计算机行业：当前Agent的发展进行到了什么阶段？

本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。同时请务必阅读正文之后的免责条款和声明。当前Agent的发展进行到了什么阶段？发布日期：2025年5月16日分析师：应瑛yingying@csc.com.cnSAC 编号：S1440521100010研究助理：李楚涵lichuhan@csc.com.cn行业动态报告证券研究报告2核心观点观点核心观点尽管尚未有明确的产品定义，但Agent类别与应用场景已迅速丰富。其中，中美大厂Agent发展思路存在差异，北美云厂商主要关注帮助客户高效部署模型和Agent，国内互联网大厂Agent布局仍延续互联网时代用户流量逻辑；而中美B端企业则均关注Agent创建和管理平台。考虑到Agent类产品对算力消耗大，Agent发展有望继续带动AI产业链向上，建议关注后续技术突破→商业化落地拐点。尽管尚未有明确的产品定义，但Agent类别与应用场景已迅速丰富。工程师流程调优与否对应Agent发展的两条不同路线。学界普遍认为Agent需要具备规划能力；而业界如OpenAI仅强调Agent能够独立完成任务； Anthropic则将Workflow和Agent进行了明确划分。当前随着大模型、 NLP与多模态等技术不断发展， Agent类别与应用场景迅速丰富，有望迎来价值落地。中美大厂Agent发展思路存在差异，B端厂商则均关注平台化布局。对比当前海内外AI Agent布局现状：北美云厂商主要关注帮助客户高效部署模型和Agent，而B端厂商更聚焦打造Agent创建和管理平台；国内互联网大厂Agent布局仍延续互联网时代用户流量逻辑，通过类“Manus”的通用Agent产品抢占用户，B端企业则类似北美，基于AI/Agent平台选取有价值的产品进行落地。Agent类产品对算力消耗大，关注后续技术突破->商业化落地拐点。从Manus定价及表现推断，Agent对话交互Token消耗或达十万以上，远超chatbot类AI产品，我们认为原因主要如下：1）长上下文窗口对token的消耗量大；2）多Agent/工具通信造成token量增长；3）验证模块对token的大量消耗；4）多模态场景token消耗量更大；因此AI底层算力需求仍然是产业不可或缺的一环。此外，当前Agent落地仍面临意图混淆、多Agent合作、幻觉等多种问题，学界及业界均积极探索，技术迭代下商业化规模落地可期。投资建议：Agent进展迅速，AI产业链趋势有望持续向上。1）AI模型及技术持续迭代，利好有数据、有客户、有场景的软件企业，AI产品有望带动公司ARPU提升和项目单价上升，继续看好ERP和政府方向率先落地订单和产品。 a）B端场景的金蝶国际、用友网络、鼎捷数智、赛意信息、多点数智；b）垂直领域2C公司如金山办公、福昕软件等；c）可以新增创收的教育、医疗场景，推荐视源股份、创业慧康和医疗检测类企业；2）模型私有化需求增加，利好一体机、超融合和 B 端服务外包企业。a）推荐服务器、一体机、超融合等相关标的，深信服、神州数码等；b）金融、政府、能源等依赖软件定制较多的领域，推荐京北方、宇信科技、顶点软件、恒生电子、新点软件、朗新集团、国能日新、博思软件、税友股份等；c）算力租赁和 IDC 的标的亦值得关注。目录CONTENTS1、Agent定义尚未明确，但类别及应用场景已然丰富2、大厂助力Agent部署，B端场景已实现商业化价值3、国内Agent发展现状：互联网厂商把握流量趋势，B端企业提供Agent平台4、Agent落地带来的改变和面临的挑战有几何？5、投资建议4Agent尚无明确无明确定义，定义，自主规自主规划与否划与否为核心为核心争议点争议点工程师流程调优与否对应Agent发展的两条不同路线。传统的软件系统大多遵循清晰的“请求-响应”模式，即前端（用户）发送请求，后端（软件）接收请求，访问数据库，执行变更，最终返回结果，这种模式使得软件可以根据用户的需求进行定义，软件工程师可以通过对代码、架构的精细打磨优化产品性能。而在AI时代，依靠大模型进行动态推理和生成响应则存在大量的模糊计算，软件的响应不再由静态代码决定，而是基于不断进化的模型能力动态驱动，此时软件工程师对产品额外的优化代码可能会在模型更新后失去意义，甚至完全失效。上述情形反映到Agent中对应了两条路径，一是由工程师设计复杂的工作流，让模型在框架里运行；二是不断提升大模型的推理能力，搭建更灵活、通用的Agent。学界普遍认为Agent需要具备规划能力。目前Agent尚没有统一或公认的定义，学界和业界往往从不同的角度对其进行说明。学界普遍认为Agent需要具备规划能力：例如李飞飞团队的多模态通用Agent范式中主要包括五个模块，1）环境与感知（Environment&Perception）模块进行长期任务规划和技能观察；2）学习（Learning）模块使Agent能力不断提升；3）记忆（Memory）模块使Agent学习到的知识可以被编码并在后续调用；4）认知（Cognition）模块使Agent能够针对任务采取最合适的行动，并允许环境反馈；5）执行（Action）模块用于完成特定任务或动作。资料来源：《AGENT AI: SURVEYING THE HORIZONS OF MULTIMODAL INTERACTION》，中信建投图：多模态通用Agent范式5Agent尚无明确无明确定义，定义，自主规自主规划与否划与否为核心为核心争议点争议点OpenAI强调Agent能够独立完成任务。OpenAI将AI Agent定义为“以大语言模型为大脑驱动的系统，具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行并完成复杂任务的系统”。具体而言，Agent会将大型任务分解为子任务，规划执行任务的流程并进行评估；在执行任务的过程中，Agent具备记忆能力，其中短期记忆用于存储上下文以支持多轮对话，长期记忆则通过向量数据库实现，存储用户特征、业务数据等新信息；此外，Agent还能够通过API、插件调用外部工具，拓展应用能力。而在OpenAI近期发布的《智能体构建实用指南》中，Agent进一步被定义为“能独立完成任务目标的系统”，包括两大核心特征：1）使用LLM管理工作流执行并决策；能识别工作流完成状态，必要时主动纠正操作；失败时可中止执行并将控制权交还用户。2）配备多种工具与外部系统交互（获取上下文或执行操作），根据工作流状态动态选择工具，始终在明确定义的护栏内运行。资料来源：腾讯技术工程，中信建投图：基于LLM驱动的Agent基本框架6Agent尚无明确无明确定义，定义，自主规自主规划与否划与否为核心为核心争议点争议点Anthropic则将Workflow和Agent进行了架构区分，核心差异在于是否由大模型自主对流程进行编排。同时， Anthropic把二者统一归类为Agentic系统（相当于OpenAI定义的Agent），基本模块同样为具备检索、工具和记忆等增强功能的 LLM。Workflow：通过预定义的代码路径协调 LLM 和