《2026年中国AI Agent行业发展研究报告》

从模型能力到任务执行，从单点应用到智能协同

2026.09

• • 36Kr-2026年中国AI Agent行业发展研究报告
• • AI Agent进入生产力验证与商业化放量的早期阶段
• • 中国AI Agent市场已从概念验证迈向生产力验证，企业 通用Agent率先进入商业化落地阶段，行业垂直Agent加 速从试点走向规模化，个人消费Agent快速探索，端侧 与具身Agent则处于生态布局和早期验证阶段。据CIDC 数据，2025年中国企业级AI Agent市场规模已达212亿 元，预计2029年将达到3,320亿元，产业整体仍处于早 期，但商业化扩张速度明显加快。
• • Agent产业价值由模型能力向任务执行与结果交付迁移
• • 基础模型能力持续提升、推理成本下降，大模型正从相 对稀缺的智能资源逐步转变为可调用、可组合的通用能 力，产业竞争重点也由参数规模和模型性能逐步转向任 务完成能力、业务适配能力和单位任务成本。Agent真 正创造的价值，不再是提供更好的回答，而是持续调用 工具、连接系统并最终完成任务、交付结果。
• • 企业级Agent正在从应用构建工具升级为智能基础设施
• • 随着Agent进入真实业务环境，企业需求已由快速搭建 一个Agent转向对开发、评测、部署、运行、监控和持 续优化的全生命周期管理，Agent平台正在由单纯的应 用开发工具升级为企业级智能基础设施。同时，Agent 与Workflow开始形成协同架构，连接、可观测、权限和 安全治理逐渐成为规模化落地的关键能力。
• • Agent将由单体应用走向持续进化与网络化协作
• • 随着长期记忆、反馈学习等能力成熟，Agent将从一次 性完成任务走向持续学习与自主优化，并将进一步通过 Agent间的能力调用与协作形成网络化生态。

报告摘要 案例分析公司

汇智智能 专注AI智能体应用落地， 构建“服务+引擎+算力” 全栈产品体系

特赞科技 企业级Agentic AI创新

者，打造专属智能体与

模型能力底座 字节跳动

以豆包工作为核心，将 Agent从单点工具推向 企业级生产力体系

月之暗面 以模型原生能力推动 Agent自主性与协作能 力持续增强

相关研究报告

36Kr-2026年中国智能硬 件行业发展研究报告 （2026.07）

36Kr-2026年具身智能产 业发展研究报告 （2026.01）

36Kr-2025年中国大模型 行业发展研究报告 （2025.11）

1

目 录

01 中国AIAgent行业发展概况

定义与研究范畴 发展驱动力 发展现状

02 中国AIAgent产业生态分析

产业图谱 上游发展新动向 中游发展新动向 下游发展新动向

03 典型案例分析

汇智智能案例分析

特赞科技案例分析 字节跳动案例分析 月之暗面案例分析

04 未来趋势展望

技术趋势 产品趋势 生态趋势 治理与合规趋势

01 中国AI Agent行业发展概况

定义与研究范畴

发展驱动力

发展现状

AI Agent以自主决策与任务闭环为核心，实现 AI从响应信息向自主执行跃迁

• • AI Agent是以大语言模型为核心决策大脑，集成环境感知、长期记忆、规划 推理、工具调用与执行反馈的全链路能力，能够在无持续人工干预的前提下， 自主理解复杂目标、逐层拆解任务、动态调整执行策略并完成多步骤工作闭 环的智能系统。相较于传统AI产品，AI Agent具备自主决策性、任务闭环性、 动态适配性、工具原生性等四大核心特点。与传统对话式AI（Chatbot）相 比，AI Agent与其本质区别在于核心目标的不同。传统对话式AI以对话交互 与信息响应为核心目标，而AI Agent以任务执行与结果交付为核心目标。此 外，二者在核心逻辑、能力边界、执行模式与价值产出等维度也存在差异。
• • 本报告聚焦具备自主规划推理、工具调用与任务闭环能力的智能体产品及相 关产业生态。传统规则驱动型聊天机器人、固定流程RPA工具、单轮问答式 语音助手等不具备自主决策与任务规划能力的非智能体类AI产品，不在本次 研究覆盖范畴之内。

对比维度 传统对话式AI（Chatbot） AI Agent

核心目标

核心逻辑

能力边界

执行模式

价值产出

输出形态

满足用户信息查询与对话交互需求，以精准响应 对话为核心

遵循“提问-回答”的单次交互逻辑，聚焦输入 与输出的语义匹配

能力受限于大模型内置训练知识，仅具备文本生 成与信息问答能力，无法调用外部系统与工具

被动响应模式，依赖用户持续输入指令驱动交互 进程，无自主推进能力

价值体现为信息获取效率与交互体验提升，属于 辅助类交互工具

以文本答复、信息摘要、问答内容等信息类输出 为主

承接用户复杂任务目标，以自主完成任务、交 付落地结果为核心

遵循“目标理解-任务拆解-规划执行-反馈迭代” 的闭环逻辑，聚焦全链路任务落地

集成感知、记忆、规划推理、工具调用及反思 修正等全链路能力，可对接外部软件、数据接 口与物理设备，能力边界可动态拓展

主动执行模式，接收初始目标后即可自主规划 路径、推进任务，仅在关键决策节点需人工确 认，无需全程人工干预

价值体现为替代人工完成标准化、流程化的复 杂工作，直接释放人力产能，具备生产系统属 性

输出形态多元，包括业务报表、流程办结结果、 系统操作指令、实体动作反馈等可落地的执行 结果

图示：AI Agent与传统对话式AI的核心差异

AI Agent形成应用、开发、终端与具身四大形 态，覆盖从数字服务到物理交互多层应用空间

• 按照产品形态与核心价值定位的差异，AI Agent可划分为应用服务型、开发 使能型、端侧内嵌型与具身实体型四大类。其中应用服务型直接面向终端用 户交付场景价值，可进一步细分为个人消费、企业通用与行业垂直三个方向； 开发使能型面向技术开发者提供智能体构建、编排与部署的全链路工具支撑； 端侧内嵌型嵌入消费电子硬件形成系统级原生智能；具身实体型则依托物理 实体载体，实现对真实物理世界的感知与操作。

应用服务型 Agent

个人消费类 Agent

企业通用类 Agent

行业垂直类 Agent

开发使能型Agent

核心定位 典型应用场景

面向终端个人用户，围绕生 活、学习、娱乐场景交付效 率与体验价值

个人生活助理、学习伴学、 内容创作助手

面向全行业企业，覆盖通用 办公与经营管理场景，实现 降本提效

智能办公助理、数据分析助 手、客户服务智能体

深度适配特定行业业务流程， 解决专业领域复杂任务需求

金融投研智能体、医疗辅助 诊断、法务审查助手

面向开发者与技术团队，提

供Agent构建、编排、部署的

工具与平台支撑

Agent开发框架、低代码编排

平台、工具链与运行支撑

端侧内嵌型Agent

嵌入消费电子终端的系统级 智能体，实现设备原生智能 交互与控制

手机系统智能助手、车载智 能体、智能家居中控Agent

具身实体型Agent

搭载于物理实体载体，作用 于真实物理世界完成实体操 作与服务

工业机器人智能体、服务机 器人、无人配送智能体

图示：AI Agent分类

政策驱动：国家级顶层设计统筹布局，构建创 新激励与规范约束并重的发展环境

• 国家层面持续完善人工智能领域顶层设计与制度供给，从战略定位、技术攻 关、场景落地到合规治理，构建起衔接有序的全链条政策体系，为AI Agent 行业打造了创新激励与规范约束并重的发展环境。“十五五”规划首次将智 能体、具身智能、群体智能列为人工智能核心技术创新的鼓励方向，结合 “人工智能+”行动的全域部署，从国家战略层面确立了AI Agent的产业价 值与落地路径；与此同时，生成式AI监管规则、智能体专项指导文件相继落 地，在守住安全与伦理底线的前提下，为AI Agent产业规模化、规范化落地 提供了清晰的制度指引与政策保障。

