2026年初，开源智能体项目OpenClaw风靡全球，迅速成为开发者社区的焦点。
这场现象级爆发，也让行业关于“Agent元年”的判断，第一次有了具象而清晰的参照。
OpenClaw的走红，让开发者乃至普通用户首次直观感受到：AI正在从“对话框里的顾问”，跃迁为“现实世界中的执行者”。
它不再只是提供建议或生成代码，而是能够理解复杂指令、自主调用工具、在多维环境中完成任务，并交付闭环结果的“数字劳动力”。
短短数月，这股浪潮便从极客社区扩散至大厂、创业公司与个人用户，推动整个行业重新思考AI的终局形态：未来的智能入口究竟在哪里？AI的核心价值是否正在从“内容生成”全面转向“任务达成”？
当Agent真正拥有“执行权”后，一系列现实问题也随之浮现：权限边界、数据安全、成本黑盒、可观测性以及长期信任机制，逐渐成为企业级落地无法回避的深水区。
与此同时，以HermesAgent为代表的新一代技术路线，也在为这一赛道引入新的变量。相比单纯强调工具调用的执行模式，新一代智能体开始更加关注记忆沉淀、自我学习与长期进化能力。
至此，关于AI Agent的讨论，已从“能不能用”、“好不好用”，走向“如何持续变强”“如何稳定治理”，以及“如何真正进入企业核心生产环境”。
本期是《AI Token说》系列第二场对谈。我们邀请到两位深度参与AI Agent演进的一线实践者：
冯成成，阿里云专有云Agent技术开发负责人，将立足企业级落地前线，分享Agent在企业级场景中面临的安全管控、权限体系、协同机制问题，以及生产部署中的真实挑战。
姚柳佚，阿里巴巴ATH事业群通义大模型事业部科学家，她也是QwenPaw产品技术的负责人之一，将从产品体验、开源生态与用户路径出发，解析Agent如何从“技术尝鲜”走向“工作流”价值输出。
本文将围绕“从OpenClaw爆火到企业级Agent落地”这一主线，拆解热潮背后的底层驱动力，并探讨它将如何重塑企业生产力、个人智能助理形态以及加速开源生态演进的路径。
从对话到执行：OpenClaw为什么引爆Agent热潮
主持人：OpenClaw为什么会在国内迅速成为一个全民级事件？
冯成成：作为技术人，其实我们已经研究OpenClaw一段时间了。尤其是在OpenClaw爆火之前，我们在专有云OpenTrek里就已经做过相关技术探索。
OpenClaw本质上代表一次AI交互范式质变：它从过去的“对话式AI”推进到了“执行式AI”。
以前AI再聪明，本质上是一个顾问。你问它问题，它给你答案，不会真正进入业务流程。
而OpenClaw出现后，开发者能非常直观感受到：AI不只能回答问题，还能拆解任务、选择工具，并自动完成执行。这种体验变化是非常强烈的。
当然，它爆火并不是突然发生的。背后有几个前提：首先，底层模型能力已经足够强，能理解复杂指令，并且相对可靠地完成任务拆解和调度；其次，OpenClaw本身使用门槛并不高，普通开发者也能快速上手。两者叠加之后，就点燃了整个开发者群体的热情。
姚柳佚：我觉得可以总结为三个方面：模型能力到了、产品体验顺了、开源传播快了。这三个因素共同推动了OpenClaw的爆火。
尤其是在产品体验层面，它和过去的云端聊天机器人很不一样。它不再只是一个远程问答工具，而是真正“长”在你的本地环境里，可以理解你的上下文，并且执行具体任务。
它在产品设计上接入了IM渠道，也有心跳机制、定时任务机制等，这也是产品体验上的一次重要革新。
主持人：有哪个产品体验点让你觉得它和过去的AI产品完全不一样？
姚柳佚：我第一次用它的时候，让它帮我部署一个网站。真的是从零开始，一步步完成，写代码、改文件、改配置，最后到我得到一个在浏览器里打开，可以直接点击访问的网站页面。
这是我第一次非常明确地感受到：AI真的可以把一个完整任务做完，而不是只给我建议或者代码片段。
但坦白说，我当时看着它在本地环境里写代码、改文件、改配置，心里还是有点发毛的。我会担心：它会不会把我的系统搞崩？更关键的是，它会不会把自己也搞崩？
所以一方面这个体验很震撼，另一方面也确实会带来一些安全上的挑战。
冯成成：我第一次使用OpenClaw场景，和大多数人可能比较类似。一开始会弹出一些文件权限授权，先给它授权，然后让它做了一个很简单的任务：如整理一下本地文件夹。
