AI Agent行业现状与核心事件 - 近期硅谷与国内AI圈因开源项目CloudBot（社区称“龙虾”）的爆红以及通用Agent公司Manus被Meta高价收购而受到震动 [3][20] - 行业出现一种简化的共识，认为大模型通吃一切、独立Agent创业空间被压到极致、被收购是唯一结局，但文章观点认为真相远非如此 [3][20] CloudBot项目分析 - CloudBot的核心价值在于本地自托管、设备执行权、持久记忆、多模型插拔、社交入口交互五大能力，实现了从“给出答案”到“交付结果”的跨越 [5][21] - 其技术底座清晰：大模型负责推理，MCP协议负责工具调用，RAG负责知识接入，本地记忆负责上下文延续，交互层嫁接在Telegram、飞书等高频场景，本质是Agent网关+执行引擎 [4][21] - CloudBot的短期壁垒来自本地私有化与隐私安全、极简交互范式、社区生态与技能沉淀、执行稳定性四点 [5][22] - 但其技术壁垒并非不可逾越，国内开发者基于开源框架与国产大模型完全可以在1—3个月内做出功能对齐的产品，通用型Agent的创业窗口期极短 [5][22] 国内AI Agent创业环境 - 国内复刻CloudBot在技术上可行，千问、文心、DeepSeek、Kimi等模型已满足需求，低代码平台降低编排成本，本土团队在私有化部署、国产系统适配、数据合规等方面有优势 [6][23] - 但直接做“中国版龙虾”面临三大挑战：大厂快速跟进（如有道已推出LobsterAI）、国内合规与权限约束更严、通用个人Agent商业化乏力 [6][23] - 国内创业者的正确路径不是复刻通用入口，而是深耕垂直场景，将技术能力拆解并装进垂直行业的流程里 [7][23] 大模型与Agent的互补关系 - 大模型的能力边界是认知与推理，不擅长行业深度Know-how、流程自动化封装、端侧执行与权限管控三件事 [8][25] - AI Agent的本质是大模型的“手脚+行业知识+执行纪律”，二者是互补而非替代关系 [9][26] - 大厂将底层能力免费或低价开放，降低了创业门槛，过去创业需做模型、框架、产品三件事，现在只需聚焦后两件（场景化、工程化、商业化） [9][26] 独立Agent创业的结局与赛道选择 - 通用入口型Agent的结局大概率是被收购或关停，因为其拼流量、生态和资本，难以独立对抗巨头，收购本质是买团队、产品范式和用户习惯 [10][27] - 垂直场景型Agent完全可以独立长大并具备上市可能，只要扎根行业、有稳定现金流、构建起数据与流程壁垒，海内外的Harvey、Glean及国内政务、制造、跨境电商Agent已验证商业化闭环 [10][27] - 被收购不是行业宿命，而是通用型创业的宿命 [11][28] - 中小创业者应在2026年聚焦四条赛道：行业数字员工（B端稳现金流）、本地私有化与合规Agent（切中安全刚需）、轻量化自动化工具（补大厂短板）、Agent低代码实施服务（帮行业落地） [11][12][13][14][28][29][30][31] - 这些赛道的共同逻辑是：不做入口做能力、不拼流量拼交付、不追通用追专业 [15][32] 行业终局判断 - 未来1—2年，AI Agent行业将形成稳定的三层格局：底层由巨头主导的大模型与框架厂商；中层为有现金流的垂直行业Agent厂商；上层为基于生态做轻量创新的插件与工具开发者 [16][33] - 通用入口会被巨头整合，垂直场景会跑出一批小巨头，开源与低代码将持续降低创新成本 [17][33] - CloudBot的爆红与并购是Agent从概念走向落地的起点，证明能动手干活的AI才有价值，为深耕行业的实干者提供了舞台 [2][17][19][34]

行业与公司概览 * **涉及的行业**：人工智能（AI）、云计算、软件与SaaS、算力芯片、数据中心（IDC）、AI视频制作[1][5][7][12][18][19] * **涉及的公司**： * **云厂商**：阿里云、腾讯云[3][5][16] * **AI大模型/工具**：CloudBot（Open Cloud）、Mindspore、C-DAS 2.0、字节跳动（豆包）、阿里（千问）、Deepseek[1][2][12][14][16] * **基础设施/算力**：网速（NetSpeed）、海光、寒武纪[3][16][20] * **AI视频**：兆驰股份、万兴科技[3][18] * **IDC厂商**：东阳光、润泽（字节链）、世纪互联数据港（阿里链）、科华数据（腾讯链）[3][19] * **软件/SaaS**：A股软件公司、Salesforce（美国）[8][11] 核心观点与论据 **1. 