這隻「斑頭雁」重新整理了Agent領域的單筆融資紀錄:它是誰?從哪來?

我們用它搭了個「躺島呱呱醬 Agent」

👦🏻 作者: 鏡山
🥷 編輯: Kavana
🧑‍🎨 排版: NCon

斑頭雁是唯一能飛過珠穆拉瑪峰的鳥類。當其他鳥類只能藉助風力勉強透過時,斑頭雁卻能憑藉自身能力「硬飛」過這座世界之巔。
這多多少少讓我們聯想到企業級 AI Agent 市場的現狀:大多數產品在等待完美的「風力」——更強的模型和算力、更低的成本、更成熟的技術環境,但也有產品希望不等完美、只爭朝夕,試影像斑頭雁一樣「硬飛」過高峰。
近日,為自己起名為「斑頭雁」(BetterYeah AI)的企業級 AI 智慧體開發平臺完成了由阿里雲領投的超億元 B 輪融資,創下國內該領域迄今公開披露的最大單筆融資紀錄。
BetterYeah AI 的核心團隊與阿里的淵源很深。 CEO & 創始人張毅(花名:陶鈞),曾是阿里釘釘創始團隊成員、原副總裁,另外兩位聯合創始人(COO 黃雯、CTO 黃種堃)也出自於釘釘核心創始團隊成員。

🚥

在 AI Agent 概念滿天飛的今天,什麼才是衡量一款企業級產品是否具備「硬飛」能力的標準?
答案或許就在「可落地性」這四個字裡。
我們發現 BetterYeah AI 在 Agent 最難的關卡——可落地性上的完成度很不錯。
因此,我們深度測評了這款受到商業市場關注的產品,並用 3 點思考回答了「在 AI Agent 的喧囂過後,什麼樣的產品能夠真正在企業裡存活下來?

我們讓「躺島呱呱醬 Agent 」正式上崗!

BetterYeah 裡提供了各種場景下的 AI Agent 和工作流,可以直接拿來借鑑。我們也試著自己為「躺島」搭建一個 AI Agent ——「躺島呱呱醬 Agent」。

1)完善的工作流

我們對「 躺島呱呱醬 Agent」的設想是:作為一個具有行業專業知識、能夠呼叫工具,為顧客定製化輸出回答的、真正能幹活的 AI 客服。
來看看,它是否能做到吧!
首先,我們可以根據想讓它做到的事情,給它設定一個角色設定,規定好它的基礎能力。角色設定部分,我做了視覺化卡片放在右側了,需要的同學可以直接模仿:

然後,BetterYeah 可以很方便地上傳資料到知識庫和資料庫裡。比如,我們上傳了躺島的三款產品:躺島線條小狗夏涼被,躺島山野瓜夏涼被,躺島瓜瓜涼被。
再利用 AI 排版一下它們各自的資訊,就可以一鍵複製到 BetterYeah 的知識庫裡:

知識庫上傳很方便,支援多種格式

這樣,我們就有了一個基礎版的 Agent。
比如,我們問它:
prompt:我住在上海、夏天不敢通宵開空調,而且上海偶爾會有梅雨天氣。 但我睡覺必須要蓋被子才有安全感。 夏天不管蓋什麼都好熱!請給我一個推薦?
「 躺島呱呱醬 Agent」可以根據知識庫裡的資料,進行深度思考,給出了一個非常完整的回答,有 4 條推薦理由,還給出了知識庫裡的產品圖以及購買連結,點選可以直接進入淘寶介面:

關於 BetterYeah 最基礎的功能,我們就不多贅述了。
除此之外,在我們的實際使用中發現:
這款產品最大的優勢就是可以應對高度可定製的豐富場景,因為它支援構建非常個性化的工作流,並將這些 flow 搭成 Agent,快速上崗

2)高度可定製的豐富場景

天氣查詢

當使用者面對使用者可能需要「天氣查詢」的場景時,就可以自主迅速搭建一個天氣查詢工作流。
BetterYeah 提供了一個畫布式的工作流搭建介面在這個工作流的每一個需要 AI 能力的節點,都可以獨立選擇你想要使用的基礎大模型。
BetterYeah 提供了大量的模型選擇項,像是 DeepSeek-R1、V3、通義的 Qwen 等等,每種模型所需要的積分消耗都不相同。

