十字路口Crossing 07月08日

这只「斑头雁」刷新了 Agent 领域的单笔融资纪录：它是谁？从哪来？

BetterYeah AI 是一款企业级 AI 智能体开发平台，核心团队与阿里渊源深厚。文章评测了 BetterYeah AI 在可落地性上的完成度，并以「躺岛呱呱酱 Agent」为例，展示了其构建个性化工作流、应对丰富场景、高扩展性以及多 Agent 协作等功能。文章还探讨了 AI Agent 商业化落地的关键因素，提出 AI Agent 应专注于「绿灯区」工作，在合适位置嵌入 AI 能力以增强用户，并充分利用基础大模型的「丰度」和「可及度」，从而实现商业价值的实现。

📌 BetterYeah AI 是一款企业级 AI 智能体开发平台，核心团队与阿里渊源深厚，具备强大的技术背景和行业经验。

🛠️ BetterYeah AI 提供了完善的工作流构建功能，支持用户根据需求设置角色设定、上传数据到知识库和数据库，并快速搭建 AI Agent。

🌐 BetterYeah AI 支持高度可定制的丰富场景，用户可以根据不同需求构建个性化的工作流，并选择不同的大模型进行处理，实现灵活性和成本效益。

🔗 BetterYeah AI 具有很高的扩展性，用户可以将构建好的 Agent 发布到各种不同的平台上使用，并通过 MCP 服务连接到外部的 AI Coding IDE，实现多 Agent 嵌套和更复杂的功能。

🤝 BetterYeah AI 支持多 Agent 协作，用户可以将多个 Agent 组成一个主 Agent，以应对更加复杂的场景，实现任务分解和高效协作。

原创镜山 2025-07-02 09:07 北京

我们用它搭了个「躺岛呱呱酱 Agent」

👦🏻 作者: 镜山

🥷 编辑: Kavana

🧑‍🎨 排版: NCon

斑头雁是唯一能飞过珠穆拉玛峰的鸟类。当其他鸟类只能借助风力勉强通过时，斑头雁却能凭借自身能力「硬飞」过这座世界之巅。

这多多少少让我们联想到企业级 AI Agent 市场的现状：大多数产品在等待完美的「风力」——更强的模型和算力、更低的成本、更成熟的技术环境，但也有产品希望不等完美、只争朝夕，试图像斑头雁一样「硬飞」过高峰。

近日，为自己起名为「斑头雁」（BetterYeah AI）的企业级 AI 智能体开发平台完成了由阿里云领投的超亿元 B 轮融资，创下国内该领域迄今公开披露的最大单笔融资纪录。

BetterYeah AI 的核心团队与阿里的渊源很深。 CEO & 创始人张毅（花名：陶钧），曾是阿里钉钉创始团队成员、原副总裁，另外两位联合创始人（COO 黄雯、CTO 黄种堃）也出自于钉钉核心创始团队成员。

🚥在 AI Agent 概念满天飞的今天，什么才是衡量一款企业级产品是否具备「硬飞」能力的标准？

答案或许就在「可落地性」这四个字里。

我们发现 BetterYeah AI 在 Agent 最难的关卡——可落地性上的完成度很不错。

因此，我们深度测评了这款受到商业市场关注的产品，并用 3 点思考回答了「在 AI Agent 的喧嚣过后，什么样的产品能够真正在企业里存活下来？」

我们让「躺岛呱呱酱 Agent 」正式上岗！

BetterYeah 里提供了各种场景下的 AI Agent 和工作流，可以直接拿来借鉴。我们也试着自己为「躺岛」搭建一个 AI Agent ——「躺岛呱呱酱 Agent」。

1）完善的工作流

我们对「躺岛呱呱酱 Agent」的设想是：作为一个具有行业专业知识、能够调用工具，为顾客定制化输出回答的、真正能干活的 AI 客服。

来看看，它是否能做到吧！

首先，我们可以根据想让它做到的事情，给它设置一个角色设定，规定好它的基础能力。角色设定部分，我做了可视化卡片放在右侧了，需要的同学可以直接模仿：

然后，BetterYeah 可以很方便地上传数据到知识库和数据库里。比如，我们上传了躺岛的三款产品：躺岛线条小狗夏凉被，躺岛山野瓜夏凉被，躺岛瓜瓜凉被。

再利用 AI 排版一下它们各自的信息，就可以一键复制到 BetterYeah 的知识库里：

知识库上传很方便，支持多种格式

这样，我们就有了一个基础版的 Agent。

比如，我们问它：

prompt：我住在上海、夏天不敢通宵开空调，而且上海偶尔会有梅雨天气。但我睡觉必须要盖被子才有安全感。夏天不管盖什么都好热！请给我一个推荐？

「躺岛呱呱酱 Agent」可以根据知识库里的数据，进行深度思考，给出了一个非常完整的回答，有 4 条推荐理由，还给出了知识库里的产品图以及购买链接，点击可以直接进入淘宝界面：