大模型技术趋势：从对话到工具调用，驱动巨大算力与Token消耗** * **角色演变**：大模型正从交互式对话工具演变为任务工具调用方，例如CloudBot允许用户自由选择模型和API以提供定制化服务[1][2] * **Token消耗巨大**：高频调用工具导致Token消耗量剧增，例如使用Open Cloud CloudBot一周可能消耗**一两千万个Token**，仅文字交互下一分钟也可能消耗**几万Token**[1][3][4][13] * **多模态加剧需求**：如C-DAS 2.0等多模态输入处理模型，能同时处理视频、音频、图片，对算力和Token的消耗量**极其巨大**，进一步推高需求[1][12] **2. 云厂商在AI时代的重要性与话语权提升** * **关键角色**：云厂商通过提供镜像化服务（如租用腾讯云服务器每月**30元**）降低用户使用门槛，并决定可调用的大模型，掌握生态话语权[1][5] * **重要性递增**：随着多模态模型发展和Token消耗激增，云厂商在提供高效算力支持方面将**变得越来越重要**[12] **3. AI技术对软件/SaaS行业的冲击与重塑** * **削弱入口价值**：AI技术（如Cloudbot）能调用多种工具完成任务，减少对单一软件入口的依赖，正在消解标准化软件产品和订阅制SaaS公司的入口价值[1][7][9][10] * **中美差异显著**：中国计算机软件行业约**500家**上市公司中，真正的SaaS公司**屈指可数**；而美国软件公司（如Salesforce）擅长构建包含**几千个工具**的成熟生态系统[8] * **A股软件公司的互补优势**：A股软件公司多专注于定制化开发和垂直领域服务，其行业know-how与流程性理解能与通用型大模型形成**互补**，是AI技术的良好合作伙伴[1][11] **4. 潜在风险与挑战** * **插件安全风险**：市场Skills（技能）鱼龙混杂，存在伪装成技能的恶意软件（如用于挖矿），可能导致服务器资源被大量占用[1][6] * **响应延迟问题**：Cloudbot等工具响应时间较长（需**至少3分钟以上**），而其他大模型如豆包等可在**10秒至20秒**内响应，存在明显的推理和返回延迟，加速需求迫切[16] **5. 大模型商业化与市场前景** * **收费成为常态**：由于算力需求巨大，大模型产品（如字节跳动的C-DAS 2.0）已开始收费[13][14] * **收入前景广阔**：中国大厂如字节跳动、阿里巴巴预计**2026年**的Token消耗量目标将**翻10倍**，未来大模型收费收入前景广阔[14] 投资机会与标的推荐 **1. 基础设施与算力** * **核心推荐逻辑**：高频交互、大规模API调用及边缘计算加速需求，使得高效的数据传输速度至关重要[3][15] * **网络基础设施**：强烈推荐**网速（NetSpeed）**，因其对提升用户体验至关重要[3][15][16] * **国产算力芯片**：推荐**海光**、**寒武纪**，尽管市场有悲观预期，但Token消耗增长带来的算力需求是**不可避免的物理规律**，长期发展前景良好，是中长期买入机会[3][16][17][20] **2. AI视频制作** * **行业进展**：AI视频制作发展迅速，例如**四人团队10天**可制作高质量**120分钟**AI漫剧，CDS 2.0等新模型助力生成真人剧[18] * **相关标的**：推荐**兆驰股份**和**万兴科技**，后者推出了调用其他模型辅助设计脚本的视频工具[3][18] **3. 数据中心（IDC）** * **布局逻辑**：围绕主要云平台产业链进行布局[3][19] * **推荐标的**： * **字节链**：东阳光、润泽[3][19] * **阿里链**：世纪互联数据港[3][19] * **腾讯链**：科华数据[3][19]

