报告行业投资评级 - 维持计算机行业“中性”评级 [3][28] - 维持三六零（601360）“增持”评级 [3][28] - 维持虹软科技（688088）“增持”评级 [3][28] 报告核心观点 - AI应用端进入Agent规模化落地阶段，新增推理算力需求有望对上游AI算力基础设施形成持续拉动效应 [2][27] - AI办公有望成为继代码生成之后下一个Token消耗的确定性方向 [2][27] - 国内头部大模型厂商正依托技术壁垒掌握定价权，通过价格调节优化算力利用率，扭转行业低价竞争态势 [2][27] 行业要闻 - DeepSeek发布Harness智能体框架v0.1开发者预览版，对标OpenAI Codex及Anthropic Claude Cowork，定位为面向编程、办公赛道的AI生产力基础设施 [13][14] - DeepSeek Harness贯彻“一切皆插件”的设计理念，采用插件化开放架构，模型、工具、技能等全部智能体相关能力均以插件形式实现 [13][14] - 8月20日，DeepSeek Harness v0.1.0-rc.8版本上线，进一步补齐多模态输入能力，具备视觉能力的模型可直接接收图片 [15] - SpaceX以600亿美元收购AI编程企业Cursor，Cursor推出AI Agent时代代码托管平台Origin [15][16] - Origin面向AI Agent时代设计，与Cursor编辑器深度耦合，支持智能体直接完成代码修改、读取评审状态 [16] - 企业微信5.0.10版本开放CLI与MCP能力，WorkBuddy、DeepSeek Harness、Minimax Code等主流AI Agent可直接接入，调用文档、表格、邮件等十大核心办公模块 [16][17] - AI Agent可在企业微信中完成自动查看产品信息文档、分析销售数据、生成提案PPT、整合业务表格、生成经营看板等复杂任务 [17] 行业数据 - 本周算力租赁价格平稳，V100-32GB*8配置在腾讯云价格为66.63元/小时，环比0.00% [17][18] - A100-40GB*8配置在腾讯云价格为161.50元/小时，环比0.00% [17][18] - A800-80GB*1配置在恒源云价格为6.80元/小时，环比0.00% [17][18] 公司公告 - 金山办公2026年上半年营业收入33.13亿元，同比增长24.69% [18] - 金山办公2026年上半年归母净利润25.18亿元，同比增长236.94% [18] - 金山办公2026年上半年扣非归母净利润24.87亿元，同比增长241.99% [18] - 金山办公经调整的归母净利润10.87亿元，同比增长28.29% [18] - 金山办公推出AI原生办公产品“灵犀”，提升上下文理解、任务执行和专业成果交付能力 [19] - 灵犀可结合历史文档及个人偏好管理工作上下文，融合Agent任务编排、Skill体系、浏览器自动化及多模型协同技术 [19] - 盛视科技2026年上半年营业收入7.34亿元，同比增长33.73% [20] - 盛视科技2026年上半年归母净利润1.07亿元，同比增长342.91% [20] - 盛视科技2026年上半年扣非归母净利润1.04亿元，同比增长566.84% [20] - 盛视科技利润结构变动主要系新增智算业务所致，于2026年4月开始布局智算业务并实现收入确认 [20] - 盛视科技已完成算力集群项目交付并开始运营，享有至少五年期稳定的智算服务收入 [20] 行情回顾 - 8月13日至8月19日，沪深300下跌2.18%，申万计算机行业下跌5.89% [21] - 申万计算机三级子行业全部下跌，其他计算机设备-3.95%＞安防设备-5.67%＞IT服务Ⅲ-6.22%＞垂直应用软件-6.58%＞横向通用软件-6.60% [21] - 2026年8月19日，申万计算机行业市盈率（TTM）为126.52倍，相对沪深300的估值溢价率为839.83% [22] - 本周涨幅居前个股：麒麟信安、兆日科技、诚迈科技、和达科技、理工能科 [24] - 本周跌幅居前个股：普联软件、恒银科技、汇金股份、达实智能、朗新科技 [24] 本周策略 - AI算力方面，国内头部国产大模型企业持续深化芯模协同开发，将国产算力芯片作为支撑模型推理的核心算力硬件底座 [2][27] - 国内云厂商资本开支回暖，国产算力占投资比重有望逐渐提升，算力租赁及IDC厂商有望充分受益于智算中心新建与扩容带来的业务增量 [2][27] - 超节点方案有望成为国内AI算力基础设施的重要演进方向，国产超节点加速落地有望承接大规模推理算力需求 [2][27] - AI大模型方面，国产大模型持续迭代，相关模型在OpenRouter的Token调用量长期位居平台前列 [2][27] - DeepSeek继推出峰谷定价后，计划近期整体上调API服务定价 [2][27] - AI应用方面，近期腾讯、阿里、DeepSeek等头部厂商相继推进AI智能体产品迭代与生态布局 [2][27]

