AI專題·Agent西南證券研究院海外研究團隊2025年4月1核心觀點Agent演進，AI產品逐步能夠理解目標、具備外部記憶和推理能力，相關智能體產業鏈正經歷從模型能力提升到應用商業化的系統性躍遷。AI大模型能力由預訓練、后訓練、測試時三條擴展曲線推對大規模集群依賴程度下降、推理算力需求攀o中間工具厚積薄發，開發者生態積極構建。在中間層與工具、智能體與智能體之間建立統一的交互接口。其中，2025年3月MCPServer發現平臺Smithery的服務器創建數量較2月實現3倍增長，A2A已得到50多家合作伙伴的支持，開發者生態加速繁榮。開發工具與底層框架的標準化，可類比為互聯網時代移動手機的USB-C接口，或者類比為用于App和操作系統之間通信的AndroidAPI，將加速AI智能體商業化進程。o初代產品創收加速，商業化應用曙光乍現。在應用層，智能體應用分為跨行業通用智化轉型的重要抓手。目前，智能體作為交互式AI產品開始快速落地，初代產品Cursor、Glea已實現上億美金年經常性收入（ARR展現出較高成的長潛力，并出現基于實際交付成果、任務完成率等指標的新收費模式。整體來看，AI智能體產品正形成“底層模型能商業場景落地”的基礎設施與應用協同的演進路徑，未來AI智能體應用還需進一步提升規劃能力、具備更好的記憶、擁有更強的多模態理解能力，釋放o風險提示：AI技術進展不及預期；AI商業化進展不及預期；投資回報不及預期等風險。◆一、AI發展階段：從推理者轉向智能體，開始學會調用工具◆二、Agent模型層：底座智能水平提升，推理能力成為核心◆三、Agent中間層：中間工具厚積薄發，開發者生態積極構建◆四、Agent應用層：初代產品創收加速，商業化應用曙光◆五、相關標的及風險提示231.1AI等級：AI發展水平劃為五大等級，當前正從推理者轉向智能體o模型多維能力持續提升，AI從推理者轉向智能體。根據OpenA分為五大等級：一是聊天機器人(Chatbot)，能夠用自然語言進行對話；二是推理者，基于推理模型，解決人類級別的智力問題；三是智能體(Agent)，能夠代表用戶采取行動；四是創新者；五是組織。過去，在ChatGPT等聊天機器人產品推出時，大模型通常采取一次性推理，用戶與聊天機器人的交互形式呈現為簡單的一問一答。而在推理話，實現內部思考，具備推理能力。當前，隨著大模型在交互AI等級聊天機器人推理者推理者智能體創新者認知能力認知能力具備語言對話能力的人工智能鏈式推理具備解決人類水平問題的能力鏈式推理能夠采取行動的創新性思考能夠幫助發明創新的人工智能創新性思考能夠完成組織工作的人工智能 交互能力簡單式一問一答上下文深入交流環境中動態交互系統中協同運作泛化能力多領域泛化處理事實泛化能力多領域泛化處理事實跨領域整合局限于特定領域任務跨領域整合局限于特定領域任務 自主能力依賴人類指令按步驟執行命令設定目標自主完成復雜任務41.1AI等級：AI發展水平劃為五大等級，當前正從推理者轉向智能體戶反饋進行下一步操作；未來，真正的AI智能用戶與不同AI產品形態的互動以及第一輪交互用戶與不同AI產品形態的互動以及第一輪交互用戶與傳統聊天機器人的交互結果用戶與推理者產品的交互結果用戶與智能體產品的交互結果幫我分析一下里面的數據有什么趨勢或異常？幫我分析一下里面的數據有什么趨勢或異常？幫我分析一下里面的數視化圖表，你需要繼續視化圖表，你需要繼續深入哪個部分嗎？趨勢是指增長嗎？異常用戶：給出任務目標AI用戶：給出任務目標AI：通過使用工具并進行規劃，直接完成任務，甚至具備修正能力用戶：給出明確且具體的每一步指令AI：根據一個指令產生一個動作AI：用戶：給出明確且具體的每一步指令AI：根據一個指令產生一個動作51.2Agent等級：初階能夠使用工具，高階可自主完成長時任務o智能體(Agent)=大模型(LLM)+記憶(Memory)+主動規劃(Planning)+工具使用(Tooluse)。