社区

$SpaceX(SPCX)$  股票周二盘前交易中再度下挫，延续了IPO后急剧逆转的势头，给投资者抛出了一连串尖锐的问题。 该股开盘前下跌约3.5%，报约149美元，逼近150美元这一象征性关口，较135美元的IPO发行价仅高出约10%。周一16.4%的暴跌使SpaceX市值蒸发逾4000亿美元，此前的交易日中该股已分别下跌约3.6%和5%。6月16日，股价曾短暂触及225.64美元的高点，这让此番逆转的速度愈发难以忽视。 是什么打断了SpaceX的涨势 猛兽财经认为直接导火索是SpaceX在债券市场的动作。周一，公司宣布发行优先无担保票据，而就在几天前，它刚刚完成美国历史上规模最大的IPO上市。 这或许是审慎的资产负债管理，却让投资者大感受挫。投资者担忧的逻辑很简单：一家坐拥逾1000亿美元现金的公司，为何要在创纪录的IPO之后如此迅速地发债融资？对于一只本已被定价为近乎完美执行的股票而言，发债公告让怀疑者有了新的理由，去质疑马斯克从火箭到AI帝国背后巨大的资本消耗强度。 压力并非仅来自债务。SpaceX斥资600亿美元全股票收购Cursor的交易，也引发了稀释方面的担忧。晨星分析师尼古拉斯·欧文斯在这笔交易后，已将SpaceX的公允价值估算下调至每股约62美元，并认为市场已在把巨大估值计入了SpaceX那些前景未卜的未来业务。 是应该出逃还是抄底 市场反应方面也出现了分歧。木头姐旗下的ARK Invest将周一的抛售视为机会，根据Stocktwits数据，木头姐已通过四只ETF总计买入了210,121股SpaceX股票，按周一收盘价计算价值约3250万美元。这绝非恐慌抛售，而是基于信念的买入。 但看空者并未沉默。The Future Fund管理合伙人加里·布莱克在X平台上表示，S

数势科技CEO黎科峰最近迷上了一件事：自己写文章。 每天一篇，发在公众号【AI夜行】上，雷打不动。不是品牌稿，不是公关文，是他把脑子里的想法录成音，让AI帮他整理、帮他写，结果比任何编辑写的都要好。他说，这件小事让他想通了一件更大的事：人脑袋里面想的东西，和真正动手做出来的东西之间，距离已经被极度压缩了。 这个判断，是数势科技过去三年整个组织演化的起点，也是他对AI时代最核心的认知——AI不是工具升级，是一次重新定义组织与价值的机会。 在爱分析这次访谈里，黎科峰和我们谈了三件事：他怎么理解AI和数据的关系，为什么他认为数据才是真正的护城河；他怎么看AI时代组织该怎么建；以及数字员工这门生意，壁垒究竟在哪里。 核心观点： 代码会被平权，流程会被平权，方法论也会被蒸馏。唯有私有数据、私有语义、私有经验，大模型拿不走。 组织AI化的第一步，不是买工具、搭平台，而是管理者自己下场用AI。不信AI比自己强，就不可能真正放手。 未来ToB市场一定比过去更集中，垂直SaaS的生存逻辑正在被颠覆。卖代码的时代过去了，卖结果的时代来了。 以下为本次访谈实录，在不改变原意基础上略有修改。 01  组织AI化，先要求管理者从指挥者变成使用者 爱分析：数势科技大概什么时候开始做组织AI原生化这件事？ 黎科峰：我们做得比较早。2023年很多团队还没看清方向时，我就判断要先把组织压扁。因为如果一个leader下面管很多人，他很容易继续做指挥者，而不是自己下场尝试AI。 AI原生不能靠口头指挥，必须每个人亲自上手，包括我自己。过去两年，我们最重要的事就是让大家真正使用AI、体验AI。只有亲自用过，知道它能做什么、不能做什么，组织才可能真正转身。 招聘新人的时候，我们同样不能继续用老思维。我们要逼自己判断：哪些问题适合AI解决，哪些事情应该交给AI，哪些环节人应该往后退。 爱分析：很多

导读： 大模型与智能体快速发展，C端AI产品迭代迅猛，但企业AI落地普遍遇阻，存在场景难选定、应用浮于表面、全员推广困难三大痛点。本次邀请的专家分享了多家企业落地实战案例，围绕“快、深、广”落地方法论，以能否办成一件事作为智能体项目成败标准，分阶段拆解落地实操路径，为企业智能化转型提供落地参考。 分享专家：蓝凌智能副总裁&AI业务负责人，杨泽 01企业AI落地三大现实卡点 当前AI技术，尤其是大模型领域发展迅速。今年以来，从DeepSeek Moment到OpenClaw，再到近期各类智能体产品涌现，C端应用日新月异。但与此同时，AI在企业内部的落地仍存在差距。即便智能体或大模型能力再强，目前很多企业里，仍有不少员工用“豆包”等工具撰写文档，这可以说是组织落地AI最突出的问题之一。 AI作为组织能力的放大器，当企业希望用好它时，常遇到几个难题： 第一，场景过多。企业内适合AI的场景很多，该从哪些入手才能更快获得业务回报？只有看到成效，企业才愿持续投入。 第二，容易流于表面。很多企业落地AI时停留在聊天层面，私有化部署一个模型让员工提问。这未能真正融入企业知识、流程及制度，仍浮在业务表层。 第三，组织内部推广难。很多企业在全员推广时遇到阻力。要打造AI原生型组织，需要每个人解决问题时都能自发想到用AI。如何实现全企业有效推广，是一大挑战。 在蓝凌众多智能体项目中，如何判断项目成功？关键看智能体能否帮我把一件事完整、闭环地做成。 完成这件事需要能理解任务意图；能调用企业知识、数据、制度等资产；更要能在合规前提下操作系统，考虑权限管控、可审计性等条件。 智能体可大可小，但都应具备这些能力。 02 快-深-广，企业智能体落地三步走 那么，企业内部究竟该如何落地智能体？即便面临诸多挑战，我们在近两年服务超过200家客户转型的过程中，总结出一套方法，归纳为“快、深、广

$SpaceX(SPCX)$  自上市以来的火爆涨势，正重新点燃市场的担忧——投资者对人工智能和科技股的热情，是否正将科技股的估值推入泡沫区间。一些市场观察人士甚至将其与近年来席卷华尔街的网红meme股相提并论。 这家由马斯克领导的公司，上市不到一周便较135美元的发行价上涨近50%，一举跻身全球最具价值的公司之列。尽管公司仍在亏损，且多项雄心勃勃的长期项目仍无明确的盈利时间表。 分析师指出，SpaceX股价的急速上涨，凸显出科技领域中部分板块的估值与基本面之间的脱节日益严重。 瑞士信贷的Ipek Ozkardeskaya表示，SpaceX上周IPO后股价急剧上涨，凸显出一个信号，即不断上涨的科技股可能已处于泡沫区间。"SpaceX或许已是目前最大的红色警报，说明当下的科技股涨势已到了一个估值不再合理的地步。 未解问题仍存在，但市值仍在攀升 SpaceX股价周二上涨4.8%，收于201.80美元，公司市值约2.7万亿美元。 这一涨幅使SpaceX的市值上超越了亚马逊(AMZN)，并在盘中交易中短暂超越微软(MSFT)，随后在交易时段晚些时候回落。自上周IPO上市以来，其市值已增加了约8000亿美元。 虽然股价还在不断上涨，但SpaceX的几项关键业务的盈利能力问题仍然没有解决，包括其AI投资和更广泛的太空基础设施目标。 SpaceX去年实现营收187亿美元，但在计入xAI的业绩后，仍录得49亿美元的净亏损。xAI目前仍处于严重亏损状态。 与许多大型科技公司不同，SpaceX尚未展现出能支撑其数万亿美元市值的持续盈利能力。 剧烈波动引发与网红meme股对比 周二的交易进一步加剧了投资者对围绕该股投机活动的担忧。SpaceX股价盘中一度上涨至225.64美元的高位，随后在收盘前回吐了大部分

来源：爱分析ifenxi，《2026爱分析·中国企业智能体市场规模报告》，2026 年 6 月发布 爱分析ifenxi是AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 导语： 企业的IT预算终有天花板，但对生产力的渴望永无止境。今天，企业智能体正以势不可挡的姿态，先吞噬企业IT市场，再吞噬劳动力市场。它不仅重塑了企业的成本结构，更让市场从传统的信息化软件采购，演进为百万亿级的数字劳动力交易。在这场生产力范式转移中，谁能率先驾驭数字员工，将率先享受新一轮生产力红利。 一、打破传统IT天花板，中国企业智能体正式迈向数字劳动力交易时代 中国企业智能体市场正经历一场深刻的范式转变，从传统的软件市场向数字劳动力市场演进。爱分析观察到，目前国内已经形成了一个从底层基础设施、智能体操作系统，到上层数字员工及数字劳动力交易生态的完整产业链。 其中，智能体基础设施为企业提供算力、模型、数据、记忆等底层能力；智能体操作系统负责智能体开发、编排与管理；数字员工直接面向业务场景交付价值； Skill、智能体和数字员工的标准化流通，正在催生数字劳动力交易生态，这将成为智能体时代最具增长潜力与想象力的全新蓝海市场。 二、五年狂飙80.5%，中国智能体市场规模将在2030年冲破4900亿元大关 2025-2030年间，中国智能体市场总规模将迎来爆发式增长。爱分析测算，市场规模将从2025年的256.8亿元大幅跃升至2030年的4925.2亿元，五年间将实现高达80.5%的复合年增长率（CAGR）。 爱分析认为，2028年将成为市场的关键转折点。2025-2027年前期，增长主要由IT预算释放下的基础设施和平台部署驱动；而2028年后，随着智能体自主执行能力的提升，数字劳动力开启第二增长曲线，IT投入与数字劳动力需求形成双轮驱动。 三、重心全面向价值层转移：2030年数字员工与交

