产品手记

全球民间开源智能体浪潮：从框架热到基础设施战争

基于 2023—2026 年全球开源智能体项目的观察，记录开发者、企业与政府将如何被 Agent 重新塑形。

全球民间开源智能体浪潮：从框架热到基础设施战争

这篇手记来自一次关于“全球民间开源智能体”的深度研究。

它不是要判断哪一个 Agent 框架最红，也不是给 GitHub Star 排行榜写颁奖词。真正值得记录的是：过去几年，智能体从一种“会自己循环思考的玩具”，正在变成一种新的软件基础设施。

如果说 2023 年的关键词是 AutoGPT 式的惊奇，2024 年是多智能体框架和工作流编排，2025—2026 年则明显进入了更严肃的阶段：协议、沙箱、权限、审计、长期记忆、可观测性、评测、安全治理。换句话说，智能体正在从“会干活的聊天机器人”，变成“能进入组织流程的软件主体”。

这件事对开发者、企业和政府都会产生影响。对中国尤其如此，因为中国既有庞大的应用场景，也有快速跟进的开源社区和产业组织能力；但同时，中国在全球默认开发者工具链、底层协议话语权、前沿算力和国际企业软件生态上仍然面对明显差距。

一、这几年开源智能体到底发生了什么

2023 年，AutoGPT 把“自主 Agent”这个概念推到了大众视野里。它让很多人第一次看到：大模型不只是回答问题，还可以围绕目标循环规划、调用工具、分解任务、执行下一步。

但早期 Agent 很快暴露出问题：容易跑偏、上下文爆炸、成本高、缺少边界、无法稳定交付。那一波热潮之后，行业开始从“让模型自己想办法”转向“给 Agent 一个工程化运行时”。

于是，LangGraph、AutoGen、CrewAI、MetaGPT、CAMEL、LlamaIndex、Dify、OpenHands、Browser Use、Qwen-Agent、AgentScope、OpenManus 等项目陆续代表了不同方向：

  • LangGraph 把 Agent 重新拉回状态机、图编排、可恢复执行和人工介入。
  • CrewAI 和 AutoGen 强调多角色、多智能体协作。
  • MetaGPT 用“虚拟软件公司”的方式组织角色和产物。
  • LlamaIndex 从 RAG 和文档处理切入，把数据层变成 Agent 的工作材料。
  • Dify 把 agentic workflow 做成更低门槛的平台。
  • OpenHands 和 Browser Use 把 Agent 推向代码执行、浏览器操作和真实软件环境。
  • Qwen-Agent、AgentScope、OpenManus 则代表中国开源生态在工具调用、企业级框架、通用自主 Agent 方向的快速跟进。

这条线索很清楚：开源智能体的中心，正在从“框架”走向“运行时”。

框架解决“怎么写 Agent”。运行时解决“Agent 在哪里跑、能碰什么、出错怎么办、谁来审计、如何恢复、怎么收费、怎么证明它真的完成了任务”。

这也正是 UIChat Mira 需要特别敏感的地方。Mira 不是只做一个聊天壳，而是在做一个个人 AI 工作台。个人工作台的长期价值，恰好就在运行时、工具边界、权限、记忆、任务链路和人机交接这些东西里。

二、未来开发者：不是提示词工程师，而是 Agent 工程师

未来几年，“会写 Prompt”会越来越像会写 SQL：有用，但远远不够构成核心职业壁垒。

真正稀缺的开发者，会是能把智能体接入真实系统的人。

他们要懂模型，但不能只懂模型。更重要的是懂工具、状态、权限、观测、评测、异常恢复和业务流程。

一个合格的 Agent 工程师，大概需要几种能力：

第一，能够设计任务边界。知道哪些事情适合交给 Agent，哪些事情必须人类确认，哪些事情只能做建议不能自动执行。

第二，能够设计工具接口。不是把几十个 API 一股脑塞给模型，而是把工具变成语义清晰、权限可控、结果可验证的能力。

第三，能够设计状态和记忆。Agent 不只是单轮调用，它要知道任务进行到哪里、哪些证据可信、哪些步骤失败过、哪些上下文需要保留。

第四，能够设计评测闭环。以后 Agent 的质量不是“看起来挺聪明”，而是能不能在固定任务集里稳定完成、失败可复现、行为可回放、指标可比较。

第五，能够设计安全边界。尤其是当 Agent 可以读文件、跑命令、发邮件、下订单、改代码、操作浏览器之后，沙箱、审批、审计日志和权限分级会变成基础能力。

所以，未来开发者的角色会从“写功能的人”变成“组织人机协作系统的人”。这对个人开发者并不是坏事。恰恰相反，开源智能体会让独立开发者拥有更强的杠杆：一个人可以用 Agent 完成原本需要前端、后端、测试、运维、文档、数据处理多角色协作的事情。

但前提是，开发者自己不能退化成“只会让 AI 写代码的人”。

你仍然要有判断力。甚至比以前更需要判断力。

三、企业：Agent 会先成为“流程里的副驾驶”，再成为“操作层”

企业不会一夜之间把核心流程交给全自动智能体。

更现实的路径是：先从高频、低风险、可回滚、可审计的场景开始，让 Agent 成为流程里的副驾驶。

比如客服知识整理、销售线索归类、内部文档问答、投研资料摘要、代码审查辅助、审批材料预检、表单填写、工单分派、会议纪要和待办追踪。

这些场景有几个共同点：

  • 输入主要是文本、网页、表格、文档。
  • 输出可以由人类快速复核。
  • 错误成本相对可控。
  • 流程本来就有大量重复劳动。
  • 企业愿意为节省人力和缩短响应时间付费。

