下半年，垂直 Agent 先下牌桌？

7 月 20 日，2026 世界人工智能大會（WAIC）在上海圓滿閉幕。

作為 AI 應用方向的一線從業者，我深切感受到了行業明顯的變化之一，“Agent” 正在加速走入軟件和應用層。

在參展的席位上，從手機、辦公軟件、開發工具，到營銷、客服、醫療和企業管理系統，幾乎所有應用都在展示嘗試接入 Agent，讓 AI 從生成一段內容，走向調用工具、跨越系統並完成任務。

在大會結束後的兩天，OpenAI 發佈企業級 Agent 平台 Presence，將 AI 直接接入企業的客户服務、銷售、賬單處理、保險理賠和內部服務流程。OpenAI 正在從出售模型能力，進一步進入原本由 CRM、客服軟件、身份管理和工作流平台佔據的企業軟件腹地。

與之前軟件行業巨震類似，但這次的發佈比之前更具像和落地，引起了資本市場的一系列反應，軟件行業沿用了數十年的競爭邏輯開始鬆動。PWorkday、Atlassian、HubSpot、Salesforce 和 Okta 等軟件公司股價一度明顯下跌，其中 HubSpot 跌幅超過 12%，Atlassian 接近 12%。

在前幾年，大模型公司負責提供智能，應用廠商負責設計界面、連接數據和承載業務流程。現在，模型開始嚮應用層延伸，試圖瞭解用户意圖、拆解任務，並決定接下來調用哪款軟件。

市場擔心的是，大模型公司開始把推理、數據連接、權限和流程執行打包在一起，直接進入傳統 SaaS 最核心的價值區間。

這意味着，軟件的價值正在重新分層。隨之而來的，我們會看到產品的交互方式，包括軟件的入口、分發機制、商業模式、安全邊界和產業權力結構都會被改寫。

重新洗牌

Agent 開始真正 “幹活” 後，首先被改變的是 Token 的消耗方式。

從我們今年上半年的觀察和實踐看，在部分長鏈、複雜任務中，Agent 的 Token 消耗可能比傳統聊天場景高出百倍、千倍，極端情況下還可能達到更高量級。

這不是適用於所有 Agent 任務的統一行業標準，但它揭示了一個明確趨勢：AI 應用正在從單次生成走向持續執行，Token 也從模型的計費單位，逐漸變成整個 Agent 系統的基礎燃料。

OpenAI 在 2025 年企業 AI 報告中披露，其企業客户平均每家機構的 API 推理 Token 消耗，在一年內增長約 320 倍。這組數據來自 OpenAI 自身平台，不能代表全部市場，卻從另一個側面説明，企業正在把更長、更復雜的工作流交給模型。到了2026 年 4 月，OpenAI 的 API 處理規模已經超過每分鐘 150 億 Token。

在這樣的背景下，產業端正在發生幾大變化：

Token 需求快速上升，首先會改變算力產業的重心。過去，行業主要討論訓練大模型需要多少 GPU；進入 Agent 階段後，高頻、併發和持續運行的推理需求會變得更加重要。模型不僅要生成答案，還需要在不同步驟之間不斷調度大小模型、調用代碼和工具，並保存更長的任務狀態。

在這一過程中，國產算力的推理性能也在持續優化，國產 GPU 及 AI 芯片需求旺盛，部分產品交付趨緊。這也是一個積極信號：隨着國產軟硬件適配逐步完善，中國開放權重模型有機會更多部署在國產算力上，加快進入企業和行業場景。

其次，在算力之外，顯存和內存也會成為 Agent 擴張中的重要約束。

Agent 要處理更長的上下文、更多文件和更復雜的工具返回結果，對 HBM、服務器內存和存儲的需求都會隨之增加。

根據 SK 海力士 7 月 29 日發佈的 2026 年第二季度財報顯示，2026 年第二季度營收和營業利潤均創歷史新高，主要受 HBM、AI 服務器 DRAM 和企業級 SSD 需求增長推動。公司預計，Agentic AI 將把內存需求從 AI 專用產品進一步擴展至傳統內存市場，並計劃在下半年擴大 HBM4 產量。

不過，半導體擴產有自身週期。晶圓製造、設備導入、良率爬坡和先進封裝能力，不會隨着 Token 需求同步增長，擴產也可能帶來新的週期風險。

從 SK 海力士的最新財報來看，儘管業績創下新高，股價仍一度單日下跌超過 17%，反映出市場已經開始擔憂新增產能在 2027 年後集中釋放，可能再次造成供給過剩。

