Agnes 是一家总部在新加坡的 AI 创业公司，我觉得可以把它简单理解成 AI 原生的 Office。
现在我们看到的大多数 Office 套件，基本都是在旧有流程和界面上叠加一些 AI 功能，而 Agnes 则是从零开始，把信息的获取、整理、生成、表达，以及多人协作的方式，都重构成适配 AI 时代的工作流。
在前段时间的世界人工智能大会上，Agnes AI 创始人 Bruce Yang 说，他们想做一个 AI Agent 驱动的工作空间。
现在的大多数 AI 工具，或者只能处理单一任务，或者是在旧流程中加个 AI 按钮。这样的工具无法贯穿整个工作流程，更谈不上沉淀团队知识和上下文。
Agnes 要做的 Agentic Workspace 是一个具备记忆、上下文和目标的完整工作环境。
不同于传统 AI 工具只被动响应用户需求，Agnes 能主动跟进项目进度，跨任务维护和共享上下文，不仅包括最新内容，还涵盖项目背景、决策过程、引用资料及任务状态。系统会自动记录和同步这些信息，确保团队成员能够随时无缝融入工作流程。
比如在制定一个市场方案时，AI 会先收集并整理调研信息，生成结构化资料库，再自动生成包含主题视觉元素的 PPT 初稿。
进入协作阶段，AI 还清楚每个人的分工与进度，能整合修改意见，推动版本收敛到最终成稿，真正实现人机并行协作推进项目。
这款产品除了用 AI 重塑流程外，还有一个很有价值的创新：团队之间可以共享 AI 的上下文。
过去像 Google Workspace 或飞书文档这样的协同工具，核心是共享文件，让多人实时编辑、评论、修改。但它们传递的只是文件本身，缺少背后的语境，也就是 Context。
在真实的工作中，Context 决定了协同效率。就像字节强调的那样，Context not control。
Agnes 的做法是让 AI 持续维护这些上下文，并在权限范围内向团队共享，让信息和背景始终连贯。这样无论是新成员加入，还是任务跨阶段切换，所有人都能在同一个语境下推进工作。
说实话，看了这么多 AI 产品，生成 PPT 和研究报告的不少，像 Agnes 这样在工具整合和协作逻辑上下功夫的产品，很少见。Agnes 团队的判断是，接下来 Office 的范式，应该是 AI Agent 驱动的工作空间。
这个理念可能现在听起来还是很前沿，但就目前 AI Agent 的发展速度来看，很快大家就会理解它的真正价值。 最近，Agnes 上线了两个功能：Deep Design 和 Wide Research。
先说下 Deep Design。
要理解 Deep Design，得先说说 Agnes 的 AI Design 功能。AI Design 本质上就是图片生成，这项功能并不新鲜。
不同的是，Agnes 把文本理解、多模态输入、样式迁移和局部微调等原本分散的能力整合在同一个协作画布里，让它们能够在统一的上下文中协同工作，让创作更高效。
而 Deep Design 是对 AI Design 的全面升级，不仅继承了图片生成等基础能力，更实现了从生成到审核、反馈再到优化的全流程自动化。
具体来说就是，Agnes 会在生成图片后自动进行多维度审核，比如布局是否合理，光影是否正确，画面与描述是否一致等，并给出具体的可执行的修改建议。
随后，Agnes 根据反馈持续优化图片，反复迭代，直到最终生成 Agnes 自己满意的结果，才会输出给用户。
Wide Research 则是面向信息检索和分析的，它一次能启动数十甚至上百个全功能子代理，并行分工处理同一个任务，把原本需要串行完成的研究拆成可以同时推进的小步骤。
比如要对上百个选项做比较或从海量信息源收集资料，它可以在几分钟内完成并整合结果。
下面是我分别做两个 Demo 帮大家理解。
我告诉 Agnes 帮我做五张纪念科比的海报。
Agnes会根据我的需求先出了一份设计构想，把每一张海报要展示什么内容给我罗列出来，让我看是否满意。
如果满意点击“Go”它就开始工作了，如果不满意可以在对话框中继续输入需求。其实到这儿Agnes和我们平时用的其他 Agent 差不多，都是这些步骤。
