财务数据和关键指标变化 - 第三季度有机收入增长7%，符合预期，其中经常性收入和交易性收入分别增长9%和4%，印刷收入下降4% [10] - 调整后税息折旧及摊销前利润增长10%至6.72亿美元，利润率上升240个基点至37.7%，超出预期 [10] - 第三季度调整后每股收益为0.85美元，去年同期为0.80美元，汇率对每股收益产生0.01美元的正面影响 [26] - 2025年前九个月自由现金流约为14亿美元，同比下降3%，主要受营运资本变动影响 [27] - 公司重申2025年全年业绩展望，总收入和有机收入增长趋势分别接近3%和7%，而非此前指引范围的高端（3.5%和7.5%）[4][5][29] - 2026年财务框架更新，预计有机收入增长7.5%至8%，其中"三大"业务板块增长约9.5%，调整后税息折旧及摊销前利润率扩张约100个基点，自由现金流展望上调至约21亿美元 [6][7][32][33] 各条业务线数据和关键指标变化 - "三大"业务板块（法律专业人士、企业、税务与会计）第三季度有机收入增长9% [4][10] - 法律专业人士业务有机收入增长9%，较2025年上半年的8%和去年全年的7%有所改善，主要驱动力为Westlaw和CoCounsel [11][23] - 企业业务有机收入增长7%，驱动力来自法律、税务和风险产品组合以及国际业务 [11] - 税务与会计业务有机收入增长10%，主要得益于拉丁美洲和美国业务、SafeSend、Ultratax及云审计产品家族 [11][24] - 路透新闻有机收入增长3%，主要受机构业务和与伦敦证券交易所集团数据与分析业务的新闻协议推动 [12][25] - 全球印刷业务有机收入同比下降4% [12][25] - 截至第三季度末，生成式人工智能产品贡献的年化合同价值占比为24%，高于上一季度的22% [25] 各个市场数据和关键指标变化 - 政府业务在季度末面临一些美国联邦政府的降级和取消，预计将使全年有机收入增长减少约20个基点 [5][30] - 国际业务表现强劲，在法律、税务与会计等多个板块中成为关键增长贡献者 [11][24] - 拉丁美洲业务是税务与会计板块的重要增长驱动力，过去11年复合年增长率达20% [24][118] 公司战略和发展方向和行业竞争 - 公司在夏季推出的AgenTik AI产品（如CoCounsel法律集成方案、Westlaw Advantage、税务审计会计版CoCounsel）初期销售趋势令人鼓舞，客户反馈积极 [7][45] - 核心内容赋能技术产品（如法律领域的Westlaw、Practical Law以及税务引擎）的竞争格局保持稳定 [7] - 在AI助手领域看到增量竞争，这是一个令人兴奋的空白增长机会，CoCounsel在其中保持明显的市场领导者地位 [7][68] - 公司专注于利用其资本能力（预计到2027年有90亿美元资本容量）为股东创造价值，包括股票回购和评估额外的非有机增长机会 [8][9][28][107] - 并购策略侧重于围绕"三大"板块进行补强收购，若进行较大规模收购，可能集中在风险欺诈合规（基于CLEAR）和间接税/电子发票（如Pagero）等领域 [84][85][86] 管理层对经营环境和未来前景的评论 - 当前增长面临三个暂时性阻力：商业印刷量增长放缓（预计影响全年有机收入增长约25个基点）、近期美国联邦政府订单取消/降级、企业内部销售组织调整导致预订趋势略软 [5][30] - 对AI创新势头充满信心，认为AI从信息检索总结向更复杂的智能体工作流演变对公司是机遇，强化了其内容和专业知识的价值 [5][21] - 对Westlaw在AI环境下的差异化优势充满信心，强调其内容广度深度、编辑团队专业知识和专有编辑增强（如West钥匙号系统、Keysight引证网络、头注）构成了极高壁垒 [13][14][15][16][17][18][19][20] - 预计第四季度有机收入增长约7%，其中"三大"板块增长约9%，法律专业人士业务预计再次实现9%增长，第四季度调整后税息折旧及摊销前利润率预计约为39% [31] - 