【四海读报】20251028：计算机行业深度研究报告（Agent）

Agent商业化加速，应用场景有望多点开花

【原报告在线阅读和下载】：202511【MKList.com】计算机行业深度研究报告：Agent商业化加速，应用场景有望多点开花 | 四海读报

【迅雷批量下载】：链接：https://pan.xunlei.com/s/VOXJ23RJHhoECPL5FRrVathfA1     提取码：umqb
【夸克批量下载】：链接：https://pan.quark.cn/s/fe42cc605010   提取码：j4Vv

1. 一段话总结

华龙证券2025年10月28日发布的计算机行业深度报告指出，AI Agent有望接力Chatbot成为下一阶段主流AI产品形态，其具备Memory（记忆存储）、自主规划、工具调用核心能力，可实现从“过程交付”到“结果交付”的转变，推动企业AI支出从Capex（资本性支出）转向Opex（运营性支出） ，显著提升企业付费意愿；当前AI Infra（基础设施）高速建设（海外云厂持续加码资本开支、阿里计划三年AI投资超十年总和）、MCP/A2A协议构建交互标准、国产大模型（如Kimi K2、DeepSeek-V3.1）能力领先，为Agent生态奠基；垂类Agent（金融、医疗、办公等）多点开花，多Agent协同成趋势，商业化加速推进（SaaS/按调用量为当前主流收费模式），预计2027/2030年新一代智能体应用普及率超70%/90%，建议关注办公、企业管理、金融、多模态四大方向标的，同时警惕市场竞争、技术迭代不及预期等风险。

2. 思维导图（mindmap脑图）

3. 详细总结

一、报告基础信息

二、Agent的定位与核心价值

1. 定义与核心特征

AI Agent是具备自主运行、主动规划、工具调用能力的AI应用，通过“感知环境→调用工具→执行任务”实现预设目标，核心特征包括：

• Memory（记忆存储）：管理会话历史，支持多轮推理（区别于Chatbot单次响应）。
• 工具集成：原生连接外部系统（如数据库、API），打破基础模型知识局限（如通过RAG技术扩展知识）。
• 自主决策：基于大模型（通用/多模态/微调模型）实现CoT（思维链）、ReAct等推理，无需人工设计提示词。

2. 与传统AI产品的差异（以Chatbot为例）

三、Agent出现的必然性：需求与技术双驱动

1. 需求端：企业降本增效需求明确

• 人力替代可量化：人与AI协同分为三类模式，Agent模式下AI完成90%以上工作，仅需人类设定目标、监督结果，降本效果可直接测算（如客服Agent替代人工，人均效率提升3倍）。
• 支出模式优化：Agent部分替代劳动力职能，企业对其投入从“一次性设备采购（Capex）”转为“持续性运营付费（Opex）”，更符合企业现金流管理逻辑，付费意愿显著提升。

2. 技术端：AI产品形态迭代的必然结果

AI产品经历三代演进，Agent是“过程交付”到“结果交付”的最优载体：

• 第一代（Chatbot）：如ChatGPT，定位“聊天程序”，用户输入问题→输出方案，执行依赖人工。
• 第二代（Composer）：如Cursor、Copilot，定位“编程实习生”，生成代码→需用户审核执行。
• 第三代（Agent）：如Manus，定位“个人秘书”，输入需求→自动调用工具完成任务（如生成报告、预订行程）。

四、Agent生态繁荣的奠基因素

1. 政策支持：顶层设计明确发展目标

2025年8月国务院《关于深入实施“人工智能+”行动的意见》出台，为Agent发展定调：

• 普及率目标：2027年新一代智能体应用普及率超70%，2030年超90%。
• 应用领域：重点推动软件、金融、物流、医疗等领域Agent落地。
• 商业模式：培育“智能体即服务（AaaS）”模式，支持Agent商业化。

2. 基建支撑：AI Infra高速建设

• 海外云厂加码：微软、谷歌、亚马逊、Meta等北美云厂持续上调资本开支，2025年中报显示四大厂资本开支合计超800亿美元，重点投入AI服务器、数据中心。
• 国内大厂跟进：阿里计划未来三年AI+云计算基础设施投资超过去十年总和，2032年阿里云数据中心能耗规模将较2022年提升10倍；推理算力需求激增，IDC预测2028年中国AI服务器73%负载用于推理。

3. 技术突破：协议标准化+大模型领先

• 交互协议成熟：

  • MCP协议（Anthropic推出）：类比“AI的USB-C”，统一模型与工具/API的交互标准，解决“数据孤岛”，阿里云、腾讯云等已支持。
  • A2A协议（谷歌推出）：Agent间通用语言，支持技能发现、任务协商、多模态通信，与MCP形成互补（MCP连工具，A2A连Agent）。

• 国产大模型全球领先：

  • 开源模型：Kimi K2（全球排名第5的开源模型，SWE Bench Verified等基准夺SOTA）、DeepSeek-V3.1（搜索智能体能力提升，Browsecomp_zh得分49.2，超前代35.7）。
  • 推理效率：阶跃星辰Step-3基于国产卡推理效率领先，32k上下文成本仅1.0元，低于ERNIE4.5（8.5元）。

五、Agent商业化加速：垂类为主，多协同成趋势

1. Agent分类与应用场景

2. 商业化模式与进展

• 主流收费模式：

  模式	适用场景	案例
  SaaS订阅（月/年付）	标准化需求（智能客服、数据分析）	泛微网络数智大脑Xiaoe.AI
  按调用量付费（按tokens/次数）	需求波动大（云计算、大数据分析）	Kimi K2 API（输入4元/百万tokens，输出16元/百万tokens）
  定制化服务（按智能体）	垂类复杂需求（金融风控、医疗诊断）	京北方金融大模型&智能体系列
  按结果付费（RaaS，新兴）	可量化成果（营销转化、降本金额）	未大规模落地，处于探索期

