Agent行业核心观点 - 2025年成为Agent技术加速发展的关键年份，从大模型性能迭代转向自我调度的智能体范式[1] - Agent被视为继大模型后全球科技圈最快形成共识的风口，但多数产品陷入"用老需求套新技术"的困境[2] - 行业面临的核心矛盾是底层设施缺位，包括可控运行环境、记忆系统等基础模块的不足[2] - Coding领域被视作实现AGI的关键试炼场，可能占据大模型产业90%的阶段性价值[24][47] 技术路径与产品演进 - "模型即Agent"成为通用Agent最佳实践，如GPT-4o整合LLM、上下文等组件实现端到端训练[14] - 垂直领域Agent分化为ToB前台/后台两类：后台侧重SOP自动化（如AI for Science多智能体系统），前台聚焦人机交互（如医疗电话回访Agent）[15][16] - 从Copilot到Agent的渐进路径：Cursor通过代码补全（90%准确率）、重构功能分阶段过渡至异步后台Agent[22][23] - 多模态技术、自主学习和记忆系统构成未来技术突破三大方向[64] 商业模式创新 - 定价模式从成本导向转向价值导向，出现按动作/工作流/结果/Agent本身等五级计价体系[37][42] - ToB领域出现自下而上的渗透模式，如Cursor绕过CIO直接获取开发者认可[35] - 智能合约可能成为Agent经济新基础设施，实现任务完成后的自动价值分配[42] 行业竞争格局 - 巨头技术路线分化：Anthropic专注Coding Agent，OpenAI布局ChatGPT+多模态+o系列模型，Google整合TPU+Android全栈能力[54][55] - 创业公司机会存在于垂直领域（如HappyRobot物流Agent）和Infra层（虚拟机/浏览器环境）[16][56] - Agent Infra四大组件：环境（E2B等虚拟机服务）、上下文（MemGPT等记忆工具）、工具平台、安全系统[56][62] 用户交互范式 - "Human on/in the loop"形成协作光谱：高重复性任务趋向自动化，关键决策保留人工干预[44] - 上下文感知成为体验核心，需整合代码库、通讯记录等多维数据提升任务完成率[48][51] - AI Native产品需构建双向服务机制，同时满足人类和AI的需求[31] 市场供需现状 - 供给端能力过剩（Cursor将编码效率提升10-100倍），需求端尚未突破"落地页开发"等初级场景[47] - 杀手级应用缺失类比推荐引擎早期，等待类似"信息流"的产品形态突破[47] - 应用大爆发潜力存在于降低开发门槛后激发的长尾需求，可能催生新创意平台[48]