对2026年实现收入加速增长抱有信心，驱动力包括积极的潜在势头、创新路线图的执行以及在某些领域（如路透新闻和企业业务）的同比基数相对容易 [32] 其他重要信息 - 公司于10月下旬完成了8月中旬宣布的10亿美元股票回购计划，以约6亿美元回购了公司股票，季度末净杠杆率仅为0.6倍 [8][28] - 公司计划在2026年1月提议将普通股股息再增加10%，这将是连续第五年增加股息 [108] - 公司2025年在人工智能/生成式人工智能领域的投资将超过2亿美元，并将在2026年继续维持这一投资水平 [103][104] - 公司内部也在应用AI工具（如CoCounsel）和与亚马逊等合作伙伴的技术来自动化内部流程，以提高效率并支持利润率扩张 [57][58][59][60][61][136] 总结问答环节所有的提问和回答 问题: 政府和企业业务面临的阻力哪些会持续到明年？对企业业务9%-11%的有机增长目标是否仍有信心？ [36] - 企业业务的销售疲软是暂时且自身原因造成的，对终端市场机会和产品组合信心十足，销售组织调整已稳定，10月份预订和净销售额令人鼓舞，对实现9%-11%增长目标有信心 [39][40][41][42][91][92] - 政府业务中长期价值主张信心坚定，但短期环境动荡，近期降级和取消发生在政府停摆前，停摆本身对收入影响极小，预计中期长期将受益于效率工具和执法解决方案 [43][44][52][53][54][55][56][130][131] 问题: 客户对AgenTik AI产品的初步反应如何？是否能感受到与其他缺乏深度内容访问权限的产品的差异？ [37] - 客户对Westlaw Advantage和CoCounsel集成产品的反应非常强烈，举例说明客户使用行为改变，更多依赖工具进行法律论证推演，产品差异化在于内容整合与专业编辑能力 [45][46][47] 问题: 政府业务阻力是否与政府停摆有关？公司是否为ICE（美国移民及海关执法局）工作？ [52] - 订单取消降级发生在停摆前，停摆对月度季度收入影响极小；出于保密条款不评论具体机构合作，但强调所有工作遵循信任原则 [52][53] - 政府支出可能存在临时重新分配，但公司工具对提高效率和执法至关重要，中长期必须地位将保持 [54][55][56] 问题: 亚马逊提及公司是其Transform产品的关键客户，这是否是内部成本自动化努力的一部分？对未来利润率意味着什么？ [57] - 确认是内部应用AI和自动化工具的一部分，涉及法务、财务、审计团队，使用自有工具和最佳可用技术，目标是更高效地扩展运营，这支持了2026年利润率扩张预期 [58][59][60][61] 问题: 如何理解"在AI助手领域看到增量竞争"的评论？ [66] - 核心专营业务（法律研究、税务计算引擎）竞争格局稳定，新竞争集中在AI助手这一空白领域，公司通过收购（CaseText, Materia）和产品开发处于有利地位，CoCounsel在规模和增速上至少持平或领先 [67][68][69] 问题: 税务与会计业务增长从11%减速至10%，对2026年加速至11%-13%是否有信心？ [70] - 季度间存在波动，对2025年实现11%增长和2026年11%-13%目标充满信心，驱动力包括收购整合（SafeSend, Additive Materia）、新产品（Ready to Review, Ready to Advise）、拉美业务和Ultratax [71][72][73][74][118] 问题: AI工作流市场的规模和发展情况？CoCounsel的增长如何？ [78] - 市场尚不精确，但CoCounsel在规模和增长率上至少与竞争对手持平甚至领先，差异化在于内容与专业知识的整合 [79][80][81] 问题: 并购策略更新，特别是较大规模交易的可能性？ [83] - 对近年补强收购表现满意，将继续围绕"三大"板块寻找机会；若进行较大交易，可能集中在风险欺诈合规（基于CLEAR）和间接税/电子发票（如Pagero）等领域，但目前相关资产估值仍高，将保持纪律性 [84][85][86] 问题: 如何在不进一步调整销售组织或加快交叉销售的情况下实现企业业务9%-11%的增长目标？ [91] - 10月份销售和预订趋势鼓舞人心，第四季度和2026年第一季度的销售管道覆盖率令人鼓舞，具备优秀产品、强劲客户需求和增长型市场的成功要素 [91][92] 问题: 随着AI产品价值提升，定价策略如何演变？是否有加速提价计划？ [93] - 原则是按价值定价，AI驱动效率提升应体现在价格上；公司不按每席位定价，因此能从效率提升中受益；目前定价具有竞争力并推动盈利增长，未来存在额外机会 [93][94][95][96] 问题: 当前创新和产品推出强度是否接近峰值？下一步是否是市场渗透？这与利润率扩张趋势有何关联？ [100] - 创新速度预计在未来几个季度乃至2026-2027年将加速；对专业工具的创新将继续，通用工具可能趋缓；2026年利润率扩张信心源于运营杠杆和内部自动化，并非减少投资，AI/GenAI投资（超2亿美元）将持续 [101][102][103][104] 问题: 资本分配框架是否允许在2026年加大股票回购？ [106] - 中长期维持框架（每年4-5亿美元回购），但保留根据机会灵活加大的能力（如2025年8月宣布的10亿美元回购），将与董事会持续讨论资本策略，并计划在2026年1月提议增加股息10% [107][108] 问题: AI进展如何影响税务业务？该业务是否具备类似法律的防御能力？2026年收入加速主要来自哪个"三大"板块？ [112] - 对税务业务应用AI同样兴奋，因该行业人才短缺更严重、业务模式（非按小时计费）更易接纳技术；AI智能体将与现有税务计算引擎结合自动化流程；2026年税务与会计业务预计实现最大绝对增速，驱动力包括收购、新产品、拉美业务 [113][114][115][116][117][118] 问题: 2025年推出的AI产品（如AgenTik）的渗透时间表？是已在第三季度体现还是将持续到2026年？ [122] - 产品于2025年8月底推出，已在第三季度和10月带来收益，预计渗透将在第四季度和2026年持续 [123][124] 问题: 税务与会计业务中，四大会计师事务所与其他规模客户的市场策略有何不同？ [125] - 全球七大会计师事务所（含四大）归属于企业板块；越大客户越倾向于采用API自行构建，中小型客户更倾向端到端解决方案；但各层级机会均等 [126][127] 问题: 政府业务阻力的指引是否已包含所有已知因素？取消订单是由于部门支出削减还是裁员？ [130] - 展望已考虑第三季度末事件以及第四季度可能的活动；主要原因在于相关机构实际支出水平的削减 [130][131] 问题: 2026年税息折旧及摊销前利润率指引上调至100个基点的具体驱动因素？ [136] - 主要驱动因素包括约7-7.5%收入增长带来的约110个基点自然运营杠杆，以及内部转型和自动化举措；持续投资会部分抵消，但两者结合支持上调 [136][137] 问题: 法律业务增长加速至9%的其他驱动因素？ [138] - 除新产品外，留存率保持高位，定价稳定，人才增加；此外，法律市场技术总支出规模可能因AI而扩大，这是一个多年期现象 [138][140] 问题: 会计行业人才短缺问题在法律行业是否同样存在？ [143] - 法律行业不明显，但会计行业自入门级起就面临严重人才招募困难，注册会计师人数下降，而审计税务复杂性需求上升，技术是解决供需矛盾的关键 [144][145] 问题: 如何看待与AI公司的合作伙伴关系？是否会考虑像竞争对手那样通过合作增加分销？ [148] - 对自有产品（CoCounsel整合内容与专业知识）信心充足，无需类似竞争对手的广泛合作；合作伙伴关系主要限于特定领域的AI点解决方案，以丰富生态；自有分销网络已是行业领先 [149][150]

