报告行业投资评级 - 报告未提供明确的行业投资评级 [1][3][103] 报告的核心观点 - 报告核心观点为：智能体（Agent）技术正从简单的检索工具向具备自主规划、执行与反思能力的“Agentic”智能体演进，这代表了AI应用发展的新阶段 [1][7][10] - 报告认为，构建成熟的AI原生应用需要覆盖从开发框架、运行时、评测优化到可观测性、数据采集与治理的完整技术栈 [367][370] - 报告通过阿里资产总裁助手Agent的案例，展示了从传统RAG、目录索引、知识图谱到Agentic工作流的技术演进路径，是解决企业复杂、非结构化数据决策问题的有效实践 [377][430] 根据相关目录分别进行总结 AgentScope智能体框架 - AgentScope是通义实验室推出的开源智能体框架，作为百炼Agent平台的技术底座，提供开发、训练、部署和管理的生产级解决方案 [3][103] - 框架围绕“Agentic”理念构建，提供模型能力集成、多智能体编排、智能上下文管理和工具管理四大核心功能 [7][10][15] - 模型能力集成支持本地部署，涵盖文本、视觉、语音、全模态等多种模型 [14] - 智能上下文管理支持Mem0、ReMe等记忆方案，实现自主存储与检索 [17][18] - 工具管理支持StreamableHTTP、SSE、STDIO等类型，以及有状态/无状态工具和Anthropic Agent Skill [20][22] - 多智能体编排提供MsgHub、pipeline等语法糖，支持动态图编排 [25][26][28] AgentScope-Runtime与部署 - AgentScope-Runtime提供Agent-as-a-Service能力，支持将智能体封装为可独立调用的API服务，实现灵活部署、降低成本和快速迭代 [30] - 支持多种部署方式，包括Docker、K8S ACK、云Serverless（FunctionCompute）及自定义MCP，并提供统一的生命周期管理 [30] - 内置工具沙箱，提供代码执行环境、浏览器控制、文件系统服务和评测沙箱 [30] AgentScope-Studio与智能体观测 - AgentScope-Studio提供智能体观测能力，包括运行时的数据统计、项目管理以及全链路的数据追踪 [34][35][46][69] - 观测数据显示，在统计周期内总调用次数为15,961次，消耗总Token数为161,208,111个，平均延迟为7.75秒 [41][52][64][86] - 支持评测结果的分析可视化，并提供可以快速开发的智能体模板 [37][49][59][71][82][91] AgentScope-智能体优化 - AgentScope通过Trinity-RFT提供面向Agentic应用的强化学习训练能力，支持智能体应用的快速迭代和优化 [99] - 全面支持SFT、GRPO、GSPO、PPO等前沿强化学习算法 [100] - 具备智能样本筛选机制，能根据训练目标自动优选高价值训练样本，提升收敛效率 [100] - 实现动态数据-奖励协同管理，通过实时联动训练与奖励信号，形成反馈闭环驱动的训练优化 [100] 开箱即用的智能体应用 - AgentScope提供多种开箱即用的智能体，包括通用型智能体Alias、交易智能体EvoTraders、深度调研、金融分析、问答智能体、Data-Juicer Agent、语音智能体、浏览器使用智能体、数据科学智能体等 [4][104][124] - Alias是基于AgentScope构建的通用智能体应用平台，能够通过自然语言交互成为用户的数字化助手，理解需求、记住偏好、执行复杂任务 [113] - Alias内置五种智能操作模式，包括通用对话、浏览器自动化控制、深度研究分析、金融数据分析、数据科学处理等专业场景 [117] - EvoTraders是金融投资模拟分析智能体，支持实时股市行情介入、回测与实盘双模式，并配备可视化面板 [124][126] - Data-Juicer Agent基于Multi-Agent协作架构，用户通过自然语言交互即可完成工业级数据处理全流程 [124][128] - Voice Agent结合实时语音交互与ReAct范式，覆盖TTS、语音和实时语音API三种服务场景 [124][130] - QA Agent基于Multi-Agent多智能体协作与Agentic RAG检索增强技术，能够动态规划、自主决策并提供精准回答 [124][130] Apache