2025年Agent工程进入深水区，企业与开发者已经不再纠结于是否要构建 AI Agent，而是开始关注更现实的问题：
如何将 Agent 稳定、可靠、可规模化地部署到真实生产环境中？
本报告基于LangChain最新调研结果的解读，调研结果充分反映了2025 年末 Agent 工程的整体趋势与实践现状。
一、什么是 Agent 工程
Agent工程指的是一整套用于构建、运行、监控、评估和持续优化 AI Agent 的工程方法与技术体系。
与传统大模型应用不同，Agent 通常具备：
- 多步骤决策能力
- 工具调用与环境交互能力
- 状态记忆与上下文管理
- 在复杂任务中进行自主规划和执行的能力
Agent工程的核心挑战不在于“是否能跑通 Demo”，而在于如何在真实业务中长期稳定运行。（无论是企业还是技术供应商，都应警惕 Agent 的PoC陷阱）
二、Agent 的采用现状
调研显示，Agent 已经从实验阶段快速进入生产阶段：
- 57% 的受访者表示已经在生产环境中部署了至少一个 Agent
- 大型企业在 Agent 落地方面明显领先于中小团队
- 仍处于探索阶段的团队比例持续下降
这表明，Agent 正在从“前沿实验”转变为“主流工程实践”。
2024-2025 Agent 在生产环境部署变化趋势
不同规模企业部署 Agent 的差异
三、Agent 主要应用场景
当前 Agent 最集中应用的领域为：
- 内部工具自动化（如研发辅助、数据分析、IT 运维）
- 客户支持与客服自动化
- 研究与信息检索（Research & Retrieval）
- 复杂工作流编排与任务执行
相比面向公众的 Agent，企业内部 Agent 更容易率先落地，因为其目标明确、风险可控、反馈闭环清晰。
最优先的Agent 用例分布领域
四、企业部署的难点
当 Agent 进入生产环境后，最大的挑战并非模型能力，而是工程质量。
调研中被提及最多的阻碍包括：
- 输出质量不可控（32%）
- 系统稳定性与错误恢复能力不足
- 调试与问题定位困难
- 成本与性能权衡
相比2024 年，成本已不再是首要问题，质量与可靠性成为核心瓶颈。
企业生产环境部署 Agent 的最大障碍
不同规模企业部署 Agent 的障碍
五、可观察性
可观察性（Observability），对系统内部状态和行为的监测与追踪能力，已经成为 Agent 工程的基础设施级能力。
这有助于团队了解“Agent 为何会这样做”。
常见监控内容包括：
Prompt 与响应
日志
工具调用轨迹
Token 消耗与延迟
- 错误与失败路径
部署Agent时是否有可观察性模块
Agent 可观察程度
六、评估与测试
尽管可观察性已被广泛采用，但系统化评估（Evals）仍然相对滞后：仅 52% 的团队使用了某种形式的 Agent 评估。
常见评估方式有：
离线评估
人工标注与人工审核
基于规则或启发式的检查
为 Agent 构建可重复、可量化的评估体系，被认为是下一阶段的关键工程能力。
Evaluation / Evals：评估（用于衡量 Agent 输出质量与行为表现）
Offline Evals：离线评估（不在实时用户请求中执行的评测方式）
Agent 在什么阶段评估：离线＞在线
Agent 评估测试的方法：多数仅用离线
谁来评估Agent：
超过半数用大模型作为评估员，人类抽查
七、模型与工具生态
Agent 工程中使用的大模型呈现多模型并存趋势：
- 头部闭源模型仍然最常用（OpenAI GPT）
- Claude、Gemini 等模型快速增长
- 开源模型在特定场景下被采用
与此同时：
- 微调使用率仍然较低
- 更多团队选择通过 Prompt、工具设计和 Agent 架构优化来提升效果
Agent 采用什么大模型
是否微调过模型
Agent 高频使用场景是写代码
#Agent #Langchain #企业级Agent
本报告基于Langchain 2025年12月调研 State of Agent Engineering 解读。
对于正在或准备从事企业Agent开发设计的读者，这里还准备了一份2026年Agent预判箴言，需要请 在公众号后台回复“2026”即可。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