公司概况 - 专注于构建具有自主意识的数字Agent，目标是为全人类实现安全可控的AGI，核心理念是AGI为持续迭代的动态系统而非固化模型 [2] - 愿景成为人工智能创新领域的全球领军者，聚焦基础模型及下一代智能关键技术的前沿探索，强调长期主义、开发者友好和系统开放理念 [2] - 由前中国首富陈天桥创办，其曾创立盛大网络并保持中国最年轻内地首富纪录（31岁），近年All in AI+脑科学领域，孵化多家AI创业公司并捐赠5000万元成立复旦天桥人工智能研究院 [4] 技术架构与性能 - 全栈开源生态系统：包含Agent框架（MiroFlow）、模型（MiroThinker）、数据（MiroVerse）和训练基础设施（MiroTrain/MiroRL），所有组件开放共享 [1][8] - SOTA级性能：MiroFlow搭配商用模型API在GAIA验证集得分82.4，超越现有商用API；搭配开源MiroThinker模型在GAIA-Text-103数据集达60.2%性能，接近OpenAI Deep Research水平 [1][15] - 可复现性：MiroFlow框架代码和配置开源，第三方可复现GAIA验证集82.4的高性能表现 [13] 核心团队与技术背景 - 清华电子工程系副教授代季峰领衔，其研究成果包括可变形卷积Deformable ConvNets（PyTorch标准算子）、BEVFormer（自动驾驶多相机感知里程碑）、UniAD（CVPR 2023最佳论文）等 [5][6] - 代季峰开发的InternVL多模态基础模型Hugging Face下载量超1000万次，论文总引用6万余次 [6] 开发者生态 - 提供147k开源训练数据（MiroVerse），按月更新并响应社区反馈 [12] - 社区活动包括竞赛、排行榜、Hackathons，开发者可直接影响项目发展 [1][22] - 支持数据需求提报、功能定制与技术挑战，覆盖数据工程师、AI研究员等多角色参与 [22] 行业定位与竞品对比 - 对标OpenAI Deep Research概念，构建开源协作的深度研究生态系统（Agent框架+模型+数据+训练设施） [7] - 在GAIA性能表现上显著领先竞品：MiroMind ODR得分82.4，远超OpenAI Deep Research（67.4）、Manus（73.3）等 [10]

AI四小强技术布局与竞争态势 - AI四小强（MiniMax、DeepSeek、阿里巴巴、百度）被黄仁勋评价为开发"世界级产品"，近期通过Deep Research技术重新进入行业焦点 [1] - 7月阶跃星辰推出阶跃AI Deep Research测试版，MiniMax在6月连续发布推理模型M1、视频生成模型及Agent，月之暗面跟进Kimi Research，智谱3月已发布融合Deep Research的AutoGLM沉思版 [2] - 四家公司均押注Deep Research和AI Agent技术，以垂直领域深度应用应对大厂竞争，并需向投资人证明其在下半场的竞争力 [3][4] Deep Research技术路径分化 - 月之暗面Kimi-Researcher采用"傻瓜式操作"路径，用户仅需指令即可生成报告（10-20分钟），提供可视化卡片/表格等ChatGPT未覆盖的功能 [12][14] - 智谱和MiniMax选择高互动型Workflow模式，用户需设计复杂提示词并实时反馈，任务耗时1-2小时但可控性更强 [13][14] - 两种路径均反映当前大模型能力不足，四小强通过升级模型补足短板：MiniMax M1支持1兆上下文，月之暗面K2参数量达万亿，阶跃星辰Step 3推理效率达DeepSeek R1的300% [15] 行业竞争与商业化压力 - 腾讯、阿里、字节等大厂通过元宝、夸克、豆包等产品挤压四小强市场空间，Kimi因停投流导致搜索排名下滑但仍坚持技术优先策略 [17][18] - 四小强放弃用户规模追逐，转向技术迭代：智谱启动上市辅导，MiniMax拟融资3亿美元（估值40-50亿美元），月之暗面K2获国际认可，MiniMax视频模型Hailuo 