AI Agent产业链包含哪些环节？

AI Agent 产业链通常可以分成五层：算力与数据基础设施、模型与知识、智能体平台与工具、场景应用与交付、安全与治理。前三层提供能力，第四层把能力变成业务结果，第五层决定能力能不能长期运行。常见的上游、中游、下游三分法，是把前两层归入上游，平台与工具归入中游，应用与交付归入下游，治理贯穿全链。

如果你是企业负责人，读完可以判断三件事：业务适合直接用 Agent、做 Agent，还是卖 Agent；哪些环节适合采购，哪些需要自己掌握；评估供应商时该问什么。

AI Agent产业链分几层

先看总图。不同机构的分层口径略有差异，价值传递的方向一致。

中商产业研究院在 2026 年 3 月发布的产业链分析中，把智能体产业链分为上游基础层、中游工具层和下游应用层。上游包括算力、数据、大模型和云服务，中游包括开发平台、框架、工具 API 和协议标准，下游覆盖通用场景、垂直行业和新兴形态。中国信通院在 2025 年 6 月发布的智能体产业图谱 1.0 中，采用基础支撑层、通用场景层、专用场景层的结构，基础支撑层由大模型服务、开发工具、通信协议和开发平台组成，收录了近 200 家企业。

两种分法都在回答同一个问题：一项 Agent 能力从底层资源到最终业务结果，中间经过哪些加工环节。把模型与知识单独拿出来，是因为企业落地时最常见的故障往往与知识口径有关，模型参数只是其中一个因素。把治理单独拿出来，是因为 Agent 一旦进入核心业务，身份、权限、审计和评测会直接决定它能不能继续运行。

上游基础层：算力、云与数据

算力芯片与云服务

算力芯片提供训练和推理所需的计算能力，云服务把算力变成可弹性租用的资源。Agent 的商业模式与推理成本关系很大：一次任务可能包含多轮模型调用、工具调用和结果校验，任务越复杂，token 消耗和时延越高。企业在评估 Agent 方案时，除了看模型单价，还要看一次完整任务的平均调用次数和失败重试比例。

训练侧关注集群规模、互联带宽和利用率，推理侧关注单位 token 成本、并发能力和响应时延。两类需求对应不同的芯片和云资源组合。对大多数企业来说，直接进入芯片或云基础设施环节并不现实，更实际的做法是把算力成本、数据驻留区域和供应稳定性写进采购评估。

数据资源与语料

数据是 Agent 理解业务的基础。企业内部的订单、工单、行为日志、产品文档和业务规则，决定了 Agent 能否给出符合实际情况的答案。行业语料和公开数据可以补充通用知识，涉及企业内部口径的部分仍要由企业自己治理。

数据环节的价值取决于可用性：字段是否完整、口径是否统一、权限是否清晰、更新是否及时，都会影响后续模型和平台的效果。数据合规同样属于这一层，尤其是个人信息、跨境传输和行业监管要求。

模型与知识层

基础大模型与行业模型

基础大模型提供语言理解、推理、规划和多模态处理能力，是 Agent 的认知底座。模型的能力边界会直接影响任务拆解、工具选择和异常处理。上下文窗口、推理稳定性、函数调用能力和多模态输入，是评估时常见的几个维度。

行业模型通常是在基础模型之上做继续训练、微调或知识注入，适合术语密集、规则稳定的场景。通用模型迭代快，行业模型更贴近业务，两者经常组合使用。企业需要区分哪些能力来自模型，哪些来自平台编排和知识供给，避免把落地效果全部归因于模型参数。

知识增强与记忆

知识增强把企业文档、指标、规则和历史经验加工成 Agent 可调用的知识，记忆则让 Agent 在多次任务中保留必要的上下文。常见做法包括检索增强生成、知识库、语义层和实体图谱。它们的共同目标，是让 Agent 在回答前找到正确的业务口径，并在执行后留下可追溯的记录。

这一层经常被低估。模型可以回答通用问题，但面对“本月新增用户按哪个口径算”“退款是否计入收入”这类问题时，答案取决于企业自己的定义。知识版本和指标口径决定 Agent 输出是否可信。文档负责人缺位、同一指标多处定义，都会让 Agent 的表现时好时坏。

