“ 过去厂商比拼模型参数，现在还要比拼模型加生态工具的组合能力，市场竞争焦点已经发生转移。”
“ 第二，没有看到它与单体高性能的 Deep Research 在性能准确度、成本效率上的公开对比或测试，所以不能确定它在使用大量并行任务后，效果是否真的得到提升。”
“ 它没有专业数据、没有专属工具链、没有行业认证、没有与业务深度绑定的集成，也没有与高价值业务场景的绑定，也就是任何人都能做。所以，它更偏向工程能力的延伸，而不是在构建场景护城河。”
“ 因为它只是摘录过去的一些市场信息，而二级市场的信息来源非常多，决策点也很多，这类产品完全无法体现这些复杂因素。看起来像是做了一个智能投顾，但实际上既没有真正实现投资组合优化、风险控制，也无法对接交易系统，无法支撑其宣传的定位。”
“目前市面上没有一家能真正把智能投顾功能做好。实际上，大部分经纪公司都有相关部门去做这件事。问题在于，一方面他们觉得必须做，另一方面看到大模型似乎能解决问题，就开始投入开发，完成后立刻做宣传，声称接入了大模型并具备某种能力。”
“ 生态的第二层才是通用型 Agent，通用 Agent 的核心在于入口，例如 Apple Intelligence 就是一个入口。”
也就是说，创业公司无法绕过生态的第一层，直接跳到第二层，成为流量入口。“ 创业公司现有的 Agent 产品要结合到生态链中去，比如苹果或者微信的生态，再把AI能力融合进去，相当于通过 AI 对已有生态链做增强。要实现这一点，要么拥有场景，要么拥有数据。”
“ 以我们正在做的 Data Agent 为例，这项工作需要较长时间推进，因为必须自底向上完成建设。过去的数据底层通常是裸数据，例如 CSV 文件，里面是各种原始数据。未来需要将这些数据转化为带有语义的 Contextual Data Unit（ CDU ），才能被上层 Agent 有效消费。因此必须了解企业所有表的字段含义及数据意义，需要非常专业的数据获取厂商来完成。”
“ 在现有大模型技术下，有许多场景尝试进行完全 Agent 化，但效果并不理想。”
“ 一些国内厂商号称自己的高端 GPU 在浮点性能、显存、宽带等各方面和 H100 很相近，但其实还是有很大差距的。国外的顶配集群，比如 H100 加 NVLink Switch，能轻松地应对百万级 token 推理。”
张森森表示，“ 如果是，那也是不得已而为之。现在 GPT-5 是通过多模型路由来提高上限，基本意味着大模型的 Scaling Law 几乎已经失效，单模型上很难再高效提升。其实 GPT-5 的发布本身就有点 ‘ 难产 ’ 的意味，更像是一种形式，而不是自然的过程。未来基础模型能否进一步进化，还需要观察。”
“ 这也是为什么大家都在强化 Agent 能力。相比基础模型，Agent 的可解释性相对更好一些，能更好结合具体业务场景去提升实际能力。但基础模型往往也决定了 Agent 的上限。”
“ 后面大模型的走向可能更多会朝垂直方向发展，参数量未必再无限增大，而是聚焦在更细分的场景。”
“ GPT-5 也有类似趋势，比如他们希望做教育改革，用 AI 帮助用户学韩语等，而这原本是多邻国、Speaker 等平台的垂直市场。”
“ 在这种情况下，国外在做 Agent 案例时更多考虑如何使用成熟的 API 协议，比如将 MCP、A2A 协议与现有的 ERP、CRM 进行集成，这对于他们而言成本相对较低。”
王显继续说道，“ 所以，国内大模型的训练速度就比国外要慢。”
“ 最后在商业化周期上，也存在明显差异。垂直 Agent 的特点是落地初期需要长周期的行业积累和客户教育，本质上是 ‘ 慢工出细活 ’。国内投资环境，整体上缺乏耐心，更追求短期回报。这对垂直 Agent 不太友好，因为它们很难在短时间内看到显著的商业回报。”
“ 第一，国内市场竞争压力大。以 Manus 这类产品为例，国内通用型 Agent 产品很容易被竞争厂商或大厂快速复制。核心功能可能在一夜之间被模仿，导致差异化难以维持。”
“ 第二，用户群体的流失和留存。国内用户更容易切换到更好的同类产品，这是国内市场的一个特点，即产品的替代成本较低。通用型 C 端 Agent 往往具有 ‘ 一次性体验 ’ 的特征，缺乏复用价值。早期如果用户主要来自国内，一旦竞争加剧、出现价格战，产品在国内的战略市场会很快消失。”
