西南证券：
《AI专题·Agent：智能体基建厚积薄发，商业化应用曙光乍现》

（完整版.pdf ）
以下仅展示部分内容
下载方式见文末

这份由西南证券发布的报告聚焦 AI Agent（智能体）的技术演进、产业链构建与商业化落地，指出 AI 正从 “推理者” 向 “智能体” 跨越，模型层扩展曲线切换、中间层工具成熟、应用层产品创收加速，共同推动智能体基建厚积薄发，商业化应用迎来曙光。

一、AI 发展阶段：从推理者转向智能体，自主决策能力成核心突破

1. AI 等级划分：五阶段演进，当前聚焦智能体根据 OpenAI 定义，AI 发展分为五大等级：聊天机器人（自然语言对话）、推理者（解决人类级智力问题）、智能体（代表用户自主行动）、创新者（辅助发明创新）、组织（多智能体协同完成组织级任务）。过去 AI 以 “一次性推理 + 简单问答” 为主（如早期 ChatGPT），随着大模型在交互、认知、泛化、自主能力上的提升，当前正从 “推理者” 向 “智能体” 过渡 —— 智能体具备目标理解、外部记忆、主动规划、工具使用四大核心能力，可自主拆解复杂任务、调用工具、修正错误，无需人类逐步指令。

2. 智能体等级：从 “有限决策” 到 “高度自治”按自主化程度，智能体分为两类：

• 初级 Agent
  ：替代重复性高、灵活性有限的任务（如数字员工处理标准化流程），自主决策范围受安全条件、权限限制，属于 “有限决策”，当前多数落地产品属此类（如客服 Agent、代码辅助 Agent）。
• 高级 Agent
  ：无需人工指示，可自主规划多步骤、长时任务（如复杂项目管理、跨领域研究），能在多个选项中自主选择，实现 “高度自治”，目前处于技术探索阶段，未来将成为 B 端数智化转型核心抓手。

3. Agent 本质与产业链架构
   智能体本质是 “大模型（LLM）+ 记忆（Memory）+ 主动规划（Planning）+ 工具使用（Tool use）” 的融合体：LLM 作为 “大脑” 负责认知与推理，短期记忆存储任务上下文、长期记忆对接外部知识库，主动规划拆解任务流程，工具使用实现与物理世界交互。其产业链分为三层：

• 模型层
  ：大模型为核心，通过预训练、后训练、测试时扩展提升智能水平；
• 中间层
  ：通信协议（MCP/A2A）、开发工具（LangChain、Modal Labs）等，构建智能体 “操作系统”；
• 应用层
  ：跨行业通用产品（如编程助手 Cursor）与垂类专业产品（如法律助手 Harvey），实现商业化落地。

二、Agent 模型层：扩展曲线切换，推理能力成新增长引擎

1. 模型扩展法则：从训练阶段转向推理阶段
   AI 大模型能力提升依赖三条扩展曲线，当前主次曲线发生切换：

• 预训练扩展（2018-2023 年）
  ：通过增加计算资源、模型参数、训练数据提升基座能力（如 GPT-1 至 GPT-4，参数从 1.17 亿增至万亿级），但 2023 年后受限于高质量数据瓶颈，预训练迭代放缓，GPT-5 尚未发布。
• 后训练扩展（2023 下半年 - 2024 年）
  ：通过监督微调（SFT）、强化学习（RLHF）优化特定任务性能（如 GPT-4 Turbo 提升多模态能力），计算需求低于预训练，聚焦垂类模型打磨。
• 测试时扩展（2024 年 9 月至今）
  ：OpenAI o1 模型标志推理时代开启，模型根据问题复杂度动态分配计算资源，分步骤深度推理（如 o3 模型训练计算量是 o1 的 10 倍），推理算力需求大幅攀升，成为新增长曲线。

2. 预训练瓶颈与后训练创新

• 预训练瓶颈
  ：模型性能依赖 “算力 + 参数 + 数据” 三要素（公式\(C ≈6N^{*}D\)，C 为算力、N 为参数、D 为数据），但当前高质量语料稀缺，OpenAI 等厂商面临数据增长跟不上性能诉求的问题，需通过多模态数据、高效模型架构突破瓶颈。
• 后训练突破
  ：OpenAI 推出强化微调（Reinforcement Fine-Tuning）与偏好微调（Preference Fine-Tuning）—— 前者用少量高质量数据打造垂类专家模型（如生物医学模型得分提升 80%），后者通过直接偏好优化（DPO）让模型符合用户个性化需求（如语气、风格定制），大幅提升特定场景实用性。

3. 测试时扩展：深度推理奠定智能体基础
   测试时扩展让模型具备 “动态思考” 能力：面对复杂问题时拆解步骤、评估多解法、优化输出，典型代表为 OpenAI o 系列模型 ——o3 模型可根据用户需求调节思考时长，20 秒内完成人类数天的科研海报设计任务，且性价比持续提升（o4-mini 在数学、科学任务上成本低于前代，性能更优）。