左側提供了大量的基礎能力節點和個性化的模版,包括 B 站、微博、抖音等等工具,這其實很像是「MCP」的概念:

搭建好流程後,我們就可以給這個工作流一個「描述」,讓 AI 能力更加精準

我們輸入一段提示詞,測試下:
prompt:北京現在這天氣適合蓋什麼材質的被子,躺島的夏涼被裡有推薦嗎?
「躺島呱呱醬 Agent」此時,就會根據思考結果自動呼叫「天氣查詢工作流」,獲取北京的溫度,並依據此給出推薦答案

僅退款不退貨使用者的意圖識別

由於 BetterYeah 的工作流中提供了 LLM 節點,可以直接依靠大模型的能力做內容解析,我們可以模擬一個刁鑽的細分場景:識別僅退款不退貨使用者的意圖。
對這種場景的應對方式其實很簡單:
比如,在這個「僅退款不退貨」工作流中,我們將使用者意圖分成了四類:

再利用 LLM 節點,對每一類意圖單獨設定一段提示詞。
比如對於「主動索賠意圖的使用者」,LLM 需要綜合考慮運費險資訊,輸出一個回覆模版,為之後 Agent 最終回覆使用者提供思路:
prompt: 如果使用者是「主動型(索賠意圖)」, 輸出: 💬「親親,呱呱醬理解您的顧慮哈🥺,不過根據平臺和店鋪規則,退款都需要收到退回商品後進行哦~ 如果運費問題讓您不方便,呱呱醬可以幫您一起查檢視是否符合運費險條件,或者看看是否能申請其他補貼方案,您覺得怎麼樣呀?」

然後,我們給這個「僅退款工作流」命名為:「僅退款使用者應對策略專家」,讓它「當用戶想要僅退款不退貨時,需要呼叫此技能」:

然後,我們模擬一個案例測試一下:
prompt:要我自己出運費?那你直接退錢吧
「躺島呱呱醬」這時候會根據「僅退款使用者應對策略專家」工作流,識別出使用者意圖為「主動索賠型,焦點在運費和退錢上」:
使用者明顯對運費問題不滿,情緒可能比較激動。我需要先處理使用者的情緒,同時遵循公司的退貨政策。首先,根據僅退款使用者應對策略專家工作流的執行結果,系統已經提供了一個回覆模板,強調共情、規則重申、替代方案和主動權移交。我需要確保回覆符合這些要點。
Agent 會先透過「工作流中輸出的自動回覆模版」得到思路,但並不會直接照抄,而是以此為基礎提供更發散、更符合實際的回答

AI 識圖

我們還可以繼續 DIY,利用 BetterYeah 在工作流節點中設定的「AI 識圖」功能,做一個「圖片上傳分析工作流」用來接收使用者輸入的訊息和上傳的圖片檔案,對圖片內容進行分析處理
在「開始」節點,我們先讓使用者輸入文字+圖片,然後經過「影片/圖片知識問答」分析,最後去「知識庫」搜相關產品

我們上傳一張淘寶網站上隨機找的夏涼被圖片,問「躺島呱呱醬」:
prompt:是否有相同色號的推薦
「躺島呱呱醬」Agent 在思考中識別到:
知識庫中的山野瓜夏涼被是綠色系,圖案是自然山野風格,可能和使用者圖片中的顏色匹配。需要檢查產品描述中的顏色和圖案是否與使用者上傳的圖片相似。此外,使用者可能喜歡自然、清新的風格,所以推薦時要強調顏色和設計元素。
最後,它給出了一個最合適的答案 —— 「躺島山野瓜夏涼被」:

3)很高的擴充套件性

當然,我們也相信很多實際使用過的人還看到了 BetterYeah的「隱藏用法」:由於 BetterYeah AI 有非常高的擴充套件性,所以你在這個平臺裡做的 Agent 幾乎可以連線到任何地方使用
從使用場景來看,除了常見的網頁連結或直接聊天對話之外,使用者還可以把構建好的 Agent 釋出到各種不同的平臺上使用。

