AI应用创新与商业化：

新生态与新基建

行业研究部

©2026 iResearch Inc.

ABSTRACT

摘 要

AI应用创新与商业化 ：本报告中AI应用创新包括已有应用 AI化升 级、AI原生应用创新，并不局限于 AI原生App 。当前，各行各业 AI化势不可挡，AI应用持续向消费级和企业级市场拓展。对话式AI

加速了AI应用落地，而Vibe Coding、CUI等技术创新，加速AI应

用开发模式革新。与此同时，AI应用商业化落地日益面临全球化、 安全合规新规则。

AI应用创新的关键基础设施 ：AI应用创新的关键基础设施可概括 为算力、模型、数据、平台、安全合规五层 。其重要性体现在减 少模型幻觉、知识资产沉淀与数据治理、上下文管理、Agent 协同，

以及数据隐私、内容风控、权限控制和审计追踪等方面。

融云：AI时代，融云作为全球AI通信解决方案提供商 ，定位为打 通大模型商业化“最后一公里”的关键角色。依托自研的AICP （AI Communication Platform ）基座，产品服务能力覆盖数据、

平台、应用、安全合规层，率先布局A2H （Agent-to-Human ）与

A2A （Agent-to-Agent ）通信新品类。

发展趋势：预计未来AI应用创新将深度融入场景，在 A2A 协同新 生态、端侧智能、多模态等方面趋势特征将进一步凸显 ，具体体

现在产业协同从单点人机交互迈向多智能体互联网络，端侧算力

与轻量模型推动本地部署，语音、视频、文本等多模态与实时交 互增强等方面。同时，AI结果稳定性、安全合规与全球化适配等 方面仍面临挑战。

CONTENTS

目 录

• 01 AI应用创新概况

Overview

• 02 AI应用创新的关键基础设施

Key Infrastructure

• 03 融云：打通大模型商业化“最后一公里” 的关键角色 Infra for -AINative Era

• 04 AI应用创新未来展望

Trends

01

AI应用创新概况

Overview

AI化势不可挡

AI应用门槛加速下降，赋能存量和增量市场，全面渗透各行各业

当前，受AI供给增强、推理成本下降与接入门槛降低的影响，AI加速深度应用于各行各业。一方面，AI推动CRM 、客服、搜索、办公、 供应链等存量升级；另一方面，面向不同应用场景，行业涌现出一批AI原生应用，带动增量创新。从市场需求来看，消费级与企业级 的AI需求数字化系统同步扩展，AI从单点功能试用逐步走向常态化使用，AI正由“问答工具”进一步演进为任务处理入口，并加快向 各行业渗透。

AI成本与门槛快速下降

过去两年，AI的能力供给、推理成本和接入便利性都发生了结构性变化， AI化不再只是头部公司的实验，而正成为各类应用和系统的标准升级方向

• 以GPT为例，2025年8月发布的GPT-5，API首发定价为每百万token输入

1.25美元、输出10美元，较2023年3月发布的初代GPT-4（输入30美元、

输出60美元）分别下降约96% 和83%

两个价值维度下的存量升级与 AI原生创新

“提效”价值维度下，AI赋能CRM 、客服、搜索、办公、供应链等数字化 系统。“创新”价值维度下，涌现一批AI原生应用

• • Microsoft 2025 Work Trend Index提出Dow 的供应链Agent预计首年可节 省数百万美元

• • AI原生应用包括ChatGPT 、KIMI、Cursor、即梦AI等

消费级与企业级需求同步扩散

AI化全面渗透C端和B端市场，不再局限在单一市场、单点创新，C端用户 习惯形成和B端ROI驱动采购正同时发生

• • Google在2025年3月表示，已有超过10亿人使用AI Overviews

• • McKinsey《The state of AI in 2025》显示，88% 的组织已在至少一个业 务职能中常态化使用AI

对话式AI成为重要入口

对话式AI将自然语言转化为用户意图，加速AI应用落地

对话式AI是指以自然语言及语音、多模态信息为主要媒介，支持用户表达意图、持续澄清需求、获取内容或触发任务执行的AI交互方 式。对话式AI正在从AI应用的“问答界面”，演进为人机协作和Agent任务执行的“意图入口”，在推进AI应用开发和商业化落地过 程中发挥了重要作用。其核心价值在于以自然语言承接用户意图，并与GUI 、多模态输入、Agent、业务系统、工具调用和人工服务 等共同形成可控的交付闭环。

通用型对话AI助手

应用内嵌式对话入口

对话体验驱动的垂直产品

对话驱动的任务型 Agent

ChatGPT 、豆包、Kimi、 Claude 等产品以对话为主要 交互框架，用户可通过自然 语言或多模态输入完成问答、 创作、分析与协作。此类产 品推动用户形成以自然语言 表达需求、与AI迭代协作的使 用习惯

电商AI导购、银行智能客服、 办公助手、游戏NPC 及医疗 问诊等，将对话作为用户调 用AI能力的意图入口。其核心 业务功能并非对话本身，但 对话式AI可降低功能发现和复 杂操作的门槛

在AI陪伴、角色互动、语言学习、 部分AI家教产品等垂直产品中， 对话式AI本身构成核心体验和价 值交付，产品竞争力主要体现为 角色人格、情绪反馈、内容连续 性和互动质量

用户以自然语言发起目标或任务， Agent 结合模型推理、工具调用、 外部系统连接和必要的人工确认， 完成多步骤流程并返回结果。对 话式AI承担任务发起、过程澄清、 授权确认和异常处理的功能，在 任务执行与结果交付中实现价值

除通用型对话 AI助手更多依赖大模型的推理能力之外，其他三种产品都需要在大模型的基础上，进一步 进行产品设计、开发、部署、运营等，需 要更多的工程化落地

AI应用创新市场环境向好

AI工具迭代降低创新门槛，市场应用进入场景验证阶段

当前AI应用创新正由“技术可得”加速迈向“场景验证”。从配套供给来看，基础模型、编程生成、Agent编排、内容生成及RAG 评 测等工具链持续完善，显著降低了产品原型开发、团队组织与方案交付门槛。从市场需求来看，政府对于AI接受度提高、政策支持持 续加码，企业与个人用户对AI的认知、接受度和使用频率同步提升，带动相关产品进入更深入的应用验证阶段。