时间 发布部门 文件名称 主要内容

2026年5月

国家网信办、国 家发展改革委、 工业和信息化部

《智能体规范应用与创新发展实 施意见》

明确智能体定义、发展原则与治理要求，从技术创 新、场景应用、安全治理、生态培育等方面作出系 统部署，是我国首部针对智能体领域的专项国家级 指导文件

2026年3月

第十四届全国人 民代表大会第四 次会议

2025年10月 中共中央

2025年8月 国务院

2024年7月

工业和信息化部、

中央网络安全和

信息化委员会办 公室等四部门

2023年9月 工业和信息化部

2023年7月

国家互联网信息 办公室、国家发 展和改革委员会 等七部门

《中华人民共和国国民经济和社 会发展第十五个五年规划纲要》

《中共中央关于制定国民经济和 社会发展第十五个五年规划的建 议》

《关于深入实施 “人工智能 +” 行动的意见》（国发〔2025〕 11号）

国家人工智能产业综合标准化体

系建设指南（2024版）（工信 部联科〔2024〕113号）

《人形机器人创新发展指导意见》 （工信部科〔2023〕193号）

明确强化算力、算法、数据高效供给，鼓励多模态、 智能体、具身智能、群体智能等技术创新，深化拓 展“人工智能+”行动，为AI Agent产业中长期发 展划定核心路线图

将人工智能列为数智技术创新核心方向，提出全面 实施“人工智能+”行动，前瞻布局智能体、具身 智能等前沿技术，为“十五五”时期AI Agent产业 发展确立战略总基调

系统性推进人工智能在制造业、服务业、民生保障 等重点领域深度赋能，首次提出智能体普及量化发 展目标，为AI Agent垂直行业渗透与规模化落地提 供顶层政策支撑与场景导向

系统构建覆盖基础共性、关键技术、行业应用、安

全治理的人工智能标准体系，将智能体、大模型应

用等新兴方向纳入标准化布局，为AI Agent技术迭 代与产业规范化落地提供标准支撑

提出突破人形机器人 “大脑、小脑、肢体” 核心技 术体系，推动具身智能技术迭代与产业落地，为实 体型AI Agent的技术研发、生态构建提供明确发展 方向

《生成式人工智能服务管理暂行 办法》

确立生成式人工智能分类分级监管原则，明确安全 评估、算法备案、内容标识等核心合规要求

图示：中国AI Agent相关政策梳理

技术驱动：底座 、核心、协议与生态多维突破， 支撑产业从概念验证走向规模化落地

• • 基础大模型的多模态理解、长上下文处理、复杂逻辑推理能力持续升级，为 AI Agent的目标拆解、路径规划提供了可靠的认知中枢；模型量化、推理加 速、分布式调度等优化技术同步成熟，单位推理成本持续下行，大幅降低了 Agent规模化部署的成本门槛。在此基础上，感知、记忆、规划推理、工具 调用四大核心模块的技术路径持续收敛，分层记忆机制、反思式推理框架、 多工具自动编排能力逐步达到生产级标准，智能体的任务完成率、异常场景 容错能力显著提升，可支撑部分场景下标准化业务流程的全自主闭环运行。
• • 互联互通协议的标准化进程与工程化开发生态的完善，正在打通产业规模化 落地的关键堵点。MCP模型上下文协议与A2A智能体间通信协议等行业共识 性规范快速普及，打破了不同厂商、不同架构智能体之间的信息壁垒与协作 瓶颈，实现智能体间的任务分发、信息共享与能力互补，为多智能体协同系 统的规模化落地筑牢技术基础，推动智能体从单点能力输出向网络化协同体 系升级。此外，Agent开发框架、调试测试工具、全链路监控运维体系持续 迭代，开发流程从零散的手工原型搭建转向标准化工程化交付，低代码/无 代码搭建平台降低了垂直行业定制化开发门槛，全生命周期运维工具提升了 智能体上线后的可管理性与迭代效率，有效支撑产业供给能力快速扩容。

大模型底座性价比大幅提升

大模型多模态与推理能力持续升级，推 理成本大幅下降，为AI Agent规模化 落地提供高性价比的认知底座

互联互通协议加速标准化

MCP、A2A等行业共识协议加速普及， 统一智能体交互标准，为多智能体协同 规模化筑牢技术基础

01

02

03 04

Agent核心技术体系逐步成熟

感知、记忆、规划、工具调用四大核心 技术走向成熟，智能体任务完成率显著 提升，满足部分企业级生产应用要求

开发生态工程化能力补齐

Agent开发框架与运维工具链持续完善， 工程化交付能力显著提升，大幅缩短产 品落地周期

图示：AI Agent主要技术驱动力

需求驱动：B端降本刚需与C端体验升级共振， 打开市场增长空间

• • 在企业数字化转型持续深化背景下，B端是AI Agent核心需求来源，据中国 信通院调研，当前产业落地整体处于早期渗透阶段，多数企业对AI Agent应 用为试验与局部赋能，部分AI战略优先的集团型企业已率先部署数十个智能 体开展场景验证。尽管整体应用成熟度偏低，但企业降本增效的刚需性持续 凸显，随着技术成熟度与合规体系逐步完善，未来转向规模化部署后，可依 托智能体替代人工完成数据处理、客户服务、运营运维、合规审核等标准化 多步骤工作，降低人力投入的同时提升业务响应速度与流程稳定性。相较于 传统数字化工具，AI Agent具备更强的非结构化场景适配能力与自主决策能 力，能够打通跨系统业务链路，成为企业数字化转型向纵深推进的核心抓手。
• • 与此同时，C端消费市场成为AI Agent行业增长的新动力。QuestMobile数 据显示，2026年上半年国内AI原生应用月活跃用户规模已达4.99亿，同比增 长85.4%，用户对AI的使用已从基础信息查询向事务处理场景快速渗透。随 着数字生活场景的不断丰富，个人用户对效率提升的需求已从传统的信息检 索转向事务化、代办式服务升级，在日程管理、信息整合、生活服务、学习 辅助等场景中，对能够自主完成多步骤任务的智能体需求持续释放。消费级 AI Agent凭借个性化适配与全链路执行能力，能够精准匹配个人用户的差异 化需求，实现从交互工具到专属助理的体验升级，打开增量市场空间。

B端：降本增效

C端：体验升级

• • 流程自动化替代：覆盖客服、财 务报销、单证处理等标准化场景， 减少人力投入，提高业务效率
• • 专业场景提效：渗透研发设计、 能源勘探、代码开发等垂直领域， 大幅缩短产出周期
• • 数据决策赋能：自动处理非结构 化业务数据，实时风险预警、动 态经营分析，支撑企业敏捷决策

• • 生活事务一站式代办：整合物流、 出行、本地生活等服务，一句话 即可完成跨应用多步骤任务
• • 办公学习深度辅助：自主完成文 档整理、数据处理、课业辅导等 任务，直接交付可落地成果
• • 端侧原生智能交互：手机、车载 等终端实现系统级协同，依托多 智能体协作完成复杂需求，打造 专属化、沉浸式的随身助理体验

核心需求 增长新动力

图示：AI Agent主要需求方向

AI Agent进入生产力验证早期阶段，不同形态 分层演进，商业化由企业场景率先突破

• • 中国AI Agent市场已经跨过概念验证阶段，正在进入生产力验证和商业化放 量的早期阶段。从产品演进看，最近一年的一个关键变化是Agent开始从应 用内插件走向工作环境中的操作层，这意味着，Agent正在获得真实执行权， 能浏览网页、调用企业系统、操作电脑、生成并交付文件、持续运行长任务， 并通过Skills/MCP/Connector/Multi-Agent等方式扩大能力边界。汇智智 能、特赞科技、腾讯云ADP、阿里云AgentRun/QwenWork、Kimi Agent、 字节豆包工作等最新产品都体现了这一转变。
• • 整体来看，中国AI Agent市场呈现明显的梯度化发展特征。企业通用Agent 已率先进入商业化落地阶段，行业垂直Agent加速由试点走向规模化，个人 消费Agent仍处于快速探索期；开发使能型Agent正加速演变为底层基础设 施，端侧Agent进入生态布局期，具身实体型Agent则处于早期技术验证与 场景导入阶段。从市场规模看，狭义可计量的企业级Agent产品市场仍处于 百亿级早期。根据CIDC数据，2025年中国企业级AI Agent市场规模为212 亿元，预计2029年将达到3,320亿元。但广义入口、终端、AI应用和基础设 施已经进入数亿用户、千亿级潜在产业链的阶段。