再往后，Agent 会进入更深的系统层：ERP、CRM、OA、财务系统、代码仓库、知识库、BI、工业软件、政务系统。那个时候，企业真正需要的不是一个“聪明聊天框”，而是一个 Agent 控制面。

这个控制面要回答几个问题：

Agent 有哪些身份？能访问哪些系统？能调用哪些工具？哪些动作需要审批？每一步为什么这么做？出了错谁负责？任务有没有完成？证据在哪里？

这也是为什么单纯的 Agent Demo 很难形成长期壁垒。企业真正会买单的，是“Agent + 权限 + 审计 + 连接器 + 评测 + 私有化部署 + 行业知识”的组合。

对中国企业来说，机会很大。

中国有密集的行业场景、复杂的组织流程、庞大的中小企业自动化需求，也有很多还没被现代 SaaS 充分改造过的空间。智能体可能绕过一部分传统企业软件的漫长建设路径，直接以“会操作的软件助手”进入业务。

但短板也明显：企业系统接口碎片化，数据治理基础不均衡，权限体系混乱，很多流程靠人情和经验流转。Agent 进入这样的环境，既可能大幅提效，也可能把混乱自动化。

所以企业落地智能体，最忌讳一步到位追求“全自动”。更靠谱的路线是：半自动、可审计、人类确认、逐步放权。

四、政府：从监管内容，走向监管“自主行动的软件主体”

过去几年，AI 治理主要围绕模型、内容、安全、备案、伦理审查展开。

但智能体带来一个新问题：它不是只生成内容，而是会行动。

它可能替用户提交材料、操作系统、修改代码、调用接口、参与交易、调度资源。监管对象从“模型输出了什么”，变成“一个由模型驱动的软件主体做了什么”。

这会推动政府职能发生三种变化。

第一，公共服务会被 Agent 重构。政务咨询、材料预审、政策匹配、办事路径推荐、基层文书处理，都很适合智能体。但公共服务涉及权利、资格、救济和公平，不能让 Agent 成为黑箱裁判。它可以辅助，但必须保留解释、申诉和人工兜底。

第二，监管方式会从事后审查走向过程审计。未来重要的不是只看最终输出，而是看 Agent 的调用链路、工具权限、数据来源、决策依据和人工介入点。日志、身份、权限、行为追踪会成为监管基础设施。

第三，政府会成为标准制定者和示范采购方。谁能先把 Agent 的分级分类、测试认证、审计格式、身份协议、风险评估做成标准，谁就会影响产业走向。

中国在这方面有组织动员能力，也已经开始从生成式 AI 治理走向更明确的智能体治理。但要真正形成全球影响力，不能只靠监管文件，还要有可执行的工程标准、开源测试集、合规工具链和国际兼容协议。

否则就容易出现一种尴尬：国内能管，全球不认；国内能落地，国际开发者不用。

五、中国的位置：第一梯队，但还不是默认定义者

一句公道话：中国已经是全球智能体产业的第一梯队，但还不是全球默认定义者。

强的地方很强。

中国有世界级的应用场景、强大的工程跟进速度、快速扩散的开源模型生态、足够多的行业试点，也有 Qwen、Dify、AgentScope、OpenManus 等在全球开发者视野里可见的项目。

尤其在开源模型和中文生态上，中国已经不是跟随者那么简单。很多国外开发者也在主动使用中国模型和衍生模型。

但短板也不能回避。

美国仍然掌握更强的基础模型前沿、云基础设施、开发者工具默认入口、企业软件生态和协议影响力。MCP、A2A、Agents SDK、Claude computer use、GitHub/Copilot 体系，这些东西本质上都在争夺下一代 Agent 基础设施的话语权。

欧洲虽然在产品和模型声量上不如中美，但在监管、风险分级、标准和可信 AI 方面会持续影响全球规则。

因此，未来智能体世界更可能是“中美双极 + 欧洲规则 + 全球开源社区补位”的格局。

中国真正要争的，不只是模型榜单，而是这几层东西：

  • 开源模型的全球默认使用权。
  • Agent 框架和运行时的开发者心智。
  • 行业连接器和工具协议标准。
  • 安全评测、审计和合规认证体系。
  • 面向真实场景的落地方法论。

如果这些层都能打穿，中国有机会成为全球智能体产业的共同定义者，甚至在部分行业成为事实标准输出方。

如果只停留在模型发布、Demo 展示和局部项目交付，就会变成“国内很热闹，全球默认入口仍在别人手里”。

六、对 Mira 的启发

这次研究对 Mira 的启发很直接。

Mira 不应该只把智能体理解成一个“更聪明的聊天模式”。真正长期有价值的是个人 AI 工作台里的控制面：

  • 工具如何暴露给模型。
  • 用户如何授权和撤销。
  • Agent 如何读懂本地文件和项目结构。
  • 长任务如何暂停、恢复、复盘。
  • 失败如何被记录、解释和修复。
  • 人类如何在关键节点接管。
  • 不同模型、不同工具、不同供应商如何被统一编排。

这和开源智能体的大趋势是一致的。

过去的软件主要是人操作界面。未来的软件，很可能变成“人设定目标，Agent 操作工具，系统负责边界和审计”。

Mira 如果要做成真正有人用的产品，就不能陷入“再做一个聊天壳”的小战场。它应该站在个人工作台、Agent Host、工具权限、知识入口和本地运行时这个交叉点上。

也就是说，Mira 的机会不是替代所有 Agent 框架，而是成为用户身边那个能接住任务、接住上下文、接住工具、也接住人的入口。

这件事很难，但方向是对的。

参考来源