过去一年，大模型市场已进入一个由"四大新要素"共同驱动的指数级增长阶段，其演进速度和变革深度已远超传统 IT 产业。

首先，新技术与新产品正在持续突破通用大模型的边界，多模态、Agent 能力等创新不断涌现，同时市场快速催生了一体机、推理加速平台、Agent 开发管理平台等面向企业落地的新型解决方案，解决了困扰企业已久的工程化和成本挑战。

其次，国家层面的新政策提供了强大的战略牵引。特别是 2025 年 8 月 21 日发布的《国务院关于深入实施"人工智能+"行动的意见》，标志着 AI 从早期的"鼓励探索"正式进入"国家战略落地"阶段，为产业化发展提供了坚实的政策保障。

最后，持续的市场教育构建了新认知。B/C/G 端对大模型价值的认同达到了前所未有的高度，企业和政府在预算投入和战略建设优先级上变化明显，需求正在从"概念验证"快速转向"生产落地"。

9月29日，爱分析正式发布《2025爱分析·大模型厂商全景报告》，通过对市场的需求分析和代表厂商的能力解读，为企业用户提供有价值的参考。

扫码获取《2025爱分析·大模型厂商全景报告》以及大模型相关研报合集：

1、2024爱分析·大模型厂商全景报告

2、2024爱分析·大模型应用实践报告

3、2024爱分析·央国企数字化应用实践报告

4、2024爱分析·央国企数字化厂商全景报告

5、2024爱分析·AI Agent厂商全景报告

6、2024爱分析·AI Agent应用实践报告

7、2025爱分析·AIGC厂商全景报告

8、2025爱分析·AIGC应用实践报告

01

研究范围定义

研究范围

过去一年，大模型市场已进入一个由"四大新要素"共同驱动的指数级增长阶段，其演进速度和变革深度已远超传统 IT 产业。

市场加速的四大驱动力

首先，新技术与新产品正在持续突破通用大模型的边界，多模态、Agent 能力等创新不断涌现，同时市场快速催生了一体机、推理加速平台、Agent 开发管理平台等面向企业落地的新型解决方案，解决了困扰企业已久的工程化和成本挑战。

其次，国家层面的新政策提供了强大的战略牵引。特别是2025 年 8 月 21 日发布的《国务院关于深入实施"人工智能+"行动的意见》，标志着 AI 从早期的"鼓励探索"正式进入"国家战略落地"阶段，为产业化发展提供了坚实的政策保障。

最后，持续的市场教育构建了新认知。B/C/G 端对大模型价值的认同达到了前所未有的高度，企业和政府在预算投入和战略建设优先级上变化明显，需求正在从"概念验证"快速转向"生产落地"。

变革能力与可持续生命力

大模型不再是IT 基础设施的简单升级，它已成为驱动企业增长和效率提升的新引擎，展现出对传统行业不可逆的颠覆性变革能力和可持续的生命力。

这种变革性体现在对营销、IT 运维、软件开发等跨行业通用职能的重塑，以及对金融、能源、医疗等垂直行业的深度渗透。

同时，市场的商业模式也日益成熟，正从早期的"模型 API 租赁"向"软硬一体化解决方案"和"按价值付费的 Agent 服务"演进，证明这不是昙花一现的技术热点，而是具有长期投资价值的下一代计算范式。

市场演进速度与全景地图的价值

市场演进的速度之快，使得任何停留在半年前的认知都可能错失投资和布局的先机。具体而言，一体机解决了安全合规与快速部署的矛盾；Agent 开发管理平台成为企业固化 Know-how、实现复杂工作流自动化的标配；推理加速平台则直接影响企业的 TCO（总拥有成本）。

面对这种快速分化和成熟的市场格局，爱分析对大模型市场进行了系统研究和重新梳理，形成了最新的《大模型市场全景地图》，以可视化形式描绘了当前市场的核心细分赛道，为产业参与者提供了结构化、前瞻性的市场参考。

大模型市场划分详见下图：

本报告重点选取对话式智能分析、Agent开发管理平台、领域大模型、一体机和对话式AI五个市场进行深入研究，旨在通过对这五个重点市场的分析，揭示大模型技术在特定领域的应用情况以及代表性厂商的核心竞争力，为企业用户提供有价值的参考。

厂商入选标准：

本次入选报告的厂商需同时符合以下条件：

厂商的产品服务满足各市场分析的厂商能力要求；

近一年厂商具备一定数量以上的企业付费客户（参考第3章各市场分析部分）；

近一年厂商具备一定规模以上的相关收入（参考第3章各市场分析部分）。

（注："近一年"指2024年Q3至2025年Q2）

02

厂商全景地图

爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在大模型市场中具备成熟解决方案和落地能力的入选厂商。

03

市场分析与厂商评估

爱分析对本次大模型项目重点研究市场做如下分析。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。

3.1 对话式智能分析

市场定义：

对话式智能分析是大语言模型与企业数据分析领域深度结合的产物。其核心在于利用自然语言交互方式，将企业的数据分析能力从传统的数据查询、指标检索提升至深度归因、异常洞察以及自动化报告生成。该市场致力于赋能业务人员和管理层实现目标驱动的自助式分析，从而加速企业数据价值的释放和业务决策效率。

甲方终端用户：

核心终端用户包括企业管理层、业务部门，以及数据分析师，他们希望通过对话式平台代替传统的BI工具和手工代码，实现更高效、更深度的自助式数据分析。

甲方核心需求：

随着大模型推理能力的突破，企业对对话式分析的诉求已从单纯的"查数"上升为追求"洞见与报告"。企业要求平台不仅能准确理解复杂的自然语言意图，还要能进行高阶的深度分析和建模，最终输出可直接用于决策的业务报告，并确保分析过程的高准确率、高可信度与可回溯性。

告别"有了数据，然后呢"的尴尬，需要直接可用的结论、洞见与策略报告。企业不再满足于数据检索和简单的统计分析。业务方真正关心的是最终的结论、洞见以及可直接用于汇报的报告。

平台需具备自动化生成深度分析报告的能力，报告中不仅要包含数据表格，还要有专业的解读和策略建议，以支持管理层和业务人员的业绩复盘和关键决策。

大模型的推理能力，要能驾驭复杂业务场景下的深度分析与预测建模。企业的分析需求远超描述性分析（"发生了什么"），更迫切需要诊断性分析（如归因分析："为什么会发生"）和预测性分析（如时间序列预测、分类回归建模："未来可能发生什么"）。

大模型需利用其强大的推理能力和思维链，结合关联分析、异常检测等高阶分析方法，提供深度的业务洞察。

不再是"问A给A"，需要的是目标驱动的一站式分析流程。用户的需求是目标驱动的，而不是问答驱动。平台必须具备意图的自动化编排与任务解析能力，能够将一个复杂的目标任务（例如"帮我做一个业绩复盘"）自动拆解为多个步骤，并调用工具链或多Agent协同完成深度分析。

