Agent 技术栈（模型怎么变成"干活的"）
最近更新：2026-07-07 关联：第 1/2 层之间的新夹层；相关公司卡 微软（Copilot）、Salesforce/ServiceNow（被颠覆侧）、Palantir（AI-native 侧）；姊妹篇 应用层卡（讲价值分配）、Agent 怎么吃 SaaS 专题（讲商业机制）。本卡只讲技术栈本身——"吃 SaaS 的那台机器"是怎么造的、卡在哪。投资判断在那边，本卡不展开。
一句话瓶颈
聊天模型只会"说"，agent 让模型"做"——在循环里调用工具、看结果、再决定下一步。它是应用层变现从"卖订阅"换挡到"替代劳动"的技术前提；卡它的不是智能，是可靠性的复利和企业权限这两道闸。
原理：讲到你能复述
- Agent 是什么（一个循环）：把模型放进"感知 → 计划 → 行动 → 观察"的循环里：模型读任务和当前状态 → 决定调用哪个工具（搜索、读写文件、执行代码、操作某个 SaaS 的接口）→ 拿到工具返回的结果 → 判断下一步，直到任务完成。聊天是"一问一答"，agent 是"自己转圈直到干完"。
- 为什么 2025 年才起飞（三个阈值同时被跨过）：① 模型的工具调用可靠性过了可用线（早期模型会调错工具、编造参数）；② 上下文窗口变长，装得下整个任务的中间状态；③ 推理成本降到"让模型转几百圈"在经济上可行（~40×/年下降，见推理成本栈）。三者缺一，循环就转不起来。[T1·工程共识]
- 栈的六层（从下往上）：
- 模型能力层——多步推理 + 工具调用是训练出来的能力（不是外挂），前沿模型专门为 agent 负载做 RL 训练。[T2]
- 工具接口层——模型和外部世界的"插座"。MCP（Model Context Protocol）等开放协议把"每个应用单独写对接"变成"一次接入、处处可用"，正在成为事实标准。[T2]
- 编排/运行时层——管循环本身：任务分解、子 agent 分工、沙箱（隔离环境，防 agent 误操作真实系统）、失败重试。这一层是"编排层归属之争"的主战场（模型厂、云、在位 SaaS、创业公司都想占）。
- 记忆与状态层——上下文工程：agent 干长任务要记住"干到哪了"（文件、向量库、任务清单）。记忆沉淀在谁那里，转换成本就归谁。
- 计量计费层——按席位（seat）→ 按用量（token/任务数）→ 按结果（做成才收钱）演进中；计费单位的迁移就是商业模式的迁移（见 Agent 吃 SaaS 专题）。
- 权限与安全层——agent 要替人干活就要拿人的权限（读邮件、动数据库、花钱）。企业采用的真正闸门在这层：审计、追责、越权防护。
- 为什么难/瓶颈在哪（本卡最重要的一段）：可靠性是乘法不是加法——单步成功率 95% 的 agent，跑 20 步的任务端到端成功率只有 ~36%（0.95²⁰）。这就是为什么 agent 先在编程规模化（每步可自动验证：编译、测试），而在开放业务流程上慢：能被验证的任务先被吃掉。[T1·数学+工程共识] 第二道闸是权限：技术上能做 ≠ 企业敢授权。
新手词汇表（看懂这张卡需要的几个词）
- 工具调用（function calling） = 模型输出"我要调用某接口+参数"，由运行时代为执行并把结果喂回。
- MCP = 开放的工具接入协议——应用把自己的能力做成"MCP 服务器"，任何 agent 都能即插即用。
- 编排（orchestration） = 管理 agent 循环的那层软件：分解任务、派子 agent、失败兜底。
- 沙箱 = 给 agent 的隔离操作环境，错了不伤真实系统。
- 上下文窗口 = 模型一次能"记住"的工作台大小；agent 的长任务靠它+外部记忆撑。
- seat（席位） = SaaS 按"每个使用的人头"收费的单位——agent 直接冲击的就是这个计费单位。
现状与路线图（技术地图，非买卖建议）
- 成熟度分档：编程 agent = 已规模变现（第一个真 PMF，每步可验证）[T1·市场事实]；办公/通用 agent（Cowork 类）= 快速爬坡、双重计费窗口期；开放式长任务 agent = 演示强、生产可靠性仍是瓶颈 [T2]。
- 协议格局：MCP 走向事实标准 → 工具接口层趋于中性化（类似 HTTP），单点锁定难在这层建立；差异化上移到编排+记忆、下沉到模型能力。[T2·判断]
- 下一代竞争焦点：① 编排层归属（模型厂自带 vs 云平台 vs 在位 SaaS 自建）；② 计算机使用（computer use，agent 直接操作 GUI——绕过没有 API 的软件的"万能钥匙"，可靠性最低但威胁面最大）；③ 结果计费的定价与审计基础设施。
技术因果：卡住谁 / 利好谁
- 利好算力链（乘数效应）：agent 一个任务消耗的 token 是单轮聊天的数十到数百倍（多步循环 × 长上下文 × 子 agent 并行）[T2·估算]——它是推理需求的乘数，直接接进推理成本栈的需求端和 Jevons 判断（L-13 读数）。
- 卡住 seat-based SaaS：agent 从 UI 层绕过软件（人不再登录，agent 调接口）→ 席位数与"用软件的人数"脱钩。但在位者手里有两张防御牌：记录系统的数据（agent 也得读写它）+ 权限/审计关系（企业已信任它）——这决定了颠覆是"重定价"而不是"清零"（三层拆解见 Agent 吃 SaaS 专题）。
- 编排层花落谁家 = L-15 的技术裁判：若模型厂/云捕获编排层 → 应用层价值继续被下面吸走（L-15 成立方向）；若在位 SaaS 守住编排+权限 → "AI 是在位者的机会"反方成立。
- 可证伪 / 盯什么：① 企业 agent 的端到端任务成功率公开基准是否突破（可靠性闸门松动的信号）；② MCP 生态规模与大厂采用度；③ 财报里 seat 数（不是 seat 收入——双重计费窗口会造假阳性，L-15 锐化条款）；④ 首批按结果计费的大合同出现。
📌 对投资的含义（一行，详见公司卡）
→ 本卡是台账 L-15 的技术底座：颠覆方向的裁判在"编排层归属+seat 数"，不在 agent 演示的惊艳度；被颠覆侧见 Salesforce/ServiceNow，进攻侧见 微软/Palantir，需求乘数见推理成本栈。
台账留痕
- 本卡为机制地图，不动概率（L-15 维持 68%）；把 L-15 的观察项从"seat 数"进一步落到技术栈位置（编排层归属+端到端成功率基准）。
更新日志
- 2026-07-07 建卡（补齐"Agent 吃 SaaS 讲了吃什么、没讲用什么吃"的缺口）。栈六层 + 可靠性复利 + 权限闸门为 [T1·工程共识/数学]；MCP 标准化进度、token 乘数倍数为 [T2]，待技术雷达下季回权威源核。
来源：技术机制为通识性综合（Anthropic/OpenAI agent 工程文档、MCP 规范等公开资料）[T2]；市场事实（编程 agent 变现、SaaS 回撤）见应用层卡在册数字；承重财务数字见各公司卡第一档。