AI Agent 产业链：模型、工具、应用与服务机会

01 核心判断

AI Agent 产业链不能只按“谁拥有更强模型”来理解。模型提供通用能力，工具层连接数据和操作，应用层把能力嵌入场景，服务层负责实施、评估、治理与持续运营。最终价值由整条交付链共同决定。

产业机会更可能出现在能够持续缩短某类任务闭环、同时控制错误与责任风险的组合，而不是单个功能演示。

02 为什么值得关注

Agent 的产品边界仍在变化：模型厂商增加工具调用，软件产品加入智能代理，服务商把流程改造成自动化方案。传统分层可能快速重叠，企业也容易把采购模型、采购软件和采购业务结果混为一谈。

研究产业链有助于区分能力来源、价值归属与风险承担者，而不是追逐短期产品名称。

03 事实与证据

• 通用模型可以提供理解、生成和推理能力，但业务执行还需要身份、权限、数据、工具与反馈机制。
• NIST AI RMF 把治理、情境、测量与管理放在同一风险管理框架中，说明部署效果不能仅看模型输出。
• 企业场景中的责任通常由采购方、技术提供方和实施方共同分担，具体边界取决于合同与流程。

本文不使用未审计的厂商收入、用户量或实时估值数据，也不据此推导证券结论。

04 分析与推理

可以把产业链拆成五个相互依赖的环节：

1. 基础模型与算力：提供通用能力与运行资源；
2. 工具与基础设施：提供数据连接、身份、权限、评估和观测；
3. 场景应用：围绕具体任务设计交互与工作流；
4. 实施与运营服务：完成流程改造、集成、培训和持续维护；
5. 治理与保障：覆盖安全、合规、审计和责任机制。

若某一环节无法证明价值，收入可能只是从另一个环节转移，而非创造新增价值。分析企业时应检查它控制的是哪一环、客户为何持续付费、替换成本来自技术还是组织嵌入。

05 反方观点

一种观点认为，模型能力会吞并工具和应用层，产业价值最终高度集中。模型确实可能向上下游扩展，但行业数据、渠道、交付责任和现场流程未必能够被统一产品完全覆盖。

另一种观点认为，应用只需调用模型，缺乏长期壁垒。这对通用、低切换成本场景可能成立；对需要权限、持续数据反馈和线下交付的场景，壁垒可能来自系统性服务，而非单一算法。

06 关键变量

• 模型能力与调用成本的变化；
• 工具协议和接口是否趋于标准化；
• 企业数据是否可用、可授权、可追踪；
• Agent 的错误能否被发现并低成本修正；
• 应用是否进入高频核心流程；
• 供应商承担的交付与合规责任范围。

07 风险与不确定性

产业边界和产品形态变化快，今天独立的环节可能被整合。厂商公开案例常突出成功结果，未必披露人工介入、失败率与总成本。跨公司比较还会受到会计口径和收入分类差异影响。

因此本文只提出观察框架，不给出公司评级、目标价、买卖建议或短期价格预测。

08 后续观察

后续将按任务类型记录 Agent 的真实交付结构：谁提供模型、谁连接工具、谁负责实施、谁验收结果、谁承担错误。对上市公司相关判断，仅采用其依法披露的定期报告、公告和可核验公开资料，并标注数据截止日期。

09 结论

AI Agent 产业的关键不是把每个软件都重新命名为 Agent，而是证明从意图到行动的闭环更快、更可靠、更可治理。研究价值分配时，应同时观察技术能力、组织嵌入和责任边界。

10 来源与参考资料

1. NIST：Artificial Intelligence Risk Management Framework (AI RMF 1.0)，发布于 2023-01-26，访问于 2026-07-20。
2. NIST AI Resource Center，访问于 2026-07-20。

资料截止日期：2026-07-20。本文未引用具体上市公司的实时行情、估值或未审计经营数据。

11 版本更新记录

• v1.0｜2026-07-20：建立五环节产业链框架，明确后续观察变量与合规边界。

固定风险说明：本文基于公开信息开展产业与企业研究，仅供知识交流，不提供证券买卖建议，不构成任何投资咨询、收益承诺或金融产品营销。市场与企业经营存在不确定性，请读者独立判断并自行承担决策责任。

利益冲突披露：作者声明不持有文中涉及公司的证券。作者与文中公司不存在已知商业合作。