准确率是生命线，且答案必须可信、可回溯。企业对分析结果的准确率和可信度要求极高，对于数据的查询和聚合，准确率要求达到90%以上。同时，要求系统提供答案可回溯的能力，能让人工查看具体的处理逻辑、计算方法和过程，以保证关键决策的准确性。

厂商能力要求：

厂商的能力要求已从简单的NL2SQL升级为"模型+架构+工具"三位一体的复杂体系。核心在于引入推理模型和多Agent协同架构来满足目标驱动的深度分析需求，同时必须具备企业级数据平台的积累，以确保分析结果在处理大数据时的高准确率、高可信度与高性能。

告别"单模型闯天下"，拥抱"基础+推理"的双模型协同路线。仅依赖一个基础大模型已无法满足高阶的深度分析和报告生成需求。厂商需要采用基础模型（用于基础查询）和推理模型（用于归因、思维链和高级报告）协同工作的技术路线，以同时保证基础查询的效率和深度分析的质量。

从"单Agent问答"进化到"多Agent协同"，实现任务的自动化编排。面对目标驱动的复杂需求，厂商必须升级到多Agent协同架构。通过将数据应用原子能力封装成独立Agent（如ETL Agent、Metric Agent、Insight Agent），并利用大模型作为任务解析和编排器，能够将用户的复杂目标自动拆解并按步骤协作完成。

具备企业级数据平台的深厚积累，保证大数据量下的高准确与高性能。厂商必须是数据分析领域的专业厂商，积累了如生成图表、分布式计算等工具。

应具备构建语义层/指标平台的能力，或采用NL转算子流的技术路径，直接调用基于Spark/分布式计算的平台工具，以保证在处理百万到上亿数据量时的高准确率和高性能。

微调和强化学习技术是核心壁垒，以提升分析精度和自学习能力。通用大模型在数据分析领域的效果欠佳，厂商需具备对大模型进行数据分析领域专业微调的能力，以强化其分析能力。

同时，应用强化学习技术，通过对平台自身的运算结果进行激励，可以有效解决训练数据稀缺的问题，并持续提升Data Agent的自学习和分析能力。

入选标准：

1. 符合对话式智能分析市场分析的厂商能力要求；

2. 近一年厂商在该市场至少服务3家企业；

3. 近一年厂商在该市场的收入规模至少在100万元。

代表厂商评估：

力维智联

‍‍‍

厂商介绍：

深圳力维智联技术有限公司（以下简称"力维智联"）是一家专注于人工智能物联网（AIoT）领域的产品与服务提供商。

公司业务主要聚焦于智能运维和数智转型两个领域，其客户群体包括运营商和行业方案商。力维智联在动环监控与智能运维产品领域具有突出的市场地位，并在AI工程化工具链与服务领域提供相关产品和服务。

据公开信息显示，力维智联的客户涵盖中国移动、中国联通、中国电信、中国铁塔等通信企业，以及腾讯、百度等互联网企业，同时还为苏交科、上海世纪出版集团、京能国际等企业和多个大中型城市提供服务。

产品服务介绍：

力维智联推出的Sentosa_DataAgent是一款基于大模型自然语言对话的智能数据分析平台。

该产品通过融合迥灵大语言模型（Lark）与力维智联的数据科学与机器学习平台（Sentosa_DSML）的能力，将数据科学工作流转化为"用户提问-系统执行-结果反馈"的对话式交互模式。

Sentosa_DataAgent面向非技术背景用户（如市场运营、财务、教育从业者）及机器学习初学者，提供零代码、低门槛的数据分析体验，同时为专业开发者保留灵活扩展接口，实现"小白能用，专家好用"的双层价值。

厂商评估：

力维智联的Sentosa_DataAgent 平台凭借其独特的技术路线和强大的功能，为用户提供高效、准确且易用的数据分析解决方案。

该平台基于机器学习平台背景，通过数据智能体构建算子流实现数据分析，结合微调大模型和成熟稳定的算子流平台，显著提升了计算体验。

其基于 Apache Spark 的架构能够高效处理大规模数据，支持企业级大数据分析需求。Sentosa_DataAgent 提供可追溯且可手动调整的生成结果，用户可在可视化算子流中轻松掌控数据处理全流程。

此外，平台还提供深度结果分析与建议，并支持生成详细分析报告，助力用户高效利用数据。通过强化学习与在线更新，Sentosa_DataAgent 持续优化分析能力，让平台越用越聪明。

机器学习平台背景诞生特色技术路线：Agent构建算子流实现数据分析。力维智联的Sentosa_DataAgent 平台是在其机器学习平台的基础上发展而来的，具有独特的技术路线。

自 2018 年开始，力维智联逐步构建了涵盖表格数据分析、深度学习、知识图谱以及任务调度管理等功能的平台体系。

随着大模型技术的兴起，力维智联将大模型能力与既有平台深度融合，推出了 Sentosa_DataAgent，通过数据智能体构建算子流来实现数据分析任务。

该平台的核心优势在于其将大模型的自然语言理解和机器学习平台的高效计算能力相结合。大模型负责理解用户意图并生成算子配置，而机器学习平台则通过预封装的算子完成具体的数据分析任务。

这种技术路径与传统的自然语言转SQL 或 Python 代码的方式不同，避免了代码生成的复杂性和错误率，显著提升了数据分析的准确性和效率。

目前，Sentosa_DataAgent 拥有 180 多个算子，覆盖数据读入、过滤、统计分析、机器学习模型训练等常见数据科学任务，用户可以通过自然语言对话构建算子流，完成从数据处理到模型训练的全流程操作。

微调大模型+成熟稳定的算子平台，带来更加快速、成功率更高的数据分析体验。力维智联通过微调大模型并结合成熟的算子流平台，显著提升了数据分析的成功率和效率。

公司采用的迥灵行业大模型经过数据分析领域的大量文章，代码，以及公司多年积累的数据分析算子流，微调了数据分析大模型，它既懂数据分析理论，也会使用算子平台。

在实际应用中，微调后的模型结合算子流平台，将大模型生成的任务简化，从而减轻模型生成压力，提高生成速度和成功率。

据力维智联提供的数据，不使用算子流平台时，大模型的成功率约为60%，而结合算子流平台后，深度分析任务的成功率可提升至80%，简单取数任务的成功率可达95%。

基于Spark 的架构使 Sentosa_DataAgent 能高效处理大规模数据，轻松应对企业级大数据分析需求。

Sentosa_DataAgent 平台基于 Apache Spark 构建，具备强大的分布式计算能力和内存计算优势，能够高效处理大规模数据集。与传统的 Python 代码实现相比，该平台在处理大数据量时表现出显著的性能优势。