• 企业进展：

  • 飞猪“问一问”：多Agent协同（路线定制师、酒店顾问），连接实时报价引擎，支持一键预订，2025年劳动节期间用户需求同比+200%。
  • 税友股份“犀友”智能体：整合多模态AI，实现税务流程自动化，2025年落地后企业申报效率提升40%。
  • 阿里百炼平台：模型日均调用量一年内增长15倍，开发者构建80万个Agent，覆盖办公、金融等领域。

3. 多Agent协同趋势

多Agent协作通过“去中心化分工、互补能力整合”完成复杂任务（如供应链管理：采购Agent+物流Agent+库存Agent协同），核心价值在于“群体智能超越个体能力”，目前已在旅游、金融、工业等场景落地试点。

六、投资建议与风险提示

1. 投资建议：聚焦四大方向

2. 风险提示

1. 市场竞争加剧：Agent赛道初期行业壁垒未完全构建，国内外厂商加速入局，可能引发价格战。
2. 技术迭代不及预期：若MCP/A2A协议推广受阻、大模型Agent能力提升缓慢，将延缓商业化进程。
3. 应用落地速度滞后：AI应用定价、监管标准尚未明确，部分企业对Agent效果存疑，付费决策延迟。
4. 政策标准滞后：数据安全、Agent责任界定等政策未及时出台，可能限制跨领域应用。

4. 关键问题

问题1：AI Agent相比传统Chatbot，在企业付费逻辑上有何核心差异？这种差异如何提升企业付费意愿？

答案：核心差异在于交付形态与支出性质，具体体现在两点：

1. 从“过程交付”到“结果交付”：Chatbot仅输出解决方案（如回答“如何优化库存”），需企业员工手动执行，价值依赖人工转化，ROI难以量化；而Agent可自动调用工具（如连接库存系统、物流API）完成任务（如生成库存优化方案并执行补货），直接交付可落地的结果，降本增效效果可直接测算（如某制造企业用Agent后库存周转效率提升35%）。
2. 从“Capex”到“Opex”：企业采购Chatbot相关技术（如模型、服务器）属于资本性支出（Capex），需折旧摊销，短期投入大且回报周期长；而Agent可替代部分劳动力职能（如客服、数据录入），企业对其投入类似“支付员工工资”，属于运营性支出（Opex），可根据使用效果灵活调整预算，且ROI>1时（如Agent成本低于人工成本），企业付费意愿显著提升（如某金融机构用客服Agent后，人均服务成本下降40%，付费意愿从30%升至80%）。

问题2：当前支撑Agent生态繁荣的关键基础设施与技术突破有哪些？这些因素如何解决Agent发展的核心痛点？

答案：支撑Agent生态的关键因素及对痛点的解决如下：

1. AI Infra（基础设施）建设：

   • 海外云厂（微软、谷歌等）持续加码资本开支（2025年中报合计超800亿美元），国内阿里计划三年AI投资超十年总和，解决了Agent发展的“算力瓶颈”——推理算力需求激增（IDC预测2028年中国AI服务器73%负载用于推理），充足的算力保障Agent高效调用工具、处理多模态数据（如实时分析视频流、大规模数据检索）。

2. MCP与A2A协议标准化：

   • MCP协议（类比“AI的USB-C”）解决“工具碎片化”痛点：传统AI需为每个工具（如数据库、API）开发专用适配代码，系统复杂且扩展性差；MCP统一模型与工具的交互标准，开发者无需重复适配，可快速构建复杂Agent工作流（如阿里云百炼平台基于MCP，开发者构建Agent效率提升60%）。
   • A2A协议（Agent间通用语言）解决“协同壁垒”痛点：不同框架/厂商的Agent难以通信，无法完成复杂任务（如旅游规划需路线+酒店+交通Agent协同）；A2A支持Agent间技能发现、任务协商（如飞猪“问一问”的路线Agent与酒店Agent通过A2A共享用户预算、行程信息，协同生成方案）。

3. 国产大模型能力领先：

   • 开源模型（如Kimi K2、DeepSeek-V3.1）在代码能力、工具调用上全球领先（Kimi K2夺SWE Bench Verified开源SOTA），解决“技术壁垒”痛点——降低Agent开发门槛，中小企业无需自研大模型，可基于开源模型快速定制垂类Agent（如某物流企业基于DeepSeek-V3.1开发路径规划Agent，开发周期从6个月缩至2个月）。

问题3：当前Agent商业化的主流模式是什么？垂类Agent相比通用Agent，在商业化落地中具备哪些独特优势？

答案：当前Agent商业化的主流模式及垂类Agent的优势如下：

1. 主流商业化模式（按应用场景分）：

2. 垂类Agent的独特优势：

1. 专业壁垒高：依托企业积累的结构化专业数据（如金融机构的交易数据、医院的病例数据），形成通用Agent无法通过公开语料补齐的壁垒（如税友“犀友”智能体基于税务行业数据，申报准确率达98%，远超通用Agent的85%）。
2. 降本增效立竿见影：直接嵌入企业核心业务流程（如制造企业的设备维修Agent连接设备传感器数据，实时预警故障），替代高成本、重复性人力工作（如某汽车厂用维修Agent后，故障响应时间从2小时缩至15分钟，人力成本下降25%）。
3. 付费意愿强：企业可直接测算ROI（如飞猪“问一问”帮助用户节省行程规划时间60%，带动预订转化率提升30%），且垂类场景对价格敏感度低（如金融机构为风控Agent付费意愿是通用工具的2倍），商业化落地速度快于通用Agent（2025年垂类Agent落地案例数是通用Agent的3倍）。