核心觀點

　　大廠驅動Agent是下半年AI主要邊際變量。互聯網大廠憑藉資金和技術、場景的優勢已成爲驅動 Agent 發展的核心力量。各類Agent產品成爲了近期大廠發佈會和產品更新的關鍵角色：如字節的“釦子空間”、阿里的“心流”、百度的“心響”等智能體層出不窮。互聯網大廠在Agent領域的進展將多方面帶動AI產業進展：1）在技術領域，大廠通過開源模型推動技術進步，大廠的各類智能體開發平臺也降低了Agent的開發門檻。2）在AI基礎設施層面，大廠加大投入拉動相關產業鏈需求。3）在應用場景拓展方面，大廠利用自身多元業務場景率先應用 Agent 技術，同時積極攜手生態合作伙伴賦能垂類領域，有望帶動各領域軟件服務商成長。

　　Agent三大要素：數據、模型、接口。1）垂類數據是Agent能力拓展到各行業的關鍵，如飛豬的Agent“問一問”接入了自己的機票報價引擎，平臺積累的用戶評價數據也被深度整合進推薦算法。2）基礎大模型的能力提升是Agent進步的核心動力：更強大的基礎模型使Agent能夠處理更復雜的多步驟任務規劃，模型的上下文理解能力也對Agent準確識別任務需求與工具的匹配關係至關重要。阿里開源的 Qwen3 混合推理模型矩陣，亮點包括多種思考模式&多語言&Agent能力強化，同時在僅使用 10% 激活參數的情況下達到了與 Qwen2.5 Dense 基礎模型相似的性能。3）Agent需要通過各類接口與外部系統交互，獲取上下文或執行操作，也即使用工具擴展Agent能力。MCP協議的普及進一步降低模型打通各數據源和工具接口的開發成本。

　　算力是Agent爆發的前提。以LLM爲核心驅動的Agent 背後也蘊含龐大的算力需求：1）Agent通過 API 調用、網頁瀏覽等方式接入外部數據和多輪模型調用帶來的長上下文。2） Agent 執行任務驗證帶來算力開銷，爲確保任務執行的準確性、可靠性與合規性，如 Manus AI 的三重校驗體系不可避免地消耗大量算力。3）多模態發展趨勢下，Agent 需處理整合文本、圖像、音頻等多種類型數據。4）Agent能力日益增強的帶來的用戶調用激增，爲保障用戶體驗，Agent 服務提供商需預留應對用戶流量波動的冗餘算力5）除了用戶端的推理需求，模型訓練階段對更大規模數據和模型參數量的需求也對算力提出了更高要求。

　　垂類Agent適合預期較低做組合配置，伴隨產業演繹會出現Alpha標的。早期垂類Agent上市公司區分度不高，原因主要在於技術和應用尚處於早期階段多數企業依然處於探索階段，後續應用落地進度受多種因素影響，如技術研發進展、市場機遇把握等，可能出現分化。因此適合預期較低做組合配置。一方面可以分散投資風險，一方面隨着技術發展整個Agent行業可能會呈現出整體增長的趨勢，但各領域發展速度存在差異，組合配置可以捕捉不同領域的增長機會，分享行業增長帶來的收益。伴隨產業演繹會出現Alpha標的，我們認爲具有豐富場景數據和客戶資源的公司，或者技術領先和創新能力強的公司更有希望受益於Agent產業發展。

　　建議關注：

　　算力：寒武紀、海光信息、阿里巴巴、奧飛數據、協創數據、海南華鐵、雲賽智聯、濰柴重機、科華數據、大位科技、玉柴國際、億田智能、宏景科技、東陽光、弘信電子、聖陽股份、潤建股份、深信服、神州數碼、深桑達、品高股份、金山雲、南都電源、雲天勵飛、優刻得、雲從科技、浪潮信息、中科曙光、太極股份、首都在線、杭鋼股份、數據港、南興股份、華策影視、順網科技、恆爲科技、網宿科技、傑創智能、朗科科技等。