Agnes的特别之处是从点击“Go”后提现出来的。
点击“Go”后，Agnes会调用 Plan Schedule 工具创建了一个项目，并在项目介绍中告诉我，完成这个项目要先由设计师提供设计指导，再由视觉生成器根据设计师的指导创建海报。
接着调用 Visual Principles 工具，做设计指导。设计指导写的特别详细，包括海报风格、字体、构图、配色、代表含义都写的清清楚楚。
设计工作完成后，调用 Batch Visual Generating 工具开始生图。注意，Agnes 生图是并行操作的。这样用生一张图的时间就把五张图全部生成了，节约了很多时间。
每生成一张图片 Agent 都会对图片从专业角度进行评论，会写优点，也会写缺点，还会对图片打分。看评论 Agent 对这张图比较满意，得分是 89。
下面这张图 Agent 就不太满意，指出了图片中人物面部特征和实际人物有差异，设计风格不明显等问题，最后打分是 78。
在所有图片都做好之后，它会把自认为不满意的图片，重新生成一次。每生成一次就自动评估一次，如果不满意就继续修改。
每一轮都给出了两张图片，然后 Agent 会根据自己的专业标准，对这两张图片分别打分，并选出一张评分高的给到我。
整个过程大概用了 3 分钟，我只需要给 Agnes 一个需求，中间环节包括设计规划、生成图片、图片评分、指出缺点、提出修改方案、修改图片，全部不用我操心，我只需要等着看最后输出的图片就可以。
我觉得整个的生成流程，最核心的亮点还是 Agnes 真正让 AI 从简单的生成迭代为了和人协同的生成，这应该才是一款 AI 产品的终局。
因为工作场景中，生成不是随性的玩，而是要结合企业的需求，按照正确的流程一步步产出正确的结果。这中间，人的参与，人的判断必不可少。
接下来，我们再看看 Wide Research。Wide Research 能自动调度大量 Agent 并行分工，将复杂的任务拆分为多个子任务同步执行，并最终整合结果。
同样的任务我分别交给 Deep Research 和 Wide Research。
Deep Research 是这样工作的：
Wide Research 是这样工作的：
明显能看出区别。Deep Research 采用串行处理方式，任务需要一步步依次完成，效率有限。而 Wide Research 能够将十几个子任务同时并行推进，速度提升非常明显。
而且 Wide Research 生成的内容质量明显更高。它能同时调动多个 Agent 并行检索不同领域和信源的信息，并将结果进行整合。
这样不仅让知识获取更加全面和及时，还能根据实时信息灵活调整研究方向，避免因单一路径出错而导致重复返工。
在 Agnes 中，这些生成的内容都不是独立的，比如可以根据 Wide Research 生成的内容直接做图。
也能直接做 PPT。
Agnes 真正实现了一体化的 AI 工作流，无论是内容生成、图片创作还是 PPT 制作，都可以在同一个平台上完成，省去了频繁切换应用和手动搬运内容的麻烦。
现在有两个趋势越来越清晰。
第一个是多 Agent 并行协作正在成为标配。像 Wide Research 这种，一次调度几十甚至上百个智能体分工协作、传递上下文，把大任务拆成可同时推进的环节，让复杂问题的解决速度和质量同时提升。
第二个是 AI 系统必须具备自我进化的能力。它们不再只是一个固定功能的工具，而是可以自我学习和改进的系统。AI 应用的竞争会转向真实场景落地：谁能把 AI 放到复杂、真实的业务流程里解决问题。
Agnes 的设计也是对这两个 AI 应用趋势的最好诠释。我觉得做 AI Agent 的朋友，可以看看他们的思路，确实有很多理念上的创新。
另外，和很多 AI 应用不同的是，Agnes 在底层技术上也有不少颇具前瞻性的设计。
它不是简单把模型和功能组合到一个界面里，而是从架构层就考虑多 Agent 协作、上下文沉淀、工具调用和结果验证这些环节如何无缝衔接。比如上个月，他们曾经发布过一篇论文，谈到了怎么优化 Token 的使用效率。
在一个变化越来越快的行业里，这些底层选择或许会决定谁能在几年后还留在牌桌上。
以上内容来自互联网，侵权必删。