RocketMQ for AI - Apache RocketMQ面向AI应用提供了异步解决方案，以应对AI场景下异步架构的新挑战 [135][136] - AI应用具有行为模式主动、业务时长不可预测、交互次数多、运行成本高等特点，传统消息队列模型易导致消息堆积和队头阻塞 [146][150] - 消息中间件需向支持差异化任务通道、数据恢复（结果复用）和大消息体传输等方向演进 [154] - LiteTopic是面向AI场景的轻量级事件载体，支持自动创建与清理、百万级队列、差异化订阅和独占订阅，解决了传统Group消费模型的瓶颈 [157][164][167] - 基于LiteTopic可实现用户级的物理隔离和精细化流控，避免慢任务阻塞整体系统，提升资源利用公平性 [178][185] - 基于LiteTopic可构建全异步AI会话网关，简化架构，支持会话粘性和断连恢复，无需复杂的广播和缓存同步 [198][201][204] HiMarket AI开放平台 - HiMarket定位为企业私有化AI开放平台，旨在帮助企业构建AI应用协作机制，实现AI应用货币化，是企业落地AI应用架构的最短路径 [224][229][242] - 平台旨在解决企业落地AI时面临的高频场景识别、多Agent/MCP/模型管理、权限与成本分摊等通用问题 [237][239][241] - HiMarket架构包含AI场景（如HiChat）、AI市场（Agent/Model/MCP/Prompt市场）、AI治理（统一监管、权限、计量、接入）和AI网关等核心模块 [243] - AI市场支持多市场共享能力与资源，提供体系化的统一权限管理、内容审核、可观测和计量能力 [252][254][256] - 平台采用开源模式，核心参与者包括阿里云、蚂蚁数科、高德、淘天等团队，提供开箱即用的企业级AI接入管理能力 [261][264][277] 数据采集与建模（LoongSuite & UModel） - 在Agent架构下，数据采集是保障服务可靠性、提升可用性和控制Token消耗的核心基础设施 [297][298] - LoongSuite是一套开源的数据采集开发套件，由主机探针LoongCollector和进程级探针LoongSuite Agents构成 [313][314] - LoongSuite具备多维度数据统一采集、极致性能与稳定性、灵活部署与智能路由三大优势 [317][322][325] - 仅有数据采集不够，需要数据建模来建立数据的认知地图，以应对Agent架构放大的数据鸿沟效应 [329][332][337] - UModel是一种基于图模型的通用可观测数据建模方法，通过定义节点、属性和关系，实现复杂数据的统一表示和智能分析 [344][355] - 数据采集与数据建模共同构成Agent持续优化和改进的数据飞轮前提 [304][366] 企业实践案例：阿里资产总裁助手Agent - 该Agent的业务背景是管理覆盖办公、商业、酒店等近150个项目/园区，总建筑面积超2100万方，需从海量非结构化数据中辅助高层快速、基于事实的决策 [377][379] - 项目起点面临传统向量检索的局限性，如Chunk大小难定、无法发掘隐含关联知识等 [385][386][393] - 第一阶段通过自建基于业务逻辑的目录索引，解决了70%的单点园区信息查询问题 [394][396][400] - 第二阶段为应对跨园区横向事务查询，引入知识图谱技术，通过AI执行、人工校验、迭代优化的流程构建业务图谱 [402][406] - 第三阶段为应对“分析最具商业价值的园区”等抽象发散问题，演进至基于AgentScope的Agentic工作流，模拟人类的分析-假设-验证过程 [415][416][422] - 技术演进本质是从Searching（搜索）到Thinking（思考）的跨越，未来方向是构建统一语义层，让Agent更懂业务 [430][434]

