图灵汇官网

导读

近年来，AI智能体技术经历了LLM、RAG、多模态等多个技术阶段的发展。在这些技术浪潮之后，AI智能体的实际应用情况如何呢？Langbase公司近期发布的一份调查报告通过11个关键问题，为我们提供了关于智能体技术现状的重要见解。2024年，AI智能体无疑成为了科技领域的热点话题。

Langbase公司对来自全球100多个国家的3400名开发者进行了深入调查。报告显示，智能体开发过程中存在一些关键问题。参与调查的受访者中，46%为公司高层管理人员，26%为工程师。Langbase专注于提供无服务器的AI云开发体验，其平台能够处理大量的开发需求。尽管这家公司成立时间较短，但在短短一年内已经取得了显著成就。

根据Crunchbase的数据，Langbase在9月份完成了pre-seed轮融资，得到了多家科技巨头的支持。下面，我们将详细介绍这份图文并茂的报告中提到的关键内容。

问题1：开发者在使用哪些基座大模型？

在AI智能体的竞争中，OpenAI的大模型服务处于领先地位，但谷歌正在迅速崛起，成为强有力的竞争对手。Anthropic紧随其后。虽然Meta的Llama、Mistral和Cohere影响力较小，但它们的增长势头不容小觑，显示出了基座大模型市场的激烈竞争。

问题2：不同大模型对应的具体用途

OpenAI的大模型在翻译任务中应用广泛，Anthropic则在技术任务中备受青睐，而谷歌的模型在健康和翻译领域占据主导地位。此外，Meta在科技和科学应用中得到了广泛应用，Cohere在科学和营销等多个领域也受到了重视。

问题3：哪些因素阻碍了你对大模型技术的应用？

在模型的扩展和部署过程中，数据隐私和安全合规性是主要关注点。缺乏监控工具和高昂的基础设施成本也是阻碍技术落地的因素之一。AI驱动解决方案的抵制或怀疑反映出用户的长期顾虑，这表明模型和技术提供商需要更加透明和用户友好的AI平台。

问题4：哪些因素影响大模型的选择？

在选择大型语言模型（LLM）时，准确性是最关键的因素，其次是安全性和可定制性。成本的影响相对较小。

问题5：在部署大模型时，你遇到的最大挑战是什么？

在生产环境中部署大模型和智能体面临多种挑战，包括定制困难、质量保证评估方法有限，以及缺乏可重用的基础设施。此外，工具碎片化、集成问题和可扩展性方面的顾虑也增加了部署难度。

问题6：采用大模型技术时，你的主要目标是什么？

“自动化”和“简化”是AI应用的主要目标，使企业在效率和流程简化方面受益。此外，定制解决方案和提升合作流程等方面的目标，体现了大模型日益增长的灵活性以及消费者对系统共享访问的兴趣。

问题7：您的公司如何使用大模型智能体？

LLM在软件开发中得到了广泛应用，特别是在市场营销、IT运营和文本摘要等方面。客服、人力资源和法律领域的应用兴趣也在不断增长。

问题8：哪些平台特征对你至关重要？

大多数受访者认为多智能体检索增强生成（RAG）功能对于提高上下文信息处理非常重要。评估工具对于确保人工智能系统按预期工作也至关重要。

问题9：在编排AI流水线时，开发者偏好哪种工具？

大多数受访者更倾向于使用能够提供灵活、基础原语的开发工具来设计定制AI流水线。预构建的、针对特定问题的解决方案虽然可以直接解决具体问题，但它们的可定制性较低。

问题10：什么因素影响大模型智能体开发工具的选择？

开发者将AI智能体的版本控制视为开发平台最重要的功能之一。强大的SDK或库生态系统以及本地开发环境也受到了高度重视。

问题11：大模型在公司中的应用程度

大多数开发者将AI用于实验和生产。相比而言，实验用途的比例远高于生产用途，但生产用途的比例正在逐步增加。

随着AI智能体基础设施的成熟，越来越多的企业将尝试开发智能体。未来，智能体在2025年的应用将更加广泛，不仅限于软件开发、市场营销、IT运营和文本摘要等领域。然而，调查中揭示的开发者关注的问题，如更注重准确性、安全性和可定制性，以及偏好灵活、可定制的AI流水线开发工具，并重视AI智能体版本控制功能，这些都将对未来的智能体平台及开发者具有重要的参考价值。