本文来自爱分析ifenxi（北京爱分析科技有限公司），AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 AI 正在改变企业使用数据的方式。 过去企业数据建设的目标，是实现业务流程线上化，并把分散的数据治理成可管理的资产。AI时代，企业更关心的是数据能否直接参与判断、预测和决策，从”人看报表”走向”系统主动决策”。这意味着，企业数字化正在从流程数字化、数据资产化，进一步走向可信决策自动化。 在此背景下，爱分析对百望股份CTO王志伟进行了深度访谈。百望股份长期深耕发票、财税、企业信用和交易数据服务领域，积累了大规模真实交易与企业经营数据，以此为根基，百望股份提出战略升级：将公司定位为AI时代的企业商业信用基础设施运营商：以真实交易数据定义企业商业信用，让企业更可信、交易更智能、融资更容易、出海更合规。 本次访谈重点讨论了AI时代数据底座演进方向、行业模型机会、AI应用规模化落地条件，以及百望股份如何用统一数据中台和统一AI中台支撑战略落地等问题。 核心观点： 1、AI不会直接替代数据平台，统一数据底座仍是AI的基础。 大模型可以大幅提升数据治理、打标、建模等环节效率，但没有高质量数据供给，AI能力很难真正进入企业关键决策。 2、通用大模型不会吞噬所有行业模型，真实交易数据和强合规Know-How会长期形成壁垒。 财税、医疗、金融、企业信用等领域专属数据不可能简单进入公开大模型，业务规则、授权链路、审计要求和风险责任也难以由通用模型独立承担。 3、AI应用规模化的关键是把专属数据、行业Know-how和刚需场景组织成可计量的能力调用。 财税合规、企业商业信用、金融风控、智采慧销与全球税务合规等场景，既有高频业务入口，也有明确付费意愿，是AI可规模化落地的应用。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 企业数据正从资产化走向可信决策自动化 爱

过去一周，Agnes AI成为国内AI开发者社区讨论度较高的大模型厂商之一。 原因很简单，它宣布向全球开发者免费开放文本、图片和视频模型API，且不限时、不限额度。消息发布后，大量开发者涌入社区体验产品。根据Agnes AI最新官方数据，从6月1日开始免费后，六月第一周的 Agnes-2.0-Flash 调用量已超过1万亿（1T）；Agnes-Image-2.1-flash生成超过200万张图片；Agnes-Video-2.0生成超过200万秒视频。 不过，对于大模型厂商而言，“免费”不是最难的事情。真正的挑战在于：模型能力是否经得起真实场景检验？热度能否转化为长期用户？ 带着这些问题，爱分析进入了Agnes AI用户社区，并持续观察开发者讨论、产品迭代以及实际应用情况。我们发现，相比“免费”本身，开发者更关注Agent能力、长上下文处理以及模型能否胜任真实业务场景。并且在热度之外，一些新的变化也正在发生。 以下是爱分析在用户社区中的一些真实观察。 01 为什么Agnes AI突然火了？ 6月1日，Agnes AI宣布向全球开发者免费开放旗下文本、图片、视频三大模型API，并承诺不限时、不限额度开放。这意味着开发者无需购买Token，也无需担心免费期结束。尤其是在Agent兴起的背景下，越来越多开发者面临Token成本快速增长的问题。因此，消息发布后，很快吸引了大量开发者关注。 当然，仅靠免费并不足以支撑持续热度。从公开信息来看，Agnes AI目前已经形成覆盖文本、图片、视频三大模态的模型矩阵。其中，文本模型进入Claw-Eval榜单，图像模型和视频模型进入Artificial Analysis相关榜单。 图1 Claw-Eval榜单（Agnes-2.0-flash位于第19位） 图2 Artificial Analysis相关榜单（Agnes Image 2.

2026年，智能体成为企业AI落地的行业共识。但市场火热背后，智能体概念正被快速泛化，很多厂商只是在原有产品上接入AI模型，就贴上智能体标签，而企业客户真正需要的，并不是一个新的对话入口，而是能够理解企业知识、拆解复杂任务、调用工具并协同执行的数字员工。 在滴普科技创始人 、董事会主席、执行董事兼CEO赵杰辉看来，真正有价值的企业智能体要回到模型能力本身，厂商需要具备模型训练能力，训练出具备企业级记忆机制、长任务规划和智能体协同的企业大模型。 围绕企业智能体落地，滴普科技正在推进两条核心产品线：一是 Deepexi 企业大模型，支撑企业本体建模、记忆、长任务规划和智能体协同；二是 FastAGI企业智能体平台，负责模型之间、Skills 之间、AI 员工之间的协同与调度。Deepexi 提供企业本体和规划能力，FastAGI 负责把这些能力组织起来，让多个 AI 员工能够在一个完整的业务场景里协同执行。两条线合起来，才是企业AI落地 的完整形态。 在本次与爱分析的深度访谈中，赵杰辉系统阐述了对智能体市场的判断、滴普科技的产品路径，以及AI 员工对企业组织形态的影响。 核心观点： 1、企业智能体概念被泛化，长期有价值的是企业大模型。真正的企业智能体不能脱离模型，模型承担数据整理、知识逻辑承载和推理作用。AI厂商如果没有模型能力，本质上仍是传统集成商。 2、企业智能体落地的关键，是建立企业级记忆和长任务规划能力。智能体必须具备记忆机制，把企业资料、流程、规则、故障、经验等转化为本体，形成企业知识网络。这样模型才能实现推理和规划，支撑复杂任务执行。 3、AI 员工会重构科技公司的组织形态，FDE 团队重心是 Skills 和数据开发。FDE 工程师的角色会发生变化，将自身能力 AI 化。科技公司竞争力会从经验积累转向学习能力和变化能力。 01 企业智能体概念被

中国电建集团财务有限责任公司（以下简称“电建财务公司”）是中国电力建设集团有限公司的“内部银行”，成立于2015年12月，主要为集团成员企业提供资金集中管理、资金结算、信贷业务、外汇业务等金融服务。公司人员规模不足百人，却掌管数百亿资金，金融属性突出，业务专业性强。 在国务院国资委和电建集团数字化转型升级部署下，电建财务公司提出建设“司库型、数智化、行业一流”财务公司的发展目标，大力推动数字化、智能化建设。 2024年起，公司开始规划AI大模型应用，因担心模型效果不达预期而一直处于调研阶段。2025年DeepSeek等开源大模型能力显著提升后，公司正式启动AI大模型应用项目，与中关村科金开展合作，实现大模型与智能体在电建财务公司内部落地。 01‍ 聚焦三大战略目标，推动大模型落地应用 作为典型的央国企财务公司，电建财务公司落地AI大模型应用时，重点聚焦以下三大战略目标，用以更好地发挥“AI+财务公司”深度融合作用： 首先是工作效率提升。通过筛选出贴合业务实际的AI技术应用场景，助力工作效率提升，减少重复劳动。 其次是经营效能提升。通过充分发挥AI技术的海量数据分析能力、语言解析能力等专业优势，更好地为经营决策提供辅助支撑，提升业务经营效能。 最后是服务提质增效。借助大模型和智能体的拓展应用，践行立足集团、服务集团经营理念，打造全新的数智化金融服务生态，提升金融服务的能力与水平。 最终形成底层可扩展、场景可复制的AI应用范式，实现从技术能力到业务价值的闭环转化，为财务公司数智化转型提供核心驱动力，同时形成可借鉴、可复制的建设成果经验。 02 ‍项目以双平台为核心体系，实现技术到价值闭环落地 整个大模型应用项目的技术架构分成四层，包括国产信创算力底座、多模态模型矩阵、大模型应用开发平台和大模型应用平台。 项目核心构建“大模型应用开发平台+大模型应用平台”双层体系，形成技术到价值

在大模型、智能体与AI Coding驱动的企业软件新世界里，旧的竞争壁垒正在迅速消融。专业知识与Knowhow正在被AI重新定义，智能体应用被分钟级生成，传统企业服务厂商的核心价值正面临大考。 在此背景下，我们与在PaaS领域深耕多年的得帆智能创始人兼CEO张桐，进行了一次深度对话。这家公司经历了上一轮技术周期，如今正将能力延伸至智能体应用平台、数字员工平台，构筑新一代企业AI基础设施。 本次访谈重点讨论几个核心问题：行业Knowhow如何从个人经验转向组织化AI能力，AI Infra的长期壁垒在哪里，以及企业AI商业模式如何从软件授权走向持续运行服务等。 访谈核心观点： 行业Knowhow不会消失，但会被重新定义。知识型Knowhow会被大模型快速拉平，真正稀缺的是项目推动、组织协同、责任心、判断力和复杂场景落地能力。企业要做的不是依赖个人专家，而是把专家能力沉淀为组织化、AI化的能力。 企业AI平台层将持续壮大。AI Coding会分流大量个性化、长尾化、流程型应用需求，企业可以自建更多智能体应用。同时，智能体普及也会驱动对平台型基础设施更广泛的需求。 智能体数字员工不是RPA的升级版，而是新的企业执行单元。RPA复刻操作，Agent理解任务、调用工具、处理异常并交付结果。数字员工的核心，是具备企业身份、权限和上下文理解能力，并能够真正进入业务系统完成工作。 企业AI的商业模式会从一次性软件授权，逐步转向平台订阅、智能体运行量和结果交付相结合的持续服务模式。智能体使用越深入，模型调用、工具执行、流程编排和运行保障的消耗越大，未来企业不是简单购买一个软件系统，而是为智能体持续交付业务结果付费。 AI能力仍然遵循1万小时定律。对AI的颠覆性感到焦虑是常态，应对方式是打不过就加入，即自身深度使用AI，提升认知。在AI上面投入的时间决定了认知高度。 ToB领域，新的创业公司会越

