业务Agent向外扩张，科研Agent向内沉淀，双循环才是规模化的底气。 10月29日，2026腾讯全球数字生态大会在深圳举行。 汤道生在主旨演讲中援引行业统计数据称国家数据局此前披露，2026年3月国内日均Token调用量为140万亿，而据大会现场引用的最新统计，截至今年7月，这一数字已超过500万亿。对照2024年初的1000亿，两年增幅超过5000倍。 这个数字直观说明一件事，AI已经走出演示案例，大量智能体真正接入业务流程，持续跑起来了。多数解读停在「产业智能体落地提速」这个结论。 但很少有人往下追问一层，当成千上万的行业智能体在不同场景里运行，不断冒出新问题、新约束，后续的迭代、调优、验证，要靠什么持续承接？ 几乎在同期，腾讯混元于11月2日更新了Hyra 2.0。它不是面向企业办公、业务流程的产业智能体，而是服务于模型研发本身的科研智能体。 一边是面向业务、消耗海量Token的Agent集群，一边是藏在后台，负责记录试错、留存取舍、沉淀可复用经验的Agent。把这两条智能体的路线放在一起看，才构成一个完整的闭环。 先厘清这个数字的性质。 500万亿是大会现场引用的行业最新统计，而非腾讯自家的账单，国家数据局正式公开发布的口径则是3月的140万亿，本文也仅将这组数字作为规模化信号使用。 它的意义在于量级与增速。两年5000倍以上的增长，指向的是调用主体从个人对话工具，切换为嵌入生产流程的业务系统。 在汤道生的表述里，以WorkBuddy为代表的智能体，已不限于文档协作，而是在商业分析、业务运营、市场调研等场景持续落地。 大会披露的数据显示，WorkBuddy企业版已落地50多个行业，覆盖中国企业500强中的半数。同一天发布的Buddy One，进一步把腾讯文档、腾讯会议、ima与腾讯网盘装进同一套账号、积分与数据体系，共享WorkBuddy的Agent底座。 业务侧的智能体正在从一个个孤立工具，走向体系化的整合。这意味着行业从单点Demo、小范围试点，进入长期、高频、分布式运行的智能体阶段。 这里有一个容易被忽略的结构性变化。个人对话类调用短、中断多、复用率低，业务智能体的调用则是长链路、高并发、持续运行的。两者的Token价值密度完全不同，后者占比的提升，才是「AI进入生产流程」的真正标志。 规模化的另一面，是隐性成本开始累积。每一个新场景的Agent上线，都要经历需求拆解、工具适配、异常排查、效果调优四个环节。如果每个场景都从零开始，场景数量翻一倍，四个环节的工作量几乎同步翻倍，且彼此难以复用。如果研发经验只留在少数研究员的脑子里和一次性实验的日志里，场景扩张越快，迭代越容易在知识断点上卡住。 这里需要区分两类智能体。 汤道生演讲中讲的是业务型智能体，对接企业流程、处理业务任务、直接消耗Token，Hyra属于科研型智能体，不直接面向任何一条业务流程，它的工作对象是模型与Agent本身的迭代过程。本文的讨论重心，在后者。 回看Hyra 1.0。今年7月发布的这个版本，定位是递归自我改进的智能体，给定一个带明确评判标准的难题，持续循环探索、提交更优解。它在数学开放问题等任务上验证了这一路径的可行性。但1.0的任务闭环，本质上是「拿到答案」。探索过程中的取舍、失败路径、失效条件，缺乏系统性的留存。它适合单点攻坚，不适合承接源源不断的场景回流命题。 横向看，当前业界多数科研智能体走的是单点攻坚路线，瞄准一个特定难题，刷新性能纪录即告完成，海外同类项目中已有算法发现类Agent作为参照。 这类成果证明的是能力上限。 Hyra 2.0走的是流程沉淀路线，它不追求解出某一道世界级难题，而是搭建一套可复用的研发知识管理流水线，降低长期迭代的边际成本。两者不是高下之分，而是完全不同的两个赛道。 2.0的转向正在这里。它交付的不只是一次解题的脚本与结果，而是把「为什么这么选、试过哪些方案、哪些条件下会失效」一并保存下来，并整理成可被后续任务直接调用的资产。 架构上，2.0将研究工作拆分为三层。 Overall与人类研究者沟通并对齐目标，Mission长期负责单一研究问题并判断路线取舍，Worker独立读代码、做实验、分析失败原因，甚至可以质疑Mission的判断。 与之配套的是三套分离的存储机制，项目状态、Agent分层记忆、共享知识库Books。复盘时，可迁移的方法被整理为skill存档，供后续任务直接调用。 这套设计的深层逻辑是把人类科研团队的组织方式复刻进了智能体系统。研究员定方向，课题组长控路线，执行人员做实验加排错。而「争论权」的设计，即Worker可以质疑Mission的判断，是在刻意避免单一智能体的路径依赖。 这也是它和普通多Agent编排最核心的区别，不是炫技式的任务分发，而是一个被刻意设计过争论权与档案权的研究小组，允许路线争论，允许推翻，并且把争论与取舍全部留下记录。 产业智能体跑得越多，回流到研发侧的待验证命题就越多。 Hyra 2.0的本质价值是把原本零散的探索痕迹固化下来，让后来者不必反复踩相同的坑、重复做相同的验证。