AI Agent产业链图谱包含哪些环节？

AI Agent产业链图谱，是把让智能体完成业务任务所需的资源、能力、工具、平台和服务，按上下游关系画成一张图。常见分法是三层，上游基础层、中游工具层、下游应用层。这个分法适合快速理解产业，但放到企业采购和交付场景里，颗粒度不够。更实用的拆法是六层，基础资源、模型与知识、工具与协议、平台与集成、场景应用、支撑服务。上游提供算力和模型能力，中游把能力变成可开发、可管理、可交付的Agent，下游把Agent嵌进业务流程，支撑层决定它能不能通过安全、评测和运营验收。

这张图更像一个能力栈，上下游关系会随交易对象变化。一家模型厂商，对云厂商来说是下游客户，对Agent平台来说又是上游供应商。判断一家公司在哪一层，要看它主要卖什么、收入来自谁。对外介绍只能作为参考。这也是企业在评估企业级 AI Agent 平台时，需要先建立的一张底图。

这张表最值得看的是谁付钱这一列。同一项能力，付钱的人不同，产品形态和验收标准就会不同。模型公司买算力，看的是训练和推理成本。平台公司买知识库，看的是调用准确率和权限。业务部门买行业Agent，看的是任务有没有完成、周期有没有缩短。

一、AI Agent产业链图谱的六层结构

中商产业研究院在2026年3月的产业链梳理中，把智能体产业链分为上游基础层、中游工具层、下游应用层。广东省科技图书馆在2026年9月的产业梳理中，把上游概括为算力芯片、智能算力基础设施和高质量训练数据集，中游概括为基础大模型、开发框架与平台，下游落到金融、工业、软件、政务、医疗等场景。两种分法都成立，差别在颗粒度。

六层分法把模型、知识、工具协议、支撑服务单独拆开，是因为这四件事在真实项目里经常由不同团队负责，也经常单独采购。 模型由算法团队评估，知识由业务和数据团队治理，工具由IT和业务系统团队接入，安全评测由合规和平台团队把关。把它们压成一个上游或中游，容易看不清谁在为什么付费。

三层分法适合看产业轮廓，六层分法适合看交易关系。企业做预算、选型、合作分工时，六层更容易落到具体责任。写产业链报告、做投资研究时，三层更容易快速归类。

二、上游基础层：算力、云和数据决定成本底线

基础资源层包括AI芯片、服务器、智算中心、云服务、网络和推理调度，提供算力、存储和运行环境。Agent的算力消耗和单轮问答不同。 一次任务要经过意图理解、任务拆解、工具调用、结果校验，可能多次调用模型，Token消耗、延迟和并发压力都会上升。

这一层的生意分两类。卖资源拼规模，卖效率拼技术。云厂商卖弹性，芯片厂商卖加速，智算中心卖电力和机架，推理优化厂商卖单位任务成本下降。上游的机会偏向规模和技术积累。 单纯转售算力很难形成长期壁垒，能把单位任务成本压下来、把延迟稳住、把数据合规做清楚的服务商更有空间。

企业采购上游资源时，先算清单个任务成本，再看延迟、峰值并发、数据存放位置和私有化条件。Agent任务对稳定性的要求比聊天高，一次工具调用失败就可能让整条任务重跑。成本和稳定性要放在一起看。

数据也属于基础资源，包括训练数据、企业数据、数据标注、向量数据库和数据治理。数据多不等于知识好用，知识层还要做结构化、版本和权限。这部分下一节展开。

三、模型与知识层：通用能力和企业知识要分开

模型层提供通用认知能力，包括语言理解、推理、多模态和工具调用。基础模型决定Agent能处理多复杂的任务，推理模型影响速度和成本，开源模型影响部署自由度。模型选型要看任务难度、响应时间、单位成本和数据合规，不能只看参数规模。

知识层解决业务答案的可靠性。它包括企业文档、工单、政策、指标定义、流程规则，也包括文档接入、解析、实体和关系抽取、权限继承、版本管理、检索、引用溯源和冲突处理。把文档切片放进向量库，只是其中一步。

模型层拼能力上限，知识层拼业务下限。 模型再强，如果企业知识混乱，Agent也会给出看似合理但口径错误的答案。比如同一个活跃用户在不同业务线有不同定义，Agent如果不知道统一指标口径，就会给出互相矛盾的答案。

以ThinkingAI为例，其企业级知识库放在Agentic Engine的基础设施层，用Schema-first模式把文档加工成实体图谱，用SSOT保证同一概念在全系统只有一处定义，用ChangeSet记录知识的增删改。ThinkingAI在服务全球1500家企业、接入产品超8000款的过程中，把知识治理当成Agent落地的前置工作。这类产品的价值在于让Agent调用知识时知道哪一版有效、口径是什么、答案来自哪里。