AI技术工具不断迭代，持续降低 AI应用创新门槛

终端用户对AI的认知和接受度不断提升

分类 代表性产品

政府

• • 多地政府部门已开始把大模型接入政务系统，例如深 圳、北京等地将DeepSeek 等大模型接入政务系统， 用于公文写作、政策解读、政务服务等场景

• • 2025 年1月，国家出资成立国家人工智能产业投资 基金，基金规模达到600.6亿元人民币

基础模型/API

与托管

AI编程与应用

生成

企业& 个人

• 根据QuestMobile 、GitHub Stars数据，消费者、开 发者对于AI的应用和关注不断提升

Agent/ 工作 流编排

DeepSeek 和豆包MAU 变化

设计/内容生 成

1.72

2025.12

1.5

1.57

2025.8

后端/RAG/ 评 测运维

1.4

|豆包（亿） DeepSeek （亿）

|

|---|

DifyGitHub Stars变化

降低产品原 型试错成本

简化开发流 程/团队

缩短方案交 付周期

2026.6

对于AI应用

14.5 2025.6

创新的影响

10.0

Dify Github Stars（万）

| |

|---|

来源： QuestMobile 、GitHub Stars、公开资料，艾瑞咨询整理绘制。

AI创业企业加速应用创新

技术迭代驱动应用创新，应用层成为AI创业最活跃的战场之一

近些年，随着模型能力、开发工具和行业方案持续成熟，技术迭代正更快向产品化与场景化创新传导，推动创业重心由底层能力建 设加速转向面向具体需求的应用落地。根据对于2020 至2025 年间AI创业企业在基础层、技术层、应用层*分布情况来看，近些年AI创 业企业主要集中于应用层，整体占比约为60% ，明显高于技术层和基础层，可见应用层已成为当前AI创业最活跃的方向之一。从 2022 至2025 年期间来看，应用层企业数量虽有波动，但占比始终保持在53.8% 至68.1% 的较高区间，2025 年进一步升至68.1% 。

应用层是AI创新创业最活跃的战场之一

2020 -2025 年AI创业企业分布

202 2-2025 年AI创业企业分布与 AI应用层占比

AI基础层 14%

56.8% 53.8% 60.5% 68.1%

300

0%

250

2149

-100%

2064

200

2149

-200%

1889

150

6058

AI技术层

-300%

5640

100

6851

26%

AI应用层 60%

7675 23

48

36 38

-400%

50

0

-500%

2022 2023 2024 2025

N=1842

AI应用层 AI技术层 AI基础层 应用层占比

注：此处AI基础层、技术层、应用层是行业通用划分口径：基础层指的是为AI提供算力、数据和基础工具支撑的底层软硬件设施；技术层指的是研发通用AI技术能力和算法模型的环 节；应用层指的是将技术层的通用能力与具体行业场景结合，形成面向最终用户的产品、解决方案或服务。 来源：IT桔子，艾瑞咨询整理分析绘制。

AI应用产品：消费级应用

AI演变为基础能力，内容创作、工作提效、情感陪伴是核心需求场景

当前，C端用户对AI应用的态度已经从早期猎奇使用回归理性的实用性选择，其中内容创作、工作提效和情感陪伴是消费端的三大核 心场景。全球TOP100 AI应用月活数据显示，一方面，ChatGPT 、豆包、DeepSeek 等通用对话AI助手的活跃程度持续保持在高位， 另一方面，图像/视频生成、工作提效类工具、AI搜索引擎及情感陪伴等细分领域的AI应用也呈现出百花齐放的态势。随着AI能力逐 步演变为一项基础能力，图片/视频编辑、教学辅导、饮食健康等纷纷在原有功能上叠加AI模块，以提升用户体验、增强用户粘性并

构建差异化竞争力。

2026 年6月全球TOP100 AI 应用分类型MAU 合计 2025 年上半年全球新增 AI功能的各类APP 数量

|200 140

129

127 125 124

110

88

86

79 79 76 76

图片编辑 备考、辅导与学习 视频编辑 营养与饮食 语言教育 其他实用工具 翻译 个性化设置与铃声 其他多媒体与设计工具 其他商务与效率工具

约会

其他兴趣爱好 宗教与灵性

|非AI原生类应用通 过增加AI功能，提 升用户体验与粘性

|

|---|

|

|---|

单位：百万 MAU 代表应用 通用AI对话助手 2492.2 ChatGPT 、豆包、DeepSeek AI图像生成/编辑 342.1 即梦AI、Remini 、FaceApp AI搜索/浏览器 222.0 夸克、Perplexity、纳米AI搜索 AI辅助工作提效 156.3 百度文库、DeepL 、Notion AI视频生成/编辑 97.5 PixVerse、Sora、可灵AI AI角色/情感陪伴 64.3 Talkie AI、星野、猫箱 AI音乐/音频 48.3 Suno 、Donna AI学习/教育 24.3 Gauth 、Question.AI 其他 23.8 PictureThis

注释：1）含全球iOS、海外Google Play及国内Android 数据，2）各赛道MAU 为该赛道 内APP 加总不去重的结果。 来源：AI产品榜·全球总榜（6月版）。

注释：1）iOS和Google Play应用程序应用程序分别计算，2）剔除AI助手和AI内容生成 类，仅考虑非AI原生应用叠加AI功能的情况。 来源：Sensor Tower 《Stateof AI Apps Report 2025》

AI应用产品：企业级应用

Agent 加速向企业端渗透，嵌入企业业务流程，提供自主行动能力

调研数据显示，2025 年生成式AI在企业组织中的渗透率由2023 年的33% 快速攀升至79% ，而在使用生成式AI的企业中，过半数已经 将AI Agent投入生产环境。相比基础的对话式AI，Agent具备自主行动的能力，能够实现从任务拆解到流程执行的端到端处理，成为 企业端AI的核心落地载体。目前，生成式AI率先在客服、营销、研究等强调知识密集交互的场景中实现规模化落地。与此同时，随着 AI应用进一步接触企业知识、客户数据和核心业务流程，企业组织对数据安全、权限控制、审计追踪和部署方式的要求也在提升，私