未來幾年，推理需求能否與 GPU、顯存和存儲供給匹配，將成為 Agent 產業能否規模化的重要變量。

此外，Token 需求快速增長，也會放大閉源模型與開放權重模型之間的競爭。

目前，閉源模型和開放權重模型處於追趕和分化當中。當 Agent 需要持續調用模型，企業要同時考慮每次調用的價格、部署方式、數據安全和推理效率。閉源模型通常依靠 API 提供前沿能力，開放權重模型則可以通過私有化部署和自主優化，幫助企業控制長期 Token 成本。

海外前沿模型在推理、代碼和工具調用等方面曾出現較明顯的能力躍升；但隨着國內開放權重模型持續更新，雙方在部分任務上的實際差距正在縮小。模型的規模、訓練數據、強化學習、上下文管理和推理工程等，會共同決定最終效果。

比如近期發佈的 Kimi K3 採用 2.8 萬億參數的混合專家架構，並開放完整模型權重，在長程編程、Agent 任務和深度推理等方向進一步提升，也成為國內開放權重模型向前沿能力逼近的代表。

與此同時，各類 “Token 工廠” 和公共推理服務正在湧現，但服務質量良莠不齊。一些平台本質上是第三方轉售，企業和個人輸入的明文數據可能經過中間環節，天然存在中間人竊取和攻擊風險。用户需要判斷服務方是否真正具備數據隔離、加密和審計能力。

除了推理服務自身的數據安全，智能體獲得更強行動能力後，也帶來了另一層風險。7 月 29 日，在一項新的披露中，OpenAI 表示，其智能體利用已泄露的登錄信息，成功訪問了至少四個 “公開可用的服務”，以完成其瘋狂的測試任務。

總體來看，“Token 工廠” 和公共推理服務等仍有較大的市場空間，但安全會成為關鍵門檻。

垂直應用重新尋找壁壘

Token 需求爆發只是 Agent 化最先顯現的底層變化。隨着模型和推理基礎設施逐漸成熟，這場變化也在嚮應用層傳導：過去需要垂直應用提供的能力，正在被通用模型逐步吸收。

隨着通用模型在代碼、工具調用和任務執行等方面持續增強，垂直 Agent 首先要回答的問題是：自己還有哪些能力無法被基礎模型快速覆蓋？

從 2026 年下半年開始，一部分缺乏真正行業壁壘的垂直 Agent 廠商可能會逐漸退出。

這裏的核心邏輯在於，隨着 AI 基礎設施廠商不斷進入應用層，通用模型在代碼、工具調用、知識問答和任務執行等方面的能力會持續補齊，單純依靠產品包裝、提示詞和簡單流程，很難形成長期壁壘。

但這並不代表垂直能力會被通用模型完全覆蓋。

全球各個行業長期積累了大量 Know-how、專業知識、SOP、三維工程仿真數據、環境配置和邊界規則。基座模型如果在訓練階段沒有接觸過這些內容，就很難僅憑通用能力完整掌握。

我們團隊曾在測試環境中，分別使用國內外模型，在加載和不加載專業 Skill 的情況下完成分子結構分析任務。結果顯示，在部分專業場景中，模型僅依靠通用能力，與加載高質量 Skill 後的表現仍然存在差距。

一個沉澱了專業知識、行業流程和邊界規則的 Skill，即使加載在普通模型或較先進模型上，也可能在特定任務中獲得更好的結果。

通用模型可以持續吸收公開知識和標準化能力，但比如半導體、製造、化工、醫藥等行業多年積累的實驗數據、生產流程和仿真數據，具有較強的歷史積累和不可替代性。企業在使用基座模型時，也需要考慮這些知識和數據會不會在調用過程中，成為下一代模型的訓練材料。

基於這個方向，由此也可能會形成一場長期博弈：閉源模型廠商希望獲得更多行業數據和專業知識，進一步增強模型能力；企業則需要思考，如果把核心知識全部無償交給基座模型，未來自身的競爭壁壘還剩下什麼？

目前，一些企業已經開始使用開放權重模型進行私有化部署，讓企業知識與外部模型環境保持隔離。這是一條相對穩妥的路徑，但從實際效果看，私有化部署模型與最前沿模型之間，仍可能存在一定能力差距。

企業需要在模型能力、部署成本與知識保護之間作出選擇。與此同時，開放權重模型本身的商業模式也可能發生變化。

如果一些先進模型的規模和性能持續提升，在垂直知識、代碼和工具調用方面達到生產環境可用的水平，提供方就需要通過訂閲、API 調用或其他方式覆蓋成本。

當前算力和高性能芯片仍然緊缺，模型背後還需要承擔電力、GPU、部署和推理優化等持續投入。長期維持大規模免費服務並不容易。因此，部分的先進開放權重模型未來可能逐漸加強商業化，更多采用付費 API，甚至轉向閉源服務。