CAGR=107.6%

3,320

1,760

896

449

86 212

2024 2025 2026e 2027e 2028e 2029e

图示：中国企业级AI Agent市场规模（单位：亿元） 参考资料：CIDC，36氪研究院整理

AI Agent市场参与者多元，行业竞争呈现差异 化分层格局

• • 当前中国AI Agent市场已形成多元参与格局，主要玩家可归纳为四大主阵营： 综合科技/云平台厂商、大模型原生厂商、SaaS与企业软件厂商、AI专业厂 商与Agent创业公司；同时，终端硬件厂商和开源开发者生态正在成为加速 进入的新型力量。不同玩家依托自身资源禀赋，形成差异化竞争，市场整体 呈现出大厂平台卡位、软件厂商承接场景、专业厂商垂直突围、终端厂商争 夺入口、开源生态扩大供给的市场竞争格局。
• • 其中，综合科技/云平台厂商凭借算力、模型、云服务及企业客户资源，具 备从底层能力到应用平台的全栈整合优势，正在通过平台化布局争夺产业生 态主导权；大模型原生厂商则依托模型能力和AI原生产品创新，在个人 Agent、开发者工具及复杂任务执行等方向快速迭代。SaaS与企业软件厂商 拥有成熟业务系统、企业客户和行业流程，更易将Agent嵌入既有生产体系； AI专业厂商与Agent创业公司通过聚焦垂直场景、深耕行业Know-how和灵 活交付，在细分市场寻找差异化空间。

玩家类型 代表性玩家 核心优势 主要切入方向

综合科技/云平台厂商

阿里、腾讯、百度、华为、 字节

算力、模型、云、生态和企 业客户资源

Agent平台、企业应用、端 侧及生态

大模型原生厂商

月之暗面、智谱、MiniMax、 DeepSeek等

模型能力、AI产品研发能力、 快速迭代

原生Agent、个人助手、开 发者生态

SaaS/企业软件厂商 用友、金蝶、钉钉、飞书等

AI专业厂商/Agent创业公司

明略科技、第四范式、科大

讯飞及各类创业公司

企业客户、业务系统、行业 Know-how、数据

行业技术积累、场景理解、

交付能力和产品灵活性

终端/硬件厂商

荣耀、华为、小米、OPPO、 vivo及汽车厂商

操作系统、设备入口、硬件 生态和用户规模

企业通用Agent、业务Agent

行业垂直Agent、企业定制

化Agent

端侧Agent、Agentic OS、 车载Agent

开源及开发者生态玩家

Dify、扣子、开源Agent框架 及社区

开放生态、开发者规模、低 门槛和快速创新

Agent开发平台、工具链、 Skills/MCP生态

图示：AI Agent主要市场参与者

02 中国AI Agent产业生态分析

产业图谱

上游发展新动向

中游发展新动向 下游发展新动向

AI Agent产业图谱

上 游 基 础 层

中 游 工 具 与 平 台 层

下 游 应 用 层

算力基础设施 大模型 数据与工具服务

| |

|---|

| |

|---|

| |

|---|

Agent开发框架与工具链 低代码/无代码Agent平台 中间件与系统集成服务

| |

|---|

| |

|---|

| |

|---|

通信协议层

通用场景 垂直场景 端侧智能体与具身智能

| |

|---|

| |

|---|

| |

|---|

注：AI Agent产业图谱由36氪研究院梳理，只列出部分企业为代表，未覆盖全产业

AI Agent产业链由基础层、平台层和应用层构 成，分别支撑能力供给、智能体构建与场景落地

• • 上游为基础层，是整个AI Agent行业的能力底座与技术源头。该层级主要涵 盖算力基础设施、大模型底座、数据与工具服务三大板块。其中，算力基础 设施是智能体运行的物理载体，包含智算中心、算力服务两类核心供给形态， 为大模型训练调优与智能体高并发推理提供稳定高效的算力支撑；大模型是 AI Agent的核心决策中枢，其多模态理解、长上下文推理、工具编排等核心 能力直接决定智能体的任务处理边界与执行精度；数据与工具服务则为智能 体提供外部能力延伸，涵盖实时数据接口、第三方工具集、领域知识底座等 资源，支撑智能体突破内置知识局限，适配多元复杂业务场景。
• • 中游为工具与平台层，是连接上游基础能力与下游场景应用的关键传导枢纽， 核心价值在于实现AI Agent能力的标准化封装与工程化交付，降低智能体的 开发、集成与运维门槛。该层级覆盖Agent开发框架与工具链、低代码/无代 码Agent平台、中间件与系统集成服务、通信协议层。其中，Agent开发框 架与工具链面向专业开发者提供从构建、调试、部署到迭代的全链路技术支 撑；低代码/无代码Agent平台通过可视化编排、模块化组件能力降低开发门 槛，满足各行业快速定制化部署需求；中间件与系统集成服务负责打通智能 体与企业现有业务系统的链路，包含系统连接器、安全与运维中间件等细分 品类，解决跨系统数据互通、权限管控、运行监控等落地痛点；通信协议层 则定义智能体间的交互规则与接口标准，为多智能体跨架构协同提供统一的 技术基础。
• • 下游为应用层，是AI Agent产业的价值变现终端，直接面向终端用户交付场 景化业务价值，已形成多元化梯度落地格局。按照应用形态与落地场景划分， 主要包含通用场景、垂直行业、端侧智能体与具身智能三大方向。当前下游 应用整体呈现B端先行渗透、C端逐步起量、端侧与具身前瞻布局的发展特征， 各场景梯度化推进为产业持续增长提供充足动力。

模型能力加速商品化，竞争重心由参数性能转 向性价比与任务完成能力

• • 随着大模型基础能力持续提升以及模型推理成本不断下降，AI大模型正在从 早期相对稀缺的智能资源逐步转变为可被调用、组合和替换的基础能力。过 去，Agent产品的核心竞争力建立在模型参数规模、基准测试成绩和单轮问 答能力之上；而随着模型能力差距逐渐收窄，模型本身的差异化空间有所压 缩，企业在模型选型时开始更加关注单位任务成本、长任务稳定性、工具调 用能力、上下文处理能力以及对复杂业务流程的适配程度。由此，模型竞争 正由“谁的模型更强”逐步转向“谁能以更低成本稳定完成更多真实任务”。
• • 这一变化正在重塑上游产业的商业逻辑。一方面，模型API价格下降有助于 降低Agent大规模部署的成本门槛，使过去因推理成本过高而难以商业化的 长链路任务具备更强的经济性；另一方面，模型价格下降也意味着单纯依靠 模型调用获得高毛利的空间受到压缩，模型厂商需要进一步向推理基础设施、 行业模型、工具调用和企业服务延伸，以提升模型之外的价值捕获能力。换 言之，模型正在从产品本身向智能能力组件转变，Agent产业链的价值重心 也开始从模型参数向任务完成结果迁移。

模型能力普惠化 竞争焦点迁移

从稀缺资源到基础能力底座 从模型能力比拼到任务价值创造

• 随着模型性能提升与推理成本下降，大模型 逐渐成为Agent可调用的通用智能基础设施， 同能力等级内，模型本身的稀缺性持续降低

• Agent竞争重点由模型参数和性能指标，转 向基于模型完成复杂任务的能力，包括业务 适配、执行效率和结果产出

模型能力逐步标准化，规模化应用成本

产业价值从拥有更强模型转向解决更复

持续下降

杂问题

图示：大模型价值重心转移

Agent推理需求持续增长，算力竞争由训练规 模转向单位任务效率

• • 与传统生成式AI以模型训练和单轮内容生成作为主要算力消耗不同，Agent 需要持续进行任务规划、工具调用、环境交互、结果验证和迭代纠错，其一 次任务往往对应多轮甚至数十轮模型推理。因此，随着Agent由演示型应用 进入生产环境，产业对算力的需求正在从集中式训练算力进一步向高频、持 续、复杂的推理算力延伸。Agent能否在真实业务环境中长期运行，很大程 度上取决于每项任务的推理成本、响应时延以及资源调度效率。
• • 这一趋势正在推动算力基础设施的优化重点发生变化。模型量化、推理加速、 KV Cache、推理框架、算力调度、模型路由以及端云协同等技术方向的重 要性持续提升，其共同目标不再只是提高峰值算力，而是降低Agent完成一 项完整业务任务所需的综合计算成本。对企业而言，未来衡量算力效率的指 标也将逐步从每秒处理多少Token，转向完成一次有效任务需要多少计算资 源，这意味着Agent算力竞争正在由峰值能力走向单位任务经济性竞争。
• • 与此同时，端侧AI的发展进一步扩大了推理基础设施的边界。随着手机、PC、 汽车和可穿戴设备逐步具备更强的本地推理能力，部分轻量化Agent任务正 在由云端向端侧迁移，形成“端侧快速响应+云端复杂推理”的协同模式。 2026年国内已有多款手机端侧生成式人工智能服务完成备案，相关政策也持 续推动端侧模型、端云协同以及跨设备任务执行能力的发展。

