AI Agent當(dāng)牛做馬，辦公自動(dòng)化帶來超級(jí)生產(chǎn)力｜對話Laplace

量子位智庫 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

成立僅9個(gè)月的AI初創(chuàng)公司拉普拉斯智能（Laplace AI），已經(jīng)用原生智能生產(chǎn)力操作平臺(tái)幫助企業(yè)用戶實(shí)現(xiàn)智能體落地了！

平臺(tái)名為拉普拉斯智能實(shí)驗(yàn)室（Laplace AI Lab），入口統(tǒng)一，用自然語言即可溝通，不知不覺間就能實(shí)現(xiàn)工具調(diào)用，擁有極低的用戶學(xué)習(xí)成本。

而且支持團(tuán)隊(duì)內(nèi)的協(xié)作和流程智能分享，還能靈活切換角色，以承擔(dān)各種類型的工作。

可以說，Laplace AI Lab打破了傳統(tǒng)SaaS和RPA框架的局限，解決了功能繁雜、操作復(fù)雜、系統(tǒng)封閉等問題，能夠滿足企業(yè)對于高效、靈活、開放的智能化工具的需求。

而且迭代和落地速度也非常可觀，成立僅三個(gè)月時(shí)就已發(fā)布第一版產(chǎn)品，如今新一代產(chǎn)品也已上線。

實(shí)際應(yīng)用中，Laplace AI已經(jīng)與某知名戶外品牌運(yùn)營客戶共同打造出了品牌服裝AI設(shè)計(jì)師，幫助把從設(shè)計(jì)到生產(chǎn)的整個(gè)周期從過去的3個(gè)月縮短至1個(gè)月。

在這些成績的背后，是Laplace AI始終奉行的三個(gè)理念——打造AI OS系統(tǒng)、集成互聯(lián)互通、協(xié)作與分享。

人才方面，創(chuàng)始人兼CEO衣冠錫博士畢業(yè)于UCLA，聯(lián)合創(chuàng)始人CTO谷士德畢業(yè)于紐約大學(xué)，公司首席顧問何磊教授為UCLA終身教授、IEEE Fellow電氣與電子工程師協(xié)會(huì)會(huì)士。

所以，Laplace AI具體如何實(shí)現(xiàn)快速入局AI Agent并占據(jù)一席之地？當(dāng)快速發(fā)展的AI Agent和企業(yè)生產(chǎn)力相結(jié)合，又能否解決企業(yè)智能生產(chǎn)力的痛點(diǎn)？

上周，量子位智庫訪談了Laplace的三位創(chuàng)始人，深入了解了Laplace將如何通過獨(dú)特的AI Agent技術(shù)實(shí)現(xiàn)辦公智能自動(dòng)化和人機(jī)無縫協(xié)作。

此外，我們也討論了AI 原生工作流、高度使用場景、Agent生態(tài)和出海策略等方面的內(nèi)容。

讓我們跟隨本次訪談，一起探索AI Agent如何為未來的智能化企業(yè)鋪平道路。

話題一：辦公自動(dòng)化

量子位智庫：辦公自動(dòng)化這個(gè)事情感覺國內(nèi)外還是有點(diǎn)差異，國外 Adept AI是用大模型去捕捉交互動(dòng)作，然后建模。

咱們當(dāng)時(shí)是就為什么選到AI Agent這條路上？覺得優(yōu)勢或者說特性會(huì)在哪？

Laplace：他們捕捉動(dòng)作形態(tài)，比如說鼠標(biāo)操作習(xí)慣，其實(shí)還是上一代機(jī)器學(xué)習(xí)的思路。比如在網(wǎng)站熱區(qū)的設(shè)計(jì)里，因?yàn)橛蚁陆屈c(diǎn)的比較多，所以要把功能放在那，但事實(shí)上這種數(shù)據(jù)是會(huì)騙人的。

我在那點(diǎn)來點(diǎn)去不是因?yàn)槲以谀遣僮鞯亩?，而是因?yàn)槲业氖髽?biāo)、我的手都在這，而且我閑也沒事，可能就在這畫一畫。很多底層?xùn)|西你如果通過捕捉動(dòng)作其實(shí)很難看出來這個(gè)背后的邏輯是什么東西。