　　Agent：金山辦公、泛微網絡（維權）、金蝶國際、鼎捷數智、拓爾思、用友網絡、宇信科技、京北方、中科金財、致遠互聯、金橋信息、漢得信息、朗新集團、上海鋼聯、新致軟件、同花順、信雅達、螢石網絡、潤達醫療、中科金財、恒生電子、星環科技、衛寧健康、創業慧康、軟通動力、光雲科技、科大訊飛、萬興科技、海天瑞聲、創業黑馬、邁富時、小商品城、金證股份、頂點軟件、朗新集團、晶泰控股、佳發教育、嘉和美康、新大陸、新開普等。

　　垃圾發電：旺能環境、盈峯環境、瀚藍環境、軍信股份等。

　　互聯網大廠AI鏈：寒武紀、恆玄科技、孩子王、天鍵股份、潤欣科技、實豐文化、樂鑫科技、螢石網絡、中芯國際、潤澤科技、歐陸通、華懋科技、浪潮信息、中興通訊、中科曙光、兆易創新、國光電器、法本信息、亞康股份、申菱環境、兆龍互連等。軍工AI：能科科技、品高股份、普天科技、海格通信等。

　　風險提示：AI技術迭代不及預期風險；經濟下行超預期風險；行業競爭加劇風險。

　　報告正文

　　01

　　大廠驅動Agent是下半年AI主要邊際變量

　　當前以大語言模型（LLM）爲核心驅動的AI Agent技術正在快速發展中，展現出理解複雜指令、自主規劃、調用工具並執行多步驟任務的強大能力。從簡單的問答、文本生成，到複雜的市場分析、代碼編寫、差旅預訂，Agent正逐漸滲透到我們工作和生活的方方面面。

　　互聯網大廠憑藉獨特優勢成爲驅動Agent 發展的核心力量。首先大廠具備雄厚的資金和技術實力支撐投入Agent 研發。同時大廠擁有海量用戶數據以及廣泛的業務場景，其平臺每日產生的交互數據量極爲龐大。爲訓練更智能、更適應複雜場景的 Agent 模型提供了堅實基礎。

　　目前互聯網大廠正積極佈局Agent領域，各類Agent產品成爲了近期大廠發佈會和產品更新的關鍵角色：據新財富報道4月18日字節旗下toC Agent應用“釦子空間”正式上線內測。字節對於釦子空間的定義，是精通各項技能的“通用實習生”與各行業的“領域專家”，具備無限拓展能力的 AI Agent。

　　3月11日Manus平臺宣佈，將與阿里通義千問團隊正式達成戰略合作。

　　4月30日阿里旗下AI助手“心流”上線高級研究功能，可以精準理解需求，在學術數據庫、行業報告、新聞資訊等多源數據中，快速精準定位相關信息，將碎片化數據進行關聯整合。自動將分析結果轉化爲結構清晰、內容詳實、格式精美的HTML報告。

　　4月25日百度在正式在開發者大會上發佈智能體APP“心響”。通過自然語言交互幫助用戶實現複雜任務拆解、動態執行與可視化結果交付。除了常見的外部MCP工具調用，在健康、法律等專業場景中，它還實現了多智能體協作機制。比如，面對健康諮詢時，系統可自動調度多位“醫生AI分身聯合會診”；在法律服務中，則支持由多個律師AI分身組成的“律師智囊團”協同答覆與服務。

　　我們認爲互聯網大廠在Agent領域的進展將多方面推動AI產業進展：1）在技術領域，大廠通過開源其研發的先進模型推動技術進步，大廠的各類智能體開發平臺也以低代碼甚至無代碼的開發方式進一步降低了Agent的開發門檻。如OpenAI的GPTs、字節跳動的Coze平臺、百度的文心智能體平臺使大量開發者和普通用戶能夠創建和分享針對特定需求的Agent，極大地加速了Agent應用的創新和普及。2）在AI基礎設施層面，互聯網大廠加大在數據中心建設、算力等方面投入，拉動相關產業鏈需求。如2月24日阿里巴巴集團CEO宣佈未來三年阿里將投入超過3800億元，用於建設雲和AI硬件基礎設施，總額超過去十年總和。

　　3）在應用場景拓展方面，大廠利用自身多元業務場景率先應用 Agent 技術並不斷優化。同時積極攜手生態合作伙伴，共同用AI賦能垂類領域，有望帶動各領域軟件服務商成長。

