澄清能力,在实际对话中,用户的意图往往比较模糊,需要基于结构化知识树做可控的意图澄清,才能精准地获取用户实际问题,最终输出可靠的答案。
在这一体系中,关键的技术难点包括领域图谱 RAG 的构建以及 RAG-U 型检索(U-Retrieval)。以百融云创的 FinGraphRAG 为例,在构建金融图谱 RAG 时,需要经历文档分块 (Doc Chunking)、实体抽取(Entities Extraction)、三重链接(Triple Linking)、关系构建 (Relationship Linking)、图谱标签化(Tag the Graphs)、通过 U-Retrieval 响应查询 (Response via U-Retrieval)六大链路,整个链路的目标都是将非结构化知识转化为结构化、可推理的图谱体系,从而解决金融领域中长文本(年报、研报、会议纪要)、专业术语歧义和复杂因果推理的问题。
图片来源:https://arxiv.org/pdf/2408.04187
为了兼顾精确性与全局视野,金融图谱 RAG-U 型检索还需实现自顶向下的精确检索与自底向上的响应优化。在自顶向下的精确检索阶段,需要先为查询打标签,并沿 tag 索引树自顶向下路由,在目标图谱中选取关键实体与邻居,最终根据图谱生成初始回答;在自底向上的响应优化阶段,需要从刚才选中的叶子节点往上走,依次访问其父级标签摘要,每向上一层,就向 L_R 提供 QUESTION: {Q}、LAST RESPONSE: {A_{i}}、SUMMARY: {T^{(i-1)}},并要求其“根据更上层的摘要信息,修正 / 补充上一轮回答”,最终在顶层得到一个既保留底层图谱细节,又融合更宽广全局视角的回答。进一步而言,U 型检索像是在金融知识图谱中先钻入某个最契合问题的“细颗粒业务簇”(例如“客户 B 在过去一年内的境外大额转账模式”),基于局部图输出精准判断,再一路向上,把“客户整体资产负债情况”“他所在行业的宏观景气度”“同地区同客群的历史违约率”等高层上下文逐步加回到回答中。
趋势三:AgentDevOps 让 Al Agent 真的可控随着企业将更多流程交给 Al Agent 执行,业界开始形成一个清晰共识:Al Agent 的开发与运维无法继续沿用传统 DevOps 模式,需要一套针对 “推理型系统” 的工程体系,即 AgentDevOps。不同于传统 DevOps 聚焦系统可用性与部署效率,AgentDevOps 的核心目标是 确保 Al Agent 的行为质量、任务完成度与推理链路的稳定性,让 Al Agent 能够持续输出可靠结果。
从行业角度来看,AgentDevOps 与传统 DevOps 的根本差别体现在四个方面:
- 第一,责任对象不同——从系统可…