而Agent其實(shí)本質(zhì)上跟這個(gè)東西有點(diǎn)不太一樣。它是模仿人的這個(gè)大腦學(xué)習(xí)，他會(huì)理解你到底是在干什么?。吭噲D去理解這事本質(zhì)是什么，然后再基于這個(gè)本質(zhì)上往上生長出一些東西起來。

而前面那種機(jī)器學(xué)習(xí)的思路是強(qiáng)行要找到這兩個(gè)的因果關(guān)系，無論強(qiáng)弱是多少，但找出來可能并不具備意義。

講個(gè)極端例子的話，比如說犯罪的人都喝水，所以喝水的人容易犯罪，要禁止喝水。這聽上去很扯淡，實(shí)際上統(tǒng)計(jì)上確實(shí)是個(gè)正確的事。

AI Agent這套思路是一套更累人的思路。嗯不是像之前那種不管是視覺AI還是機(jī)學(xué)習(xí)AI，它其實(shí)是更從統(tǒng)計(jì)和數(shù)據(jù)角度去做一套東西。這樣來看肯定是AI Agent的思路會(huì)更優(yōu)。

量子位智庫：那相當(dāng)于自動(dòng)化領(lǐng)域，RPA玩的是套路，Adept他們是概率。然后Agent偏邏輯。那Copilot呢？還是說我們這個(gè)也算是一種Copilot。

Laplace：我們也算一種Copilot，但我們更強(qiáng)調(diào)人機(jī)交互，主駕和副駕的位置是可以隨時(shí)交換的。

話題二：Agent生態(tài)現(xiàn)狀

量子位智庫：既然如果我們的產(chǎn)品做的是Agent的一個(gè)調(diào)度和集成，它的使用效果應(yīng)該是會(huì)受到Agent的數(shù)量、種類和質(zhì)量的一個(gè)影響。

就現(xiàn)市面上可用Agent，您覺得達(dá)到一個(gè)可以支撐咱們的產(chǎn)品去向b端收費(fèi)的完整性和質(zhì)量了嗎？

Laplace：首先盡量不做，但如果市面上的都不行，客戶還是有需求，我們在有能力的時(shí)候也會(huì)順手做一些。如果已經(jīng)有很好的現(xiàn)成工具了，我們就沒必要了。

Agent編排還是我們的核心，就是我們替你去編排這一套東西，工具該怎么用、該怎么執(zhí)行，Agent怎么理解，這個(gè)反而是我們的核心，所以這一塊的質(zhì)量得我們?nèi)グ芽亍?/p>

其實(shí)現(xiàn)成的工具，還有AI工具加起來，很多業(yè)務(wù)都已經(jīng)其實(shí)是夠用的了。

我舉個(gè)例子，比如招聘的時(shí)候分析簡歷，AI處理這種信息一點(diǎn)問題都沒有，并不涉及很復(fù)雜的東西。

分析、科研類的工作其實(shí)在市面上占了很大一個(gè)比例。比如PR輿情監(jiān)控也是爬文章區(qū)去看正負(fù)面評(píng)價(jià)。

大部分工作其實(shí)真的沒有大家想象的那么專業(yè)和需要技術(shù)，都是很類似的需求。

話題三：Agent編排技術(shù)

量子位智庫：編排的研發(fā)難點(diǎn)在哪？這件事情是怎么能做到的？而且為什么能比別人做得好？

A1：我們的產(chǎn)品會(huì)基于現(xiàn)有的這些邏輯接入不同的工具，編排一塊是Agent方面的一個(gè)編排，一方面是Agent所用工具的編排。

在這之上我們還會(huì)讓我們會(huì)給Agent分級(jí)，我們有一個(gè)叫Agent 0的概念，然后我們會(huì)有專家Agent，下面有工具，可能本身它也是一個(gè)Agent，就是我們可以讓一個(gè)虛擬員工領(lǐng)導(dǎo)調(diào)動(dòng)一個(gè)虛擬員工。

然后這個(gè)虛擬員工可能會(huì)調(diào)用他一個(gè)工具，相當(dāng)于是一個(gè)多Agent協(xié)作的一個(gè)模式，也就是AI團(tuán)隊(duì)。

我們的編排是為了達(dá)到這個(gè)能力而誕生的，編排內(nèi)部也可以做切換，有更好的AI工具或者是第三方的API工具，可以隨時(shí)在編排的內(nèi)核里面去底座切換。