　　02

　　Agent三大要素：數據、模型、接口

　　1、垂類數據是Agent能力拓展到各行業的關鍵：

　　當Agent 發展進入深耕各行業階段，垂類數據成爲提升 Agent 性能的核心要素。例如飛豬的Agent“問一問”之所以能解決傳統旅遊AI的幻覺與時效性痛點，關鍵在於開放協議接口+實時數據+多智能體協作。飛豬技術負責人倪生華在硅星人pro的採訪中表示，“問一問”的訓練思路是，讓模型學會旅遊服務的思考方式後，通過飛豬自有的協議接口和Agent去調用各個場景中的實時數據。

　　與上一代旅行AI產品依賴靜態數據庫不同，飛豬直接接入了自己的機票報價引擎，Agent在解析完消費需求後，會通過報價引擎從航司和全球機票分銷系統（GDS）獲取信息，並打通了酒店、景區品類的供應鏈管理系統，確保機票、酒店價格和庫存等信息秒級更新。比如當用戶查詢“5月北京至南京低價機票”時，系統會實時拉取航空公司的動態報價，並自動過濾已售罄的航班，保證推薦的真實有效性。更爲關鍵的是，平臺積累的用戶評價數據被深度整合進推薦算法，當某酒店的過往消費者負向反饋較爲明顯時，AI會自動降低其推薦優先級。這種數據閉環確保了推薦方案既具備時效性，又能真實反映消費體驗質量，有望從根本上解決了單純依賴大模型預訓練形成的能力、信息滯後的痛點。

　　其次，相比於單一模型或單智能體的決策，“問一問”採用了多智能體協作機制打造核心決策層。系統內置了行程助手、交通顧問、酒店管家等多個專業AI角色，每個角色負責特定領域的專業判斷。比如當用戶提出“帶老人出遊”的綜合需求時，行程助手會智能拆解出“減少步行距離”、“避開陡坡景點”等具體任務指標，並觸發交通顧問查詢接駁時間寬鬆的航班，同時酒店管家篩選無障礙設施齊全的住宿選項。技術團隊數據顯示，這種分工協作模式雖然比單一模型響應速度稍慢，但方案準確性和可用性得到了大幅度提高，初步解決了旅遊規劃中的複雜多維決策問題。2、基礎大模型的能力提升是Agent進步的核心動力：首先更強大的基礎模型使Agent能夠處理更復雜的多步驟任務規劃，其次模型更強的上下文理解能力使Agent的工具使用能力提升，在模型能操作多個工具的時候Agent需要能準確識別任務需求與工具功能的匹配關係。4月29日阿里開源 Qwen3 混合推理模型矩陣，亮點包括多種思考模式&多語言&Agent能力強化。1）Qwen3有思考模式和非思考模式，思考模式下模型會逐步推理，經過深思熟慮後給出最終答案；非思考模式下，模型提供快速、近乎即時的響應。2）Qwen3 模型支持 119 種語言和方言。3）Qwen3優化了 Qwen3 模型的 Agent 和 代碼能力，同時也加強了對 MCP 的支持。Qwen3 Dense 基礎模型的整體性能與參數更多的Qwen2.5基礎模型相當 Qwen3 MoE 基礎模型，在僅使用 10% 激活參數的情況下達到了與 Qwen2.5 Dense 基礎模型相似的性能Agent需要通過各類接口與外部系統交互，獲取上下文或執行操作，也即使用工具擴展Agent能力。例如在智能辦公領域，騰訊元寶和騰訊文檔在3月13日正式打通，用戶可以直接上傳騰訊文檔到騰訊元寶，讓AI輔助總結、提煉要點，也能一鍵導出騰訊元寶對話到騰訊文檔，隨時修改、分享或繼續創作。

　　MCP協議的普及進一步降低模型打通各數據源和工具接口的開發成本。Anthropic在2024年11月25日正式開源MCP協議，旨在標準化如何爲大模型提供上下文。可以將MCP想象成 AI Agent的 USB-C接口：爲大模型提供了一種連接到各種工具和數據源的統一方法。傳統上將AI統連接到外部工具涉及集成多個API，每個集成都意味着單獨的代碼、文檔、身份驗證方法、錯誤處理和維護。MCP旨在替換碎片化的Agent代碼集成，從而使 AI 系統更可靠，更有效。通過建立通用標準，服務商可以基於協議來推出它們自己服務的 AI 能力，從而支持開發者更快的構建更強大的AI應用。開發者也不需要重複造輪子，通過開源項目可以建立強大的 AI Agent 生態。

