行业趋势 - 2025年成为Agent元年，AI Agent正经历从"玩具"到"工具"的关键转折[1] - 行业面临开发周期长、商业价值验证难等挑战，大量项目卡在POC阶段[2] 阿里云百炼核心升级 - 推出业内首个"Agent打赏"功能，用户可直接为开发者打赏，金额直达AI钱包并可提现[3][4][5][23][24][26][27] - 正式上线Agent Store，提供覆盖各行各业的100+个可一键复制的Agent模板[7][8][10][18][19] - 升级企业级RAG能力至千万级文档处理水平，支持多模态文件统一索引并开源V-RAG方案[29][30][33][34][35] - 升级MCP服务支持KMS加密，免费提供50个加密Key，实现统一鉴权和计量计费[36][37][38] - 发布OpenAPI MCP Server，支持大模型与2W+OpenAPI互联互通[39] 技术能力突破 - 多模态交互开发套件支持低延迟(1.5秒)全双工对话、复杂任务自主规划推理等能力[45][46] - 提供可视化配置界面，开发者可像拼乐高一样自由组合功能[48][49] - 支持后付费或买断License等灵活计费方式[50] 商业化进展 - 已有超50个企业级MCP上架，22000+用户开通服务，构建3万+MCP Agent[41] - 落地案例包括听力熊学习机(扩展50+交互技能)、浙一麻醉评估助手、牧原智能兽医问诊系统等[42][28]

AI技术演进与设备寄生关系 - AI技术目前主要寄生在PC和手机设备上，依赖键盘输入和屏幕输出[1][2] - 未来将扩展至ARVR、智能汽车、无人机、机器人等设备，这些设备输入输出方式更受限[4] - 语音交互成为非技术用户（如老人、儿童）使用AI的主要方式[5] 信息获取方式变迁 - 过去依赖搜索引擎，网站通过SEO优化提高内容可见性[8] - 当前转向AI大模型，网站通过MCP（大模型友好优化）提升内容调用优先级[10] - 预测大量独立App将被整合进大模型生态，形成流量集中化趋势[11][12] 国内外AI应用路径差异 - 国外企业倾向开放API接入公有云大模型，形成"大模型+行业"模式[15] - 国内企业偏好私有化部署国产大模型（如DeepSeek），形成"行业+大模型"模式[16] 企业管理软件的AI融合 - 企业管理软件在移动互联网时代未受显著影响，未来可能维持现状[6][7] - 企业人员分三层应用AI：决策层用AGI推理、执行层用AIGC生成工具[18][19][20] - AI生成代码成为AGI与AIGC能力交汇点，可动态扩展LLM功能[22] AI原生开发实践 - 通过自然语言描述→提示模板优化→任务分解→自动执行的流程开发Agent应用[24][25][26] - 采用迭代反馈机制调整需求模板，实现代码自动生成与功能修正[27] 技术哲学思考 - AGI（推理）与AIGC（生成）能力同步发展，形成基础层与应用层支撑关系[20][21] - 代码生成具备双重属性：既是生成结果也是逻辑推理的体现[22]

Agentic系统构建 - 从讨论"是否是Agent"转向"Agentic性光谱"的思维转变 更有效减少定义争论[4][5] - 实际应用中更多机会集中在简单线性流程自动化 而非高度自治的复杂系统[6][7] - 企业面临的主要挑战是如何将现有工作流拆解为可自动化的"微任务"并建立评估体系[7] AI开发关键技能 - 掌握LangGraph/RAG/memory/evals等工具的组合应用能力 如同搭建乐高积木[9][11] - 建立系统性评估体系至关重要 可避免在错误路径上浪费数月时间[10] - AI辅助编程显著提升开发效率 但部分企业仍禁止使用[15] - 语音技术栈(voice stack)被严重低估 在降低用户交互门槛方面潜力巨大[15][18] 技术演进趋势 - MCP协议通过统一API标准显著简化数据对接流程 使集成成本从N×M降至N+M[21][22] - Agent间协作仍处早期阶段 跨团队Agent协同目前几乎没有成功案例[23] - 语音交互面临延迟挑战 需采用预响应机制等技巧优化用户体验[19] 初创企业建议 - 执行速度是初创企业成功的第一关键指标[26] - 技术知识深度比商业知识更为稀缺和关键[26] - 编程能力将成为基础技能 能明确表达需求比编码本身更重要[24]

