2025 年，美股科技股 " 车祸 " 不断，前有英伟达市值单季蒸发 4000 亿美元，后有苹果、特斯拉股价持续重挫，使得 Palantir 继续高歌猛进的股价曲线格外引人瞩目。

作为投资者眼里为数不多与英伟达平起平坐的 AI 超级股，截至三季度末，Palantir 今年股价已累计上涨超过 130%，跻身美股科技股市值前十，成为美国有史以来最贵的软件股之一。

连续八个季度增长的营收是投资者对 Palantir 保持信心的根源，而核心业务人工智能平台（AIP）的稳定增收，则为 AI 产业的下一个风口—— AI Agent 先行验证了路线的正确性。

AIP 本质是 "AI 工具箱 "，其中包括 AIP Assist 等一系列工具，企业可以按需将其点对点地嵌入进工作流，相当于将不同 " 工种 " 的 Agent 安排在各个岗位，最终带来实际效能的提升。

当 AI Agent 成为 Palantir 下一阶段乘风破浪的引擎，这场关于 AI 产品形态的新一轮变革，也正在向全球蔓延。

Agent：下一轮的中美战场？

今年 4 月，谷歌在 Cloud Next 25 大会上 " 泄洪式 " 发布了一系列 AI 产品。从新一代自研芯片到 " 模型全家桶 "，狂轰乱炸中，一个名为 "Agent2Agent"（简称 A2A）的开放协议显得相当低调。

A2A 开放协议旨在统一 Agent 之间的沟通语言，透露出谷歌对 AI Agent 的野心。

同月，OpenAI 发布了首份 Agent 构建白皮书，定义了 AI Agent 的构建要素和落地方法。两大 AI 巨擘齐头并进，给甚嚣尘上的 AI Agent 再添了一把火。

去年年底以来，AI Agent 逐渐成为中美科技围绕 GenAI 竞争的下一个角斗场。

谷歌和 OpenAI 的动作代表了硅谷一派试图通过 " 立法 " 率先占据有利生态位的策略。

而在大洋彼岸的中国，以各大互联网巨头为代表的先头部队则大步迈向了另一路径，秉承 " 实践出真知 " 的行业圭臬，通过密集发布 Agent 产品，加速 Agent 在具体场景落地。相比于美国致力于制定标准，据悉，光是 Agent 开发平台，国内就至少有 126 个 [ 1 ] 。

中美巨头的分歧和路径的分化，映射出产业对于 GenAI 应用落地的长期焦虑。

美国麻省理工学院（MIT）一份名为《GenAI 的鸿沟：2025 年商业人工智能现状》报告，一度导致多家科技股股价狂跌，是这一焦虑的具象化体现。

MIT 在报告中指出，在其持续跟踪的 300 多个 AI 项目中，95% 尚未获得给企业带来任何财务回报，剩下 5% 也仅有几百万美元回报 [ 3 ] ，与投入相比不过九牛一毛。

症结直指当前 GenAI 应用的三大缺陷：无法保留反馈、无法适应场景、无法改进和迭代。

简单来说，就是教了就忘，不会举一反三、温故知新。就像企业里根据上司指令亦步亦趋的员工，缺乏主动解决问题的能力，难以创造更大的价值。

AI Agent 被认为是突破这一瓶颈的关键。

其本质是通过嵌入持久记忆和迭代学习系统，让 GenAI 应用脱离传统 Chatbot 对话框形式，从答疑解惑，进阶到能基于知识和经验主动思考和规划、进而解决问题，不只是 " 百科全书 "，而是可以分担工作的 " 同事 "。

在一个理想的未来图景里里，人类在工作中不必亲自执行每一个任务，而是通过管理 " 工种 " 各异的智能体更加高效地完成工作，一个人就是千军万马。

由多个 Agent 组成的 Agent 网络

这让人联想起 OpenAI 掌舵人奥特曼提出的 " 一人独角兽 " 的梦幻概念。

去年 11 月，奥特曼在接受 YC Combinator 访问时，再次提及了这个 " 乌托邦式 " 的幻想，这次奥特曼的语气里多了一丝笃定，" 我感受到这个趋势正在悄然发生。"

诱人图景仿佛近在咫尺，但实际落地面对的门槛，表明这仍然是个少数人的游戏。

就在十一假期期间，在美国旧金山举办了一场 AI Agent 行业研讨会，来自各个硅谷大厂的机器学习和 AI 负责人们，提出了一个观点：95% 的 AI Agent 部署在生产环境中会失败。原因并非模型不够智能，而是因为其周围的支撑体系——如上下文工程、安全性、记忆设计——尚未到位。