行业竞争范式切换 - 外卖行业竞争迎来切换时代的时刻 从图形界面时代的效率竞争 转向以自然语言交互为核心的AI智能服务竞争 [1][2][16] - 千问APP全面接入淘宝闪购后 用户可通过语音指令完成下单 全程无需打开App 流程可在30秒内完成 [1][15] - 这代表一次从图像到语言的产品范式代际碾压 淘宝闪购开始用语言理解生活 而竞争对手仍在用按钮连接服务 [4][18] 淘宝闪购的AI原生架构优势 - 淘宝闪购背后是一整套AI原生架构 其决策中枢深度嵌入了国内成熟的开源大模型千问（Qwen）[5][18] - 该架构能理解用户模糊意图（如“适合健身的晚餐”）和解析复杂指令（如“10杯加冰+10杯无糖”）并自动调用库存、地址、支付等系统 实现“意图即服务”的闭环 [5][18] - 美团在AI大模型层面与阿里存在较大差距 其拥有强大的骑手网络等地推“手脚” 但缺乏指挥全局的AI“大脑” [7][18] - 拥有千问的淘宝闪购能主动预判、协调、执行 而缺乏大模型原生能力的平台只能被动响应用户输入 [8][18] 自然语言交互的变革性影响 - 自然语言交互抹平了用户需求与服务之间的鸿沟 用户无需理解平台能力 服务从被动展示转向主动提供 [9][19] - 该交互方式降低了使用门槛 使银发族、视障用户、开车途中的职场人均能便捷使用 扩大了服务覆盖范围 [9][20] - 语言承载的是意图而非关键词 系统需具备理解“安静”、“包厢”等隐含需求的多维理解能力 将服务提升至新维度 [9][20] - 淘宝闪购让用户“被理解” 而竞争对手仍只能让用户“去操作” [10][20] 阿里生态整合构建本地生活操作系统 - 千问能打通阿里生态如高德扫街榜 使阿里同时掌握本地生活的空间（去哪里）与时间（不想动）两大命脉 [10][20] - 高德扫街榜通过“飞行街景”让用户可“飞入”店内查看环境 并结合好友动态、时令榜单提供真实可信的决策依据 [12][22] - 淘宝闪购解决配送需求 千问APP作为智能中枢 可综合用户位置、购物历史、天气等信息 主动推荐“堂食或外卖” [13][23] - 阿里用一个AI入口统一调度“探索世界”与“节省时间”需求 构建出真正的“本地生活操作系统” 区别于美团的传统APP聚合模式 [13][23] 用户心智与商业模式迁移 - 竞争核心从“补贴竞争”转向“价值创造” 行业于2026年进入“智能服务”纪元 [15][25] - 淘宝闪购通过成为“生活助理”驱动用户心智迁移 用户将其视为“懂自己”的AI伙伴并产生深度依赖 而非“用完即走”的交易平台 [14][23][24] - 财报数据印证趋势：淘宝闪购非餐品类高速增长 客单价稳步提升 单位经济效益（UE）改善速度显著快于对手 [15][25] - 阿里真正的投入在于用AI重构服务体验的底层逻辑 而不仅是500亿消费券 [15][25] 对美团构成的竞争威胁 - 美团若无法在短期内构建同等的AI原生能力 将在这场维度之战中彻底失速 [15][25] - 用户需求已从“更便宜的外卖”转变为“真正懂自己、能托付生活的智能伙伴” 这是淘宝闪购与千问正在定义的未来 [15][25] - 竞争已不在一个维度 传统战法可能彻底失效 [14][24]

公司战略与产品布局 - AIOS以“AI原生架构+端边云协同”为核心亮点 [1] - AIBOX与滴水AIOS形成“软硬协同”技术组合 [1] - 公司坚定推进AIOS策略，旨在形成“芯片+AIOS+生态+全球化”的全新整合方案 [1] 业务进展与客户合作 - AIOS已获得国内头部车企的项目定点 [1] - 公司与车企的合作模式包括：软件开发与技术服务、软件许可、提供软硬一体化产品 [1]

行业投资评级 - 报告认为Serverless是AI原生应用架构的最佳选择，给予积极评价 [27] 核心观点 - AI原生应用开发范式对基础设施提出全新要求，需要以Agent为中心、状态优先、任务驱动协作并接受不确定性 [13][15][17][19][21] - Serverless AI运行时是AI原生应用开发的最短实现路径，具备0运维、轻量、经济、弹性等优势 [26][27][34] - 阿里云函数计算(FC)作为Serverless AI运行时的代表，在异构算力、安全隔离、弹性伸缩等方面相比传统虚拟机和容器方案具有显著优势 [33][43][44] 企业级AI应用开发运行时选型 - AI原生架构需要支持动态弹性、状态持久化、事件驱动等关键特性 [24] - 传统VM/容器运行时存在静态资源分配、状态管理复杂、API驱动等痛点，而Serverless运行时提供免运维、安全隔离、按请求弹性等优势 [26] - Serverless AI运行时涵盖异构算力、开发提效、弹性降本等核心能力 [28] Serverless AI运行时关键技术 - 函数计算FC提供毫秒级冷启动、按请求调度、50+内置多语言运行环境等核心能力 [33] - 安全沙箱容器2.0提供基于虚拟机级别的强隔离，比传统容器更安全 [38][42] - Serverless