什么是智能体？

云厂商把模型、知识库和工作流装进一套开发平台；

行业软件公司让智能体进入财务、金融和企业管理系统；

一些垂直应用厂商直接瞄准营销、客服、风控等具体业务；

还有一批从RPA和流程自动化走出来的公司，试图解决智能体最后一步的问题——让AI真正进入系统执行任务。

它们都叫“AI智能体”，做的却不是同一门生意。

这也是观察垂直智能体市场最容易踩中的误区：如果只比较模型参数、知识库数量和插件数量，很难看清一家厂商真正擅长什么。决定垂直智能体能否落地的，往往不是它会不会回答行业问题，而是它能否理解业务、调用工具、进入系统，并在权限和审计边界内完成任务。

需要说明的是，本文标题中的“头部玩家”不是市场份额排名，而是指公开资料相对充分、在不同技术路线或行业场景中具有代表性的厂商与平台。

十家企业也不处在同一竞争层级，横向对比的目的，是看清不同路线分别解决什么问题。

一、垂直智能体混战，真正争夺的是什么？

过去，企业判断一款AI产品，首先会问它用了什么模型、参数有多大、回答是否准确。到了智能体阶段，这套评估逻辑只说对了一半。

通用模型能力正在成为公共底座。企业可以调用不同模型，也可以通过RAG接入私有知识。真正拉开差距的，是模型之上的行业数据、业务入口、系统连接和流程闭环。

云平台争夺的是开发入口。行业软件厂商争夺的是业务入口，垂直应用厂商离业务结果更近，流程自动化厂商争夺的则是执行入口：当智能体做出判断后，谁负责进入系统、操作页面、提交结果，并把整个过程留痕。

图1 垂直领域AI智能体的四条竞争路线

二、10家玩家入场，但走的是四条不同路线

路线一：云平台想成为智能体的基础设施

华为云盘古、阿里云百炼和腾讯云智能体开发平台ADP，代表了模型与云端开发底座路线。

华为云官方将盘古大模型服务定义为“模型能力＋开发平台”的产品组合，由盘古系列大模型和ModelArts Studio组成。后者覆盖数据、模型和应用开发，Agent工具链包括工作流、知识库和提示词工程。

它更适合放在行业模型、开发工具链和云生态中观察，而不是简单当成一个垂直智能体产品。

阿里云百炼强调零代码连接大模型、知识库和外部工具，智能体可以规划任务、调用插件，并通过API或第三方渠道发布。腾讯云ADP则重点覆盖知识问答、RAG、工作流、多智能体、企业权限和工作空间管理。两者首先都是建设工具，而不是替企业自动完成某条业务流程的现成应用。

云平台提供的是造智能体的“工厂”。但工厂能够生产什么，仍取决于企业有没有行业知识、业务流程、系统接口和交付团队。

路线二：行业玩家把智能体塞进具体业务

蚂蚁数科Agentar、百融智能和趣致集团，代表的是更靠近行业或业务结果的路线。

从现有公开研究资料看，Agentar主要面向金融机构的智能体开发与应用，适合从金融专业知识、推理模型和行业场景角度观察。不过，其稳定可访问的完整官方产品资料仍然有限，因此不宜把论文或媒体材料中的能力直接扩大成确定的产品结论。

百融智能的公开布局更贴近金融营销与运营，覆盖智能营销、客服、贷后、审核和决策等方向。趣致集团的位置又不一样，其法定披露资料显示，公司更接近AI互动营销和智慧零售应用方，通过智能终端、数据能力和数字人导购服务消费品牌。

垂直应用厂商的优势，是距离业务结果更近；限制也同样明显——场景越深入，能力越依赖行业数据和流程经验，跨行业复制的难度通常越高。

路线三：企业软件开始给原有系统加上“智能入口”

金蝶苍穹Agent和神州数码“神州问学”，代表了企业软件与AI应用工作台路线。

金蝶苍穹Agent的差异化来自企业管理软件基础，公开体验围绕财报、业财、人力和企业经营等场景展开。神州问学定位于企业级Agent Workspace，覆盖模型与算力管理、企业知识、RAG和AI应用构建。

对这类厂商而言，真正重要的资产不是模型，而是已经存在于企业系统里的数据、流程和客户入口。但当任务需要跨越多个异构系统，或者进入没有标准接口的旧系统时，还需要继续解决连接和执行问题。