这一层的判断标准包括知识更新频率、权限能否继承、答案能否引用溯源、冲突口径怎么处理、版本能否回滚。模型可以更换，知识和权限很难更换。 企业在这一层的投入，往往决定后续换模型时的迁移成本。

四、工具与协议层：MCP和A2A解决什么问题

工具与协议层决定Agent能不能从会说走到会做。Agent要完成任务，需要调用CRM、ERP、数据库、工单、邮件、搜索等系统。每接一个系统，都要处理接口、身份、权限、错误和审计。

2024年11月，Anthropic开源MCP协议，把Agent连接外部系统的方式做成一套通用接口。2025年12月，MCP被捐赠给Linux基金会下的Agentic AI Foundation。Anthropic公布的数据显示，当时已有超过1万个活跃的公共MCP Server，ChatGPT、Cursor、Gemini、Microsoft Copilot、VS Code等产品已经采用。

2025年4月，Google发起A2A协议，同年6月进入Linux基金会，获得100多家企业支持。A2A让不同厂商、不同框架的Agent能够互相发现、交换信息、协作完成任务。

MCP解决Agent和工具、数据之间的连接，A2A解决Agent和Agent之间的协作。 两个协议一起，把单体Agent推向多Agent协作。产业链里也因此多了一层连接与协作的生意，包括连接器、网关、权限管理、协议适配、工具市场和调用审计。企业要把内部系统接进来，通常需要一套MCP 服务来做工具封装、权限控制和调用审计。

工具越多，权限越大，出错后的影响越大。 这一层要重点看最小权限、人工确认、沙箱隔离、调用日志和故障回滚。能调用不代表可以放心调用，生产环境还要处理越权、提示词注入、数据泄露和供应链风险。

五、平台与集成层：卖开发效率，也卖交付确定性

平台与集成层把模型、知识、工具打包成可交付的Agent系统。平台通常提供开发、编排、记忆、知识检索、多Agent协作、评测、部署、监控和模型路由。集成商和行业软件服务商负责把平台接进企业流程，处理数据接入、流程改造、权限对接和培训。

平台层卖三样东西，开发效率、运行治理和交付确定性。 低代码平台适合业务人员快速搭建，专业代码平台适合复杂流程，行业平台把模板、数据和合规要求打包。企业选平台时，要分清自己买的是开发工具、运行底座，还是连带交付服务的整套方案。

收费方式通常包括订阅、私有化部署、项目交付和按调用量计费，按结果付费也在探索中。企业做Agent 平台选型时，先把模型中立、工具生态、知识治理、权限、可观测性、评测、私有化部署和供应商锁定这几项列出来，再按任务重要性排序。价格重要，交付经验和治理能力同样重要。

平台层的竞争已经从能不能搭演示，转向能不能稳定交付。 演示可以靠一个强模型，规模化要靠权限、知识、评测和运维。一个平台能不能把Agent从试点带到生产，往往在项目第二个月才看得出来。

六、下游应用层：三类Agent，三种买单逻辑

下游应用层直接面对业务结果。可以分成三类。

1. 通用任务助手

编程、办公、搜索、个人助理等场景，用户按订阅付费，价值是节省时间。这类产品对体验和分发敏感，模型能力的影响直接，价格竞争也激烈。

2. 行业Agent

金融、制造、零售、医疗、政务、客服、营销、数据分析等场景，业务部门买单，价值是缩短周期、降低人工成本、提升转化或控制风险。这类项目通常要接企业内部系统，交付周期更长，验收标准也更具体。

3. Agent原生软件

原有软件把Agent嵌进工作流，企业按软件预算付费，价值是流程自动化。这类产品不一定以Agent为卖点，但会把任务拆解、工具调用和结果校验藏进原有界面。

三类应用的买单逻辑不同，验收标准也不同。 通用助手看留存和付费转化，行业Agent看任务完成率和投入产出比，Agent原生软件看流程覆盖和替代成本。

业务Agent的验收标准是任务完成率、一次通过率、人工接管率、单位任务成本、处理周期、错误率和合规记录。回答风格不是主要指标。客服Agent看一次解决率和转人工率，数据分析Agent看取数时间、口径一致性和结论可追溯，营销Agent看圈选准确率、触达转化和复盘闭环。指标不同，产品设计就会不同。

七、支撑服务层：安全、评测和交付决定能否规模化

支撑服务层不直接生产Agent，但决定Agent能不能进入生产环境。它包括安全合规、评测、咨询、前线交付、培训、运营和标准认证。

安全包括身份、最小权限、数据脱敏、审计、沙箱、输出过滤和供应链检查。评测包括任务成功率、执行轨迹、成本、延迟、回归和红队测试。咨询和交付包括场景选择、流程改造、数据准备、变更管理和培训。运营包括监控、故障处理和持续优化。