現(xiàn)在市面上沒有一個(gè)很好的邏輯去做這個(gè)事情，因?yàn)樗婕暗綌?shù)據(jù)庫的一些操作，我們就研究了這個(gè)。

A2：Agent調(diào)用是一個(gè)多對多的一個(gè)過程。一個(gè)工具Agent可能會(huì)在某個(gè)場景下用這個(gè)工具，反過來一個(gè)工具也會(huì)在不同的場景下被不同的Agent使用。

就像工具箱拿著拿著就亂了，交互的維度越多、場景越多的話，ai邏輯越容易亂。

我們得保證ai邏輯的穩(wěn)定性，它不是大語言模型的思維鏈，因?yàn)閍和b，然后c。

我這個(gè)場景里他就不是鏈，甚至有時(shí)候也不是網(wǎng)，他更像一個(gè)graph，所以這東西甚至比大模型都要復(fù)雜很多。

話題四：Agent協(xié)作

量子位智庫：多Agent協(xié)作現(xiàn)在是已經(jīng)直接落地生產(chǎn)了嗎？

Laplace：在我們剛的演示里，你從微信里拿了信息，生成了日程文件，又把它發(fā)回去，這里面已經(jīng)用了兩個(gè)Agent了。
用Agent拿一個(gè)pdf總結(jié)再發(fā)回去，又和前面這個(gè)場景不一樣。

Agent其實(shí)可以調(diào)用很多工具，雖然你看上去無非就是微信里面不同類型的信息，處理一下再發(fā)過去，但這里已經(jīng)是多Agent協(xié)作了。

要保證他能精準(zhǔn)拿取信息，就需要最上面的領(lǐng)導(dǎo)Agent，知道這個(gè)事是誰干，并進(jìn)行喚醒，然后交接。

量子位智庫：這種協(xié)作的技術(shù)難度會(huì)隨著協(xié)作Agent的數(shù)量去增長。還是不太受影響？

Laplace：會(huì)的。所以編排不僅僅代碼，還有知識(shí)庫。隨著你的工具 Agent越來越多，怎么去優(yōu)化方案？

為什么我們現(xiàn)在底層要抽象成這個(gè)「信息收集、信息處理、信息分發(fā)」。

只有現(xiàn)在歸類好底層，才能避免上層問題。如果現(xiàn)在就微信、飛書、企業(yè)微信、中間處理、分發(fā)等都是分開的Agent，這個(gè)交互邏輯就被復(fù)雜了，不如把信息源先給歸結(jié)，在一定維度上去降低它這個(gè)交互出錯(cuò)的一些可能性。

這就考驗(yàn)了底層設(shè)計(jì)能力。不然你底層設(shè)計(jì)的越復(fù)雜，你往上走的時(shí)候它出錯(cuò)的概率越高。市場需求越多，就越考驗(yàn)?zāi)愕臍w類和交互能力。

話題五：原生AI工作流

量子位智庫：現(xiàn)在很多人會(huì)講這個(gè)AI原生工作流，其實(shí)也是新的交互和操作方式。那企業(yè)內(nèi)部會(huì)有關(guān)于員工培訓(xùn)或者組織架構(gòu)的顧慮嗎?

Laplace：顧慮的人不一樣。顧慮的是沒有絕對決策權(quán)的人，就是這個(gè)公司打工的。

如果這個(gè)東西一旦流程優(yōu)化，他就把我優(yōu)化掉。如果你對接的人是他的話，他絕對會(huì)有。

那如果這個(gè)事是你站在更高層、決策層或者是老板的眼里，因?yàn)榇蟛糠种灰闾ぬ?shí)實(shí)干過企業(yè)的，大家都能get到一個(gè)概念的事。

你的公司現(xiàn)在之所以這個(gè)形態(tài)是因?yàn)槟愕牧鞒淌沁@樣的。

所以決策者的想法可能就是你這個(gè)流程好不好？然后我如果要基于你的流程去優(yōu)化我的組織結(jié)構(gòu)的話，那我的收益到底在什么地方？

他在乎的不是少招幾個(gè)人，而是整體信息傳遞和組織運(yùn)營的效率。

話題六：優(yōu)先場景

量子位智庫：現(xiàn)在有哪些行業(yè)或者場景明顯更積極興奮嗎？

Laplace：服務(wù)類的，不是客服，包括那個(gè)旅行咨詢、留學(xué)咨詢或者獵頭。

這種服務(wù)業(yè)，其實(shí)它大量交換的是信息，然后最貴的是人，現(xiàn)在AI能讓你的信息流轉(zhuǎn)程度變得更高，特別處理信息量越來越大的時(shí)候。