技术迭代的加速正将企业软件行业推向一场深刻的重塑，单纯的产品功能堆砌已难以构筑竞争壁垒，企业面临的是从技术架构到服务能力的全方位转型压力。 如何在模型快速更迭的时代沉淀核心资产，并重构适应AI时代的组织，成为企业亟需破解的关键命题。 在此背景下，爱分析与蓝凌董事长杨健伟展开深度对话。作为长期深耕企业数字化与知识管理赛道的资深实践者，杨健伟不仅带领蓝凌完成了自身的AI架构升级，更通过服务数千家大型企业的经验，洞察到AI助力组织进化的深层逻辑。 本次访谈将围绕企业如何构建可持续的记忆体系，以及软件厂商在大模型时代的生存法则展开。 核心观点： 企业软件厂商的产品迭代节奏必须变快。AI编程和智能体能力正在快速成熟，几百万行代码级别的平台已可通过AI完成，这直接冲击了软件公司过去依靠代码沉淀形成竞争力的逻辑。 模型会变，但企业长期沉淀的是数据、知识、流程和记忆。企业不应把AI基础能力绑定在某一个模型上，而应从企业架构出发，推导数据架构，把知识、业务数据和智能体记忆统一纳入治理体系。 软件公司没有永恒的护城河，真正的壁垒只有两个：学习创新的速度和生存韧性。谁能更快看到新技术、学会新能力、完成试验、产品化并交付给客户，谁就有机会在新一轮竞争中跑出来。 以下为本次对话实录，在不改变原意基础上略有修改。 01 AI加速企业软件重构 爱分析：最近半年，您在智能体行业观察到了哪些新的变化？ 杨健伟：最大的变化是，技术变化和迭代速度太快了，快到传统软件公司的节奏已经跟不上。 去年10月、11月，我们还不敢确定，一套老的平台能不能完全用AI编程搞定。但到春节前后，行业里已经出现了一个300万行代码的产品平台，完全通过AI编程完成。这件事带来的冲击很大，因为几百万行代码，已经相当于一个核心企业软件模块的体量。 过去我们认为，写代码、沉淀代码，是软件公司的重要竞争力。但现在，AI并不是一个技术出来之后就

今年以来，基础模型的竞争不再停留在多模态、Coding等单点能力上，而是转移至Agent的全面比拼。基础模型吞噬通用Agent的趋势不可避免，Agent厂商还有哪些竞争壁垒？企业服务行业，以及企业组织本身将发生哪些变化？ 01 Agent自我进化重构商业模式 Agent定义始于2023年，Planning、Memory、Tools、Action成为标准框架。但今天，这四个模块发生了根本变化。 图1：自主智能体架构 Planning正在从固定流程，变成边走边看的动态探索。拖拉拽式的流程编排成为过去式，现在的Agent开始面对真实世界，目标明确，但路径不明确。它会不断试错、观察环境、修正路线。 Memory也不再只是上下文记忆。过去的记忆，本质是为了保证对话连续性。现在开始探索形成层级结构。Agent会记住任务状态，记住用户偏好，记住自己的角色，甚至记录与理解企业规则与组织文化。记忆从超长的缓存，变成长期的认知。 Tools同样发生了变化。过去只是调用计算器、搜索、API，现在开始形成Skill体系。Skill不只是工具，而是经验、流程、Knowhow的封装。同时，模型所具备的超强Coding能力，可以使得Agent为自己创建大量需要临时调用的工具。 Action也不再是单次动作执行，而是形成长期反馈闭环。Agent会持续观察结果，持续修正行为，持续优化路径。 图2：Agent各模块变化 四个模块共同变化，本质上是在让Agent从工具变成可成长的系统。 过去，企业购买的是软件功能，为此支付订阅费、授权费或者调用费。在Agent时代，企业购买的是Agent持续进化能力，为此支付对应的token费用。 过去，token是调用成本，未来，token是Agent进化的基础资源。Agent进化越快，token消耗量越大，厂商收入越高。这使得厂商能够跟随客户一起成长，大幅改善既往低客单、低

转：最近几周，国际固收市场上演了一场少见的抛售。 美国 10 年期国债收益率冲到 4.67%，30 年期突破 5.15%；德国 10 年期攀到 3.19%，是 2011 年欧债危机以来的最高位；英国 10 年期在 4.95% 到 5.17% 之间剧烈震荡，30 年期更是站上 5.81%，刷新了 1998 年以来的纪录。最戏剧化的是日本——10 年期日债飙到近2.80%，是 1996 年 10 月以来最高位；30 年期 4.20%，是这个品种发行以来的历史新高。 债券的利率和价格呈反向关系，利率升高，意味着价格下跌（被抛售） 利率是表象，制度范式的变化是底层。 新冠之后，发达国家的赤字就没真正收回去过。美国联邦赤字率稳在 6% 附近，国债余额逼近 40 万亿美元，长期国债拍卖频频出现尾部走阔、需求疲弱。欧洲在俄乌之后，遭遇美国施压退出欧洲军事保护，欧盟军费向 GDP 的 2.5% 靠拢，德国要从 2% 拉到 3.5%，英国宣布到 2035 年把国防开支提到 GDP 的 3.5%，欧洲也需要继续发债。这些传统发达国家的持续发展，给债券供给端的增长是长期、结构性的，不是周期性的。供给增加，价格下降，利率上升，最基本的道理。 赤字代表的货币端口影响更长期，那央行管的短端呢？主流央行开始缩表。欧洲央行资产负债表从 2022 年峰值的 8.8 万亿欧元缩到 6.1 万亿，今年还要再缩 5000 亿；联储局缩了大约 2.2 万亿美元，新主席沃什态度上倾向继续 QT；日本央行也在做，存量已经从峰值缩了 12.6%。这意味着过去十几年那个在债市上"央行兜底"的买家不在了，私人部门要硬扛全部供给。国际债券市场上的短端需求侧，也在承压。 24年8月的日本加息黑天鹅相信大家记忆尤深，日本资金的潜在回流也是市场担忧的事情。日本机构投资者持有的美债总规模超过 1.1 万亿美元，是美债最大的海外持有方。

龙虾可以像员工一样工作，它会自己调用工具、规划任务、寻找文件，甚至能在不断试错中完成交付。在当前这一波养龙虾热潮下，企业面临新的挑战：如何让龙虾真正进入业务流程？如何控制快速膨胀的Token成本？ 在此背景下，爱分析与 360 亿方智能 CEO 彭际华进行了一场深度对话。作为长期聚焦企业知识与 AI 工程化落地的厂商，360 亿方智能正在围绕 AgentFS、企业记忆、Skill、Knowledge Hub 等方向展开实践。其核心产品理念是：让知识成为生产力。本次对话重点讨论了记忆的价值、Skill 如何在企业落地、多 Agent 协同如何进入真实业务流程等问题。 核心观点： 大模型决定 Agent 的能力上限，知识上下文决定 Agent 的能力下限。模型解决“能不能做”的问题，企业 Context 解决“能不能稳定做好”的问题。没有业务上下文，Agent 再聪明，也只是一个不懂企业的新员工。 企业 AI 不缺模型，缺可执行的业务上下文。业务规则、流程标准、审批习惯、交付要求、专家判断、历史经验，这些才决定 Agent 能不能进入真实工作流。 未来的知识库不是文件仓库，而是面向 Agent 的组织记忆系统。知识不再只是文档，还包括会议记录、任务过程、专家判断、业务规则、Agent 执行轨迹和可复用 Skill。 Skill 是隐性知识产品化的最小单位。未来写 Skill 的技术门槛会下降，真正稀缺的是能把业务经验结构化的人。专家知道“怎么做”，企业要把这种经验变成 Agent 可执行、可复用、可评估的规则和流程。 Agent 是脚手架，知识和 Skill 才是资产。模型越强，越会淘汰薄 Agent；但模型越强，也越会放大私域知识、业务规则和工程化治理的价值。 人和硅基员工协作不能靠潜规则。企业 AI 的终局，不是每人一个聊天机器人，而是每个组织拥有一批懂业务、能协

AI正在深刻重塑软件行业，从交互方式与产品架构，再到商业模式，都面临重构。然而，企查查却呈现出独特的韧性，其业务增长并未受到冲击，反而持续保持高增长。 作为数据服务商，企查查缘何能够穿越周期？其真正的壁垒是什么？ 为此，我们与企查查创始人陈德强进行了一次深入对话。陈德强在访谈中系统阐述了企查查在AI产业链中的重新定位，商业模式演进以及穿越技术周期的根本逻辑。 核心观点： 战略定位向AI基础设施升级。企查查正从面向个人的查询工具转向Agent的数据基础设施提供商，核心是为AI提供实时、结构化的商业数据。 C端业务增长动力强劲。用户更重视数据可靠性，而非价格。企查查在价格提升层面，潜力依然很大。 B端业务坚持标准化产品。业务延伸至金融、制造等领域，不参与重实施项目。 数据是穿越周期的壁垒。数据服务商的核心价值来自于物理世界数据，这构成其穿越周期的根本壁垒。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 定位AI时代基础设施 爱分析：数据服务商在AI时代应该重新定位自己？ 陈德强：企查查的战略定位正在向AI时代的商业基础设施升级。 具体来说，我们正从过去面向C端的产品工具，转向成为Agent时代的商业底座。未来将更聚焦于把积累的数据资产转化为更智能的工具和场景解决方案。 爱分析：在国外，FactSet、IDC等数据终端应用会整合至AWS的AI服务中。在国内，数据服务商会采取同样的策略吗？数据服务商如何定位与基础模型的关系？ 陈德强：我们与基础模型是上下游关系，我们是数据上游。 十年前做企查查时，市场主体信息分散、滞后，我们做了结构化、实体化、可搜索，变成人人可查的入口。现在发生了根本变化，查询者变成了AI Agent，未来使用数据的可能不再是“人”，而是AI。我们的角色从直接to C的产品，转向为AI提供数据的上游。 过去用户查企业需要打开应用、点标签、复制信

