?Datawhale大會?

2025火山引擎 Force 原動力大會

6月11日-12日，北京國家會議中心人山人海，2025 火山引擎 Force 原動力大會如約而至。

作為開發者社區的一員，這場大會上的一系列新發布讓我們感受到了：這個?Agent 技術落地元年的關鍵節點，火山引擎有屬于自己的獨特理解。

大會發布了豆包大模型 1.6、PromptPilot 提示詞優化平臺和 MCP?服務等一系列成果，集中展示了火山引擎AI云原生的全新范式。這背后需要具備強推理、多模態、低成本的強大模型，從而支撐起更復雜的 Agent，而 Agent 開發新范式也構建起了覆蓋大模型開發全鏈路的工具矩陣，為開發者和企業提供從 Prompt 優化到 Agent 落地的一站式方案。

隨著 Agentic AI 應用探索進入實質階段，一起來看看火山引擎如何憑借 Agent 開發新范式來釋放智能生產力的新原動力。

AI 云原生：從模型到智能體的范式演進

大會上，火山引擎提出了面向 Agent 時代的“AI云原生”理念。

AI 發展經歷三次范式躍遷，從感知 AI，到生成式 AI，再到如今的智能體（Agentic AI），每一次都重塑了人機協作的邊界。且每一代技術的核心載體也不斷演進，從 Web 頁面到移動 App，再到如今的智能體（Agent）。在這個轉折點上，傳統技術棧已難以支撐 AI 時代的需求，必須圍繞 AI 云原生重構未來的技術架構。

所謂 AI 云原生，就是讓應用以 AI 智能體為中心構建和生長的新模式。這意味著 AI 不再是附屬的插件，而是應用的內核，從開發之初就與數據、工具和環境深度融合。

可以看到，以 Agent 為核心構建應用正在成為新潮流。然而，構建一個成熟的 Agent 系統并非易事：從創意構思到應用開發再到部署運營，鏈路漫長且涉及繁雜的工具生態。為此，火山引擎打造了 AI 云原生技術棧，旨在大幅降低開發門檻，加速 Agent 從概念走向應用。

火山引擎提出了一套?AI 云原生理念希望幫助企業打造 Agentic AI，成為企業智能體轉型的“使能者”，而非單純的資源提供者，在降低技術風險的同時，最大化釋放 Agent 的智能價值。換言之，AI 云原生范式不僅提供技術工具，更扮演企業智能升級的催化劑，加速 AI 從技術走向生產力，讓 AI 真正成為像電一樣的基礎設施。

豆包大模型 1.6：更強大、更全面、更便宜

本次大會，火山引擎正式發布豆包大模型 1.6。

作為火山引擎 AI 云原生架構的“模型基座”，豆包大模型 1.6 系列一舉邁入全球大模型第一梯隊，在復雜推理、數學競賽問題、多輪對話、指令遵循等多項權威評測中表現優異。

本次升級推出了三款型號：

• 主力版：靈活支持 thinking/non-thinking/自適應思考三種模式的 Doubao-Seed-1.6 模型；

• 思考版：豆包目前最強的思考模型 Doubao-Seed-1.6-thinking；

• 極速版：以及具備超低延遲和出色的視覺理解能力的 Doubao-Seed-1.6-flash 模型；

在眾多權威測評集上，豆包大模型 1.6 得分均位居國際第一梯隊。在推理能力、多模態理解能力、GUI 操作能力上具備領先優勢。

更令人稱道的是豆包 1.6 的原生多模態理解和圖形界面操作能力。簡單來說，豆包1.6不僅“看圖說話”，還能看圖行動——驅動智能體在瀏覽器、Excel 等軟件中進行交互操作。這樣的能力讓智能體可以像人類一樣讀取網頁、點擊按鈕、填寫表單，完成一系列跨軟件的任務執行。

這意味著我們可以利用豆包 1.6 完成復雜業務流程的案例：例如自動打開電影網站、篩選當日北京上映電影并按評分排序，最后選定高分影片下單購票，全程由?AI 自主完成。這種多模態理解與圖形界面操作能力，標志著豆包 1.6 已為智能體賦予了感知環境并采取行動的“大腦”，突破了傳統純文本模型的桎梏。

除了更“強”，豆包 1.6 也變得更“便宜”。

在?Agent?大量消耗?Tokens?的場景下，成本是規模化應用的阿喀琉斯之踵。為此，豆包大模型 1.6 采用了統一定價模式，無論是否開啟深度思考模式，無論是文本還是視覺，tokens 價格均一致，按照輸入上下文長度區間定價。