类别 代表载体 核心价值

个人计算终端 AI手机、AI PC等 高频交互与个人效率提升

移动空间终端 汽车、无人机等 环境感知与自主决策

泛智能穿戴终端 AI眼镜、AI耳机、AI手表等 全天候感知入口

家庭与实体终端 智能家居设备、机器人等 物理世界任务执行

图示：端侧智能载体加速演进，多元硬件成为Agent入口

AI基础设施由模型底座向智能执行底座延伸， 工具协议与数据成关键价值

• • Agent与传统Chat的最大不同，在于其最终目标不是生成一段文本，而是围 绕用户目标持续调用外部工具、访问业务数据并在现实环境中执行任务。因 此，单一模型已无法构成完整的Agent能力底座，围绕模型形成的上下文管 理、记忆、工具调用、知识检索、Sandbox、权限控制、运行反馈等能力， 以及Harness构建的可信执行环境，正逐渐成为新的基础设施层。AI基础设 施正在从给模型提供算力和数据，演变为让模型能够安全、持续地行动。
• • 数据的价值也正在发生结构性变化。传统大模型的数据价值主要体现在训练 阶段，企业关注的是高质量语料和行业知识；而Agent时代，真实业务运行 过程中产生的任务轨迹、工具调用记录、失败模式、用户反馈和执行结果开 始成为新的高价值数据资产。这些数据能够反向用于Agent评测、Prompt 和Skill优化、流程重构以及模型选择，从而形成“任务执行—数据沉淀—能 力优化—再次执行”的闭环。AI基础设施因此不再只是一个静态的模型服务 平台，而逐渐具备动态学习和持续优化的属性。
• • 工具和协议正在成为连接模型与现实业务世界的关键基础设施。MCP等协议 的快速普及，主要是在解决模型如何理解并调用外部能力的问题。在企业环 境中，ERP、CRM、数据库、知识库、内部API等原本彼此割裂的软件和数 据资源，可以被重新封装为Agent能够理解和调用的工具。

训练数据：Agent基础知识

高质量语料、行业知识和业务数据决定Agent的

基础认知能力，主要用于模型训练、知识增强与 任务理解 运行数据：Agent进化资产

任务轨迹、工具调用、执行结果、失败模式和用 户反馈沉淀为动态数据，并持续用于评测、优化 和策略调整，推动Agent能力不断迭代

图示：Agent时代的数据价值

Agent平台正从应用构建工具，升级为支撑企 业规模化开发与持续运营的智能基础设施

• • 随着Agent逐步进入企业真实业务场景，企业关注的核心已不再只是能否快 速构建Agent，而是Agent能否稳定接入业务流程、持续完成复杂任务，并 在实际运行环境中保持可控的效果、成本和运行效率。因此，企业级Agent 正在从相对独立的功能型应用，向能够与企业数据、业务系统和工具深度连 接的生产级应用演进，对稳定性、可观测性、任务成功率、响应效率和安全 控制等提出更高要求。
• • 在这一过程中，Agent的开发模式也正在发生变化。企业不再只是围绕单个 Agent进行定制开发，而是需要对模型、工具、知识、技能、工作流等能力 进行模块化和标准化，使不同业务场景能够快速组合和复用已有能力。同时， Agent开发与运行之间的边界正在逐步打通，测试评估、版本管理、部署发 布、执行追踪、运行监控和持续优化成为Agent开发与运营体系中的重要环 节。平台的价值由提升单次开发效率，进一步延伸至提升Agent从开发、验 证到上线和迭代的整体效率。当企业级Agent进入更多业务环节，规模化关 键也不再只是开发更多Agent，而是建立可复制、可持续的Agent开发与运 营机制。Agent平台正在从单纯的应用构建工具，逐步向覆盖开发、评测、 部署、运行与治理的企业级智能基础设施延伸。

2

企业级智能基础设施

• • 统一生产：统一管理模型、工具、知识、技能等基础 能力，支持不同业务团队协同开发与复用
• • 规模运营：覆盖测试、部署、监控、版本管理等环节， 实现Agent的批量部署与持续运营
• • 持续优化：基于运行轨迹和效果评估持续迭代Agent， 提升任务成功率、运行效率与业务适配能力

1

应用构建工具

图示：Agent平台价值定位演进

Agent与Workflow加速融合，自主决策与确 定性流程形成协同架构

• • 随着Agent逐渐进入企业核心业务流程，市场对端到端全自主Agent的期待 开始趋于理性。在企业实际业务中，既存在大量开放式、非结构化任务，也 存在大量规则明确、流程稳定、风险可控的任务。单纯依靠Agent自主决策， 可能带来不必要的不确定性；而完全依靠传统Workflow，又无法处理复杂 的自然语言理解和动态决策需求。因此，Agent和Workflow并不一定是简 单的替代关系，而是可以形成互补。在新的架构中，Agent更适合承担意图 理解、复杂规划、动态决策和异常处理，Workflow则负责确定性强、规则 明确、需要严格控制的业务步骤。例如，在企业客服场景中，Agent可以负 责理解客户诉求、判断问题类型并决定下一步操作，而退款、订单修改、工 单创建等关键环节则由预设工作流完成，从而兼顾灵活性与可控性。当前企 业级Agent平台已经开始支持Agent与Workflow之间的双向调用，将二者 组合为更加稳定的Agentic Workflow架构。
• • 这一趋势意味着，Agent平台的核心竞争力并不是单纯让Agent更自主，而 是能够在自主性与确定性之间找到合理边界。对于企业而言，真正可规模化 的智能化改造并非让所有业务完全交由Agent决策，而是按照业务风险、任 务复杂度和自动化价值，对Agent自主决策与工作流规则控制进行合理分工。 由此，Workflow编排能力、工具调用能力、权限系统和业务系统连接能力 将成为Agent平台的重要壁垒。

Agent

负责处理开放式、不确定性较高的 任务，重点承担意图理解、动态规 划和复杂决策，能够根据实时信息 灵活调整执行路径

Workflow

负责处理规则明确、流程稳定的确 定性任务，通过预设步骤和条件控 制执行过程，保障关键业务环节的 稳定性与可控性

图示：Agent与Workflow协同架构

连接、可观测与安全治理成为刚需，中间件价 值持续向运行层迁移

• Agent真正进入企业生产环境后，主要技术难题往往不再是模型本身，而是 如何连接企业已有的IT系统以及如何保证整个执行过程可追踪、可控制和可 溯源。企业内部ERP、CRM、OA、数据库和行业软件数量庞大，历史上这 些系统往往通过API彼此连接，但传统API接口并没有被设计成面向Agent的 语义化能力。MCP、Connector等新型连接机制的出现，本质上是在将原本 分散的软件能力重新封装成Agent能够识别和调用的工具。因此，中游价值 链正在出现一个新的重要层级，即Agent连接与运行中间层。一方面，这一 层负责将数据库、业务系统和外部工具进行标准化封装，使Agent能够以统 一方式调用；另一方面，还需要对工具调用过程进行身份认证、权限管理、 流量控制和安全审计。例如，腾讯云已经推出面向Agent的安全网关，提供 MCP资产管理、安全防护、传统API转MCP Server以及Token消耗控制等能 力，反映出Agent连接层正在从开发便利性工具向企业级基础设施演进。