GPU支持请求感知调度、毫秒级闲置唤醒、1/N卡切分使用，冷启动从分钟级优化至毫秒级 [43][48] - 模型加载加速方案包括镜像加速预热、OSS/NAS模型下载加速等 [51][52] - 智能体运行时提供沙箱即服务、会话亲和/隔离架构，支持百万级Session并发 [56][58] 客户案例实践 - 阿里内部案例：魔搭社区、Qwen、百炼等大规模使用FC构建模型、智能体和AI工具 [88][89] - 吉利汽车案例：基于FC Serverless GPU为AI座舱提供大规模推理服务，成本优化33% [93][100] - 与光同尘AIGC案例：利用FC弹性能力应对十几倍流量波动，实现快速业务验证 [182][184] - 社区内容审查案例：基于AIStudio构建LLM审查系统，支持1000QPS审核需求 [214][222] - 智能家电交互案例：利用AIStudio高吞吐、高并发满足严苛响应要求 [226] Serverless AI原生应用架构 - AI应用组成核心从传统中间件服务转变为知识库、大语言模型、智能体等新抽象 [124][126] - 全栈Serverless架构提供AI网关、Agent代理、可观测等完整能力 [136] - Function AI平台实现从算力到应用的AI全栈升级，支持模型托管、Agent开发等场景 [138][152] 产品能力介绍 - 模型服务：支持100+热门模型在线体验，200+模型一键部署，部署成本降低90% [155] - 多模态创作：提供云端ComfyUI、Stable Diffusion等工具，解决本地环境限制 [158][161] - AgentRun：提供高代码深度定制和低代码快速搭建能力 [163][164] - 可观测体系：提供全链路监控、成本管理、质量评估等配套能力 [169][170] 传统应用迁移实践 - Serverless应用引擎(SAE)支持微服务、单体应用、Job任务等场景平滑迁移 [380][382] - 迁移价值包括简化运维、成本优化(波峰波谷场景降本30%)、提升弹性能力 [397] - 支持从IDC、ECS、EDAS等环境无缝迁移，提供无损下线等企业级特性 [416]

行业技术变革趋势 - AI原生架构将从工具赋能转向系统重构，2025年推出第三代AI中台集成多模态大模型与行业知识图谱，使系统能理解采购合同法律条款并预测原材料价格波动影响[2] - 自动化流程将实现工业级进化，RPA与数字孪生技术融合催生"自演进系统"，2026年平台将具备自我优化能力，某案例显示库存周转率提升40%缺货率降至3%以下[3] - 区块链3.0将从信任机器升级为价值网络，2027年跨链技术规模化应用，研发中的"产业通证"系统允许跨行业共享信用数据降低尽调成本[4] 供应链与金融创新 - 区块链在供应链金融中实现范式革命，某能源企业案例显示加油站融资成本降低18%[3] - 碳足迹追踪形成绿色契约，某造纸企业碳账户系统年节省成本超千万元，2027年超60%跨国采购合同将含碳足迹条款[5] - 物联网+5G重构工业连接，某智能工厂案例显示次品率从2.3%降至0.7%，数字孪生工厂模式使某电子厂商实际能耗降低19%[6] 物流与数据应用 - 跨境物流透明化革命使东南亚市场日处理量突破200万单，某医药冷链项目货损索赔率从5%降至0.3%[7] - 隐私计算破解数据孤岛，联邦学习技术使某家电联盟整体毛利率提升2.1个百分点，2027年将成为B2B平台标配[8] - 零知识证明简化合规流程，某银行案例清关时间从72小时缩短至4小时[9] 平台生态化发展 - 垂直领域平台建立竞争壁垒，震坤行工业品平台使选型效率提升5倍，大农网整合10万农户种植数据[10] - 跨界资源整合形成生态优势，海尔卡奥斯平台将订单交付周期从45天压缩至15天，新能源汽车产业链构建协同平台[10] - 生态竞争本质是数据流动效率竞争，2027年成功平台将成为产业数据"路由器"[10] 企业组织变革 - 采用"前沿技术实验室+行业解决方案部"双轨制，70%研发资源投向基础技术，30%聚焦场景创新[11] - 服务模式升级为"1个客户经理+N个领域专家"，某快消品企业案例显示系统上线周期缩短40%员工培训时间减少50%[11] - 从系统开发商转型为产业数字化合伙人，保留人工干预通道实现"增强智能"决策[12]

