大模型下半场，AI Agent的爆发将重构企业学习

【引言】 AI Agent是通过大模型驱动，能够自主的理解、规划、执行，并最终完成任务的智能程序。大模型下半场，Agent将以LLM（大语言模型）为大脑，整合知识流和工作流，重构工作场学习，让每个人都有可能成为超级个体

1

千亿美元AI Agent赛道

一、AI Agent 爆发

随着大模型的兴起，我们正处于一个崭新的智能时代的黎明。大模型的下半场，也迎来了AI Agent的大爆发。OpenAI联合创始人Andrej Karpathy认为：AI Agent代表着一个疯狂的未来。 移动互联网时代的主要载体是APP，智能时代的核心载体将会是AI Agent。AI Native APP可能不一定是现在移动端的APP，它也可能是一个用于Agent的工作流。

在大模型时代，AI Agent的通用定义是：通过大模型驱动，能够自主的理解、规划、执行，并最终完成任务的智能程序。

AI Agent与大模型的区别与关系可以概括为：

• 大模型只是一个大脑，而AI Agent是一个完整体。

• 大模型通常不会使用工具，而AI Agent则有使用工具的能力。

• 大模型只会告诉你怎么做，而AI Agent会直接帮你做。

• AI Agent会与外部环境交互，并借助大模型来决策行动。

• AI Agent通过大模型来驱动，大大提升了自身的理解、规划与决策能力。

例如，告诉AI Agent帮忙下单一份外卖，它就可以直接调用APP选择外卖，再调用支付程序下单支付，无需人类去指定每一步的操作。

现在全球对Agent的关注也是非常狂热的，从今年4月开始，各种类型的AI Agent项目不断涌现：AutoGPT、BabyGPT、谷歌的Robotic Agent；微软的贾维斯Agent、亚马逊的Amazon Bedrock Agents；哥伦比亚大学的GPT Researcher Agents；西部世界的AI TOWN AGENT。

几个月前，OpenAI在内部就开始高度关注智能体（Agent）领域，Deep Mind的联合创始人最近也提到下一代AI技术走向并非是生成性AI，而应该是交互性AI。 用户要求完成各种任务，Agent则可以对进行操作或者与人进行协作，完成相关的工作。

今天，全世界都在关注这个领域，Agent模式的研究和应用都在迅猛发展，作为一个"共识"可预见的未来该技术的进步将势不可挡。AutoGPT模型刚在10月15日宣布获得1200万美金的资金支持，OpenAI将在11月份发布面向Agent的原生模型和规范。百度在发布"文心一言4.0"时也表示，他们考虑在升级系统时重点考虑了Agent的能力。

二、AI Agent 场景

AI Agent的C端应用是以工具使用为核心 ，主要形式多为能帮助安排日程、处理日常事务和个人生产力的个人向助理。AI Agent的B端应用是以任务规划为核心，主要形式多为能协助工作完成、担任某个岗位职责的工作助理。

AI Agent有两大方向：事的方向和人的方向。 事的方向，就是自主智能体，力图实现复杂流程自动化，包括单智能体和多智能体。人的方向，就是智能体模拟，力图更加拟人可信。主要包括三个场景：单Agent、多Agent的互动和人与Agent的互动。 单个Agent拥有多种能力，可以在各种应用方向上展示出优秀的任务解决能力，例如以AutoGPT为代表、聚焦专业化方向的单一Agent。当多个Agent进行互动时，它们可以通过合作或对抗性互动实现进步，以CAMEL为代表，模拟部门甚至公司的多Agent协作系统。

2

重构工作场学习革命

一、趋势：基于AI，以工作执行者为中心

数字化学习技术发展趋势从1.0时代走向了4.0时代。1.0时代是培训本身信息化，聚焦课程知识的掌握，是以讲师为中心，数字化学习平台更偏重课程本身的质量、评估。

数字化学习技术2.0时代，发现单一的课程已经无法满足学习价值需求，转向以培训管理者为中心，希望通过培训管理者加强项目管理，加速学习转化，这是目前很多大集团的主流学习平台。