有化部署、混合云部署、本地化数据管控等能力正逐渐成为AI应用落地的重要前提。

2018 -2025 年全球企业AI使用比例 2025 年全球企业AI Agent应用情况

|33%

65%

79%

47%

58%

50%

56%

50%

55%

72%

88%

2018 2019 2020 2021 2022 2023 2024 2025

生成式AI使用比例 AI使用比例

注释：企业AI使用比例为至少在一项业务功能中使用AI的组织比例。

|生成式AI使用比例快速攀升，

带动AI在企业组织中的渗透

|

|---|

|

|---|

在使用生成式AI的企业中，

有52% 的高管所在组织已将AIAgent投入 生产环境，部署场景覆盖广泛：

48%

客户服务

49%

营销或安全运营

46%

技术支持

45%

52%

产品创新、效率提升 或研究工作

43%

注释：Q1 ：企业内部是如何使用AI Agent的？N=3466 ；Q2 ：贵公司已部署的AI代理用 于哪些用例？N=1814. 来源：Google Cloud 《2026 年AI Agent趋势报告》。

来源：麦肯锡《2025 年人工智能现状报告》。

AI应用开发：Vibe Coding

Vibe Coding降低开发门槛，个人和小团队成为重要创新主体

在Vibe Coding技术创新驱动下，代码生成、调试与原型搭建能力持续增强，产品开发由传统“写代码”逐步转向以需求表达、快速 生成和迭代验证为核心的流程，显著降低AI应用创新团队配置与技术门槛；产品经理、设计师及行业专家也能更深度参与原型构建。 相关调研数据显示，实际使用AI编程的人数占比持续提升，个人开发者和小团队正成为AI应用创新的重要力量。

使得团队最小有效规模显著下降

原来一个产品至少要“前端+后端+测试+运维”的基础配置，现在其中不少工作被AI 压缩为“1个会提需求的人+1个能校验的人”

• 据美国Carta*《Founder Ownership Report 2026》，2025年Carta平台上的初创 公司中，约有36%由单创始人领导，相比2024年的31%有明显上升

• 据中国《2026中国OPC行业白皮书》显示，截至2026年4月，全国OPC（One Person Company ）数量已突破1600万家，2025年上半年新注册增速高达47%

Stack Overflow 开发者调查显示用 AI开发的人群基数在急速扩大 ，如下图所示：

|43.8

61.8

78.5

20

40

60

80

100

2023 2024 2025

2023 -2025 年实际使用AI编程人数占比变化

实际使用AI编程人数占比（% ）

|

|---|

注：Carta是一家美国金融科技公司，主营业务为私募股权与创业公司股权管理SaaS ，全球数万创业公司、风投基金和私募股权机构在用它的系统记录股权数据。 来源： Stack Overflow开发者调查、 Carta《Founder Ownership Report 2026 》、《2026 中国OPC 行业白皮书》等公开资料，艾瑞咨询整理绘制。

AI应用开发：典型开发框架

典型开发框架逐渐成型，开发工作面临新的重难点

行业整体来看，AI应用开发正逐步形成由需求定义、能力构建和产品交付组成的典型框架：在开发流程前期从场景定义与效果指标出 发；中期围绕数据与知识准备、基座模型选择、RAG 或工具调用展开，并按需引入小模型训练或Agent化；后期则通过评测观测、系 统集成和数据闭环推动持续迭代。在这样的AI应用开发框架下，开发者的开发工作重难点也发生了变化，知识资产沉淀、技术路线工 程取舍、交付稳定性以及评测优化体系建设成为开发工作重难点。

AI应用典型开发框架示意图 开发工作重难点

能力 构建

|RAG 或工具调用

|

|---|

||小模型训练或微调

可选|

|---|

|Agent 化

可选|

|---|

|

|---|

按成本、时延、私有化需求引入 按复杂任务、多工具协同需求引入

||评测与观测|

|---|

来源：公开资料，艾瑞咨询整理绘制。

AI应用商业化模式

商业化模式向交付经济转变，GUI/CUI/Agent 协同促成应用成效

AI应用商业化的核心逻辑正在发生变化，相较于移动互联网时期依赖用户规模扩张、网络效应积累和广告增值变现的模式，AI应用更 强调以Token 消耗、工具调用、向量存储及人工复核等成本要素为基础的交付经济模型。与此同时，产品交互方式也由GUI 主导的确 定性流程，逐步演进为GUI 、CUI与Agent 协同并行，更注重意图识别、任务编排与结果交付效率。

Token 成本成为单位经济模型的核心变量之一

核心商业化逻辑变化

主流模型厂商已经把推理成本直接做成按Token 计费，多一次有效 AI交付通常就多一笔推理费用

客户为AI买单的核心原因：利用AI实现省人、省时、提高转化

移动互联网时代的 规模经济 AI时代的 交付经济

快速做大DAU 单位经济成本 建立网络效应 单客毛利率 用规模摊薄固定成本 通过广告/抽佣/增值服务变现 …… ……

|嵌入业务流 项目履约交付

|

|---|

交互界面从GUI 的确定性流程转向 CUI 的意图识别、 Agent 执行任务转变

AI让软件不再只提供功能入口，还能够理解用户意图并自主完成任务，导致单一GUI 不够用，产品自然走向GUI/CUI/Agent 协同

背景

明确流程 意图输入 多步骤执行 高频操作 模糊需求表达 跨工具编排

功能 特征

可视化配置 复杂任务发起 自动化交付

结果确认与编辑 降低功能使用门槛 持续性任务处理

来源：公开信息，艾瑞咨询整理绘制。

AI应用商业化新规则

AI业务全球化发展面临数据主权等要求，安全合规要求日益严格

目前，越来越多的AI应用企业从成立之初便面向全球市场，具备“全球化起步”属性；同时，AI风险逐渐暴露，AI应用商业化落地面 临全球化和安全合规等新规则。

全球化 AI数据主权与跨境流动的新挑战应用向全球市场加速扩张，面临地区性AI监管、 安全合规 AI为复杂，存在多层面的潜在风险时代的安全合规体系相比移动互联网时代更

