☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
7月20日，2026世界人工智能大会（WAIC）在上海顺利落下帷幕。
作为深耕AI应用一线的实践者，我明显感知到一个关键转向：“Agent”正加速渗透至软件与应用层的毛细血管中。
展台之上，从智能手机、办公套件、开发者工具，到营销系统、智能客服、医疗平台及企业ERP/MES，几乎每一类应用都在演示如何接入Agent——AI不再止步于生成一段文字，而是主动调用API、跨系统协同、闭环执行端到端任务。
大会闭幕仅两天后，OpenAI正式推出面向企业的Agent平台Presence，将AI深度嵌入客户服务、销售跟进、账单管理、保险核赔及内部IT支持等核心业务流。此举标志着OpenAI正从“模型供应商”跃迁为“流程参与者”，悄然切入CRM、工单系统、身份认证与低代码工作流等传统SaaS厂商长期盘踞的腹地。
这一动作虽非首次，但其具象性与落地节奏远超以往，迅速引发资本市场连锁反应：软件行业沿用数十年的竞争范式开始松动。Workday、Atlassian、HubSpot、Salesforce与Okta等头部厂商股价集体承压，其中HubSpot单日跌幅逾12%，Atlassian接近12%。
过去几年，大模型厂商专注提供“智能底座”，应用厂商则负责界面交互、数据打通与业务逻辑封装。如今，模型能力正向上游延伸——它开始理解用户真实意图、自主拆解复杂任务，并决策调用哪款第三方工具或服务。
市场真正的隐忧在于：大模型公司正把推理引擎、数据连接器、权限网关与流程执行器打包整合，直击传统SaaS最核心的价值飞轮。
这意味着，软件价值链条正在被重构。随之而来的，是产品交互范式、入口形态、分发逻辑、商业模式、安全责任边界乃至整个产业权力结构的系统性重写。
01 价值重心迁移
当Agent真正“上岗干活”，首个被重塑的是Token的消耗逻辑。
根据我们上半年在多个客户场景中的实测与观察，在部分长链路、多步骤、强依赖外部系统的任务中，Agent单次任务所消耗的Token量，可达传统对话场景的百倍甚至千倍以上；极端案例中，峰值消耗甚至突破万倍量级。
这并非普适标准，却清晰指向一个趋势：AI应用正从“一次性问答”迈向“持续性执行”，Token也正从模型计费单元，升维为整个Agent系统的底层能源载体。
OpenAI在其《2025企业AI采用报告》中披露：其企业客户平均API推理Token用量，在一年内激增约320倍。该数据源自OpenAI自有平台，虽不能代表全行业，却印证了企业正将更长周期、更高复杂度的工作流托付给AI。截至2026年4月，OpenAI平台API每分钟处理Token已突破150亿枚。
在此背景下，产业端正发生三重结构性变化：
首先，Token需求爆发式增长，正倒逼算力产业重心转移。 过去焦点集中于训练所需GPU数量；进入Agent时代后，高频、高并发、长时运行的推理负载成为新刚需。模型不仅要输出答案，还需在任务各阶段动态调度大小模型、执行代码、调用工具，并维持上下文状态记忆。
这一过程中，国产AI芯片与GPU的推理性能持续提升，订单饱满、交付趋紧。这也释放出积极信号：随着国产软硬件生态日趋成熟，中国开源权重模型有望更多部署于本土算力平台，加速向政企与垂直行业渗透。
其次，显存与内存正成为制约Agent规模化落地的新瓶颈。
Agent需承载超长上下文、批量解析多格式文件、消化复杂工具返回结果，对HBM带宽、服务器主存容量及高速存储吞吐均提出更高要求。
SK海力士于7月29日发布的2026年第二季度财报显示，当季营收与营业利润双双刷新历史纪录，主要驱动力即来自HBM、AI服务器专用DRAM及企业级SSD的强劲需求。公司明确指出，“Agentic AI”将推动内存需求从AI专用芯片扩展至通用内存市场，并计划于下半年扩大HBM4产能。
然而，半导体产能扩张存在天然周期——晶圆厂建设、先进设备导入、良率爬坡与3D封装能力积累，均无法与Token需求曲线同步匹配。扩产本身也可能催生新的周期性风险。
财报虽亮眼，SK海力士股价当日仍暴跌超17%，折射出市场对2027年后新增产能集中释放可能引发供给过剩的深切忧虑。
未来数年，推理算力、显存与存储的供需匹配度，将成为决定Agent能否真正规模化的关键变量。
此外，Token成本压力也在加剧闭源模型与开源权重模型之间的战略博弈。