比如說金融，各種內(nèi)外部信息的收集、做表、做報(bào)告本質(zhì)就是在處理數(shù)據(jù)，組合一些數(shù)據(jù)。那塊實(shí)際上是AI現(xiàn)在確實(shí)是更擅長的，所以整體意愿會(huì)更強(qiáng)一些。

在這些場景里，信息流不通暢會(huì)對業(yè)務(wù)造成很大的影響。像非常硬核的研發(fā)和律師，他們會(huì)更關(guān)注信息本質(zhì)的價(jià)值質(zhì)量，早一天晚一天可能影響沒那么大。

但對旅行規(guī)劃等等，他更關(guān)注信息交換有沒有更有效，量特別大，也不會(huì)特別在乎一點(diǎn)錯(cuò)誤。

量子位智庫：聽起來很適合替公司行政干活。

Laplace：行政這不一定有價(jià)值。因?yàn)榇蟛糠中姓诠竟べY都是偏低的，并不在乎多一個(gè)少一個(gè)。

但是金融行業(yè)那些寫專業(yè)報(bào)告的人，比如分析師，是特別容易被替代的。

在行業(yè)里需要找在對方看起來也比較有價(jià)值的一些事情，替代行政確實(shí)沒問題，但這個(gè)事到底有多大價(jià)值？

但如果是旅行社，他可能要雇十來個(gè)顧問才能干這個(gè)事，每個(gè)工資可能都不低，那公司對用ai去做規(guī)劃就很有動(dòng)力了，無論接更多的客戶還是更低的人力成本，對他來說這個(gè)業(yè)務(wù)是本身是有價(jià)值。

話題七：知識(shí)庫

量子位智庫：咱們自己有一個(gè)模型叫LKHM，這個(gè)本質(zhì)是知識(shí)庫嗎？

Laplace：是know-how知識(shí)的沉淀。它比較像一個(gè)不斷去完善的模板庫，就是Agent去編排的模板庫?？梢酝ㄟ^prompt、補(bǔ)充預(yù)訓(xùn)練、微調(diào)、還有RAG來達(dá)成。產(chǎn)品能吸收你后期改變的增量。

說白了就是增加知識(shí)庫，一個(gè)增量式的，然后還有通過prompt，它會(huì)改良prompt進(jìn)行版本控制。

還有的就是叫預(yù)訓(xùn)練，就是增量式預(yù)訓(xùn)練，可以不斷的去微調(diào)，就微調(diào)是另一方面運(yùn)行鏈就是你不斷地去優(yōu)化這個(gè)大模型，它是增量式的流程。

最后就是微調(diào)，嗯，不斷地微調(diào)，就這就我們會(huì)結(jié)合了，但是對最好用的它目前來說就是RAG。

比如說你跟他在聊天、做事情，你指正他。或者是AI不斷地把這些東邊改邊做，收集這種增量，然后他不斷地學(xué)習(xí)。

他不需要刻意的準(zhǔn)備這個(gè)東西，他在聊天記錄中注意到這個(gè)東西。

話題八：LUI的微調(diào)

量子位智庫：很多人覺得LUI代表了新的交互時(shí)代。咱們的產(chǎn)品在理解意圖方面會(huì)去做自己的模型訓(xùn)練嗎？還是說用現(xiàn)成的就足夠了？

A1：意圖識(shí)別要做微調(diào)的，訓(xùn)不訓(xùn)練不一定，但是微調(diào)是一定的。

因?yàn)槊總€(gè)人的表達(dá)方式可能不太一樣。舉個(gè)最簡單的例子，我要看微信，這個(gè)我說的每次說的都很長——幫我去調(diào)開微信。但你說的就很簡短——我要看微信。