报告行业投资评级 - 通信行业评级为“看好（维持）”[6] 报告核心观点 - 国产大模型加速迭代将驱动国产算力芯片需求高速增长[3] - 国产AI大模型快速迭代驱动国产芯片需求高增[8] 根据相关目录分别总结 投资建议与投资标的 - 报告建议关注国产算力芯片相关标的，包括寒武纪(688256，未评级)和海光信息(688041，买入)[3] 国产大模型性能升级与算力需求 - GLM-5.3基于后训练提升模型智能上限，编程及网络安全能力显著增强，是编程能力最强的开源模型，编程与智能体能力接近Claude Fable 5，编程体感超越其他国产模型[8] - GLM-5.3在Terminal Bench 3.0、Agents' Last Exam等公开基准测试中取得开源第一[8] - GLM-5.3在网络安全能力测试CyberGym中得分为84.5%，高于GLM-5.2的77.2%，也略高于Mythos 5的83.8%和GPT-5.6 Sol的83.6%[8] - 国产大模型仍处于快速迭代阶段，基于预训练与后训练依然可实现模型性能大幅提升，预计将持续驱动国产算力需求增长[8] 国产大模型应用端布局 - DeepSeek Harness开发者预览版已面向全球Harness开发者开放测试，并同步以MIT协议开放源代码[8] - DeepSeek采用插件式开放架构构建Agent Harness，模型、工具、技能、会话、沙箱、存储、循环、调度、UI等所有Agent能力均由插件组合而成，开发者无需改动源码即可独立选择、替换或扩展任一能力[8] - Agent Harness层持续完善将驱动下游AI需求爆发，进而带动国产算力需求持续上行[8] 国产算力需求增长前景 - 大模型迭代将驱动算力需求持续增长，根据IT之家，2026年8月14日马斯克在SpaceX会议中预估SpaceX AI数据中心电力容量将在27年底前扩大至10GW，海外算力需求仍然快速增长[8] - 国产算力将充分受益于国产大模型迭代，未来需求仍将保持快速增长[8]

核心观点 - 企业AI落地中90%的多Agent项目因缺乏核心调度层而失败，盲目堆砌智能体导致效率不升反降[1] - DeepSeek Harness RC.8版本更新揭示了行业误区，其核心价值在于构建统一调度层而非增加Agent数量[1][10] - 企业应优先搭建调度中台，采用“开源底座+定制封装”路径，而非自研或全盘使用开源[36][41] 一、企业多Agent落地误区 1. 智能体数量不等于系统能力 - 企业默认“智能体数量=系统能力”，接四五家大模型、做七八个业务Agent，预算百万起步[1] - 各Agent各自为政，数据不互通、标准不统一，运维成本翻倍[2] - 市场部文案Agent、产品部需求Agent、技术部编码Agent凑齐七八个，实为一盘散沙[2] 2. 缺乏调度层导致任务执行低效 - 多Agent系统只有办事员，没有项目经理，人需手动拆解任务并拼凑结果[4] - 人干了80%管理工作，Agent只干20%执行工作，智能化沦为线上手工活[5] - 搜索Agent数据搜错、分析Agent判断偏了，无人兜底，责任无法追溯[5] 3. 多Agent本质是“多模型拼接” - 多数企业多Agent系统只是“多模型入口聚合”，需人自己动手使用工具[7] - 真正多Agent系统核心是智能体间自主协作，自动拆解、派工、汇总、校验[7] - 两者间差一个调度层，企业忙着买工具、招人手，却没搭管理体系[7] 二、DeepSeek Harness RC.8更新布局 1. 核心变化：从Agent运行器到项目管理中心 - 以前DeepSeek Harness是“Agent运行器”，RC.8后变为“项目管理中心”[10] - 可将Claude Code、Codex等编码Agent当成专项小组，一键安装，不占资源[10] - 复杂任务自动拆解成子任务，派给最合适子代理，自动汇总结果[10] - 搜索工具支持并发查询，效率翻倍；图片、本地文件、历史对话可直接丢入处理[10] 2. 路线图：Agent框架终局是统一调度层 - RC.7将Claude Code和Codex接入任务面板，RC.8做成可插拔安装包，按需加载[13] - Harness不再与任何具体Agent绑定，彻底变为中立调度平台[13] - 未来垂直领域有垂直顶级Agent，谁能统一管理零散顶级能力，谁掌握Agent时代入口[14] - DeepSeek想做Agent世界操作系统，上层统一入口，下层百花齐放[15] 3. 