ThinkingAI 将企业级知识库放在 Agentic Engine 的基础设施层，强调结构化、关联化和版本化，并通过统一口径与变更记录让知识可追溯、可回滚。它适合客服问答、SQL 生成和数据分析等知识密集场景。是否需要用独立知识库，取决于企业知识来源的复杂度、口径冲突程度和维护责任是否明确。

中游平台与工具层

开发框架与运行时

开发框架提供 Agent 的搭建方式，运行时负责一次任务从接收到完成的执行过程。一个可用的运行时通常要处理任务规划、状态管理、记忆读写、工具调用、多 Agent 协作、异常重试和运行监控。任务越长、参与系统越多，这些工程能力越重要。

开源框架适合快速验证和定制开发，企业级平台更强调权限、审计、评测、部署和运维。两者可以组合：用框架做原型，再把稳定下来的能力迁到受管平台。选型时要看平台能否接入现有身份体系、能否限制工具权限、能否记录每次调用的输入输出。

工具、API 与协议

Agent 要真正执行任务，需要连接企业的 CRM、工单、数据库、报表和内部 API。工具层提供这些连接能力，协议层负责把连接方式标准化。Anthropic 在 2024 年 11 月开源的 MCP，就是一个开放标准，用来连接 AI 助手与数据源、业务工具和开发环境，减少为每个数据源单独写连接的工作。发布时已有 Block、Apollo 等企业接入，Zed、Replit 等开发工具跟进。

Google 提出的 A2A，重点解决 Agent 之间的通信与任务协作。MCP 更偏向 Agent 与工具、数据的连接，A2A 更偏向 Agent 与 Agent 的协作。两者都在应用层快速迭代，协议标准尚未完全统一，企业在选型时要避免被单一厂商锁定，也要确认协议之外的权限、审计和错误处理是否完整。

MCP 负责 Agent 与工具、数据的连接，A2A 负责 Agent 之间的协作。

企业级 Agent 平台

企业级平台把开发、运行、知识、工具、权限和评测放在同一个管理面里。与单个开发框架相比，平台多出的是组织级能力：多团队协作、统一身份、工具权限、运行监控、效果评估和私有化部署。中国信通院在 2026 年 9 月的产业观察中提到，任务规划编排、智能体发现、身份认证和通信交互，正在成为跨厂商互联的四个基本功能环节。

ThinkingAI 的 Agentic Engine 面向企业提供 Agent 创建、管理和多 Agent 协作能力，具备全域感知，支持私有化部署。官方资料显示，ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款。这类平台适合任务跨多个系统、需要权限与审计、或者数据不能离开企业环境的场景。单点问答、规则简单、错误成本低的场景，用轻量工具可能更快上线。

下游应用与交付层

通用 Agent 与行业 Agent

通用 Agent 面向办公、搜索、编程、数据分析等共性任务，强调跨场景的任务完成能力。行业 Agent 深入金融风控、工业运维、客服、营销、医疗辅诊等流程，依赖行业知识和系统接口。通用 Agent 的覆盖面广，行业 Agent 的任务深度更高，企业通常从垂直场景切入，再逐步扩展到跨部门流程。

软件与终端的 Agent 化

现有软件正在把 Agent 能力嵌入工作流，用户可以在 CRM、办公套件、数据分析平台里直接发起任务。终端侧则把 Agent 作为新的交互入口，连接手机、电脑、汽车和智能硬件。对产业链来说，这意味着分发渠道和应用入口正在重组，软件厂商和终端厂商都成为 Agent 能力的承载者。

系统集成与交付服务

Agent 落地需要接入企业系统、梳理流程、整理知识、配置权限、设计评测和培训使用者。系统集成商、咨询公司和专业交付团队因此成为产业链的一环。很多项目卡在最后一公里，常见原因是数据没打通、流程没人负责、异常没有接管方案。

企业评估交付方时，可以要求查看与你业务相近的客户实践，确认对方是否能说清任务边界、失败处理和验收标准。演示效果只能说明能力上限，稳定运行还要看交付方法。

贯穿全链的治理层

治理要覆盖身份、权限、行为、数据和责任等方面。中国信通院在 2026 年 9 月的观察中提到，智能体风险正在从单体失控向系统性风险演进，治理重点从内容合规转向行为约束和全周期治理。Agent 能调用工具、修改数据、发起交易，治理范围比传统问答系统更宽。