61.2Agent等級：初階能夠使用工具，高階可自主完成長時任務自主決策能力是基礎，解決長時任務是關鍵。根據智能體“推理+記憶+使用工具+規劃”的四大決策的智能體。根據CBInsights研究，具備一定自主決策能力的智能體可分為兩大等自主性擴展聊天機器人副駕駛助手受限制的智能體完全自主代理核心能力推理能力外部記憶使用工具推理能力外部記憶推理能力外部記憶使用工具推理能力外部記憶使用工具推理能力外部記憶使用工具1.3AI產業鏈：AIInfra奏響主旋律，AIAgent拉開新畫布AIInfra：核心算力、半導體產業鏈、硬件設781.3Agent產業鏈：智能體基建厚積薄發，商業化應用曙光乍現來依舊需要通過預訓練、后訓練和測試時計算進行擴展。中間層：Agent產業鏈的中間層工具正加速構建，數據庫、身份治理、通信協作等成為重要議應用層：Agent應用形態隨著以上底層大模型和中間原生基礎設施的發展逐步從構想更加貼近現實。?檢索增強生成RAG等?偏好優化算法等?參數高效微調PEFT?監督微調SFT等應用層通過AI技術實現內容生產、傳播優化、互動增強的下一代媒體形態，覆蓋游戲/社交/廣告等智能體智能體?數據治理：管理結構化/非結構化數據，提供高精度標注服務?數據分析：通過AI工具強化數據分析，表現為LLM驅動下更強的BI能力，數據分析門檻與難度降低?模型管理：提供模型全生命周期管理，支持從訓練到監控的自動化流?自動化工具：超參數調優工具、托管成百上千個預訓練模型平臺等增強人類能力的智能輔助系統91.3Agent產業鏈：智能體基建厚積薄發，商業化應用曙光乍現基礎設施加速發展推動新應用誕生，新應用進一步催生出更智能的應用，如Open模型、Anthropic的Claude模型（Sonnet-3迭代至3.7）Pro）。智能體中間層則陸續出現LangChain、ToolCalling、MCP和A2A等工具；應用層相繼出Agent基礎設施建設與應用協同演進Agent基礎設施建設與應用協同演進應用層應用層應用層?旅行規劃應用層?旅行規劃應用層?安全集成?安全集成中間層中間層模型層模型層模型層◆一、AI發展階段：從推理者轉向智能體，開始學會調用工具◆二、Agent模型層：底座智能水平提升，推理能力成為核心◆三、Agent中間層：中間工具厚積薄發，開發者生態積極構建◆四、Agent應用層：初代產品加速創收，商業化應用曙光◆五、相關標的及風險提示2.1AI模型擴展法則：擴展法則迎來范式轉變，主次擴展曲線逐步切換o擴展法則迎來范式轉變，推理模型迭代節奏加2018年6月至2023年3月——預訓練擴展階段：OpenAI大模型預訓練快速推進，在五年內從未推出下一代預訓練大模型GPT-5。2023年下半年至2024年5月——后訓練擴展階段：基于微調技術開始打磨多模態、上下文等能力，提升特定指標性能。2024年9月至今——測試時擴展階段：2024年9月OpenAI-o1模型預覽版亮相，標志正式進入推億參數，強大的理解能力GPT-4數；數據源擴充；增加訓練后處理和行為預測GPT4.5:截至目前最大LLM模型，世界知識豐富，情商更高-o1推理模型預覽版亮相-o3-型發布GPT-4.1理復雜任務的模型GPT-3 億參數；可完成大多數NLP任務GPT-4V覺能力GPT-4o時處理多種輸入類型，提升響應速度和性能OpenAI-o1模型完整版向OpenAI-o1模型完整版向用戶開放推理模型OpenAI-o3預覽GPT-1：1.17億參數；有一定的泛化能力GPT-2參數；生成能力提升-o3&o4mini模型發布GPT-4-多模態能力提升；上下文更長、價格更低、性能更高預訓練擴展階段后訓練擴展階段測試時擴展階段預訓練擴展階段后訓練擴展階段測試時擴展階段2.1AI模型擴展法則：擴展法則迎來范式轉變，主次擴展曲線逐步切換o規模法則從訓練階段延伸至推理階段，推動計算需求持續提升。