夜雨聆风
三件事,说明AI Agent已经不是去年那个AI Agent了
2026.04.26 · 虾王观点
AI Agent行业观察MCP
去年这个时候，大家聊AI Agent还在说”前景广阔”。今年四月，三件事同时发生，我觉得有必要认真聊聊——Agent这个赛道，确实在发生结构性的变化。
我不是来报新闻的。作为一个每天都在用Agent干活、也在自己搭Agent的人，这个月发生的几件事让我有了一个比较强烈的感受：AI Agent正在同时完成架构、协议、落地三个层面的成熟。
这不是某个单点的突破。而是基础设施、行业标准、真实场景，三条线在同一个时间窗口里同时到位。
下面具体说。
第一件事：Anthropic把Agent拆成了”脑”和”手”
四月初，Anthropic发布了Claude Managed Agents公测版。Notion、Rakuten、Asana、Sentry这些公司排着队站台。
但真正值得关注的不是又多了一个Agent产品，而是它背后的架构思路——“脑手分离”。
简单说，Managed Agents把一个Agent系统拆成了三个独立的组件：
🧠 Session（记忆）
一个只能追加写入的不可变事件日志，是整个系统的”真相来源”。独立于任何运行时组件存在。
🧠 Harness（大脑）
Claude的推理和工具路由循环。被设计为无状态组件——崩溃了可以立刻换一个，不影响任务继续。
🤚 Sandbox（双手）
隔离的执行环境，Agent在里面跑代码、调工具、编辑文件。和大脑物理隔离，安全凭据不会泄露。
这个设计解决了一个非常实际的问题：模型升级的时候，Agent系统不用跟着推倒重来。
我之前搭过Agent系统，深有体会。每次模型版本更新，原来跑得好好的提示词、工具调用逻辑、上下文管理，总有一部分要重新调。因为大多数Agent框架把模型调用、状态管理、执行环境耦合在一个进程里——改了一处，牵一发动全身。
阿里云开发者社区的分析文章这样评价：”Managed Agents并非给模型’加功能’，而是对智能体进行系统级重构：将大脑（决策）、手（执行）、记忆（状态）解耦为独立可调度角色。它让智能体真正具备可管理、可扩展、可编排的系统属性。”
用操作系统的类比来理解：Session相当于文件系统，Harness相当于CPU调度器，Sandbox相当于用户态进程。三者各自独立演进，通过稳定的接口交互。
据新浪报道，Anthropic称企业部署Agent的周期可以从”几个月缩短到几天”。这个数字有没有水分我不确定，但架构层面的思路确实是对的——Agent要进生产环境，首先要解决的不是模型有多聪明，而是系统有多可靠。
第二件事：MCP从”Anthropic的协议”变成了行业标准
如果你去年年底听说过MCP（Model Context Protocol），大概率会把它当作Anthropic自己搞的一套东西。毕竟2024年底才刚发布。
但现在的情况是这样的：
• 月SDK下载量：9700万次
• 活跃公共服务器：10000+
• 支持厂商：Anthropic、OpenAI、Google DeepMind、Microsoft、AWS全部原生支持
• 治理架构：已捐赠给Linux基金会旗下的Agentic AI Foundation
16个月，从一个公司的内部协议，变成全行业的事实标准。这个速度相当罕见。
为什么MCP能跑出来？我的理解是它解决了一个很具体的工程痛点：Agent怎么连接外部工具和数据源，需要一套统一的方式。
没有MCP之前
每接一个工具写一套适配代码。换模型、换框架，全部重写。N个模型×M个工具 = N×M个适配器。
有MCP之后
工具实现一次MCP Server，所有支持MCP的模型都能用。N+M个适配器搞定。像USB-C一样，一根线走天下。
今年3月发布的2026 MCP Roadmap里，几个重点方向值得关注：
• Agent间通信：多Agent协作不再各搭各的桥，MCP要提供标准的Agent-to-Agent通道
• Server Cards：类似npm包的描述文件，让Agent能自动发现和选择合适的MCP Server
• DPoP认证扩展：企业级安全认证，解决生产环境的凭据管理
• MCP Registry GA：从预览版走向正式发布，成为社区驱动的Server发现平台
MCP核心维护者Peter Alexander在1月的更新中写道：”2026将是MCP忙碌的一年。目前有多个活跃的SEP（规范增强提案）正在推进中，包括DPoP认证扩展、多轮SSE传输、以及Server Cards发现机制。”
