AI Agent當牛做馬，辦公自動化帶來超級生產(chǎn)力｜對話Laplace

量子位智庫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

成立僅9個月的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)力操作平臺幫助企業(yè)用戶實現(xiàn)智能體落地了！

平臺名為拉普拉斯智能實驗室（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。

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

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，成立僅三個月時就已發(fā)布第一版產(chǎn)品，如今新一代產(chǎn)品也已上線。

實際應(yīng)用中，Laplace AI已經(jīng)與某知名戶外品牌運營客戶共同打造出了品牌服裝AI設(shè)計師，幫助把從設(shè)計到生產(chǎn)的整個周期從過去的3個月縮短至1個月。

在這些成績的背后，是Laplace AI始終奉行的三個理念——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)會會士。

所以，Laplace AI具體如何實現(xiàn)快速入局AI Agent并占據(jù)一席之地？當快速發(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？

上周，量子位智庫訪談了Laplace的三位創(chuàng)始人，深入了解了Laplace將如何通過獨特的AI Agent技術(shù)實現(xiàn)辦公智能自動化和人機無縫協(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：辦公自動化

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

咱們當時是就為什么選到AI Agent這條路上？覺得優(yōu)勢或者說特性會在哪？

Laplace：他們捕捉動作形態(tài)，比如說鼠標操作習(xí)慣，其實還是上一代機器學(xué)習(xí)的思路。比如在網(wǎng)站熱區(qū)的設(shè)計里，因為右下角點的比較多，所以要把功能放在那，但事實上這種數(shù)據(jù)是會騙人的。

我在那點來點去不是因為我在那操作的多，而是因為我的鼠標、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作其實很難看出來這個背后的邏輯是什么東西。

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

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

講個極端例子的話，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，實際上統(tǒng)計上確實是個正確的事。

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還是機學(xué)習(xí)AI，它其實是更從統(tǒng)計和數(shù)據(jù)角度去做一套東西。這樣來看肯定是AI Agent的思路會更優(yōu)。

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

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

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的一個調(diào)度和集成，它的使用效果應(yīng)該是會受到Agent的數(shù)量、種類和質(zhì)量的一個影響。

就現(xiàn)市面上可用Agent，您覺得達到一個可以支撐咱們的產(chǎn)品去向b端收費的完整性和質(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，我們在有能力的時候也會順手做一些。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)其實是夠用的了。

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

分析、科研類的工作其實在市面上占了很大一個比例。比如PR輿情監(jiān)控也是爬文章區(qū)去看正負面評價。

大部分工作其實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方面的一個編排，一方面是Agent所用工具的編排。

在這之上我們還會讓我們會給Agent分級，我們有一個叫Agent 0的概念，然后我們會有專家Agent，下面有工具，可能本身它也是一個Agent，就是我們可以讓一個虛擬員工領(lǐng)導(dǎo)調(diào)動一個虛擬員工。

然后這個虛擬員工可能會調(diào)用他一個工具，相當于是一個多Agent協(xié)作的一個模式，也就是AI團隊。

我們的編排是為了達到這個能力而誕生的，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，可以隨時在編排的內(nèi)核里面去底座切換。

現(xiàn)在市面上沒有一個很好的邏輯去做這個事情，因為它涉及到數(shù)據(jù)庫的一些操作，我們就研究了這個。

A2：Agent調(diào)用是一個多對多的一個過程。一個工具Agent可能會在某個場景下用這個工具，反過來一個工具也會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，因為a和b，然后c。

我這個場景里他就不是鏈，甚至有時候也不是網(wǎng)，他更像一個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Agent了。
用Agent拿一個pdf總結(jié)再發(fā)回去，又和前面這個場景不一樣。

Agent其實可以調(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。

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

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

Laplace：會的。所以編排不僅僅代碼，還有知識庫。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「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交互出錯的一些可能性。

這就考驗了底層設(shè)計能力。不然你底層設(shè)計的越復(fù)雜，你往上走的時候它出錯的概率越高。市場需求越多，就越考驗?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)在很多人會講這個AI原生工作流，其實也是新的交互和操作方式。那企業(yè)內(nèi)部會有關(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，就是這個公司打工的。

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

那如果這個事是你站在更高層、決策層或者是老板的眼里，因為大部分只要你踏踏實實干過企業(yè)的，大家都能get到一個概念的事。

你的公司現(xiàn)在之所以這個形態(tài)是因為你的流程是這樣的。

所以決策者的想法可能就是你這個流程好不好？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人，而是整體信息傳遞和組織運營的效率。