預訓①預訓練擴展法則(Pre-train名稱預訓練擴展法則（Pre-trainingScalingLaw）后訓練擴展法則（Post-trainingScalingLaw）測試時擴展法則（Test-timeScalingLaw）訓練（training）階段的scalinglaw訓練（training）階段的scalinglaw推理（reasoning）階段的scalinglaw定義和計算資源來提升模型能力。模型在預訓練階段術對模型進行進一步優化，后訓練通常涉及對模特點圖像、視頻等）和計算資源。②模型通過大規模數據集進行自我學習，獲取廣③是訓練過程中的初步階段，主要幫助模型建立基座能力。②強調通過模擬“自我提升”的方式逐步提升模③可以看作是“訓練后的進步”或“微調”過程，幫助模型在特定領域變得更精通。①重點是在實際使用中，通過調整計算資源的分配來提升決策過程的質量。估最優解。模型OpenAIGPT系列模型：GPT-1至GPT-4OpenAI-o1至o3系列模型2.1AI模型擴展法則：擴展法則迎來范式轉變，主次擴展曲線逐步切換o模型性能提升路徑持續探索，主次增長曲線發生轉變。2020年1月和2022年3月，OpenAI和谷歌先后發布論文《ScalingLawsforNeuralLanguageModels》和《TrainingCompute-Optimal2024年8月谷歌發表論文《ScalingLLMTest-TimeC展模型參數來提升模型性能更有效。根據英偉達CES大會信息，除預訓練和后訓練擴展法則之外，測試時擴展法則同樣推動算力需求持續增長，以OpenAI-o系列模型為代表的推理模型通過測試時2.2預訓練擴展：三要素影響模型性能，高質量數據成為瓶頸o算力決定Transformer模型性能上限，模型參數與訓練數據比例影響和Google相關研究，模型性能隨著模型參數大小、訓練數據集大小、計算量的增加而提高。對于規模，D代表預訓練數據集大小；C代表預訓數量與數據量的擴展比例尚存爭議，OpenAI在論文中指出模型參數規模比數據集大小更重要，兩相似的模型架構相似的模型架構2.2預訓練擴展：三要素影響模型性能，高質量數據成為瓶頸擴展，從2018年的GPT-1到2020年的GPT-3，模型參數量從1.17億增長至1750億，數據量從GPT-4發布至今，已將近兩年，OpenAI仍未發布下一代GPT模型。由于模型能力的指數級增長離不開算力和數據資源的同步增加，目前OpenAI可能遇到數據增長跟不上模型性能提升訴求的問題，因此OpenAI在尋求更多預訓練數據的同時，逐步轉向結合Re-train、Post-train和Test-time數據規模、質數據規模、質量不斷增長 GPT-240GBhuman-filtereddata HumanHumandemonstrationsandannotations相似的模型架構 模型參數量不斷增加2.3后訓練擴展：微調技術持續創新，打造模型特定性格人工反饋、強化學習等方法來進一步提升模型響擇性地對某些任務或場景實現強化。o微調技術持續創新：OpenAI于2024年12月發布會推出o1強化微調、偏好微調等技術。1）強化幾十到幾千個高質量數據，模型能夠通過強化學習自行探索和學習如何推理復雜任務。2）偏好微監督微調/強化微調/偏好微調方法對比監督微調/強化微調/偏好微調方法對比特點監督微調強化微調偏好微調定義在已經預訓練的模型基礎上，使用標注好的數據集進行進一步的訓練。模型通過輸入-輸出對的方式學習，從而調整權重和參數。通過強化學習方法對預訓練模型進行進一步于執行的動作獲得獎勵或懲罰。