Oracle已经在生产环境跑通了一个案例：Oracle Integration Cloud作为MCP工具提供方，AI Agent可以自动发现和调用预构建的集成流程——比如文档提取、风险评估——全程不需要人工干预。
我自己在用OpenClaw的过程中，MCP的体感变化也很明显。去年底接一个新工具，要写Skill文件、配命令、调参数。现在越来越多的服务直接提供MCP Server，装上就能用。工具集成的门槛，确实在快速降低。
第三件事：制造业一线员工开始自己造Agent了
这件事可能比前两件更有说服力。
4月21日，”飞书AI先锋大赛·先进制造专场”决赛。73家企业，146个参赛方案。台上站着的不是程序员，是工厂的一线工程师、产品经理、供应链负责人。他们带来的不是PPT里的概念，而是已经在产线上跑了几个月的真实Agent。
几个数据很说明问题：
📊 TCL华星：年度降本200万+
委外供应商管理部门用飞书AI智能体构建了实时管理看板，成员”零介入”就能生成，AI自动给出不良品处理建议。据TCL华星禹志豪介绍：”AI智能体让我们从繁重的表格整理中解放出来，大幅缩短了不良品发现的响应时间。”
📊 海信集团：数据质量从95.4%→99.92%
没有急着上花哨的AI应用，而是先啃最难的骨头——底层数据治理。把主数据质量从95.4%提升到99.92%，为后续大规模智能化打下基础。
📊 亿咖通科技：库存周转天数65天→27天
构建智能协同平台，把库存周转天数从65天优化到27天，还同时覆盖杭州、香港、马来西亚、新加坡、越南五地的业务中心协同。
📊 北汽福田”长超小福”：全场冠军
依托飞书多维表格和OpenClaw技术框架，为工厂量身定制的AI智能体。针对商用车制造多品种、强柔性、高复杂度的特点，深入经营管理核心环节。
这些案例有一个共同特点：不是技术团队主导，是业务人员自己在用。
新华财经的报道标题说得很直白——”工厂一线员工成为AI开发者”。环球网的报道则用了另一个表述——”AI Agent’入职’中国制造”。
这意味着什么？Agent的使用门槛已经低到了业务人员可以自己上手的程度。不需要写代码，不需要懂模型原理，用飞书的低代码工具就能搭出解决实际问题的Agent。
三条线交汇：Agent行业的”成熟信号”
把这三件事放在一起看，会发现它们不是孤立的：
• Managed Agents解决了”怎么造”——给Agent系统提供了生产级的架构范式
• MCP解决了”怎么连”——让Agent和外部世界的对接有了统一标准
• 制造业落地证明了”能用”——不是实验室Demo，是真金白银的降本增效
与此同时，开源生态也在加速。OpenClaw在4月22日的更新中星标数已突破28万，社区技能包超过5000个，全球独立部署实例超过100万。CSDN的博客文章将2026年称为”智能体元年”，Anthropic的报告则说软件开发正在经历”自图形界面诞生以来最大规模的结构性革命”。
这些说法是不是夸张了？可能。但方向没问题。
去年大家讨论Agent，焦点还在”模型够不够聪明”。今年的焦点已经转向了“系统够不够可靠”、”工具够不够丰富”、”业务人员能不能用起来”。这才是一个技术从炒概念走向真落地的标志。
给虾友的三条实用建议
基于这个月的观察，我有几个具体的建议：
1. 关注MCP生态，现在入场正好
MCP Registry即将GA，Server Cards机制正在完善。如果你有现成的API或工具，现在封装成MCP Server发布出去，能吃到早期生态红利。MCP的TypeScript和Python SDK都已经很成熟，上手门槛不高。
2. 设计Agent时，先想解耦
Anthropic的”脑手分离”架构不一定要照搬，但核心思路值得学习：把推理逻辑、执行环境、状态存储分开。这样模型升级的时候不至于推倒重来，系统也更容易排查问题。
3. 找身边的”TCL华星”场景
不需要搞多宏大的Agent项目。找一个重复性高、规则明确、数据可获取的业务环节，用低代码工具搭一个Agent跑起来。先解决一个具体问题，再慢慢扩展。制造业一线员工都能做到的事，你也可以。
去年写Agent相关内容，经常有人问”这东西到底能不能用”。
现在我的回答是：能用，而且正在被大规模地用。
问题已经不是”能不能”，而是”你什么时候开始”。
🦐 虾王
AI智能体领域的自媒体
开发者 · 实践者 · 使用者
👆 关注虾王，一起在Agent浪潮里做个明白人
每天分享AI Agent一手实践经验和行业观察