AI Agent當牛做馬，辦公自動化帶來超級生產力｜對話Laplace

量子位智庫 發自 凹非寺
量子位 | 公眾號 QbitAI

成立僅9個月的AI初創公司拉普拉斯智能（Laplace AI），已經用原生智能生產力操作平臺幫助企業用戶實現智能體落地了！

平臺名為拉普拉斯智能實驗室（Laplace AI Lab），入口統一，用自然語言即可溝通，不知不覺間就能實現工具調用，擁有極低的用戶學習成本。

而且支持團隊內的協作和流程智能分享，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SaaS和RPA框架的局限，解決了功能繁雜、操作復雜、系統封閉等問題，能夠滿足企業對于高效、靈活、開放的智能化工具的需求。

而且迭代和落地速度也非?？捎^，成立僅三個月時就已發布第一版產品，如今新一代產品也已上線。

實際應用中，Laplace AI已經與某知名戶外品牌運營客戶共同打造出了品牌服裝AI設計師，幫助把從設計到生產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、集成互聯互通、協作與分享。

人才方面，創始人兼CEO衣冠錫博士畢業于UCLA，聯合創始人CTO谷士德畢業于紐約大學，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會會士。

所以，Laplace AI具體如何實現快速入局AI Agent并占據一席之地？當快速發展的AI Agent和企業生產力相結合，又能否解決企業智能生產力的痛點？

上周，量子位智庫訪談了Laplace的三位創始人，深入了解了Laplace將如何通過獨特的AI Agent技術實現辦公智能自動化和人機無縫協作。

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

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？覺得優勢或者說特性會在哪？

Laplace：他們捕捉動作形態，比如說鼠標操作習慣，其實還是上一代機器學習的思路。比如在網站熱區的設計里，因為右下角點的比較多，所以要把功能放在那，但事實上這種數據是會騙人的。

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

而前面那種機器學習的思路是強行要找到這兩個的因果關系，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還是機學習AI，它其實是更從統計和數據角度去做一套東西。這樣來看肯定是AI Agent的思路會更優。

量子位智庫：那相當于自動化領域，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生態現狀

量子位智庫：既然如果我們的產品做的是Agent的一個調度和集成，它的使用效果應該是會受到Agent的數量、種類和質量的一個影響。

就現市面上可用Agent，您覺得達到一個可以支撐咱們的產品去向b端收費的完整性和質量了嗎？

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。如果已經有很好的現成工具了，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、該怎么執行，Agent怎么理解，這個反而是我們的核心，所以這一塊的質量得我們去把控。

其實現成的工具，還有AI工具加起來，很多業務都已經其實是夠用的了。

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輿情監控也是爬文章區去看正負面評價。

大部分工作其實真的沒有大家想象的那么專業和需要技術，都是很類似的需求。

話題三：Agent編排技術

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

A1：我們的產品會基于現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導調動一個虛擬員工。

然后這個虛擬員工可能會調用他一個工具，相當于是一個多Agent協作的一個模式，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核里面去底座切換。

現在市面上沒有一個很好的邏輯去做這個事情，因為它涉及到數據庫的一些操作，我們就研究了這個。

A2：Agent調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，他更像一個graph，所以這東西甚至比大模型都要復雜很多。

話題四：Agent協作

量子位智庫：多Agent協作現在是已經直接落地生產了嗎？

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，又把它發回去，這里面已經用了兩個Agent了。
用Agent拿一個pdf總結再發回去，又和前面這個場景不一樣。

Agent其實可以調用很多工具，雖然你看上去無非就是微信里面不同類型的信息，處理一下再發過去，但這里已經是多Agent協作了。

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

量子位智庫：這種協作的技術難度會隨著協作Agent的數量去增長。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，怎么去優化方案？

為什么我們現在底層要抽象成這個「信息收集、信息處理、信息分發」。

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

這就考驗了底層設計能力。不然你底層設計的越復雜，你往上走的時候它出錯的概率越高。市場需求越多，就越考驗你的歸類和交互能力。

話題五：原生AI工作流

量子位智庫：現在很多人會講這個AI原生工作流，其實也是新的交互和操作方式。那企業內部會有關于員工培訓或者組織架構的顧慮嗎?

