上世纪九十年代，一部名为《高智能方程式》的日本动漫在国内颇为流行。根据故事设定， 男主角风见隼人驾驶着其父亲设计的赛车"阿斯拉达"（ASURADA），谱写了一段高智能方 程式史上最年轻冠军的传奇。 在这部动画中，最让笔者印象深刻的是这辆名为"阿斯拉达"的赛车拥有一个同名的高性能电脑，它 能将赛车直接拟人化，与男主角分享汽车的状态、马路的状态，甚至还能在驾驶者碰到困扰的时 候，扮演一个知心好友。 "阿斯拉达"首次亮相 来源：高智能方程式 在当时，如果说想拥有一个"阿斯拉达"，大多数人可能会觉得异想天开。但在三十年后的今天，我 们也许很快能迎来属于自己的"阿斯拉达"。这一切，主要感谢计算芯片和大模型技术的进步。 联发科引领Agentic AI重塑座舱 过去两年，关于大模型进入智能座舱，已经有了很多讨论。在半导体行业观察发布的文章 《 AI 座 舱芯片大变局，联发科上演技术式超车》 中，我们就对此进行了介绍。文章中，我们还深入探讨 了智能手机芯片巨头如何通过提供领先的芯片，让大模型更好地赋能汽车。不过，在智能座舱方 面，过去的大模型上车，更多的是类似ChatGPT或豆包的被动问答式的语音助手。 但在Agentic ...

股价表现 - C3ai股价年内下跌408% 远逊于计算机与技术板块149%和IT服务行业17%的跌幅[3] - 股价较52周高点4508美元折价548% 但较1703美元低点溢价197%[4] - 股价持续位于50日和200日均线下方 显示技术面疲弱[1][3] 财务与估值 - 2025财年第三季度总收入988亿美元 同比增长26% 其中订阅收入占比87%达857亿美元[15] - 软件演示许可收入贡献286亿美元 主要用于微软AWS等合作伙伴展示[15] - 当前市销率571倍 高于行业539倍但低于自身历史均值[16] 业务发展 - 与微软合作已促成28笔新交易 销售周期缩短20% 共同推进超600个商机[9] - 深化与AWS合作 同时新增麦肯锡QuantumBlack战略合作伙伴[10] - 71%季度交易通过合作伙伴完成 客户包括GSK埃克森美孚美国海军等[11][12] 技术进展 - 推出20个生成式AI试点项目 开发新型时间序列嵌入模型提升代理AI能力[13] - 拥有130个可扩展应用 正从模型开发转向结果导向型AI平台[14] - 受益于行业推理成本下降 强化在生成式和代理AI领域领先地位[13][14] 分析师预期 - 2025财年每股亏损预期从62美分收窄至45美分 2026年从55美分调至46美分[7] - 2025和2026财年收入增速预期分别为297%和224%[8]

文章核心观点 Redis与UiPath扩大合作，进一步为客户推进自主自动化解决方案，利用Redis技术提升UiPath Agent Builder性能，为企业开发者带来速度和成本效益 [1][4] 合作背景 - Redis是UiPath技术联盟合作伙伴，为UiPath Automation Suite提升速度和效率，助力UiPath Orchestrator高可用性附加组件，双方已实现超1000次企业级本地部署 [2] 技术优势 - Redis能为AI应用和智能体提供关键内存层支持，实现上下文检索、语义缓存、智能体记忆和状态跟踪，助力UiPath实现无缝智能工作流 [3] 合作方向 - 双方将利用Redis向量数据库、语义缓存和语义路由支持UiPath Agent Builder，使智能体理解用户查询含义，实现更快数据访问和更智能系统响应，还能根据上下文选择最佳大语言模型或提供商 [4] 双方表态 - Redis高管表示自豪能为UiPath解决方案提供支持，期待进一步合作开发创新自主解决方案 [5] - UiPath首席技术官称创新Agent Builder等功能时，很高兴扩大Redis使用，为客户带来更多效益，进一步合作可助力各行业客户最大化利用自动化和自主技术 [6] 公司介绍 - Redis是全球最快数据平台，自2011年开源以来成为缓存解决方案头号品牌，帮助超10000家客户构建、扩展和部署应用，在多地设有办公地点 [7]

