一個月過去，等到 manus 的邀請碼了嗎？
作者｜連冉
位元組的 Agent 產品來了。
4 月 18 日晚間，字節跳動釦子空間開啟內測，定位通用 Agent。與其他類似產品如 manus 一樣，釦子空間採用了邀請碼制。
平臺上，使用者可以選擇精通各項技能的「通用實習生」，也可以選擇行業的「領域專家」，透過與 AI 的互動完成工作任務。
就在前一天，火山引擎剛剛面向企業市場推出 OS Agent 解決方案及 AI 雲原生推理套件，要幫企業更快、更省地構建和部署 Agent 應用。
雖然採用了邀請碼制，但釦子顯然不是走飢餓營銷的路線。使用者啟用獲得的邀請碼後，建立並完成一個新任務即可獲得 5 個邀請碼，邀請碼啟用後，還可獲得更多邀請資格，多建立多獲得多邀請。
上線的第一時間，極客公園就上手實測了釦子空間的 Agent 功能。可以看到，在執行的三個任務中，制定旅遊攻略和一週穿搭的任務順利完成，但另一個專家助手的任務，卻出現了 Python 指令碼呼叫失敗、 API 許可權異常等 Bug，一個晚上都沒能執行成功。
位元組邁出了走向 Agent 時代的第一步，但距離完美好用，顯然也還有很長一段距離。
01
釦子有探索和規劃兩種模式，如果想讓它一步到位輸出，可以選擇探索模式；如果想親自把控每個步驟，可以選擇規劃模式。
我試了一下用釦子的探索模式制定一份日本旅行攻略，跟 manus 用例展示裡的提示詞類似，來看看釦子做出的旅行方案怎麼樣：
影片來源：極客公園
做出這份旅行攻略的時間在 10 分鐘以上，可以看到釦子將推理過程的思維鏈與搜尋深度結合，踐行「邊想邊搜」，在「已獲取到日本關西和熊本的小眾景點、海邊景點以及適合三十歲生日慶祝的特別地點資訊」後，釦子儲存了「景點資訊」，開始「邊想邊做」，從景點中篩選出合適的景點並規劃出行程安排，在完成行程安排後，開始生成包含地圖、景點介紹、必備日語短語及旅行提示的 html 旅行手冊：
經過了 15 分鐘以上的執行後，釦子給出了上面影片所示的一份旅行攻略，如上面所示，裡面既有 5 天的行程安排，也給出了預算參考和旅行提示，還根據我的需求配備了個性化的策劃節目，看了一下基本按照這個方案已經可以直接出行。
釦子還支援新增 MCP 擴充套件，AI agent 得能力邊界被進一步擴充套件，接下來應該會有更多外掛接入。
我接入了語音合成的工具，讓它給我把文字攻略轉成語音版本，agent 很快就輸出了語音版本：
https://lf-bot-studio-plugin-resource.coze.cn/obj/bot-studio-platform-plugin-tos/artist/image/4c1277951b564bb194bbcd11894a52ad.mp3
這個聲音聽著很像豆包 app 預設的女聲聲音，雖然把符號那些也連帶著一起讀了，但這個功能是方便好用的。
我繼續試了一個簡單任務，「查一下北京未來一週的天氣，根據天氣推薦一週穿搭，製作相關圖片」，不過第一次輸入沒有註明是穿搭圖片，所以輸出的只是天氣表格，在增加這個需求後，釦子輸出了兩張穿搭圖片，可能因為我沒有告知性別，它乾脆輸出了一男一女的穿搭。
圖片來源：極客公園
圖片來源：極客公園
圖片來源：極客公園
圖片來源：極客公園
圖片來源：極客公園
圖片來源：極客公園
這個輸出的穿搭圖片裡，人很真，穿搭也看著可借鑑。後續還可以繼續讓釦子接著補充完一週的圖片連結。
圖片來源：極客公園
MCP 被認為是未來 AI 生態的「標準 USB 介面」，3 月底，國外，OpenAl、谷歌、微軟和亞馬遜陸續宣佈支援或深度整合 MCP 協議，國內，阿里雲、騰訊雲也陸續支援 MCP 服務部署與呼叫。
此外，除了標準的通用 Agent，釦子空間裡還內建了一些專家 Agent。目前在釦子空間的使用頁面上，有「使用者研究專家」和「華泰 A 股觀察助手」兩個專家 Agent，前者可以提供調研問卷交叉分析、訪談紀要整理以及使用者分析報告撰寫服務，同時可結合產品問題設計新的調研問卷和訪談提綱，後者則是由華泰與釦子團隊共同孵化的專家 Agent，每日跟蹤覆盤自選股和大盤客觀情況，基於專業資料和框架提供觀察思考。