在預訓練的基礎上，通過用戶反饋、偏好評分、針對性的主觀反饋來優化模型，使其符訓練數據標注數據(輸入-輸出對)環境交互和人類反饋人類偏好反饋(選擇/評分/建議等)優化技術監督學習，通過最小化預測誤差優化強化學習，通過獎勵優化行為基于人類反饋/選擇或評分/偏好反饋優化輸出，符合用戶需求提高模型在特定任務上的準確性優化模型行為，便其適應復雜環境優化模型輸出，便其符合用戶的個性化需求應用場景分類任務、生成任務、回歸任務、情題分析、機器翻譯等任務對話系統、游戲AI、對話系統個性化對話系統、個性化推薦等2.3后訓練擴展：微調技術持續創新，打造模型特定性格訓練環節，模型專注打造自身特點和性格。根據Ope學微調模型案例，微調出o1-minifinetune模型，用于分析發病癥狀景廣闊，B端科研領域有望受益。目前，OpenAI的強化微調技術已對企業、大學和研究院開放申2.4測試時擴展：模型實現深度推理，Agent落地未來可期紹OpenAI-o1模型；2025年12月向用戶開放完整版o1模型，并預告下一代OpenAI-o3模型；2025年4月推出完整版o3模型。在o系列推理模型中，OpenAI引入測試時計算（Test-timecompute使模型能夠根據用戶提問調節思考行為、分配計算資源、優化輸出結果、提升模型性能。2024年9月，OpenAI-o1推理模型的推出標志著測試時ScalingLaw開啟；2025年4月，OpenAI-o1模型性能隨測試時計算實OpenAI-o1模型性能隨測試時計算實訓練時間計算測試時計算2.5AI模型擴展循環：智能水平仍需提升，大模型擴展持續進行型Maverick目前已對外發布，大模型Behemoth仍在訓練中。根據Meta公布，大模型Llama-4-AIAgent產業鏈三大環節核心玩家AIAgent產業鏈三大環節核心玩家預訓練擴展預訓練擴展科技大廠主導科技大廠主導ANTHROANTHROPVCTencent騰訊后訓練擴展后訓練擴展模型廠商主導模型層模型廠商主導模型層◆一、AI發展階段：從推理者轉向智能體，開始學會調用工具◆二、Agent模型層：底座智能水平提升，推理能力成為核心◆三、Agent中間層：中間工具厚積薄發，開發者生態積極構建◆四、Agent應用層：初代產品加速創收，商業化應用曙光◆五、相關標的及風險提示協議，旨在不同的AI模塊、系統或模型之間共享環境、狀態和上下文數據。自推出以來，MCP迅API充當二者之間的中介，開發者通常需要分別集成多個服務接口，單獨處理認證、數據格式和通傳統API技術路線示意圖傳統API技術路線示意圖AnthropicMCP技術路線示意圖AnthropicMCP技術路線示意圖MCPServer發現平臺Smithery的服務器創建數量較2月同期實現3倍增長；截至2025年4月初，MCPServer的GitHubstar數已突破2.5萬，曲線呈現加速上升趨勢；同時，MCPTypeScript的人選擇自己搭建MCP服務器或者在自己的應用中支持MCP，開發者更傾向于為未來的使用場景做準備，而非為現有用戶需求去部署MCP工具。從原始數據來看，受益于新服務器和開發工具的Smithery平臺上Smithery平臺上MCP服務器創建數量本發布本發布新開放協議Agent2Agent(A2A)，允許AI代理跨生態系統協作能體負責制定和傳達任務；遠程智能體則負責執行任務或采取行動。谷歌A2A開放協議工作原理谷歌A2A與MCP協同工作師案例，A2A協作能夠大幅簡化流程：在統一界面Agentspace中，HR可以指派客戶端智能體根統合作，幫助尋找合適的候選人。根據谷歌披露信息，A2A的發布已得到包括Atlassian、Box、Cohere、Intuit、Langchain、埃森哲、BCG、Capgemini、Cognizant等在內的50多家技術合谷歌A2A招聘應用示例谷歌A2A招聘應用示例HRHR指派客戶端智能體尋找匹配候選人遠程智能體獲取潛在候選人遠程智能體獲取潛在候選人HR指派客戶端智能體對候選人背調；另一遠程智能體實施背調并反饋結果谷歌A2A合作伙伴生態谷歌A2A合作伙伴生態服務合作伙伴：將技術應用到具體的業務場景中。