AI应用企业天然“全球化起步”：分发方式本身就是全 球性的Web +API+App Store

AI应用带来隐私泄露、内容失控、知识产权侵权或违反 监管要求等风险

面临全球化新挑战：地区性监管、数据主权等

全球各国/地区加速完善 AI安全合规要求

|• 欧盟已经形成分阶段生效的系统性AI监管框架

|

|---|

|2024年8月1日：AI Act生效

2025年2月2日：禁止类AI实践开始适用

2025年8月2日：GPAI（通用模型）义务开始适用

2026年8月：透明度规则开始生效

|

|• OpenAI 面向欧洲、印度、日本等跨国市场，提供“区域数据驻 留”本地存储能力服务

|

|• 印度创业公司Sarvam AI推出的Indus，直接把数据主权、本地语 言、本地部署可控作为核心卖点

|

|• 中国发布实施全球首部 AI拟人化互动国家级专门规章 ：2026 年7

月15日开始实施《人工智能拟人化互动服务管理暂行办法》，建立防沉 迷机制与极端情绪干预机制，禁止向未成年人提供虚拟亲密关系服务； 对注册用户超100万或月活超10万的服务实行强制安全评估与算法备案

|

|---|

|• 中国"清朗"专项行动与标识制度 ：2025 年"清朗·整治AI技术滥 用"行动封禁违规账号12万个；《人工智能生成合成内容标识办法》 强制要求所有AI生成内容添加显式与隐式标识

|

|• 美国AI监管措施翻倍：2024 年联邦机构发布59项AI相关监管措施，数

量是2023 年的两倍多，覆盖算法透明度、数据安全与内容审核

|

来源：公开资料，艾瑞咨询整理分析。 来源：公开资料，艾瑞咨询整理分析。

©2026.9 iResearch Inc. www.iresearch.com.cn ©2026.9 iResearch Inc. www.iresearch.com.cn 14

02

AI应用创新的关键基础设施

Key Infrastructure

15

AI应用新基建

包括算力、模型、数据、平台与安全合规五大层面，需构建贯穿AI应用 从底层资源到上层能力的完整支撑体系

AI应用基础设施框架

安全合规层

贯穿算力、模 型、数据、平 台各环节，面 向AI全生命周 期的安全、合 规与治理体系

数据隐私与保护

内容安全与风控

模型合规与伦理

操作审计与溯源

身份与访问控制

实时行为护栏

提供AI应用开发所需的高阶抽象能力与运行环境，屏蔽底层模型、算力与 数据的复杂性，覆盖交互、协同、集成与管理的全链路支撑

平台层

集成与协议

CUI 组件 上下文管理 Agent 协同 工作流编排

（API/CLI/MCP 等）

提供AI应用所需的高质量、可用、可追溯数据基础，包括对结构化数据、 非结构化数据的统一管理，覆盖数据采集、存储、处理的全生命周期

数据层

多模态数据清洗与向量化 RAG+ 知识库 长期记忆管理 数据管道与治理

提供AI应用所需的多模态、多尺度模型能力与托管环境，涵盖语言、视觉、

模型层

语音及多模态模型的统一管理

多元模型供给 模型开发与微调 模型调度与管理 大小模型协同

负责提供模型训练与推理所需的计算资源与调度底座，包括云端GPU/TPU 集群、边缘计算节点、以及底层的分布式调度系统

算力层

弹性伸缩 异构兼容 云边协同 高可用/高可靠

部署方式

云边端协同

日益成为AI基础设施部 署的主流方式

云中心化

承载大模型训 练、集中推理、 全局数据治理 与统一调度

边缘就近

承载低时延推 理、本地数据 处理与区域自 治运行

端侧轻量

承载用户交互、 轻量推理、实 时响应与本地 隐私处理

模型幻觉挑战

模型幻觉仍是AI应用核心挑战之一，指令遵循性成为模型重要能力之一

模型幻觉仍是当前AI应用开发的核心挑战之一，它直接影响了AI应用结果的稳定性和可靠性。随着AI应用于业务场景，尤其当AI开始 进入客服、营销、交易、知识问答、代码生成、Agent执行等真实业务流程后，幻觉就不再只是“答错了”，而会变成业务、合规和 责任问题。随着AI从Chatbot 走向Agent ，对于指令的遵循性成了各大厂商AI模型重要能力之一。因此优化AI模型幻觉、提升AI模型 指令遵循性，成为AI应用开发的重要任务之一。具体来看，AI模型幻觉可划分为认知类幻觉、判断类幻觉、执行类幻觉等。

在具体业务场景中， AI模型的指令遵从性不足，会带来以下风险：

提升AI应用可靠性

模型幻觉会放大为业务风险， AI 指令遵循性成为模型重要能力之一

在业务场景下，

• ◼ 面向场景收缩模 型的发挥空间

• ◼ 用可靠数据给模 型做训练和约束

• ◼ 强化AI应用结果 多轮校验机制

• ◼ 加强Agent 间通 信和权限限制

• ◼ 做好优化迭代和 版本管理等工作

• ◼ ……

来源：公开资料，艾瑞咨询分析绘制。

数据管理与应用挑战

沉淀非结构化的对话数据，转化为可检索、可分析的知识库

AI应用相关数据包括内部数据、外部数据、对话数据、实时数据、衍生数据等。其中，对话数据是AI训练和应用优化最关键的真实反 馈来源，既承载用户偏好、痛点和需求变化，也沉淀着高质量的问题解决路径，因此对模型迭代和应用效果提升具有重要价值。相 较知识库、API返回的标准化数据等结构化信息，海量对话数据长期以非结构化形态分散存在，处理难点在于多轮上下文复杂、噪声 较多、有效信号提取门槛高。能否通过清洗加工、向量化组织、动态更新和生命周期管理，将对话数据转化为可检索、可分析、可

持续利用的数据资产，正日益成为AI应用构筑壁垒的关键。

AI应用创新的挑战：数据管理与应用

AI应用的数据来源 对话数据 企业业务系统数据 外部API/第三方数据 文档知识库

对话数据的特征 从对话数据到知识库

|① 对话数据采集与清洗

② 文本分块与向量化 ③ 向量数据库存储

采集完整对话内容，去除 噪声、提取元数据

④ 知识检索与重排

将对话拆成合适粒度，进 行文本向量化

存入向量数据库，实现高 效存储和检索

从海量知识库中快速、准 确地找到相关片段

|

|---|

数据类型

应用挑战

• • 混杂噪声与信号： 有价值信息与大量 高频、低价值噪声 混在一起

• • 多轮上下文依赖： 真实意图依赖多轮 对话历史，断章取 义会造成关键信息 丢失

用户对话数据

多轮对话上下文

交互历史记录

模型调用与反馈数据

用户行为数据

⑤ 知识库更新与维护

应用价值

采取增量更新、过期淘汰的策略，监控知识库质量并持续迭代优化

用户洞察 知识沉淀 模型优化

自然交互体验挑战

从通用记忆向关系型记忆升级，满足用户对AI自然交互的期待

随着对话式AI成为AI应用的重要入口，自然交互的质量对于用户的留存与粘性的影响显著。在用户与AI交互的过程中，容易出现AI回 复刻板、缺乏主动性和一致性的问题，其关键在于记忆机制的设计。仅记录用户生日、爱好等事实性的静态信息已经不能满足用户 的期待，AI应能在保持人格约束的基础上，感知用户的情绪变化与关系的渐进式发展，依靠关系型记忆为用户带来更加自然的交互体 验。关系型记忆的实现并非简单存储更多对话文本，而需要引入多种工程化手段，如动态判断哪些信息值得保留、哪些需要丢弃，

