AI Agent
技术创新及专利布局策略
引曰君话专利
2025年将是“AI Agent”的元年，各种“AI Agent”的商业化进程会进一步加速，在这种情况下，我们需要对 “AI Agent”概念、“AI Agent”所拥有的涌现“创造力”、“AI Agent”应用场景、以及“AI Agent”未来发展趋势有个了解。同时，我们也需要对基于“AI Agent”的技术创新应用的专利布局工作，有一个清晰的策略，以便为公司未来商业竞争提供强有力的支持。
创业公司Monica正式对外发布通用型AI Agent产品Manus之后，各种自媒体对这款“AI Agent”产品Manus进行各种宣传，一时间热度持续攀升。至于这款产品的技术创新程度，我们暂且不去评论，像以往处理的方式一样，让子弹多飞一会儿。但这次Manus发布，至少让更多人对“AI Agent（人工智能代理）”有了更多的了解。
简而言之，“AI Agent” 就是一种能够感知环境、自主决策并执行任务以实现特定目标的智能系统。它结合了人工智能技术（如机器学习、自然语言处理等），能够根据输入数据动态调整行为，全程无需人工干预。
Open AI曾设计出一个关于“AI Agent”的图，如图1所示：
图1☝
简而言之，“AI Agent”=大模型+记忆+工具使用（包括：软件、硬件等）。
在图1中，“短期记忆”可以是提示工程（例如：提示词）；“长期记忆”可以是由外部数据库单独保存；“规划（反射、自我反思、思维链、子目标拆解）”可以由大模型执行；“工具”调用，可以由大模型通过调用对应的API接口执行。
例如：具体的业务工作流可以是：
向大模型发送提示词和/图片；
大模型/大模型结合长期记忆，进行任务分解；
大模型通过调用合适的工具，并付诸一个行动，然后在整个行动中，还会对错误进行反思和纠正，最终完成任务。
“AI Agent”是单纯的利用大模型现有能力（简单的“套壳”），及调用现有的工具这么简单么？还是“AI Agent（人工智能代理）”在执行任务的过程中，会涌现出一些“创造力”？
针对上面的问题，我们可以看下面一个具体的例子。
这是创业公司Monica的研发团队在GAIA 测试集上做一个题目的过程中发生的真实一幕。这个题目是：在一个类似国家地理风格的 Youtube 视频链接里，各种企鹅们来来回回走出又进来画面，让 Manus 数一帧画面里面同时出现最多种企鹅时，是有几种？
这个时候，就出现了另外惊奇的一幕：
“Manus打开视频链接后，第一个动作竟是Press「K」”，最后得出最多的一帧画面有 3 种企鹅。估计很多人都不清楚「K」代表的是啥意思？其实，“「K」”是暂停键，这样可以让Manus 暂停后挨个截图记录哪一帧出现了哪种企鹅。
Manus接下来对得出的结果开始进行检查，“它的下一个动作是Press「3」……”。估计很多人也不清楚“「3」”代表的是啥意思？其实，“「3」”是一个快捷键，从 0 到 9 分别代表进度条的 0% 到 90%，3 是进度条的 30%，可以精确定位到那个视频的那一秒钟，然后告诉人类这个画面有几种企鹅。
最后检查后给出答案就是 3。
从以上任务执行过程来看，「总有惊喜发生」，例如：“Manus打开视频链接后，第一个动作竟是Press「K」”、“它的下一个动作是Press「3」……”。这个过程跟传统意义上的聊天机器人不一样：它看的是YouTube 的画面，而不是看字幕；同时，它还用一系列的快捷键，这是非常令人震惊的。
由此可知，“AI Agent”不仅仅是单纯的利用大模型现有能力（简单的“套壳”），及调用现有的工具那么简单，还会在工具使用过程中，了解所有途径和手段，然后选择最优的方法。这说明“AI Agent（人工智能代理）”在执行任务的过程中，会涌现出一些“创造力”。这些创造力的涌现，是在“数据足够优质”、“模型足够智能”、“架构足够灵活”、“工程足够扎实”的情况下，Computer Use、Deep Research、Coding Agent 等概念就从产品特性变为了自然涌现的创造力。