◆一、AI發展階段：從推理者轉向智能體，開始學會調用工具◆二、Agent模型層：底座智能水平提升，推理能力成為核心◆三、Agent中間層：中間工具厚積薄發，開發者生態積極構建◆四、Agent應用層：初代產品加速創收，商業化應用曙光◆五、相關標的及風險提示4.1Agent類別：把握“通用”與“垂類”兩大應用方向隨著AI技術的發展、以及基于過去通用SaaS產品的歷史經驗，當前已有眾多初創企業針對多種行金融研究創企Boosted.ai、工業控制創企Composabl等，為特定客戶類別制定個性化解決方案。…工作流…零售零售Agent其他行業…企業1企業..廠家1廠家..機構1機構..公司1公司..商家1商家..金融&保險工業Agent金融Agent醫療Agent4.1Agent類別：把握“通用”與“垂類”兩大應用方向易數均遠超垂類行業領域，融資額實現35億美元，交易達成149筆，垂類行業的創企融資額僅為2020-2025年2月AI2020-2025年2月AIAgent創企融資額及交易數針對垂類行業的針對橫向跨行業的融資額（億美元）交易筆數（筆）截至2025年2月通用和專業AI截至2025年2月通用和專業AIAgent成熟度份額針對垂類行業的針對橫向跨行業的已成熟規模化部署中驗證中新興期4.2Agent賦能：把握“降低成本+提高效率+增強體驗”三項賦能垂類行業降低成本提高效率增強體驗AI助手能夠大規模分析和合成財AI伴侶關注健康和心理健康，合4.2Agent賦能：把握“降低成本+提高效率+增強體驗”三項賦能企業內部工作流降低成本提高效率增強體驗客戶服務強人力資源管理財務管理軟件開發網絡安全4.3Agent摩爾定律：處理任務長度每7月翻一倍，性能增長且成本下降50%的可靠性標準下，完成的任務長度（以人類專業人士完成任務所需時間衡量）大約每7個月翻一番，若以該“摩爾定律”線性外推，到2029年AI或許能處理需1個月的復雜任務芯片中的晶體管數每18-24個月翻一倍芯片中的晶體管數每18-24個月翻一倍模型以%的可靠性完成的任務長度大模型發布時間4.3Agent摩爾定律：處理任務長度每7月翻一倍，性能增長且成本下降o智能體處理任務長度正大幅提升，完成簡單任務已具性價比。根據機構METR的研究《Measuring前已可完成16個小時的軟件任務，但在完成長時序現實世界任務方面，人類在整個工作循環中仍然需要發揮較大作用和價值。在2025年4月17日OpenAI發布的o3和o4-mini模型中，o3和o4-mini在很多情況下比各自的前代o1與o3-mini更高效、更節省成本，在AME2025基準測試中，性動AI智能體進一步應用與滲透。4.4Agent初代產品：產品ARR迅速增長，爆發潛力可期付費滲透空間較大。根據Sacra數據，Agent初代產品Cursor已成為年經常性收入(ARR)從0增長至3月ARR迅速達到2億美金。根據當前AI智能體創企公司及產品來看，布局領域主要集中于編碼、務完成率等指標）定價的AI應用產品，或根據資源消耗量收費，也可采用常見的SaaS產品訂閱方式對商業模式進行補充。基于智能體產品爆AI初創企業產品定位ARR增長速度2024年ARR($億)2024年估值2024年估值倍數CursorAI編程助手12個月內從0做到1億美元125Lovable非程序員的AI軟件開發平臺2個月內從0做到1000萬美元0.07//Glean企業級AI搜索平臺21個月內從0做到1億美元4642CodeiumAI編程助手/0.121HarveyAI法律助手26個月內從0做到5000萬美元HebbiaAI驅動的金融/法律助手/0.137Bolt.newAI驅動的網頁構建平臺2個月內從0做到2000萬美元0.25//MercorAI驅動的招聘平臺2年內從0做到5000萬美元5DecagonAI驅動的客服代理/0.06SierraAI驅動的客服軟件/0.245225CommureAI驅動的醫療軟件/0.44.5Agent流量入口：AI入口尚處于早期階段，或將呈現中心化特點互聯網流量入口從中心化轉向分散化，AI時代入口可能處于早期收斂階段。