GenAI现状 - 2022年11月30日OpenAI chatGPT发布，5天注册人数达100万，2个月月活人数1亿 [13] - 2025年1月24日OpenAI operator发布，3月6日Manus发布 [14] - 到2027年，中国80%的企业将使用多模型生成式人工智能策略 [16] - 到2028年，中国企业对人工智能就绪型数据的投资将达2024年的20倍 [16] - 到2029年，中国60%的企业将把AI融入主要产品和服务，AI功能成收入增长主要驱动力 [16] - 大模型推理成本大规模下降，开源大模型不断涌现且性能接近闭源大模型 [18][19] GenAI机会 产业链机会 - 算力（训练、推理）、硬件芯片/服务器、大模型（预训练、后训练/调优）、应用/智能体、平台（coze，manus）、行业应用 [22] 企业应用机会 - 改造/提升公司产品/服务/流程/商业模式，使用AI提升产品能力/客户体验、降本增效，扩展产品适用场景、开展新业务 [24] - 网安SASE架构演进，算力云边协同的算力池NovaEngine [24] GenAI实践 内部工具 - 编程助手（Cursor，Claude Sonnet 4） [26] - 智能助理（运维工单助手、产品知识库助手） [27][33] 产品核心能力提升 - SoC平台利用大模型及调优技术适配安全日志降噪场景，效率高、噪声抑制率高、误报率低 [45][46][47] GenAI新需求 SASE需求 - AI应用分布式、高性能低延迟、零信任体系和访问控制、统一安全策略管理等需要SASE，但面临AI供应链安全、数据隐私和访问权限等新挑战 [49][50] 网络安全架构需求 - 需要对AI流量性能优化、全程可控、满足细颗粒度权限控制零信任准则、强化数据安全和合规的AI原生网络安全架构 [51] 算力需求 - 云边协同的AI算力池NovaEngine [52]

卫星基带芯片行业概述 - 卫星基带芯片是卫星通信系统的核心组件，负责数字信号转换、调制解调、协议控制及数据处理 [2] - 按技术架构可分为天通卫星专用芯片、北斗导航芯片及多模融合芯片三大类 [2] - 核心功能包括信号转换、协议解析和数据处理，确保复杂空间环境下的高效可靠传输 [4] 行业发展历程 - 1994-2000年起步期依赖进口芯片，2000年北斗一代系统双星发射 [6] - 2000-2012年突破期实现自主创新，2008年首款自主"领航一号"芯片问世 [6] - 2013-2020年快速成长期，2017年华大北斗推出支持北斗三号的多模SoC芯片，精度达米级 [6] - 2021年至今进入高质量发展阶段，融合5G与AI技术实现厘米级精度，应用于自动驾驶等场景 [6] 产业链格局 - 上游华为海思、紫光展锐突破设计技术，但7nm以下制程依赖台积电 [8] - 中游华为、海格通信具备全球竞争力终端产品 [8] - 下游天通卫星和北斗导航服务覆盖应急、交通等领域，商业化生态待培育 [8] 市场规模与增长驱动 - 2028年中国市场规模预计超280亿元，形成车联网、消费电子、低空经济三足鼎立 [1][15] - 智能手机卫星通信渗透率将从2023年不足10%提升至2025年30%以上 [1][15] - 车载卫星通信芯片需求年均增速超50%，2024年新能源汽车销量同比增47.1% [13][15] - 低空经济领域无人机监管政策推动配套芯片市场三年内突破百亿元 [1][15] 竞争格局 - 第一梯队华为海思、华力创通掌握5G+卫星融合及军用抗干扰技术 [17][19] - 第二梯队紫光展锐、和芯星通聚焦车规级和物联网细分市场 [17][19] - 第三梯队专注性价比路线，新兴企业布局LEO前沿领域 [17][19] 技术发展趋势 - 突破7nm及以下制程，RISC-V+NPU架构使芯片面积缩减40%、功耗降35% [23][24] - 2026年后多模兼容芯片、量子安全加密基带将打破国外垄断 [24] - 星地融合多模通信、AI原生架构、量子安全芯片为前沿方向 [1][26] 应用场景拓展 - 智能手机直连卫星渗透率将超30%，L3+自动驾驶标配高精度定位芯片 [25] - 比亚迪仰望U8隧道定位误差<30cm，长城汽车天通模块响应时间0.5秒 [13] - 无人机监管催生百亿市场，军用、应急领域需求持续释放 [25] 代表企业技术布局 - 华为海思巴龙765芯片支持5G NR NTN双模通信，应用于智能手机和车载终端 [20] - 华力创通HTG500系列军用芯片抗干扰能力>80dB，定位精度0.3米 [20] - 紫光展锐V8811芯片支持双向语音通话和低功耗多频段卫星通信 [20] - 联发科车规级芯片平台集成5G智能座舱与卫星通信技术 [20]