BetterYeah 還提供了 MCP 服務,支援將做好的 Agent 直接變成 MCP,一鍵連線到外部的 AI Coding IDE 裡,利用 BetterYeah 本身提供的運維能力做 「多 Agent 巢狀」。
舉個簡單的例子,我們可以在 IDE 裡手動配置一個「躺島呱呱醬 Agent」組成的 「躺島 MCP」。
BetterYeah 裡直接提供了 URL,可以一鍵配置:

然後,在 IDE 裡做一個「升維版的躺島呱呱醬 Agent」。
比如,直接給了它一段提示詞,並在工具裡新增「躺島 MCP」:
prompt:你是一個躺島呱呱醬 Agent,當用戶輸入請為我推薦夏涼被後,你需要使用「躺島MCP」,並輸出結果。 將搜尋到的結果自動生成html網頁。

然後,這個超簡單版本的「躺島呱呱醬 Agent」就可以自動化輸出視覺化網頁了:

這種將 BetterYeah 裡的 Agent 化作 MCP,可以無縫對接到專業的開發環境中。
這時候,開發者就可以在成熟的 BetterYeah AI Agent 基礎上,新增自己想要的介面、功能和互動方式。

4)「躺島」定製款夏涼被髮貨系統

在 BetterYeah 中其實也存在一個多 Agent 協作的功能,它允許使用者將更加複雜的場景串聯起來。
為了直觀一點地解釋這個功能,我們嘗試模擬一個「躺島」定製款夏涼被髮貨系統。這個任務在現實場景中往往需要一個很長的流程,比如有一個使用者「張先生」,他定製了一款躺島夏涼被,還有自己的偏好。
流程此時就涉及瞭如下幾個步驟:
【1】訂單查詢 → 查出張先生的訂單號 
【2】使用者偏好解析  → 判斷「仰臥睡眠者,容易落枕,過敏體質」,對應為特定材料 
【3】工廠能力匹配  → 檢查此類材料(比如:防蟎面料、慢回彈填充)是否有貨 
【4】發貨確認  → 稽核定製單完整性,下發生產並安排發貨
但是,每一個步驟其實對於 Agent 來說都涉及數個工作流,所以此時我們就可以做好幾個 子 Agent 構成一個主 Agent,來將這個複雜的場景細化
我們可以將每一個步驟都利用 BetterYeah 快速做一個 Agent 出來。
比如,上傳訂單資料,構建一個訂單查詢 Agent:

訂單資料

使用者偏好解析 Agent:

工廠能力匹配 Agent:

當以上三個子 Agent 構建好後,就可以在左下方構建一個主 Agent 了。

將三個 Agent 一鍵勾選後,「躺島夏涼被定製化 Agent」就很快完成了,我們可以輸入一段提示詞測試下:
prompt:張先生的定製款夏涼被可否安排發貨?給我訂單號,偏好資料,功能的材料準備等資訊
可以看到,主 Agent 會分別查詢 3 個子 Agent,依次獲取資訊,再透過 AI 的深度思考能力得出一個資訊整合過的回答:

最後,每一個構建好的 Agent 都可以透過日誌、分析、效果監控做全流程的資料監管:

而這只是 BetterYeah 的 Agent 集合功能的一個最簡單的案例,還有很多的可能性值得挖掘一下。

Agent 最難的關卡 —— 可落地

當下各種優秀的 AI Agent 產品如雨後春筍般湧現,從 Chatbot 到 AI 客服,從 AI Coding IDE 到寫作工具,正處於「百花齊放」的過程之中。但仔細觀察就會發現,真正能在企業裡紮根、被實際日常使用並且創造生產力的產品卻有點「寥寥無幾」
AI Agent 要想真正完成商業化落地,遇到的最難的關卡就是:能不能真正「落地」、能不能解決實際問題。
它不應該只是個技術原型,而是一款真正的商業產品。