兩位「專家」都已經明碼標價——限時免費，這個標註方式或許為之後收費埋下伏筆？
「使用者研究專家」核心包含四大能力，單任務平均耗時只需 4 分鐘：問卷資料分析；訪談紀要總結；調研問卷生成；訪談提綱生成。
「華泰 A 股觀察助手」的單任務平均耗時要長一些，23 分鐘。該助手稱可以每天為使用者傳送專屬的股票早報，也可以與使用者 1 對 1 探討股票觀察：
最近股市動盪頗多，來看看華泰與釦子團隊共同孵化的專家 Agent 能力如何。
這個專家執行任務中間有節點，可以看到它在進行了分析、總結、生成報告之後，在等待我確認是要開始任務還是修改任務。
雖然頁面上顯示 10 分鐘未開始任務，任務會自動確認並開始，但這個執行並不穩定。在之後再次出現類似節點時，我沒有在 10 分鐘之內反應，10 分鐘後任務並沒有自動開始，而是就停留在節點，導致該任務時長拖到了幾十分鐘還沒有結束。
我是 18 日晚上 21:59 左右開始的這個任務，但是直到第二天早上，這個任務也沒有完成。回頭翻看任務執行過程，有一些資料未能獲取，還有 Python 指令碼 fetch_kline_data.py 呼叫失敗，「可能是由於 API 呼叫許可權或資料來源問題」。
看來即使是 AI，股市專家也不好做。
02
2025 年之前就被稱為會是 agent 之年。
manus 在 3 月的火熱，加速了大廠在這一領域的推進。而 manus 能在今年「橫空出世」，也是基於 Claude 3.7 Sonnet 等新一代模型在工具呼叫和程式設計能力上有重大突破，為 Agent 發展奠定基礎。
位元組在 agent 賽道了再次展現了速度與執行力。17 日，豆包·深度思考模型正式釋出，同步升級文生圖模型 3.0、視覺理解模型，並推出 OS Agent 解決方案及 AI 雲原生推理套件，為企業構建與部署 Agent 應用提供了強力支援。18 日，通用 agent 平臺釦子空間即開啟內測，定位於提供「通用實習生」和「領域專家」Agent，展現了位元組從技術突破到產品落地的迅速節奏。
在 17 日的釋出會上，火山引擎總裁譚待強調要做好 agent，技術上需要做好三個準備，包括更強的、支援多模態的模型，更好的架構和工具能夠支援大模型運算元字和物理世界，以及透過 AI 雲原生降低模型推理的成本和延遲。
釦子空間的內測開啟，或說明位元組已經基本做好了這三項準備。
豆包 1.5·深度思考模型採用 200B 引數、20B 啟用引數的 MoE 架構，支援視覺推理和「邊想邊搜」，能在數學推理（AIME 2024）、程式設計競賽（Codeforces）和科學推理（GPQA）等任務中媲美 OpenAI o3-mini，達到全球第一梯隊。其 20 毫秒的極低延遲和多模態能力，使其能處理複雜任務，如基於照片推測地理位置或解讀企業專案流程圖。
OS Agent 方案透過 AI 雲原生元件（如 Sandbox）為企業提供了模組化的開發支援，顯著降低了 Agent 應用的開發門檻。火山引擎還支援 MCP 協議，譚待認為，類似網際網路早期 HTML 和 HTTP 的統一協議將加速 Agent 生態發展，降低開發者適配成本，推動行業標準化。
火山引擎正在透過垂直類 Agent（如 Data Agent）、通用 Agent 開發工具（如 OS Agent）及 AI 雲原生布局，全面推進 Agent 生態建設。
譚待提到，Agent 是 AI 為各行各業帶來變革的必經之路，需具備深度思考模型支援的反思和規劃能力，才能完成專業度高、耗時長的複雜任務。
不過，當前市場對 Agent 的定義較為混亂，部分廠商宣稱開發的「數千個 Agent」可能僅為初級（L1）水平，僅能處理簡單任務。未來，Agent 或將像自動駕駛分級（L1 至 L4）一樣明確標準，真正落地的 Agent 需達到 L2++及以上級別。接下來，Agent 的定義和應用場景將更加清晰。
可以看到，位元組的 Agent 戰略以技術突破、生態協同和成本優勢為核心，展現了「大廠碾壓」的實力。
熱點影片
更多閱讀