它确实做到了普通AI很难做到的事情。不只告诉我怎么整理，而且能够理解我的文件夹结构、文件类别以及它们之间的关系，然后把它们重新整理得更有条理。
我觉得到了这一步，AI才真的开始接近“个人助理”的角色。尤其是在本地文件整理这类场景里，它不只是回答问题，而是开始真正帮你处理个人工作环境里的具体事务。
主持人：年初大家都经历了一轮“装机热”，但装了不代表真的能用起来，尤其是本地化部署。那么，从“养虾”“试试”到真正高频、稳定用起来，中间到底隔着什么？需要做哪些动作，才能让它真正进入日常工作流？
姚柳佚：我觉得从“试试”到真正“用起来”，中间主要要补上两件事：场景适配和信任感。
第一是场景适配。很多人装完龙虾后，只是觉得新鲜，让它做几个任务。但关键在于，它有没有和你的日常高频场景结合起来。如果没有结合日常场景，那它只是一阵“虚火”，看起来热闹，但很难长期留下来。
只有当它真正进入你的工作流，比如处理文件、整理信息、生成报告、同步消息、执行固定流程，它才会持续产生价值。
进一步说，如果这些高频场景能沉淀成龙虾自己的Skills，它就能更稳定地理解你的工作方式，后续执行也会更智能。
第二是信任感。真正用起来后，大家会很自然地产生顾虑：它会不会把文件改坏？会不会误操作？会不会发送我的隐私信息？
这些担心很现实。因为龙虾一旦进入本地环境，开始接触文件、配置、消息和工作流，它就不再只是一个回答问题的工具，而是一个真正能执行各种动作的系统。
所以，核心找到并适配高频场景，同时建立对它执行能力和安全边界的信任。
冯成成：从我的视角看，用户从“试试”到真正用起来，中间隔着三道隐形的墙：场景的墙、成本的墙、信任的墙。
第一道同样是场景墙。很多用户把龙虾装起来后，第一反应是：“然后呢？我让它干什么？”还是会沿用过去使用AI的方式，比如问它：“怎么写周报？”最后得到的也只是一个普通大模型式的回答。
所以但真正的转变在于，你要换一种方式和它沟通。不是问它“怎么写周报”，而是让它去读你的本周日程、查看邮件、整理工作内容，最后帮你生成一份周报，甚至发到钉钉上。这才是一个完整链路。
也就是说，当你把龙虾看作“个人助理”时，它的价值才会真正体现出来。用户首先要解决也是“我如何把一个完整任务交给它”。
第二道是成本墙。很多用户刚开始觉得龙虾很炫酷，但跑了一周之后发现Token消耗不少，钱包确实有压力。用户就会开始算账：它提升的效率，能不能覆盖我花出去的钱，以及它节省下来的时间。
如果这笔账算不过来，用户很可能又退回到手动操作。所以关键的一点，是要选择高价值场景。真正适合它的，是那些重复、高频、链路较长、手动处理成本较高的任务。
第三道是信任墙。当你用得越来越久，越来越多事情交给龙虾后，就会产生新焦虑：它会不会乱改我的文件？会不会把隐私数据发出去？如果它真的误操作了，我该怎么办？
这道墙最难跨越。因为它不只是功能和技术问题，而是用户心理上的确定性问题。用户需要知道它在做什么、为什么这么做、做错了能不能回滚、哪些动作需要确认后才能执行。
很多用户就停在了第一道墙或第二道墙。所以，要让龙虾真正用起来，要帮助用户找到高价值场景、控制使用成本，并逐步建立执行信任。
从OpenClaw到HermesAgent产品越来越多，到底该怎么选？
主持人：开源确实在OpenClaw的爆火中发挥了重要作用。你们怎么看当前Agent开源生态的格局？开源和Agent的发展之间，究竟是什么关系？
姚柳佚：如果把Agent开源生态比作一张地图，OpenClaw肯定是其中非常亮眼的一部分，但整个生态远不止OpenClaw。
从我自己体验看，Agent开源生态已不再只是小圈子开发者的游戏，而是有越来越多普通用户、非技术背景的人参与进来。比如在我们QwenPaw的Discussion区域，就会有很多用户来提Issue、提FeatureRequest。
这些用户当然不一定都贡献代码，但他们同样是开源社区的重要成员。他们可以提出改进建议，可以分享使用体验，也可以在社媒上讲自己是怎么用的，在哪些场景里获得了Ahamoment。