关于 BetterYeah 最基础的功能，我们就不多赘述了。

除此之外，在我们的实际使用中发现：

这款产品最大的优势就是可以应对高度可定制的丰富场景，因为它支持构建非常个性化的工作流，并将这些 flow 搭成 Agent，快速上岗。

2）高度可定制的丰富场景天气查询当使用者面对用户可能需要「天气查询」的场景时，就可以自主迅速搭建一个天气查询工作流。

BetterYeah 提供了一个画布式的工作流搭建界面，在这个工作流的每一个需要 AI 能力的节点，都可以独立选择你想要使用的基础大模型。

BetterYeah 提供了大量的模型选择项，像是 DeepSeek-R1、V3、通义的 Qwen 等等，每种模型所需要的积分消耗都不相同。

左侧提供了大量的基础能力节点和个性化的模版，包括 B 站、微博、抖音等等工具，这其实很像是「MCP」的概念：

搭建好流程后，我们就可以给这个工作流一个「描述」，让 AI 能力更加精准：

我们输入一段提示词，测试下：

prompt：北京现在这天气适合盖什么材质的被子，躺岛的夏凉被里有推荐吗？

「躺岛呱呱酱 Agent」此时，就会根据思考结果自动调用「天气查询工作流」，获取北京的温度，并依据此给出推荐答案：

仅退款不退货用户的意图识别由于 BetterYeah 的工作流中提供了 LLM 节点，可以直接依靠大模型的能力做内容解析，我们可以模拟一个刁钻的细分场景：识别仅退款不退货用户的意图。

对这种场景的应对方式其实很简单：

比如，在这个「仅退款不退货」工作流中，我们将用户意图分成了四类：

再利用 LLM 节点，对每一类意图单独设定一段提示词。

比如对于「主动索赔意图的用户」，LLM 需要综合考虑运费险信息，输出一个回复模版，为之后 Agent 最终回复用户提供思路：

prompt：如果用户是「主动型（索赔意图）」，输出： 💬「亲亲，呱呱酱理解您的顾虑哈🥺，不过根据平台和店铺规则，退款都需要收到退回商品后进行哦～如果运费问题让您不方便，呱呱酱可以帮您一起查查看是否符合运费险条件，或者看看是否能申请其他补贴方案，您觉得怎么样呀？」

然后，我们给这个「仅退款工作流」命名为：「仅退款用户应对策略专家」，让它「当用户想要仅退款不退货时，需要调用此技能」：

然后，我们模拟一个案例测试一下：

prompt：要我自己出运费？那你直接退钱吧

「躺岛呱呱酱」这时候会根据「仅退款用户应对策略专家」工作流，识别出用户意图为「主动索赔型，焦点在运费和退钱上」：

用户明显对运费问题不满，情绪可能比较激动。我需要先处理用户的情绪，同时遵循公司的退货政策。首先，根据仅退款用户应对策略专家工作流的执行结果，系统已经提供了一个回复模板，强调共情、规则重申、替代方案和主动权移交。我需要确保回复符合这些要点。

Agent 会先通过「工作流中输出的自动回复模版」得到思路，但并不会直接照抄，而是以此为基础提供更发散、更符合实际的回答：

AI 识图我们还可以继续 DIY，利用 BetterYeah 在工作流节点中设置的「AI 识图」功能，做一个「图片上传分析工作流」，用来接收用户输入的消息和上传的图片文件，对图片内容进行分析处理。

在「开始」节点，我们先让用户输入文字+图片，然后经过「视频/图片知识问答」分析，最后去「知识库」搜相关产品：

我们上传一张淘宝网站上随机找的夏凉被图片，问「躺岛呱呱酱」：

prompt：是否有相同色号的推荐

「躺岛呱呱酱」Agent 在思考中识别到：

知识库中的山野瓜夏凉被是绿色系，图案是自然山野风格，可能和用户图片中的颜色匹配。需要检查产品描述中的颜色和图案是否与用户上传的图片相似。此外，用户可能喜欢自然、清新的风格，所以推荐时要强调颜色和设计元素。