　　目前國內大廠均先後擁抱MCP機制，大廠的生態作用也可進一步凸顯。據鈦媒體，4月9日阿里雲百鍊上線業界首個全生命週期MCP服務，同日，騰訊雲上線正式發佈“AI開發套件”，螞蟻集團旗下的OceanBase也已實現MCP協議的對接。百度則引入基於百度搜索的MCP Server發現平臺和MCP Server服務。目前阿里百度騰訊字節旗下一部分AI智能體產品均支持MCP協議。字節的火山引擎構建了大模型生態廣場，提供各類字節旗下或第三方的MCP。

　　03

　　算力是Agent爆發的前提

　　Agent對算力的需求極其龐大，無論是訓練更強大的Agent模型，還是支撐海量用戶的高併發訪問，亦或是確保Agent執行任務的準確可靠，都離不開底層算力的強力支撐。Agent對算力需求巨大的幾個核心原因包括：

　　1、Agent需要處理長上下文和接入外部數據。Agent的上下文窗口長度以及接入外部數據的能力直接關係到Agent能夠處理任務的複雜度和深度，這種能力的提升直接關聯到巨大的計算需求。計算需求增長對底層硬件（主要是GPU）提出了極高的要求，不僅需要更多的計算單元，還需要更大的顯存來存儲模型參數和中間計算結果。

　　更長的上下文窗口意味着模型可以處理和記住更多的信息。IBM的解釋中明確指出，LLM的上下文窗口（或上下文長度）是模型在任何時候可以考慮或“記住”的文本量，以詞元爲單位。LLM 的上下文窗口可被視爲其工作記憶。它決定了LLM 在不遺忘先前對話細節的情況下可以進行多長時間的對話。它還決定了一次可以處理的文檔或代碼樣本的最大大小。當提示、對話、文檔或代碼庫超過人工智能模型的上下文窗口時，必須對其進行截斷或總結，模型才能繼續處理。一般來說增加LLM的上下文窗口大小意味着更高的準確性、更少幻覺、更連貫的模型響應、更長的對話以及分析更長數據序列的能力提高。增加上下文長度通常需要增加算力要求，導致成本增加。當用戶與Agent進行多輪對話，或者要求Agent處理長文檔、分析大量數據時，模型需要維持龐大的上下文信息。不僅僅是用戶輸入的文本，還可能包括系統提示、通過檢索增強生成（RAG）從外部數據源獲取的補充信息等。所有這些信息都需要在模型的工作記憶中佔據空間。

　　Agent接入外部數據的能力，例如通過API調用、網頁瀏覽、數據庫查詢等方式獲取實時或特定領域信息，進一步加劇了算力消耗。Agent執行這些外部調用本身就需要計算資源，而獲取到的外部數據往往需要整合到當前的上下文中，再次增加了上下文的長度和處理的複雜度。

　　2、Agent執行任務驗證帶來的算力開銷

　　爲了確保Agent執行任務的準確性、可靠性和合規性，複雜的驗證過程成爲許多高級Agent架構中不可或缺的一環。據51cto，以Manus AI爲例，其技術架構中包含一個專門的驗證模塊，驗證模塊通過三重校驗體系保障輸出可靠性：邏輯驗證器檢測任務鏈的因果合理性；事實覈查器交叉比對多信源數據真實性；合規審查器確保輸出符合法律法規。在醫療諮詢、金融分析等對準確性和合規性要求極高的場景中，驗證模塊發揮着關鍵作用，如在醫療諮詢時同步驗證醫學指南、最新論文和臨牀數據，生成置信度評分，讓輸出結果精準且可靠。執行這些驗證步驟需要額外的計算資源，是爲了提升結果質量和可靠性而進行的投入。我們認爲Agent越智能、越可靠，其內置的驗證和修正機制往往越複雜，對算力的需求也就越大。3、多模態的發展會帶來更大算力需求隨着技術進步，Agent正朝着多模態的方向發展，即能夠處理和整合多種類型的數據，如文本、圖像、音頻、視頻等。多模態的發展使得Agent能夠在更廣泛的應用場景中發揮作用，爲用戶提供更加豐富和全面的交互體驗，但同時也帶來了更大的算力需求。以一個智能客服Agent爲例，它不僅需要理解用戶的文本提問，還可能需要識別用戶上傳的圖片或語音消息。爲了處理這些多模態數據，Agent需要大量的計算資源，

