近期國產大模型動作頻頻。4月2日，阿里發布千問新一代大語言模型Qwen3.6-Plus。4月8日，DeepSeek（深度求索）上線專家模式，這是DeepSeek走紅以來首次在產品端引入模式分層設計。此前3月份，DeepSeek釋放了和Agent（智能體）相關的多個崗位招聘需求。

《每日經濟新聞》記者注意到，無論是阿里千問還是DeepSeek大模型，都在強化基礎大模型Agent的能力。2026年初，以OpenClaw（一款開源人工智能體框架，俗稱“龍蝦”）為代表的“龍蝦熱”火爆國內外。如果說2025年還是“千模混戰”，2026年AI（人工智能）主戰場已全面轉向智能體，Agent對Token（詞元）的消耗正以百倍、千倍速度加快。

IDC（國際數據公司）中國研究總監盧言霞向《每日經濟新聞》記者表示，強化Agent能力是基礎大模型2026年的重要發展方向，可能包括深度研究、智能辦公、AI代碼助手等通用場景。

中國科學院計算所客座博士生導師、中國計算機學會數字金融分會常務執委白碩在接受《每日經濟新聞》記者采訪時表示，隨著AI應用爆發，對基礎大模型Agent能力，未來將更重視在Harness Engineering（直譯為駕馭工程）領域的提升。據了解，Harness Engineering是一個不強調模型性能，更強調工程環境，通過讓“駕馭模型的系統環境”更專業而提升使用效果的范式。

下一代OpenClaw將支持視頻生成

OpenClaw創始人近日在社交平臺宣稱，下一代OpenClaw智能體產品將迎來兩大核心升級——全新融入AI視頻生成能力，并成為全球首個官方適配阿里千問大模型的智能體框架。

4月2日，阿里發布千問新一代大語言模型Qwen3.6-Plus，其中最引人注目的是，新模型顯著增強了智能體編程能力。在代碼智能體領域以及通用智能體與工具使用方面，新模型表現突出。

4月4日，OpenRouter（一個AI模型聚合平臺）官方數據顯示，Qwen3.6-Plus的日調用量突破1.4萬億Tokens。

Agent對Token的消耗正以前所未有的速度激增。國家數據局局長劉烈宏披露了一組數據，到今年3月，我國日均詞元調用量已超過140萬億，相比2024年初的1000億增長1000多倍，相比2025年底的100萬億，3個月時間又增長40%多。

在英偉達GTC 開發者大會上，黃仁勛給出了一個極具沖擊力的定義：Token是AI時代的新大宗商品，是新“貨幣”，也是衡量企業競爭力的核心標尺。

而OpenClaw這類Agent產品徹底改變了AI交互形態，使其能落地完成復雜任務，也讓Token需求迎來爆發式增長。

不只是阿里千問基礎大模型強化了Agent能力，DeepSeek通用大模型自2025年以來也強化了Agent能力。

《每日經濟新聞》記者注意到，在DeepSeek官網上，3月24日發布的一系列招聘崗位中，有不少和Agent相關的崗位。譬如Agent全棧開發工程師、Agent深度學習算法研究員、Agent數據策略工程師等。

2025年12月，DeepSeek更新V3.2正式版，就強調其新模型強化Agent能力，融入思考推理。在這個版本的模型中，DeepSeek提出了一種大規模Agent訓練數據合成方法，構造了大量“難解答，易驗證”的強化學習任務，大幅提高了模型的泛化能力。

DeepSeek專家模式具備領域深度增強等特點

當前，AI Agent（人工智能體）能力很大程度上依賴于基礎大模型能力的提升，基礎大模型提供核心能力，而Agent通過系統化設計將這些能力轉化為實際應用價值，國產基礎大模型正在強化Agent能力。

橫向對比來看，無論是千問大模型還是DeepSeek，均支持高達100萬個詞元上下文長度，大模型在長文檔、多輪對話信息提取上更精準。

盧言霞認為，當前基礎大模型競爭的關鍵是編程能力、智能體能力等。

在AI應用端，浙江華通云數據科技有限公司副總裁林建龍在接受《每日經濟新聞》記者采訪時坦言，當前AI Agent仍面臨一些問題。譬如大多數AI系統仍然停留在工具、技能層面，無法真正成為企業的“數字化員工”。傳統工作流編排和簡單對話系統雖然能夠完成一些預定義的任務，但缺乏深度理解業務場景、獨立思考和持續學習的能力，難以滿足企業復雜多變的業務需求。

林建龍表示，未來的AI Agent不是簡單的工具，而是一個基于大模型之上的各個行業領域專家。這種專家Agent具備以下核心特征：第一，具備深厚的行業專業知識，能夠理解并處理復雜的業務問題；第二，能夠深度融入企業業務流程，與現有系統無縫對接；第三，具備持續學習和自我優化能力，能夠在實踐中不斷提升；第四，能夠獨立完成特定任務，而不僅僅是提供建議或答案。

4月8日，DeepSeek上線的專家模式就提到，專家模式具備領域深度增強、多步推理可視化、引用溯源強化、自定義專家組合、長上下文壓縮優化等特點。專家模式沿用了R1的長思維鏈推理能力，但針對專業領域做了定向蒸餾和微調，使“快思考”與“慢思考”在領域內更平衡。

林建龍也強調了未來“專家Agent”理念的實現，需要系統化和工程化的方法。他表示，當前華通云正圍繞底座模型、數據管理、提示詞工程、長期記憶等核心技術要素，構建了一套完整的AI Agent開發框架。

其中底座模型提供基礎的認知和推理能力，數據管理完成對企業數據的鏈接和交互，提示詞工程負責將業務需求轉化為模型可理解的任務指令，MCP Tools（用于與外部系統進行交互的工具集或協議）提供與外部系統交互的能力，Skills（技能）封裝了特定領域的專業技能，長期記憶機制則使Agent能夠在多輪交互中積累經驗、實現智能的個性化服務。