多模态更新是落地关键 - 多模态输入和文件引用被忽略，却是Agent从“玩具”变“工具”的关键[16] - 真实业务不全是纯文本，法务审合同看PDF扫描件，研发改方案看设计图纸[16] - RC.8支持原生图片请求、图文混合输入、本地文件和历史会话引用[16] - Agent能看懂企业真实业务资料，适用场景从“文案辅助”拓宽到“业务处理”[16] 三、90%多Agent项目失败原因 1. 没有调度层，任务拆解是灾难 - 多Agent最大价值是省掉“拆活、派活、收活”管理成本，而非省掉干活成本[19] - 某零售企业花几十万做四个业务Agent，每次月度经营分析仍需运营总监花半天拆任务[19] - 系统拆不准、经常派错活，因为没有调度层理解任务目标、判断能力边界、匹配Agent[20] 2. 没有调度层，能力复用是空谈 - 大企业部门墙厚，市场部做文案Agent，产品部也自己做，技术部搞代码审查Agent[23] - 每个部门重复对接模型厂商、调试prompt、做运维，能力无法沉淀[23] - 统一调度层是AI能力中台，所有Agent接在一个平台，能力统一管理、数据统一沉淀[23] 3. 没有调度层，结果和成本双双失控 - 不同模型对同一问题判断可能矛盾，如财务测算一个Agent算利润率15%，另一个20%[26] - 无调度层统一校验，输出报告是糊涂账，没人敢用[26] - 责任失控，Agent输出错误结论造成业务损失，无法溯源[27] - 成本失控，每个部门单独结算，用量无法管控，月底总费用高得吓人[28] - 调度层给所有Agent装“总开关”和“流量计”，统一入口、审批、计费、审计[28] 四、自研与开源选择 1. 自研调度框架成本高 - 核心工程师年薪百万起步，需架构师带两三个资深开发，人力成本一年大几百万[30] - 从零搭一套能用的调度框架，少说半年起步，开源社区已迭代七八个版本[30] - AI行业迭代速度是互联网好几倍，需团队常年跟着更新，持续投入无尽头[30] - 仅千亿级体量、极强技术团队、极高数据安全要求的企业适合自研[30] 2. 开源框架优势与局限 - DeepSeek Harness等开源框架核心能力已做好，下载几天能跑通demo，几乎零成本[32] - 社区迭代极快，RC.7到RC.8只隔两天，新功能、bug修复跟得很紧[32] - 开源非银弹，安全风险高，核心业务数据不能直接放入，尤其金融、政务、医疗行业[33] - 定制化不足，每个企业业务流程、数据标准不同，需定制化改造[33] - 运维要求高，开源工具出问题需自己排查解决，团队能力不够可能卡十天半个月[33] 3. 最优解：开源底座+定制封装 - 建议“80%复用开源，20%定制开发”，底层用成熟开源调度框架做底座[36] - 上层根据自身业务流程、安全要求、系统对接需求，做定制封装和私有化部署[36] - 成本低，投入只有纯自研五分之一到十分之一[38] - 落地快，一两个月跑通第一个业务场景，半年内逐步推广[38] - 灵活度高，底层框架跟着社区迭代，上层定制化部分自己掌控[38] 五、企业多Agent落地正确路径 1. 先搭调度中台，再补业务Agent - 正确顺序是先搭框架再填内容，先搭统一调度层底座[41] - 确定四个核心规则：任务怎么拆、Agent怎么管、结果怎么验、成本怎么算[41] - 建立能力标签体系、权限管控体系、效果评估体系、用量计费体系[41] - 再根据业务需求一个个接入专项Agent，底座稳了往上加模块很简单[41] 2. 能力模块化，按需插拔 - 借鉴DeepSeek将Claude Code、Codex做成可按需安装的Profile Bundle[44] - 企业做AI喜欢一步到位，系统臃肿不堪，实际常用仅两三个[44] - 正确做法是模块化、插拔式，用多少花多少，不用为闲置能力买单[46] - 先从3-5个核心业务场景切入，对应接入3-5个专项Agent，跑通后再扩展[46] 3. 建立统一任务管控与评估机制 - 多Agent本质是管理问题，需同步建立三套机制[48][49] - 全流程可视化机制：所有任务从派发到验收全程在统一面板可见[49] - 效果评估机制：给每个Agent设定准确率、完成时长、成本消耗等指标，定期复盘[49] - 权限审批机制：不同层级员工能调用什么Agent、访问什么数据、单次任务预算多少，明确管控[49] 六、多Agent调度落地四类风险 1. 权限风险 - 子代理模式带来新安全风险，主任务调用子代理，子代理又调用其他工具和数据[53] - 权限边界没划清，写代码Agent可能拿到客户数据，搜索Agent可能接触内部保密文档[53] - 核心原则是最小权限，每个子代理只能访问必需数据和工具，所有任务全程留痕[54] 2. 