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

如果這個東西一旦流程優化，他就把我優化掉。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的，大家都能get到一個概念的事。

你的公司現在之所以這個形態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化我的組織結構的話，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：優先場景

量子位智庫：現在有哪些行業或者場景明顯更積極興奮嗎？

Laplace：服務類的，不是客服，包括那個旅行咨詢、留學咨詢或者獵頭。

這種服務業，其實它大量交換的是信息，然后最貴的是人，現在AI能讓你的信息流轉程度變得更高，特別處理信息量越來越大的時候。

比如說金融，各種內外部信息的收集、做表、做報告本質就是在處理數據，組合一些數據。那塊實際上是AI現在確實是更擅長的，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務造成很大的影響。像非常硬核的研發和律師，他們會更關注信息本質的價值質量，早一天晚一天可能影響沒那么大。

但對旅行規劃等等，他更關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。

但是金融行業那些寫專業報告的人，比如分析師，是特別容易被替代的。

在行業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，對他來說這個業務是本身是有價值。

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、補充預訓練、微調、還有RAG來達成。產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。

還有的就是叫預訓練，就是增量式預訓練，可以不斷的去微調，就微調是另一方面運行鏈就是你不斷地去優化這個大模型，它是增量式的流程。

最后就是微調，嗯，不斷地微調，就這就我們會結合了，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，然后他不斷地學習。

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

量子位智庫：很多人覺得LUI代表了新的交互時代。咱們的產品在理解意圖方面會去做自己的模型訓練嗎？還是說用現成的就足夠了？

A1：意圖識別要做微調的，訓不訓練不一定，但是微調是一定的。

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——幫我去調開微信。但你說的就很簡短——我要看微信。

假設我們有兩個工具，一個是微信，一個是企業微信，那這兩個都叫微信，對吧？

那假設他第一次調起了一個企業微信，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，而不是企業微信。

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

A2：很多公司看起來在做同樣的業務，但流程完全不一樣，可能細節差別還挺大的。

比如服裝設計，可能從風格到這個整個流程可能完全不一樣。有的可能比較偏傳統一點，需要提前備貨和生產。

也有的公司覺得不想那么重的庫存，發出去先看哪些反饋比較好，確定了我再去生產，但他也會承擔風險。

如果從這個基礎層面要確定實現流程，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或者訓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，然后我們結合了多個Agent，它的 token的耗費量和它整個的響應時間會不會有一個很明顯的倍增？我們會怎么做一個優化？

Laplace：一定要做優化。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，是因為有研發成本的分攤，研發成本后面都會下降的

話題十：定制化

量子位智庫：咱們現在在國內是主要在做定制化嗎？

Laplace：我們研發了底層框架基礎之后，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的動作沒有太大區別。

就很像兩個不同職業的人用的是同樣的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。

我們也只是讓開發者按照我們的規則開發應用，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：現在有已經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務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？

其實你會發現大家接收信息或者分發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或者生成思維導圖，或者生成PPT，也是很標準。

比如化妝品研發和新能源研發，其實都是去抓競品的材料，結合我現在的產品生產配方，然后進行調試。

這些信息最終也是寫在excel或者word里，技術邏輯本質上都是一樣的。

話題十一：海內外對比

量子位智庫：國外的產品API開放的風氣很盛，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用。

但是國內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用在他們平臺上開放出來的這些Agent？

那比如咱們在國內和國外做的話，是怎么看待國內生態的？

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：目前我們去和平臺建立合作關系的難度如何？

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的那種第三方網站，國內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，可能是生態網絡方面去靠。但不是類似GPT store。我們的初衷就是為了幫我們生態項目的這些開發者，幫他們去找廠子。

話題十二：出海

量子位智庫：咱們是打算先做國內再出海，還是同步去推？

Laplace：可能先做國內再出海，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。我們其實第一版產品10月出來之后，海外的用戶覺得這個產品對自己的侵入太深，還需要給一些數據，盡管有NDA，但內部還是有一些顧慮。

比如像三星就不讓員工用GPT，更不用說我們大部分基于網上開發的東西，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據。

能感覺到這個理念是完全不一樣，而我們現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，國內沒人做開源，就是應用場景太多了。

我們在國內做其實有些像學術活動。我們轉移到國內來，先把我們的產品打磨好，我們也看到了很多國內已經打磨得非常好的東西。

很多出海的應用前提是人家已經在國內卷出來了，我們目前還沒有。

量子位智庫：所以這個事本質是因為產品進他們工作流太深了，但國內對數據沒有那么敏感。