针对长短期记忆采取不同的存储策略，通过压缩与遗忘平衡记忆成本与记忆新鲜度等。

AI应用创新的挑战：自然交互

交互痛点

难以保持上下

文连贯性与逻

辑一致性

偏离人格设定

缺乏主动性与 对话目标感

|情感记忆 关系进展记忆 人格记忆

关系型记忆

情绪反馈 关系演进 人格约束

在对话摘要基础上， 感知并记住用户的情 绪状态（兴奋、焦虑、

平静等），回复更有

温度

记录与用户的里程碑 节点（第一次互动、 冲突、和解、共同完

成某件事），推动关

系逐步渐进

随着对话深入和关系 演变动态成长（经历 成长+认知成长），

但始终不脱离人格底

色

角色设定

快速形成稳定可感的差异化

自然交互调度

节奏、打断、引导时机

多模态与事件执行

触发业务动作联动

人机协作与演进

无缝切人工、知识回流|

|---|

|动态优先级|

|---|

|层次化存储|

|---|

|高效检索|

|---|

|压缩与遗忘|

|---|

AI记忆机制的工程关键

Agent 开发和运营挑战

面临对话流运营、长任务多Agent执行、模型调度、能力封装等挑战

当前Agent 主要可以按主导能力分为对话型、问答型、任务型三类，但在实际应用中三者往往相互融合，并逐步向“对话驱动、知识 增强、任务闭环”的复合形态演进。在此过程中，Skills的重要性不断提升，对于Agent能力上线和稳定交付具有重要影响。随着 Agent 开发和应用深化，预计会面临对话流主动运营、长任务多Agent执行、场景驱动模型调度、能力封装与调用等方面的挑战。

|三类不同主导能力的 Agent

|

|---|

|任务型

特点：一次性、无状态调用 示例：文案优化、图片生成、翻译等

问答型

特点：用户意图明确，AI执行 示例：订机票、查天气、查订单等

对话型

特点：多轮对话、注重过程体验 示例：AI伴侣、咨询顾问等

|

|Skills是Agent 的能力模块

|

|---|

|Skills是Agent执行的载体，随着Agent

应用深化，Skills重要性持续提升

|

Agent 开发和运营面临的主要挑战

对话流的主 动运营

• 贯穿用户全生命周期，从避免机械感的开场白，到条件触发

的主动推送，再到沉默时的智能破冰、长期未活跃时的站外

召回，最后自然收尾或预告下次互动，全程需保持对话温度、 节奏把控与上下文连贯性

长任务多

Agent 执行

• • 要求面向长链路任务完成目标拆解、阶段规划、长期记忆管 理与上下文延续，避免任务漂移、中断或遗忘关键约束

• • 在多Agent协作中管理子任务依赖、并发逻辑与异常回滚机制， 并在多步执行中低成本传递关键信息、压缩上下文以维持状 态一致

场景驱动模 型调度

• 重点平衡三类指标：效果维度关注上下文、多模态与准确率； 成本维度关注Token 价格、延迟与吞吐量以保障ROI；运营维 度关注可用性、可观测与合规性以支撑商业化

能力封装与 调用

• • 需将模型、工具、流程、数据等不同层面的Skills沉淀为可复 用、可编排、可治理的标准能力单元

• • 推动企业内部数据与经验资产沉淀，并兼顾权限控制、数据 隔离、调用审计与结果可信，确保安全可控

安全合规挑战

“规则引擎+大模型”双引擎驱动，构建端到端的安全合规体系

在合规底座层面，AI应用创新面临日益严苛的全球AI监管要求，需针对不同国家或地区的政策进行适应性调整。在内容合规层面，引 入大模型与Agent 后，AI应用的安全风险已超出传统规则引擎的覆盖范围。传统规则引擎擅长拦截敏感词、违禁内容等显性风险，但 面对大模型特有的提示词注入、多轮对话诱导等新型攻击手段，则需要建立“规则引擎+大模型”的双引擎机制，由规则引擎快速拦 截已知违规，大模型负责识别复杂语义与上下文隐藏风险。而Agent协同带来的端到端安全挑战更为复杂，需在每个任务节点进行独

立审核，建立全链路追溯能力，并进行必要的权限控制与沙箱隔离。

AI应用创新的挑战：安全合规

内容安全

传统安全 大模型安全 端到端安全

• • 复杂任务涉及分步执行，需针对任务拆解节 点逐一审核，同时建立全链路上下文追溯， 基于完整任务链进行整体合规判定

• • 面向Agent 工具调用场景，需对Agent 进行权 限控制和沙箱隔离 ，针对高风险操作要求二 次确认

通过自研规则引擎或采

针对大模型领域特有的提示词

购第三方词库服务 ，拦

注入攻击、隐性违规、多轮对

截敏感、违禁、色情、 暴恐等显性风险内容 ， 防止提示词注入中的简 单攻击

话诱导、幻觉内容生成 等特有 风险，通过小模型过滤、事实 性核查、自检提示 等手段设置 安全围栏

备案登记合规

如自研或微调基座 模型需进行大模型 备案及算法备案

数据跨境合规

满足数据出境安全 评估与个人信息出 境标准合同要求

合规底座

训练数据合规

数据主体权利保障

数据安全

训练语料来源合法， 不含侵权内容及未 授权的个人信息

明确告知用户收集的 信息类型、处理目的 等，并取得用户同意

针对核心敏感数 据，要求存储与 处理本地化

AI标识合规

对AI生成内容 添加显式及隐 式标识

03

融云：打通大模型商业化

“最后一公里”的关键角色

Infra for -AINative Era

22

融云，全球AI通信解决方案提供商

一基多解，构建"融合AI、模块复用、灵活交付"的智能通信生态

作为全球AI通信解决方案提供商，融云正依托自研的AICP（AI Communication Platform ）作为统一技术底座，将AI能力与即时通讯、 实时音视频能力深度融合，封装为客户可按需选取和组合的标准化模块，最终通过互联网应用解决方案、垂直行业解决方案及海外 国民级通信解决方案三大业务形态，全面赋能全球开发者与行业客户。融云同时提供可定制的无UI基础库和支持快速开发的UI集成 SDK 两种接入方式，适配不同技术资源的开发团队。在部署层面，支持公有云、私有云及混合云部署，既能通过公有云为互联网开