还有一些用户，会在小红书、朋友圈等平台上帮助其他人解答使用问题，分享自己踩过的坑和解决经验。也就是说，今天的开源贡献已经不只发生在代码仓库里，也发生在社媒社区、用户讨论区和真实使用场景中。
我觉得这是一个很重要的变化：开源社区正在带动传播社区一起成长。过去大家理解开源，更多想到的是代码、Issue、PR；但现在，普通用户的体验分享、问题反馈、场景传播，也在推动一个Agent产品快速扩散和进化。
冯成成：我觉得现在整个Agent开源生态已经相当丰富，OpenClaw肯定不是唯一选择。
比如在框架层和平台层，有像LangChain、LangGraph、Dify这样的项目或平台，它们主要解决的是“怎么创造Agent”以及“怎么编排Agent”的问题，提供的是底层框架能力和平台能力。
而在产品层，会有像OpenClaw这种主打本地优先、个人助理形态的产品，也有像HermesAgent这种强调自我进化能力的Agent。它们更关注的是“用户怎么真正用上Agent”。
这些项目之间并不是简单的竞争关系，也没有绝对冲突。它们的侧重点不同：有的解决开发和编排问题，有的解决使用和体验问题。整体上，我更愿意把它们看成一种相辅相成的关系：不同项目互相借鉴、互相推动，共同推进Agent生态往前。
从更长期来看，用户不再只花Token买能聊天的模型，而是雇了一个AI来帮自己干活。而开源生态的价值就在于，让这个过程变得更快、更透明，也让更多人能够参与进来，一起定义Agent应该怎么被创造、怎么被使用、怎么真正进入现实工作流。
主持人：OpenClaw和Hermes Agent看起来都是个人AI Agent助理，但外界也会讨论它们在架构和产品思路上的差异。两者的差异主要体现在架构层、产品层，还是技术实现层？
冯成成：从表面上看，确实都是个人AI Agent助理，但它们在架构深度和产品思路上有明显差异。
OpenClaw更像是“人教Agent做事”。它的逻辑是：在基础大模型之上，加上工具调用和Skills，让模型完成意图识别、工具选择，并自主执行任务。它的记忆机制也相对直观，主要通过文本文件和上下文透传，让模型理解用户需求和任务背景。
这种设计的优点是简单、可控、容易审计。用户可以明确知道它能做什么、怎么做，也可以通过配置Skills来扩展它的能力。
但它的局限也很清楚：不太具备真正意义上的自我进化能力。它的能力提升，更多依赖社区贡献、Skills增加，或者产品版本升级。
HermesAgent则更像是“Agent自己学会做事”。它有一套更完整的记忆框架，包括短期记忆、中期记忆、长期记忆以及技能记忆体。在这个体系里，记忆不是附加能力，而是基础设施。
最明显的区别是，HermesAgent不一定需要用户预先安装Skills。它的Skill可以在执行任务的过程中，通过总结经验不断沉淀下来。
这也决定了两者更适合不同场景。OpenClaw更适合确定性强、流程清晰的执行任务；HermesAgent更适合目标模糊、需要探索和持续优化的任务。
但长期来看，我不认为这两种架构思路是二选一。一个成熟的Agent框架，应该同时具备稳定可控的执行底座，以及能够持续学习、自我进化的能力。
姚柳佚：如果从相同点说起。OpenClaw和HermesAgent都属于Agent的运行层，也就是用户直接面对的一层，能直观看到Agent在理解任务、调用工具、执行动作。
但从架构特点来看，两者的侧重点不一样。
OpenClaw的插件系统和Hook机制，允许用户在Agent的全生命周期里插入各种Hook。这样一来，任务执行过程就更容易被观察、干预和审计。
这套设计非常适合需要确定性和安全边界的场景。比如处理本地文件、执行固定流程、调用明确工具，这些任务都需要用户知道Agent在做什么，也需要在关键节点有可控性。
HermesAgent则可以总结为：潜力更大，能力天花板更高。它的核心优势在于Learningloop，也就是学习闭环。Agent可以在空闲时反复查看自己过去的执行轨迹，总结经验，并沉淀成后续可复用的能力。
如果再配合RL强化学习训练，就有可能形成一套完整闭环：执行任务、记录轨迹、沉淀记忆、优化策略，再回到下一次执行中提升表现。
所以两者不是谁完全替代谁，而是适合不同需求。