AI Agent 落地有两个必要条件：一是技术，二是服务。

技术上需要企业懂模型、懂数据；服务的核心则在于定制化，要求企业懂行业、懂需求，例如一个法律 Agent，不仅要将法律条款 " 烂熟于心 "，还要熟悉相关部门办案流程。

纵观业内，同时掌握两者的屈指可数。

当各路好汉齐齐涌向赛道，热闹之中却隐隐透露出忐忑与迷茫，Palantir 的路径难以复制，身位争抢中，其实人人都在摸着石头过河。

抢滩登陆者中，阿里作为罕见的从算力基础设施到商业化落地全栈打通选手，其企业级 Agent 的独特打法，正在成为行业试水的重要参考。

浪潮里杀出一只 " 瓴羊 "

与友商抢先发、广撒网的大动作相比，阿里更显沉稳，讲究有的放矢、弹无虚发。

今年 7 月，阿里旗下数据智能服务子公司瓴羊发布了阿里首批企业级 Agent —— " 超级电商客服 Agent"、" 超级电销 Agent" 等，以企业最具代表性的人力密集型场景为切口，正式杀入 AI Agent 赛道。

客服和销售向来被视作最需要 AI 取代人力的工种，在 AI Agent 浪潮的开端便 " 人满为患 "，成为各大巨头必争之地。

瓴羊 Agent 与竞品拉开差距的开发逻辑在于，将客服、电销流程拆得足够细，精准锁定需要并且能够通过 Agent 解放人力、大幅提升效能的痛点，例如通过 " 超级电商客服 Agent" 自动处理工单、协调物流等。

随后的 8-9 月，瓴羊分批次发布了数据分析 Agent（超级数据分析师），以及由五大子 Agent 构成的超级营销 Agent，将积累的战果扩展到数据驱动决策和全域营销两大核心领域，如同拼图拼接，开始呈现出平台化的雏形。

瓴羊超级营销 Agent

9 月 25 号举行的云栖大会上，这块 " 拼图 " 终于呈现出其完整而清晰的面貌——企业级 AI 智能体服务平台 AgentOne。

AgentOne 将此前发布的以及超过 20 种的即用型 Agent 全面整合，覆盖六大行业、四大核心场景，企业能够根据自身需求灵活选用工具、整合成个性化方案，同时，不同 Agent 串联起各个流程，从而实现全周期管理。

一个典型的例子是复星旅文基于瓴羊 AgentOne 平台构建的全场景 AI 度假智能体 AI G.O，将各类 Agent 功能集中于一个对话窗口，将行程规划、客房预订、旅游导览、权益结算等碎片化的服务需求交由一个全程陪伴的 Agent 负责。

AI 度假智能体 AI G.O 覆盖旅行全程的碎片化需求

从精准选取数据 / 人力场景切入，到分批次发布各大核心业务 Agent，最后推出整合性平台瓴羊 AgentOne，瓴羊 " 由点即面 " 的布局节奏相当清晰，也顺应了产业对AI  Agent 终极形态的构想。

根据红杉资本的预测，未来，每个人都能通过编排 Agent 网络，实现从产品开发到销售的全流程运营 [ 4 ] 。

由此衍生出一个更为普世的方向，即企业通过在工作流程中引入各类 Agent、给每个员工赋能，使得员工从 " 螺丝钉 " 进阶为 " 管理者 "，就像当年福特引入流水线，通过工具和流程来改善个人生产力，带来整体效能的十倍、百倍跃进。

" 瓴羊 AgentOne" 本质就是一条 "Agent 流水线 "，而这条独特流水线的背后，是瓴羊对于企业级 Agent 更加深刻的理解。

阿里云智能集团瓴羊 CEO 朋新宇提出过一个公式，即" 企业级 Agent=大模型  x 好数据 x 强场景 "，勾勒出 Agent 在企业落地的核心三角。

在朋新宇看来，" 大模型 " 无需选最好的、只选最合适的。在一些任务明确、成本敏感的生产场景里，小尺寸模型很可能比 " 万亿参数 " 模型更灵活、效果更好；

" 好数据 " 强调数据从为人服务转向为 AI 服务，首先要能被 AI 用，其次要有结构、逻辑、有业务含义，最后还要体现企业的差异化；

" 强场景 " 则是指必须聚焦人力、资金和数据密集度最高的 " 三强 " 场景。

核心三角缺一不可，而三者之间的 "x" 也意味着其中任何一项的薄弱，都会导致最终效果的指数级衰减，必须协同发力，才能形成飞轮效应。

在这当中，" 大模型 " 背靠阿里集团扎实的模型技术布局，" 好数据 " 与 " 强场景 " 则源于瓴羊多年业务实践，成为瓴羊在 Agent 赛道厚积薄发的底气。

