前Liblib CTO创业，打造Agent基础设施，可秒级调用上万种工具

现在，AI 正在变得越来越聪明，但是一个现实的问题是：重要的事情可以直接交给它去完成吗？

ChatGPT、豆包、元宝能帮你查天气、订机票，但你敢用它做投资决策吗？问题的关键不在于现在的大模型不够强，而在于它们尚不具备真实世界的感知和行动能力。

需要了解的是，要想得到高质量的金融分析报告，仅靠大模型本身编码的静态知识是远远不够的，大模型需要像投研专家一样实时动态的获取最新的政策、新闻、产业链、舆情、行情等多维信息和数据，并使用专业的金融分析工具进行精密和精确计算，如此才能得到一份真正可用的金融分析报告。

而现实的问题是，现阶段大模型智商很高，具备强大的理解、分析和规划能力，但在现有的数字世界中“眼瞎手残”，像被困在玻璃缸中的“缸中之脑”，无法高效、便捷、低成本地感知和操作现实世界。

要有效解决这个问题，就需要为大模型接入一套感知和行动层的基础设施，让它成为在数字世界中无所不知、无所不能的真正的超级智能体。

一家名为 Qveris AI 的初创公司，聚焦于 Agent 时代的 Infra 层，正致力于为 Agent 设计原生搜索和行动路由引擎。据悉，截至目前该公司已获得近千万元种子轮融资。

如果说具身智能是为 AI 安上了与现实世界交互的“身体”，那么 Qveris AI 正在做的事就是给智能体（Agent）装上了数字世界的“眼、耳、手、脚”。也就是说，接入这套基础设施之后，大模型和智能体就能自己查数据、用工具，真正实现与现实数字世界的连接和互动。

“简单来理解我们做的事情，是构建 AI 时代可被大模型和智能体使用的所有开放服务、资源和能力的 AI-Ready 数字孪生引擎，帮助大模型和智能体在数字世界中快捷、高效、低成本、实时动态的搜索和调用所需的专业、权威、可信的数据和工具能力。”Qveris AI 创始人兼 CEO 王林芳告诉 DeepTech。

Agent 接不上真实世界，问题出在哪里？

互联网的数据与工具生态为人类设计，Agent 缺少统一、可信、标准化的供应层。从领域现状来看，不同的专家分散在不同的平台，例如金融、理财、计算等等。

举例来说，你要做金融投资，正在考虑买黄金、比特币、股票或债券。这是一项复杂的任务，即使人类去做也可能需要咨询各类专家，包括金融银行经理、理财经理、投资顾问，还可能需要去网络上看一些专家发言等作为参考资料。

现在人们常用的做法是：让大模型用深度研究（Deep Research）模式，或找专业的金融 Agent 帮忙做全面的信息调查和推荐建议。

那么问题来了：面对海量数据查询和对比、海量的免费和付费信息和跨供应商、跨平台的挑战，大模型的能力能行吗？实际上，Agent 现在仍处于技术的早期阶段，如果它拿不到真实、可信和高质量的数据，它生成的报告或未必正确，或质量水平很低。

尽管现阶段大模型性能高、能对话聊天，但当面临专业数据、专业工具甚至专业服务时，大模型的能力便“捉襟见肘”：即便是当下前沿团队开发的产品，能够调用的数据源和工具数量大概在数十个到百个，且搜集、对比、接入、评估、验证的难度、成本和时间周期都很高。

面对专业级别难度的问题，AI 极有可能因找不到实时、可信、权威、专业的数据，仅靠训练时的记忆给出推测的答案。所以，AI 最大的问题不是不够聪明，而是被困在“光说不练”的世界里。这并不是某个模型、某个产品的单一局限性，而是当前整个 Agent 生态普遍面临的结构性问题。

AI 会思考，但缺一层“行动基础设施”

事实上，行业已经达成共识：大模型已经具备了惊人的“大脑”思考能力，但极度缺乏感知和改变现实世界的“手脚”。为了填补这一空白，市场正在经历从单一的技术探索向系统化基础设施建设的转变。放眼整体生态，目前主要存在三类关键的建设路径：标准协议层、模型算力层以及新兴的“行动基础设施”层。