对研发组织而言，这是比单点解题更稀缺的资产。 把两类智能体放进同一张图里，链路是清晰的。 顺向 产业场景中的业务智能体持续运行，持续产生真实反馈、新需求与异常边界。 回流 从真实业务里冒出来的问题，转化为研发侧待探索的命题。 沉淀 Hyra 2.0承接这些命题，开展探索、记录试错、把可靠方法整理为可复用资产。 输出 沉淀下来的验证经验与工具，反哺模型与产业智能体的迭代，让下一批上岗的Agent更稳、适配性更强。 这里对Token的价值需要重新定位。 业务智能体消耗的Token不只是成本，更是迭代的燃料。真实业务里的异常案例、边界场景、失败反馈，是实验室里造不出来的高质量素材。Hyra承接这些素材做系统化沉淀，相当于把海量业务调用转化为研发效率资产，形成业务跑量、回流问题、沉淀方法、反哺业务的正向循环。 值得注意的一个细节是这次更新同步放出了两个蛋白质模型，逆折叠模型HyInv与蛋白语言模型HyPLM-Flash，连同权重、推理代码与技术报告一并公开。 它们正是工具沉淀思路的具体落点，模型不只是一次任务的产物，而是可以进入后续研究流水线、被反复调用的组件。外界由此获得的不只是发布声明，而是可以直接检验、复现的实物。 开源这个动作还有一层战略含义。 一方面，用外部研究者的独立验证来检验这套沉淀机制的可迁移性，如果外部团队用这套方法也能提效，才证明路线真正成立。 另一方面，开放工具与知识库，也为外部贡献新的skill留出了接口，存在把内部闭环拓展为社区生态的可能。 由此可以提炼一个关键分野。业务智能体消耗Token，是在使用AI能力，科研智能体沉淀试错痕迹，是在生产AI能力的迭代经验。前者决定这一轮智能化的速度，后者决定它能走多远。 同时必须重申边界。Hyra不直接给企业做业务方案，它处在整个智能体链条的上游，是规模化浪潮里的配套基建。把两类智能体混为一谈，既会高估它对业务的直接价值，也会低估它对长期迭代的意义。 冷静地看，当前行业的注意力绝大多数集中在一件事上，如何把业务智能体做出来、接入更多系统。与之配套的研发沉淀机制，很少被同步重视。 这是一种可以理解但不健康的失衡。 上线指标看得见，知识留存看不见。 风险在于只追求快速上线大量Agent，却没有配套的经验留存机制，长期会陷入反复试错、重复验证的循环。Agent数量越大、场景越杂，冗余成本越高。500万亿Token所标志的规模化，恰恰会把这个矛盾放大。 把视角再拉高一层，智能体行业正在形成三层分工。 应用层是业务智能体，直接对接企业流程，产生显性业务价值。 平台层是Agent开发框架与MCP等协议，解决怎么快速搭建Agent的问题。 研发层是科研型智能体，解决AI自身怎么高效迭代的问题。 Hyra处在最上游，是造工具的工具。它的成熟度，最终决定了整个行业的迭代速度。 还有两个容易被忽略的现实挑战。 01 知识甄别的成本 沉淀的skill越多，检索、筛选、校验的成本就越高，如果没有高效的过期清理与效果评级机制，知识库很快会从资产变成信息废墟，反而拖慢新场景的适配速度。 02 组织适配的门槛 这类工具的落地难点不在技术，而在研发团队的工作习惯，研究员需要从自己动手做实验，转向设计规则、校验智能体的实验结果。这种工作方式的转换，比技术本身更难推动。 开源由此显露出必要性。 沉淀机制本身也需要外部校验，如果经验只在内部循环，旧经验很容易固化为后续探索的桎梏。把模型与工具交出去，本质上是把这套沉淀是否真的可迁移，交给独立的研究者去检验。 Hyra可以记录、沉淀、复用已经被探索过的路径，但它不会自己定义值得探索的方向。问题意识、价值判断、「什么值得做」的取舍，仍然来自人。把方向选择也外包给Agent，是当前阶段既不现实、也不负责任的想法。 然而，沉淀不等于永远正确。 某个场景里被验证有效的经验，换到新的行业约束、新的数据分布下，可能完全失效。积累的痕迹越多，甄别与清理过时经验的压力也越大。知识库若缺少过期机制，沉淀本身就会变成新的负担。 它是帮研发减负的助手，不是替代研究者的决策者。 汤道生用500万亿Token，标出了产业智能体时代的起点。 所有人都在看Agent走进企业、重塑业务。当行业都在比拼谁的Agent上线更快、覆盖场景更多的时候，混元把科研侧的沉淀机制提前做了出来，本质是在为下一阶段打底。短期看，业务Agent决定谁跑得更快，长期看，研发效率与知识沉淀能力，决定谁跑得更远。 业务智能体负责面向真实世界干活，而Hyra 2.0这样的科研智能体，负责收好探索路上所有的弯路与取舍。 产业端的Agent在向外生长，研发端的Agent，负责把走过的路留下来。
500万亿Token，是智能体规模化的信号
Hyra 2.0的价值，是承接规模化之后的海量试错
两条智能体路线，构成一条看不见的循环链路
Agent规模化，会放大经验流失的矛盾
清晰的边界，它不是万能的
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表