总结此研究

我会先切换到这个标签页，然后分析页面内容来总结这项研究。

现在让我使用搜索元素功能来获取页面的主要文本内容：

📊 AI智能体工程现状研究总结

这是LangChain于2025年11月-12月进行的一项关于AI智能体工程现状的大规模调研报告，共收集了1340份回复。

🎯 核心发现

1. 生产环境应用势头强劲

   • **57%**的受访者已将智能体部署到生产环境（较去年的51%有所增长）
   • 另有30.4%正在积极开发并计划部署
   • 大型企业（10k+员工）领先：67%已部署生产环境

2. 质量是最大障碍

   • **32%**的人认为质量（准确性、一致性、合规性）是最大挑战
   • 延迟成为第二大问题（20%），因为智能体越来越多面向客户
   • 成本担忧相比往年下降（模型价格下降）

3. 可观测性成为标配

   • **89%**的组织已实施某种形式的可观测性
   • 62%具备详细追踪能力，可检查每个步骤和工具调用
   • 生产环境中的采用率更高：94%有可观测性，71.5%有完整追踪

4. 多模型策略成为常态

   • OpenAI主导（超过2/3使用GPT模型）
   • 但75%+使用多个模型，根据复杂度、成本、延迟等因素路由任务
   • 1/3的组织部署自有模型
   • 57%不进行微调，依赖基础模型+提示工程+RAG

💼 主要应用场景

1. 客户服务（26.5%）- 最常见
2. 研究与数据分析（24.4%）
3. 内部工作流自动化（18%）

大型企业(10k+)更侧重内部生产力提升（26.8%）

🔍 评估与测试现状

• **52.4%**运行离线评估
• **37.3%**运行在线评估（生产环境中为44.8%）
• 评估方法混合使用：
  • 人工审查：59.8%
  • LLM-as-judge：53.3%
  • 传统ML指标（ROUGE/BLEU）采用率低

🛠️ 日常使用的智能体

1. 编码助手最受欢迎：Claude Code, Cursor, GitHub Copilot, Amazon Q
2. 研究助手：ChatGPT, Claude, Gemini, Perplexity
3. 定制智能体：基于LangChain和LangGraph构建

👥 调研人群

• 行业分布：技术行业63%，金融服务10%，医疗6%
• 公司规模：<100人（49%），100-500人（18%），500-2000人（15%）

📈 趋势洞察

这项研究表明，组织已从"是否构建智能体"转向**"如何可靠、高效、大规模部署智能体"**。质量保证、可观测性和多模型策略成为智能体工程的三大支柱。