51%的公司已把AIAgent跑上生产:LangChain《AIAgent现状报告》全文翻译

编者按：本文是 LangChain 官方行业报告《State of AI Agents》的全文翻译，已获公开报道惯例标注来源。原文发布于 2026 年 6 月，调研覆盖 2024 年的 Agent 应用状况（原文口径如此），共 1,300 多名从业者参与。原文链接见文末。所有数据与结论均出自原报告，图 1 至图 5 为译者根据原文数据自绘。

一、先说清楚：什么才算 Agent？

2024 年，AI Agent 已经不再是少数极客的玩具。各行各业的公司都在认真考虑把它接进自己的工作流：有的拿来自动化杂活，有的让它帮忙做数据分析，还有的直接让它写代码。

但热闹归热闹，幕后真实的情况是什么？AI Agent 到底兑现了多少承诺，还是又一阵被吹起来的风口？谁已经在生产环境里跑起来了，又是什么拦住了其他人？

为了回答这些问题，LangChain 调研了超过 1,300 名从业者，覆盖工程师、产品经理、业务负责人和高层管理者。下面直接看数据。

LangChain 给 Agent 下的定义是：用 LLM 来决定应用程序控制流的系统。就像自动驾驶汽车有 L0 到 L5 的分级一样，Agent 能力也存在一条从低到高的光谱。

二、Agent 采用率是一场抛硬币游戏，但几乎所有人都已上车

Agent 之间的竞赛正在升温。过去一年里，一批 Agent 框架迅速走红：有拿 ReAct 把 LLM 的推理和行动串起来的，有多 Agent 编排器，也有 LangGraph 这类更强调可控性的框架。

不过，社交媒体上的热闹并不全是泡沫。约 51% 的受访者已经在生产环境里使用 Agent。 按公司规模拆开看，中型公司（100 到 2000 人）最激进，生产部署比例达到 63%。

更值得留意的是后面这个数字：78% 的受访者有明确的落地计划，准备在近期把 Agent 推上生产。可见需求端意愿旺盛，卡住大多数人的是实际部署这道坎。

图 1：51% 已上生产、78% 有落地计划；中型公司（100–2000 人）部署比例最高，达 63%

除了数字，报告还观察到一个趋势：公司正在从简单的聊天式实现，走向强调多 Agent 协作和更高自主性的进阶框架（详见后文「新兴主题」一节）。

科技行业一贯是尝鲜先锋，但这次不一样，Agent 的热度正在向全行业扩散。非科技公司里，90% 的受访者已经或计划把 Agent 推上生产，和科技公司的 89% 几乎打平。

三、Agent 都在干什么：三大用例

人们在拿 Agent 做什么？它既接手例行杂务，也在为知识工作打开新的可能。

报告排出的用例前三名：

图 2：用例排行——研究与摘要 58%、个人生产力 53.5%、客服 45.8%

前两个用例指向同一种诉求：把耗时的活儿交给别人（或别的什么东西）干。文献综述、资料分析这种翻不完的数据海，交给 Agent 去提炼关键结论；日程安排、信息整理这些日常琐事，也交出去，人只管聚焦真正重要的事。

效率提升不止发生在个人层面。客服是另一个 Agent 用武之地，接待咨询、排查故障、缩短响应时间，跨团队都在用。

四、宁可十防九空：追踪与人类监督是 Agent 的缰绳

能力越大，责任越大。至少，你得给自己的 Agent 装上刹车。

排在必备控制手段第一位的，是追踪与可观测性工具，它让开发者看得见 Agent 的行为和表现。大多数公司还配了护栏（guardrails），防止 Agent 跑偏。

测试 LLM 应用时，离线评估（39.8%）被提及的频率高于在线评估（32.5%）。这大概说明了实时监控在线表现有多难。开放性填答里，不少公司还安排人类专家人工抽查或评估 Agent 的回答，多加一层保险。

图 3：控制手段排行与工具权限分布——绝大多数团队不给 Agent 自由读写删的权限

尽管外界对 Agent 的想象很狂野，大多数团队在「放开缰绳」这件事上其实相当保守：几乎没人允许 Agent 自由地读、写、删。主流做法是二选一，要么只给只读权限，要么要求写入、删除这类重要动作必须经过人类审批。

不同规模的公司，控制重心也不一样。大型企业（2000 人以上）最谨慎，严重依赖「只读」权限来规避不必要的风险，还倾向把护栏和离线评估搭配使用，在客户看到任何回答之前，先在预发布阶段拦住质量回退。

小公司和初创团队（100 人以下）则更关注追踪，先把 Agent 应用里正在发生什么搞明白。从 LangChain 的访谈看，小团队的重心是快速交付、靠看数据理解结果；大企业则在各个层面都布满控制。