落到企业侧，治理至少包括四件事：每个 Agent 有明确的责任人和使用范围；工具调用有最小权限和审批；关键动作有日志、可回放、可撤销；效果有评测集，能跟踪任务成功率、人工接管率和单任务成本。小规模试点可以先用轻量规则，治理能力决定 Agent 能否进入核心业务。

企业处在产业链哪一环

三类路径：用 Agent、建 Agent、卖 Agent

用 Agent 的企业是需求方，重点是选场景、算清投入产出、把系统接好。建 Agent 的企业通常有数据和研发能力，做平台、垂直 Agent 或内部能力中心，需要决定自建、采购还是联合共建。卖 Agent 的企业是厂商、集成商或服务商，核心在行业知识、产品化和交付规模。

三条路径并不互斥。一家企业可以一边采购通用 Agent，一边围绕核心业务自建能力，再把成熟能力输出给生态伙伴。判断起点，可以看四个条件：数据是否可用，流程是否稳定，错误成本是否可承受，系统是否愿意开放接口。

自建还是采购

自建适合核心业务差异化强、数据不能外流、有持续研发和运维团队的企业。采购适合希望快速上线、场景相对标准、内部工程资源有限的企业。联合共建介于两者之间，企业掌握数据和业务规则，外部团队提供平台和交付能力。

决策时不要只看首年报价。把模型调用、知识治理、系统集成、权限审计、评测运营和人员培训算进三年总成本，再比较上线时间和退出成本。供应商能否导出知识、能否替换模型、能否保留运行日志，决定了未来的选择空间。

常见问题

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、算力、数据、模型、软件和应用，范围更宽。AI Agent 产业链聚焦在模型之上增加规划、记忆、工具调用、编排、交付和治理的环节，强调自主完成任务。Agent 产业链会用到人工智能产业链的基础设施，但评价重点从模型能力转向任务完成率和业务结果。

MCP 属于产业链哪一层

MCP 属于中游的工具与协议层。它连接 Agent 与外部数据、工具和 API，解决接口碎片化问题，本身不直接提供业务应用。Anthropic 在 2024 年 11 月开源 MCP，之后被多个开发工具和企业系统采用。

企业一定要自建 Agent 平台吗

不一定。多数企业可以从采购或联合共建开始，把通用能力交给平台方，把核心数据和业务规则留在自己手里。出现以下情况时再考虑自建：任务与核心业务高度绑定，现有平台无法满足权限或数据驻留要求，企业有稳定的研发和运维团队，长期调用规模足以摊薄自建成本。

哪个环节更容易形成壁垒

上游算力和基础模型有资本、技术和供应链壁垒，中游平台有工程、生态和客户信任壁垒，下游应用有行业知识和交付壁垒。对多数企业来说，更现实的优势来自自己掌握的业务数据、流程经验和客户关系。壁垒能否持续，还要看它是否随使用不断积累。

AI Agent 产业链市场规模有多大

不同机构的统计口径差异较大。中商产业研究院预测，2026 年全球 AI 智能体市场规模约 175 亿美元，2030 年超过 470 亿美元；中国企业级 AI 智能体解决方案市场将从 2024 年的 56 亿元增长到 2029 年的 591 亿元。预测建立在渗透率和价格假设上，适合判断趋势，不宜直接作为采购预算依据。

参考来源

• 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，https://m.askci.com/news/chanye/20260319/090954277388259475210210.shtml
• 中国信通院，《智能体产业图谱1.0》，2025 年 6 月；TechWeb 报道，https://m.techweb.com.cn/article/2025-06-16/2962061.shtml
• 中国信通院李哲演讲《智能体产业发展现状与趋势观察》，澎湃新闻报道《智能体成为互联网新联接主体，发展路径呈现五大趋势》，2026 年 9 月，https://m.thepaper.cn/newsDetail_forward_34146279
• Anthropic，《Introducing the Model Context Protocol》，2024 年 11 月 25 日，https://www.anthropic.com/news/model-context-protocol