第一类是标准协议层，以 Anthropic 等机构推出的 MCP（Model Context Protocol）为代表。这类协议制定了 AI 与世界沟通的语法规则，解决了如何连接的标准化问题。但这仅仅是铺设了管道，管道中流动的内容——丰富、可用的工具资源，仍然处于匮乏状态。

第二类是模型算力路由层，例如 OpenRouter。它们聚合了来自全球不同厂商的顶尖模型 API，解决了开发者获取智力资源的便利性问题。

“这类平台解决了‘大脑’的供给问题，属于核心算力层。但对于一个完整的 Agent 而言，光有大脑是不够的。”王林芳表示，Agent 要真正落地，需要面对的是一个复杂、非标、数据分散的现实世界。而 Qveris AI 聚焦的正是模型之外的行动能力——将各行各业的技能与服务，转化为 AI 可理解、可调用的资产。

从技术演进的宏观视角来看，我们正处于一种全新的运行模式切换期：互联网时代是“人类搜索+人类执行”；大模型初期开启了“人类辅助+AI 生成”；而现在，我们正在进入“Agent 自主资源调度+Agent 自主执行”的新阶段。

然而，现有的互联网是为人类设计的，而非为 Agent 设计的。这导致了一个巨大的范式鸿沟（如下表所示）：

（内容来源：王林芳；制图：Nano Banana Pro）

由此可见，强行让 Agent 去使用为人类设计的网页或接口，效率极低且极不稳定。Qveris AI 的核心定位正是基于此，来构建互联网上可被大模型和智能体使用的“AI-Ready”数字孪生引擎。

Qveris AI 不仅仅是简单的工具聚合，而是对数字世界的重构。它将互联网上开放的服务、资源和能力进行深度的清洗、建模与封装，把原本适合人类阅读的“网页互联网”，转化为适合机器调用的“能力互联网”，使得大模型能够快捷、高效、低成本且实时动态地搜索，并调用所需的专业数据与工具。

这与 2000 年代初的电商市场颇为类似。彼时，虽然商品丰富，但由于缺乏统一的支付、物流和信用体系，交易成本极高。而 Qveris AI 正在建设的“行动基础设施”，相当于 Agent 经济时代的“商业操作系统”：它把所有数字世界的信息交换产品，包括跨领域、跨平台的资源集合在一起，打通了从搜索、发现、比较到调用、交易的全链路。

未来，当 Agent 需要查询最新的法律条文、预定复杂的差旅服务或调用特定的 SaaS 功能时，它不再需要像人类一样去浏览网页，而是通过 Qveris AI 的基础设施，直接以机器的速度连接真实世界。这不仅是技术架构的升级，更是智能体时代释放生产力的关键一环。

为 AI 而生的搜索引擎，解决的不是查信息，而是“找能力”

在 Agent 赛道中，头部玩家的目标往往是打造 AI 时代的超级应用，成为新的流量入口。凭借强大的工程资源与商务拓展能力，大厂往往倾向于通过自建或深度定制的方式，直接接入高频、核心的数据与服务（如地图、支付、主流电商）。然而，现实世界的复杂性远超单一平台的覆盖能力。

对于核心且排他性强的场景，自建连接是合理的选择；但对于海量、长尾、分散在各行各业的专业工具与数据（如特定行业的合规查询、垂类 SaaS 操作、实时供应链数据），构建一个跨平台、中立的行动基础设施，显然是比单点逐一接入更具性价比的系统化解法。

对于广大中小 Agent 开发者而言，痛点更为直接：他们拥有敏锐的场景洞察力，却往往受困于有限的工程与商务资源。要验证一个创新场景，可能需要对接几十个不同的 API，每个接口的鉴权、调试、维护都耗时耗力。他们迫切需要一套现成的基础设施，以极大地缩短开发周期，将验证成本降至最低。