好的模型值得付費調用，企業積累的專業知識和 Skill 同樣應當被確權，並在被使用時獲得收益。

通用模型不斷增強之後，垂直應用真正能夠保留下來的價值，也將更多來自模型訓練階段沒有接觸過的行業知識、流程和規則。

Agent 經濟開始成形

當垂直應用的價值逐漸從界面和通用功能轉向專業知識，這些能力也不一定繼續以完整應用的形式存在。

Agent 經濟並不只是 “賣 Agent”，核心是圍繞 Agent 完成任務所需的模型、算力、數據、工具、專業知識和服務，形成一套新的供給與交易體系。

我們接觸到的案例看，一些軟件廠商已經開始嘗試將原有能力拆成 Skill。

雖然 Skill 是否會成為長期穩定的應用形態，行業內仍有爭議，但這並不意味着 Skill 會消失。一個 Skill 最終能否留下，取決於它能否提供通用模型難以低成本覆蓋的專業價值。

以 BraneMatrix 推出的 UGS 平台 Ginkley 為例。一些 BI 和數據可視化廠商會把數據分析、圖表生成和相關操作封裝起來；醫療企業也在探索將專科知識轉化為醫生能夠調用的專業能力。

還有來自個人開發者和專業創作者，內容覆蓋比賽分析、行業研究、美妝建議等領域。這些 Skill 的價值，主要來自開發者積累的專業知識、方法和經驗。

未來 Agent 生態的供給者未必只有軟件公司。企業、醫生、分析師、設計師和內容創作者，都可能成為專業能力的提供者。

不過，要讓 Skill 成為可持續的應用單元，需要先解決幾個最基礎的問題。

首先是確權。

平台需要確認 Skill 由誰創作、知識產權屬於誰，以及基於開源項目改編時是否遵守相關協議。現在已經出現過熱門 Skill 被他人重新包裝售賣、原作者卻沒有獲得收益的情況。如果作者身份和權利邊界無法確認，高價值能力很難形成穩定供給。

其次是知識保護。

很多 Skill 的核心並不是代碼，而是 Markdown、提示詞、業務規則和長期積累的 Know-how。如果這些內容在每次調用中都直接暴露，開發者很容易失去自己的核心資產。

因此，Skill 需要一種 “可用不可見” 的調用機制：用户可以使用一項能力並獲得結果，但無法直接查看和複製其內部知識；模型在受控環境中調用 Skill，也應儘量減少專業內容向外部暴露。

第三是計費和收益分配。

傳統軟件主要採用訂閲、買斷或按席位收費。Skill 被不同 Agent 反覆調用後，更可能按照調用次數、Token 消耗、任務複雜度或執行結果計費。

在這套體系中，模型提供通用推理能力，Skill 提供專業知識，兩者都需要被合理定價。平台則需要真實記錄調用次數、Token 消耗和收入，讓能力提供者能夠了解自己的 Skill 如何被使用、獲得了多少收益。

第四是分發。

用户未來未必會主動搜索和選擇每一個 Skill，更多時候可能由 Agent 根據任務自動調用。平台的推薦、排序和默認選擇，將直接影響 Skill 獲得多少調用。

因此，Skill 平台不僅需要提供能力入口，還要建立相對透明的分發機制。平台可以幫助用户篩選更合適的能力，但不應讓調用量和收益分配完全成為不可解釋的黑箱。

最後是安全准入。

Agent、MCP 和 Skill 生態中已經出現提示詞注入、惡意代碼、模型越獄和第三方資源投毒等風險。一個被污染的 Skill，可能在用户沒有察覺的情況下讀取敏感數據、調用未經授權的工具，甚至把惡意程序帶入企業環境。

隨着 AI 獲得更多自主行動和系統操作權限，類似的安全擔憂也開始從企業應用層面蔓延至前沿模型研發。7 月 29 日，來自 OpenAI、Anthropic、Google 等近十家 AI 公司的 1100 多名員工聯名發佈公開信，呼籲美國推動國際協調，為前沿 AI 研發建立必要時可以集體減速的機制。

Skill 安全也是如此，不能只依靠傳統代碼掃描。很多風險隱藏在自然語言、文檔、網頁、圖片和外部工具返回結果中。平台既要檢查 Skill 本身，也要限制它能夠訪問的數據和權限，並對運行過程進行持續審計。

相比於網絡安全，Skill 安全更具挑戰的基本點在於，傳統網絡安全的攻擊向量（Attack Vectors）在理論上限於確定的規則，而 AI 安全的攻擊空間呈指數級氾濫且不可預測。

因此，Skill 的意義不只是把應用做得更輕，還要讓專業知識第一次有機會成為可調用、可計量和可交易的數字能力。

未來的 Agent 體系中，通用模型可能負責理解目標和規劃任務，專業 Skill 補充具體行業能力，底層平台則負責連接、計費和安全。

總之，Agent 經濟能否真正形成，最終取決於兩點：專業能力能否被可靠調用，以及價值能否回到真正的創造者手中。

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。