一致性风险 - 同一商业分析问题交给三个不同Agent，结论可能完全不同，有的偏乐观有的偏保守[56] - 调度层需加“结果校验关”，所有子代理返回结果由主Agent做一致性校验和逻辑整合[57] - 重要业务场景加人工复核环节，机器做初版，人做终审[57] 3. 兼容风险 - 中大型企业有OA、CRM、ERP等历史系统，调度框架能否无缝对接决定能否用起来[59] - 接不上则员工需在多个系统间切换，增加工作量[59] - 选型优先选支持标准协议、有成熟SDK的开源框架，落地先从不需要深度对接的场景切入[60] 4. 载荷风险 - 多Agent调度比单个模型调用更耗资源，多模态能力放开后易出现载荷过载[62] - DeepSeek RC.8专门修复“图片尺寸过大或历史图片累计载荷过高导致模型请求失败”问题[62] - 企业需做好资源限流和任务队列、文件预处理、定期清理无效历史数据[62]

核心观点 DeepSeek Harness发布第7天即迎来版本更新，重点增强多模态支持、修复图片相关bug，并优化了Codex子智能体、web_search并发查询及SQLite后端性能，同时“DeepSeek Harness”已成为注册商标 多模态支持增强 - DeepSeek Harness最新版本增强多模态支持，DeepSeek模型适配器支持配置启用原生图片请求[1] - 虽然DeepSeek v4模型尚未发布支持视觉的版本，但若更换第三方支持视觉的模型，可手动在配置中开启[3] - 有观点认为这可能在剧透DeepSeek自家的视觉模型之后会发布[4] - 多模态支持的底层准备工作在上一次更新就已铺垫完成[10] - MCP与ACP支持持久化图片附件，附件不再随单次调用结束而消失，同时让PTC Mode可以转发嵌套图片[11] 图片相关Bug修复 - 修复了图片尺寸过大导致模型请求失败的问题[12] - 修复了多轮对话中历史图片累计载荷过高导致请求失败的问题[12] 引用范围扩展 - @的引用范围从文件扩展到了历史会话[7] - 一次提问可以同时挂上截图、本地文件和过往对话[8] 更多功能更新 - Claude Code和Codex不再与主体一起分发，变为按需安装的Profile Bundle[13] - Codex支持新增非交互权限模式，使其能在无人值守的流程中运行[13] - Codex支持新增多命名实例，允许同时存在多个配置不同、名字各异的Codex子智能体[13] - web_search支持并发查询[15] - Windows PTY终端加入了PowerShell会话支持，并在极简模式预设里默认开启[16] - 极简模式本身只保留持久bash和文件编辑器两个工具[16] - SQLite后端的读写和分叉性能改善，存储体积也降了下来，但数据结构与旧版不兼容[16] 商标注册 - “DeepSeek Harness”现在是注册商标，具体条款见品牌使用规范文档[17]

核心观点 DeepSeek Harness RC.8版本更新标志着该开源Agent框架正演变为一个统一的Agent调度层，通过整合多模态能力与外部顶级Coding Agent（如Claude Code、Codex），构建可灵活编排的工作流体系[2][5][7] 多模态能力增强 - DeepSeek模型适配器可直接开启原生图片请求，/goal、/plan等核心命令支持图文混合输入[4] - @菜单新增文件和历史会话引用功能，允许用户将本地文件及此前对话上下文直接交给Agent处理[4] - 修复图片尺寸过大或历史图片累计载荷过高导致模型请求失败的问题[11] 外部Agent集成 - Claude Code和Codex可作为Profile Bundle按需安装，并作为子代理被Harness调用[6] - Codex新增非交互权限模式，支持同时运行多个命名实例[6] - RC.7版本首次让Codex与Claude Code的子代理任务接入Job Panel，用户可在任务面板管理执行过程[8] - RC.8版本中Claude Code和Codex的provider可做成独立Profile Bundle，需要时再安装[8] 工具调用与工作流优化 - web_search支持并发查询[9] - 子代理完成任务后，reportDelivery可及时反馈结果并主动唤醒父任务[9] - 修正取消流式生成后已展示的回复前缀未带入后续提问和分叉会话[11] - 修复部分自定义OpenAI兼容网关因请求格式差异无法调用，以及推理内容回传可能缺失问题[11] Windows终端与部署优化 - PTY终端支持持久化PowerShell会话，在Minimal预设中默认开启[9] - 安装和启动流程简化，包括缩小依赖下载体积，以及本地运行dsh web时自动打开浏览器[9] SDK与依赖更新 - Python SDK依赖配置覆盖4个内置Agent预设[10] - 包含rg/glob搜索和MCP stdio工具所需依赖[10]