能力连接 身份与权限 运行调度 全程可观测 安全治理

系统接入：将原有ERP、

CRM、OA、数据库等 企业系统接入Agent运 行环境，打通原有数字

化资产

身份识别：具体明确 “哪个Agent代表谁执 行任务”，建立Agent、 用户与组织之间的身份

映射

任务路由：根据任务类 型、工具能力和运行状 态等情况，将请求分配 至合适的模型、Agent

或工具

过程追踪：记录Agent 的任务路径、工具调用、 模型交互和关键操作， 形成完整执行链路，做

到有据可查

风险拦截：对敏感数据 访问、高风险工具调用 等行为进行实时识别和 阻断，完成对风险的筛

查与拦截

工具封装：将复杂API

和业务功能等都封装为 Agent可理解、可调用 的标准化工具能力

动态授权：根据任务类 型和风险等级配置调用 权限，实现最小化授权 与按需开放

资源控制：对调用频率、

Token消耗和并发资源 进行统一管理，控制运 行成本

效果评估：持续监测任 务成功率、响应效率和 异常情况，为Agent优 化和故障定位提供依据

审计追溯：保留关键操 作、权限变更和执行结 果记录，实现问题定位 与责任追踪

|构建Agent安全、稳定、可控运行的企业级基础能力|

|---|

图示：Agent连接与运行中间层的五大核心能力

Agent应用由单点功能向任务链延伸，业务自 动化深度持续提升

• • 当前，AI Agent在产业端的应用正在从单一职能、局部任务向连续业务环节 逐步拓展，但整体仍处于由场景验证向规模化复制过渡的阶段。应用扩展并 不是简单的Agent数量增加，而是体现为单个Agent承担任务范围扩大、在 业务流程中的参与环节增多。以交通运输领域为例，交通运输部公布首批 102项综合交通运输大模型智能体创新应用典型案例，其应用实践已经覆盖 智能调度、设备运维、交通运行分析、巡检等多个方向。
• • 从企业实践看，Agent应用深化主要表现为将原本分散的多个任务进行连续 化处理，并减少不同环节之间的人工衔接。例如，联想披露的iChain供应链 智能体已覆盖预测、决策和协同等多个环节，实现全链路多智能体协同，其 供应链决策时长缩短50%-60%。这一类实践体现的并非单一功能效率提升， 而是Agent开始进入由多个相互关联任务构成的业务链条。不过，企业公开 披露的成效数据主要属于典型案例，不能直接代表行业平均水平，更适合作 为观察产业应用深化方向的佐证。从整体来看，Agent的业务自动化仍呈现 较强的场景选择性。企业通常优先将其应用于业务频次较高、数字化基础较 好、流程相对清晰且收益容易衡量的环节，在验证效果后再逐步扩展；对于 涉及复杂决策、高风险操作和强责任约束的环节，仍保留较多人工参与。

单任务替代

• Agent首先切入高频、标准化的单一任务， 通过替代人工操作提升局部环节效率

多任务串联

• Agent开始承担连续任务，将信息获取、分

析、执行和结果交付等多个环节串联起来，

减少人工衔接

跨系统协同

• Agent进一步连接不同业务系统和工具，跨

越单一应用完成数据调用与任务操作，推动

业务流程贯通

Agent智能体驱动全流程自动化

• Agent从单一环节参与逐步延伸至完整业务

链路，在人工监督关键节点的前提下，自主

完成规划、执行与反馈

图示：Agent应用深化的四种主要模式

行业Agent竞争重心正在转向行业Know-how 与场景理解力

• • 随着通用模型能力加速商品化，下游行业Agent的差异化来源正在发生变化。 对于企业客户而言，决定Agent能否持续创造价值的关键，越来越不是底层 模型本身，而是其对具体业务流程、行业规则和企业经营逻辑的理解程度。 同样的模型能力应用于不同企业，其实际效果可能存在显著差异，原因在于 企业数据结构、业务流程、权限体系以及操作规则高度异质。因此，行业 Agent的产品竞争正在由通用能力竞争，逐步转向对行业Know-how、业务 数据和真实场景的深度适配能力竞争。
• • 在这一背景下，能够长期沉淀业务知识、积累真实运行数据，并深入嵌入客 户核心工作流的厂商，更容易形成持续迭代能力和较高的客户迁移成本。尤 其对于制造、金融、医疗、能源等专业性较强的行业，Agent需要适配复杂 的业务规则、组织权限和既有系统，单纯提供一个通用AI能力往往难以形成 稳定优势。部分行业厂商因此开始依托既有软件、行业数据和客户资源，将 Agent能力直接嵌入原有业务系统，使其从独立工具逐渐转变为业务流程中 的组成部分。例如，国家能源集团依托海量数据资产打造千亿级发电行业大 模型“擎源”，已在安全环保、电力交易、产调中枢、设备检修四大业务领 域成功应用，覆盖13个场景，部署41个智能体，深入电力生产经营全流程。

|沉淀行业术语、专业知识、经验规 则和最佳实践，使Agent具备理解 行业问题和专业语境的基础能力

深入企业实际业务流程，理解不同 岗位、环节和任务之间的关系，使 Agent能够真正参与业务执行而非 停留在辅助问答

通过长期真实场景运行沉淀异常处 理、策略调整和任务执行经验，使 Agent不断提升对复杂环境和特殊 情况的适应能力

结合行业数据、企业历史数据和真 实运行数据持续训练与优化，使 Agent形成更贴近实际业务的决策 和执行能力

行业知识

数据资产 场景经验

业务流程|

|---|

图示：行业Agent核心know-how构成

单Agent向多Agent协同演进，多Agent协同 仍处早期，企业以复杂场景的局部采用为主

• • 当前，多Agent协同已经出现实际应用，但整体渗透率仍明显低于单Agent 应用，主要集中在需要多个专业能力配合的复杂场景，尚未形成普遍性的企 业应用模式。KPMG在2026年第二季度的调研显示，53%受访企业正在部署 AI Agent，但跨工作流编排多个Agent的企业仅占18%，说明多Agent已经 从概念验证进入部分企业实践，但距离大规模普及仍然有较大距离。现阶段， 企业更倾向于根据具体业务需求来决定是否采用多Agent架构，而非普遍建 立复杂的Agent集群，其应用成熟度主要取决于任务复杂程度、系统适配和 实际投入产出。
• • 从实际应用来看，多Agent并非天然优于单Agent。当任务边界较清晰、流 程相对简单时，单Agent往往已经能够满足需求；只有当任务涉及多个专业 领域、不同工具或多个业务环节时，多Agent架构才可能更具应用价值。同 时，Agent数量增加也会带来任务分工、通信协调、上下文共享和结果一致 性等新的工程问题，因此企业目前更倾向于在特定复杂场景中验证多Agent 价值，而非进行大规模架构升级。这意味着，多Agent短期内更可能以局部 采用的方式逐步渗透，而不是迅速成为企业Agent应用的主流形态。

1

专业分工

能力互补：不同Agent分

别承担研究、分析、决策、

执行等专业任务，发挥各 自优势

角色协同：通过主Agent 进行任务拆解和调度，将 复杂目标分配给不同专业 Agent协同完成

2 任务复杂

多步骤任务：任务通常包 含多个相互关联的环节， 单一Agent难以同时处理 全部工作

跨领域任务：涉及不同专 业知识、工具或业务能力 时，多Agent更容易实现 能力组合

3 协同模式

串行协作：不同Agent按 照任务流程依次执行，前 一环节结果作为下一环节 输入

并行协作：多个Agent同 时处理不同子任务，再由 主Agent汇总分析，提高 复杂任务处理效率

4

工程挑战

通信与上下文：Agent之 间需要共享关键信息并保 持上下文一致，避免重复 调用和信息丢失

成本与可靠性：Agent数

量增加会带来更高的模型 调用成本、协调复杂度和 结果不确定性

5 价值边界

复杂任务增益：当任务专 业性强、环节多、协同需 求高时，多Agent能够发 挥明显价值

架构选择：并非Agent越 多越好，而是企业应根据 任务复杂度、业务风险和 投入产出选择单Agent或 多Agent架构

图示：多Agent协同的典型应用逻辑

03 典型案例分析

汇智智能案例分析

特赞科技案例分析

字节跳动案例分析 月之暗面案例分析

汇智智能：专注AI智能体应用落地，构建“服 务+引擎+算力”全栈产品体系

• • 江苏汇智智能数字科技有限公司成立于2023年，总部位于南京软件谷，是国 家高新技术企业、中国AI智能体TOP30企业。公司聚焦AI智能体应用及产业 落地，已形成“服务+引擎+算力”全栈产品体系，核心产品包括Hellome 应用智能体服务平台、汇智智能体（Hzhermes）及Agentsyun词元工场大 模型聚合调度平台，覆盖从AI能力供给、智能体开发到应用交付的完整链路。 目前，公司已服务政企、文旅、电商、制造、金融、教育等50+行业的超 10,000家企事业单位，并触达千万级C端用户。
• • Hellome是汇智智能核心产品，定位于应用智能体服务平台，覆盖内容创作、 办公协同、数据分析、信息监测等多个场景。中国市场的现实是，大部分普 通用户并不知道该如何构建和应用智能体，广大中小客户既缺AI人才、也难 以承担自行开发的高成本，标准软件的自助交付模式难以让AI真正落地。对 此，Hellome让FDE（前沿部署工程师）扎根行业一线，将真实项目中打磨 成熟的智能体封装后上架平台，把行业经验直接转化为可用的智能体应用； 中小客户无需投入时间学习培训，在平台上就能低成本找到符合自身行业场 景的智能体，先把AI用起来；当产生个性化、差异化的需求时，平台上有大 批AI FDE在线提供服务，点对点响应定制需求，并由平台提供保障和技术支 撑——智能体的开发者就是服务者，产品与服务一体化交付。平台以此首创 符合中国特色的FDE生态，连接企业AI需求与AI应用专家，为企业提供从需 求诊断、方案设计到部署和持续迭代的智能体服务，形成"用户使用智能体、 开发者创造智能体"的双边生态。
• • 围绕Hellome，公司进一步构建了完整产品矩阵：Hzhermes负责任务拆解、 流程调度和跨软件自动化执行，使AI从"会回答"走向"能执行"；Agentsyun 词元工场聚合200+大模型，通过智能路由实现模型调度与成本优化，为上 层智能体提供算力底座。

