来源：雪球App，作者： 天叢雲劍，（https://xueqiu.com/9094682924/335840428）
一、大厂与创业公司的策略分化：生态闭环 vs 垂类突围大厂：构建全链条生态闭环
核心路径：依托自研大模型（如字节豆包、阿里通义、腾讯混元）搭建平台（字节扣子空间、阿里百炼、腾讯元器），整合工具生态（MCP 协议），覆盖 “模型 - 平台 - 应用 - 用户” 闭环。
差异化定位：字节：全生态布局，聚焦 A2A（Agent-to-Agent）协同，依托抖音、飞书等场景落地。阿里：深耕医疗（乳腺癌筛查）、金融（智能投研）等垂直领域，结合淘宝、钉钉等商业生态。腾讯：侧重文娱（游戏 NPC 生成、内容创作）与办公自动化（企业微信 AI 助手），强化社交链整合。百度：面向 B 端，聚焦智慧城市、工业质检等产业场景，依托 AgentBuilder 平台赋能企业。
竞争重叠区：个人 AI 助手（如腾讯元宝、阿里通义客户端）、办公 OA（飞书 / 钉钉 / 企业微信的 AI 组件）成为共同战场。
创业公司：聚焦细分场景，规避生态短板
主流模式：套壳工具：基于开源模型或大厂 API 做轻量化应用（如文生图、代码辅助），2023-2024 年集中出现，但面临模型迭代滞后问题。垂类深耕：如 Lovart（设计领域 Agent）、Kimi（超长上下文 Chatbot），通过行业 Know-how 构建壁垒，避开通用 Agent 的高成本陷阱。
核心挑战：用户积累难（缺乏流量入口）、算力成本高（Token 消耗与服务器资源）、技术依赖大厂（如 MCP 需接入百炼 / 扣子空间）。
二、字节扣子空间的困境：通用 Agent 的 “理想与骨感”用户反馈两极分化的本质
期望落差：定位 “通用 AI Agent”，但实际处理模糊需求时效果差（如行程规划需多次猜测用户意图）、流程不稳定（任务中断率高）、Token 成本高昂（单次指令 1-3 元）。
MCP 整合难题：虽免费接入高德地图、法律文书等工具，但跨服务调度效率低，且缺乏行业深度适配（如公文写作无真实 Know-how，依赖幻觉）。
成本与技术瓶颈
算力负担：Token 成本（豆包 3 元 / 百万 Token）+ 服务器资源（长时任务独占并发，成本为 Chatbot 的 5-10 倍）+ CDN 流量，仅大厂可承受。
模型代差：国内大模型（如豆包）在逻辑推理、工具调用准确性上较 Claude 3.7 仍有半年到一年差距，Qwen3 虽提升 MCP 支持，但生态成熟度不足。
转型建议：
收缩预期：从 “通用 Agent” 转向 “垂类 Agent 聚合平台”，鼓励开发者基于行业 Know-how 构建细分工具（如律师办案助手、设计师素材生成器）。
轻量化路径：参考 Lovart，通过限定场景（如营销文案生成）降低交互复杂度，提升任务完成率。
三、垂类 Agent 的崛起：Know-how 驱动的确定性机会为何垂类更具潜力？
需求明确性：如设计领域（Lovart）、编程（Cursor）、客服（智能应答），用户目标清晰，工具调用路径可预设，降低幻觉风险。
成本可控性：单一场景 Token 消耗低（如代码补全仅需数百 Token / 次），且可通过本地 LoRA 微调提升效果，减少对云端算力依赖。
商业化可行：B 端付费意愿强（如企业采购设计工具、医疗影像分析），且可通过 SaaS 订阅、私有化部署收费。
成功案例与关键要素
Lovart：聚焦设计师群体，整合素材库、尺寸适配、风格迁移等工具，通过海外市场（使用 Claude/Sora）快速验证，再回流国内适配 Qwen3。
核心壁垒：行业数据：积累设计领域 prompt 库、历史项目案例，提升生成内容的专业性。交互体验：界面深度集成设计软件（如 Figma），减少用户跨平台操作成本。用户粘性：通过用户创作历史训练个性化模型，形成 “越用越懂我” 的正反馈。
四、技术与商业化：MCP、算力与付费模式的博弈MCP 的生态博弈
大厂策略：当前 MCP 服务（如百炼 / 扣子空间）以免费为主，抢占开发者生态，但未来可能对高频调用（如电商选品、金融数据查询）收费，模式类似 API 市场。
技术门槛：Qwen3 首次实现 MCP 原生支持（幻觉率显著降低），但字节 / 腾讯等厂商的模型仍需优化工具调用准确性（如生成合法 JSON 格式的成功率）。
算力成本的 “不可能三角”
通用 Agent：高 Token 消耗 + 长时算力占用，仅适合 To B 大客户（如企业级流程自动化）。
垂类 Agent：通过轻量化模型（如 1B 参数 LoRA）+ 端侧算力（如本地 GPU）降低成本，适合 To C 场景。
商业化路径探索
当前阶段：以 Token 流量计费为主，但用户付费意愿低（对效果不确定性担忧），企业级服务（如医疗 AI）通过项目制收费更可行。
未来方向：价值分层：按问题复杂度收费（如法律咨询高价、日程安排低价）。订阅制 + 增值服务：基础功能免费，高级功能（如定制化模板、团队协作）收费。B 端场景：聚焦 “降本增效明确” 的领域，如客服替代、代码生成，通过 ROI 说服企业付费。
五、风险与机会：政策、技术与生态的再平衡风险点
政策监管：国内对生成式 AI 的内容安全、数据合规要求趋严，可能限制通用 Agent 的场景拓展（如金融预测、医疗诊断）。
生态依赖：创业公司过度依赖大厂平台（如扣子空间）可能面临接口变动风险，需构建自有技术栈（如开源 MCP 框架）。
机会点
出海红利：利用海外模型（Claude/GPT-4）的技术优势，先在海外验证垂类场景（如跨境营销 Agent），再回流国内适配国产模型。
行业深度合作：与传统企业共建垂类 Agent（如制造业工单处理、零售业库存预测），结合行业数据训练专属模型，形成壁垒。
总结：从 “大而全” 到 “小而美” 的范式转换当前国内 AI agent 生态正从 “大厂主导通用平台” 向 “垂类场景深耕” 转型。大厂需在生态整合与场景聚焦间找到平衡（如字节收缩扣子空间的通用野心，强化飞书的办公场景），而创业公司应避开与大厂的正面竞争，通过 “行业 Know-how + 轻量化技术” 切入细分市场。未来 1-2 年，具备明确商业价值（如降本增效）、低幻觉风险（如结构化数据处理）的垂类 Agent，将成为商业化落地的主力。