Agent正在以前所未有的速度重塑企业软件。过去依赖菜单、流程和定制开发的软件模式开始被改写，企业软件市场进入新一轮重构周期。对甲方企业和软件厂商而言，真正的挑战在于如何在落地价值与合规安全之间找到新的平衡点。 在此背景下，爱分析与金智维创始人廖万里进行了一场深度对话。作为国内较早布局企业智能体的厂商，金智维正通过AI规划、RPA执行的方式，将智能体真正转化为企业里的数字员工。 本次访谈重点讨论了Agent对企业软件的影响、Skill范式转型、AI与RPA分工等问题。 核心观点： OpenClaw并没有削弱企业软件壁垒，反而让行业Know-how变得更值钱。企业真正需要的不是聊天机器人，而是能嵌入业务流程、理解监管规则、稳定执行任务的数字员工。 Skill本质上是在重构企业知识沉淀方式。过去沉淀的是模板和代码，未来沉淀的是可调用、可组合、可复用的Skill能力。 AI负责规划，RPA负责执行，正在成为企业Agent落地最现实的路径。大模型已经基本解决规划问题，企业真正缺的是执行能力。AI在复杂企业系统里的稳定执行需要长期积累的RPA原子化能力。 企业最大的风险不是技术落后，而是盲目重建一切。 基础模型迭代极快，企业如果盲目追逐热点，投入很容易打水漂。企业的核心精力应放在数据治理、知识资产和业务规则的沉淀上。 01 OpenClaw没有颠覆软件，反而让Know-how更值钱 爱分析：过去，企业软件核心壁垒是行业Know-how、交付等能力。随着AI能力增强，这些壁垒会发生什么变化？ 廖万里：企业软件正演化为企业级智能体。智能体必须嵌入企业内部业务流程，因此行业Know-how会变得更重要。比如金融行业，我们这些年积累了数以千计的业务流程模板。这些模板背后，其实不是简单的流程图，而是金融机构长期运行下来的业务规则、监管要求、审批逻辑、合规边界。我们的企业级智

企业正加速押注智能体平台，但问题也随之浮现：投入在增加，焦虑在放大，ROI始终难以说清。 在此背景下，爱分析与述信科技创始人彭圣才展开深度对话。述信深耕头部消费企业，累计交付200+项目，长期处在“业务一线+复杂交付+AI落地”的交汇点，对企业究竟该投入什么、能力如何沉淀，有更贴近现实的观察。 本次访谈重点讨论几个核心问题：AI焦虑的本质、企业应对路径、服务价值重估与人效跃迁等。 访谈核心观点如下： “会不会用AI”不会成为个体之间的差距。当前的AI焦虑，本质上来自产品尚不成熟、复杂度被转移给用户。一旦产品能力完善，提示词工程等门槛会被消弭，个体之间不会因此形成长期壁垒。 企业应对AI的不确定性，核心是三件事：守住不变、局部试错、建立AI感。通过持续的AI项目落地，让组织逐步形成AI感，而不必纠结于单一项目ROI。 AI服务将成为主流。人效被指数级放大，服务具备规模化能力。AI让原本依赖顶尖人才的工作被大幅简化，普通人也能在体系与工具支撑下交付高质量结果。服务不再只是人天生意，而是可以规模化复制的能力体系。 企业竞争的核心正在从人转向Know-how的持续沉淀。模型会不断吃掉通用能力，但与业务深度绑定的经验、规则与隐性知识，会持续沉淀形成壁垒。真正的护城河，不是模型能力，而是被结构化、可复用的Know-how体系。 01 建立“组织AI感”比学提示词和量化ROI更重要 爱分析：你怎么理解智能体平台的价值？ 彭圣才：智能体平台核心价值在于将提示词、上下文等复杂工程封装成标准化产品，让终端用户快速达成业务目标。 如今，有很多企业在培训怎么写提示词。其实，用户不应该去学习提示词工程。这些复杂度本应该由我们做产品的人去消化掉。我们要做的是把这些能力封装成一个体验足够好的产品，让用户只需要表达自己的目标就可以了。 从这个角度看，智能体平台就是模型之上的一层应用基础设施。未来

随着OpenClaw等Agent应用爆火，工业智能体市场正迎来认知转变和落地机遇。 长期以来，制造业面临IT系统碎片化、个性化生产困难等痛点，智能体技术的自主规划执行能力，有机会帮助企业打破数据孤岛、实现决策自动化，推动柔性制造转型。在“人工智能+制造”等政策支持下，工业企业对智能体的接受度大幅提升，市场落地热情高涨，前景广阔。 诺谛智能脱胎于联想集团，是以知识驱动的人工智能技术服务商，致力实现AI应用务实且卓越的落地效果。诺谛智能依托联想生态，在数据闭环、工业知识沉淀和复杂场景落地方面积累了丰富实践。 诺谛智能创始人兼CEO胡长建拥有深厚的制造业数智化转型经验，他结合诺谛智能多年的ToB落地实践，对工业智能体的认知转变、实际落地路径、未来工厂形态以及AI时代的竞争壁垒有着务实而深刻的见解。 胡长建博士在访谈中系统阐述了工业智能体落地的现状、挑战与未来图景。 核心观点： 工业存在通用智能体机会，但实施方案是个性化的。底层模型和技术架构是通用的，但每个企业的记忆、知识沉淀、数字化程度不同，最终落地方式会有差别。 未来工厂或将由智能体托管，实现决策自动化。决策自动化与现有执行自动化结合，实现一次一件的大规模客制化生产，工厂生产模式或将会发生根本性变革。 AI时代护城河是数据壁垒与系统化组织能力。数据不更新的软件工具迁移成本很低，没有壁垒。大型制造企业独有的复杂、结构化能力，将转化为AI时代系统化组织能力，成为企业的核心竞争力。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 OpenClaw让工业企业对智能体的认知改变 爱分析：OpenClaw对工业Agent市场产生了哪些影响？ 胡长建：最大变化是认知转变，让更多工业企业更容易接受Agent。过去企业和我们讨论Agent落地，会觉得系统集成很复杂，现在企业觉得这件事技术上是可行的，不需要反复论证。 尽管对于有大量碎片化

作为深耕数据分析多年的厂商，慧辰凭借数据基因，敏锐捕捉到了GEO这一新机会。慧辰选择以“数据监测”为切入点，在两个月内快速推出产品ImpetaAl，成功卡位这一新兴赛道。 我们与慧辰GEO产品负责人黄鸣进行了深度访谈，围绕慧辰切入GEO市场的逻辑、其数据监测产品的定位、商业化进展、行业竞争格局，以及未来核心趋势等关键议题展开，揭示了GEO市场的当前生态与演进路径。 核心观点 GEO市场格局长期将保持分散，多元类型厂商并存。未来GEO市场将呈现多元格局，原生GEO公司、垂直领域深耕者、出海服务商、底层工具供应商等各类厂商将长期并存。 GEO未来将与私域融合。GEO是新的公域渠道，与品牌私域会员体系打通，可以实现营销闭环。这些变化将深刻影响甲方的投入决策和GEO的玩法演进。 提示词作用将减弱，GEO玩法面临根本性变革。随着AI助理变得更主动、更了解用户偏好，未来需要用户主动输入的提示词会减少。这可能导致GEO优化目标与方式发生巨大变化。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 凭借数据基因，快速卡位GEO新赛道 爱分析：慧辰如何选定从数据监测角度切入GEO市场？ 黄鸣：我们是去年8月份注意到GEO这个机会的。因为我们是做数据出身，当时判断切入这个新领域最合适我们的就是做数据监测。它既是我们的技术积累所在，也能作为一个很直观的切入点。 所以到了去年底，我们正式投入精力去研发这个产品ImpetaAI，大约两个月产品就上线了。上线后通过公众号做了些发布，就吸引来了很多用户。客户下单很快，这有点出乎我的意料。 爱分析：第一批客户是老客户？ 黄鸣：其实新客户比较多。新客户基本上是自然流量来的，这说明市场确实存在真实需求。 爱分析：产品命名为ImpetaAI有什么含义吗？ 黄鸣：Impeta是小语种词汇，意思是“答复”。因为我们监测的核心就是AI的答复数据，所以就叫答复的A

过去很多年，白酒公司是A股里最容易被理解，也最容易被相信的一类企业。 它们的商业模型看起来足够简单。厂家酿酒，经销商打款，产品出库，终端销售。名酒有品牌，渠道有利润，现金流好，毛利率高。相比互联网公司的用户增长，地产公司的预售账款，制造业公司的复杂供应链，白酒财报曾经给投资者一种罕见的确定感。 现在，五粮液2025年年报打破了这种确定感。 2026年4月30日晚，五粮液在五一假期前最后一刻，抛出了一份让整个市场震动的年报。 2025年营业收入为405.29亿元，同比下降54.55%；归属于上市公司股东的净利润为89.54亿元，同比下降71.89%。但更关键的不是全年利润大降，而是公司对2025年一季度、半年报和三季报进行追溯调整。调整后，前三季度营业收入从609.45亿元下调至306.38亿元，归母净利润从215.11亿元下调至64.75亿元。 也就是说，曾经已经披露给市场的300多亿元收入和150多亿元利润，被重新划出了当期报表。 这可不是一次普通的业绩不及预期。它让投资者意识到，白酒财报中最核心的一行，营业收入，可能并不总是像过去理解的那样稳固。 这一夜，五粮液的操作点燃了市场怒火，股吧、雪球等平台上，质疑声此起彼伏。除了众所周知的一把手相关因素，其他诸如财务洗大澡、谁还敢信财报的论调骤起。 不是少卖酒，而是重新定义卖酒 五粮液的问题，表面上看是收入确认。更深一层，是白酒行业长期以来的厂家与经销商关系，正在被重新审视。 在白酒行业，先款后货是常见模式。厂家通常先收到经销商打款，再组织发货。从现金流角度看，这是一种极其优秀的生意。它让白酒公司不需要赊销，也不太依赖银行融资。经销商承担库存，厂家获得现金。过去，这一模式被市场视为白酒行业的护城河之一。 五粮液年报也披露，公司销售模式包括经销模式和直销模式，经销模式主要在线下销售，并采用先款后货的结算方式。2025年，公司酒类