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，包括那個旅行咨詢、留學(xué)咨詢或者獵頭。

這種服務(wù)業(yè)，其實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候。

比如說金融，各種內(nèi)外部信息的收集、做表、做報告本質(zhì)就是在處理數(shù)據(jù)，組合一些數(shù)據(jù)。那塊實際上是AI現(xiàn)在確實是更擅長的，所以整體意愿會更強一些。

在這些場景里，信息流不通暢會對業(yè)務(wù)造成很大的影響。像非常硬核的研發(fā)和律師，他們會更關(guān)注信息本質(zhì)的價值質(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，也不會特別在乎一點錯誤。

量子位智庫：聽起來很適合替公司行政干活。

Laplace：行政這不一定有價值。因為大部分行政在公司工資都是偏低的，并不在乎多一個少一個。

但是金融行業(yè)那些寫專業(yè)報告的人，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值的一些事情，替代行政確實沒問題，但這個事到底有多大價值？

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

話題七：知識庫

量子位智庫：咱們自己有一個模型叫LKHM，這個本質(zhì)是知識庫嗎？

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

說白了就是增加知識庫，一個增量式的，然后還有通過prompt，它會改良prompt進行版本控制。

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)是另一方面運行鏈就是你不斷地去優(yōu)化這個大模型，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?；蛘呤茿I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)。

他不需要刻意的準備這個東西，他在聊天記錄中注意到這個東西。

話題八：LUI的微調(diào)

量子位智庫：很多人覺得LUI代表了新的交互時代。咱們的產(chǎn)品在理解意圖方面會去做自己的模型訓(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。

因為每個人的表達方式可能不太一樣。舉個最簡單的例子，我要看微信，這個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)我們有兩個工具，一個是微信，一個是企業(yè)微信，那這兩個都叫微信，對吧？

那假設(shè)他第一次調(diào)起了一個企業(yè)微信，那用戶說不是我要那個微信并換掉了，那我們需至少要收集到這條語境來判斷下次你說的這個事就是這個微信，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，可能細節(jié)差別還挺大的。

比如服裝設(shè)計，可能從風(fēng)格到這個整個流程可能完全不一樣。有的可能比較偏傳統(tǒng)一點，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)，但他也會承擔風(fēng)險。

如果從這個基礎(chǔ)層面要確定實現(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。所以其實還是得有微調(diào)或者訓(xùn)練來幫他進一步理解你。

話題九：資源耗費

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Agent，它的 token的耗費量和它整個的響應(yīng)時間會不會有一個很明顯的倍增？我們會怎么做一個優(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，它是有多個分叉的異步過程，多個Agent可以同步的進行。

量子位智庫：token成本方面呢？

Laplace：token的成本其實是成本里最低的一項。
還有一個點就是不是所有的工具都一定要用到token。

我們會連接hugging face，也會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。實際上很多人在用工具的時候并沒有花很多token。

那些真正消耗算力的東西，比如說生圖和視頻，他消耗算力不是因為token，是因為有研發(fā)成本的分攤，研發(fā)成本后面都會下降的

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，接入的流程都是標準的，所以實際上最核心的研發(fā)的動作沒有太大區(qū)別。

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

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，實質(zhì)上還是標準化。

同時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，找到那個共同點。

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，可以直接標準售賣的嗎？

Laplace：其實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？

其實你會發(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、CRM等等，都很細很標準。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，也是很標準。

比如化妝品研發(fā)和新能源研發(fā)，其實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平臺是不是允許再有第三方去調(diào)用在他們平臺上開放出來的這些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合作的，一般去找可能別人會找不到。需要更深層次的關(guān)系才能開放API。

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

同時他們不會做智能化，就需要我們來提供智能化的處理能力，相當于1 +1大于2。

量子位智庫：目前我們?nèi)ズ推脚_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自由的開放平臺，只能放在大平臺上。

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，因為我本來就在海外這個階段或者對于我們來說不適合做海外。

這是真實案例的分享。我們其實第一版產(chǎn)品10月出來之后，海外的用戶覺得這個產(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)做其實有些像學(xué)術(shù)活動。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：所以這個事本質(zhì)是因為產(chǎn)品進他們工作流太深了，但國內(nèi)對數(shù)據(jù)沒有那么敏感。