科技公司和其他行业虽然采用率接近，但控制手段的丰富程度拉开了差距：科技公司里 51% 的受访者正在使用两种或以上的控制手段，其他行业只有 39%。 这说明科技公司把可靠 Agent 建得更靠前了，毕竟高质量体验离不开这些控制。

五、拦路虎：什么挡住了 Agent 上生产？

把 LLM 应用的表现稳定维持在高水准，从回答准不准到风格对不对，都不是件容易事。

性能质量是受访者最担心的头号问题，其受关注程度是成本、安全等其他因素的两倍以上。

Agent 用 LLM 来控制工作流，而 LLM 天生带不确定性，出错的空间随之放大。团队很难保证 Agent 每次都给出准确、贴合上下文的回答。

对小公司来说，性能质量更是远超其他考量：45.8% 的小公司把它列为首要障碍，排第二的成本只有 22.4%。这个差距说明，可靠且高质量的表现，对把 Agent 从开发推进到生产有多关键。

图 4：小公司 45.8% 认为性能质量是首要障碍，成本以 22.4% 居次；大企业则更在意安全合规

企业同样把质量放在心上，但大公司还有另一层焦虑：要遵守监管、要更谨慎地处理客户数据，安全问题的分量明显更重。

挑战不止质量一项。开放性填答里，很多人表示对构建和测试 Agent 的最佳实践没有把握，其中两个障碍被反复提到：知识和时间。

知识：团队常常缺技术 know-how，不知道怎么针对具体用例把 Agent 用起来。很多员工还在学习期，需要先提升技能才能有效驾驭 AI Agent。

时间：构建和部署要投入大量时间，尤其是想确保 Agent 表现可靠的时候，调试、评估、微调，每一样都吃时间。

六、明星应用：Cursor 抢走聚光灯

调查里被提及最多的 Agent 应用是谁？答案是 Cursor，Perplexity 和 Replit 紧随其后。

图 5：受关注度排行——Cursor 居首，Perplexity、Replit 分列二三

Cursor 是一款 AI 驱动的代码编辑器，靠智能补全和上下文辅助帮开发者写代码、调代码、读代码。Replit 同样在压缩软件开发生命周期：搭环境、配配置，几分钟内就能构建并部署一个能跑的应用。Perplexity 则是 AI 答案引擎，能结合网络搜索回答复杂问题，并在答案里附上来源链接。

这些应用正在拓展 Agent 能力的边界。它们证明了一件事：AI Agent 不再停留在 PPT 里，今天就在生产环境解决真问题。

七、新兴主题：从业者眼中的机会与难题

从开放性填答里，可以看到组织在把 AI Agent 接入工作流时，期望和挑战都在演变。

先看大家公认的 Agent 能力亮点：

多步骤任务管理。 Agent 的深度推理和上下文管理能力更强了，足以承接更复杂的任务。

自动化重复性工作。 Agent 被普遍视为接手行政琐事的主力，把人的时间解放出来做更有创造性的问题求解。

任务路由与协作。 更好的任务路由意味着让合适的 Agent 在合适的时间处理合适的问题，这在多 Agent 系统里尤其重要。不少人在探索如何跨 Agent 网络做任务编排与协作。

类人推理。 和传统 LLM 不同，Agent 可以回溯自己的决策，甚至「时间旅行」：根据新信息回看、审查并修订过去的决策。

当然，构建 Agent 的团队也有自己的难题：

解释 Agent 行为的门槛。 好几位工程师在填答里吐槽，很难向公司里的其他干系人解释 AI Agent 能做什么、为什么这么做。有时候给中间步骤加一点可视化，就能讲清楚 Agent 为什么给出那个回答；但另一些时候，LLM 依然是个黑盒。解释性的负担，最后都压在工程团队头上。

尽管有这些困难，以下几个方向的热情依然高涨：

开源 AI Agent。 很多受访者对开源 Agent 表现出强烈兴趣，认为集体智慧能加速 Agent 的创新。

更强的模型。 不少人在等下一代更大、更强的模型来驱动 Agent 的下一次跃迁，让 Agent 能以更高的效率和自主性处理更复杂的任务。

八、结论

把 AI Agent 接入业务的竞赛已经开跑。公司们正在重塑工作流、设计自己的未来，让 LLM 在决策优化和人类生产力提升中执掌方向。

但热情归热情，大家都清楚必须谨慎前行：铺好正确的控制手段，才能安全驶入新场景。团队们跃跃欲试又心存敬畏，反复试验各种框架，只为让 Agent 的回答保持高质量、不出现幻觉。

向前看，谁能率先攻克可靠且可控的 Agent，谁就能在下一波 AI 创新中抢得先机，并为智能自动化的未来制定标准。

九、调研方法

受访者行业 Top 5：

公司规模分布：

资料来源：LangChain《State of AI Agents》报告，https://www.langchain.com/stateofaiagents 。本文为全文翻译，数据与结论均出自原报告，配图为译者根据原文数据自绘。