汇智智能：以“FDE经验封装+FDE生态+全链 路产品矩阵”构建AI应用落地差异化竞争力

• • 汇智智能并未将竞争重点放在大模型单点能力，而是聚焦AI从技术走向实际 应用过程中的核心痛点：普通用户缺乏智能体构建与应用能力，中小客户难 以承担高昂的开发及培训成本，行业AI人才不足，交付成本高。公司通过产 品、技术与生态协同，打造AI应用落地的“连接器”，核心优势如下：
• • 一是行业经验封装的应用供给模式创新。Hellome的核心价值是智能体的供 给来源：FDE工程师将在行业实践中积累、打磨成熟的智能体封装上架，中 小客户无需投入大量时间学习和培训，即可低成本获取适配自身行业场景的 智能体；针对个性化需求，则由FDE提供定制化服务。这种“经验封装—低 成本上手—按需定制”的服务模式，使AI应用供给由标准化软件交付向“产 品+服务”一体化模式转变，构成Hellome区别于对话式AI产品的本质差异。 Hzhermes进一步突破单纯对话能力，可跨软件执行复杂任务，实现从意图 理解、任务执行到结果交付的闭环，推动AI由单一工具向数字员工形态演进。
• • 二是首创符合中国特色的FDE生态，形成差异化AI应用供给体系。平台汇聚 AI FDE，依托Hellome提供的行业模板、工具链和算力底座，将行业实践经 验封装为面向具体场景的智能体应用，同时为企业提供需求诊断、方案设计、 部署及持续运营服务，并针对差异化需求提供定制支持。平台为生态参与者 提供技术支撑和服务保障，使中小客户能够低成本高效匹配所需智能体。通 过连接企业需求与AI专家服务，公司推动智能体供给与企业应用场景同步扩 张，形成“专家入驻—智能体丰富—需求增长—专家受益”的生态循环。
• • 三是全链路产品矩阵与规模化落地优势。形成Carrot AI大模型、Hzhermes 智能体引擎及Agentsyun词元工场组成的技术闭环，通过聚合调度200+大 模型，实现智能路由与极致降本，形成用得好且用得起的综合优势。目前， 公司已覆盖50+行业、服务超10,000家企事业单位，积累了丰富的行业场景 经验和交付方法论，为智能体产品持续迭代和规模化落地提供支撑。

特赞科技：企业级Agentic AI创新者，打造专 属智能体与模型能力底座

• • 特赞科技成立于2015年，总部位于上海，是企业级Agentic AI公司，面向企 业提供智能体系统、模型平台及专业服务，帮助企业实现增长、创新与生产 力提升。公司基于发散推理模型、主观世界模型、Context System及长程 智能体运行机制等核心技术，已形成Tezign Model Hub、Tezign GEA两大 企业产品，以及Atypica、MuseDAM、Clipo、MuseAI等专业产品，并提 供Agentic AI转型、创意内容、内容运营与内容增长等企业服务。特赞已服 务180+企业客户，其中包括60+财富500强企业，业务覆盖50+国家，并支 持100万+专业知识工作者使用，应用于产品创新、用户研究、品牌增长、 内容运营等场景。
• • 特赞的核心企业产品包括Tezign GEA和Tezign Model Hub。Tezign GEA 并非标准化SaaS或单点助手型Agent，而是通过前置部署团队结合企业目标、 业务Context、系统及责任边界，为企业构建专属长程智能体应用，使AI围 绕业务目标持续感知、判断、行动并交付结果，重点覆盖洞察研究、产品创 新、内容增长、设计创作与组织发展等场景；Tezign Model Hub则以发散 推理为核心，统一接入、评估和编排30+多模态基础模型，并根据质量、成 本、时延等约束动态选择合适模型，为企业AI应用提供模型能力底座。

图示：特赞科技自研发散推理模型（CRM）与主观世界模型（SWM）

特赞科技：以“专有模型+企业Context+长程 智能体”构建企业AI差异化竞争力

• • 特赞认为企业AI正在从使用模型走向构建专有智能，其核心变化包括从对话 走向行动、从依赖单一模型走向多模型动态编排，以及从通用能力走向企业 专有智能。基于这一判断，特赞并非单纯提供通用AI工具，而是通过自研模 型与Context System，将企业积累的专有知识、业务状态与判断融入智能 体运行过程，使AI能够持续理解企业并围绕业务目标行动。
• • 特赞的核心竞争优势体现在三方面：1）自研模型与技术体系。CRM具备多 路径探索、价值评估与动态收敛能力，能够针对同一商业问题生成多个差异 化方案；SWM通过表达、故事、认知、行为四层数据建模人的真实偏好与 决策，两者结合Context System、400+Agent Skills以及长程智能体运行 机制，形成区别于通用模型的技术体系。2）数据与时间复利优势。特赞已 积累10PB+跨产业多模态企业数据，企业专属知识、业务状态与判断持续进 入推理过程，形成越用越懂的长期壁垒。3）规模化客户与交付能力。公司 已服务180+企业客户、覆盖50+国家，FDE前置部署团队深度进入客户真实 业务流程，具备技术、咨询与服务一体化交付能力。例如，某全球零食糖果 品牌的产品创新周期由3周缩短至3天，可行创新方案增加6倍，充分体现了 Agentic AI在真实企业场景中的落地效果。

通用AI工具 特赞科技

产品形态 标准化SaaS 前置部署+专属长程应用

核心能力 以内容生成、问答等单次任务为主

理解、记忆、洞察、行动，围绕企业业务目标

持续工作

运行方式 用户发起指令后进行单次响应

持续运行、主动感知与执行，跨时间推进复杂 任务

价值交付 主要提供AI能力与内容结果 直接围绕业务目标交付Outcome（业务结果）

模型基础 主要依赖通用大模型能力

企业适配 通用能力，需要企业自行适配业务

SWM+CRM+Context System，叠加长程智 能体运行机制

结合企业专属Context、业务流程与知识进行 定制

图示：特赞科技与通用AI的核心差异

字节跳动：以豆包工作为核心，将Agent从单 点工具推向企业级生产力体系

• • 字节跳动正在将Agent从独立的AI应用进一步嵌入真实工作流程，逐步形成 由模型、Agent开发平台、生产力应用和企业基础设施构成的完整产品体系。 当前，其Agent布局已不再局限于豆包这一单一入口，而是逐步整合豆包工 作、扣子、飞书及火山引擎等产品能力，覆盖个人使用、Agent开发、多 Agent协作和企业部署等多个层级。2026年9月，飞书进一步推出“豆包工 作”企业级Agent能力，并以“让AI从个人用好到企业落地”为重要方向， 强化Agent与组织、业务和企业工作流的结合。
• • 从产品演进看，字节的Agent布局经历了由“搭建Agent”向“直接使用 Agent”，再向“让Agent进入组织”的变化。早期，扣子主要承担Agent 开发和工作流编排平台的角色。随后，字节将能力前置到豆包工作，使用户 无需自行搭建复杂工作流，而是直接提出目标，由Agent自主拆解任务、调 用工具并完成文档、表格、PPT、网页及其他办公任务。