当然，自我进化并不是免费的。它在持续学习、回看轨迹、沉淀经验的过程中，也会消耗Token和计算资源。所以用户最终还是要权衡：自己更需要一个稳定可控的执行工具，还是一个有更高成长潜力、但成本和不确定性也更高的智能体。
主持人：阿里云实验室也推出了QwenPaw，这同样是一个龙虾类产品，这背后是基于什么样的考虑？想让它发挥什么作用？
姚柳佚：大家知道，QwenPaw的前身其实叫coPaw，最近正式更名为QwenPaw。这个名字本身，也体现了我们接下来开源的方向和初心。
其中，Qwen代表我们会继续拥抱Qwen开源生态，并且在模型侧持续发力。比如支持本地模型部署，支持大模型协同、端云协同，也会针对Agent场景，在模型能力上做进一步优化和适配。
而Paw，其实是“小爪子”的意思，也代表我们的初心。我们希望QwenPaw不只是一个冰冷的工具，而是一个能陪伴在你身边、真正长在你生活里的小助手。
它可以更轻量、更简单地部署，也能更自然地进入用户的日常场景。
主持人：现在市面上的Agent产品越来越多，用户在选择时也会产生困惑：这么多Agent，到底应该用哪一个？因为真正用好一个Agent，往往需要投入精力，比如购买额度、配置Skills、适配场景、部署和调试。那么在投入这些成本之前，我们应该通过哪些维度判断一个Agent产品是否值得长期使用？
冯成成：我觉得衡量一个Agent的价值，不只看它能做什么，更要看它能不能在企业环境里稳定运行。
我一般会从三个维度看：可控、有能力、能协同。
第一是可控。一个Agent有没有全生命周期的审计能力？能不能做好权限分级和隔离策略？在高风险操作时，能不能主动寻求人类确认？只有当一个Agent是可控的，企业才真正敢把权限交给它。
第二是有能力。比如，它有没有处理复杂指令的能力？能不能拆解任务？有没有丰富的工具链？能不能对接企业内部系统，完成业务接入？有没有完整的记忆能力？
这里的记忆，和个人助理的记忆不太一样。个人助理的记忆更偏向“我的记忆我来用”，让自己变聪明就可以。
但企业级记忆更强调跨Agent之间的共享和协同。一个Agent可以独立沉淀某个业务领域的经验，其他相关领域的Agent或同类Agent也可以共享这套记忆体系。
第三是能协同。企业里的业务流程，通常不是一个人就能端到端完成的。Agent也一样。比如一个Agent负责数据分析，另一个Agent负责对外协同沟通。那么每个Agent都有不同的职能、角色和权限，就需要标准协议进行交互和互通。
如果一个框架只能支持单智能体工作，那么它的上限就会被限制住。
姚柳佚：从协同角度看，现在市面上已经有很多协议，比如A2A协议、MCP协议、ACP协议等等。如果一个Agent或框架能够方便地对接这些协议，那无疑是一个巨大优势。
另外，我还想从开源社区的角度补充一点：一个Agent是否拥有良好、繁荣的生态，也非常值得考量。
第一，当我想做一件事时，生态里是否已经有可以直接使用的Skills？如果有，就不需要所有东西都从0到1自己做。
第二，生态里是否有足够多的用户分享使用体验？这些真实案例能够启发我，也能帮助我更好地找到自己的使用方式。
第三，当我提Issue，或者向社区反馈问题时，能不能得到及时回应？有没有人理你，这一点其实也很重要。如果反馈了问题却没有人回应，用户会很受挫，后面可能就不会再参与社区讨论了。
所以我觉得，社区对一个Agent产品的长期使用影响很深。它虽然是一个偏软性的因素，不完全属于产品技术本身，但如果没有社区，产品用起来就会比较干涩，也更难长期发展。
从“试一试”到进生产：
企业级Agent首先要解决哪些问题？
主持人：对企业来说，即使选对了产品，也不代表接入后就能真正用起来。企业从“尝试”到真正进入生产环境，中间还隔着什么？除了技术接入之外，还有哪些软性挑战？
冯成成：我觉得企业场景和个人养虾，是完全不同的两个场景。
个人用户装龙虾，可能觉得很酷，自己试一试就可以。但企业如果真的想把它放到生产环境里，最大的阻碍往往不是技术问题，而是信任。
这种信任缺失，在企业内部会体现成一种典型的业务张力：研发团队热情很高，希望Agent拥有足够权限，可以调API、查数据库，把效能发挥到最大。
但安全团队和合规团队看到的是另一面：这些调用有没有权限隔离？操作过程有没有审计？会不会带来真实的生产安全风险？