数字化学习技术3.0时代，加速转向以学习者为中心，加速从一刀切、项目式的运作模式转向个性化、嵌入化，开始加速知识的流动，这是组织生态化的必然趋势。

数字化学习技术4.0时代，加 速从 以学习者为中心转向以工作执行者为中心，加速 从正 式学习转向非正式学习。 跳出以学习场域为主的思考模式，结合工作场域的要求，建立全局观，将两者视为整体的生态圈来思考，开始进入基于AI的工作场学习时代。

目前，从人的角度来看，学习场域里主要以学习者（learner）为中心，在工作场域里则主要以工作执行者（performer）为中心。在过去学习发展工作中，关注的焦点已经从以讲师（instructor）为中心转向以学习者为中心；如果关注的是工作成效的提升，则必须从以学习者为中心转向以工作执行者为中心。这种关注焦点的转换，代表着价值创造的改变——培训已经不够了，企业要的是提升工作成效。 要达成这个目的，就必须跳出以学习场域为主的思考模式，结合工作场域的需求，建立全局观，将两者视为整体的生态圈来思考，建设健康的“学习生态圈”环境，将学习用在工作过程中，形成良性循环。

随着Agent的爆发和到来，不仅解决了工作执行者的更加智能的任务规划、分解、执行、反馈，同时提供了实时的大小脑的专业知识库支持（LLM为大脑，短长期记忆为小脑：意味着本地化的专业知识库可以实时进行赋能），让基于Agent的工作场学习更加聚焦工作业务场景，通过场景化、个性化、智能化的方式，在服务规模化的趋势下，加速提供场景赋能。

通过基于Agent+的工作场学习，重构工作场学习的链接，进一步加速学习流和业务流、工作流的融合，重构和优化人才发展的运行模式。让学习在工作中发生，从而学习工作化、工作学习化。基于Agent+的工作场学习将成为业务本身，学习将会越来越多融入工作流、业务流中。

二、场景：从学习工作化到工作学习化

大多数组织都存在两种不同的学习体系，一个是正式学习体系，主要是一些经过专门设计、以某种形式呈现出来的学习活动；另一个是非正式学习体系，是组织内员工在其工作流程中，当有需求时所主动选择的学习方式。80%的学习主要发生在非正式学习体系之中。

正式学习体系，就是很多企业在组织的，正式学习体系的挑战点是学以致用，难点是学习转化，这也是第一代、第二代数字化学习技术始终努力解决的，就是学习工作化。

非正式学习体系，发生在员工的实际工作中，挑战点是用以致学，难点是绩效支持，这也是第三代、第四代数字化学习技术努力解决的方向，就是工作学习化。主要包括按需学习、社会化学习和嵌入式学习。

所以，基于AI的工作场学习的两大场景就是：学习工作化和工作学习化。

工作场学习最基础的是两条线：一条是任务完成线，就是在这个场景中首先需要完成任务；做什么？如何做？还有一条是知识赋能线，就是为了完成这些任务，用户需要学习掌握哪些知识：学什么？如何学？

基于Agent+的工作场学习，针对任务完成线，可以通过LLM大模型+SOP，自动智能提供任务的规划、分解、执行；针对知识赋能线，可以利用LLM大模型+长期记忆（本地文档），提供更加精准的知识赋能，起到个性化AI导师的作用；同时利用Agent+与环境强大的实时反馈功能，也解决传统工作场学习的实时反馈跟进的短板。

基于Agent+的工作场学习，通过让任务线和知识线的合二为一，加上LLM为大脑，更加智能地整合学习流和工作流，让组织中的每个人和团队的学习在工作中发生，是聚焦工作场的学习，是学习工作化+工作学习化；最主要的特点是：场景化、个性化、生态化。