Harvey公司概况 - 成立于2022年，2024年客户数量从40家增长至235家，覆盖42个国家，美国前100家律所中有28家使用其服务 [2] - 2024年ARR达5000万美元，预计8个月内将达1亿美元，D轮融资3亿美元，估值30亿美元 [2] - 收入规模与AI搜索公司Perplexity相当，入选福布斯2025 AI 50榜单 [2] - 已实现从文件审查到客户沟通的全流程自动化，可替代初级律师团队 [2] 产品定位与核心竞争力 - 定位为法律行业的AI操作系统，而非GPT套壳，早期核心竞争力是精准的引用能力 [6] - 采用复合人工智能系统，由数百次模型调用组合生成输出，主要依赖OpenAI模型 [16] - 产品设计理念是让AI更像同事而非工具，强调人机协作和引导式交互 [8][9] - 构建垂直场景的Agentic workflow，将复杂法律流程分解为可执行模块 [12] 商业化策略 - 选择先攻克顶级律所再向下渗透行业的策略，通过高度个性化演示建立信任 [26] - 采用席位制销售模式，需平衡功能普适性与专业深度 [12] - 计划从法律领域自然扩展至税务、人力资源等关联领域 [27] - 与普华永道等专业机构合作开发定制系统，利用其领域专业知识 [28] 技术架构与创新 - 注重模块化设计便于模型切换，但评估环节需投入大量资源 [17] - 建立内部法律专家团队和外部评估体系，发布Big Law Bench基准测试 [18] - 采用AI Native用户体验设计，在现有律师工具(如Word、邮件)中集成 [7] - 应用宜家效应理念，让用户参与构建过程以增强信任 [9] 数据安全与隐私 - 实施严格的"禁止训练"政策和"不接触"原则，员工无权查看客户数据 [34] - 仅使用Azure部署的模型，建立严格的外部供应商白名单 [34] - 早期组建专业安全团队，安全负责人为公司第15号员工 [34] 行业认知与挑战 - 法律领域准确性至关重要，将"幻觉"视为必须消除的缺陷而非特性 [22] - 法律工作token价值极高，50页并购协议每个词都价值不菲 [14] - 行业流程知识多未公开，需聘请领域专家梳理定义操作步骤 [33] - 评估工作需中级以上法律专业人士参与，成本占行业收入20-30% [33]

财务数据和关键指标变化 - 第一季度总营收2.63亿美元，同比增长3%，外汇波动对第一季度总营收造成约200万美元的不利影响 [35][36] - 云服务收入增长21%，达到9400万美元；服务收入下降8%，至1.21亿美元，略好于预期 [37] - 第一季度末剩余履约义务（RPO）约为19亿美元，同比增长25%，环比增长6%，平均合同期限保持在5.5 - 6年 [22][38] - 调整后营业利润为9100万美元，调整后营业利润率为34.7%，同比增长超340个基点 [40] - 第一季度调整后每股收益为1.19美元，同比增长16%；GAAP每股收益为0.85美元，同比下降1% [41] - 经营现金流增长37%，达到7500万美元，自由现金流利润率为28%，调整后EBITDA利润率为35% [41] - 递延收入增长12%，达到2.98亿美元，季度末现金为2.06亿美元，无债务，本季度进行了1亿美元的股票回购 [42] - 重申全年RPO目标为21.1 - 21.5亿美元，总营收目标为10.6 - 10.7亿美元，调整后营业利润率中点为33.25% [45][46][47] - 全年调整后每股收益区间提高至4.54 - 4.64美元，GAAP每股收益区间提高至3.06 - 3.16美元 [47][48] - 预计全年云服务收入为4.05 - 4.1亿美元，服务收入为4.94 - 5亿美元，维护收入为1.18 - 1.2亿美元 [49][50] - 预计税率约为21%，摊薄后股份数为6150万股 [51] 各条业务线数据和关键指标变化 - 云服务业务收入增长强劲，第一季度增长21%，推动了公司营收和盈利表现，全年预计云服务收入为4.05 - 4.1亿美元 [21][37][49] - 服务业务收入第一季度下降8%，至1.21亿美元，公司对短期服务收入增长持谨慎态度，全年预计服务收入为4.94 - 5亿美元 [37][50] - 维护业务预计全年收入为1.18 - 1.2亿美元，中点较上年下降14% [50] 各个市场数据和关键指标变化 - 公司终端市场多元化，在零售、杂货、食品分销、生命科学、工业、科技、航空、第三方物流等多个细分领域拥有良好的市场基础 [23] - 第一季度新客户表现强劲，约50%的新云服务预订来自新客户，竞争胜率保持在约70% [24] - 销售管道保持稳固，新潜在客户约占需求的35%，第一季度服务团队为客户完成了超100次上线项目 [25] 公司战略和发展方向和行业竞争 - 公司将继续专注于产品创新和研发，简化产品部署，加速产品在配送中心和门店的采用，以提高客户体验和公司及客户的发展速度 [20] - 