具体而言，Python 代码通常在处理万到十万级别的数据时会达到性能瓶颈，而 Sentosa_DataAgent 可以轻松处理百万至亿级别的数据量，并且通过集群扩展能够进一步提升性能，满足企业级大数据实时分析的需求。

Sentosa_DataAgent 提供可追溯且可手动调整的生成结果，用户可直接在可视化算子流中修改属性或添加算子，轻松掌控数据处理全流程。

与传统基于代码或SQL 的数据分析工具相比， Sentosa_DataAgent 通过可视化算子流的方式，以及为每个算子增加任务功能描述，使用户能够直观地查看和理解数据处理的全过程。

用户不仅可以看到每个算子的功能和配置，还可以直接在平台上修改算子的属性或添加新的算子，从而实时调整分析结果。这种设计降低了用户对新交互方式的不信任感，使得数据分析过程更加透明和可控。

具体而言，Sentosa_DataAgent 允许用户在对话完成后及时查看生成的算子流，并直接跳转到机器学习平台进行详细的属性查看和修改。用户可以通过点选配置的方式轻松调整运算逻辑，而无需具备复杂的编程技能。

Sentosa_DataAgent 提供深度结果分析与建议，并支持生成详细分析报告，助力用户高效利用数据。

平台在任务执行完成后，会对数据结果进行深度解析，向用户解释结果背后的含义，并提供相关数据解释和建议，帮助用户更好地理解和利用数据。

此外，Sentosa_DataAgent 支持用户选择多个对话生成详细的分析报告，报告内容涵盖输入的自然语言、任务执行过程及结果展示等关键信息，并可导出为 PDF 文档，便于用户后续使用和分享。

这种全面的结果呈现方式，进一步提升了平台的实用性和用户友好性。

通过强化学习与在线更新，Sentosa_DataAgent 持续优化分析能力，让平台越用越聪明。

力维智联通过强化学习技术持续提升Sentosa_DataAgent 的性能和智能水平。强化学习的核心在于激励模型自主学习，通过正向激励和负向惩罚的方式，让模型在实践中不断优化分析能力，从而提高任务成功率。

力维智联会定期更新后端的大模型，确保用户能够享受到持续优化的分析能力。此外，Sentosa_DataAgent 提供私有化部署和云上服务两种交付方式，无论哪种方式，用户都能通过更新模型来享受强化学习带来的性能提升。

典型客户：

某市产业情报平台，某市大数据平台，某市消防大数据平台

数势科技

‍‍‍

厂商介绍：

北京数势云创科技有限公司（以下简称数势科技），是行业领先的Data+AI产品提供商，整合DeepSeek能力，深耕大金融、高科技制造和泛零售等领域，为企业提供基于大模型增强的智能分析平台、智能指标平台系列产品，提升企业的数字化决策能力，推动企业数字化升级。

产品服务介绍：

数势科技的数据智能分析平台SwiftAgent是一款面向企业非技术人员的对话式分析工具。用户可通过自然语言进行数据查询与统计分析。

该产品的核心价值主张在于，借助DeepSeek等大模型和指标语义层，从简单的"问数"向上延伸至更高级的分析场景。它能够执行归因分析，并快速生成包含数据解读和建议的深度分析报告，旨在提升业务人员的数据洞察能力与决策效率。

厂商评估：

数势科技精准地把握了对话式分析市场从基础查询向深度分析演进的趋势。该公司通过采用"双模型驱动"与"多Agent协同"的技术架构，将其SwiftAgent平台从一个"问数"工具，升级为能够自动化生成深度分析报告的目标驱动平台。

在商业模式上，数势科技采取直销与嵌入式合作并行的市场策略，并探索按报告生成次数付费的价值导向定价模式，显示出较强的市场适应性和商业灵活性。

产品定位精准，从满足"查数"需求转向高价值的"报告生成"场景，解决了业务用户的核心痛点。企业对数据应用的需求正沿着一个金字塔模型向上升级。过去，多数产品聚焦于金字塔底层的"数据查询"和"统计分析"。

然而，为业务用户提供单一的数据或指标价值有限，用户真正的痛点在于获得数据后，不知道"然后呢？"。单纯的"查数"无法直接转化为决策依据

基于此判断，SwiftAgent的产品重心向上层转移，专注于提供更高阶的"归因洞察"和生成"数据驱动的行动计划"。这意味着产品不再仅仅回答"销售额是多少"，而是要回答"为什么销售额会波动"以及"请为我做一份业绩复盘报告"。

这种定位直接命中了业务人员的实际工作场景——他们通常以"完成一份报告"为目标，而不是进行零散的数据查询。通过满足用户生成深度报告的需求，产品解决了从数据到洞见到决策的核心环节，提供了更高的商业价值。

技术架构先进，通过"双模型"驱动与"多Agent"协同的模式，将单点问答工具升级为目标驱动的自动化分析平台。为实现上述定位，数势科技在技术架构上进行了升级，其核心是"双模型"与"多Agent"的结合。

"双模型"驱动：该架构区分了不同模型的优势场景。对于意图识别、语义解析等需要快速响应的基础查询任务，采用类似于DeepSeek V3的基座模型完成（"快思考"）。

而对于复杂的归因分析、趋势预测和报告撰写，则利用DeepSeek R1这类推理模型强大的思维链能力来完成（"慢思考"）。这种组合方式兼顾了响应效率与分析深度。

"多Agent"协同：SwiftAgent从过去单一的"问数Agent"演变为一个由四个Agent（ETL Agent、Metric Agent、Insight Agent、Report Agent）协同工作的系统。

当用户提出一个目标（如"写一份财务分析报告"）后，系统会像一个项目团队那样，自动将任务分解并分配给不同的Agent。Metric Agent负责取数，Insight Agent负责分析并发现洞见，Report Agent负责将洞见整合成结构化的报告。

这种从"任务驱动"到"目标驱动"的转变是其架构的核心优势，使得平台能够自动化地完成一个完整的分析流程，而无需用户分步提问。此外，这种解耦的架构也便于各模块独立维护和升级。

商业模式灵活，采用"平台+嵌入式"双轮驱动的市场策略，并探索按"报告生成"次数付费的模式，将产品价值与客户成本直接挂钩。在市场策略和商业化方面，数势科技展现了较强的灵活性。

"平台+嵌入式"双轮驱动：除了作为独立平台直接销售给终端企业客户外，数势科技还将其数据分析能力作为"原子化能力"，嵌入到其他SaaS厂商的产品中。例如，与财务软件、差旅报销平台等合作，为其提供内置的数据分析模块。这一策略使其客群从终端企业扩展到了SaaS同行，开辟了新的增长渠道。

