AgenticAI要终结数据库和SaaS？大厂掌门人公开互撕，焦虑的CEO们押上了不同的技术路线

Agent 正在成为 2025 年 AI 世界最炙手可热的关键词之一。

无论是大模型厂商、AI 初创公司，还是企业级应用团队，几乎都在讨论“多智能体协作”“自动化决策流程”以及“具备工具调用能力的 AI 系统”。

谷歌、英伟达等科技巨头纷纷布局，上个月亚马逊还成立了一个专注于 Agentic AI 的新部门，初创公司们也争相推出各类“Agent”产品。开源社区也不甘示弱，从 LangGraph 到 Agent SDK、AutoGen、CrewAI，一波 Agent 框架竞相登场，掀起了继大模型之后的第二轮工具潮。

连大厂掌门人也开始在公开场合“互呛”。

微软 CEO Satya Nadella 高调宣称：“我们所知的 SaaS 时代即将结束……Agent 将成为核心驱动力”。而 Salesforce CEO Marc Beinoff 则直接嘲讽微软的 Copilot，称其为“Clippy 2.0”：“根本不起作用，而且没有任何准确性”。Clippy（回形针）即 Office 虚拟助手，是微软上世纪推出的基于规则的代理，为用户吐槽最多的失败设计之一。

言辞之锋利，背后其实是对 Agentic AI 两种截然不同落地路径的分歧。

一条是微软 Nadella 倡议的“面向全平台的智能代理框架”路线。按照他们的设想，未来将出现一个 AI 操作系统，能够调度多个智能体，并且这些智能体可以在整个企业内无缝地传递任务、消息和知识。

Nadella 认为，这是一场从“App Stack”到“Agent Stack”的根本性变革。过去，我们依赖前端 UI 驱动的应用形态，每一个业务场景都被拆分为独立的 App，用户通过操作完成任务。未来，主导者将是 Agent，它能感知用户意图，基于数据、模型和推理链条，完成决策和自动执行。

在这种架构转变下，当前的 SaaS 等应用因为其本质上是嵌入商业逻辑的数据库，未来这些逻辑会被 Agent 接管，由 Agent 去做增删改查，在多个数据库之间工作，所有的逻辑都会转移到 AI 层。而一旦 AI 层成为主导，背后的数据库最终也会开始被替代。

本质上，这是微软构建通用人工智能代理体系、通过底层架构向企业应用生态渗透的战略布局。正如数势科技 AI 负责人李飞博士在分析中指出，微软此举旨在依托其既有生态系统优势，打造覆盖全场景的 AI 接入平台，形成对垂直领域应用的聚合效应。通过构建人工智能交互的核心枢纽，微软试图确立其在产业智能化转型中的顶层平台地位，实现对各类专业化应用的系统性整合。

大模型公司或云资源提供商大多支持这种“通用”入口性质的路线。比如 OpenAI 就肯定倾向于 Nadella 的思路，因为在它看来，所有的 Agent 本质上都是对其大模型能力的延伸和增强。对 OpenAI 来说，构建通用 Agent 能将所有应用集成在自己的能力框架之下，使其成为一个统一入口。类似的例子还有 Manus，以及 AutoGLM 沉思等。无论是微软、OpenAI，还是 Manus、沉思，这背后体现的，依然是一场关于“谁来掌握 AI 入口权”的竞争。

与之相对，另一条路线则由 Salesforce 所代表。

Salesforce 的思路是从现有企业软件栈出发，强调以垂直领域（如 CRM）为根基，推动业务逻辑的 AI 原生重构。他们不认为 AI 会“取代”现有 SaaS 应用，而是主张 AI 和 SaaS 深度集成，将 Agent 机制嵌入业务流程中，通过业务数据和流程去驱动 Agent 的运行和决策。Agent 不是一个外部工具或统一入口，而只是整个流程当中的一个节点。

相较于微软自底而上的通用化策略，Salesforce 的设计思路是自顶向下，从实际的业务流程出发，反向构建 Agentic AI 能力，旨在复用并增强现有的各类 SaaS 应用。

事实上，许多没有庞大通用平台基础、专注于 ToB 软件或垂直场景的企业，可能会更倾向于 Salesforce 这种贴近业务、务实的路线。他们往往是先搭建好业务或工作流程，然后将 Agent 融入这些流程中，使其专注于解决特定垂直场景的问题。

哪种路径更具可行性？

从“能不能做”到“做得成、做得起”

回顾 Agentic AI 近两年多的发展，我们看到，行业正经历着从对大语言模型的初步探索，到逐步赋予其感知、理解和行动能力的关键阶段。

从最初直接依赖 LLM 进行信息处理，逐步演进到利用检索增强生成（RAG）技术来扩展其知识覆盖范围。随后，多模态模型的出现使其能够处理更丰富的输入和输出形式。

紧接着，行业进入了“Agentic 对话”阶段，核心在于赋予模型执行动作的能力，使其不再仅仅是内容生成工具。为模型添加可执行功能被视为一个重要的里程碑。

关于 Agentic AI 最早的雏形，存在两种主要观点：一种认为是 OpenAI 推出的“Function Call”功能，它使得大模型能够根据需求调用外部函数。另一种观点则认为，真正的更早出现的 AutoGPT，因为 Function Call 并不是一个完整的链路。AutoGPT 是在 OpenAI 的 ChatGPT (GPT-3.5) 发布后，由 Toran Bruce Richards（苏格兰爱丁堡人工智能公司 Significant Gravitas Ltd. 的创始人兼首席开发者）在 2023 年 3 月份创建的演示项目，展示了如何利用大型模型实现任务的自动分解和执行。

此后，Agent 的完整生态闭环首次被较为系统地提出，这要归功于 OpenAI 研究员 Lilian Weng 在 X（原 Twitter）上分享的 Agent 工作流程文章，清晰地描绘了包括“目标规划、工具调用、执行、结果反思”等关键环节，被认为是 Agent 架构逐步演进的重要起点。受此启发，业界围绕 AI Agent 展开了大量的探索与实践，并逐渐形成了更为系统化的工程方法。

数势科技的 Agent 系统演进，也反映了 Agent 技术自身的发展历程。其系统经历了从 1.0 到 3.0 的迭代：初期的 1.0 阶段，主要实现了单个 Agent 对数据工具的调用。进入 2.0 阶段，系统引入了与环境交互的反馈机制，并强化了自我反思与迭代能力。发展到 3.0 阶段，则根据用户需求，从单 Agent 升级为多 Agent 协作机制，以覆盖更广泛的场景和角色。

写在最后

AI 技术的演进史，总在狂热与反思的交织中螺旋上升。

两年前，微软投入数十亿美元以及大量人力打造 Microsoft Copilot，宣称它将成为“新一代的开始菜单”；与此同时，向量数据库 Pinecone 一举拿下 1 亿美元融资，VC 们争相**，仿佛“新数据库时代”已经到来。

但现实很快泼下了一盆冷水。预装在 15 亿台 Windows 设备中的 Copilot，其月活用户量却始终徘徊在 ChatGPT 的 5%，最终迫使微软放弃 Copilot 键的唯一性，允许用户将其恢复为传统菜单键。而向量数据库也在短短半年内从“下一代数据库”沦为通用功能模块，初创公司估值迅速回落。

时间到了 2025 年，Agentic AI 站上新的风口。回望 Copilot 和向量数据库的发展，我们不禁要问：这一次，那些看似前景光明的技术，能否真正落地生根，摆脱昙花一现的命运，成为推动下一轮 AI 革命的关键引擎？