“ 第三，Manus 等公司会考虑数据隐私监管、算力供应等方面的问题。海外算力供应条件更好，国内算力会有 ‘ 卡脖子 ’ 问题。而且，要对标国际市场的话，新加坡无论是金融还是国际业务、跨境支付、多语言市场，都是一个比较好的纽带，往下走可以下沉到东南亚市场，往上走可以进入欧美市场，新加坡的国际型人才资源也是比较好的。”
“ 第五，基础模型的差距还是存在的。搬迁到新加坡后，可以跟 Amazon、OpenAI、Anthropic 等公司合作，更方便地使用他们的 API 服务。这些服务在国内目前还是远超于 DeepSeek、千问等模型 API，能形成产品能力的补强。”
“ 第二是幻觉方面。垂类模型更精准，更贴合企业自身的生态环境。相比之下，通用大模型依赖强泛化能力，往往需要更多人工校对，增加复核成本。”
“ 第四，通用大模型可以通过上下文工程做一些优化，但输出依然存在不确定性和不可控性，所以在 ToB 产品中运行时会有一定风险。因此，在客服知识问答、流程自动化等场景里，垂直大模型往往更适合。做 ToB Agent时常用的策略是，让垂直大模型覆盖大约 80%–85% 的高稳定性需求，确保稳定可靠；而在剩下 15%–20% 的复杂问题上，再用通用大模型来兜底。”
“ 如果业务变量数量少、组合有限，可以穷举，就可以把流程固定下来，用 workflow。如果环境静态或变化可预期，也可以把流程固定下来，用 workflow。但如果变化维度非常多，比如几百个维度同时在变化，再用 workflow 设计、测试和维护，成本会急剧上升，这时就需要人工决策，或 Agent 的自主规划能力。另外，当环境频繁变化，比如航班延误、库存波动，Agent 可以根据上下文实时调整决策，避免预设流程失效。这时就需要自主 Agent。”
张森森表示，“ Agent 的落地依赖于固有流程，最适合的是小规模的局部 workflow 改造。流程高度标准化、数据流转路径清晰、任务有明确输入输出，这些都是 Agent 落地的最佳条件。Agent 的作用不是推翻重来，而是嵌入线性流程，做局部改造。这可以理解为 ‘ 低摩擦的轨道 ’，标准化流程本身就是低摩擦的轨道。”
“ 第二，高可信度的知识问答与决策。目前企业内部大多数 Agent 平台做的还是 ‘ 文档搜索 + 大模型总结 ’。问题是没有引用和溯源机制，没有版本控制，没有访问权限分级。结果是表面上大家轰轰烈烈做了一堆 Agent，看起来很好，但最终根本无法真正投入使用。”
“ 最后，也是最重要的，就是 Data Agent（ 以前叫 ChatBI ）。核心能力包括半自动或全自动的数据分析与报告生成；理解企业内部 BI 系统的数据模型；自动编写 SQL，或调用数据分析 API；输出可视化报表或业务报告等。”
“ 在这些场景应用里，都需要训练或定制垂直化模型。因为企业内部有自己的语言体系（ 行业黑话、内部术语等 ）、业务生态（ 跨部门协作的专属逻辑 ）、流程规范（ 审批链条、合规规则等 ）、知识沉淀（ 文档、数据、经验库等 ）。”
“ 要实现理想的 Data Agent 架构，主要面临两大挑战。”
“ 只要能解决关键问题，就能迅速形成用户粘性。 而且长尾方案能够形成更强壁垒。因为这些场景需要结合高度专业化的数据，甚至涉及内部流程和工具，沉淀出的知识和技术很难被通用模型复制。经过长期迭代，还能向相似场景扩散，逐步形成护城河。”
“ 比如 Figma，它最早并不是做 UI 设计的，而是解决了一个非常强的痛点：在线协作，再扩展到高频的设计需求，最终发展成行业龙头。Zoom 也是类似的路径，它最初的产品需求是解决高质量视频传输的问题，先在这个点上做深度优化，然后才逐步扩展，最终进入并占领了通用的会议市场。”
郭炜认为，Agent 泡沫确实客观存在，但实际上还不够多，“ 毕竟对于 SaaS 软件和日常使用的 APP，还有大量的功能尚未实现。要真正把 Agent 做起来，还需要更多的泡沫推动，才能发展成熟。这也是早就存在的规律，每个新兴的创新领域在初期都会有大量资本驱动，最后才会有少数创业公司和想法存活下来。”