　　4、算力瓶頸影響Agent服務的用戶體驗

　　在用戶量激增、模型複雜度提升、應用場景多樣化的背景下，算力瓶頸問題日益凸顯，具體表現爲服務響應延遲、服務不穩定甚至服務中斷等情況，導致用戶體驗受損，雖然可以通過優化API調用方式（如批量請求、異步請求）等方法緩解，但根本原因在於瞬時或持續的算力需求超出了服務提供商的承載能力。

　　如據新京報貝殼財經記者測試發現Manus回答問題一般耗時15分鐘，根據任務難度的不同，Manus執行任務的時間也不同，如對“設計採訪提綱與視頻採訪腳本方案”等幾項文字類任務，Manus的執行時間約爲15分鐘至20分鐘，而對於“設計金融科普互動產品”這項涉及網頁交互的任務，Manus耗時31分鐘。極客公園測試，用釦子的探索模式制定一份日本旅行攻略，做出這份旅行攻略的時間在 10 分鐘以上，

　　同時爲了保證用戶體驗Agent服務需要留出一定應對用戶流量波動的冗餘算力。用戶對服務的訪問量往往具有不確定性，會因各種因素如節假日、特殊事件、營銷活動等出現峯值。DeepSeek官方在知乎發佈的技術報告指出，由於白天的服務負荷高，晚上的服務負荷低，因此DeepSeek實現了一套機制，在白天負荷高的時候，用所有節點部署推理服務。晚上負荷低的時候，減少推理節點，以用來做研究和訓練。但並非所有Agent服務提供商都有訓練模型等需求可以充分利用閒時算力，因此能滿足用戶峯值的算力必然會存在一定的冗餘。

　　5、

　　算力

　　需求

　　不僅體現在用戶端的推理服務上，也體現在模型訓練階段。

　　訓練更大、更強的Agent

　　基礎

　　模型需要海量的算力支持。

　　當下大模型的參數規模和訓練數據量規模都非常龐大。以阿里的Qwen模型爲例，4月29日阿里開源的Qwen3系列模型中

　　Qwen3-235B-A22B

　　有

　　2350多億總參數、 220多億激活參數

　　。在預訓練方面，Qwen3 的數據集相比 Qwen2.5 有了顯著擴展。Qwen2.5是在 18 萬億個 token 上進行預訓練的，而 Qwen3 使用的數據量幾乎是其兩倍，達到了約 36 萬億個 token，涵蓋了 119 種語言和方言。在後訓練階段，爲了開發能夠同時具備思考推理和快速響應能力的混合模型，阿里實施了一個包括（1）長思維鏈冷啓動（2）長思維鏈強化學習（3）思維模式融合（4）通用強化學習的四階段訓練流程。

　　綜上所述，基於大語言模型的Agent之所以對算力有着巨大的需求，是由其技術特性和當前的發展階段共同決定的。更長的上下文處理能力、接入外部數據的需求、日益增強的功能帶來的用戶調用頻率激增、確保結果可靠性的複雜驗證機制，以及當前Agent技術和應用的爆發式增長，都對底層算力提出了極高的要求。從模型訓練到服務推理，從應對高併發訪問到保障服務穩定性，算力已成爲支撐Agent發展的關鍵基礎設施和核心瓶頸。

　　04

　　垂類Agent適合預期較低做組合配置，伴隨產業演繹會出現Alpha標的

　　早期垂類Agent上市公司區分度不高，原因主要在於技術和應用尚處於早期階段：衆多上市公司紛紛佈局垂類Agent領域，但多數企業依然處於探索階段，不同企業的後續Agent應用落地進度受多種因素影響，如技術研發進展、市場機遇把握等，可能出現分化。