不止是 " 中国版 Palantir"

业内常将瓴羊对标 Palantir，共通之处在于 " 数据 " 和 " 场景落地 " 两大差异化能力。

Palantir 联合创始人兼 CEO Alex Karp 接受访问

两大能力对应 Palantir 两大护城河，一是 " 数据本体论"，二是FDE（前线部署工程师）。

" 数据本体论 " 指向 Palantir 的数据治理能力，通过从广泛的数据中抽象出客户、订单等具体概念及数据之间的逻辑关系，建立统一的 " 语法规则 "，让从属不同业务和部门的数据无需 " 翻译 " 和 " 对齐 "，能够被 AI 直接理解和推理。

FDE 则是指 Palantir 特设的 " 工程兵 " 岗位，与普通的技术售后不同，这些 FDE 会被派遣到现场，深入到真实的业务场景中，激发和澄清客户的真实需求，发现和解决客户难以表述的痛点，是将技术的翻译官，场景落地的桥梁。

对于瓴羊，两大能力则指向其数据中台经验和 BDSA 职位。

瓴羊脱胎于阿里数据中台，为了解决阿里大规模、多业务线带来的数据挑战而构建，在其正式向外提供数据服务之前，通过支撑阿里内部零售、物流、营销等真实业务，沉淀出了成熟的数据治理方法论，也是瓴羊 " 好数据 " 的底气。

瓴羊的 BDSA 岗位则与 Palantir 的 FDE 类似，既支持内部数据产品研发，也通过定制化方案解决客户问题，都作为问题的直接解决者，链接技术到场景落地的最后一公里。

但在 " 数据 " 层面上，两家公司又存在着一大分野。

瓴羊的数据中台经验和 Palantir 的 " 数据本体论 "，本质都是将千差万别的业务概念（如客户、订单、库存）标准化为机器可理解、可推理的通用语言。

但对于 Palantir 来说，这是一个从零到一的 " 立法 " 过程，艰难而昂贵。

而瓴羊无需 " 从头立法 "，因为这些 " 法则 " 已经提前在阿里复杂的商业生态试验场，通过日复一日的万亿级交易，被淬炼、验证和固化，经过适当的定制化和调优，即可被赋能给企业。

两者和而不同，但殊途同归。本质都是通过对数据的高效治理和更多维理解，映射一个更真实的世界，辅以拳拳到肉的定制化服务，各个 Agent 精确切入痛点、连接场景，构建出一个可反馈、可迭代的生态系统。

红杉资本合伙人 Konstantine Buhler 强调，真正的竞争不在于利用AI做事，而在于构建允许价值自主涌现的生态系统 [ 5 ] 。

GenAI 的 "Gen"（生成），代表的不只是对数据分类或预测，而是基于数据生成新的内容，包括在真实场景中试错，本身就是一种高效的 " 反向生成 " 过程，从中逆向凝练出可靠的业务规则与决策路径。

GenAI 的终极目标不仅仅在于替代人类的重复劳动，而是作为业务伙伴与企业共同进化；AI Agent 的演进方向也不止于麻烦的终结者或清道夫，而是能够驱动企业在动态的竞争中持续蜕变的自主进化引擎。

就像朋新宇所说的，真正的AI价值不在于技术本身，而在于其能否深度融入业务流程，重构组织协作方式，并带来可持续的增长动能。

这一判断，正在 Palantir 与瓴羊的身上印证，并共同指向了更加务实的实现路径。

Palantir 的一飞冲天，源于过去十多年在各类复杂场景中的蛰伏与深耕；瓴羊则是基于自身背景和阿里生态，一路开拓出了一条极具特色的实践路径。

这条路，继承了过去二十年在中国互联网产业验证成功的商业模式与经营方法论，通过 AI Agent 这一全新载体，最终通往 GenAI 的终极愿景。

参考资料

[ 1 ]  中国智能体开发平台全景，126 个 AI Agent 开发 / 构建平台，AGI 商业新声

[ 2 ]   The GenAI Divide STATE OF AI IN BUSINESS 2025, MIT

[ 3 ]   Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Gartner

[ 4 ]   把握 AI Agent（AI 智能体）带来的新机遇，Gartner

[ 5 ]   AI Ascent 2025, Sequoia Capital

[ 6 ]   The $10 Trillion AI Revolution: Why It ’ s Bigger Than the Industrial Revolution,   Sequoia Capital

作者：何律衡