发者提供轻量级订阅服务，也能以私有化方案满足政企与海外市场对数据安全及本地化运营的严苛要求。

基于自研AICP 的AI通信解决方案

融云自研AICP

一基多解，根在AICP：融云重新定义智能通信的底层范式

过去十余年，CPaaS （Communication PaaS ）解决的核心问题是消息传输，其服务对象是人，目标是可靠收发消息，数据价值主 要体现在可供人查询的消息历史中。进入AI原生时代，通信基础设施的服务对象从人扩展到人、Agent与业务系统；关注的焦点从单 条消息转变为人与AI的持续协作过程；目标也从可靠送达消息升级为承载协作并交付结果；数据价值则更多地表现为可供AI调用的 Context和Memory 资产。融云AICP正是在这一拐点上应运而生，它不是“CPaaS+AI 接口”的功能叠加，而是Communication

Infrastructure的本质重构。

融云AI生态位全景图

作为打通大模型商业化“最后一公里”的关键角色，融云成为智能经济 的“连接枢纽”

融云AI通信解决方案架构

融云致力于打通AI大模型商业化 的“最后一公里”，构筑Agent 统一通信网络，率先布局A2H （Agent -to-Human ）与A2A （Agent -to-Agent）通信新品类。 其天然的优势在于：以对话数据 为纽带，将数据层、平台层、应 用层与安全合规层纵向深度融合， 让通信超越单纯的传输通道，进

应用层 面向业务场景的AI落地方案

融云产 品服务

提升留存与转化 · 降本增效 · 全天候服务 · 多种部署方式

安全合规层

社交陪伴 政企办公 国民通信 营销触达 客户服务...

对数据、模型、平台和 应用全过程持续生效

能力向上赋能

平台层 AI通信深度融合、模块化封装

标准化服务接口 · 可复用智能模块 · 全行业场景覆盖

融云产品服务

• • AI套件：多模态翻译、智能回复、智能风控、总结摘要、 意图识别、会话质检、文案润色等

• • 场景化AI Agent：社交Agent 、营销Agent 、智慧办公 Agent 、客服Agent 、其他行业角色Agent 等

数据反哺

AI能力中枢

融云产

认证合规 |信创适配 数据脱敏 |隐私保护

化为AI的“知识来源”与“能力

品服务

延伸”。

• • 全消息类型100% 送达，SD -CAN 全球加速网络

• • OpenClaw/Hermes 原生对接、MCP&Skills自然语言AI 集成、Agent 无感集成、DeepSeek Harness 插件

IM&RTC 通 信能力

主权级AI

具体来看：

私有化部署

数据资产供给 采集活数据

• • 数据层沉淀对话活数据并将其 转化为可调用的智能资产

• • 平台层封装成熟的AI组件与通 信能力

• • 在此基础上，通过场景化解决 方案赋能应用层，最终为开发 者和企业提供从基础通信到智 能对话的完整服务

数据层 智能资产的转化引擎

多级权限 安全护栏 提示词注入防护 预拦截审核DSA 全链路加密

私有域合规处理

通信厂商独有的、天然具备社交关系的活数据

• • 理解、分析、检索、抽取、清洗、沉淀、加工、生成全链 路智能处理，

• • 多模态解析、动态向量化、意图拦截、AI安全护栏

数据加工 引擎

融云产

品服务

• 全球实时网络、高频流式对话、原生社交图谱、多维业务 属性、声学/视觉资产

独有活数 据资产

推理能力供给 携带上下文调用推理

模型层 提供理解、生成、推理与多模态能力，保持模型中立、支持灵活切换

融云产品：专业对话Agent

深度赋能业务，让专业、流畅的智能对话驱动增长

融云对话Agent 产品具备长上下文理解、人性化交互、懂场景等优势特点，完美解决传统人工对话过程中的效率短板，可极大改善终 端用户的互动体验，有效提升业务的转化率和活跃度。针对不同场景的专业Agent：社交Agent、营销Agent、客服Agent及其他行业 角色Agent 。

核心优势

专业对话Agent

营销Agent ：不遗漏任何一条线索

客服Agent ：降本增效的智能方案

通过AI进行7x24小时的线索激活与初步筛选， 将高意向用户精准推送给业务服务，实现转化 率与覆盖度的双重提升

AI处理80% 的重复性或前置咨询，人工专 注于20% 的复杂问题。通过人机协同，在 保障用户体验的同时，极大优化人力成本

社交Agent ：用AI提升用户参与度与满意度

聊天助手：专业化提升体验和效率

为客户提供一个懂用户、有温度的AI灵魂，创 造有温度、个性化的互动体验，提升用户留存 时长与付费意愿

将知识库与最佳实践注入AI，为每一位专 业角色提供全天候的专家支持，全面提升 团队的专业度与响应效率

融云产品：智慧办公Agent

面向组织的开箱即用、安全可靠、数据赋能的智能协同方案

融云智慧办公Agent ，提供协同办公、内部知识问答与上下文补齐等功能，其核心价值是将组织协作数据转化为可调用的数据资产， 并协助任务执行。该Agent既可以搭载在融云智能办公平台（灵悦/Lyra系统）上使用，形成一站式智能工作平台；也可以作为单独 模块嵌入不同的办公系统，为政府、企业、个人客户提供定制化的智能办公服务。在应用层面，它主要聚焦与业务场景紧密相关的 会议、对话、办公提效等场景，具备灵活部署、安全可靠、开放集成、数据壁垒等优势。