当前二者处于能力追赶与路径分化阶段。当Agent需高频调用模型时，企业必须综合权衡单次调用价格、私有化部署可行性、数据主权保障与推理延迟表现。闭源模型依托API提供前沿能力，开源模型则通过本地部署与定制优化，助力企业掌控长期成本。
海外头部模型在推理稳定性、代码生成质量及工具调用鲁棒性方面曾实现显著跃升；但国内开源模型迭代提速，双方在特定任务场景下的实际效能差距正快速收窄。模型规模、高质量训练语料、强化学习策略、上下文窗口管理及推理工程优化，共同构成最终竞争力拼图。
例如近期发布的Kimi K3，采用2.8万亿参数MoE架构并完全开源权重，在长程编程、Agent任务编排与深度逻辑推理等维度持续突破，已成为国产开源模型逼近国际前沿的标志性成果。
与此同时，各类“Token工厂”与公共推理服务平台加速涌现，但服务质量参差不齐。 部分平台实为API转售商，用户输入的原始数据需经多重中间环节，天然存在信息泄露与中间人攻击隐患。用户亟需甄别服务商是否具备端到端数据隔离、国密级加密传输及可审计日志能力。
除推理服务自身安全外，Agent行动力增强亦带来新型风险。7月29日，OpenAI一项新披露显示：其测试中的智能体利用已泄露凭证，成功登录至少四个“公开可访问服务”，完成高强度验证任务。
总体而言，“Token工厂”与公共推理服务仍有广阔空间，但安全合规将成为不可逾越的准入门槛。
02 垂直能力再定义护城河
Token需求井喷只是Agent浪潮最先浮现的底层涟漪。随着模型能力与推理基础设施日趋成熟，变革正层层传导至应用层：过去由垂直应用独占的能力，正被通用大模型逐步接管。
当通用模型在代码生成、工具调用、多步规划与专业问答等维度持续进化，垂直Agent亟需回答一个根本问题：哪些能力尚无法被基座模型快速替代？
从2026年下半年起，一批缺乏真实行业壁垒的垂直Agent初创公司或将率先退出舞台。
其底层逻辑在于：AI基础设施厂商正加速下沉至应用层，通用模型在编码、工具集成、知识检索与任务分解等基础能力上不断补强。仅靠UI包装、提示词工程与简单流程编排，已难以构筑可持续竞争壁垒。
但这绝不意味着垂直能力将被通用模型彻底吞噬。
全球各行业沉淀的Know-how、隐性经验、标准作业程序（SOP）、三维工程仿真数据、产线环境配置及复杂边界规则，构成了难以被公开数据集覆盖的专业护城河。若基座模型在预训练阶段未接触此类专有语料，仅凭通用能力便难达生产可用水平。
我们团队曾在受控环境中，对比国内外主流模型在加载/不加载专业Skill前提下完成分子结构分析任务的表现。结果显示：在若干细分专业场景中，即使使用顶尖模型，未加载高质量Skill时的准确率与稳定性仍显著低于加载后表现。
一个经过行业验证、融合领域规则与实践经验的Skill，即便运行于普通模型之上，亦可在特定任务中实现超越前沿模型的产出质量。
通用模型可高效吸收公开知识与标准化技能，但半导体工艺参数、高端制造装配逻辑、化工反应动力学模型、创新药临床试验设计等多年积累的实验数据、产线知识与仿真资产，具有高度历史依赖性与不可复制性。企业在调用基座模型时，亦需审慎评估：这些核心资产是否会成为下一代模型的训练燃料？
由此，一场长期博弈已然展开：闭源模型厂商渴望获取更多行业数据以强化模型能力；企业则必须权衡——若将核心知识无偿注入通用模型，自身未来的核心竞争力还剩几何？
目前，已有企业选择基于开源权重模型开展私有化部署，确保专业知识与外部模型环境物理隔离。该路径相对稳健，但实测表明，私有化模型与顶级闭源模型之间仍存在一定能力代差。
企业需在模型先进性、部署成本与知识主权间做出务实取舍。同时，开源模型自身的商业逻辑也可能随之演进。
若先进开源模型在垂直知识理解、代码生成精度与工具调用成功率等方面持续突破，并达到工业级可用标准，其提供方势必需通过订阅制、API调用分成或专属服务等方式回收研发与运维成本。
当前高性能芯片与算力资源依然紧缺，模型背后涉及电力消耗、GPU集群维护、推理优化工程等持续投入，长期免费供给难以为继。因此，部分高性能开源模型或将逐步走向商业化，探索付费API、分级授权甚至选择性闭源等新模式。
优质模型值得付费调用，企业沉淀的专业知识与Skill同样应被确权，并在被调用时获得合理回报。
当通用模型能力持续跃升，垂直应用真正能留存的价值，将愈发聚焦于模型训练数据中未曾覆盖的行业隐性知识、流程逻辑与边界约束。