○ Agent+场景化

基于Agent+的工作场学习，首先面对的是各种真实工作任务，学员的学习将在完成工作的过程中、连接中或业务创新创造中完成。同时，通过LLM+长期记忆的知识赋能，帮助学员更加精准高效解决问题并提升绩效，完成从学习场域到工作场域的变化，实现工作流中的学习。

在服务规模化的今天，用户更需要的是墙上的洞，而非钻头。用户更需要的是快速解决工作中遇到的问题，而非过载的知识。

例如，在赋能人才的转型升级过程中，学员面临各种各样转身时刻的实时赋能场景需求。可以通过基于Agent+的场景赋能，满足千人千面转身场景需求。针对经理人在日常工作中关键即时场景需求赋能（如，工作中需要反思时，情绪波动时，刻意行为训练时，解决挑战任务时，团队轻研讨时；新经理，新岗位；移动绩效实时支持、场景化学习底图等）可以实现千人千面的不同场景下的智能赋能效果！

○ Agent+个性化

基于Agent+的工作场学习，利用其出色的规划分解执行能力，可以实现学员的个性化。针对组织一线的每位员工面临不同的岗位、不同的业务难题、不同的能力发展需求的各种即时需求场景，同时达到针对不同阶段的员工提供完全个性化的千人千面的赋能效果。

基于Agent+的工作场学习，在更加个性化的基础上，也造成了基于Agent+的新一代超级个体的诞生。新一代的超级个体是拥有自己的AI团队与自动化任务工作流，基于AI Agent与其他超级个体建立更加智能化与自动化的协作关系。如何搭建AI工作流，如何与AI Agents共同写作进行自动化工作，是接下来个人发展的核心竞争力。

○ Agent+生态化

基于Agnet+的工作场学习，也必将走向生态化。因为移动互联网时代的主要载体是APP，智能时代的核心载体将会是AI Agent；AI Native APP可能不一定是现在移动端的APP，它也可能是一个用于Agent 的工作流。

今天有AppStrore市场，下一步一定会有AgentStore市场，像NetusGPT公司的AI员工、GPTeam的AI团队构建不断涌现，未来的学员，可能会从AgentStore 市场随时通过LMM调用整合自己所需要的 Agent。学员可以基于设计思维，随时组建AI Agent团队，更高效率、更加精准，通过实时知识赋能，出色完成工作。

3

实践：基于Agent+ 的工作场学习

从LLM（大语言模型）到AI Agent，之前LLM重点解决了说的问题，现在Agent重点解决了做的问题，为学习流和业务流的整合带来了革命性的机遇，基于Agent+的工作场学习也为组织中的每个人和团队解决问题带来了全新的范式。我们将陆续介绍国内外比较前沿的针对工作场学习的AI Agent场景解决方案。

一、基于Agent+的在线行动学习画布

Agent在工作中的使用的抓手，优先选择行动学习。 首先是因为组织高度重视行动学习，之前我们自主研发的在线行动学习画布，聚焦轻行动学习，采用视觉化的在线团队学习方法，7天7步结构化解决彼此难题，在银行各级培训班中都获得广泛应用，已在线解决难题累计数万。

在自主研发的在线行动学习画布基础上，迭代基于Agent+的AI行动学习画布。增加四个AI Agent。

催化师AI Agent，全程自动点评、总结每一个学员的发言；自动点评、总结每个小组的发言，自动点评、总结反馈整个行动学习活动。

圆桌AI Agent，每个人可以邀请由AI专家团队组成的代表，他们被分配了一系列技能，可以按照个人需要，通过AI研讨，利用LLM作为大脑，本地知识库有效赋能，从而提供更加高效的决策和思路。AI专家团队由AI首席执行官、AI项目经理、AI设计师、AI运营经理、AI法律顾问、AI营销人员、AI人力资源专业专家等近百个AI专家组成，可自由邀请也可系统自动分配。未来每个人还可以自动加入圆桌专家团队研讨。