探索价值定价模式：针对高级分析场景，数势科技正在探索一种按效果付费的新商业模式。区别于传统的按用户数或订阅付费，该模式提出可以按"生成报告的次数"来收费。

其逻辑在于，生成一份包含数十页内容的深度分析报告是产品的高价值输出，客户也更愿意为这样一个具体的、价值显性的成果付费。这种模式将产品的收费与其为客户创造的核心价值直接绑定，是一种良性的商业模式探索。

典型客户：

中原银行、上海银行、中粮资本科技、某头部车企研究院、书亦烧仙草

3.2 Agent开发管理平台

市场定义：

Agent开发管理平台是企业级AI战略的核心中枢和全生命周期管理工具。它以大语言模型为基础，通过提供低代码/无代码的开发环境、丰富的工具/插件生态、RAG等企业级增强技术，并涵盖Agent编排、测试、部署、运维和安全审计等功能，旨在帮助企业的IT部门和业务人员快速、安全地构建、管理和迭代适应企业复杂业务场景的Agent应用。

甲方终端用户：

核心终端用户是大型企业的IT部门、业务部门，以及首席信息官（CIO），他们负责推动企业AI战略的落地和全员智能化赋能。

甲方核心需求：

企业对Agent平台的需求已超越单纯的技术采购，转变为寻求"应用生态构建、业务价值落地和自主可控能力"。

在"自上而下"的AI战略驱动下，企业不仅需要一个平台，更需要厂商提供落地规划咨询和初期定制开发服务，以确保AI Agent能准确解决长尾场景和业务流程优化问题，最终实现内部团队的全员赋能与自主开发。

平台是全员赋能的引擎，需要快速解决长尾场景的效率问题。大型企业实施AI战略的核心目标之一是"全员赋能"。这要求Agent平台必须具备低门槛、易用性高的特点，使业务人员能够参与到Agent的开发和使用中。

关键价值在于通过Agent解决大量特定且分散的"长尾场景"问题，直接提升员工的工作效率和任务处理能力，将Agent作为提升组织潜力和效率的有效工具。

不再只求一个工具，更要求配套的落地规划咨询与初期定制开发服务。企业在引进Agent平台时，迫切需要厂商提供应用规划咨询服务，协助进行应用场景的选择、优先级排序以及投资回报率（ROI）评估，以确保AI投资的精准性。

此外，企业期望厂商能提供1-2个定制化的AI Agent应用开发，作为平台技术实力和业务适配性的"示范"，加速平台在企业内部的价值体现。

拒绝黑箱操作，执行过程必须是白盒化、可观测的。企业对Agent的执行过程有强烈的安全与审计需求。平台提供的Agent不能是简单的"黑箱"操作。

企业要求Agent的执行过程能够白盒化，即能够清晰地观测到Agent调用了哪些工具（API）、执行了哪些步骤、推理链是如何展开的，以便于故障排查、风险控制和满足合规审计的要求。

必须支持多Agent的协同，才能支撑复杂的跨系统业务流程。单一Agent只能解决简单的任务，难以支撑复杂的企业业务。企业对平台的期待是能够实现多Agent协同，即多个不同职责的Agent能够有效协调，共同完成一个规模更大、步骤更复杂的跨系统、跨部门的业务流程任务。

厂商能力要求：

厂商的能力要求已从提供基础的开发环境，升级为构建"模型增强技术、灵活架构、全周期治理、专业服务"的复杂体系。核心在于通过RAG和插件生态增强Agent能力，通过低代码/无代码降低开发门槛，并通过咨询与开发服务保障应用的成功落地和企业自主可控能力的培养。

必须具备企业场景增强技术栈，尤其是RAG、插件生态与模板库的深度集成。To B场景的应用成功率依赖于大模型的定制化能力。厂商平台必须深度集成先进的企业场景增强技术，尤其是RAG（检索增强生成）技术、多模态存储和上下文理解增强。

同时，需要构建一个功能丰富的公共插件中心和应用场景模板库，支持用户通过配置快速调用现有API，并能基于行业模板快速搭建和扩展Agent功能。

平台需同时支持"业务员友好"的无代码和"开发者友好"的全代码配置。为实现全员赋能，平台必须提供低门槛、高效率的开发环境。这要求平台具备无代码/低代码的拖拽配置方式，让业务人员轻松上手；

同时，也必须保留全代码配置选项，以满足IT部门开发更复杂、更定制化AI应用的需求。

具备将大模型微调至"小参数、高精度"的能力，实现成本与性能平衡。通用模型在特定企业工具调用上效果欠佳且运行成本高昂。

厂商需要具备对小参数模型（如7B、13B）进行专业微调的能力，使其在特定企业内部工具调用和业务场景上的准确度，超越未经训练的、参数更大的模型。这能帮助企业在保证Agent调用准确度的同时，大幅降低GPU算力投入和运营成本。

厂商必须配备专业的落地规划咨询与Agent开发服务团队。平台厂商不仅是软件销售方，更需成为企业的AI落地合作伙伴。厂商必须构建专业的咨询服务团队，帮助企业识别高价值、高可行的应用场景，并制定清晰的实施路线图；

同时，Agent开发团队则负责快速交付首批定制化Agent，为企业内部团队后续的自主开发和维护提供经验和模板。

入选标准说明：

1. 符合Agent开发管理平台市场分析的厂商能力要求；

2. 近一年厂商在该市场至少服务1家企业；

3. 近一年厂商在该市场的收入规模至少在50万元。

代表厂商评估：

神州问学

厂商介绍：

神州数码集团股份有限公司是国内领先的数字化解决方案提供商。该公司于2023年推出AI原生赋能平台"神州问学"，初期定位为连接模型、算力、数据与应用的企业级AI基础设施。

2025年，该平台完成战略升级，转型为企业级 Agent 中台，致力于通过全栈解决方案推动AI技术的规模化落地。目前，神州问学平台已在多个行业实现商业化应用，包括但不限于金融、能源、汽车制造、医疗健康、消费零售及政务服务等领域。

产品服务介绍：

神州问学作为企业级Agent 中台，其设计与构建紧密贴合 TO B 客户的实际应用场景。该平台包含多种企业级 Agent 应用类型，可适配不同企业在业务流程中对智能体应用的多样化需求。在交付方案上，神州问学提供信创与非信创两种模式，同时支持私有化部署，能够依据客户的特定要求和环境条件进行相应适配。

此外，神州问学支持私有化部署，有助于保障企业数据的安全性和自主可控性，并具备开箱即用的特性，有助于降低企业的部署门槛和时间成本。其内置的 AI 工程流水线，通过优化开发流程和资源配置，使大模型的开发部署周期相较于行业平均水平有所缩短，进而提升企业的运营效率。