报告核心观点 - 全球AI发展呈现模型端新架构探索、算力端需求上行与硬件设计进入新范式、应用端商业模式变革的趋势，持续看好AI产业投资主线，全球AI应用将进入业绩收获期 [1] 模型：预训练Scaling Law有望开启新起点 - 大模型技术路线从预训练到后训练发展，2018 - 2024年9月为预训练阶段，2024年9月后进入后训练阶段 [13][15] - 腾讯混元Turbo - S通过创新架构实现性能与效率平衡，Google Gemini Diffusion在文本生成上有突破，大厂在预训练参数量和数据量扩大上有尝试，大规模算力集群支持预训练探索，模型架构改进或使预训练Scaling Law开启新起点 [23][24][25] 算力：训练推理两条主线共同推动算力需求持续上行 训练端 - 后训练阶段Scaling Law成大厂共识，新Scaling路径不断涌现，新架构探索有望重启预训练阶段算力需求叙事 [33][34] - 以“星际之门”为代表的大规模算力集群进展顺利，中东版“星际之门”落地，主权AI逐步落地，台积电新产能规划预示算力需求乐观 [38][41][42] 推理端 - Agent需求增长或使推理算力提升几十至上百倍，大量工具调用和信息交互使tokens消耗量大幅提升，产品用户数量增长带动算力需求提升 [43][46][52] 算力硬件新范式 - 大模型对系统综合能力要求提高，NVLink Fusion强化英伟达硬件生态优势，国产算力加速迭代，华为云推出新服务器，高密度机架方案为性能追赶提供路径 [57][58][60] 应用：Agent进展提速，看好AI应用进入业绩收获期 Agent发展情况 - Agent可能是AI应用终极形态，目前雏形初具，但完成复杂长期任务能力有限，“任务长度”是关键衡量指标且提升速度快 [68][73][74] - MCP统一了Agent工具调用生态，促进其快速构建和发展 [79] 海外AI应用 - AI Coding是重要垂类赛道，细分垂类商业化效果好，25Q1业绩大部分超预期，头部2B软件AI产品存量客户渗透率接近10%，全年收入有望加速增长 [82][84][85] 国内AI应用 - 加速从简单环节到复杂环节产品升级，25Q1利润指标率先改善，AI商业化24年初步验证，25年有望加速复制推广，MCP有望加速产业节奏 [88][90][94] 落地节奏展望：商业模式变革有望成为共识，看好细分领域率先放量 商业模式变革 - Agent应用从交付工具转变为交付结果，按效果付费新范式有望成行业共识 [99] 细分场景放量 - 数据复杂度低、幻觉容忍度高的场景率先实现规模化商业落地，2C场景商业化进展领先，2B应用分场景和行业来看，数据复杂度和预算影响落地节奏 [103][104][110] AI + 营销/销售 - 数据丰富、可量化ROI和流程标准化驱动AI快速商业化，企业需求从单一工具向全链路智能中枢升级，市场格局分散，AI有望重塑格局 [113][114][119] 重点公司推荐 - 推荐金山办公、福昕软件、泛微网络等多家公司，均给予“买入”评级 [7]