02评测全球第二 [23][22] - Agent商业化案例显现价值：某客户通过Agent将销售培训周期从30天缩至2天，新人绩效达中等偏上水平，但需解决高token消耗（单报告22万token）及任务执行成本（2-3美元/次）问题 [28][30] 技术卡位与市场挑战 - 四小强需通过出圈案例证明技术优越性，对比Manus（融资7500万美元）和Lovert（获马斯克点赞）的国际影响力仍有差距 [25][26] - Agent市场增长现疲态：Manus月访问量从2376万次降至1730万次，Genspark从888万次跌至769次，反映产品市场匹配度待提升 [31] - 行业进入"厘时代"算力价格战，但Agent的高成本与长耗时（OpenAI目标用户需愿等待30分钟）仍是普及障碍 [30][31]

秘塔AI搜索深度研究功能发布 - 国产AI搜索平台秘塔AI推出对标Deep Research的深度研究功能，完全免费开放使用，无需申请或会员资格 [1] - 功能可展示完整思考链和证据链，研究步骤全程可视化，最终生成结构化研究报告 [1][2] - 支持将报告一键转换为互动网页，自动排版并标注信息来源 [4][32][33] 技术能力与评测表现 - 在BrowseComp和xbench-DeepSearch评测集上表现最优，中英文能力均领先 [8] - 超越通义开源的WebSailor模型最新测试成绩 [10] - 研究过程采用多色标注系统：绿色为确定结论，紫色为待完善结论，红色为信息缺失部分 [23][24] 核心功能特点 - 支持复杂问题拆解，如分析AMD与英伟达AI芯片竞争时，会从CoWoS封装技术分配比例预测出货量 [18][22] - 参考资料库包含400+篇中英文文献，每个知识点均标注来源 [29][31] - 支持全网+文库+学术+图片+视频+播客+私域的全范围搜索 [14] 应用场景展示 - 商业调研：自动生成数据可视化图表（柱状图/折线图） [39] - 日常生活：提供科学现象深度解释 [41] - 非常规问题：能处理"企鹅偷石头"等奇特查询 [44] 行业定位与竞争优势 - 深度研究功能成为AI能力新风口，国内外巨头(OpenAI/Perplexity/谷歌)纷纷布局 [47][48] - 国内同类产品多设付费墙或试用限制，秘塔直接免费开放形成差异化 [48][49][50] - 技术优势来自"AI+搜索"双基因组合，兼具大模型逻辑能力和搜索引擎信息抓取能力 [51]

深度研究系统行业概览 - 2025年AI Agent探索浪潮中"深度研究"类产品最早成功落地 从2024年底谷歌发布首个产品开始 OpenAI Anthropic等巨头迅速跟进 已有超过80个团队投入该领域 [1] - 行业竞争焦点从单一模型能力转向系统架构 工程优化与应用场景适配度的综合比拼 评估体系从通用基准演进为高度专业化测评 [2] - 多智能体协同架构成为前沿方向 需解决幻觉控制 安全隐私和过程可解释性三大核心挑战 未来系统将向知识创造路径演进 [3] 技术架构与系统比较 - 商业系统如OpenAI/DeepResearch和Gemini/DeepResearch依托专有大模型 在上下文长度和复杂推理占优 而Perplexity/DeepResearch通过优化开源模型实现竞争力 [5] - 工具集成呈现"大而全"与"小而精"分野 AutoGLM和Manus构建全能平台 Nanobrowser专注网页交互 n8n擅长API集成与工作流自动化 [6] - 任务规划方面 OpenAI/AgentsSDK长于层级化分解 Agent-RL/ReSearch利用强化学习提升鲁棒性 smolagents通过多智能体协作提升并行效率 [6] 应用场景适配性 - 学术研究场景要求引用严谨性和方法论分析能力 OpenAI/DeepResearch和Perplexity/DeepResearch表现突出 [8] - 企业决策场景注重信息时效性和数据整合 Gemini/DeepResearch和Manus占据优势 [8] - 