假設(shè)我們有兩個(gè)工具，一個(gè)是微信，一個(gè)是企業(yè)微信，那這兩個(gè)都叫微信，對吧？

那假設(shè)他第一次調(diào)起了一個(gè)企業(yè)微信，那用戶說不是我要那個(gè)微信并換掉了，那我們需至少要收集到這條語境來判斷下次你說的這個(gè)事就是這個(gè)微信，而不是企業(yè)微信。

這種語料我們還是要收集的，不一定要走到訓(xùn)練那么大，但一定是要跟著用戶再做一層微調(diào)才能符合用戶習(xí)慣。

A2：很多公司看起來在做同樣的業(yè)務(wù)，但流程完全不一樣，可能細(xì)節(jié)差別還挺大的。

比如服裝設(shè)計(jì)，可能從風(fēng)格到這個(gè)整個(gè)流程可能完全不一樣。有的可能比較偏傳統(tǒng)一點(diǎn)，需要提前備貨和生產(chǎn)。

也有的公司覺得不想那么重的庫存，發(fā)出去先看哪些反饋比較好，確定了我再去生產(chǎn)，但他也會(huì)承擔(dān)風(fēng)險(xiǎn)。

如果從這個(gè)基礎(chǔ)層面要確定實(shí)現(xiàn)流程，這兩套工序是完全不一樣的，可能用到每道工序上的工具相同，但先后順序是不同的。我們的AI至少得理解這個(gè)事情。

不能有的AI完全不走流程，問了問題后就自說自話的開始了，中間完全無法停止。所以其實(shí)還是得有微調(diào)或者訓(xùn)練來幫他進(jìn)一步理解你。

話題九：資源耗費(fèi)

量子位智庫：在這樣一套工作流里面，然后我們結(jié)合了多個(gè)Agent，它的 token的耗費(fèi)量和它整個(gè)的響應(yīng)時(shí)間會(huì)不會(huì)有一個(gè)很明顯的倍增？我們會(huì)怎么做一個(gè)優(yōu)化？

Laplace：一定要做優(yōu)化。我覺得是沒有倍增的。

我們的Agent不是線性的，它是有多個(gè)分叉的異步過程，多個(gè)Agent可以同步的進(jìn)行。

量子位智庫：token成本方面呢？

Laplace：token的成本其實(shí)是成本里最低的一項(xiàng)。
還有一個(gè)點(diǎn)就是不是所有的工具都一定要用到token。

我們會(huì)連接hugging face，也會(huì)有一些自己部署的模型，不一定非要用 token去處理我的問題，也可能只是接的第三方的API。實(shí)際上很多人在用工具的時(shí)候并沒有花很多token。

那些真正消耗算力的東西，比如說生圖和視頻，他消耗算力不是因?yàn)閠oken，是因?yàn)橛醒邪l(fā)成本的分?jǐn)?，研發(fā)成本后面都會(huì)下降的

話題十：定制化

量子位智庫：咱們現(xiàn)在在國內(nèi)是主要在做定制化嗎？

Laplace：我們研發(fā)了底層框架基礎(chǔ)之后，可能看起來交付的解決方案都不一樣，但不同的場景和客戶無非就是接上去的工具不一樣，接入的流程都是標(biāo)準(zhǔn)的，所以實(shí)際上最核心的研發(fā)的動(dòng)作沒有太大區(qū)別。

就很像兩個(gè)不同職業(yè)的人用的是同樣的iphone，使用了完全不同的APP，但iphone也沒有針對這兩個(gè)人做定制，依然是一個(gè)標(biāo)準(zhǔn)化的載體。

我們也只是讓開發(fā)者按照我們的規(guī)則開發(fā)應(yīng)用，讓用戶能夠方便的安上去，在場景里滿足所謂定制化的訴求。以前的那種真定制化我們是沒有的，實(shí)質(zhì)上還是標(biāo)準(zhǔn)化。

同時(shí)我們也是可以模塊化的。在更多的場景里面求同存異的一個(gè)過程。一開始沒有通用的模板，得先去多做不同的場景，找到那個(gè)共同點(diǎn)。

量子位智庫：現(xiàn)在有已經(jīng)可以模塊化的小段場景和工作流，可以直接標(biāo)準(zhǔn)售賣的嗎？

Laplace：其實(shí)所有基本上所有的業(yè)務(wù)無非就是我的信息從哪來？中間這塊要怎么處理？最后我要分到哪處理？

其實(shí)你會(huì)發(fā)現(xiàn)大家接收信息或者分發(fā)信息的渠道都是非常類似的。收取的渠道包括IM、郵件后臺(tái)、CRM等等，都很細(xì)很標(biāo)準(zhǔn)。中間簡單的處理都是文字總結(jié)或者生成思維導(dǎo)圖，或者生成PPT，也是很標(biāo)準(zhǔn)。