AI视频生成技术发展 - Veo 3发布引发海外社交媒体病毒式传播，AI生成视频难以辨别真伪，连从业者都需费力分辨[1] - Claude 4模型同期上线，在多项任务上达到SOTA水平，显示AI应用仍处于高速发展阶段[1] - 国内快手可灵使用量领先Veo 3，但AI视频未形成大规模传播，内容被规范在特定试验田[1] 中国AI应用发展路径 - 中国公司转向让大众理解和使用AI，而非追求技术"炸裂"，与移动互联网发展规律相似[2] - 值得买科技2023年提出"AI即未来"战略，2024年展示显著落地成果，聚焦改变用户购物决策链[2] - 行业对AI狂热情绪降温，转向润物细无声的应用创新[3] 电商平台AI战略分化 - 阿里全面向AI转型，拼多多则保持距离，形成行业观察样本[3] - 值得买科技AI布局强调完整性，包括AIUC引擎、GEN2应用、购物Agent和MCP Server[3] - 大厂普遍采取"生态卡位"策略，布局算力、大模型和应用，为未来爆发领域做准备[5] 值得买科技AI战略核心 - 公司以"提升B端和C端连接效率"为北极星指标，AI应用围绕效率提升展开[6] - "火眼"AIUC引擎为核心，通过知识图谱和多模态解析提升商品内容理解能力[7] - 引擎可缩短用户决策流程，优化内容生产，淘汰低质"水帖"，提升站内整体内容质量[8] AI在商业端的应用价值 - AIUC可介入品牌商业决策、营销和内容生产全环节[10] - 借鉴亚马逊策略，关注用户从浏览到下单的用时缩短，匹配效率提升[10] - 值得买4000万月活显示市场对效率提升的强烈需求[10] MCP Server行业价值 - MCP是AI时代的标准化协议，解决大模型、Agent与工具间的交互问题[11] - "海纳"MCP Server开放120亿条内容库和10亿商品链接库，促进行业共建[11] - 该技术将公司内容资产外部化，创造新增长曲线，定位为AI消费决策基础设施[14] 用户导向的发展理念 - "什么值得买GEN2"升级体现对用户需求的响应和承诺[16] - 公司沿袭社区文化，命名"张大妈"Agent，保持与用户的情感连接[16] - 十余年发展历程中，唯一不变的是对用户需求的重视，驱动效率故事持续[16]

智能体技术路径选择 - 公司从RPA技术起步，结合OCR与自然语言处理技术实现初级智能化，2019年提出"数字员工"概念[4] - 2023年ChatGPT爆发后，通过大模型+RPA+视觉技术实现人类形态的工作能力，推出国内首款通用智能体产品[5][7] - 技术路线选择上强调不能完全依赖大模型，需结合外部工具（如RPA、API）解决幻觉和效率问题[7][8][9] - 垂直领域大模型对业务场景的Agent研发具有必要性，公司基于4000家客户数据训练行业专用模型[19][24] 产品转型与架构重构 - 对RPA底层进行两大改造：1) 推出"融合拾取"技术解决通用性问题，拥有15项专利 2) 引入AI-RPA模式提升易用性[11][12][13] - 重构底层通信架构，使任何软件都能被默认识别，效率显著提升[13] - 可靠性系统需满足可控性（结果一致）、稳定性（多次运行无差异）、高效性三大特点[16][17] - 通过外挂知识库、提示词工程、垂直模型微调等手段将大模型幻觉率降至可用阈值[17][20] 商业化与竞争策略 - 收费模式按机器人数量收取年租费，避免价格战，强调差异化价值[32][33][34] - 通过免费社区版转化企业客户，当前已服务超4000家企业[36] - 核心商业价值在于引发生产关系变革，未来企业可能演变为"1人公司+数字员工"模式[30][31] - 护城河在于行业理解深度与技术积累，不直接提供定制化服务而依赖合作伙伴生态[35][39] 行业趋势与产品形态 - 预测2025年为智能体商业化元年，2024年是探索期，企业端应用将大规模爆发[40] - 最终产品形态可能是对话式助手，交互界面简化为单一对话框甚至语音交互[42] - 当前挑战在于快速落地能力，需平衡技术路线选择（大模型/RPA/API组合）与用户需求匹配[41] - 企业员工对AI接受度提升，人机协同被视为现阶段最可靠方案[43][44] 技术实现差异与行业认知 - 通用智能体需解决底层通用性问题，垂直智能体需深耕行业知识与业务逻辑[24] - 大模型本身不是产品，需结合RAG等增强技术解决验收标准问题[28] - MCP技术被过度炒作，实际仅封装问题而非解决本质，过度依赖会导致调试困难[22] - 智能屏幕语义理解属于多模态技术分支，专注于界面元素识别等操作类任务[18]