加大销售和营销投入，围绕新产品配备销售专家，提高市场竞争力和赢单率 [64] - 公司是供应链商务生态系统中唯一被行业分析师评为领导者的供应商，其统一云产品组合具有卓越的功能，在市场竞争中占据优势 [14] - 推出新产品Enterprise Promise and Fulfill，优化B2B订单承诺和履行，与客户现有ERP系统无缝协作，满足B2B客户对实时库存和订单管理的需求 [26][28] - 与奢侈品百货公司达成重要交易，Manhattan Active Omni将取代其旧有的订单管理、销售点、CRM和聊天机器人系统，在零售商业技术现代化浪潮中具有竞争优势 [29][30] - 多个客户签约使用Manhattan Active Maven智能客服机器人，该机器人可处理40%以上的聊天会话，并能回复电子邮件，减轻客服人员工作量 [31] - 持续开发和部署Manhattan Assist功能，客户可将自有文档添加到知识库，该功能在全渠道商务和供应链执行客户中得到广泛应用 [33] 管理层对经营环境和未来前景的评论 - 宏观环境充满不确定性和变化，关税影响库存成本，公司认为自身能够帮助客户应对当前宏观环境，提供精准的库存管理和供应链解决方案 [16] - 尽管宏观环境带来不确定性，但公司业务基本面坚实，产品对客户至关重要，对长期发展机会感到兴奋，将谨慎管理业务 [52] 其他重要信息 - 公司新CEO Eric Clark自2月中旬以来与团队紧密合作，过渡过程顺利，公司将在Momentum活动上向客户社区正式介绍Eric [10][11] - 公司被谷歌评为2024年供应链和物流领域的云业务应用合作伙伴，凸显了其在谷歌云生态系统中的创新地位和对客户成功的承诺 [18] 总结问答环节所有的提问和回答 问题1: 云服务预订和RPO情况，以及销售管道和全年业务发展预期 - 公司第一季度RPO表现出色，第二季度销售管道依然强劲，对RPO转化为收入的指引有信心，目前未在服务业务中看到挑战迹象，对业务发展持谨慎乐观态度 [59][60] 问题2: 多年云创新周期和投资后，今年有哪些有潜力的增长投资领域 - 公司将继续确保产品处于市场领先地位，同时加大销售和营销投入，围绕新产品配备销售专家，提高赢单率和市场份额 [63][64] 问题3: 第一季度业务线性情况以及第二季度开局情况 - 第一季度业务表现均衡，产品组合、垂直行业和地域分布都较为平衡，第二季度销售管道活动强劲，公司对该季度有较高期望 [68][70] 问题4: 云服务预订的驱动因素（迁移、交叉销售、新客户）在当前环境下的弹性 - 各驱动因素在当前环境下没有明显的强弱之分，新客户预订占比会季度波动，平均来看各驱动因素占比大致相同，公司预计各渠道优先级和弹性不会有明显变化 [78][79][80] 问题5: RPO转化为收入比例下降，20%的云服务订阅增长预期是否仍然适用 - 20%的增长预期仍然适用，RPO转化比例从40%降至38%是由于一些大型全球交易的推出和推广速度较慢，不影响公司最终RPO，只是收入确认时间有所调整 [83][84] 问题6: 客户如何在当前宏观环境下权衡实时可见性、规划和执行等大型转型项目与短期应急项目的投资优先级 - 虽然难以预测，但精确的供应链执行和库存管理将是客户关注的重点，因为消费者对产品交付的期望不会改变，公司能够帮助客户实现高效执行 [89][90][91] 问题7: 如何看待合同执行中的延期情况，以及对可持续20%增长轨迹的信心来源 - 公司对合同执行有清晰的可见性，合同中明确了执行期限和流程，同时公司有措施加速部署和提高客户价值实现时间，内部“银行收入”指标显示现金流状况良好，对增长轨迹有信心 [94][95][97] 问题8: 重申业绩指引的依据和定性洞察 - 公司通过与客户和潜在客户的持续沟通，以及对销售管道的评估，认为可以维持全年RPO、总营收和营业利润率的指引 [101][102] 问题9: 全年营收指引中考虑的外汇影响 - 外汇波动对全年营收指引的影响小于1%，目前是顺风因素，公司会每季度报告实时情况 [104][105] 问题10: 交易管道中大型交易的强度和成交率与去年相比如何 - 交易管道持续增长，大型交易管道与去年相比比例相似，公司对成交率有信心 [111][112] 问题11: 第一季度大型全渠道交易的详细信息，如竞争对手和销售周期 - 销售周期超过一年，是一家奢侈品百货公司的全渠道和销售点项目，这是公司首个此类项目，竞争激烈，公司最终胜出 [114][115] 问题12: 美洲地区业务表现中的外汇收益情况，以及欧洲客户的供应链确定性和投资意愿 - 外汇波动影响小于1%，各地区的投资热情在不同季度会有波动，从全年管道来看，各地区都令人鼓舞 [119][120] 问题13: 公司主动云解决方案相对于本地解决方案的优势，以及是否会促使客户近期向云迁移 - 云解决方案具有灵活性和敏捷性，可实时更新且无停机时间，有助于客户在库存管理中快速响应变化，但近期不太可能促使客户进行云迁移，因为公司项目具有关键任务性质，客户不会因当前环境做出短期决策 [122][123]