比如化妝品研發(fā)和新能源研發(fā)，其實(shí)都是去抓競品的材料，結(jié)合我現(xiàn)在的產(chǎn)品生產(chǎn)配方，然后進(jìn)行調(diào)試。

這些信息最終也是寫在excel或者word里，技術(shù)邏輯本質(zhì)上都是一樣的。

話題十一：海內(nèi)外對比

量子位智庫：國外的產(chǎn)品API開放的風(fēng)氣很盛，基本上做的好的他都會(huì)去開放API，讓咱們這樣類中間件的或者集成方去調(diào)用。

但是國內(nèi)的話就感覺要封閉很多，比如說像飛書、百度、釘釘，他們的Agent平臺(tái)是不是允許再有第三方去調(diào)用在他們平臺(tái)上開放出來的這些Agent？

那比如咱們在國內(nèi)和國外做的話，是怎么看待國內(nèi)生態(tài)的？

Laplace：像飛書就是選擇性的去做具體互動(dòng)合作的，一般去找可能別人會(huì)找不到。需要更深層次的關(guān)系才能開放API。

所以我們也會(huì)談很多伙伴合作，比如句子互動(dòng)。他們有IM的入口，他們有飛書和企業(yè)微信。

同時(shí)他們不會(huì)做智能化，就需要我們來提供智能化的處理能力，相當(dāng)于1 +1大于2。

量子位智庫：目前我們?nèi)ズ推脚_(tái)建立合作關(guān)系的難度如何？

Laplace：還是比較容易的。我們盡可能共生，不去搶別人的生意也不去嫖。

量子位智庫：我看國外有product hunt的那種第三方網(wǎng)站，國內(nèi)的話好像它沒有一個(gè)自由的開放平臺(tái)，只能放在大平臺(tái)上。

Laplace：對，以后我們有能力，可能是生態(tài)網(wǎng)絡(luò)方面去靠。但不是類似GPT store。我們的初衷就是為了幫我們生態(tài)項(xiàng)目的這些開發(fā)者，幫他們?nèi)フ覐S子。

話題十二：出海

量子位智庫：咱們是打算先做國內(nèi)再出海，還是同步去推？

Laplace：可能先做國內(nèi)再出海，因?yàn)槲冶緛砭驮诤Ｍ膺@個(gè)階段或者對于我們來說不適合做海外。

這是真實(shí)案例的分享。我們其實(shí)第一版產(chǎn)品10月出來之后，海外的用戶覺得這個(gè)產(chǎn)品對自己的侵入太深，還需要給一些數(shù)據(jù)，盡管有NDA，但內(nèi)部還是有一些顧慮。

比如像三星就不讓員工用GPT，更不用說我們大部分基于網(wǎng)上開發(fā)的東西，所以還更多的在看開源模型。

你看我們回國就簡單了，一月二十幾號(hào)我們才工商注冊，出去走一圈就有很多客戶馬上就把我們拍定了給了數(shù)據(jù)。

能感覺到這個(gè)理念是完全不一樣，而我們現(xiàn)在階段是最需要的東西是實(shí)際場景，還不著急賣。

海外你們看到很多人做開源，可能名聲達(dá)到就可以了，國內(nèi)沒人做開源，就是應(yīng)用場景太多了。

我們在國內(nèi)做其實(shí)有些像學(xué)術(shù)活動(dòng)。我們轉(zhuǎn)移到國內(nèi)來，先把我們的產(chǎn)品打磨好，我們也看到了很多國內(nèi)已經(jīng)打磨得非常好的東西。

很多出海的應(yīng)用前提是人家已經(jīng)在國內(nèi)卷出來了，我們目前還沒有。

量子位智庫：所以這個(gè)事本質(zhì)是因?yàn)楫a(chǎn)品進(jìn)他們工作流太深了，但國內(nèi)對數(shù)據(jù)沒有那么敏感。