行业与公司 * 涉及的行业为人工智能（AI）行业，特别是AI Agent（智能体）在垂直领域的应用落地，以及其对软件行业的影响[1] * 涉及的公司包括AI技术/产品公司（如Clawdbot、Cowork、Anthropic、豆包、阿里/千问、蚂蚁/阿福模型）、软件公司（如ServiceNow、CRM、Adobe、Snowflake、MongoDB）、算力/硬件公司（如台积电）以及平台型公司（如Google）[1][2][4][5][14][15] 核心观点与论据 **AI技术发展趋势与影响** * 2026年AI技术发展呈现三大趋势：1) AI模型及Agent从基础模型迭代转向垂直场景的自动化执行，替代大量人力，使市场规模扩张约10倍[2]；2) 视觉模型（如Nano Banana）赋予AI“眼睛”，通过前端视觉识别解决后台脚本无法处理的问题，提升全自动化工作流效率[2]；3) 通过强化学习训练垂直领域（如医疗、金融）的Agent，模仿人类思维链进行任务拆解[2] * 2026年将是垂直场景数据需求爆发的一年[3] * 2026年预计是A股市场Agent产品大爆炸的年度，大量C端和B端Agent产品将涌现[4] * AGI（通用人工智能）的大爆发带来的用户量增长，将大幅削弱市场对AI泡沫和投资回报率（ROI）的担忧[4] * 大模型通过改变工作流程，提高企业降本增效能力，并可能导致大规模裁员[1][16] * 传统软件UI界面可能被AI替代，依赖标准化功能和UI界面的公司（如ServiceNow、CRM、Adobe）将受到较大冲击[1][14] * Data Infra（数据基础设施）类公司（如Snowflake、MongoDB）受AI冲击较小，因其核心工具（数据库、数据检索）仍必不可少，且大型企业客户迁移成本高[15] **AI在不同市场的应用与需求** * **B端市场**：AI主要作为生产力工具，需求爆发的核心逻辑是替代人力以节省成本[7] * **C端市场**：提高生产力或自动化意义不大，核心是创造新的需求（如短视频），而非仅提升效率[6][7] * **中美市场差异**： * **北美市场**：因人工成本高，更倾向于采用公有云和多云架构，通过减少员工数量节省成本[2][19] * **国内市场**：因人工成本较低，更倾向于按结果付费，且私有化部署价值量大[2][19][20] * 国内存在大量私有化场景，本地部署价值可通过服务、硬件加软件等形式收取，可能催生以AI形式收硬件钱等新商业逻辑[20][21] **投资视角与行业挑战** * 随着下游Agent爆炸性增长，对AI泡沫化的担忧有所消除[8] * 从确定性角度看，上游算力以及Google等国内平台性公司在数据和模型能力方面具备较强闭环优势[8] * 软件公司面临的主要挑战在于场景壁垒和商业逻辑的强弱，而非技术领先[17] * 软件行业商业模式面临转型：按人头收费模式将逐步被按消费量（调用Agent）收费模式取代，导致软件公司毛利率下降（可能降至60%左右）[1][17] * 新技术将带来新玩家并淘汰老玩家，软件公司将从卖软件转向卖Agent、卖结果、卖服务[18] * 北美市场因AI提升企业自研IT能力，软件公司从卖软件转向卖服务，对毛利率造成压力；国内市场过去以项目制为主，价值量偏低，但AI能力提升可能带来价值量扩张[18] **具体AI产品与技术路径** * **CloudBot**：基于Anthropic 3.5模型，通过编程方式理解用户意图并写代码控制电脑，更依赖提示词工程，上限高但下限低，需要一定编程经验[2][9][10][13] * **CoWork**：基于垂类场景的视频进行强化学习，模仿人类操作逻辑（如通过录屏数据集训练），通过端到端模型直接获得技能[2][13] * **编程场景**：AI应用有标准答案和测试报错机制，但实际应用复杂度远高于编程本身，垂直场景的数据价值很大[5] * **工具应用**：CloudBot集成Google全家桶权限，可处理邮件、预约会议等，支持多种聊天工具[9]；Gemini可用于快速梳理变化并生成研究报告[11]；AI技术（如NotebookLM）可显著提升PPT制作效率（例如30页PPT仅需3小时）[12] 其他重要信息 * 台积电最近给出的指引显示未来两三年在算力领域将有连续突破[4] * 从市场反应看，美国传统软件公司普遍下跌，而以存储为代表的硬件公司持续创新高[4] * 在B端，一些公司正全面向Agent方向转型，并与第三方模型公司合作推动自身Agent发展[5] * 在C端，豆包展示了全视觉交互的Agent方式，阿里以全生态打通方式进场[5]