行业观点分歧 - OpenAI发布构建AI Agents的实用指南，主张通过LLMs主导Agent设计[2] - LangChain创始人反对严格区分Agent类型，认为理想框架应允许结构化工作流向模型驱动灵活过渡[2] - Anthropic提出"Agentic系统"概念，将Workflows和Agents视为同一系统的不同表现形式[2][12] - 大模型派（Big Model）强调通用型智能体系统，工作流派（Big Workflow）主张模块化工作流构建[2] Agent定义差异 - OpenAI定义Agent为"能代表用户独立完成任务"的宏观系统[10] - Anthropic将Agent明确区分为预设规则的Workflows和动态决策的Agents[12][13] - 实际生产环境中大多数系统采用Workflows和Agents混合模式[16][20] - 建议采用"Agentic程度"的连续光谱概念替代二元分类[21] 技术实现挑战 - 构建可靠Agent的核心难点在于确保LLM每步获取精准上下文[26][27] - 上下文传递问题常源于系统提示不完整、工具描述不当或响应格式错误[28] - 声明式框架可视化清晰但动态性不足，代码优先方案更灵活但控制复杂[6][41] - 多Agent系统需解决通信机制问题，可采用交接或工作流混合模式[45][46] 框架设计维度 - 成熟框架需同时支持Workflows和Agents两种模式[32] - 需平衡可预测性与自主性，不同应用场景需求各异[33] - 理想框架应兼具低门槛（易用性）与高上限（扩展性）[37][40] - LangGraph采用声明式与命令式混合API，支持持久化与流式传输[30][31] 生产环境考量 - Agentic系统通常需牺牲延迟和成本换取任务表现[20][63] - 企业级应用需特殊功能如人工监督、容错机制和长期记忆存储[53][57] - 垂直领域需定制化方案，通用模型难以满足独特业务需求[67] - 框架价值体现在标准化构建方式、调试工具和生产级功能集成[49]

报告行业投资评级 未提及 报告的核心观点 临床研究领域正处于非凡时期，GenAI工具在临床试验中的成功应用使行业格局发生转变，FDA等监管机构也开始为临床研究中应用Responsible - AI提供指导；报告介绍GenAI和agentic AI区别，强调训练数据选择性重要性，并提出保障AI在临床试验中效率和质量的多方面原则，还列举成功应用案例[4][6][10] 根据相关目录分别进行总结 概述 临床研究领域发展非凡，每年业内人士都在探讨如何释放AI潜力以提高临床试验效率和包容性；临床试验生态系统有诸多利用AI技术的机会；近期GenAI工具在临床试验中的成功应用改变行业格局，监管机构开始为Responsible - AI应用提供指导；报告将回顾利用IQVIA Healthcare - grade AI®的案例，分析其成功驱动因素及对效率和质量的提升[4][5][6] How the bar was raised: ensuring safe and efficient use GenAI基于训练数据生成响应和内容，具有事务性；agentic AI能独立处理复杂多步问题和操作；开发AI框架需整体哲学方法，类似育儿，要进行适当训练、建立伦理框架、保证模型完整性和透明度，关键是有人为监督；成功应用AI的首要任务是确保其获得适当的情境化和训练[10][12][13] Selectivity of the training data 人工智能的准确性和可靠性取决于训练输入数据的完整性、相关性和选择性；开源消费级大语言模型数据范围广，但在科学领域可能产生低质量或幻觉响应；科学研究中，部分开源GenAI代理会出现幻觉，需对训练数据进行限制、审查和验证，以确保其在临床试验中安全有效使用[15][16][18] Taking a multi - pronged approach to safeguarding efficiency