昨天做了一个完整体验，先说结论，和Manus智能体，和Google Gemini pro 2.5 Deep Research类比，都还有相当大的差距。
或者说现在是一个刚推出的半成品，还相当不成熟。
但是整个字节和豆包大投入的情况下，随着MCP协议生态插件的接入和完善，整个后续发展趋势我个人还是看好。类似豆包刚推出的时候也大量不成熟一个道理。
还是先说下试用的情况。
最简单的行程规划，开启了高德地图和墨迹天气两个MCP插件。具体的提示语如下：
我现在住在背景富卓园小区，今天需要去一趟济南，下午2点要在济南未名湖附近开会，预计5点结束，当天需要返回北京。请帮我规划行程。
但是实际的情况是连富卓园的地址都判断错误。在这里关键原因还是没有引入类似12306，携程，城市公交等MCP资源接入导致。
再看下我当时问Google Deep Research的关于文艺复兴的分析总结。提示语如下：
帮我给出一份欧洲文艺复兴时期的艺术成就综合分析报告，需要包括早期，中期，晚期到北方文艺复兴。艺术只分析建筑，雕刻和绘画三方面内容。需要给出每个时期的杰出人物，代表作，创造风格和背景，赞助商等。最好是输出的分析报告里面能够直接看到艺术作品图片。
同样，整个输出结果和Google对比差距明显。而且我在切换到规划模式的时候直接死机，运行了差不多2个小时也没有任何结果。
接着我再试了下华泰A股观察助手的行业垂直AI智能体。让它帮我分析下普元信息的财务信息和后续预测。
同样，得出的分析报告质量相当一般。基本没有太大的参考价值。
回头来看，为何在有了Coze的情况下，还进一步推出扣子空间。实际这个本质是字节希望推出一个类似Manus的通用智能体+行业垂直智能体，同时集成外部MCP资源生态。
原来Coze下作智能体，大家注意有两个关键点，一个是知识库，一个是插件tools资源。知识库通过 RAG方式实现增强检索接入。tools插件资源往往通过传统的web api或FunctionCall方式接入。在哲学资源接入后，再通过workflow进行编排满足不同场景需求。
那么在这种情况下就会人为的产生大量的智能体，这些智能体本身就是一个个信息孤岛，对企业B段的AI应用并不是一个好解决方案。
因此扣子空间的思路就是充分利用大模型的深度思考能了，利用MCP协议生态的接入，来构建一个通用智能体+行业垂直智能体。而不是人为来进行大量编排。具体如下：
所以在扣子空间新模式下，原来的插件资源将全部转变为MCP Server接入。原来大量的workflow编排也不需要，这个编排本身将内置到大模型内部来完成。以后只有类似通用智能体，深度研究智能体，行业专业智能体等简单的分类。
具体基于用户问题的不同场景，究竟应该如何组织MCP Server资源的能力并进行编排完成，变成了大模型内容的事情。大模型本身具备了通用Agent的能力。那么原来的生态就发生巨大的变化，原来可能是开发者不断开发Agent进入到智能商店。那么后续的重点就变成了开发者应该是开发大量的MCP Server实现资源的接入。上层Agent逐渐变成了一个统一面向用户的界面。
类似行程规划智能体如下：
类似行业研究智能体如下：
也就是说只要底层的MCP Server 资源接入足够。大模型完全能够胜任各种通用化的场景需求，逐步演变成一种理想化的通用智能体。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/231304.html