1）互聯網1.0時期：門戶網站Yahoo、Sina成為信息獲取的主要入口，流量入口高度中心化；2）互聯網2.0時代：搜索引擎如百度、谷歌成為主流入口；3）互聯網3.0階段：隨著移動互聯網和智能終端的就是普及，漸向場景和服務轉移。類比互聯網時代來看，當前AI時代的入口尚處于早期階段，ChatGPT、———————b2014————————心2022 技術邏輯商業模式產品入口技術邏輯商業模式戶既是消費者也是生產者；戶既是消費者也是生產者；2）PC在家庭和個人用戶中廣泛普及1）信息找人；1）信息找人；2）智能手機滲透率攀升；3）區塊鏈實現數據確權與跨鏈互通基于基于HTML靜態網頁，用戶僅能通過瀏覽器被動獲取信息，內容由專業開發者單向灌輸1）流量經濟；2）用戶行為數據成為核心生產資料，通過精準推薦和增值服務變現1）流量經濟；2）用戶行為數據成為核心生產資料，通過精準推薦和增值服務變現家庭和個人用戶中廣泛普及廣告；2）用戶作為數據源被商權力結構搜索引擎形成入口，入口中心化特點明顯各垂類權力結構搜索引擎形成入口，入口中心化特點明顯各垂類APP形成場景化生態（微信社交/淘寶電商/美團本地生活等），入口價值出現分散門戶網站形成入口，入口中心化門戶網站形成入口，入口中心化特點明顯◆一、AI發展階段：從推理者轉向智能體，開始學會調用工具◆二、Agent模型層：底座智能水平提升，推理能力成為核心◆三、Agent中間層：中間工具厚積薄發，開發者生態積極構建◆四、Agent應用層：初代產品加速創收，商業化應用曙光◆五、相關標的及風險提示相關標的層面層面模型層模型層推理算力需求提升開發工具、數據層日漸豐富商業化應用曙光乍現重構云需求結構與增速y從“推理者”到“智能體”應用層應用層云端算力/中間工具/應用風險提示AI技術進展不及預期；AI商業化進展不及預期；投資回報不及預期等風險。執業證號：S1250521120002電話箱：wxj@郵箱：ypk@SOUTHWESTSECURITIES西南證券研究院西南證券研究院西南證券投資評級說明西南證券投資評級說明報告中投資建議所涉及的評級分為公司評級和行業評級（另有說明的除外）。評級標準為報告發布日后6個月內的相對市場表現，即：以報告發布日后6個月內公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅作為基準。其中：A股市場以滬深300指數為基準，新三板市場以三板成指（針對協議轉讓標的）或三板做市指數（針對做市轉讓標的）為基準；香港市場以恒生指數為基準；美國市場以納斯達克綜合指數或標普500指數為基準。評級買入：未來6個月內，個股相對同期相關證券市場代表性指數漲幅在20%以上持有：未來6個月內，個股相對同期相關證券市場代表性指數漲幅介于10%與20%之間中性：未來6個月內，個股相對同期相關證券市場代表性指數漲幅介于-10%與10%之間回避：未來6個月內，個股相對同期相關證券市場代表性指數漲幅介于-20%與-10%之間賣出：未來6個月內，個股相對同期相關證券市場代表性指數漲幅在-20%以下評級強于大市：未來6個月內，行業整體回報高于同期相關證券市場代表性指數5%以上跟隨大市：未來6個月內，行業整體回報介于同期相關證券市場代表性指數-5%與5%之間弱于大市：未來6個月內，行業整體回報低于同期相關證券市場代表性指數-5%以下分析師承諾報告署名分析師具有中國證券業協會授予的證券投資咨詢執業資格并注冊為證券分析師，報告所采用的數據均來自合法合規渠道，分析邏輯基于分析師的職業理解，通過合理判斷得出結論，獨立、客觀地出具本報告。分析師承諾不曾因，不因，