一、技术底座能力发展放缓

1. 环境复杂动态多变，感知学习能力有待提升
   多模态感知融合效率不足：视觉、雷达等多源数据实时协同处理能力弱，动态因素（如光照变化、突发障碍物）易引发融合延迟，跨模态信息冗余与冲突问题突出。
   实时学习框架滞后：传统深度学习难以支撑低延迟在线增量学习，突发场景下知识库更新与策略优化时效性不足。
   小样本与无监督学习薄弱：依赖监督学习的模型难以应对数据标注成本高、样本稀缺问题，工业场景中设备状态自主感知能力受限。
   动态环境仿真覆盖不足：现有虚拟测试平台（如自动驾驶）无法完全复现极端天气、人车交互随机性等真实复杂特性，模型泛化能力弱。
   感知-决策闭环协同性差：模块割裂导致数据噪声干扰决策，实时反馈与优化机制亟待突破。
2. 幻觉模糊性风险潜伏，规划决策能力尚不成熟
   数据质量缺陷：智能体运行依赖多维度数据支持，包括模型预训练数据、精调优化数据、推理调优数据、评测数据以及外部专业知识库与实时数据。然而，数据质量缺陷会直接影响智能体输出的准确性与专业性。
   推理和规划能力不足：智能体需具备基于目标的推理和规划能力，以高效处理复杂任务。由于智能体发展尚不成熟，技术能力具有一定的局限性，存在无法准确预测未来的事件或结果、无法获取完整信息的可能性，进而导致智能体规划失效或产生不可预测的结果，面临不确定性和模糊性的挑战。
   可靠性和透明可解释性不足：当前智能体的“大脑”是基于大模型，可能出现“幻觉”问题。因此，需要结合RAG等一系列技术措施确保最终输出结果的可靠及可信。此外，在智能体落地应用中，不仅需要提升智能体运行过程的可观测性，以便监控其行为，更要增强决策过程的可解释性。
3. 协同交互尚未充分显现，竞争合作亟需平衡发展
   交互和协调方面：智能体通过通信和信息共享来协调行动，共同完成任务。对智能体的协同性、一致性以及智能体之间的信任程度提出了高度的要求，要求智能体能够理解和遵循共同的规则和目标，并信任其他智能体将按照约定行动，以实现整体目标。
   竞争方面：每个智能体具备特定的目标、行为、信念和偏好，同时也受到环境的影响和约束。在实现共同的目标或任务的过程中，智能体之间可能存在利益冲突，过度竞争将导致资源浪费和效率降低，甚至可能引发系统的不稳定。
   协作和竞争机制方面：智能体需要在协作和竞争之间找到一个平衡点，以实现整体系统的最优效果。如何设计和实现多个智能体之间的协作和竞争机制成为多智能体系统的核心问题之一。
   通信兼容性方面：智能体可能面临异构性导致的协议与标准碎片化问题，智能体应用过程中的信息孤岛和通信兼容性问题亟待解决。
   二、应用场景创新面临挑战
4. 应用服务初显范式，纵深发展任重道远
   应用广度：基于大模型的智能体当前在多个下游领域中展现出强大潜力，但在创意产业、艺术等领域应用相对较少。智能体需要进一步打破大模型到场景化落地应用的困局，应用广度有待进一步拓展。
   应用深度：通过大语言模型的语言理解、知识推理、数据沉淀等能力和新型人机协同模式的赋能，为提高下游任务的执行力带来了更多的可能性。例如，在制造业、金融业、医疗保健等领域，可以通过自动化和智能化技术提高效率和质量，对智能体具有较高的依赖性。
5. 交互需求愈发清晰，应用生态亟需完善
   交互方式：当前，大、小模型在应用层面进行交互的典型方式为插件模式，即将模型构建的应用封装为插件服务供其他模型调用。而大部分应用插件可通过智能体实现协同调用，以执行多模态场景任务，满足用户的需求。
   交互能力：智能体不仅应探索数据安全性与个性化的平衡，还要提高大模型的准确性、强化泛化性，进而深化智能体的交互关系形成智能体网络，丰富整体服务能力，拓宽服务应用广度，达到完善应用生态的目标。
6. 个性化需求鞭策，引领服务模式创新升级