最后，它给出了一个最合适的答案 —— 「躺岛山野瓜夏凉被」：

3）很高的扩展性当然，我们也相信很多实际使用过的人还看到了 BetterYeah的「隐藏用法」：由于 BetterYeah AI 有非常高的扩展性，所以你在这个平台里做的 Agent 几乎可以连接到任何地方使用。

从使用场景来看，除了常见的网页链接或直接聊天对话之外，用户还可以把构建好的 Agent 发布到各种不同的平台上使用。

BetterYeah 还提供了 MCP 服务，支持将做好的 Agent 直接变成 MCP，一键连接到外部的 AI Coding IDE 里，利用 BetterYeah 本身提供的运维能力做「多 Agent 嵌套」。

举个简单的例子，我们可以在 IDE 里手动配置一个「躺岛呱呱酱 Agent」组成的「躺岛 MCP」。

BetterYeah 里直接提供了 URL，可以一键配置：

然后，在 IDE 里做一个「升维版的躺岛呱呱酱 Agent」。

比如，直接给了它一段提示词，并在工具里添加「躺岛 MCP」：

prompt：你是一个躺岛呱呱酱 Agent，当用户输入请为我推荐夏凉被后，你需要使用「躺岛MCP」，并输出结果。将搜索到的结果自动生成html网页。

然后，这个超简单版本的「躺岛呱呱酱 Agent」就可以自动化输出可视化网页了：

这种将 BetterYeah 里的 Agent 化作 MCP，可以无缝对接到专业的开发环境中。

这时候，开发者就可以在成熟的 BetterYeah AI Agent 基础上，添加自己想要的界面、功能和交互方式。

4）「躺岛」定制款夏凉被发货系统在 BetterYeah 中其实也存在一个多 Agent 协作的功能，它允许用户将更加复杂的场景串联起来。

为了直观一点地解释这个功能，我们尝试模拟一个「躺岛」定制款夏凉被发货系统。这个任务在现实场景中往往需要一个很长的流程，比如有一个用户「张先生」，他定制了一款躺岛夏凉被，还有自己的偏好。

流程此时就涉及了如下几个步骤：

【1】订单查询 → 查出张先生的订单号

【2】用户偏好解析 → 判断「仰卧睡眠者，容易落枕，过敏体质」，对应为特定材料

【3】工厂能力匹配 → 检查此类材料（比如：防螨面料、慢回弹填充）是否有货

【4】发货确认 → 审核定制单完整性，下发生产并安排发货

但是，每一个步骤其实对于 Agent 来说都涉及数个工作流，所以此时我们就可以做好几个子 Agent 构成一个主 Agent，来将这个复杂的场景细化。

我们可以将每一个步骤都利用 BetterYeah 快速做一个 Agent 出来。

比如，上传订单数据，构建一个订单查询 Agent：

订单数据

用户偏好解析 Agent：

工厂能力匹配 Agent：

当以上三个子 Agent 构建好后，就可以在左下方构建一个主 Agent 了。

将三个 Agent 一键勾选后，「躺岛夏凉被定制化 Agent」就很快完成了，我们可以输入一段提示词测试下：

prompt：张先生的定制款夏凉被可否安排发货？给我订单号，偏好数据，功能的材料准备等信息

可以看到，主 Agent 会分别查询 3 个子 Agent，依次获取信息，再通过 AI 的深度思考能力得出一个信息整合过的回答：

最后，每一个构建好的 Agent 都可以通过日志、分析、效果监控做全流程的数据监管：

而这只是 BetterYeah 的 Agent 集合功能的一个最简单的案例，还有很多的可能性值得挖掘一下。

Agent 最难的关卡 —— 可落地当下各种优秀的 AI Agent 产品如雨后春笋般涌现，从 Chatbot 到 AI 客服，从 AI Coding IDE 到写作工具，正处于「百花齐放」的过程之中。但仔细观察就会发现，真正能在企业里扎根、被实际日常使用并且创造生产力的产品却有点「寥寥无几」。