厂商评估：

神州问学作为企业级Agent 中台，在效率、精准度、成本控制及安全性四个维度展现出显著优势。平台通过工程化工具链和MCP协议支持，大幅缩短Agent开发周期；采用"技术调优+知识治理"双轮模式，在银行审核等场景实现97%准确率；创新性融合轻量化模型与记忆管理机制，使7B/13B模型在特定场景表现优于百亿参数大模型，同时降低算力成本；

安全方面构建私有化部署、多租户隔离、安全围栏和全链路审计的立体防护体系，满足金融、政务等行业的强合规要求。该平台特别适用于对效率、精度和安全性均有严苛要求的高价值业务场景。

神州问学通过工程化工具链和标准化协议支持，在加速企业级Agent开发流程方面展现出明显技术优势。在开发效率方面，神州问学平台通过预置能力库和模块化设计显著降低了AI应用的开发门槛。平台提供即开即用的模型切换功能，支持开发者快速测试不同模型在特定业务场景中的表现，从而有效缩短开发周期。

其技术架构全面兼容MCP（Model-Client-Protocol）协议体系，既能直接调用MCP Server生态中的标准化工具集，也可将企业现有工作流和工具链无缝接入MCP框架，实现公私域能力的协同调用。

同时，神州问学还具备高度结构化的全链路Tracing 调试能力，这一能力有助于企业开发者快速精准地定位问题所在，优化 Agent 行为路径，以及调优响应时间等，进而提升整体的开发效率与交付的可控性。

神州问学通过"技术调优+知识治理"的双轮驱动模式，在提升Agent响应精准度和抑制模型幻觉方面形成了有效解决方案。

在模型精准度方面，神州问学采用监督微调（SFT）、强化学习（RL）与检索增强生成（RAG）相结合的技术方案，将通用大模型转化为具备领域专业知识的企业级智能体。以某银行智能审核场景为例，该方案实现了97%的业务准确率（根据客户实测数据）。

平台的核心竞争力在于其创新的知识治理体系。针对企业知识管理中的关键挑战——包括多源异构数据处理、知识语义化转换以及幻觉抑制等问题，神州问学构建了标准化的知识治理Pipeline。该体系具有以下技术特性：

1.支持结构化与非结构化数据的统一处理，通过版面识别、智能切片、语义标签等技术实现原始数据的知识化转换；

2.提供可模板化的处理流程，对同类文档可实现"一次配置，重复使用"的治理效率；

3.建立从数据到向量数据库的全链路标准化处理，确保知识要素达到"大模型就绪"（LLM-ready）状态。

神州问学通过轻量化模型部署、智能记忆复用和算力优化技术的三重组合，为企业构建了兼顾性能与成本效益的Agent实施路径，有效解决了大模型落地中的ROI挑战。在企业实际应用中，许多场景并不需要非常大的模型，因为大模型必然会带来更大的算力开销。针对一些特殊场景或范围较小的场景，对极致准确度的需求可以通过微调小参数模型来满足。

例如，神州数码在7b 和 13b 这种相对小参数的大语言模型上进行微调，使其在特定场景下调用特定工具的准确度甚至比未经训练的参数更大的模型更高。从成本角度来看，小参数模型（如 7b、13b）与大型模型（如 DeepSeek 的满血版 671b）所需的算力差距巨大。

例如，运行一个满血版 671b 模型可能需要价值两三百万的 GPU 服务器，而 7b、13b 模型可能仅需两三张 4090 这种显卡即可支撑，从而在成本方面具有显著优势。

此外，神州问学支持企业记忆的多层次分级管理，包括平台级记忆、租户级记忆、长期记忆、记忆变量等，确保跨组织、跨任务的记忆传递和灵活配置，并且安全合规。通过引入长记忆等机制，神州问学减少了对公域大模型的调用，从而降低了调用成本，为用户节省了可观的费用。良好的记忆能力是提升用户智能体验的重要手段，它可以让用户在执行任务时避免重复沟通，提高效率。

例如，在企业场景中，Agent 可以通过记忆直接在公司的 CRM 系统中查询销售订单，而无需用户重复提供相关信息。同时，在执行任务过程中，Agent 可以利用记忆中的参数和变量，无需用户在对话中重复提供，从而提高任务执行的效率和准确性。

最后，神州问学依托HICA 推理加速套件与 HISO 异构算力调度套件，实现了服务性能 10 倍提升与算力利用率 40% 的优化，有效破解了私有云环境下算力成本与工程投入的 ROI 困局。

神州问学平台从多个维度构建了完善的企业级安全防护体系。基于私有化部署模式，所有业务数据都在企业内网环境闭环处理，从根本上杜绝了公网传输可能导致的信息泄露风险。平台实施严格的多租户隔离机制，不仅对用户账号权限进行分级管控，还能对数据访问权限进行颗粒度管理，确保不同部门、不同角色的人员只能接触权限范围内的数据和功能。

在应用安全层面，平台创新性地引入了安全围栏机制，通过内置的敏感词库和智能识别算法，能够自动拦截涉及商业机密、个人隐私等高风险问题的查询请求。同时配备全链路审计系统，持续记录包括MCP工具调用、Agent决策过程、应用操作在内的所有平台行为，形成完整的操作日志，满足金融、政务等强监管行业的合规审计要求。

神州问学还具备完整的SSO（单点登录）能力，涵盖平台级 SSO 登录和 Agent 级 SSO 调用链路。这为企业提供了便捷、合规的单点登录体验，实现了统一的身份入口与权限继承，简化了用户的登录流程，提高了工作效率，同时也增强了系统的安全性。

典型客户：

天士力医药集团、成都太古里、嘉岳数智、某国际知名食品饮料企业

拓尔思

拓尔思信息技术股份有限公司（简称"拓尔思"）创立于1993年，是中文全文检索技术的始创者，领先的人工智能、大数据和数据安全产品及服务提供商。公司2011年创业板上市,是A股第一家上市的大数据技术企业。拓尔思以"数据+智能"为核心战略,致力于通过自主可控的技术、优质的数据资产与全栈的解决方案，赋能千行百业实现数智化升级。

产品服务介绍：

拓尔思的Agent开发管理平台名为"拓天链智能体平台"（简称"拓天链"）。该平台定位为一个低代码/无代码开发环境，旨在让技术与非技术人员通过可视化的方式，构建由大语言模型驱动的AI应用。

其核心功能是通过可视化的工作流编排，将知识库、大语言模型、以及超过100个内外部工具（MCP工具）进行串联，以完成特定业务任务。

该平台既可作为独立产品部署，也是拓尔思企业级AI解决方案的核心组成部分，能够与底层的AI训练平台和AI能力平台（包含自研NLP、OCR引擎）打通，形成从数据处理、模型训练到应用部署的闭环。