由此可见，Agent 时代的瓶颈，已不再是算力或模型智商，而是连接成本。

如果说 ChatGPT 等聊天机器人解决了 AI 的思考问题，那么 Qveris AI 致力于解决的便是 AI 的行动问题。

Qveris AI 通过构建 AI-Ready 的数字孪生引擎，为开发者带来三大核心价值：

·语义级快速发现（Semantic Discovery）：AI 获取工具不再局限于预置的几十个插件。面对用户的复杂意图，Qveris AI 能够基于语义理解，在海量资源库中以秒级速度匹配最适合当下的工具或数据源，实现从关键词搜索到意图匹配的进化。

·标准化一键调用（Unified Execution）：将原本需要耗时数月的商务谈判与 API 对接工作，压缩为几行代码。通过统一的 Schema（数据结构）定义，Qveris AI 屏蔽了底层数万个工具的异构差异。开发者只需对接一个标准接口，即可调度万级以上的标准化工具，极大降低了集成复杂度。

·动态路由与高可用（Dynamic Resilience）：这是企业级 Agent 稳定运行的保障。Qveris AI 充当了智能路由器的角色，当某个工具因网络波动、服务中断或价格调整不可用时，系统能自动寻找并切换至同类备选方案。

王林芳解释说道：“我们接入了全网的工具和搜索+调用的能力，包括进行 Agent 的搜索排序。例如，在同花顺无法使用时，这套基础设施可以查询东方财富、彭博等同类数据。这样一来，开发者始终能够获得实时的替代方案，不会受到单一服务提供方的限制或中断的影响。”

从搜索到 Agent：一个长期主义者的判断

要把搜索、调用、评估和交易整合成一套系统，本身并不是一个轻量级工程。回顾王林芳的职业经历，她在搜索领域的积累为创业奠定了基础。

其本科和硕士毕业于清华大学电子系，研究生时期曾在微软亚洲研究院实习，毕业后加入微软，在 Bing 搜索引擎负责工作包括百亿级网页爬虫、索引、多模态理解、知识图谱等。

后来，她加入了一家创业公司 Opera News 做大规模推荐引擎。2018 年，王林芳来到京东 AI 研究院，主要聚焦于 AI 视觉算法及应用。2022 年底 ChatGPT 出现后，她意识到这是 AI 领域的一个重大机遇。于是她 2023 年中从京东离职开始探索创业之路，以 CTO 的身份加入了 Liblib AI，打造了国内领先的开源开放多模态模型社区和工具平台。

图丨王林芳（来源：王林芳）

2025 年 6 月，她正式成立了 Qveris AI。据了解，目前该公司已与数家企业达成合作，其中包括知名通用 Agent 开发商，以及多家专注于金融与科技领域的 Agent 公司，年收入已到达数百万元。

在王林芳看来，云厂商、SaaS 服务商以及各类数据工具提供方，本质上属于资源供给侧；而 Qveris AI 则处于连接供给与需求的索引分发层，两者生态位截然不同。

“我们希望成为 Model Agent 体系中的‘Google’。”王林芳形象地比喻道，“正如 Google 不生产网页但索引全网信息一样，Qveris AI 的核心价值在于其跨平台的中立性。我们不绑定任何单一云厂商，而是广泛兼容各类底层基础设施，将分散在不同云端的服务聚合起来，统一分发给上层的各类模型与开发者。无论你的资源在哪里，无论你使用什么模型，我们都是中间那个高效的连接器。”

Agent 经济的长期想象

Agent 经济给我们留下了想象空间：Agent 的发展可能是非线性的，并在各种业务中得到广泛应用。

王林芳指出，未来 10 年内，有可能 90% 的业务都会由 Agent 自主完成。“尽管每个领域都有最好的工具，但发展路径总是先有再优，就像搜索引擎的覆盖面优于人工精选一样，我认为搜索模式更适合现在和未来较长一段时间的需求。”

当 Agent 开始自主搜索、比价、决策并执行，人类与技术的关系或许会再次发生改变。在这个过程中，真正重要的，不只是模型有多聪明，而是它能否被接入一个更开放、更透明、更可信的世界。

如果说过去的互联网连接的是人，那么正在形成的 Agent 网络，连接的将是能力本身。

排版：刘雅坤