部署方式

应用场景

智慧办公Agent

智能安排会议 会议总结纪要

会议场景

围绕通讯消息、协作文档、会议纪要、 企业知识库、个人知识库等内容，在 对话层面实现智能检索、上下文补齐、 摘要归纳、回复建议等，并可进一步 提供生成纪要、周报总结、跟进事项、 任务分派、日程协同等功能

会议待办提炼

搭载融云智能办公平 台（灵悦/Lyra系统）

实时语音转写 字幕实时翻译

智能回复助手 未读消息摘要 群聊智能助手 文案润色纠错 重要消息甄别

对话场景

效率助手

信息整理、任务执行

作为单独模块嵌入 任意协同办公系统

智能分析

智能周报总结 待办提取提醒 知识问答助手 知识沉淀复用 全局智能搜索

专业知识、分析创作

智能提效

智能代理

远程代理、智能决策辅助

ASR 音转文字 TTS文转语音 NMT 文本翻译 ST语音翻译 OCR 图文提取 VLM 视觉理解

底层 能力

语音交互 语音处理 图文解析 知识检索

智能 服务

流程协同

产品优势

04

AI应用创新未来展望

Trends

28

AI应用创新趋势：深度融入场景

融入具体应用场景的数据闭环和Agent成为商业化落地的核心要素

随着通用模型逐步同质化，企业需求也从“试用AI”转向“让AI产出结果”，竞争重点不再只是模型接入本身，而是围绕具体业务场 景构建专属数据闭环，并推动Agent与业务系统、工作流及组织流程深度集成。AI应用创新随之由通用能力竞争转向深度场景融合， 场景化数据的持续沉淀、反馈优化与跨系统协同能力，正成为决定应用效果和商业化落地的关键变量。对AI应用创新及商业化而言， 更深入嵌入业务链条，才更能形成产品差异化，提升客户粘性，并在效果稳定性、安全可控性与落地ROI等方面建立优势。

驱动因素

趋势表现

对AI应用创新的影响

通用模型逐步同质 化，竞争重心转向 场景壁垒

企业需求从“试用 AI”转向“让AI产 出结果”

Agent 与系统集成能 力成熟，加速融入 业务链条

场景专属的数据闭环成为重要壁垒

围绕具体场景形成“使用-反馈-优化-再使用” 的数据闭环，直接影响AI应用效果，数据闭环 本身就是壁垒

案例：Morgan Stanley将GPT-4接入财富管理

场景后，内部助手从可回答约7,000个问题，扩 展到可处理100,000份文档语料中的问题；其顾 问团队使用率超过98% ，文档可访问率从20%

提升到80%

AI Agent加速融入数字化业务系统

AI Agent的价值实现在于能调系统、能接数据、 能推动动作，在具体场景下，Agent 开始融入

并重构了工作流

案例：Morgan Stanley的Debrief工具可将会议

记录自动生成客户笔记，并直接写入CRM ，再生

成跟进草稿，由顾问审核后发送

商业化竞争重心转

向“场景解法”

谁能更深地嵌入业务 场景，谁就更容易形 成产品差异化和客户 粘性

嵌入流程的数据闭 环成为重要壁垒

真正有价值的不只是 模型能力，而是场景

专属数据的持续积累，

以及与业务系统、工 作流的深度融合

客户更加关注商业 化落地能力

场景越深，客户越关 注效果稳定性、安全

可控性和落地ROI

来源：公开资料，艾瑞咨询整理绘制。

AI应用创新趋势：A2A 协同新生态

Agent 时代的协同演进：从单点人机交互迈向多智能体互联网络

随着大模型能力升级以及AI向企业业务流程的持续嵌入，AI应用正跃升为具备自主执行能力的“数字劳动力”。微软《2025 Work Trend Index》、Anthropic相关研究显示，越来越多企业管理者已将Agent 纳入组织AI战略。产业协同正从人机对话，迈向高度协作 的A2H （Agent-to-Human ）与A2A （Agent-to-Agent）复杂生态。当大量Agent成为业务执行节点，如何实现智能体间的安全互联、 跨系统数据流转与权限调度成为关键，亟需构筑Agent统一通信网络。依托A2H/A2A 通信底座，深耕垂直场景敏捷开发轻量化Agent ，

并构建跨智能体协作工作流，将成为独立创业者与生态伙伴抢占AI应用创新的核心破局路径。

驱动因素 趋势表现 对AI应用创新的影响

|把Agent 做成可交 付结果的数字劳动

力

既能连接企业数据、 权限和系统，又能让 人类保留目标设定、 审核判断与异常处理

|

|---|

|中长期来看，会重

塑组织分工和软件 形态

|

|独立创业者在轻量

化应用创新层面拥 有更大机会

算力硬件生态长期被 大厂主导，独立创业 者的机会在于面向应 用场景做轻量化应用 创新

|

大模型能 力升级

AI融入业 务流程

来源：公开资料，艾瑞咨询整理分析。

AI应用创新趋势：端侧智能

端侧算力+轻量化模型推动端侧智能与本地Agent落地

随着智能手机、PC 、汽车、穿戴设备和工业终端逐步具备本地推理与Agent运行能力，端侧智能正成为AI应用创新的重要趋势。其核 心驱动力不仅来自端侧算力成熟和终端入口扩展，也来自端侧模型向轻量化、量化压缩和多模态方向快速演进。Apple、Google 等 厂商已相继推出适配手机和PC 的端侧模型，使摘要、改写、视觉理解、语音交互、本地Agent 等任务具备在端侧完成的条件。对AI应 用创新而言，这一趋势将强化产品对低时延、高隐私、弱网可用和本地数据处理能力的要求，推动端云协同成为重要部署方式。

驱动因素 趋势表现 对AI应用创新的影响

端侧技 术栈日 益成熟

终端入 口多元

化

行业垂 直化深

度落地

据公开数据，2026 年全球GenAI 手机出货量预计由2025 年的3.7 亿台增至5亿台，AI PC由0.78亿台增至1.43亿台；AI PC市场占 比显著提升，表明AI能力正加快向终端硬件渗透。