01 02 03 04

用户入口 办公Agent Agent平台 企业级Agent基础设施

|豆包|

|---|

|豆包本身承担大众用户 入口角色，Agent逐渐 从传统的问答、创作和 搜索能力，向“理解目 标—调用工具—交付结 果”的任务型产品迁移|

|---|

|豆包工作任务模式|

|---|

|豆包专业版提供工作模 式，能够针对复杂工作 目标进行任务拆解，并 调用本地电脑、浏览器、 Office套件、定时任务 和Skill等能力完成任务|

|---|

|扣子AI Agent平台|

|---|

|扣子已经升级为新一代 AI Agent平台，提供 Agent开发、工具调用、 技能、工作流、模型接 入和部署能力，并支持 企业创建行业Agent与 专属Agent|

|---|

|火山引擎进一步提供 HiAgent和AgentKit|

|---|

|HiAgent是面向企业的 智能体全生命周期平台； AgentKit：提供Agent 开发、部署、运维、调 优所需的基础设施、工 具、安全组件和监控能 力；以及扣子罗盘|

|---|

图示：字节跳动围绕Agent的产品布局体系

字节跳动：推动协同办公从人际协作向人机协 同的组织生产力基础设施演进

• • 字节将Agent推进企业组织内部，达成飞书与豆包工作的原生融合。传统协 同办公平台主要服务人与人的沟通和协作，而Agent进入企业后，需要同时 获得组织上下文、工具能力、权限和协作关系，因此协同平台本身也需要适 配Agent。2026年9月，字节发布飞书8.0，核心在于进行系统性的Agent原 生化改造，使Agent能够进入群聊、访问文档、操作多维表格、参与会议并 调用企业工作工具。由此，飞书的角色开始从“人与人协作的平台”延伸为 “人与Agent、Agent与Agent共同工作的协作环境”，Agent也获得了真 正进入企业工作流的基础条件。
• • 豆包工作伙伴则进一步将AI从个人助手扩展为团队级智能体。相比员工单独 调用AI，团队智能体拥有独立的组织身份，可以进入群聊、理解既有讨论、 参与会议、读取文档，并接受不同成员的任务。其意义在于，Agent开始成 为团队中的独立工作节点，而不再只是某个员工身边的辅助工具。多个 Agent还可以基于共同的工作上下文协同执行任务，使企业协作逐步从“人 驱动、AI响应”向“人负责目标和判断、Agent持续执行”转变。
• • 从整体演进来看，字节的路径已经较为清晰：扣子解决“如何生产Agent”， 豆包工作解决“Agent如何直接完成工作”，飞书8.0解决“Agent在哪里工 作”，豆包工作伙伴进一步解决“Agent如何进入团队并与人协作”。这一 变化体现的不只是企业AI产品升级，更是协同办公产品定义本身的变化。过 去几十年的协同办公发展，本质上是在不断降低人与人之间的信息沟通和工 作协作成本；而Agent进入组织之后，协同办公需要进一步解决的是人与 Agent、Agent与Agent之间如何在同一环境中共享上下文、调用工具和共 同完成任务。由此，协同办公也由传统的人际协作平台逐步走向人机协同的 组织生产力基础设施，而字节正在探索的正是这一新阶段的产品形态。

月之暗面：以模型原生能力推动Agent自主性 与协作能力持续增强

• • 月之暗面侧重于以模型原生能力推动Agent自主性提升。其Agent产品体系 围绕Kimi展开，已形成General Agent、Deep Research、Agent Swarm、 Kimi Code、Kimi Work和Kimi Claw等多条产品线，并逐步覆盖调研、办 公、编程、桌面操作以及持续运行等复杂任务场景。月之暗面对Kimi的产品 演进也明确将“原生Agent”作为重要方向：K2于2025年发布并奠定通用 Agent能力，K2.5于2026年进一步引入Agent Swarm，K2.6强化长程任务 和多Agent协作，随后K3继续扩展Agent、编程和大规模协作能力。
• • 月之暗面的核心思路是尽可能减少对人工预设工作流的依赖，让模型自身承 担更多任务规划、工具调用、任务分解和执行调度。其中，Agent Swarm 是这一思路最具代表性的产品能力。与需要人工预先设计多个Agent角色和 流程的传统多Agent系统不同，Kimi的Agent Swarm强调由主Agent自主决 定是否拆分任务、如何进行并行处理以及如何协调子Agent。当前系统支持 最多300个子Agent并行执行单次复杂任务，并可进行超过4,000次工具调用。 这一能力使Kimi的Agent从“单个智能体执行复杂任务”进一步向“智能体 自主组织多个智能体共同完成任务”演进。例如面对大规模资料搜集、批量 信息检索、长篇研究报告或复杂编程任务时，系统可以将任务拆解为大量并 行子任务，再由主Agent对结果进行整合。由此，多Agent协作不再只是产 品层面的流程编排，而逐渐成为模型自身的一种智能能力。

图示：Agent Swarm典型应用场景

月之暗面：持续拓展Agent执行边界，走向本 地化、长期化与复杂任务执行

• • 月之暗面正在进一步拓展Agent的执行边界。Kimi Work将Agent从网页聊 天窗口延伸至用户本地电脑，可以读取本地文件、操作浏览器、运行代码并 执行定时任务，同时支持Agent与Agent Swarm两种执行模式；Kimi Claw 则进一步向长期在线的云端Agent演进，使Agent可以持续运行而不要求用 户持续介入。Kimi Code则将类似能力推进至软件开发环境，使Agent从代 码生成工具向能够理解代码库、执行命令、修改代码和完成长程软件工程任 务的Coding Agent演进。
• • 因此，月之暗面的产品路线呈现出比较明显的自主化、规模化和持续化特征： 首先让一个Agent自己完成更多步骤，再让一个Agent调度多个Agent，并 进一步让Agent能够长期在线、进入本地计算环境以及独立完成更长链条的 任务。其核心问题并不是简单扩大Agent的应用覆盖面，而是持续突破单 Agent顺序执行、自主规划能力和复杂任务执行长度的限制。
• • 从两个案例对比来看，字节更侧重“让Agent进入组织、融入工作流”，月 之暗面更侧重“让Agent走向自主协作”，二者代表了不同的发展路线。

对比维度 字节跳动 月之暗面

核心路线 平台化、组织化 自主化、规模化

核心问题 Agent如何进入企业和工作流 Agent如何完成更复杂、更长程的任务

主要抓手 豆包工作、扣子、飞书、火山引擎 Kimi Agent、Swarm、Work、Claw、Code

Agent发展方向 从工具→工作助手→AI员工→AI组织

从单Agent→多Agent→Agent Swarm→持续在 线Agent

竞争重点 场景、组织、数据、权限、基础设施 模型能力、自主规划、工具使用、多Agent协作

所代表趋势 Agent进入真实组织 Agent自主性持续增强

图示：字节跳动和月之暗面Agent布局对比

04 未来趋势展望

技术趋势

产品趋势

生态趋势 治理与合规趋势

• • 4.1 技术趋势

Agent自主性持续增强，自适应与持续学习能 力成为技术演进重点

• • 未来AI Agent技术演进将逐步从“单次完成任务”转向“持续完成任务并不 断提升完成质量”。当前Agent更多依赖预设的提示词、技能、工作流和知 识库执行任务，自主性主要体现在单次任务过程中的规划与决策。随着长期 记忆、环境感知、反馈学习和策略优化等能力不断成熟，Agent将逐步具备 基于历史任务结果调整执行策略、复用有效经验并主动适应环境变化的能力， 自主运行的稳定性和持续性有望进一步提升。
• • 以任务结果为驱动的经验沉淀与策略优化，将推动AI Agent形成更加完整的 “执行—反馈—学习—优化—再执行”闭环。Agent在完成任务后，可对执 行过程、结果质量及失败原因进行评估，并将有效路径、操作经验和环境变 化沉淀为可复用的程序性知识与技能，再反馈至后续任务的规划和执行过程。 随着记忆机制、技能学习、反馈优化和自主评估等技术发展，Agent将逐步 由依赖人工预设的规则与流程配置转向通过真实运行持续优化自身能力。由 此，Agent的能力边界将由模型预训练与初始化配置能力，进一步转向运行 过程中的持续进化能力。Agent之间的差异不仅体现在初始模型的推理能力 和知识水平，还将取决于其能否在真实环境中持续积累经验、识别变化、优 化策略并形成稳定的能力资产。