厂商评估：

拓尔思将其Agent开发管理平台视为其企业级AI解决方案的组成部分，主要面向其长期服务的B/G端市场（政府与大型企业）。

该公司的市场竞争力来源于其"全栈式AI能力"与"行业经验"的结合。其产品通过低代码工作流的形式，满足客户在数据安全可控环境下的业务增效需求。

提供从数据到应用的全栈式AI工程能力。拓尔思的"拓天链"平台是其AI生态布局的一部分，能够与底层的AI训练平台、AI能力平台及上层应用服务协同工作，形成覆盖数据治理、模型训练、能力引擎到应用部署的闭环。这种全栈式布局，使其在面对复杂的企业级项目时具备特定优势。

例如，在私有化部署场景中，客户需求往往超出单一Agent平台的能力范围。拓尔思的方案能够覆盖多个环节：

首先，提供数据处理工具进行非结构化数据治理；其次，通过AI训练平台进行大模型的私有化微调；

再次，其自研的NLP、OCR及"海贝"高性能搜索引擎，为知识库提供了全文检索与向量检索能力，支持对大规模文档的快速响应。

最后，由拓天链平台编排上述能力，形成业务应用。这种提供端到端技术组件的能力，形成了与单一平台厂商差异化的竞争优势。

聚焦B/G端市场，以行业经验和数据安全为壁垒。拓尔思长期服务于政府、金融、能源等行业客户。这类客户在引入AI技术时，通常将数据安全、业务合规、自主可控作为核心前置条件。这与拓尔思的市场定位和能力积累相契合。

该公司的产品体系支持私有化和信创环境部署。拓天链平台可与客户现有的OA、ERP等内部系统集成，并支持在隔离网络中运行，旨在保障客户核心数据的安全。并且，拓天链平台内置敏感词库用于内容合规，支持用户在私有化部署时自行添加和维护。

此外，拓尔思在长期服务过程中积累的行业知识，有助于其在构建Agent应用时，更好地理解特定业务场景的合规要求与流程规范。这种经验构成了非技术性的竞争门槛。

采用低代码工作流，降低大模型在业务应用中的不确定性。针对当前大语言模型输出结果不稳定的技术现状，拓尔思在产品设计上选择了务实的路径。

拓天链平台的核心功能是可视化的工作流（Workflow）编排，它将复杂的业务目标拆解为一系列确定、可控的步骤，以此管理大模型应用中的不确定性。这一设计思路符合企业级应用对可靠性与确定性的高要求。

用户通过拖拽组件的方式，将知识库检索、数据库查询、API调用、人工审批等工具，与大模型的推理能力进行组合。在执行任务时，流程的每一步都相对透明和可追溯，在利用AI提升效率的同时，也对关键环节进行限制，降低了直接应用大模型可能带来的业务风险。

这种低代码、高确定性的实现方式，降低了企业采纳AI技术的门槛，是其技术理念在产品层面的具体体现。

典型客户

中国环境报、人民出版社、中国医学科学院医学信息研究所、国网能源研究院、南京图书馆

3.3 领域大模型

市场定义：

领域大模型是针对企业跨行业通用职能场景（例如软件开发、营销、IT运维、人力资源、财务）进行深度优化的大语言模型。

它基于通用大模型底座，通过职能领域的专业知识、工具调用能力和工作流进行训练和增强，旨在提供高准确率、高效率和可集成的智能化解决方案，将该职能工作流的效率和专业水平提升至新的高度。

甲方终端用户：

核心终端用户是所有行业的大中型企业中，负责特定职能的部门，例如市场营销部、IT技术部、软件研发部门、人力资源部等。

甲方核心需求：

企业对职能领域大模型的核心诉求是：它必须能深度理解该职能的工作流和专业语境，并能实现工作任务的自动化和半自动化，从而显著提升人效。客户尤其看重模型能固化组织内部的专业经验，并能作为"一键式"产品融入日常工作，而非仅仅提供一个散装的通用工具。

需要能固化部门级的"方法论"，实现组织经验的代际传承。不同于通用模型的泛化能力，企业更看重领域大模型能沉淀和固化本部门或本组织内部积累的专业方法论和隐性经验。例如，营销部门希望模型能遵循宝洁等大厂定义的营销流程和概念；研发部门希望模型能遵循内部严格的代码规范，从而实现组织经验的自动化传承。

模型必须深度嵌入工作流，实现工作任务的自动化或半自动化。企业需要的不是一个聊天工具，而是能直接提升工作人效的自动化引擎。要求领域大模型能够通过Agent或插件形式，深度集成到职能部门的SaaS/PaaS工具链中，将过去复杂的、重复的专业任务（如代码编写、广告投放、数据复盘、合同审核）转化为"一键式"操作，实现效率的飞跃。

要能精准调用职能工具链，不能产生无效的"幻觉指令"。领域大模型的价值体现在工具调用的准确性。企业要求模型能精准理解自然语言指令，并将其准确转换为对职能工具、内部API或代码的调用指令，且准确率必须达到生产级别。厂商需要解决大模型在工具调用中常见的"幻觉指令"问题，确保执行结果的可靠性。

产品形态必须是"易用的一键式"，而非需二次开发的"大模型的筐"。企业不希望自己拿到一个"大模型的筐"再投入大量资源进行二次开发。他们需要的是开箱即用、聚焦痛点的"一键式"职能产品。这类产品应直接面向职能用户，通过简洁的界面实现复杂任务（如一键生成营销脚本、一键生成测试代码），大大降低使用门槛。

厂商能力要求：

领域大模型的厂商壁垒在于对该职能的深度理解和工程化能力。核心要求是：厂商必须拥有领域的专业经验积累，并具备将这些经验与大模型技术深度融合，转化为可规模化交付的、低成本的定制化模型的能力，同时在部署上满足企业对成本和安全的双重考量。

拥有领域Know-how的积累，能将经验转化为模型输入。厂商必须拥有或能够快速获取该职能领域的专业知识、行业最佳实践（如宝洁的营销方法论），并将其系统化、知识化，作为高质量的训练语料和指令集输入模型。这种专业Know-how的积累是厂商区别于通用模型厂商的核心壁垒。

具备小参数模型的"职能定制"能力，以实现高性能低成本。考虑到领域大模型的大规模普及和成本控制，厂商需要具备对小参数模型（如7B、13B）进行深度二次预训练和微调的能力。目标是让这些小模型在特定的职能任务和工具调用中，达到甚至超越未经定制的、参数更大的模型的准确度，显著降低企业的GPU算力投入和运营成本。

构建标准化插件和工具调用框架，保障工具调用的高准确率。厂商必须提供一套稳定、高效的工具调用框架，并内置该职能领域常用的标准化插件（例如，营销领域的广告投放接口、IT领域的代码库访问接口）。该框架需能有效处理复杂指令，将模型推理结果精准映射到工具参数，最大限度地提升工具调用的准确性。

