6 月 25 日下午，由爱分析主办的 2025 爱分析 · 第三届 AI 大模型高峰论坛在北京 JW 万豪酒店成功举办。在圆桌对话环节，爱分析联合创始人兼首席分析师张扬担任主持人，邀请晶合集成 AI 研发项目总负责人黎家俨、开为科技创始人杨通、拓尔思金融和产业大脑产品中心总经理周宁捷登台，围绕 "Agent 进步，会为企业带来哪些变革与增量？" 主题展开讨论。以甲方和厂商的不同视角一起探讨 Agent 当前的实际落地进展和未来的趋势。

内容已做精简，如需获取完整版视频和活动课件，请扫码领取。

讨论议题一、Agent 的落地进展及路径如何？

晶合集成 AI 研发项目总负责人黎家俨：

黎总认为，在半导体领域的 Agent 落地中，强调甲乙方深度融合的开发模式。合作伙伴、用户端与项目管理方需共同参与系统构建，以满足行业对端到端任务的严苛定义。

由于需深度耦合物理世界运行逻辑，多智能体协作系统被应用于晶圆厂（Fab）场景，覆盖从任务理解、拆解、工具调用到交付的全链路闭环。针对半导体工程师需掌握超 100 种工具的痛点，Agent 可显著缩短技能训练周期。

具体落地场景层面，Agent 优先解决高频基础工作。例如开发自动读图表 Agent，其准确率已超越人类工程师。在良率预测分析场景中，将任务拆解为数据多维分析、大模型预测、优化建议三阶段，避免直接响应笼统的 " 提升良率 " 需求，转而聚焦关键影响因子分析。

技术实现上降低依赖通用语言模型，而是基于 Transformer 架构构建专用多模态模型，应用于机台调试与仿真场景。同时结合 DeepSeek 等开源模型迭代语言模块，通过行业数据自建知识库，并采用强化学习持续降低模型错误率。

半导体行业的特殊性要求 Agent 必须垂直深耕：容错率逼近零阈值、知识体系跨领域且封闭、需与物理设备深度交互。因此核心壁垒在于四维能力整合：每秒千万级生产数据的实时处理能力、现有工业系统的无缝集成能力、兼具半导体经验与 AI 技术的复合型人才、以及 Agent 与物理流程的原子级融合能力。

开为科技创始人杨通：

杨总提出当前行业正经历从 " 追求 100% 准确率 " 到 " 接受容错以释放杠杆价值 " 的范式迁移。为实现准确率与效率的平衡，构建三层防护体系：第一是基于知识库与 RAG 技术确保基础准确性；第二是通过多智能体交叉验证，如代码生成与测试 Agent 互补，降低错误率；第三是在关键决策节点引入人工审核承担最终责任。未来模型升级，如 GPT-5 的推理工具一体化，将提升意图理解精度。当前需构建兼容性框架等待技术成熟。

Agent 开发采用 " 通用基座 + 垂直插件 " 双轨路径。通用基座，依托 GPT、Gemini 等基础模型内化工具使用与多模态理解能力。同时通过三大能力快速适配垂直场景：支持 PB 级知识库实时爬取与精准 RAG 检索、深度集成数据库交互与 AI 数据分析、利用 MCP 协议连接各类 SaaS 工具。该模式既能捕获基础模型进化红利，又能通过垂类知识库、数据库及 MCP 接口满足业务深度需求。

Agent 构建壁垒的核心在于 " 研产融合 " 机制：采用敏捷小组制同步推进业务落地与前沿论文研究，持续验证新技术优势；建立 " 用户反馈 - 数据积累 - 模型优化 " 的飞轮，团队配置融合资深工程师与 AI 研究者，通过 " 学习 - 复现 - 创新 " 三阶机制高效整合技术突破，规避从零创新的资源陷阱。

拓尔思金融和产业大脑产品中心总经理周宁捷：

周总认为，C 端与 B 端的 Agent 落地呈现显著差异。C 端在报告生成、创意类等容错空间较大的场景已实现端到端应用。B 端则依赖预置任务链，例如金融与央企场景中，10 个节点任务链通常仅有 2-3 个节点由 Agent 执行，且整体准确率需达 85% 以上才具备商业化价值。B 端核心难点在于自然语言交互的上下文限制，需通过机器合成精细化提示词约束交互边界——单一 Agent 达到 90% 准确率已属行业高位。

在路径选择上，基座大模型应侧重通用能力，但 Agent 应用必须垂直深耕。因各领域行业 Know-How、专家推理逻辑难以被通用方案覆盖，且非结构化数据处理范式差异显著。以金融、政务、媒体为例，垂直 Agent 的壁垒体现在三维能力：行业知识图谱构建能力、上下文工程优化能力、评估体系设计能力。这不仅涉及提示词优化，更需完成数据清洗、标签化等底层工程，并通过用户反馈闭环持续提升准确率。