NPU 、端侧算力、 轻量模型和压缩推 理持续共同成熟

全球GenAI 手机出货量 和增长率（亿台）

全球AI PC出货量 及占比（亿台）

65.2% 35.1%

终端入口从手机扩 展到PC、汽车、穿

5

31.0% 55.0%

戴、工业终端，本

-100.0%

3.7

1.43

地Agent开始具备 系统级入口价值

-100.0%

0.78

0

-600.0%

0

-600.0%

2025 2026e

2025 2026e

端侧模型正加速向“可用、可部署、可产品化”演进，为本地 Agent 落地提供了模型基础

深场景更需要本地 处理、专有数据和

稳定体验

• • Apple Intelligence采用约30亿参数的端侧语言模型处理多数日常任务

• • Google 2025年推出Gemma 3n 端侧多模态模型，5B 、8B 参数模型的实际 内存占用可接近2B 、4B 级别，进一步降低本地多模态交互门槛

|强调场景适配、 系统集成、终 端可控的能力

|

|---|

|深度应用场景 业务机会增加， 医疗、工业、 政企、车载、 个人效率等场 景，预计会更

依赖本地数据

和实时响应|

来源：IDC、Gartner，其他公开资料，艾瑞咨询整理绘制。

AI应用创新趋势：多模态

语音、视频、文本的多模态输入输出与实时交互持续演进

AI应用的多模态、实时交互能力的重要性日益凸显，这既得益于模型能力由单一文本处理向语音、图像、视频、屏幕与环境信息综合 理解扩展，也受交互方式由“发指令、等结果”逐步转向更自然的实时理解与反馈转变的影响。根据HLE 榜单，2024 年11月至2025 年6月期间，GPT 与Gemini 在HLE 成绩序列中的指标由2.7% 提升至21.6% ，说明模型综合理解与复杂任务处理能力持续增强。对AI应 用创新而言，多模态数据壁垒的重要性进一步上升，同时，面向具体场景的高质量实时交互能力，也成为产品关键竞争要素。

驱动因素 趋势表现 对AI应用创新的影响

根据HLE 榜单，2024 年11月至2025 年6月间，GPT 与Gemini 在HLE 表 现持续上升，成绩序列指标由2.7% 提升至21.6% 。

|数据壁垒重要 性上升，高质 量语音、视频、 场景数据将决

定体验差异|

|---|

|面向场景的高 质量实时交互 重要性越来越 显得重要

|

|模型能力从单一 的文本，转向语 音、图像、视频、 屏幕、环境信息 的协同处理

|

|---|

|多模态已从“支 持多种输入”升 级到“实时理解 与实时输出”， 交互方式更加的 自然

|

模型 多模 态能 力

|2.7%

8.0%

18.2%

20.3%

21.6%

0%

5%

10%

15%

20%

25%

2024.11 2024.12 2025.3 2025.4 2025.6

GPT 和Gemini 的HLE* 成绩序列变化

GPT-4o

o1

Gemini 2.5 pro o3 Experimental

Gemini 2.5 pro Preview

|

|---|

、

实时 交互

能力

注：HLE ，Humanity ’s Last Exam，是目前评估大语言模型（LLM ）能力最权威的基准测试之一，专门用来考验AI的深层推理能力而非记忆力。 来源：HLE 官方榜单、公开资料，艾瑞咨询整理绘制。

AI应用创新的风险与挑战

AI应用结果不稳定、合规复杂、全球化适配成本高等

同时，AI应用创新也面临结果稳定性依旧有待提升、安全合规要求复杂、全球化适配成本高等多重挑战。在结果稳定性方面，在AI错 误回复承担业务责任情况下，输出错误、幻觉、误判及不可解释性变得不可接受；在合规要求落实方面，企业客户对权限管理、审 计追踪、人工复核和日志留痕的要求持续提升，安全可控正逐步成为AI方案的基础配置；在全球化适配方面，全球监管体系已进入加 速完善阶段，AI应用商业化落地在跨区域扩张中需同步应对本地法规、模型适配、界面偏好及运营体系建设带来的额外成本。

AI应用触及业务职责

AI错误可能变成合规、交易、品牌和责任 问题，目前幻觉、误判、不可解释性仍是 应用落地核心障碍

McKinsey相关研究《The state of AI in 2025》显示，企业正在治理的AI风险项的 平均数量从2022年的2项升至2025年的4 项。2025年有51% 的AI使用企业表示已遭 遇至少一次负面后果，其中接近1/3与AI

结果不准确有关

客户日益注重安全可控

全球监管进入落地时期

尤其是企业客户，权限、审计、人工复核、 日志追踪逐渐成为AI应用方案的标配

全球化难点不只在翻译，还在UI偏好、模 型适配、本地法规和运营体系

Cisco 2026 Data Privacy Benchmark Study显示过去一年在隐私项目上投入超 过500万美元的企业占比，从2024年14% 升至2026年的38% ；95% 认为隐私是建 立AI客户信任的关键，“安全可控”已开

始变成预算项

Stanford《AIIndex 2025》研究显示， 2024年美国联邦机构推出59项AI相关监 管措施，较2023年翻倍以上；全球75个 国家关于AI的立法提及量较2023年增长 21.3%，较2016年增长约9倍

来源：公开信息，艾瑞咨询搜集整理。

BUSINESS

COOPERATION

业务合作

联系我们

400 -026 -2099 ask@iresearch.com.cn

www.idigital.com.cn

www.iresearch.com.cn

官网

微信公众号

新浪微博 企业微信

LEGAL STATEMENT 版权声明

法律声明

本报告为艾瑞数智旗下品牌艾瑞咨询制作，其版权归属艾瑞咨询，没有经过艾瑞咨询的书面许可，任

何组织和个人不得以任何形式复制、传播或输出中华人民共和国境外。任何未经授权使用本报告的相 关商业行为都将违反《中华人民共和国著作权法》和其他法律法规以及有关国际公约的规定。

免责条款

本报告中行业数据及相关市场预测主要为公司研究员采用桌面研究、行业访谈、市场调查及其他研究 方法，部分文字和数据采集于公开信息，并且结合艾瑞监测产品数据，通过艾瑞统计预测模型估算获 得；企业数据主要为访谈获得，艾瑞咨询对该等信息的准确性、完整性或可靠性作尽最大努力的追求， 但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。

本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限

制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的， 为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考 资料，本公司对该报告的数据和观点不承担法律责任。

THANKS

艾 瑞 咨 询 为 商 业 决 策 赋 能