据介绍，模型即 Agent，Kimi-Researcher 是基于端到端自主强化学习（end-to-end agentic RL）技术训练的新一代 Agent 模型，也是一个专为深度研究任务而生的 Agent 产物，强调模型即Agent。 《科创板日报》记者在实测中发现，Kimi-Researcher可生成详细丰富的研究报告，专业性和报告可视化可圈可点，是国内少有的基于自研模型打造的Agent。生成时间一般在15—20分钟左右，后续也可以适当缩短时长。通过自主调用浏览器、代码等工具，在平均规划70多个关键词及对200多个网址的搜索后，可以自动生成分析报告，完成端到端的交付。 任务一：近期获得融资的 AI 硬件创业公司天数智芯，分析其硬件产物的技术特点、性能优势和应用场景，研究其在与巨头竞争中的创新策略和市场突破路径，给出一个是否值得投资的结论。 大约15—20分钟左右，Kimi-Researcher搜索数百个网站，生成了一份数万字的详细报告—《天数智芯深度研究报告：AI芯片新势力的崛起与投资价值分析》，包括公司概览与核心优势产、品与技术实力分析、市场竞争与战略分析等方面，还用表总结了天数智芯主要产物系列及其特点、竞品概况等，另外，最后还附带一份可视化报告，该报告还可以通过复制文本、链接和生成图片保存。 20分钟左右，Kimi-Researcher生成了报告《人形机器人：风口还是泡沫？商业化落地的深度剖析与未来发展路径》，引言表示：人形机器人产业目前正处于技术加速迭代与资本高度关注的风口期，但其商业化落地仍面临智能化水平不足、运动控制能力有限、核心零部件成本高昂、应用场景不明朗以及产业链成熟度不高等多重制约环节。短期内，人形机器人将在工业、特定商业服务等B端场景持续渗透；中期（3-10年）有望迎来技术突破与成本下降的关键期，应用领域将进一步拓展；长期（10年以上）则可能实现大规模普及。 任务三：我需要一份 7 月 2-7日从北京出发的日本行程，预算为3 -8万元，适合我和闺蜜。我们喜欢名胜古迹、美食美景等，并需要一个特别的历史地点推荐。请提供一份详细的旅行手册，其中包含地图、景点介绍、必要的外语短语和旅行小贴士，供我们在旅途中参考。 对于Kimi选择进军Agent领域，北京计算机学会AI专委会秘书长、北大人工智能博士张有鱼告诉《科创板日报》记者，这样的选择既是其技术势能的释放，也是商业战略主动跃迁的结果。 在技术层面，Kimi将其长文本（Long Context）处理能力及端到端的强化学习技术“Agent化”，并让模型从一个“被动”的知识库变为一个能进行“主动”研究、自主交付成果的智能体。这不仅是技术价值最大化的必由之路，更是帮助Kimi在基础模型“卷参数”的红海中，开辟“卷应用”蓝海的重要一步。 当前，在激烈的商业竞争格局下，单纯提供API调用的模式护城河过浅。Kimi推出Kimi Researcher，可以直接切入的核心知识生产流程。其商业模式也从“卖API”到“卖解决方案”的根本性转变，试图通过深度绑定用户工作流，构建更强的用户粘性与商业壁垒。 国内公司Agent发布方面，月之暗面推出产物Kimi-Researcher（深度研究），智谱推出AutoGLM沉思，定位是首个“边想边干”型智能体，字节跳动推出扣子空间（Coze Space），定位全能型智能体开发平台，火山引擎、昆仑万维、荣耀等也推出智能体；国外公司OpenAI、DeepMind、Anthropic等也纷纷发布智能体。 《科创板日报》记者注意到，2025年全球Agent竞赛已从“能力展示”转向“场景交付”，国产Agent凭借免费策略、垂直整合与端到端自动化，正快速抢占公司及C端市场高地。 智源研究院院长王仲远告诉《科创板日报》记者，当基础大模型发展至一定阶段并达到可用状态后，Agent将成为产业界可重点发力的领域。随着Agent能力的不断增强，其将具备更广泛的扩展性。现阶段，基础大模型的思考能力与智能化程度已有所提升，使得部分Agent能够表现出较为出色的效果，而这正是产业界所擅长且具备优势的领域，亦是未来产业发展的趋势。 王仲远认为，基础模型需达到或接近GPT-4的能力水平，才能满足实际应用需求。对于创业公司而言，投入产出比（ROI）是关键考量因素。因此，在模型开发中需兼顾性能与效率，在保证能力的前提下，尽量缩小模型规模，提升推理速度。尽管当前仍存在技术瓶颈，但随着研究深入，这些问题有望逐步得到解决 。 谈及深度研究任务Agent，市场上还存在哪些痛点和需求未被满足的方面，张有鱼表示，当前AI辅助深度研究市场，存在“通用”与“个性”的矛盾，大多数AI工具为追求普适性而牺牲了个性化。然而，深度研究恰恰是高度定制化的。不同领域、不同课题、不同研究者都有独特的分析框架与偏好。市场亟需能理解并适应研究者个性化需求的AI工具，提供更灵活、可定制的解决方案。 其次， 还存在“自主”与“可控”的悖论： 这也是研究类Agent面临的终极考验。用户既希望AI足够“自主”，能从繁琐流程中解放自己，又要求AI在严肃的研究场景中绝对“可控”与“可信”，过程透明、结果可溯源。不同Agent产物常在两者间博弈：要么过于自主而出现不可信的“黑箱”，要么过于人工可控而显得笨拙低效。如何优雅地平衡这对矛盾，是决定产物成败的关键。