执行

Agent根据目标自主规划任务流程，调

用工具并完成具体操作，同时产生任务

过程数据与结果数据

反馈

对任务执行效果进行评估，识别成功路 径、失败原因和环境变化，为后续优化 提供依据

AI Agent

优化

基于历史经验调整任务规划、执行策略

和工具调用方式，提升下一轮任务完成

效率与准确性

学习

沉淀任务过程中的经验、记忆、技能和 策略，形成可复用的能力资产

图示：AI Agent“执行—反馈—学习—优化—再执行”闭环

• 4.2 产品趋势

Agent产品将由功能型工具转向目标型产品， 按结果而非功能定义价值

• • 未来Agent产品的重要变化，可能不是简单增加更多功能，而是产品组织方 式发生变化。传统软件通常围绕功能模块设计，用户需要主动选择工具、进 入页面并逐步完成操作；Agent则更适合围绕用户需要达成的目标组织产品 能力，由系统根据任务自行调用相应工具和服务。因此，随着Agent能力成 熟，软件产品的设计逻辑可能逐步从“用户操作功能”转向“系统帮助用户 完成目标”，产品边界也会从单一功能模块向连续任务和复合服务扩展。
• • 这一变化将进一步影响企业软件的价值衡量和商业模式。当软件由用户主动 操作转向Agent代替用户完成任务后，传统的账号数、功能模块数量和使用 时长等指标的重要性可能下降，企业将可能更加关注任务完成数量、处理周 期、成本节约以及业务收入等实际结果。Gartner在2026年的研究中已经提 出，Agentic AI正在推动企业软件从传统的席位授权模式向基于业务活动或 结果的定价方式转变，并认为部分企业软件支出未来将受到Agent跨系统执 行任务的影响。这并不意味着结果导向的商业模式会迅速全面取代传统SaaS， 而更可能表现为两种模式长期并存。标准化程度较高的Agent仍可采用订阅、 调用量等方式收费，而与具体业务成果高度绑定的Agent服务，则可能逐步 引入按任务、按工作量甚至按结果计费。

目标驱动

用户只需明确最终目标，无需主动寻 找功能或设计具体操作路径

自主执行

Agent代理用户完成多步骤操作，持 续调用工具并根据执行结果调整策略

动态编排

Agent根据任务需求，自动组合模型、 工具、数据与外部服务，动态规划执 行路径

结果交付

产品从提供单一功能升级为直接交付 任务成果，以最终结果而非操作过程 体现价值

图示：AI Agent产品范式转变

• 4.3 生态趋势

Agent生态将向能力互联演进，Agent间调用 与协作形成新型网络

• • 未来Agent生态变化不只是Agent数量增加，而是不同Agent之间形成更加 稳定的能力分工和动态调用关系。当Agent能够识别其他Agent所具备的专 业能力，并根据任务需求主动发现、调用和组合外部能力后，原本以单个应 用为中心的生态将逐渐出现网络化特征。届时Agent可能既是应用，也是其 他Agent可以调用的能力节点，由此形成由不同厂商提供专业Agent和服务， 以及向智能体互联网（Internet of Agents）演进的更加开放的协作体系。
• • 这一变化将推动Agent生态的竞争逻辑发生改变。过去互联网和软件生态主 要围绕用户入口和应用分发展开，未来Agent生态除了争夺终端用户，还可 能争夺被其他Agent调用的机会。一个专业Agent即便不直接面对大量终端 用户，只要能够在金融分析、法律审查、工业诊断等特定环节提供高质量能 力，也能通过被其他Agent持续调用形成商业价值。因此，Agent市场可能 逐步出现围绕能力发现、调用、组合和服务质量评价的新型分发机制。随着 专业Agent不断沉淀，单个Agent的价值将越来越取决于其在整体任务链中 的专业能力和调用频次。Agent之间的关系将从简单竞争逐步转向竞争与协 作并存，产业生态也将演变为围绕专业能力组合形成的网络化协作体系。

专业能力

Agent协作

从功能供给到专业能力沉 淀，能力可复用可组合

用户入口

从单点应用到任务网络协

作，多Agent能力互补

从用户触达到能力调用转 变，被其他Agent调用

能力生态

Agent能力丰富度、连接效

率、生态协同与治理能力

图示：Agent生态价值分布演变

• • 4.4 治理与合规趋势

智能体规模化运行催生新型治理体系，身份与 责任边界将更加清晰

• • 随着Agent能够代表个人或企业执行更多实际操作，治理对象将逐渐由传统 的模型输出扩展至智能体行为。与普通生成式AI相比，Agent可能同时拥有 数据访问、工具调用和业务操作权限，因此未来需要解决的不只是内容是否 合规，还包括Agent是谁、代表谁行动、被授予什么权限、实际执行了什么 操作，以及发生异常后责任如何认定等问题。
• • 未来，治理体系将逐渐形成围绕身份、授权、行为和责任的动态管理机制。 Agent可能需要具备独立且可追溯的数字身份，并根据具体任务获得最小必 要权限；在执行过程中，系统需要持续记录关键操作和授权链路，并针对高 风险任务设置人工确认或更严格的审批机制。这意味着Agent治理将从传统 的静态权限控制进一步走向与任务上下文结合的动态授权。
• • 未来几年，随着Agent承担的任务复杂度和权限范围提高，企业治理体系也 需要从上线前安全检查逐步转向覆盖运行全过程的动态治理，包括风险分级、 权限调整、行为监测和事后追责等。与此同时，随着多智能体协同和跨系统 调用更加普遍，治理还需要进一步覆盖Agent之间的身份识别、权限传递和 责任边界，推动形成更加系统化、可追溯的智能体治理体系。

运行中：动态监控与实时干预

事后：过程追踪与责任溯源

Agent执行中，持续监测操作行 为、工具调用和决策过程，及时 发现异常行为并调整或人工介入

完整记录Agent执行链路、关键 决策和操作结果，实现问题定位、 责任认定和持续优化

1

3

2

4

部署前：能力评估与风险识别

交互时：权限管理与安全控制

Agent上线前，评估其任务范围、

根据任务类型、风险等级和使用

数据访问需求和潜在风险，明确

场景动态分配权限，实现最小化

可执行边界，避免能力与权限不 匹配

授权，降低数据泄露和误操作风 险

图示：Agent企业全生命周期治理框架

• 36氪研究院介绍

36氪研究院根据行业发展、资本热度、政策导向等定期输出高质量研究报告，研究

方向覆盖人工智能、5G、区块链、医疗、金融、物流、文娱、消费、汽车、教育等

多个领域，帮助政府、企业、投资机构等快速了解行业动态，把握发展机遇和明确 发展方向。同时，研究院致力于为全国各级政府、企业、VC/PE机构、政府引导基 金、孵化器/产业园区等提供专业定制化咨询服务，服务内容包括行业研究、产业规 划、用户研究、股权投资研究、指数研究、投资配置、基金/企业尽调、战略规划、 园区规划等。

01 传播资源

36氪已成为中国流量与影响力较大的互联网新商业媒体，覆盖全球超1.5亿读者，累计发布 超过50,000篇文章，拥有行业内较显著的流量和传播优势。

02 核心数据

36氪深耕创投市场超9年，深度服务过数千家客户，累积超80万家企业和投资机构资源， 搭建了完善的一级市场数据库。

03 团队优势

研究院现有数十位成员，主要来自国内外知名咨询机构或研究机构，拥有丰富的研究及项 目经验。

04 研究领域

36氪研究院主要关注领域包括人工智能、5G、区块链、医疗、金融、物流、文娱、消费、 汽车、教育等。

05 品牌影响

36氪研究院发布的常规性研究报告，受业内专业人士一致好评。在政府合作层面，研究院已 为国务院、国家发改委、中央网信办、工信部、基金业协会、北京发改委、南京发改委、青 岛高新区政府、湖南湘江新区管委会、成都新经济委、杭州西湖区政府等提供过咨询服务； 在企业/投资机构合作方面，研究院已与大众中国、苏宁易购、携程、优必选、转转、字节跳 动、海尔资本、洪泰基金、首钢基金等建立了深度合作关系。

分析师声明

作者具有专业胜任能力，保证报告所采用的数据均来自合规渠道，分析逻辑基于作者

的职业理解，本报告清晰准确地反映了作者的研究观点，力求独立、客观和公正，结 论不受任何第三方的授意或影响，特此声明。

免责声明

36氪不会因为接收人接受本报告而将其视为客户。本报告仅在相关法律许可的情况下 发放，并仅为提供信息而发放，概不构成任何广告。在任何情况下，本报告中的信息 或所表述的意见均不构成对任何人的投资建议。在法律许可的情况下，36氪及其所属

关联机构可能会持有报告中提到的公司的股权，也可能为这些公司提供或者争取提供

筹资或财务顾问等相关服务。

本报告的信息来源于已公开的资料，36氪对该等信息的准确性、完整性或可靠性不作 任何保证。本报告所载的资料、意见及推测仅反映36氪于发布本报告当日的判断，本 报告所指的公司或投资标的的价格、价值及投资收入可升可跌。过往表现不应作为日 后的表现依据。在不同时期，36氪可发出与本报告所载资料、意见及推测不一致的报 告。36氪不保证本报告所含信息保持在最新状态。同时，36氪对本报告所含信息可在 不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

研究咨询邮箱

research@36kr.com 研究院网站 https://36kr.com/academe.html