and quality 开发和应用Generative和agentic AI解决方案时，需考虑5个关键保障类别，包括数据的策划和封装、融入“人在回路”、响应的协调统一、使用的客观性和情境性、识别不确定性和知识差距，这些原则有助于确保效率、质量和最大化安全性[19][20][23] Curating and 'containerizing' data 为确保GenAI的质量和效率，需对训练数据进行策划，限制其范围，使其与无关或推测性信息隔离；用于临床试验的GenAI/agentic AI解决方案必须在预定的数据生态系统、操作流程和人为接触点范围内部署[24][25] Integrating "human - in - the - loop" 人工智能发展引发人类参与度的讨论，但在IQVIA成功开发的应用中，人类参与和AI的健康平衡对优化质量和避免幻觉响应至关重要；以自动驾驶汽车为例，“人在回路”与agentic AI结合可确保在各种场景下生成安全和符合伦理的响应；在临床试验中，“人在回路”可融入复杂多步流程，agentic AI用于行政或自动化任务，人类参与需更高敏感度的步骤，可提高效率和质量[26][27][29] Harmonization of response 要生成一致、高质量的响应，不受问题提问方式影响；自然语言处理需高度敏感以检测上下文、挖掘核心问题并提供准确响应，实现全球统一响应需要专业知识、技术和最佳实践经验[30][31] Objectivity and context of use 在GenAI应用中，客观性要求更严格；GenAI可用于客观化医学图像诊断和准确评估严重不良事件的严重程度，基于标准化分级和既定指南[32][33] Recognizing uncertainty and knowledge gaps 许多GenAI模型产生错误或幻觉响应的原因是缺乏识别不确定性的机制；应用于医学科学的新型GenAI代理必须经过严格训练，避免给出部分答案或猜测性回答[34] Putting principles into practice: use cases of successful utilization 报告回顾IQVIA利用相关原则的成功模型，如科学问答聊天机器人、数据审查和agentic AI监测工具[36] Successful utilization of a scientific chatbot in a Phase III trial 在2024年第四季度的大型III期研究中，科学问答聊天机器人快速准确回答多种科学、特定协议问题，加速协议澄清周转时间，减轻专家、医学监测人员和/或赞助商回答查询的负担；该聊天机器人成功的关键在于保留“人在回路”、从超6000个协议的策划数据集中进行严格训练、具备全面科学词汇、提供统一响应以及识别知识差距[39][40][41] Data review 未提及具体内容 Talking to your analytics: an agentic AI platform for monitoring support 未提及具体内容 Looking ahead: supporting a shared vision to improve patient lives 未提及具体内容 About the author 未提及具体内容

作者：yongxin 编辑：Siqi Agentic AI 的 3 要素是：tool use，memory 和 context，围绕这三个场景会出现 agent-native Infra 的 机会。 01 . 为什么 Search API 很重要 按照场景和信息需求类型，搜索行为大致可以被分为四类： • 第一类，高频快速查询， 指的是一两步内就能完成的查询。Google 大部分的 query 还是以几个单词为 主，用户得到答案后马上离开，不会进行深入的查询。对于这类查询 Google、Bing 还是最好的应用，新 玩家几乎没有挑战的机会。 • 第二类，研究性质的深入查询， 用户可以和搜索工具反复交流，获取知识。这一类搜索是 LLM 和 LRM 带来的新场景，对应的代表性产品形态分别是 Chatbot 和 Deep research。 Agent 所获取到的信息质量是 agent 推理的起点，虽然 LLM 带来了 perplexity 为代表的 AI answer engine，提供了完全不同于传统搜索引擎的体验，但这些产品仍旧面向的是人类用户，产品逻辑是围 绕人类行为设计的。 在我们 MCP 的研究中发现， ...

