自ChatGPT诞生以来，关于大模型时代下应用形态的讨论从未停止。2023年3月31日，Auto-GPT的发布给业界提供了一种新的思路：为什么不让AI自己去调用AI和工具呢？由于诸多问题的存在，Auto-GPT更多的停留在了探索阶段，鲜有实际应用落地。但不论如何，AI Agent逐步成为了AI原生应用形态的理想范本。

　　随着技术栈的逐步成熟，2025年被业界广泛视为“AI Agent元年”。2025年3月6日凌晨，Monica宣布推出号称全球首款通用AI助手的Manus。Manus一经发布便震撼全网，它似乎已经接近了市场对AI Agent的理想范式。这也进一步引发了市场对于低代码/零代码的讨论：AI Agent的出现是否会终结传统应用时代，就像智能手机取代功能机那样？如果是这样，原生的AI Agent开发平台是否会终结低/零代码开发平台的未来？

　　影响低/零代码开发平台与AI Agent开发平台关系的核心是什么？

　　影响低 / 零代码开发平台与 AI Agent 开发平台关系的核心，在于 AI Agent 的实现路径—— 是通过工程化水平提升（工具集成、工作流编排）还是模型能力提升（LLM 进化，模型即产品）来构建智能体。

　　若 AI Agent 的能力主要依赖于模型自身的推理、记忆与工具调用能力，低 / 零代码平台的作用将被弱化，因为高阶模型可能直接通过自然语言交互完成复杂任务，减少对可视化开发工具的需求。反之，若 AI Agent 的构建需通过模块化工具链与动态逻辑编排实现，则低 / 零代码平台的拖拽式开发、流程管理和工具库整合能力将成为核心支撑，大幅降低开发门槛。这种路径差异直接决定了两类平台的关系：模型能力越强，对工具的要求越低，AI Agent；工程化需求越高，低 / 零代码平台的工具属性越突出。因此，实现路径的选择本质上是对智能体开发中 “内生智能” 与 “外部赋能” 权重的权衡，进而塑造了两类平台的定位边界。

　　关于AI Agent的实现路径，目前讨论的主要焦点是什么？——“AI Agent的能力提升应该依托模型能力提升还是工程化水平提升”

　　两个事件带来的启示：

　　DeepSeek和Manus都是工程化成果的结晶。Grok 3使用了20万块GPU，花费了两个阶段共214天进行训练，从能力上却难以碾压预训练费用557.6万美元的DeepSeek – R1，大模型训练的边际效应似乎正在递减，模型能力在现阶段似乎也难以提升飞跃性的提升。

　　Manus在核心技术上没有太大突破，但从产品形态、功能设计、技术整合上充分借鉴并优化了现有的产品和技术，最终实现了优秀的用户体验。看起来，当下通过工程化水平的提升实现AI Agent的构建是最有可能的路径。

　　事实一定如此吗？

　　业界内另一种热门观点认为基于提示词工程和工作流编排的 AI 智能体（如 Manus）存在扩展性瓶颈，无法应对复杂任务的长期规划需求。未来真正的智能体发展方向应依赖模型内生能力的突破，通过强化学习（RL）与推理能力的深度耦合实现全流程自主控制（如 DeepResearch 和 Claude Sonnet 3.7），最终实现“模型即产品”。这种转变意味着智能体设计的核心复杂性将转移到模型训练阶段，从根本上提升模型的自主推理能力，最终彻底颠覆目前的应用层生态，模型方将重新掌握价值链。

　　IDC观点：

　　DeepSeek的爆火提升了市场对于开源大模型的关注度，也推动了模型方与应用方的平权。与此对应的是低/零代码厂商也成功拿回了主动权，纷纷接入DeepSeek，并面向AI Agent开发场景转型。但头顶阴云始终笼罩，一方面是AI Agent开发平台产品形态的理念冲击，一方面是对模型方重新拿回主动权的担忧。低/零代码厂商既要追随技术发展和理念变化，又要审视自身的历史积累和差异化优势，从而在未来AI 生态中找到新的价值锚点。