基于“AI Agent”=大模型+记忆+工具使用（包括：软件、硬件等），通过整合现有大模型，可以把聊天、搜索、阅读、写作、翻译等功能整合在一起，通过一个个接 API 的方式集成了很多任务执行的场景。
例如：“AI Agent”应用的场景包括但不限于：金融&投资领域生成可视化分析报告；医疗健康领域提供辅助决策建议；企业服务领域的简历筛选分析；供应链优化管理；教育领域的辅助教学；电商&零售领域的运营数据分析；旅行与生活服务领域的旅行规划；技术开发与创新领域的代码编写、测试、部署。
基于大模型迭代速度越来越快且越来越聪明，消耗的算力不断地降低（例如：DeepSeek的出现，使得算力消耗进一步降低）， “AI Agent”未来会逐步在“多代理协作”、“人格化交互”、“边缘计算集成”等方面得到广泛的应用。
所谓的“多代理协作”，是指：多个“AI Agent”协同完成复杂任务，例如：物流车队调度；“人格化交互”，是指：赋予“AI Agent”情感识别与表达能力，例如：心理辅导助手；“边缘计算集成”，是指：在本地设备（如手机、IOT设备）直接运行“AI Agent”，减少延迟。
以上我们介绍了：“AI Agent”概念、“AI Agent”所拥有的涌现“创造力”、“AI Agent”应用场景，以及，“AI Agent”未来发展趋势，那么，基于“AI Agent”的技术创新应用，如何做好这方面的专利布局工作，为未来的公司商业竞争提供支持，就成为了目前亟需解决的问题。
关于“AI Agent”的专利布局，有以下几点建议值得我们关注：
基于“AI Agent”=大模型+记忆+工具使用（包括：软件、硬件等），所以“AI Agent”离不开应用场景。那么，“AI Agent”结合具体的应用场景，“AI Agent”执行任务的过程中，往往会结合知识库（长期记忆），及调用外部工具，在这个过程中，会有涉及一些创新点，例如：知识库的知识切片组织、业务处理流程优化/重塑（这里也包括：在任务执行过程中，某些业务流程环节中，“AI Agent”所涌现出的创造力）。
例如：作为智能汽车车主的一个AI助手（“AI Agent”），在面对车主关于车辆维修保养方面的问题时，首选调用“车辆维修保养知识库”（例如：该知识库采用特有的知识片段组织形式）进行回答，并基于问答结果/筛选后的问答结果，再进一步查询大模型或大模型+外部API接口调用（例如：4S店维修保养记录），并最终输出结果给车主。当然，输出的结果，还有可能以“仿真模拟”（涌现的创造力）的形式展示车辆零部件的未来一段时间有可能出现的各种问题。
有些任务，需要多个“AI Agent”之间进行协作才能完成，例如：物流车队调度，在任务执行过程中，每辆车可以是一个“AI Agent”，那么，车队中多辆车在行进的过程中，不仅每辆车要不断与外部环境（例如：道路环境、天气环境）进行交互，而且，每辆车之间也要进行交互、相互协作。
在上述交互、协作的过程中所做的技术创新，也是需要以专利的形式进行保护。
我们对“AI Agent”有了深刻认识（“AI Agent”概念；“AI Agent”所拥有的涌现“创造力”；“AI Agent”应用场景；“AI Agent”未来发展趋势），并对“AI Agent”的技术创新应用的专利布局工作有了清晰的策略（围绕“AI Agent”+应用场景的专利布局；多“AI Agent”之间业务协作技术创新的专利布局；“AI Agent”嵌入硬件中所衍生的各种业务创新的专利布局），这为公司未来商业竞争提供很大的支持。
