行业趋势：从通用大语言模型转向专业微智能体 - 公司正用更小、更专业的微智能体取代大语言模型，以更快、更准确地处理任务[1] - 早期应用显示，专注于特定任务的智能体在成本、可靠性和速度上优于通用模型[1] - 通用大语言模型作为全能系统进入市场，但存在显著局限性，如需要大量算力、在高负载时期引入延迟，以及在执行行业特定工作时产生不稳定结果[3] - 微智能体专注于单一任务，使用更小的数据集进行训练，操作边界更严格，从而减少输出不一致性、缩短推理时间，并使公司能更清晰地控制性能[4] 微智能体的优势与特性 - 微智能体更易于维护，每个智能体仅处理一项任务，更新无需重新训练整个系统[5] - 当性能出现偏差时，团队可纠正或替换单个智能体，而不会中断其他工作，这种模块化结构允许公司将人工智能集成到更多运营层面，且不会产生全天候运行大模型相关的成本激增[5] - 微智能体更易于调整、部署更快，且在大规模运营时更具可预测性[4] - 各行业企业均已采用微智能体[5] 公司案例：CrowdStrike - CrowdStrike在其安全平台上应用微智能体，开发了用于审查警报、标记异常和推荐修复步骤的智能体[6] - 这些智能体完全基于威胁模式、遥测信号和内部检测工作流程进行训练，而非广泛的对话数据[6] - 公司准确率从约80%提升至98%以上，并将手动分析工作量减少了近90%[6] - 智能体以先前需要多名分析师才能完成的速度处理警报，并通过统一标准评估每个警报提高了处理一致性[6] - 在威胁量激增时，微智能体帮助公司更快响应，用于处理第一层过滤和分类，使分析师能专注于需要深入调查的案件[7] 公司案例：PayPal - PayPal采用基于Nvidia开源模型构建的微智能体，支持欺诈审查、开发者协助和商户支持等一系列内部运营[8] - 公司使用专有的支付和商业数据对智能体进行微调，使其具备通用系统所没有的上下文理解能力[8] - 新架构使多个内部工具的延迟减少了约50%，并提高了开发人员生产力[9] - 由于智能体范围狭窄，PayPal能以更短的周期修订它们，并在无需大量提示调整的情况下部署更新[9] 公司案例：Synopsys - Synopsys在与Nvidia扩大合作后，将基于智能体的工具引入半导体设计领域[10] - 公司将其AgentEngineer技术与Nvidia的NeMo Agent Toolkit和Nemotron开放模型集成，以支持芯片设计流程中的验证、调试和代码分析任务[10] - 早期部署缩短了部分工作流程，使团队能更快发现潜在问题，并减少了跨设计阶段收集数据所花费的时间[10] - 智能体工具通过每次使用相同标准评估设计输入来提高一致性，运行检查并准备结构化输出供团队评审[11] - 芯片设计过程涉及数千个步骤，能从自动化可重复操作的工具中受益[11]