1. 在 Agent 的「綠燈區」而非「紅燈區」

前段時間,來自斯坦福大學的一篇關於 AI Agent 的論文裡,我注意到了一些很有意思的見解:AI Agent 應該專注於那些「綠燈區」的工作,而非紅燈區

什麼是「綠燈區」?
簡單來說,就是那些既需要自動化、又容易實現自動化的任務領域。比如商務談判和財務分析、資料處理和計算工作、以及各種管理協調事務。
這不只是因為 AI 可以替換人力、創造利潤,更重要的是與 Agent 一起工作的「同事」能夠接受這種協作方式。
「紅燈區」則是 AI 確實能夠實現高度自動化,但使用者心智上的需求較低的任務,論文中提到的例子是:物流分析、心理諮詢、法庭等等領域。

在 Agent 的「綠燈區」裡,企業級 AI Agent 能夠最大限度地發揮作用。它們擁有專業的行業知識,可以讓專家級生產力替代重複的工作流
在需要專業行業「上下文」、許可權不同的任務確認;複雜的協作場景中,企業級 AI Agent 能夠找準定位,解決真實痛點,顯著提升生產力。

2.在合適的位置嵌入 AI 能力,用來增強放大,而不是替代

如果仔細觀察現在的這些獲得初步成功的 AI Agent 產品,我們會發現一個共同的特點:它們並不是簡單地想要「取代」使用者,而是聰明地選擇在合適的節點「增強」使用者的能力。
我們已經看到了許多種 AI 產品在互動上體現出:在構建工作流程時,「將 AI 巧妙嵌入」的思路。
以 BetterYeah AI 的工作流搭建為例,比如:
【1】 在工作流的某一個位置插入檢索增強、解析增強的 AI 模組
【2】 Agent 能力設定時的「角色代言詞」
【3】工作流呼叫配置裡的描述詞等等。
多層次的 AI 能力巢狀,其實也意味著在某些地方,我們可能仍然需要承認:AI 還沒有那麼聰明。
比如,在對「僅退款」的使用者的意圖識別中,AI 的表現很好;而在上下文背景有限的單輪對話中,像是關於優惠資訊的詢問時,一行簡單的 JavaScript 或者只是直接從「優惠券知識庫」裡搜尋相關資訊可能更有效:

使用者決定目標、掌控節奏、做最終判斷,而 AI 只是幫助我們把每個環節都做得更好、更快、更準確。

3.充分利用基礎大模型的「丰度」和「可及度」

得益於基礎模型廠商的大幅降價,我們認為企業級 Agent 產品也正在迎來高光時刻,這種成本降低為企業級 AI Agent 帶來了前所未有的機遇。
現在的 AI Agent 產品在使用者的協作下,透過工作流的快速構建,變得越來越「聰明」:它們可以根據不同任務的複雜程度,靈活選擇不同「檔次」的 AI 大模型來處理。
這種做法有個雙贏的好處:使用者可以根據任務本身來控制成本,而 AI Agent 產品商本身也能更高效地提供計算資源。
以 BetterYeah AI 為例,我在深度測試時仔細算了一筆賬:團隊版使用者的 2 萬積分額度,如果在處理日常簡單諮詢時,選擇使用通義團隊的開源輕量模型——比如最便宜的Qwen Turbo(0.02 積分/次),或者選擇字節跳動的豆包、百度的文心一言等價效比較高的國產模型,在構建功能相對簡單的 AI Agent 的場景下,能夠支撐 50-70 萬次的對話互動。
這種巨大的成本效益提升,正是 AI Agent 能夠真正在企業中紮根、在資本市場中亮眼的關鍵因素。

🚥

2024 年,幾乎每個 AI 行業的創業者都問過同一個問題:我們要不要做個 AI Agent ?
2025 年,這個問題變成了:我們的 AI Agent 為什麼還沒賺到錢?
在 AI Agent 發展中的每個技術轉折點,總有一些瞬間讓人恍然大悟:
原來真正的突破不在於技術本身有多「令人」震驚,而在於它是否找到了恰當的商業土壤。
從 BetterYeah AI 的案例中,我們看到了一條相對清晰的路徑:
【1】  不要試圖做萬能的 AI Agent,而要做專業對口的「數字同事」;
【2】 不要想著顛覆一切,而要先解決具體問題;
【3】 不要追求技術的完美,而要追求商業價值的實現。
這或許就是那些還在為 AI Agent 商業化焦慮的創業者們最需要的答案。


相關文章