AI Agent 要想真正完成商业化落地，遇到的最难的关卡就是：能不能真正「落地」、能不能解决实际问题。

它不应该只是个技术原型，而是一款真正的商业产品。

1. 在 Agent 的「绿灯区」而非「红灯区」前段时间，来自斯坦福大学的一篇关于 AI Agent 的论文里，我注意到了一些很有意思的见解：AI Agent 应该专注于那些「绿灯区」的工作，而非红灯区。

什么是「绿灯区」？

简单来说，就是那些既需要自动化、又容易实现自动化的任务领域。比如商务谈判和财务分析、数据处理和计算工作、以及各种管理协调事务。

这不只是因为 AI 可以替换人力、创造利润，更重要的是与 Agent 一起工作的「同事」能够接受这种协作方式。

「红灯区」则是 AI 确实能够实现高度自动化，但用户心智上的需求较低的任务，论文中提到的例子是：物流分析、心理咨询、法庭等等领域。

在 Agent 的「绿灯区」里，企业级 AI Agent 能够最大限度地发挥作用。它们拥有专业的行业知识，可以让专家级生产力替代重复的工作流。

在需要专业行业「上下文」、权限不同的任务确认；复杂的协作场景中，企业级 AI Agent 能够找准定位，解决真实痛点，显著提升生产力。

2.在合适的位置嵌入 AI 能力，用来增强放大，而不是替代如果仔细观察现在的这些获得初步成功的 AI Agent 产品，我们会发现一个共同的特点：它们并不是简单地想要「取代」用户，而是聪明地选择在合适的节点「增强」用户的能力。

我们已经看到了许多种 AI 产品在交互上体现出：在构建工作流程时，「将 AI 巧妙嵌入」的思路。

以 BetterYeah AI 的工作流搭建为例，比如：

【1】在工作流的某一个位置插入检索增强、解析增强的 AI 模组

【2】 Agent 能力设定时的「角色代言词」

【3】工作流调用配置里的描述词等等。

多层次的 AI 能力嵌套，其实也意味着在某些地方，我们可能仍然需要承认：AI 还没有那么聪明。

比如，在对「仅退款」的用户的意图识别中，AI 的表现很好；而在上下文背景有限的单轮对话中，像是关于优惠信息的询问时，一行简单的 JavaScript 或者只是直接从「优惠券知识库」里搜索相关信息可能更有效：

使用者决定目标、掌控节奏、做最终判断，而 AI 只是帮助我们把每个环节都做得更好、更快、更准确。

3.充分利用基础大模型的「丰度」和「可及度」得益于基础模型厂商的大幅降价，我们认为企业级 Agent 产品也正在迎来高光时刻，这种成本降低为企业级 AI Agent 带来了前所未有的机遇。

现在的 AI Agent 产品在用户的协作下，通过工作流的快速构建，变得越来越「聪明」：它们可以根据不同任务的复杂程度，灵活选择不同「档次」的 AI 大模型来处理。

这种做法有个双赢的好处：用户可以根据任务本身来控制成本，而 AI Agent 产品商本身也能更高效地提供计算资源。

以 BetterYeah AI 为例，我在深度测试时仔细算了一笔账：团队版用户的 2 万积分额度，如果在处理日常简单咨询时，选择使用通义团队的开源轻量模型——比如最便宜的Qwen Turbo（0.02 积分/次），或者选择字节跳动的豆包、百度的文心一言等性价比较高的国产模型，在构建功能相对简单的 AI Agent 的场景下，能够支撑 50-70 万次的对话交互。

这种巨大的成本效益提升，正是 AI Agent 能够真正在企业中扎根、在资本市场中亮眼的关键因素。

🚥2024 年，几乎每个 AI 行业的创业者都问过同一个问题：我们要不要做个 AI Agent ？

2025 年，这个问题变成了：我们的 AI Agent 为什么还没赚到钱？

在 AI Agent 发展中的每个技术转折点，总有一些瞬间让人恍然大悟：

原来真正的突破不在于技术本身有多「令人」震惊，而在于它是否找到了恰当的商业土壤。

从 BetterYeah AI 的案例中，我们看到了一条相对清晰的路径：

【1】不要试图做万能的 AI Agent，而要做专业对口的「数字同事」；

【2】不要想着颠覆一切，而要先解决具体问题；

【3】不要追求技术的完美，而要追求商业价值的实现。

这或许就是那些还在为 AI Agent 商业化焦虑的创业者们最需要的答案。