Prabhav Jain 目前担任 11x 的 CTO 。他曾是 Brex 的 Web3 总经理， Compose Labs 的 Co-founder 兼 CEO ，以及 EagerPanda 的 Co-founder 人兼 CTO 。 11x 致力于开发自主数字工作者，帮助组织优化流程。本文为 Prabhav Jain 和 a16z 的合伙人 Joe Schmidt 在 a16z YouTube 节目上的座谈实录。 Joe Schmidt ： Prabhav ，感谢你的到来。 图片来源： a16z Prabhav Jain ： 谢谢邀请。 Z Highlights Prabhav Jain ： 这个问题很好。现在 Agent 这个词被频繁提及，似乎只要使用 LLM 就是一家 Agent 公司，也就是说，每家公司都可以被归到这一类。 但 对我们来说，真正的 Agent 必须具备规划、推理、反思、思考，并随着时间推移不断优化的能力。 对我而言，这才是真正的 Agency 。而真正让我感兴趣 的问题是那些没有明确答案的问题 —— 甚至连人类都无法给出唯一正确答案的问题。比如，什么样的文章算是好文章？这个标准很难量 ...

AI经济与Tokens化 - Tokens是用于检索或生成信息的新型"货币"，推动AI经济发展，需要大量算力支持[1] - AI推理模型复杂度提升需要更高准确性，组织机构需遵循预训练、后训练和测试时的扩展流程[1] - NVIDIA愿景聚焦构建跨行业"AI工厂"，涵盖企业IT、云计算到机器人技术[1] NVIDIA芯片技术进展 - 发布Blackwell超级AI工厂平台GB300 NVL72，AI性能比GB200 NVL72提升1.5倍[6] - 公布芯片路线图，支持从Hopper系列升级到Rubin/Feynman系列，Rubin Ultra采用四掩模版GPU，FP4精度达100 petaFLOPS，搭载1TB HBM4e存储器[6] - 新款Vera CPU拥有88个Arm核心，性能是Grace CPU两倍，功耗仅50W，更新周期两年[6] - 推出Spectrum-X硅光子学产品，可横向扩展至数百万GPU，节省数兆瓦电力[6] 系统与基础设施 - 发布DGX SuperPOD GB300，配备36个Grace CPU和72个Blackwell GPU，AI性能比Hopper系统高70倍[10] - 采用第五代NVLink技术和大规模共享内存系统，可扩展至数千个GB超级芯片[10] - 推出1 petaFLOPS的个人超级计算机系统GB10，针对桌面优化微调与推理[14] 软件生态系统 - Dynamo开源框架提升AI推理效率，可使GPU的Tokens生成能力提升30倍以上[19] - Halos平台整合自动驾驶安全系统，覆盖从芯片到算法全链条[20] - CUDA-X拥有超100万开发者，成为最受欢迎的AI编程工具包[23] - 发布Isaac GR00T N1人形机器人基础模型，采用双系统架构模拟人类决策与反射[25] 行业应用拓展 - Aerial平台构建端到端AI驱动的6G技术栈，与T-Mobile等合作开发原生AI网络[23] - Omniverse-Cosmos平台支持机器人训练与场景微调，与DeepMind合作开发物理引擎[25] - 软件专业技术是NVIDIA核心优势，推动高性能芯片在HPC、自动驾驶等领域的应用[25]