隨著模型能力的進步，AI?有望成為開發過程的“調度者”，通過調用不同的?Agent?和工具，讓軟件開發實現真正的?All-in-One，顯著降低開發門檻并提升效率。

豆包 1.6 正是這一理念的最佳注腳：多模態深度思考的強大模型、大幅降低的使用成本，以及與工程實踐的緊密結合，使得規模化的?Agent?應用成為可能。

PromptPilot：人與大模型溝通的「嘴替」

如果說豆包1.6是?Agent?的大腦，PromptPilot 則可以看作人與大模型溝通的嘴替。

在大模型應用落地過程中，開發者經常面臨需求表達模糊、Prompt?調試低效的痛點。調教一條精妙的 Prompt 往往需要反復試錯，這對初學者和領域專家都構成了門檻。

火山引擎推出的?PromptPilot?平臺，正是為了解決這一難題。

有了它，用戶不需要精通大模型原理，只需用行業術語或大白話描述需求場景，PromptPilot?就能自動理解需求、生成高質量的?Prompt，并優化模型輸出。

PromptPilot?通過“需求理解 -> 問題生成 -> 輸出優化”三個環節，將?Prompt?調試效率提升了 300%。這意味著過去可能要花費數小時甚至數天手工調整的提示詞，現在借助智能工具幾分鐘就能完成迭代。

對于行業應用而言，這無疑建立了一個閉環的?Prompt?優化流程——需求->Prompt->反饋優化->再應用，不斷提高智能體對業務語境的理解力。可以說，PromptPilot?讓“大模型調教”不再像煉金術般晦澀難懂，而變成了一鍵即可執行的工程流程，極大降低了企業定制 AI 應用的門檻。

MCP 服務：構建一站式 Agent 開發與部署環境

在大會上，另一個吸引人的發布是火山引擎的?MCP Servers 服務。

還是把大模型比作?Agent?的大腦，MCP?則扮演著 Agent 的軀體和四肢：它連接大腦與外部世界的一切所需。從概念驗證到真正落地，Agent?開發往往面臨“最后一公里”的挑戰——如何將模型、工具、環境有機結合起來，打通從開發到部署的全流程？MCP?服務的誕生正是為了解決?Agent?從理念到產品的鏈路斷層問題。

MCP Servers 的本質是一個超級連接器：一方面，它將火山引擎的各類云服務能力進行封裝，供 Agent 以類似調用函數的方式使用；另一方面，它通過標準化協議把不同的 Agent 開發工具和平臺貫通起來，形成一個統一的生態。

在?MCP?出現之前，開發者構建一個復雜?Agent，往往需要東拼西湊多個組件：調用模型API、對接數據庫/云存儲、引入外部工具接口，再將這些雜糅在一起部署運行。任何一個環節的阻滯，都會造成“最后一公里”的中斷。而?MCP?提供了一個模塊化、一致化的解決方案：開發者只需按照規范注冊配置，即可讓 Agent 具備調用云端各種資源和工具的能力，大幅簡化了系統集成的難度。

具體來說，火山引擎已在?MCP?生態廣場中內置了 200+ 種基礎?MCP?服務，覆蓋從搜索、地圖、企業辦公，到內容生成、數據庫、函數計算等各類常用功能。

這些服務由火山官方和第三方提供，經?MCP?協議標準化后，Agent?調用它們就像調用模型一樣簡單。更方便的是，MCP?已經和多款開發工具深度集成，包括AI原生?IDE TRAE、方舟開發者體驗中心以及扣子開發平臺等。在?TRAE?或扣子中，開發者只需選擇需要的?MCP?服務并生成一段JSON?配置，即可一鍵接入相應功能。

MCP?的出現意味著，過去需要多名工程師耗時數周搭建的運行環境，現在幾乎零門檻、一鍵即可打通。

從此開發者可以一站式完成?Agent?應用開發的端到端流程！

對于開發者來說，MCP?提供了如同“樂高積木”般的即插即用能力：想讓?Agent?獲取實時資訊？調用搜索服務即可；需要?Agent?存儲記憶？接入云數據庫服務；完成開發后還愁部署上線？MCP?直接幫你在火山引擎云上托管，一鍵生成應用訪問鏈接。

所有這些繁瑣環節都被打包進?MCP?的底層支撐里，開發者能夠更專注于?Agent?的邏輯和策略本身，而不必為環境搭建和維護分心。這種?AI?云原生的?Agent?開發環境極大提高了智能應用從開發到上線的效率，讓“小團隊也能造出大智能”。