具备灵活的商业模式和低门槛交付能力，适应职能预算的特点。职能部门的预算特性要求产品具备灵活、可控的商业模式（如SaaS订阅、按使用量计费）。厂商需具备快速、低门槛的交付能力，支持公有云或混合云部署，确保职能部门能够以极低的试错成本快速应用大模型，并看到实际的效率回报。

入选标准说明：

1. 符合领域大模型市场分析的厂商能力要求；

2. 近一年厂商在该市场至少服务1家企业；

3. 近一年厂商在该市场的收入规模至少在100万元。

代表厂商评估：

明略科技

厂商介绍：

明略科技成立于2006年，是中国企业级数据智能应用领域的主要服务商之一。经过19年发展，公司已构建覆盖大模型技术、行业知识库与多模态数据处理的企业级解决方案体系。

根据公开资料显示，其客户群体包括两类：一是超过2000家大型企业客户，其中涵盖135家《财富》世界500强企业（截至2024年6月）；二是采用标准化SaaS产品的中小企业客户，规模超20万家。行业覆盖方面，该公司重点服务零售、快消、汽车、3C电子、美妆及母婴等垂直领域，主要提供营销智能与营运智能解决方案。

产品服务介绍：

明略科技基于自研的超图多模态大语言模型，开发了面向营销领域的系列应用产品，主要包括AdEff、妙啊等等。这些产品主要服务于快消、美妆等行业的头部企业客户，同时也覆盖新兴消费品牌市场。

妙啊是一款专注于视频内容生成与管理的AI工具，其核心功能是通过多模态分析技术解读热门视频内容，为营销人员提供从脚本生成到成片制作的全流程辅助。该产品旨在帮助品牌方提升内容创作效率，实现营销素材的标准化管理。

AdEff是AI驱动的全球化广告测试及优化平台，其创新性在于采用眼动追踪与脑电数据分析技术，模拟消费者视角对广告创意进行量化评估。相比传统真人测试，该系统能够显著缩短测试周期并降低成本，同时提供关键帧表现分析和优化建议。

DeepMiner是AI驱动的全球商业数据智能分析平台，覆盖"研究问题—任务规划—任务执行—结果交付"全流程，旨在通过深度分析与洞察，推动企业智能决策。其核心能力在于整合全球范围商业数据，采用AI多智能体协作架构，支持复杂任务模版化、智能记忆空间。相比传统数据分析模式，该智能体平台可提供行业专家级分析，显著提高工作效率与一致性。

厂商评估：

明略科技是中国企业级数据智能代表性厂商，其核心优势在于将多模态数据、行业特定知识与大模型技术深度融合，构建了覆盖营销全流程的AI产品与解决方案体系。基于自主研发的超图多模态大语言模型，该公司已形成包含媒介洞察、创意生产、效果评估等环节的完整产品矩阵。

该厂商在大模型领域的差异化竞争力主要体现在四个方面：

一是在自研AI大模型与AI Agent的赋能下，覆盖从策略制定到效果评估的营销全链路；二是创新性地整合脑电图、眼动追踪等非标模态数据，模拟消费者观看广告后的主观反馈，结合客观维度解析，实现更全面的广告效果测量；三是通过深度视频解析和实时热点融合，输出可直接用于生产的高质量创意内容；四是将行业经验转化为标准化产品功能，如独创的"黄金三秒"爆款内容分析模块。

值得注意的是，明略科技在多模态数据处理和营销场景理解方面具有显著技术优势，超图多模态大模型相关研究成果已获得ACMMM2024最佳论文提名，体现了其在学术与商业应用结合方面的领先性。

面向新消费品牌提供端到端的营销全流程支持。与仅解决单点问题的供应商不同，其产品体系覆盖从营销策略制定到效果评估的完整链条。例如，新品上市前的Campaign规划（如2025年Q1季度新品策略）、品牌资产体系（Brand House）构建、目标人群圈选、创意素材生成及内容投放优化等环节。

该公司通过将领域大模型与AI Agent相结合，实现对各环节的智能化赋能，最终帮助客户提升整体营销效率。

通过整合多模态数据、行业特定知识，以及多模态大模型技术，构建了独特的广告效果评估体系。其核心技术突破在于将非标准模态数据（包括脑电图、眼动追踪数据）与传统多模态数据（图像/视频/文本）进行融合建模。这种创新方法使模型能够模拟真实用户的主观反应，而非仅分析广告内容的客观特征。

在数据积累方面，公司已建立覆盖上万名样本的数据库，样本涵盖不同地域、职业、年龄和性别的用户群体。通过采集这些用户在观看各类广告时的生物特征数据（如认知指标波动、情绪唤醒度、视觉注视轨迹等），明略科技形成了对用户主观反应的量化体系。

典型案例显示，同一广告内容（如奥运选手采访视频）在不同性别用户中引发了显著差异的视觉关注模式。

图1 非标准模态数据收集形式

技术实现上，明略科技提出的超图多模态大模型架构（相关论文获ACMMM2024最佳论文提名）解决了非标准模态数据融合的行业难题。基于该技术开发的全球化广告测试及优化平台——AdEff，经测试其预测结果与真人测试的一致性达到行业领先水平。

该平台主要提供三项核心价值：（1）将传统数周的广告测试周期压缩至最快15分钟；（2）识别广告内容的关键优势/劣势帧，对广告片的黄金三秒、信息时刻、品牌时刻、兴趣时刻、结尾3秒等重要片段进行优劣势分析，并给出优化建议；（3）大模型与混合专家模型（MoE）架构协同，为精准预测提供保障。

图2 AdEff与真人样本的验证

满足品牌方对视频内容制作的精细化需求。当前市场对爆款视频的内容要素要求已趋于极致化，客户关注的细节维度包括但不限于：演员造型特征（如是否佩戴美瞳）、产品展示方式（如左右手使用差异）等微观要素。这些细节往往直接影响视频的传播效果。

在此背景下，明略科技推出的"妙啊"是一款有网感的、专注于高效搞定投流创意的AI工具，可以解决素材制作全流程中的关键痛点，制作海量爆款短视频素材。

该产品的核心技术价值体现在两个维度：首先，基于AI decoding能力，可对参考视频进行深度解构分析，确保生成的脚本精准匹配品牌调性与产品功能诉求；

其次，通过实时整合互联网热点事件与话题，增强内容的时效性和传播抓手。这种"深度解构+热点赋能"的双重机制，有效解决了传统AI生成内容空洞化的问题，为专业人员提供了具备实际拍摄价值的脚本方案。