03 Agent经济初具雏形
当垂直应用的价值重心从界面交互转向专业知识，这些能力也不必再以完整独立App的形式存在。
Agent经济的本质，并非单纯售卖“智能体”，而是围绕Agent完成任务所需的模型、算力、数据、工具、专业技能与配套服务，构建一套全新的能力供给与价值交换体系。
据我们调研所见，部分软件厂商已启动能力原子化改造——将原有功能模块拆解为可复用Skill。
尽管Skill能否成为长期稳定的应用形态尚存争议，但其存在价值毋庸置疑。一个Skill能否存活，取决于它能否提供通用模型难以低成本复现的专业价值。
以BraneMatrix推出的UGS平台Ginkley为例：BI厂商将数据分析引擎、图表渲染逻辑与交互操作封装为Skill；三甲医院正尝试将心内科诊疗指南、影像判读规则转化为医生可一键调用的临床辅助能力。
此外，大量个人开发者与垂直领域创作者亦加入供给行列，涵盖体育赛事预测、二级市场研报、美妆成分解析等细分赛道。这些Skill的核心价值，源于创作者长期积累的专业方法论、判断框架与实践经验。
未来Agent生态的供给主体，将远不止传统软件公司。企业、执业医师、金融分析师、工业设计师与内容策展人，都可能成为数字能力的创造者与提供者。
然而，要让Skill成长为可持续的经济单元，必须率先攻克五大基础命题：
第一是确权机制。
平台需明确定义Skill创作归属、知识产权边界，并确保基于开源项目二次开发时严格遵循原协议。目前已出现热门Skill被他人重新打包上架销售、原创作者却颗粒无收的案例。若创作者身份与权利无法锚定，高价值能力难以形成稳定供给。
第二是知识保护。
多数Skill的核心资产并非代码本身，而是精心编排的Markdown文档、结构化提示词、业务规则库及多年沉淀的行业Know-how。若每次调用均直接暴露全部内容，开发者将丧失核心竞争力。
因此，Skill需支持“可用不可见”的调用范式：用户获得精准结果，却无法反向提取知识内核；模型须在沙箱环境中调用Skill，最大限度减少专业内容向外部泄露。
第三是计费与收益分配。
传统软件依赖订阅制、永久授权或席位计费。而Skill被不同Agent高频复用后，更合理的计量方式应为：按调用次数、Token消耗量、任务复杂度或结果质量进行动态计价。
在此体系中，模型提供通用推理能力，Skill贡献专业价值，二者均需获得与其贡献相匹配的定价。平台须真实记录每一次调用行为、Token开销与收入流水，使能力提供者清晰掌握自身Skill的使用轨迹与变现效率。
第四是分发机制。
用户未来未必主动搜索并手动选择Skill，更多场景下将由Agent根据任务目标自动匹配调用。此时，平台的推荐算法、排序权重与默认策略，将直接决定Skill的曝光量与调用量。
因此，Skill平台不仅需提供能力注册入口，更需建立透明、可解释的分发规则。平台可辅助用户筛选最优能力，但调用量与收益分配绝不能沦为黑箱。
第五是安全准入。
当前Agent、MCP与Skill生态中，已出现提示词注入、恶意代码植入、模型越狱及第三方资源投毒等新型威胁。一个被污染的Skill，可能在用户无感状态下窃取敏感数据、调用未授权接口，甚至将恶意载荷注入企业内网。
随着AI获得更高系统权限，此类安全隐忧正从应用层蔓延至模型研发前沿。7月29日，OpenAI、Anthropic、Google等近十家AI机构的1100余名工程师联合签署公开信，呼吁美国政府牵头推动国际协调机制，为前沿AI研发设立必要时可集体降速的“安全刹车”。
Skill安全亦需突破传统防线。许多风险潜藏于自然语言指令、非结构化文档、网页内容、图像元数据及外部工具返回结果中。平台既要扫描Skill代码，更要限制其数据访问范围与系统权限，并对运行全过程实施实时审计。
相较传统网络安全，Skill安全的根本挑战在于：后者攻击面受限于确定性规则，而AI安全的攻击空间呈指数级膨胀且高度不可预测。
因此，Skill的意义远不止于“轻量化应用”，它首次让专业知识具备了可调用、可计量、可交易的数字化属性。
未来的Agent体系中，通用模型负责目标理解与任务规划，专业Skill填补行业纵深能力，底层平台则承担连接枢纽、价值结算与安全守门人角色。
归根结底，Agent经济能否真正落地，取决于两个终极命题：专业能力能否被可信调用，以及价值是否真正回归创造者手中。
本文来自微信公众号“腾讯科技”，作者：值得关注的，36氪经授权发布。