要平衡这两者，我觉得真不能一刀切，不能简单地全部开放，也不能全部卡掉，而是要做风险分级。
比如，低风险场景，像智能问答、数据报表汇总、信息总结这类任务，通常不会直接引发业务异常，确定性也比较强，就可以放心让Agent去做。
中风险场景，比如自动化运维、问题排查，就需要配合沙箱隔离、安全执行机制来做。遇到高风险操作时，要弹出人工确认。本质上是Agent在干活，但人保留最终控制权。
高风险场景，比如自动审批、资金流转，就要极其谨慎。需要完整的全链路审计能力，也需要完善的回滚机制。前期更建议采用AI辅助决策、人工最终执行的方式，先做业务过渡，再逐步建立信任。
所以，从低风险到高风险，其实也是企业逐步建立信任的过程。先从低风险场景切入，让安全团队看到权限是可以一层层控制的，也让研发团队看到Agent的能力可以逐步开放出来。
姚柳佚：在企业里，不同团队站在不同视角，看到问题也不一样。
例如。开发团队和业务团队看到的是效率，安全团队看到的是风险。其实双方都对，因为这是各自职责决定的。我们会把可观测性和安全性，放在和能力同等重要的位置上。
只有企业里的各方团队都能看得到这个Agent、看得清这个Agent，并且管控得住这个Agent，信任才会逐步建立起来。
主持人：前面我们提到，企业真正用好Agent，关键是它是否可控、可用、可持续运行。那具体来说要达到哪些标准，才能把它放进生产环境？有没有一份更清晰的能力清单？
姚柳佚：我可以从QwenPaw的角度来举例，这份能力清单首先是数据隐私和本地可管控。
我们和一些大型国企用户交流时，他们会明确提出：业务数据和敏感数据不能传到公有云模型上。所以QwenPaw在设计时坚定支持本地模型部署。大型国企用户可以结合专有云模型和本地部署的QwenPaw，满足数据安全和本地管控的要求。
第二是复杂任务执行能力和权限管控能力。
在复杂任务执行上，QwenPaw新版本设计了Mission模式，支持Agent自主规划任务，并巡视任务是否完成。
在管控上，我们引入了插件机制，帮助企业处理部署Agent时大量“接缝”工作，比如接入日志平台、监控平台、自定义安全规则和安全检查。这些能力可以通过插件实现，不打断主流程。
此外，QwenPaw也支持包括ACP协议在内的多种开源协议，方便和企业现有系统、工具无缝对接。
我觉得未来的Agent，会像一个戴着安全帽、穿着工作服的正式工，真正融入企业IT系统。
冯成成：我们专有云面向企业客户做OpenTrek智能体平台时，跟很多客户打过交道，有一些切身体会。前面讲到的可控、有能力、能协同，真正落到生产环境里，都需要扎实的技术准备。
首先，Agent已经不只是一个回答问题的系统，而是一个拥有一定操作权限、能自主执行任务的程序。它可能会执行脚本、调用工具、处理业务流程。
所以安全团队最关心的是边界：谁能用？能做什么、不能做什么？出了问题能不能溯源？
针对这些问题，我们在专有云OpenTrek里做了完整的安全闭环：事前，有身份认证和权限校验体系，让每个Agent像数字员工一样拥有不同角色和权限；事中，有安全沙箱隔离执行环境，也有高风险操作时的人工授权确认机制；事后，有全链路审计能力，支持问题回溯。这是企业级Agent必须重点建设的第一层能力。
其次，是丰富的企业级能力，它决定Agent能不能真正解决业务问题。企业最终关心的，还是Agent能不能解决真实业务问题。这也是我们希望重点发力的部分。
我们不仅关注单个Agent，也面向一批Agent来设计，让它们像企业员工一样协同工作。每个Agent都有不同职能角色、业务权限和业务记忆，并通过标准协议完成业务交互。
这里的记忆不是个人助理式记忆，而是企业级记忆。支持跨Agent共享和协同，让Agent不断学习业务经验、总结沉淀，并逐步自我进化，成为更成熟的企业员工。
这些记忆也会存储在企业级私有化数据库或企业环境中，保障数据可审计、可回溯、可回滚。再加上企业级知识库和丰富的生态Skill，Agent能深入企业业务的毛细血管，像老员工一样干活。
然后，企业把Agent发到线上后，会关心它是否稳定运行、有没有异常。围绕这一点，我们建设了详细的可观测体系。比如Agent的任务规划、方案执行、工具调用，以及过程中出现的业务异常，都应该透明可见。