路线四：智能体开始补上“行动能力”

Manus和金智维都强调“从回答走向行动”，但两者代表的是完全不同的行动环境。

Manus更接近通用任务型智能体，根据其官方介绍，它可以在独立工具环境中完成网页研究、数据分析、内容制作和开发等任务。

金智维则更适合放在企业受控流程中观察，其Ki-Agent公开强调大模型与RPA融合、自主规划、工具调用、多智能体协同、结果校验，以及权限控制、监控和日志。

金智维回答的是“智能体能否在企业边界内稳定完成一条业务流程”。两者都强调行动，但运行环境、风险边界和交付目标并不相同。

三、横向比较后会发现，智能体能力至少被拆成了五层

如果把十家代表玩家放在一起，最明显的结论不是谁更强，而是谁离哪一层能力更近。

图2 垂直领域AI智能体的五层能力栈

玩家	主要路线	核心领域	更值得关注的能力	需要注意的边界
华为云盘古	行业模型/平台	多行业AI开发	模型与全流程工具链	不等同流程执行产品
阿里云百炼	云端Agent开发	企业AI应用	模型、RAG、插件与生态	业务深度取决于交付
腾讯云ADP	企业Agent开发	知识/多智能体	RAG、工作流、权限	平台不等于行业结果
蚂蚁数科Agentar	金融智能体	金融机构	金融知识与应用开发	产品能力需逐项核实
百融智能	垂直业务应用	金融营销运营	客服、审核、贷后与决策	效果数据不可泛化
趣致集团	智慧零售应用	消费品牌营销	智能终端与数字人导购	应用方而非通用平台
金蝶苍穹Agent	企业软件原生AI	财务/企业管理	ERP数据和业财场景	跨系统能力需评估
神州问学	企业AI工作台	知识/应用构建	模型、RAG与应用工程	集团能力勿全归产品
Manus	通用任务Agent	研究/分析/开发	自主任务与工具环境	非本地核心流程口径
金智维	流程执行智能体	企业流程场景	RPA+AI、权限与审计	效果取决于流程交付

第一层是模型与行业认知；第二层是知识和应用构建；第三层是业务场景深度；第四层是系统与流程执行；第五层是企业治理。

智能体能力不是一条从低到高的直线，而是一组位置不同的拼图。有的厂商离模型近，有的离业务近，有的离企业系统和执行现场更近。企业如果只看功能清单，很容易为自己并不需要的能力付费，同时忽略真正的短板。

四、下一阶段，垂直智能体要跨过三道门槛

第一道：从“懂行业”走向“懂流程”

行业知识可以通过模型、RAG和知识库补充，但真实流程还包含岗位分工、审批规则、系统权限和异常处理。一个智能体知道报销制度，并不等于它知道某张异常发票应该由谁复核、在哪个系统退回，以及如何保留操作依据。

第二道：从“调用工具”走向“稳定执行”

调用一次API不难，难的是一条流程运行几个月后，遇到系统改版、数据缺失、接口超时和权限变化时还能否继续工作。企业需要异常回退、人工接管、运行监控和日志追踪。这也是金智维等RPA+AI厂商进入智能体市场的合理位置：大模型负责理解和规划，RPA承担相对确定的系统操作。

第三道：从“做出智能体”走向“运营智能体”

当企业内部出现几十个甚至更多智能体后，问题会从开发转向管理：不同智能体可以访问哪些数据、调用哪些工具？版本升级如何测试？模型成本如何核算？错误结果由谁负责？这些问题不会因为模型升级而自动消失。

五、垂直智能体不会只剩一家赢家

垂直智能体的竞争，很可能不会以“一家平台包办所有能力”结束。

云平台掌握模型和开发入口，企业软件掌握数据和业务入口，垂直厂商掌握行业经验和场景产品，流程执行厂商负责连接异构系统并完成行动闭环，通用智能体则继续探索更开放的任务边界。它们之间既有竞争，也可能形成组合关系。

因此，企业观察一家垂直智能体厂商，不能只问模型有多大、可以创建多少个Agent。更应该问四个问题：它掌握了哪个行业入口？进入了哪一段业务流程？最后一步由谁执行？出了问题又由谁负责？

能回答这四个问题，才算真正看懂了这张垂直领域AI智能体全景图。