TRAE 和扣子升級： 助力企業高效構建 AI 開發范式

火山引擎為幫助企業高效開發 Agent，在 TRAE 和扣子上面也有直接的體現。

首先來看國內首個 AI 原生 IDE?產品 TRAE ，TRAE 不止于 AI 代碼生成，而是要做 AI 開發。

它為開發者提供了代碼補全、局部代碼生成功能，支持代碼重構、批量修改、知識問答等復雜任務，有效解決了開發各環節跳端效率低、AI 能力只覆蓋編碼場景而非全流程得痛點。

TRAE 之所以要深耕 AI 軟件開發，是因為 AI 時代對話將成為新的終端，用戶輸入的不再是代碼，而是任務目標和標準；AI 在統一的工作空間中理解、組織并交付結果。從 AI 寫代碼 到 AI 做開發，從工具增強到流程重構，從 TRAE 看到了火山引擎對未來開發形態的思考。

據說 TRAE 的下一個版本還將整合不同 Agent 和工具，協調任務流程，實現自動串聯操作，逐步從 AI 輔助編程向支持 AI 開發全流程進階。

再來看一下為了適配 Agent 的發展而全面升級的扣子平臺。

扣子用 Agent 重塑生產力，它由原先的 Agent 低代碼開發平臺，升級成為覆蓋 Agent 低代碼開發、全代碼開發，Agent 調優和 Agent 協作的全生命周期平臺。

這里重點提一下扣子羅盤和扣子空間。

扣子羅盤服務于任何搭建形式的 Agent 調優，能夠在 Agent 評測、觀測、效果調優、數據飛輪等能力建設上，高效地幫助低代碼開發者和全代碼開發者持續迭代運行 Agent。前面提到的 Trae 和下面提到扣子空間也都是基于扣子羅盤構建和調優，正是因為有了羅盤的助力，才能讓兩個產品快速迭代、快速優化。

扣子空間則是用戶和 Al Agent 協同辦公的最佳場所。在扣子空間里有精通各項技能的「通用實習生」以及各行各業的「領域專家」，開發者可以利用扣子空間完成很多智能體操作：撰寫調研報告、制作PPT、制作互動式教學網站、網頁小游戲、制訂旅游攻略等等。

此外，本次大會上亮相的 veRL、DeerFlow、UI-TARS 等開源項目也為 AI 云原生和AI 開發范式做了強有力支撐。

比如 veRL 強化學習框架，它可輕松擴展多種強化學習算法，無縫集成現有 LLM 基礎設施與模塊化 API，助力開發者快速搭建 RL 模型開發管線，提升對話規劃、智能編程、復雜策略優化等場景的開發效率與資源利用率。

目前該項目已經取得了9.6k star。

開源地址：https://github.com/volcengine/verl

尾聲：原動力啟航，智未來可期

火山引擎此次帶來的 Agent 開發新范式，融合了模型、工具和平臺的創新，為智能體技術的落地帶來了全新的解題思路。從產業觀察者的角度來看，這套范式之所以令人激動，正是因為它有望破解過去阻礙 Agent 規模化應用的四大難題：模型能力瓶頸、成本與算力掣肘、開發鏈路冗長、生態閉環迭代。

整個 Force 大會展示的這套 AI 云原生全棧服務（豆包1.6、 PromptPilot、火山引擎?MCP 服務等），清晰地傳遞出一個信號：火山引擎正通過系統性解決上述關鍵挑戰（模型、成本、鏈路、生態），推動 Agentic AI 技術從概念探索邁向大規模應用實踐。

可以預見，一個轉折點正靜靜來臨：軟件應用開發范式正從過去“調用外部 AI”漸漸轉向“由 AI 孕育生成”。面對這一變化，我們需要做的，正是理解并擁抱這種新范式，讓自己的想象力在 AI 原生的沃土中開花結果。

在這個 Agentic AI 元年，AI 云原生的新風已起，我們不妨大膽暢想：當 AI 不再是冰冷的指令執行，而成為有自主智能的數字勞動力，我們的軟件世界將迎來何等蓬勃的生命力？

讓我們拭目以待，在火山引擎等創新者的引領下，Agentic AI 之船正破浪前行。新時代的原動力已然覺醒，它必將推動智能產業駛向更加壯闊的未來。

開發者們，請擁抱這一刻，把握這一代技術浪潮，讓我們共同迎接由 Agentic?AI?所開創的璀璨新篇章！

一起“點贊”三連↓