报告行业投资评级 - 计算机行业评级为增持（维持），计算机应用行业评级为增持（维持）[7] 报告的核心观点 - DeepSeek于5月28日更新R1 - 0528模型，性能提升15% - 26%，接近OpenAI的o3模型，与Google Gemini 2.5 Pro各有高低，且开始支持工具调用，有望在Agent领域探索并打破依赖海外模型现状，推荐标的聚焦Agent和MCP方向[1] 根据相关目录分别进行总结 模型更新情况 - R1 - 0528与旧版R1相比，在数学和代码等领域性能提升15% - 26%，与海外模型相比，各项性能接近o3，与Google Gemini 2.5 Pro各有高低，且幻觉率降低45 - 50% [1][3] - R1 - 0528基座模型是去年12月发布的DeepSeek - V3，与R1旧版本一致，靠后训练Scaling Law提效，投入更多算力提升思维深度与推理能力，用户端模型思考长度变长[2] 模型亮点 - R1 - 0528支持工具调用，在Tau - Bench测评集上与OpenAI o1 - high相当，有望被Agent开发者用于复杂Agent流程编排；蒸馏的Qwen3 - 8B数学性能提高，利好端侧模型进步和部署[4] 推荐标的 - 看好R1 - 0528带来的Agent潜在推动和MCP广泛普及，推荐金山办公、福昕软件、网宿科技、鼎捷数智；其他产业链公司中，MCP工具类有合合信息，Agent客户端类有三六零、卓易信息，2B Agent开发类有汉得信息[5] 重点推荐公司情况 - 金山办公2025年Q1营收13.01亿元（yoy + 6.22%），归母净利4.03亿元（yoy + 9.75%），扣非净利3.90亿元（yoy + 10.72%），得益于产品卡位与AI功能升级，AI商业化有望提速，维持“买入”评级，略下调收入预测，略上调盈利预测[14] - 福昕软件2024年营收7.11亿元（yoy + 16.44%），归母净利2695.83万元（yoy + 129.64%），扣非净利 - 2.02亿元，双转型战略推进使营收符合预期、归母净利优于预期，上调收入预测，维持“买入”评级[15] - 网宿科技25Q1营收12.35亿元（yoy + 10.26%），归母净利1.92亿元（yoy + 38.54%），扣非净利1.50亿元（yoy + 52.60%），营收提速因CDN及边缘计算业务需求放量，净利率提升因公司人效提升、期间费率下降，维持“买入”评级，维持收入预测，上调盈利预测[16] - 鼎捷数智2024年营收23.31亿元（yoy + 4.62%），归母净利1.56亿元（yoy + 3.59%），扣非净利1.38亿元（yoy + 13.18%），业绩低于预期受部分下游客户需求延后影响，看好25年业务提速，维持“买入”评级，下调收入预测，上调盈利预测[17][18]

微软宣布全面拥抱MCP - 微软高调宣布全面拥抱MCP，但MCP领域竞争激烈，已有OpenAI、谷歌、百度、阿里等企业布局 [1] - 部分企业可能借助MCP热度推广产品，真正开放生态并为开发者提供切实服务的企业目前较少 [1] 百度在MCP领域的布局 - 百度在4月开发者大会上明确提出帮助开发者全面拥抱MCP，将MCP比作"AI界的万能插座"，通过标准化接口降低开发门槛 [1] - 百度发布全球首个电商交易MCP，其搜索、地图、文库、网盘等业务全面提供MCP Server供开发者调用 [1] - 百度举措让开发者无需担忧模型能力、成本、开发工具等问题，可更专注应用开发 [1] MCP标准化趋势 - MCP标准化是AI行业发展的必然方向，百度选择这一道路具有前瞻性 [1] - 行业企业需在MCP赛道上找准方向并加速前行 [1] 人工智能工程师培训课程 - 工业和信息化部教育与考试中心推出人工智能（大模型）工程师中级课程，涵盖大模型核心原理、开发技能和应用实践 [5] - 课程内容包括AIGC和LLM基础知识、提示词工程、开发环境构建、LangChain框架等 [5][6] - 课程目标是为工程师提供全面学习机会，使其在行业中发挥更大影响力 [5] 行业专家背景 - 大模型资深技术专家曾任职微软中国，专注于云平台、人工智能等领域，拥有近两万小时培训经验 [10] - AlOps国际讲师是AlOps和SRE领域资深专家，拥有15年以上经验，发起中国首个SRE社区 [12] - 智用人工智能应用研究院CTO曾任微软中国首席创新技术架构师，拥有数据科学、人工智能等领域专业学位 [13]