$SpaceX(SPCX)$  股票周二盘前交易中再度下挫，延续了IPO后急剧逆转的势头，给投资者抛出了一连串尖锐的问题。 该股开盘前下跌约3.5%，报约149美元，逼近150美元这一象征性关口，较135美元的IPO发行价仅高出约10%。周一16.4%的暴跌使SpaceX市值蒸发逾4000亿美元，此前的交易日中该股已分别下跌约3.6%和5%。6月16日，股价曾短暂触及225.64美元的高点，这让此番逆转的速度愈发难以忽视。 是什么打断了SpaceX的涨势 猛兽财经认为直接导火索是SpaceX在债券市场的动作。周一，公司宣布发行优先无担保票据，而就在几天前，它刚刚完成美国历史上规模最大的IPO上市。 这或许是审慎的资产负债管理，却让投资者大感受挫。投资者担忧的逻辑很简单：一家坐拥逾1000亿美元现金的公司，为何要在创纪录的IPO之后如此迅速地发债融资？对于一只本已被定价为近乎完美执行的股票而言，发债公告让怀疑者有了新的理由，去质疑马斯克从火箭到AI帝国背后巨大的资本消耗强度。 压力并非仅来自债务。SpaceX斥资600亿美元全股票收购Cursor的交易，也引发了稀释方面的担忧。晨星分析师尼古拉斯·欧文斯在这笔交易后，已将SpaceX的公允价值估算下调至每股约62美元，并认为市场已在把巨大估值计入了SpaceX那些前景未卜的未来业务。 是应该出逃还是抄底 市场反应方面也出现了分歧。木头姐旗下的ARK Invest将周一的抛售视为机会，根据Stocktwits数据，木头姐已通过四只ETF总计买入了210,121股SpaceX股票，按周一收盘价计算价值约3250万美元。这绝非恐慌抛售，而是基于信念的买入。 但看空者并未沉默。The Future Fund管理合伙人加里·布莱克在X平台上表示，S

导读： 大模型与智能体快速发展，C端AI产品迭代迅猛，但企业AI落地普遍遇阻，存在场景难选定、应用浮于表面、全员推广困难三大痛点。本次邀请的专家分享了多家企业落地实战案例，围绕“快、深、广”落地方法论，以能否办成一件事作为智能体项目成败标准，分阶段拆解落地实操路径，为企业智能化转型提供落地参考。 分享专家：蓝凌智能副总裁&AI业务负责人，杨泽 01企业AI落地三大现实卡点 当前AI技术，尤其是大模型领域发展迅速。今年以来，从DeepSeek Moment到OpenClaw，再到近期各类智能体产品涌现，C端应用日新月异。但与此同时，AI在企业内部的落地仍存在差距。即便智能体或大模型能力再强，目前很多企业里，仍有不少员工用“豆包”等工具撰写文档，这可以说是组织落地AI最突出的问题之一。 AI作为组织能力的放大器，当企业希望用好它时，常遇到几个难题： 第一，场景过多。企业内适合AI的场景很多，该从哪些入手才能更快获得业务回报？只有看到成效，企业才愿持续投入。 第二，容易流于表面。很多企业落地AI时停留在聊天层面，私有化部署一个模型让员工提问。这未能真正融入企业知识、流程及制度，仍浮在业务表层。 第三，组织内部推广难。很多企业在全员推广时遇到阻力。要打造AI原生型组织，需要每个人解决问题时都能自发想到用AI。如何实现全企业有效推广，是一大挑战。 在蓝凌众多智能体项目中，如何判断项目成功？关键看智能体能否帮我把一件事完整、闭环地做成。 完成这件事需要能理解任务意图；能调用企业知识、数据、制度等资产；更要能在合规前提下操作系统，考虑权限管控、可审计性等条件。 智能体可大可小，但都应具备这些能力。 02 快-深-广，企业智能体落地三步走 那么，企业内部究竟该如何落地智能体？即便面临诸多挑战，我们在近两年服务超过200家客户转型的过程中，总结出一套方法，归纳为“快、深、广

数势科技CEO黎科峰最近迷上了一件事：自己写文章。 每天一篇，发在公众号【AI夜行】上，雷打不动。不是品牌稿，不是公关文，是他把脑子里的想法录成音，让AI帮他整理、帮他写，结果比任何编辑写的都要好。他说，这件小事让他想通了一件更大的事：人脑袋里面想的东西，和真正动手做出来的东西之间，距离已经被极度压缩了。 这个判断，是数势科技过去三年整个组织演化的起点，也是他对AI时代最核心的认知——AI不是工具升级，是一次重新定义组织与价值的机会。 在爱分析这次访谈里，黎科峰和我们谈了三件事：他怎么理解AI和数据的关系，为什么他认为数据才是真正的护城河；他怎么看AI时代组织该怎么建；以及数字员工这门生意，壁垒究竟在哪里。 核心观点： 代码会被平权，流程会被平权，方法论也会被蒸馏。唯有私有数据、私有语义、私有经验，大模型拿不走。 组织AI化的第一步，不是买工具、搭平台，而是管理者自己下场用AI。不信AI比自己强，就不可能真正放手。 未来ToB市场一定比过去更集中，垂直SaaS的生存逻辑正在被颠覆。卖代码的时代过去了，卖结果的时代来了。 以下为本次访谈实录，在不改变原意基础上略有修改。 01  组织AI化，先要求管理者从指挥者变成使用者 爱分析：数势科技大概什么时候开始做组织AI原生化这件事？ 黎科峰：我们做得比较早。2023年很多团队还没看清方向时，我就判断要先把组织压扁。因为如果一个leader下面管很多人，他很容易继续做指挥者，而不是自己下场尝试AI。 AI原生不能靠口头指挥，必须每个人亲自上手，包括我自己。过去两年，我们最重要的事就是让大家真正使用AI、体验AI。只有亲自用过，知道它能做什么、不能做什么，组织才可能真正转身。 招聘新人的时候，我们同样不能继续用老思维。我们要逼自己判断：哪些问题适合AI解决，哪些事情应该交给AI，哪些环节人应该往后退。 爱分析：很多

$SpaceX(SPCX)$  自上市以来的火爆涨势，正重新点燃市场的担忧——投资者对人工智能和科技股的热情，是否正将科技股的估值推入泡沫区间。一些市场观察人士甚至将其与近年来席卷华尔街的网红meme股相提并论。 这家由马斯克领导的公司，上市不到一周便较135美元的发行价上涨近50%，一举跻身全球最具价值的公司之列。尽管公司仍在亏损，且多项雄心勃勃的长期项目仍无明确的盈利时间表。 分析师指出，SpaceX股价的急速上涨，凸显出科技领域中部分板块的估值与基本面之间的脱节日益严重。 瑞士信贷的Ipek Ozkardeskaya表示，SpaceX上周IPO后股价急剧上涨，凸显出一个信号，即不断上涨的科技股可能已处于泡沫区间。"SpaceX或许已是目前最大的红色警报，说明当下的科技股涨势已到了一个估值不再合理的地步。 未解问题仍存在，但市值仍在攀升 SpaceX股价周二上涨4.8%，收于201.80美元，公司市值约2.7万亿美元。 这一涨幅使SpaceX的市值上超越了亚马逊(AMZN)，并在盘中交易中短暂超越微软(MSFT)，随后在交易时段晚些时候回落。自上周IPO上市以来，其市值已增加了约8000亿美元。 虽然股价还在不断上涨，但SpaceX的几项关键业务的盈利能力问题仍然没有解决，包括其AI投资和更广泛的太空基础设施目标。 SpaceX去年实现营收187亿美元，但在计入xAI的业绩后，仍录得49亿美元的净亏损。xAI目前仍处于严重亏损状态。 与许多大型科技公司不同，SpaceX尚未展现出能支撑其数万亿美元市值的持续盈利能力。 剧烈波动引发与网红meme股对比 周二的交易进一步加剧了投资者对围绕该股投机活动的担忧。SpaceX股价盘中一度上涨至225.64美元的高位，随后在收盘前回吐了大部分

来源：爱分析ifenxi，《2026爱分析·中国企业智能体市场规模报告》，2026 年 6 月发布 爱分析ifenxi是AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 导语： 企业的IT预算终有天花板，但对生产力的渴望永无止境。今天，企业智能体正以势不可挡的姿态，先吞噬企业IT市场，再吞噬劳动力市场。它不仅重塑了企业的成本结构，更让市场从传统的信息化软件采购，演进为百万亿级的数字劳动力交易。在这场生产力范式转移中，谁能率先驾驭数字员工，将率先享受新一轮生产力红利。 一、打破传统IT天花板，中国企业智能体正式迈向数字劳动力交易时代 中国企业智能体市场正经历一场深刻的范式转变，从传统的软件市场向数字劳动力市场演进。爱分析观察到，目前国内已经形成了一个从底层基础设施、智能体操作系统，到上层数字员工及数字劳动力交易生态的完整产业链。 其中，智能体基础设施为企业提供算力、模型、数据、记忆等底层能力；智能体操作系统负责智能体开发、编排与管理；数字员工直接面向业务场景交付价值； Skill、智能体和数字员工的标准化流通，正在催生数字劳动力交易生态，这将成为智能体时代最具增长潜力与想象力的全新蓝海市场。 二、五年狂飙80.5%，中国智能体市场规模将在2030年冲破4900亿元大关 2025-2030年间，中国智能体市场总规模将迎来爆发式增长。爱分析测算，市场规模将从2025年的256.8亿元大幅跃升至2030年的4925.2亿元，五年间将实现高达80.5%的复合年增长率（CAGR）。 爱分析认为，2028年将成为市场的关键转折点。2025-2027年前期，增长主要由IT预算释放下的基础设施和平台部署驱动；而2028年后，随着智能体自主执行能力的提升，数字劳动力开启第二增长曲线，IT投入与数字劳动力需求形成双轮驱动。 三、重心全面向价值层转移：2030年数字员工与交