   灵活性：外界环境不确定性及动态性变化，促使智能体应具备高度的适应性和灵活性，拥有与时俱进的能力。部署具有专业知识和独特技能的智能体，使其在社会中扮演不同的角色，成为行业界的重点关注目标。
   个性化：人工智能和智能体技术的不断发展和应用，促使用户对智能体服务或产品的期望不断提高，对满足特定用户、特定场景和特定任务的个性化需求日益增长。智能体需具备适应不同任务和场景的能力，通过个性化创新来满足用户个人偏好、习惯和需求，进而开发出更加智能化、个性化和实用化的智能体应用，为用户带来更好的体验和服务。
7. 复合型人才短缺，制约智能体应用发展进程
   人才缺口：目前行业中缺乏既懂业务又懂AI技术的专业人员来有效地开发、部署和监管智能体。在智能体开发和定制阶段，需要相应人才能够理解领域的特定需求，并将需求转化为可执行的AI模型和智能体功能。在智能体部署阶段，将开发完成的智能体系统集成到现有基础设施的过程中，应确保其安全性、稳定性以及与其他系统的兼容性，需要相应人才有专业的IT和AI技能，并理解行业的安全标准和监管要求。在智能体运营阶段，相关人员应能够监控智能体的运行状态，及时发现和解决潜在的风险和错误，评估其性能并根据业务变化进行调整和优化。
   三、安全治理体系仍不完善，标准规范构建不全
   1.隐私安全面临严峻挑战
   随着智能体的普及，如何防止恶意攻击、保障用户隐私安全成为亟待解决的问题。安全性和隐私性是智能体的关键特性，对其稳定运行和对用户及社会的保护至关重要。数据隐私方面，智能体除了具备能力强大的模型底座支撑，还需要专业化数据的加持，以提供个性化的服务和建议。智能体需要访问和利用用户的个人信息，由此衍生出个人数据、隐私相关的问题，引发业界对数据隐私和安全性的担忧，在智能体应用过程中，企业自身数据资源也可能因为技术漏洞、协作机制设计缺陷或管理流程不足等原因面临暴露风险，亟需通过技术与管理结合的方式系统性解决。安全性方面，智能体落地应用面临着多种网络安全风险和攻击手段，如提示词注入、数据投毒、智能体权限滥用、智能体中间人攻击等。制定合理的安全保障机制，消除漏洞、
   遭受攻击或数据泄露等安全隐患，增强智能体的信任度和控制力，为个人信息安全保驾护航，避免对用户或社会造成损害。
   2.伦理法律迎来双重考量
   智能体的应用也面临着伦理和法律方面的挑战。伦理方面，伦理和责任是智能体可信应用的重要原则，当智能体在决策过程中需要权衡不同的利益时，如何确定其决策是否公平、公正、透明、可靠成为智能体技术和应用研究报告（2025年）重要的议题。智能体的决策过程需要符合伦理标准，防止偏见，确保所有人群都能公平享受AI带来的便利，避免因种族、性别、年
   龄等因素产生偏见或不公正的待遇。法律方面，责任归属是智能体的关键议题，人与智能体协同中的责任归属不清晰或不公正也会带来严重后果，引发法律责任问题。例如，在自动驾驶汽车发生事故时的责任承担问题；在真人形象模仿应用中，如何区分真人和以他为原型制作的智能体权利界限，可能涉及人格权及名誉权的纠纷；在研发作为生产力工具的智能体过程中，可能涉及很多包含专利、著作权、商业秘密的材料，引发知识产权相关的问题，需要在立法和监管方面加以完善。
   3.社会环境存在多维掣肘
   智能体的兴起深刻影响社会的多个层面，可能带来就业市场的重塑和技术失控的风险。智能体的普及将有可能进一步加剧技术性失业。智能体通过利用个性化和专业化的数据进行训练，打破了通用大模型在情绪价值和专业知识要求较高的场景上限制，业务表现得到大幅跃升，智能体应用更加广泛，将带来技术性失业的问题，可能会导致一些传统岗位的消失，引发就业结构的深刻变化。面对这一挑战，社会应未雨绸缪，通过教育体系改革、职业培训转型等方式，帮助劳动力适应新经济环境，促进人与机器的和谐共存。智能体的广泛应用可能会导致各种不可测的失控风险。如何确保智能体的发展始终处于人类的可控制范围内，防止技术滥用或误用带来的灾难性后果，是科研人员、政策制定者和全社会必须共同克服的难题。