Agent 的核心竞争壁垒在于评估体系与长期迭代机制：从 POC 到商业化需经历高成本的准确率爬坡过程，垂直场景中知识处理方式，如索引策略，存在数百种组合方案，需结合领域经验筛选最优解。同时需构建覆盖 RAG、MCP、Agent 的全链路评估体系，通过持续积累行业专属数据与反馈，形成难以复制的迭代护城河。

讨论议题二、企业完成 Agent 建设后如何推广运营以产生业务价值？

晶合集成 AI 研发项目总负责人黎家俨：

在晶和集成内部推广 AI Agent 时，需以 " 痛点解决 " 为核心选项目，通过 " 灯塔项目 " 展现成效。例如优先解决公司当前最迫切的问题，让高层直观看到价值。同时要分阶段管理预期，明确告知各阶段可达成的目标，如第一阶段实现基础功能，第二阶段优化效率等，避免过度承诺。对外沟通时，以实际效益为说服依据，引导资源投入。晶和集成公司高层主动推动 AI 计划，使得 AI 导入过程更顺畅。

开为科技创始人杨通：

当前 AI 运营的核心是让甲方接受 AI 价值，由于行业处于 " 旧世界崩塌、新世界未立 " 的过渡期，甲方对 AI 格局尚不明确，因此采用 "AI+SaaS" 的过渡模式：将 AI 作为使用 SaaS 的 " 润滑剂 "，而非独立产品销售，延续传统 SaaS 收费模式，通过 AI 提升用户使用频次和付费意愿。

今年开为科技以免费或低门槛方式让客户体验 AI 功能，抢占市场先机，待明年甲方 AI 预算大幅提升时，前期积累的用户和数据将发挥价值。这种策略既能留住客户，又能为未来 AI 规模化应用奠定基础。

拓尔思金融和产业大脑产品中心总经理周宁捷：

DeepSeek 带动下，甲方加速 Agent 落地，如某银行年初启动 100 个 Agent 项目，却面临效果不达预期的问题。运营关键在于聚焦高价值场景，解决真实业务痛点，避免 " 为 AI 而 AI" 的资源浪费。冷启动阶段需快速达到用户初步预期，通过持续迭代形成 " 数据飞轮 " —— 用实际效果驱动用户反馈，再以反馈优化 Agent。若盲目铺开场景，易导致业务方失望，反向影响 AI 应用推进，因此需精准定位核心需求，以结果为导向推进 Agent 运营。

讨论议题三、Agent 的未来商业模式将如何变革 ?

晶合集成 AI 研发项目总负责人黎家俨：

作为甲方代表，黎总指出过去与厂商的付费模式主要基于厂商的投入成本，而今年更倾向于按结果付费（RaaS）。随着成功案例增多，甲方对 " 结果导向 " 的付费方式接受度提升，这是从传统 SaaS 模式向更务实的价值交付转变。甲方态度的转变源于对 AI 价值的信心增强。

开为科技创始人杨通：

杨总从厂商视角提出，Agent 时代的商业模式变革核心在于赋能传统 SaaS 公司转型。由于生产结构从 " 工具直接面向用户 " 变为 " 工具→ Agent →用户 "，厂商应聚焦帮助 SaaS 公司升级为垂类 Agent，再由 Agent 为甲方提供服务。

这种模式下，付费逻辑从传统的年订阅制转向按 Agent 调用量收费，因为 Agent 对工具的使用频次可达人类的成百上千倍，这种 "Agent+SaaS" 的模式将催生指数级增长的商业机会。

拓尔思金融和产业大脑产品中心总经理周宁捷：

周总指出，对垂直领域厂商而言，按结果付费是商业模式的终极目标。传统按 Token 或 SaaS 订阅的收费模式以技术驱动为主，而垂类客户更关注业务结果，因此需与甲方或行业 ISV 合作共建 RaaS 模式。他强调，结果付费的可行性在于整合行业 Know-How 与技术能力，通过 Agent 直接覆盖传统工具的过程性工作。

本次圆桌对话环节，三位专家围绕 Agent 在落地应用、推广运营及商业模式变革三大核心议题展开讨论，结合半导体、金融、政务等多行业实践，揭示了 Agent 从技术落地到商业价值实现的关键路径与竞争要点，强调垂直领域深耕、结果导向思维及数据驱动迭代的重要性。

本次交流探讨出 Agent 发展的三大趋势：一是必须扎根垂直行业，通过深度融合业务逻辑与技术能力构建壁垒；二是运营与商业模式需以 " 结果价值 " 为核心，从技术驱动转向业务驱动；三是数据与反馈闭环是持续优化的关键，唯有形成 " 场景验证 - 迭代升级 " 的正向循环，才能推动 Agent 从概念走向规模化商业落地。