三、Agent 中间层：工具与协议成熟，开发者生态加速繁荣

1. MCP 协议：AI 工具的 “USB-C 接口”2024 年 11 月 Anthropic 发布的 Model Context Protocol（MCP），是智能体与工具、数据源交互的标准化协议，解决传统 API“接口碎片化、开发低效” 痛点。其核心架构含 MCP 客户端（发起请求）、MCP 宿主（管理上下文）、MCP 服务器（对接工具 / 数据），可类比为 “AI 的 USB-C”，实现不同模型、工具的无缝连接。2025 年 MCP 生态爆发：3 月 MCP Server 发现平台 Smithery 的服务器创建量较 2 月增 3 倍，GitHub 星数突破 2.5 万，npm 下载量近 70 万次 / 周，OpenAI、微软 Azure 等厂商纷纷支持 MCP，海内外企业加速采用，推动 AI 工具集成走向标准化。

2. A2A 协议：智能体间的 “通信桥梁”2025 年 4 月谷歌发布 Agent2Agent（A2A）协议，与 MCP 形成互补 ——MCP 聚焦 “模型 - 工具交互”，A2A 聚焦 “智能体 - 智能体协作”，支持不同来源、技术的智能体跨平台安全通信，核心能力包括：

• 能力发现
  ：智能体通过 JSON 格式的 “Agent Card” 宣告能力，客户端精准匹配远程智能体；
• 任务管理
  ：实时同步任务进展，确保协作节奏；
• 安全协作
  ：加密传输上下文与结果；
• 用户体验协商
  ：适配不同界面展示需求。目前 A2A 已获 50 + 合作伙伴支持（如埃森哲、BCG、Atlassian），典型场景如招聘流程：HR 客户端智能体可联动远程智能体筛选候选人、安排面试、实施背调，大幅简化跨系统协作。

3. 开发者生态：工具链完善，降低开发门槛
   中间层除协议外，开发工具与框架快速涌现：LangChain/LlamaIndex 支持多模态数据处理，Modal Labs 提供模型部署自动化，BrowserBase 实现浏览器环境模拟，这些工具降低了智能体开发门槛，类比互联网时代的 Android API，加速生态繁荣，为应用层落地奠定基础。

四、Agent 应用层：初代产品创收爆发，商业化路径清晰

1. 应用分类：通用与垂类双轨并行

• 跨行业通用 Agent
  ：覆盖多领域，发展成熟，代表产品如编程助手 Cursor（12 个月达成 1 亿美元 ARR，2025 年 3 月达 2 亿美元）、企业级搜索平台 Glean（21 个月达成 1 亿美元 ARR），聚焦办公提效（代码生成、文档分析），部署快、覆盖广，是当前创收主力。
• 垂类专业 Agent
  ：聚焦特定行业（金融、医疗、工业等），商业化起步较晚但潜力大，代表产品如法律助手 Harvey（26 个月达成 5000 万美元 ARR，估值 30 亿美元）、医疗助手 Commure，通过深度行业适配降低成本（如保险保单初审替代人工）、提升效率（如医疗影像识别加速诊断），是未来 B 端数智化核心抓手。

2. 赋能价值：降本、提效、增体验闭环
   智能体为企业与用户创造三重价值：

• 降低成本
  ：替代重复性劳动（如客服、数据录入），减少人力开销（如 AI 客服降低 40% 运营成本）；
• 提高效率
  ：自动化流程节点（如代码生成缩短开发周期 50%），加速专业信息流转（如金融研报生成从数天缩至小时级）；
• 增强体验
  ：提供个性化服务（如电商个性化推荐提升转化率）、24/7 响应（如 AI 医疗助手实时答疑），提升用户留存。

3. “摩尔定律” 显现：任务处理能力指数级提升AI Agent 存在独特的 “摩尔定律”：根据 METR 研究，智能体可完成任务的时长（以人类专业人士耗时为基准）每 7 个月翻一倍 ——2020 年仅能处理 30 秒级任务，2025 年可完成 16 小时级软件任务，若线性外推，2029 年或能处理 1 个月级复杂任务。当前 AI 完成简单任务的成本仅为人类的 1/10，随着技术迭代，复杂任务性价比将持续提升，推动应用渗透。

4. 流量入口：早期呈现中心化特征类比互联网发展，AI 流量入口正处于早期收敛阶段：当前 ChatGPT、DeepSeek 等少数大模型主导用户心智，类似互联网 1.0 时代的门户网站；未来随着应用场景多元化，入口或向垂直场景分散（如医疗 Agent、工业 Agent），但短期仍以中心化平台为核心。

五、相关标的与风险提示

1. 重点关注标的

• 推理算力
  ：英伟达（GPU 核心供应商）、博通（AI 芯片配套）；
• 中间层与数据层
  ：谷歌（A2A 协议、Gemini 生态）、Snowflake（数据管理与分析）；
• 下游应用
  ：Salesforce（CRM 领域 Agent）、SAP（企业 ERP Agent）、Shopify（电商 Agent）；
• 云服务
  ：亚马逊 AWS、微软 Azure、谷歌 Cloud（提供 Agent 部署所需云资源）。

2. 风险提示

• 技术进展不及预期
  ：大模型推理能力、多 Agent 协作技术突破缓慢，影响智能体性能；
• 商业化落地风险
  ：B 端企业付费意愿低、C 端用户体验不佳，导致产品创收不及预期；
• 投资回报风险
  ：AI 研发投入高、周期长，若商业化进度滞后，可能导致投入产出不匹配。

资料下载方式

Download method of report materials