过去一周，Agnes AI成为国内AI开发者社区讨论度较高的大模型厂商之一。 原因很简单，它宣布向全球开发者免费开放文本、图片和视频模型API，且不限时、不限额度。消息发布后，大量开发者涌入社区体验产品。根据Agnes AI最新官方数据，从6月1日开始免费后，六月第一周的 Agnes-2.0-Flash 调用量已超过1万亿（1T）；Agnes-Image-2.1-flash生成超过200万张图片；Agnes-Video-2.0生成超过200万秒视频。 不过，对于大模型厂商而言，“免费”不是最难的事情。真正的挑战在于：模型能力是否经得起真实场景检验？热度能否转化为长期用户？ 带着这些问题，爱分析进入了Agnes AI用户社区，并持续观察开发者讨论、产品迭代以及实际应用情况。我们发现，相比“免费”本身，开发者更关注Agent能力、长上下文处理以及模型能否胜任真实业务场景。并且在热度之外，一些新的变化也正在发生。 以下是爱分析在用户社区中的一些真实观察。 01 为什么Agnes AI突然火了？ 6月1日，Agnes AI宣布向全球开发者免费开放旗下文本、图片、视频三大模型API，并承诺不限时、不限额度开放。这意味着开发者无需购买Token，也无需担心免费期结束。尤其是在Agent兴起的背景下，越来越多开发者面临Token成本快速增长的问题。因此，消息发布后，很快吸引了大量开发者关注。 当然，仅靠免费并不足以支撑持续热度。从公开信息来看，Agnes AI目前已经形成覆盖文本、图片、视频三大模态的模型矩阵。其中，文本模型进入Claw-Eval榜单，图像模型和视频模型进入Artificial Analysis相关榜单。 图1 Claw-Eval榜单（Agnes-2.0-flash位于第19位） 图2 Artificial Analysis相关榜单（Agnes Image 2.

本文来自爱分析ifenxi（北京爱分析科技有限公司），AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 AI 正在改变企业使用数据的方式。 过去企业数据建设的目标，是实现业务流程线上化，并把分散的数据治理成可管理的资产。AI时代，企业更关心的是数据能否直接参与判断、预测和决策，从”人看报表”走向”系统主动决策”。这意味着，企业数字化正在从流程数字化、数据资产化，进一步走向可信决策自动化。 在此背景下，爱分析对百望股份CTO王志伟进行了深度访谈。百望股份长期深耕发票、财税、企业信用和交易数据服务领域，积累了大规模真实交易与企业经营数据，以此为根基，百望股份提出战略升级：将公司定位为AI时代的企业商业信用基础设施运营商：以真实交易数据定义企业商业信用，让企业更可信、交易更智能、融资更容易、出海更合规。 本次访谈重点讨论了AI时代数据底座演进方向、行业模型机会、AI应用规模化落地条件，以及百望股份如何用统一数据中台和统一AI中台支撑战略落地等问题。 核心观点： 1、AI不会直接替代数据平台，统一数据底座仍是AI的基础。 大模型可以大幅提升数据治理、打标、建模等环节效率，但没有高质量数据供给，AI能力很难真正进入企业关键决策。 2、通用大模型不会吞噬所有行业模型，真实交易数据和强合规Know-How会长期形成壁垒。 财税、医疗、金融、企业信用等领域专属数据不可能简单进入公开大模型，业务规则、授权链路、审计要求和风险责任也难以由通用模型独立承担。 3、AI应用规模化的关键是把专属数据、行业Know-how和刚需场景组织成可计量的能力调用。 财税合规、企业商业信用、金融风控、智采慧销与全球税务合规等场景，既有高频业务入口，也有明确付费意愿，是AI可规模化落地的应用。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 企业数据正从资产化走向可信决策自动化 爱

2026年，智能体成为企业AI落地的行业共识。但市场火热背后，智能体概念正被快速泛化，很多厂商只是在原有产品上接入AI模型，就贴上智能体标签，而企业客户真正需要的，并不是一个新的对话入口，而是能够理解企业知识、拆解复杂任务、调用工具并协同执行的数字员工。 在滴普科技创始人 、董事会主席、执行董事兼CEO赵杰辉看来，真正有价值的企业智能体要回到模型能力本身，厂商需要具备模型训练能力，训练出具备企业级记忆机制、长任务规划和智能体协同的企业大模型。 围绕企业智能体落地，滴普科技正在推进两条核心产品线：一是 Deepexi 企业大模型，支撑企业本体建模、记忆、长任务规划和智能体协同；二是 FastAGI企业智能体平台，负责模型之间、Skills 之间、AI 员工之间的协同与调度。Deepexi 提供企业本体和规划能力，FastAGI 负责把这些能力组织起来，让多个 AI 员工能够在一个完整的业务场景里协同执行。两条线合起来，才是企业AI落地 的完整形态。 在本次与爱分析的深度访谈中，赵杰辉系统阐述了对智能体市场的判断、滴普科技的产品路径，以及AI 员工对企业组织形态的影响。 核心观点： 1、企业智能体概念被泛化，长期有价值的是企业大模型。真正的企业智能体不能脱离模型，模型承担数据整理、知识逻辑承载和推理作用。AI厂商如果没有模型能力，本质上仍是传统集成商。 2、企业智能体落地的关键，是建立企业级记忆和长任务规划能力。智能体必须具备记忆机制，把企业资料、流程、规则、故障、经验等转化为本体，形成企业知识网络。这样模型才能实现推理和规划，支撑复杂任务执行。 3、AI 员工会重构科技公司的组织形态，FDE 团队重心是 Skills 和数据开发。FDE 工程师的角色会发生变化，将自身能力 AI 化。科技公司竞争力会从经验积累转向学习能力和变化能力。 01 企业智能体概念被

中国电建集团财务有限责任公司（以下简称“电建财务公司”）是中国电力建设集团有限公司的“内部银行”，成立于2015年12月，主要为集团成员企业提供资金集中管理、资金结算、信贷业务、外汇业务等金融服务。公司人员规模不足百人，却掌管数百亿资金，金融属性突出，业务专业性强。 在国务院国资委和电建集团数字化转型升级部署下，电建财务公司提出建设“司库型、数智化、行业一流”财务公司的发展目标，大力推动数字化、智能化建设。 2024年起，公司开始规划AI大模型应用，因担心模型效果不达预期而一直处于调研阶段。2025年DeepSeek等开源大模型能力显著提升后，公司正式启动AI大模型应用项目，与中关村科金开展合作，实现大模型与智能体在电建财务公司内部落地。 01‍ 聚焦三大战略目标，推动大模型落地应用 作为典型的央国企财务公司，电建财务公司落地AI大模型应用时，重点聚焦以下三大战略目标，用以更好地发挥“AI+财务公司”深度融合作用： 首先是工作效率提升。通过筛选出贴合业务实际的AI技术应用场景，助力工作效率提升，减少重复劳动。 其次是经营效能提升。通过充分发挥AI技术的海量数据分析能力、语言解析能力等专业优势，更好地为经营决策提供辅助支撑，提升业务经营效能。 最后是服务提质增效。借助大模型和智能体的拓展应用，践行立足集团、服务集团经营理念，打造全新的数智化金融服务生态，提升金融服务的能力与水平。 最终形成底层可扩展、场景可复制的AI应用范式，实现从技术能力到业务价值的闭环转化，为财务公司数智化转型提供核心驱动力，同时形成可借鉴、可复制的建设成果经验。 02 ‍项目以双平台为核心体系，实现技术到价值闭环落地 整个大模型应用项目的技术架构分成四层，包括国产信创算力底座、多模态模型矩阵、大模型应用开发平台和大模型应用平台。 项目核心构建“大模型应用开发平台+大模型应用平台”双层体系，形成技术到价值

在大模型、智能体与AI Coding驱动的企业软件新世界里，旧的竞争壁垒正在迅速消融。专业知识与Knowhow正在被AI重新定义，智能体应用被分钟级生成，传统企业服务厂商的核心价值正面临大考。 在此背景下，我们与在PaaS领域深耕多年的得帆智能创始人兼CEO张桐，进行了一次深度对话。这家公司经历了上一轮技术周期，如今正将能力延伸至智能体应用平台、数字员工平台，构筑新一代企业AI基础设施。 本次访谈重点讨论几个核心问题：行业Knowhow如何从个人经验转向组织化AI能力，AI Infra的长期壁垒在哪里，以及企业AI商业模式如何从软件授权走向持续运行服务等。 访谈核心观点： 行业Knowhow不会消失，但会被重新定义。知识型Knowhow会被大模型快速拉平，真正稀缺的是项目推动、组织协同、责任心、判断力和复杂场景落地能力。企业要做的不是依赖个人专家，而是把专家能力沉淀为组织化、AI化的能力。 企业AI平台层将持续壮大。AI Coding会分流大量个性化、长尾化、流程型应用需求，企业可以自建更多智能体应用。同时，智能体普及也会驱动对平台型基础设施更广泛的需求。 智能体数字员工不是RPA的升级版，而是新的企业执行单元。RPA复刻操作，Agent理解任务、调用工具、处理异常并交付结果。数字员工的核心，是具备企业身份、权限和上下文理解能力，并能够真正进入业务系统完成工作。 企业AI的商业模式会从一次性软件授权，逐步转向平台订阅、智能体运行量和结果交付相结合的持续服务模式。智能体使用越深入，模型调用、工具执行、流程编排和运行保障的消耗越大，未来企业不是简单购买一个软件系统，而是为智能体持续交付业务结果付费。 AI能力仍然遵循1万小时定律。对AI的颠覆性感到焦虑是常态，应对方式是打不过就加入，即自身深度使用AI，提升认知。在AI上面投入的时间决定了认知高度。 ToB领域，新的创业公司会越