AI Agent行业动态 - OpenAI以30亿美元收购编程工具Windsurf [1] - 编程工具Cursor母公司Anysphere获9亿美元融资 估值达90亿美元 [1] - 中国通用AI Agent项目Manus获Benchmark领投7500万美元融资 [1] - OpenAI推出具备浏览器能力的Operator和复杂任务处理产品Deep Research [1] 技术演进 - 2025年AI Agent技术实现跃迁 结合强化学习与推理模型能力 [8] - RFT(强化学习微调)技术推动Agent具备自主学习能力 [8] - 大语言模型达到"AlphaGo时刻" 能自主探索解题路径 [15] - 环境理解成为关键 Devin构建包含四个子界面的综合开发环境 [21] 产品分析 - Cursor从编程工具向通用平台转型 积极接入MCP接口 [31][55] - Windsurf内置context engine 环境理解能力突出 [19] - Devin创新性加入笔记系统 支持长期开发过程管理 [21] - Manus依赖Claude Sonnet 3.7模型 面临API稳定性挑战 [33] 创业机会 - 通用Agent领域被大厂占据 创业者机会集中在垂直场景 [23] - 服务型Agent面临被整合风险 如Operator覆盖上百个场景 [22] - 个人化Agent可能成为新方向 类似自媒体网红模式 [24] - 评估机制(Evaluation)成为构建竞争力Agent的关键 [40][43] 技术路线 - RFT相比SFT性能提升25% 但成本高出数倍 [47] - Manus采用SFT技术调优外围执行模块而非核心模型 [48] - MCP协议发展缓慢 行业采纳面临商业化障碍 [72] - 代码层成为数字世界操作的关键中间层 [28] 垂直领域案例 - Vantel为保险经纪人节省80%重复工作时间 [58] - Sweet Spot服务中小企业申请政府资助 用户体验优异 [59] - Gamma革新PPT制作流程 模块化设计获长期用户认可 [61][62] - Replit和Fellou在人机交互设计上表现突出 [49][52] 行业趋势 - 产品开发节奏加快 执行优先于计划 [65] - 环境侧建设滞后 MCP生态渗透需以年计 [68] - 编程Agent可能发展为通用型平台 [31][56] - 用户需求理解仍是待解难题 [69]

文章核心观点 - LLM Inference 和 LLM Serving 是 LLM 技术中两个密切相关但侧重点不同的概念，行业快速发展导致两者功能边界模糊 [1][3] - Model Context Protocol (MCP) 作为标准化协议连接 AI 模型与数据源/工具，同时涉及 LLM Inference 和 Serving 的功能范畴 [11][16] - MCP 未来可能将 LLM Inference 和 Serving 分离为 Backend Service 和 Frontend Service 以独立发展 [17] LLM Inference 和 LLM Serving 概念介绍 - LLM Inference 是计算密集型过程，依赖专用硬件（GPU/TPU），专注于模型执行和运行时状态 [4][5] - LLM Serving 面向用户端，解决模型服务的工程化问题（如扩缩容、多版本路由），典型框架包括 Kserve [7][10] - 两者并非包含关系，LLM Serving 需集成 LLM Inference 能力但功能范畴不同 [8] MCP 的技术定位 - MCP 是标准化协议，类似 USB-C 接口，连接 AI 模型与数据源/工具（如外部知识库、AI-Agent） [11][15] - MCP Server 承担类似 LLM Serving 的角色，但通过优化模型运行时行为也涉及 LLM Inference 领域 [12][16] - 当前架构难以明确归类为 Inference 或 Serving，属于两者的功能复合体 [16] MCP 的未来发展方向 - 需增强鉴权认证、负载均衡等基础设施能力，并明确划分 Inference 与 Serving 的功能边界 [17] - 可能将 LLM Inference 作为 Backend Service 专注模型优化，LLM Serving 作为 Frontend Service 聚焦用户体验 [17]