研究员AI Agent，自动为每个人从网络上收集、整理相关报告，编制文章、研究、论文和书籍的列表；生成网络资源或冗长文章的简明摘要；收集与研究相关的竞争对手在线内容的见解等。其主要优势在于能够快速地完成研究任务，而传统的研究方法可能需要几天或数周时间才能找到正确的资源和信息。

行动AI Agent，自动为每个人在行动学习的后面环节生成、分解行动计划，同时利用我们之前积累的百万行为库云端小模型，可以为每个人自动生成读书之后、听课之后、能力转化、岗位训练、IDP等不同场景下的在线行为训练方案，同时自动转成每日行为实践在线打卡清单。

例如：采用圆桌AI Agent，探讨如何在知行APP的在线行动学习画布中引入Agent+，请AI专家团队自主研讨。

例如：催化师AI Agent可以采用教练方式与学员展开对话，让催化师的指导更加精准和高效。

二、基于Agent+的AI职业人

NexusGPT是全球首个AI自由职业者平台，旨在将企业与各个领域的熟练自由职业专业人员联系起来。该平台拥有各种各样的专业人员，包括职业治疗师、金融风险专家、iOS开发人员、多媒体设计师、品牌专家和SAP顾问等等。NexuseGPT平台上拥有近千个具有特定技能的AI代理人。

NexusGPT旨在通过提供一个方便合作和沟通的平台来弥合企业和专业人员之间的鸿沟。平台上的每个专业人员都有独特的个人资料，展示他们的经验水平、技能和专业知识。

NexusGPT利用人工智能算法来帮助将专业人员与需要他们服务的企业进行匹配。这项技术通过将可用专业人员的技能与企业的需求相匹配，帮助简化找到合适专业人员的过程。

该平台的人工智能技术还有助于项目管理、跟踪进展以及简化企业与自由职业者之间的沟通，使合作过程更加高效。

总的来说，NexusGPT是一个可靠的平台，为寻找与熟练、合格自由职业专业人员合作的企业提供支持，并通过基于人工智能的协作实现无缝的项目交付。

NexusGPT代表了人类雇佣Agents的 一种未来商业模式，这些都会改变我们传统的人力雇佣劳动市场的方式，也将会改变DAO的协作方式。

三、基于Agent+的AI团队

新一代的超级个体拥有自己的AI团队与自动化任务工作流，基于AI Agent与其他超级个体建立更加智能化与自动化的协作关系。GPTeam是一个开源的多代理仿真系统。GPTeam利用大模型创建多个代理，它们协作以实现预定义的目标。该项目的主要目标是探索GPT模型在提高多代理生产力和有效沟通方面的潜力。

GPTeam采用了独立的代理，每个代理都配备了记忆，并通过通信进行交互。代理的记忆和反思实现受到了这篇研究论文的启发。代理在世界中移动，并根据自己的任务和其他代理的位置在不同的地点执行任务。它们可以相互交流，并在任务上进行合作，同时并行地朝着共同的目标努力。

4

展望未来

伴随AutoGPT、BabyAGI、Camel、Jarvis、AgentGPT的不断涌现，AI Agent智能体成为引领AI应用的新起点。它代表了AI的未来发展方向。AI也逐渐经历从工具、到人、再到群体的角色转变。 AI Agent或许改变的不仅只是人与机器的交互方式，它究竟还会给世界带来什么样的冲击和改变？让我们拭目以待。

AI Agent同样也为工作场学习带来了革命性机遇，未来的工作场学习是以工作执行者为场景中心，以LLM为大脑，同时包括Action、Memorying、Planning，这与工作场学习完全吻合，为学习流、工作流的整合带来了全新的范式。让每个人学在日常、练在经常、用在平常，让学习在工作中真正发生，真正实现学习工作化、工作学习化。

未来的成功不在过去的答案里！

大模型下半场，Agent以LLM为大脑，整合知识流和工作流，重构工作场学习，让每个人都有可能成为超级个体。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