技术迭代的加速正将企业软件行业推向一场深刻的重塑，单纯的产品功能堆砌已难以构筑竞争壁垒，企业面临的是从技术架构到服务能力的全方位转型压力。 如何在模型快速更迭的时代沉淀核心资产，并重构适应AI时代的组织，成为企业亟需破解的关键命题。 在此背景下，爱分析与蓝凌董事长杨健伟展开深度对话。作为长期深耕企业数字化与知识管理赛道的资深实践者，杨健伟不仅带领蓝凌完成了自身的AI架构升级，更通过服务数千家大型企业的经验，洞察到AI助力组织进化的深层逻辑。 本次访谈将围绕企业如何构建可持续的记忆体系，以及软件厂商在大模型时代的生存法则展开。 核心观点： 企业软件厂商的产品迭代节奏必须变快。AI编程和智能体能力正在快速成熟，几百万行代码级别的平台已可通过AI完成，这直接冲击了软件公司过去依靠代码沉淀形成竞争力的逻辑。 模型会变，但企业长期沉淀的是数据、知识、流程和记忆。企业不应把AI基础能力绑定在某一个模型上，而应从企业架构出发，推导数据架构，把知识、业务数据和智能体记忆统一纳入治理体系。 软件公司没有永恒的护城河，真正的壁垒只有两个：学习创新的速度和生存韧性。谁能更快看到新技术、学会新能力、完成试验、产品化并交付给客户，谁就有机会在新一轮竞争中跑出来。 以下为本次对话实录，在不改变原意基础上略有修改。 01 AI加速企业软件重构 爱分析：最近半年，您在智能体行业观察到了哪些新的变化？ 杨健伟：最大的变化是，技术变化和迭代速度太快了，快到传统软件公司的节奏已经跟不上。 去年10月、11月，我们还不敢确定，一套老的平台能不能完全用AI编程搞定。但到春节前后，行业里已经出现了一个300万行代码的产品平台，完全通过AI编程完成。这件事带来的冲击很大，因为几百万行代码，已经相当于一个核心企业软件模块的体量。 过去我们认为，写代码、沉淀代码，是软件公司的重要竞争力。但现在，AI并不是一个技术出来之后就

今年以来，基础模型的竞争不再停留在多模态、Coding等单点能力上，而是转移至Agent的全面比拼。基础模型吞噬通用Agent的趋势不可避免，Agent厂商还有哪些竞争壁垒？企业服务行业，以及企业组织本身将发生哪些变化？ 01 Agent自我进化重构商业模式 Agent定义始于2023年，Planning、Memory、Tools、Action成为标准框架。但今天，这四个模块发生了根本变化。 图1：自主智能体架构 Planning正在从固定流程，变成边走边看的动态探索。拖拉拽式的流程编排成为过去式，现在的Agent开始面对真实世界，目标明确，但路径不明确。它会不断试错、观察环境、修正路线。 Memory也不再只是上下文记忆。过去的记忆，本质是为了保证对话连续性。现在开始探索形成层级结构。Agent会记住任务状态，记住用户偏好，记住自己的角色，甚至记录与理解企业规则与组织文化。记忆从超长的缓存，变成长期的认知。 Tools同样发生了变化。过去只是调用计算器、搜索、API，现在开始形成Skill体系。Skill不只是工具，而是经验、流程、Knowhow的封装。同时，模型所具备的超强Coding能力，可以使得Agent为自己创建大量需要临时调用的工具。 Action也不再是单次动作执行，而是形成长期反馈闭环。Agent会持续观察结果，持续修正行为，持续优化路径。 图2：Agent各模块变化 四个模块共同变化，本质上是在让Agent从工具变成可成长的系统。 过去，企业购买的是软件功能，为此支付订阅费、授权费或者调用费。在Agent时代，企业购买的是Agent持续进化能力，为此支付对应的token费用。 过去，token是调用成本，未来，token是Agent进化的基础资源。Agent进化越快，token消耗量越大，厂商收入越高。这使得厂商能够跟随客户一起成长，大幅改善既往低客单、低

转：最近几周，国际固收市场上演了一场少见的抛售。 美国 10 年期国债收益率冲到 4.67%，30 年期突破 5.15%；德国 10 年期攀到 3.19%，是 2011 年欧债危机以来的最高位；英国 10 年期在 4.95% 到 5.17% 之间剧烈震荡，30 年期更是站上 5.81%，刷新了 1998 年以来的纪录。最戏剧化的是日本——10 年期日债飙到近2.80%，是 1996 年 10 月以来最高位；30 年期 4.20%，是这个品种发行以来的历史新高。 债券的利率和价格呈反向关系，利率升高，意味着价格下跌（被抛售） 利率是表象，制度范式的变化是底层。 新冠之后，发达国家的赤字就没真正收回去过。美国联邦赤字率稳在 6% 附近，国债余额逼近 40 万亿美元，长期国债拍卖频频出现尾部走阔、需求疲弱。欧洲在俄乌之后，遭遇美国施压退出欧洲军事保护，欧盟军费向 GDP 的 2.5% 靠拢，德国要从 2% 拉到 3.5%，英国宣布到 2035 年把国防开支提到 GDP 的 3.5%，欧洲也需要继续发债。这些传统发达国家的持续发展，给债券供给端的增长是长期、结构性的，不是周期性的。供给增加，价格下降，利率上升，最基本的道理。 赤字代表的货币端口影响更长期，那央行管的短端呢？主流央行开始缩表。欧洲央行资产负债表从 2022 年峰值的 8.8 万亿欧元缩到 6.1 万亿，今年还要再缩 5000 亿；联储局缩了大约 2.2 万亿美元，新主席沃什态度上倾向继续 QT；日本央行也在做，存量已经从峰值缩了 12.6%。这意味着过去十几年那个在债市上"央行兜底"的买家不在了，私人部门要硬扛全部供给。国际债券市场上的短端需求侧，也在承压。 24年8月的日本加息黑天鹅相信大家记忆尤深，日本资金的潜在回流也是市场担忧的事情。日本机构投资者持有的美债总规模超过 1.1 万亿美元，是美债最大的海外持有方。

龙虾可以像员工一样工作，它会自己调用工具、规划任务、寻找文件，甚至能在不断试错中完成交付。在当前这一波养龙虾热潮下，企业面临新的挑战：如何让龙虾真正进入业务流程？如何控制快速膨胀的Token成本？ 在此背景下，爱分析与 360 亿方智能 CEO 彭际华进行了一场深度对话。作为长期聚焦企业知识与 AI 工程化落地的厂商，360 亿方智能正在围绕 AgentFS、企业记忆、Skill、Knowledge Hub 等方向展开实践。其核心产品理念是：让知识成为生产力。本次对话重点讨论了记忆的价值、Skill 如何在企业落地、多 Agent 协同如何进入真实业务流程等问题。 核心观点： 大模型决定 Agent 的能力上限，知识上下文决定 Agent 的能力下限。模型解决“能不能做”的问题，企业 Context 解决“能不能稳定做好”的问题。没有业务上下文，Agent 再聪明，也只是一个不懂企业的新员工。 企业 AI 不缺模型，缺可执行的业务上下文。业务规则、流程标准、审批习惯、交付要求、专家判断、历史经验，这些才决定 Agent 能不能进入真实工作流。 未来的知识库不是文件仓库，而是面向 Agent 的组织记忆系统。知识不再只是文档，还包括会议记录、任务过程、专家判断、业务规则、Agent 执行轨迹和可复用 Skill。 Skill 是隐性知识产品化的最小单位。未来写 Skill 的技术门槛会下降，真正稀缺的是能把业务经验结构化的人。专家知道“怎么做”，企业要把这种经验变成 Agent 可执行、可复用、可评估的规则和流程。 Agent 是脚手架，知识和 Skill 才是资产。模型越强，越会淘汰薄 Agent；但模型越强，也越会放大私域知识、业务规则和工程化治理的价值。 人和硅基员工协作不能靠潜规则。企业 AI 的终局，不是每人一个聊天机器人，而是每个组织拥有一批懂业务、能协

AI正在深刻重塑软件行业，从交互方式与产品架构，再到商业模式，都面临重构。然而，企查查却呈现出独特的韧性，其业务增长并未受到冲击，反而持续保持高增长。 作为数据服务商，企查查缘何能够穿越周期？其真正的壁垒是什么？ 为此，我们与企查查创始人陈德强进行了一次深入对话。陈德强在访谈中系统阐述了企查查在AI产业链中的重新定位，商业模式演进以及穿越技术周期的根本逻辑。 核心观点： 战略定位向AI基础设施升级。企查查正从面向个人的查询工具转向Agent的数据基础设施提供商，核心是为AI提供实时、结构化的商业数据。 C端业务增长动力强劲。用户更重视数据可靠性，而非价格。企查查在价格提升层面，潜力依然很大。 B端业务坚持标准化产品。业务延伸至金融、制造等领域，不参与重实施项目。 数据是穿越周期的壁垒。数据服务商的核心价值来自于物理世界数据，这构成其穿越周期的根本壁垒。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 定位AI时代基础设施 爱分析：数据服务商在AI时代应该重新定位自己？ 陈德强：企查查的战略定位正在向AI时代的商业基础设施升级。 具体来说，我们正从过去面向C端的产品工具，转向成为Agent时代的商业底座。未来将更聚焦于把积累的数据资产转化为更智能的工具和场景解决方案。 爱分析：在国外，FactSet、IDC等数据终端应用会整合至AWS的AI服务中。在国内，数据服务商会采取同样的策略吗？数据服务商如何定位与基础模型的关系？ 陈德强：我们与基础模型是上下游关系，我们是数据上游。 十年前做企查查时，市场主体信息分散、滞后，我们做了结构化、实体化、可搜索，变成人人可查的入口。现在发生了根本变化，查询者变成了AI Agent，未来使用数据的可能不再是“人”，而是AI。我们的角色从直接to C的产品，转向为AI提供数据的上游。 过去用户查企业需要打开应用、点标签、复制信