　　垂類Agent適合預期較低做組合配置。由於早期垂類Agent上市公司區分度不高，因此適合預期較低做組合配置。通過投資多隻相關上市公司的股票，一方面可以分散投資風險，避免因個別公司的進展不佳而導致較大的損失。同時，隨着技術發展整個Agent行業可能會呈現出整體增長的趨勢，但各領域對Agent的需求和應用程度不同，發展速度存在差異，組合配置可以捕捉不同領域的增長機會，分享行業增長帶來的收益。

　　伴隨產業演繹會出現Alpha標的，隨着產業發展，技術迭代加速，企業間差距將逐步拉開。我們認爲以下類型的公司更有希望受益於Agent產業發展：

　　1）具有豐富場景數據和客戶資源的公司：在垂類Agent領域，場景數據和客戶資源至關重要。垂類Agent的核心價值在於能夠深入理解行業業務流程，通過垂類Agent實現業務流程的智能化，擁有豐富場景數據的公司可以更好地訓練和優化垂類Agent，使其更貼合實際應用場景；而擁有大量客戶資源的公司則可以更快地將垂類Agent產品推向市場，實現商業化落地。例如，在金融、醫療、工業等領域，一些上公司憑藉其長期積累的行業數據和客戶資源，有望在垂類Agent市場中取得領先地位。

　　2）技術領先和創新能力強的公司：隨着產業的發展，那些在技術上具有領先優勢、創新能力強的公司有望脫穎而出。儘管目前Agen核心模型主要依賴開源模型或與大廠合作，但是在模型的調優、Agent與具體外部知識以及業務的集成上依然會有許多挑戰。能在技術和創新能力上與對手拉開差距的公司將更有可能在市場競爭中佔據優勢。

　　05

　　投資建議

　　建議關注：

　　算力：寒武紀、海光信息、阿里巴巴、奧飛數據、協創數據、海南華鐵、雲賽智聯、濰柴重機、科華數據、大位科技、玉柴國際、億田智能、宏景科技、東陽光、弘信電子、聖陽股份、潤建股份、深信服、神州數碼、深桑達、品高股份、金山雲、南都電源、雲天勵飛、優刻得、雲從科技、浪潮信息、中科曙光、太極股份、首都在線、杭鋼股份、數據港、南興股份、華策影視、順網科技、恆爲科技、網宿科技、傑創智能、朗科科技等。

　　Agent：金山辦公、泛微網絡、金蝶國際、鼎捷數智、拓爾思、用友網絡、宇信科技、京北方、中科金財、致遠互聯、金橋信息、漢得信息、朗新集團、上海鋼聯、新致軟件、同花順、信雅達、螢石網絡、潤達醫療、中科金財、恒生電子、星環科技、衛寧健康、創業慧康、軟通動力、光雲科技、科大訊飛、萬興科技、海天瑞聲、創業黑馬、邁富時、小商品城、金證股份、頂點軟件、朗新集團、晶泰控股、佳發教育、嘉和美康、新大陸、新開普等。

　　垃圾發電：旺能環境、盈峯環境、瀚藍環境、軍信股份等。

　　互聯網大廠AI鏈：寒武紀、恆玄科技、孩子王、天鍵股份、潤欣科技、實豐文化、樂鑫科技、螢石網絡、中芯國際、潤澤科技、歐陸通、華懋科技、浪潮信息、中興通訊、中科曙光、兆易創新、國光電器、法本信息、亞康股份、申菱環境、兆龍互連等。軍工AI：能科科技、品高股份、普天科技、海格通信等。

　　06

　　風險提示

　　AI技術迭代不及預期風險：若AI技術迭代不及預期，則對產業鏈相關公司會造成一定不利影響。

　　經濟下行超預期風險：若宏觀經濟景氣度下行，固定資產投資額放緩，影響企業再投資意願，從而影響消費者消費意願和產業鏈生產意願，對整個行業將會造成不利影響。

　　行業競爭加劇風險：若相關企業加快技術迭代和應用佈局，整體行業競爭程度加劇，將會對目前行業內企業的增長產生威脅。

責任編輯：何俊熹