管理一个Agent团队，有点像管理远程数字团队。你需要看到每个Agent、每个节点的任务状态，知道它们在做什么、做到哪一步、哪里出了问题。可观测能力不是独立于安全、能力、协同之外的第四个维度，而是支撑这些能力稳定运转的基础设施。
所以总结来说，企业级Agent进入生产环境，至少要具备三类能力：用安全管控解决“敢不敢用”，用企业级能力解决“能不能用起来”，用可观测能力解决“能不能长期运行”。
当这三点做到位时，Agent才能从demo走向企业真正可以依赖的数字员工，甚至是数字员工团队。
主持人：刚才我们聊到很多企业级Agent的管理问题，比如权限、回滚、可观测、安全管控等。那么对企业来说，如果现在就要部署企业级Agent，应该怎么落地？有没有一套更明确的路径和避坑指南？
冯成成：结合我们的业务经验，我觉得可以分四步走。
第一步，选对场景，而不是一上来就全面AI化。
企业落地Agent，最好先从简单、容错率高的场景切入，把AI先用起来。很多落地失败的案例，往往是一开始就选了非常敏感的业务场景。一旦Agent执行异常，很可能就在企业内部被“宣判死刑”。
第二步，建立稳定、安全的基础能力。
比如权限分级、身份认证、操作审计、沙箱机制，这些能力不能等到后面再补，而是从一开始就要具备。否则一旦出问题，可能连问题发生在哪里都查不到。
第三步，建设丰富的企业级能力。
很多Agent在企业里表现得“像个笨蛋”，不一定是模型不够强，而是企业没有把足够多的业务数据、业务流程和工作经验喂给它，也没有把能力标准化。这一步做好之后，Agent才能真正好用，但这一步也最花时间、最难。
第四步，建立自主可观测、自救和自进化能力。
Agent上线之后，企业必须能看到它的运行状态：有没有调用报错，Skills成功率是在上涨还是下跌，哪些节点经常卡住，哪些地方需要人工介入。
所以总结起来就是四步指南：先从小场景切入，把它用起来；再建立基础安全能力，扩展业务边界；然后丰富企业级能力，把业务做深做实；最后通过可观测能力，让Agent持续稳定运转。
姚柳佚：我觉得可以概括成三步走：小范围试验田、大范围验证、工厂化落地。
第一阶段，先在小范围场景里试。这个阶段重点不是追求规模，而是验证Agent能不能在真实业务里跑通。
第二阶段，进入更大范围的验证。这个阶段要看它在更多场景、更多团队、更多权限边界下，是否依然稳定可控。
第三阶段，才是工厂化落地，也就是把Agent真正纳入企业生产体系。
但这里有一个很多人容易忽略的点：每一步都要沉淀安全规则、安全机制和安全评判基准。不是等规模扩大之后才补安全，而是在每个阶段都要把安全经验沉淀下来。
另外一个关键点是Human in the Loop，也就是人和Agent的配合方式。Human in the Loop不是把所有事情都交给Agent，让它完全自主；也不是每一步都让人审批、每一步都卡住。前者风险太高，后者效率太低。
不同场景里，人的参与程度应该不一样。随着Agent覆盖的场景越来越多，企业和Agent之间的信任感越来越强，Agent的权限也可以逐步放开。
未来企业里可能还会出现一个新的角色，叫AgentOps。这个角色负责管理Agent的运行、权限、协作和持续优化。
其实，本质上，企业接入Agent之后，不只是接入了一个工具，而是在适应一种新的组织模式：怎么和Agent配合，怎么信任它，怎么开放资源，以及怎么让人和Agent一起完成工作。
Agent会是泡沫嘛？如何判断Agent的未来
主持人：最后想请两位用一句话总结一下对Agent未来的判断。现在很多人也会关心：Agent会不会只是一个泡沫？作为长期在产业一线的从业者，你们看到的趋势是什么？
姚柳佚：我认为现在的Agent生态已经进入百花齐放的阶段。未来，Agent会像水和电一样，成为我们日常生活中隐形的基础设施。
开源生态和端到端的安全管控能力，也将会是推动Agent走向千行万业的强力引擎。
冯成成：我个人觉得，Agent现在已证明了自己是能干活的。未来，当它真正做到管得住、有深度、能协同时，就会像云计算一样，成为各个企业的标配。
/ END /