Agent正在以前所未有的速度重塑企业软件。过去依赖菜单、流程和定制开发的软件模式开始被改写，企业软件市场进入新一轮重构周期。对甲方企业和软件厂商而言，真正的挑战在于如何在落地价值与合规安全之间找到新的平衡点。 在此背景下，爱分析与金智维创始人廖万里进行了一场深度对话。作为国内较早布局企业智能体的厂商，金智维正通过AI规划、RPA执行的方式，将智能体真正转化为企业里的数字员工。 本次访谈重点讨论了Agent对企业软件的影响、Skill范式转型、AI与RPA分工等问题。 核心观点： OpenClaw并没有削弱企业软件壁垒，反而让行业Know-how变得更值钱。企业真正需要的不是聊天机器人，而是能嵌入业务流程、理解监管规则、稳定执行任务的数字员工。 Skill本质上是在重构企业知识沉淀方式。过去沉淀的是模板和代码，未来沉淀的是可调用、可组合、可复用的Skill能力。 AI负责规划，RPA负责执行，正在成为企业Agent落地最现实的路径。大模型已经基本解决规划问题，企业真正缺的是执行能力。AI在复杂企业系统里的稳定执行需要长期积累的RPA原子化能力。 企业最大的风险不是技术落后，而是盲目重建一切。 基础模型迭代极快，企业如果盲目追逐热点，投入很容易打水漂。企业的核心精力应放在数据治理、知识资产和业务规则的沉淀上。 01 OpenClaw没有颠覆软件，反而让Know-how更值钱 爱分析：过去，企业软件核心壁垒是行业Know-how、交付等能力。随着AI能力增强，这些壁垒会发生什么变化？ 廖万里：企业软件正演化为企业级智能体。智能体必须嵌入企业内部业务流程，因此行业Know-how会变得更重要。比如金融行业，我们这些年积累了数以千计的业务流程模板。这些模板背后，其实不是简单的流程图，而是金融机构长期运行下来的业务规则、监管要求、审批逻辑、合规边界。我们的企业级智

企业正加速押注智能体平台，但问题也随之浮现：投入在增加，焦虑在放大，ROI始终难以说清。 在此背景下，爱分析与述信科技创始人彭圣才展开深度对话。述信深耕头部消费企业，累计交付200+项目，长期处在“业务一线+复杂交付+AI落地”的交汇点，对企业究竟该投入什么、能力如何沉淀，有更贴近现实的观察。 本次访谈重点讨论几个核心问题：AI焦虑的本质、企业应对路径、服务价值重估与人效跃迁等。 访谈核心观点如下： “会不会用AI”不会成为个体之间的差距。当前的AI焦虑，本质上来自产品尚不成熟、复杂度被转移给用户。一旦产品能力完善，提示词工程等门槛会被消弭，个体之间不会因此形成长期壁垒。 企业应对AI的不确定性，核心是三件事：守住不变、局部试错、建立AI感。通过持续的AI项目落地，让组织逐步形成AI感，而不必纠结于单一项目ROI。 AI服务将成为主流。人效被指数级放大，服务具备规模化能力。AI让原本依赖顶尖人才的工作被大幅简化，普通人也能在体系与工具支撑下交付高质量结果。服务不再只是人天生意，而是可以规模化复制的能力体系。 企业竞争的核心正在从人转向Know-how的持续沉淀。模型会不断吃掉通用能力，但与业务深度绑定的经验、规则与隐性知识，会持续沉淀形成壁垒。真正的护城河，不是模型能力，而是被结构化、可复用的Know-how体系。 01 建立“组织AI感”比学提示词和量化ROI更重要 爱分析：你怎么理解智能体平台的价值？ 彭圣才：智能体平台核心价值在于将提示词、上下文等复杂工程封装成标准化产品，让终端用户快速达成业务目标。 如今，有很多企业在培训怎么写提示词。其实，用户不应该去学习提示词工程。这些复杂度本应该由我们做产品的人去消化掉。我们要做的是把这些能力封装成一个体验足够好的产品，让用户只需要表达自己的目标就可以了。 从这个角度看，智能体平台就是模型之上的一层应用基础设施。未来

随着OpenClaw等Agent应用爆火，工业智能体市场正迎来认知转变和落地机遇。 长期以来，制造业面临IT系统碎片化、个性化生产困难等痛点，智能体技术的自主规划执行能力，有机会帮助企业打破数据孤岛、实现决策自动化，推动柔性制造转型。在“人工智能+制造”等政策支持下，工业企业对智能体的接受度大幅提升，市场落地热情高涨，前景广阔。 诺谛智能脱胎于联想集团，是以知识驱动的人工智能技术服务商，致力实现AI应用务实且卓越的落地效果。诺谛智能依托联想生态，在数据闭环、工业知识沉淀和复杂场景落地方面积累了丰富实践。 诺谛智能创始人兼CEO胡长建拥有深厚的制造业数智化转型经验，他结合诺谛智能多年的ToB落地实践，对工业智能体的认知转变、实际落地路径、未来工厂形态以及AI时代的竞争壁垒有着务实而深刻的见解。 胡长建博士在访谈中系统阐述了工业智能体落地的现状、挑战与未来图景。 核心观点： 工业存在通用智能体机会，但实施方案是个性化的。底层模型和技术架构是通用的，但每个企业的记忆、知识沉淀、数字化程度不同，最终落地方式会有差别。 未来工厂或将由智能体托管，实现决策自动化。决策自动化与现有执行自动化结合，实现一次一件的大规模客制化生产，工厂生产模式或将会发生根本性变革。 AI时代护城河是数据壁垒与系统化组织能力。数据不更新的软件工具迁移成本很低，没有壁垒。大型制造企业独有的复杂、结构化能力，将转化为AI时代系统化组织能力，成为企业的核心竞争力。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 OpenClaw让工业企业对智能体的认知改变 爱分析：OpenClaw对工业Agent市场产生了哪些影响？ 胡长建：最大变化是认知转变，让更多工业企业更容易接受Agent。过去企业和我们讨论Agent落地，会觉得系统集成很复杂，现在企业觉得这件事技术上是可行的，不需要反复论证。 尽管对于有大量碎片化

作为深耕数据分析多年的厂商，慧辰凭借数据基因，敏锐捕捉到了GEO这一新机会。慧辰选择以“数据监测”为切入点，在两个月内快速推出产品ImpetaAl，成功卡位这一新兴赛道。 我们与慧辰GEO产品负责人黄鸣进行了深度访谈，围绕慧辰切入GEO市场的逻辑、其数据监测产品的定位、商业化进展、行业竞争格局，以及未来核心趋势等关键议题展开，揭示了GEO市场的当前生态与演进路径。 核心观点 GEO市场格局长期将保持分散，多元类型厂商并存。未来GEO市场将呈现多元格局，原生GEO公司、垂直领域深耕者、出海服务商、底层工具供应商等各类厂商将长期并存。 GEO未来将与私域融合。GEO是新的公域渠道，与品牌私域会员体系打通，可以实现营销闭环。这些变化将深刻影响甲方的投入决策和GEO的玩法演进。 提示词作用将减弱，GEO玩法面临根本性变革。随着AI助理变得更主动、更了解用户偏好，未来需要用户主动输入的提示词会减少。这可能导致GEO优化目标与方式发生巨大变化。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 凭借数据基因，快速卡位GEO新赛道 爱分析：慧辰如何选定从数据监测角度切入GEO市场？ 黄鸣：我们是去年8月份注意到GEO这个机会的。因为我们是做数据出身，当时判断切入这个新领域最合适我们的就是做数据监测。它既是我们的技术积累所在，也能作为一个很直观的切入点。 所以到了去年底，我们正式投入精力去研发这个产品ImpetaAI，大约两个月产品就上线了。上线后通过公众号做了些发布，就吸引来了很多用户。客户下单很快，这有点出乎我的意料。 爱分析：第一批客户是老客户？ 黄鸣：其实新客户比较多。新客户基本上是自然流量来的，这说明市场确实存在真实需求。 爱分析：产品命名为ImpetaAI有什么含义吗？ 黄鸣：Impeta是小语种词汇，意思是“答复”。因为我们监测的核心就是AI的答复数据，所以就叫答复的A

过去很多年，白酒公司是A股里最容易被理解，也最容易被相信的一类企业。 它们的商业模型看起来足够简单。厂家酿酒，经销商打款，产品出库，终端销售。名酒有品牌，渠道有利润，现金流好，毛利率高。相比互联网公司的用户增长，地产公司的预售账款，制造业公司的复杂供应链，白酒财报曾经给投资者一种罕见的确定感。 现在，五粮液2025年年报打破了这种确定感。 2026年4月30日晚，五粮液在五一假期前最后一刻，抛出了一份让整个市场震动的年报。 2025年营业收入为405.29亿元，同比下降54.55%；归属于上市公司股东的净利润为89.54亿元，同比下降71.89%。但更关键的不是全年利润大降，而是公司对2025年一季度、半年报和三季报进行追溯调整。调整后，前三季度营业收入从609.45亿元下调至306.38亿元，归母净利润从215.11亿元下调至64.75亿元。 也就是说，曾经已经披露给市场的300多亿元收入和150多亿元利润，被重新划出了当期报表。 这可不是一次普通的业绩不及预期。它让投资者意识到，白酒财报中最核心的一行，营业收入，可能并不总是像过去理解的那样稳固。 这一夜，五粮液的操作点燃了市场怒火，股吧、雪球等平台上，质疑声此起彼伏。除了众所周知的一把手相关因素，其他诸如财务洗大澡、谁还敢信财报的论调骤起。 不是少卖酒，而是重新定义卖酒 五粮液的问题，表面上看是收入确认。更深一层，是白酒行业长期以来的厂家与经销商关系，正在被重新审视。 在白酒行业，先款后货是常见模式。厂家通常先收到经销商打款，再组织发货。从现金流角度看，这是一种极其优秀的生意。它让白酒公司不需要赊销，也不太依赖银行融资。经销商承担库存，厂家获得现金。过去，这一模式被市场视为白酒行业的护城河之一。 五粮液年报也披露，公司销售模式包括经销模式和直销模式，经销模式主要在线下销售，并采用先款后货的结算方式。2025年，公司酒类