个人知识管理场景侧重易用性和隐私保护 Open-Manus和nickscamara/open-deep-research等开源方案更适用 [8] 评估体系演进 - 商业系统在HLE和GAIA等综合认知测试保持优势 但专门化评测中不同系统特长显现 如Perplexity/DeepResearch在SimpleQA事实问答领先 AutoGLM在WebArena网页自动化优异 [9] - 评估体系深度专业化 涌现AAAR-1 0 DSBench SciCode MASSW等150+任务评测 覆盖科研助理能力 数据科学 科学工作流等细分领域 [10] - 多模态评估兴起 MMSci ScienceQA GMAI-MMBench等基准检验跨模态理解能力 [10] 实现技术与挑战 - 主流架构包括单体式 流水线 多智能体和混合式四种 多智能体架构通过角色分工实现并行处理 但需解决协调一致性问题 [13][14] - 分布式推理和并行搜索技术优化计算效率 如LightLLM VLLM框架 Perplexity/DeepResearch可并行发出数十查询 [15] - 核心挑战包括幻觉控制(来源标定技术) 隐私保护(数据隔离) 可解释性(展示推理过程) [17][18] 未来技术方向 - 突破上下文窗口限制 通过信息压缩(分层处理 语义导航)和外部记忆架构(检索增强生成)实现"无限记忆" [25][27][28] - 神经与符号推理融合 神经网络处理创造性任务 符号系统负责形式化验证 知识图谱实现动态演化 [30][31] - 从相关性到因果推理 开发因果推断机制(构建因果图 量化效应)和干预建模技术(反事实推理) [33][34] - 多维不确定性建模 区分知识局限 固有随机性和模型缺陷 集成贝叶斯推理系统更新信念 [35][36][37]

项目背景 - OpenManus 复刻 Manus 核心功能，以开放姿态在不到一个月内于 GitHub 获超 42.2k Star 关注[2] 开发者经历 - 梁新兵和向劲宇因 MetaGPT 黑客松活动接触 Agent 领域，确定研究方向[8][9] - 梁新兵科班出身，向劲宇从物理转行，两人在合作中优势互补[8][9] 开发工具与工作流 - 开发者日常借助 Kimi、Repo Mix、Cursor 等 AI 工具学习新技术、提升编程技能，提高工作效率[11][14] - OpenManus 很多代码由 AI 辅助编写，但需人工审查和修改[15] 项目诞生与反响 - 向劲宇预判复刻 Manus 并开源会火，两人利用业余时间快速搭建 OpenManus，发布后 Star 数疯涨[18][19] - 开源目的主要是科普和推广简洁实现理念，让初学者易理解 Agent 核心逻辑[18][19] 项目设计与实现 - OpenManus 架构含 planning tool、Agent 和 tool 模块，采用 react 模式执行任务[24][27] - 定义 Agent 关键要素为工具和提示词，核心工具约 10 个，工具粒度较大[28][32][38] 开源社区贡献 - AWS 官方提交适配 Bedrock API 的代码，社区贡献者完善 Web Search 功能[43][44] - 因审核困难和缺乏测试用例，开发者会慎重考虑修改大量代码的 PR[46] 项目演示与挑战 - 演示 OpenManus 制定旅行规划时出现启动慢、卡住等问题，可能与上下文长度和代码 Bug 有关[52][53][55][56] MCP 协议 - MCP 是统一协议，目标是让大模型以统一方式使用工具，OpenManus 已实现部分支持[60][61][64] 未来规划 - 进行强化学习微调模型，基于 Agent Gym 开发 OpenManus RL 扩展项目[66][67] - 完善多 Agent 协调、MCP 协议支持、工具集成和测试用例建设等工作[68] 学习与借鉴 - 开发者通过 RepoMix 抓取代码，借助大模型理解代码逻辑和架构，将精华部分整合到项目中[69][72][73]