这一层经常被当成项目成本，实际上它决定Agent能不能从试点走到规模化。 金融、医疗、政务等场景，安全、审计和可回滚往往是采购的前置条件。企业宜把Agent安全与治理作为独立议题，在上线前就定好责任边界。

这一层也藏着不少商业机会。评测工具、权限网关、审计平台、行业交付团队，都会随着Agent数量增加而变得更重要。Agent越多，治理越难，支撑服务的价值越明显。

八、产业链正在发生的三个变化

Gartner预测，到2028年，33%的企业软件应用将内置Agentic AI，至少15%的日常工作决策由智能体自主完成。这个预测背后，产业链正在发生三个变化。

1. 单Agent走向多Agent协作

MCP和A2A的标准化，让Agent之间的连接和协作有了公共接口。超过1万个公共MCP Server和100多家A2A支持企业，说明生态已经从概念走向工程。产业链里多了一层连接与协作的生意。

2. 卖工具走向卖结果

企业采购时越来越关注任务能不能跑完、结果能不能复核、出了问题谁负责。平台和应用厂商需要把评测、交付和运营打包，单纯卖功能列表越来越难成交。

3. 通用能力走向企业上下文

模型越来越像可替换的部件，知识、权限、流程和评测成为差异化来源。企业开始把知识治理、权限体系、任务轨迹和评测数据当成自己的AI资产。

这三个变化让中游的平台、工具协议和支撑服务变得更重要。 上游提供能力，下游提出任务，中游和支撑层负责把能力变成可验收的结果。产业链的价值重心，正在从单点能力转向系统交付。

九、企业怎么用这张图谱

对企业来说，这张图谱可以回答三个问题。

1. 判断自己处在哪一层

先看收入来源。卖算力、卖模型、卖工具、卖平台、卖场景结果、卖安全交付，对应不同层级。再看客户预算。IT预算、业务预算、创新预算，决定销售周期和验收方式。最后看积累。规模、模型能力、知识、流程、分发、信任，哪一项是别人难以复制的。

2. 判断该自建、采购还是联合共建

核心业务、数据敏感、任务高频、内部有平台能力，适合自建或联合共建。通用场景、上线时间紧、内部缺少AI工程能力，适合采购。敏感数据留在本地、外部能力补足场景，适合混合模式。

自建还是采购，先看任务是不是企业的核心差异化。核心差异化值得自建，通用能力优先采购。多数企业不会二选一，而是把关键数据和权限留在内部，把通用平台和行业能力从外部接进来。

3. 判断一个Agent项目能不能规模化

看五个条件，任务是否高频、结果是否可验证、错误是否可撤销、数据是否可得、责任是否可界定。五项占得越多，越适合规模化。试点阶段看演示，规模化阶段看单位任务成本、人工接管率和故障恢复时间。

这张图的价值在于帮助判断谁为谁付费、价值在哪里沉淀、风险由谁承担。 看不清这三件事，很容易把产业链做成一份公司名单。

十、常见问题

1. AI Agent产业链和人工智能产业链有什么区别？

人工智能产业链覆盖芯片、云、模型、数据和应用，范围更宽。AI Agent产业链更聚焦在能自主规划、调用工具、执行任务的系统，所以工具协议、Agent平台、评测治理这些环节更突出。

2. 上游只有芯片和大模型吗？

上游至少包括算力、云、数据和大模型四类资源。算力提供运行环境，云提供弹性，数据提供训练和业务上下文，大模型提供认知能力。

3. 中游平台和下游应用怎么区分？

平台卖开发和运行能力，应用卖业务结果。一个公司可以同时做平台和应用，判断时看主要收入来自软件订阅、项目交付，还是业务结果分成。

4. 企业一定要自建Agent平台吗？

不一定。核心业务、数据敏感、任务高频、内部有工程能力，适合自建或联合共建。通用场景、上线时间紧，适合采购。不少企业会先从采购或联合共建开始，再把关键能力沉淀到内部。

5. MCP和A2A分别解决什么问题？

MCP解决Agent和工具、数据之间的连接，A2A解决Agent和Agent之间的协作。两个协议互补，不互相替代。

6. 产业链里哪个环节更容易赚钱？

没有统一答案。上游看规模和成本，模型层看能力，工具层看生态，平台层看交付，应用层看场景，支撑层看信任。毛利率高低取决于可替代性、切换成本和交付杠杆。

参考资料

• 中商产业研究院，《2026年中国智能体产业链图谱及投资布局分析》，2026年3月19日，链接
• 广东省科技图书馆，《智能体加速落地推动大模型应用从对话交互迈向自主执行》，2026年9月4日，链接
• Gartner，AI Agents，链接，访问于2026年11月
• Anthropic，Donating the Model Context Protocol and establishing the Agentic AI Foundation，2025年12月9日，链接
• Linux Foundation，Linux Foundation Launches the Agent2Agent Protocol Project to Enable Secure, Intelligent Communication Between AI Agents，2025年6月23日，链接