图3 "妙啊"产品界面展示

通过将行业know-how产品化，开发了针对短视频前3-5秒关键帧的"黄金三秒"智能分析功能。该功能基于对抖音等平台爆款视频的深度研究，结合多模态大模型技术，提炼出具有高转化率的画面构图、台词设计等方法论。

在产品实现层面，主要包含三大核心要素：

1.数据洞察：通过分析海量爆款视频，建立前3秒内容特征与ROI表现的关联模型；

2.功能设计：在SaaS平台设立独立功能入口，提供画面模板和台词模板两类标准化方案；

3.应用价值：帮助品牌方快速匹配适合自身产品特性的内容，提升爆款视频产出效率。

典型客户：

某国际美妆品牌、某大型医疗健康企业等

3.4 一体机

市场定义：

一体机是一种面向企业级私有化部署的软硬一体化解决方案。它集成了高性能算力硬件、大模型软件平台、模型服务和应用于一体，以即插即用的形态交付给客户。

其核心价值在于为对数据安全合规有严格要求、同时缺乏AI基础设施部署和运维能力的企业，提供一种本地化、开箱即用、成本可控的AI大模型能力。

甲方终端用户：

核心终端用户是对数据安全与合规有极高要求的客户，如央国企、政府机构、金融机构，以及缺乏AI/云计算部署运维能力的中大型企业。

甲方核心需求：

一体机的核心价值在于满足客户对数据主权和绝对合规的根本要求。客户需求已从"购买算力"升级为"购买集成化的AI能力"，需要厂商提供极简的部署运维、可控的成本结构，以及快速、稳定的交付周期，确保AI项目能够快速落地。

算力必须被"物理围栏"圈住，保障数据主权与绝对合规。购买一体机是企业实现数据安全和合规的根本动机。客户的核心诉求是确保敏感数据和模型逻辑不离开企业物理边界，满足国家安全、行业监管和数据主权的要求。一体机提供的本地私有化部署是实现这种物理隔离和绝对合规的最佳路径。

购买的是"即插即用"的AI能力，不是需要集成三个月的硬件。客户普遍缺乏专业的AI基础设施搭建和模型部署运维团队。他们要求厂商提供预集成、预优化的解决方案，从到货到启动应用的时间尽可能短。一体机必须提供一站式交付，涵盖硬件、平台、环境和基础模型，真正实现"开箱即用"，显著降低技术门槛。

需要清晰、可控的CapEx 预算，而非模糊的云端 OpEx 消耗。大型企业尤其是央国企更偏好资本性支出（CapEx）的预算模式，而非每月波动的运营性支出（OpEx）。一体机通过一次性采购硬件、软件和授权，为客户提供了可预期的成本结构，便于预算规划和内部审批。

性能要稳定可靠，且交付周期不能成为项目落地的瓶颈。一体机作为核心基础设施，客户要求其具备工业级稳定性和可靠性，以支持关键业务。同时，客户要求厂商具备快速交付能力，将硬件供应、软件预装和部署实施整合，确保AI项目能够快速启动，而不是因复杂的供应链和集成流程而被拖延。

厂商能力要求：

厂商的能力壁垒在于跨越软硬件的端到端集成和交付能力。核心要求是：厂商必须具备硬件供应链的整合能力、软件平台的适配优化能力以及针对本地环境的模型服务能力，以确保在资源受限的本地环境中实现最佳性能和可靠性。

必须具备异构算力与软件平台的深度集成和适配能力。厂商不能只提供硬件或软件。必须能深度整合GPU（如NVIDIA）、国产芯片等异构算力，并将其与大模型操作系统、容器化平台、微调工具进行深度优化和适配。这种软硬件一体化优化是保障本地环境高性能推理的关键。

拥有稳定、快速的供应链和交付能力，将项目风险降至最低。一体机项目的成功依赖于硬件供应链和工程实施能力。厂商需要具备稳定的货源、高效的物流和实施团队，能够按时交付承诺配置的设备，兑现快速供货承诺，确保客户的AI项目不会因为硬件交付滞后而停滞。

具备将大模型服务封装成"容器化"产品的工程化能力。大模型和Agent应用需要以标准化、容器化的形式预置到一体机中。厂商必须具备将复杂的模型服务（包括推理、微调、RAG组件）轻量化、容器化封装的能力，方便客户在本地环境中的快速部署、隔离和弹性伸缩。

提供全生命周期的私有化运维和安全审计服务。私有化部署增加了运维的复杂度。厂商不仅要交付设备，还要提供覆盖硬件、软件、模型和应用层的远程/本地运维支持。这包括故障诊断、安全补丁更新、模型版本迭代等，同时提供审计日志和全过程监测工具，以满足客户严格的运维和合规要求。

入选标准说明：

1. 符合一体机市场分析的厂商能力要求；

2. 近一年厂商在该市场至少服务3家企业；

3. 进一年厂商在该市场的收入规模至少在50万元。

代表厂商评估：

品高股份

厂商介绍：

广州市品高软件股份有限公司（简称"品高股份"）成立于2003年，是国内较早从事云计算产品研发的厂商之一，并于2021年在上海证券交易所科创板上市。

公司面向政府、公安、轨道交通等行业，提供从IaaS到SaaS的全栈企业级云平台和信息化服务，目前正向"云-边-端"协同与国产智算软硬一体融合发展方向转型。

产品服务介绍：

品原AI一体机是品高股份与江原科技联合推出的软硬一体化产品。该系列一体机搭载了江原科技自主研发的D10系列AI推理芯片，旨在提供全国产、自主可控的算力解决方案。

产品系列包括PYD10-MIN、PYD10-PRO和PYD10-MAX三款，分别面向边缘推理、企业级应用和数据中心集群等不同场景。

其中，PYD10-PRO和PYD10-MAX分别搭载8张和16张江原D10加速卡，可支持不同规模的大模型推理任务。通过底层算法和调度平台的优化，该系列产品在运行大模型时，能有效提升计算效率和多卡协同能力。

品原AI一体机主要面向对数据安全和国产化有高要求的行业，例如政务、金融、轨道交通等，可满足这些行业在数据不出内网的前提下，进行AI模型私有化部署的需求。

厂商评估：

品高股份在AI一体机市场具备核心竞争力，其优势不仅在于硬件产品的集成，更体现在其"软硬一体"的解决方案能力。公司通过战略投资实现对国产芯片供应链的深度绑定，结合自身在云计算和信创领域的深厚积累，为客户提供全栈自主可控的AI一体机方案。其产品以高性价比和开放架构满足客户务实的需求，并通过提供一站式咨询与服务，确保技术真正落地，帮助客户解决实际业务问题。

从卖产品到卖服务：提供一站式闭环解决方案。品高股份的定位超越了单纯的硬件供应商，转变为提供一站式闭环解决方案的服务商。

客户购买一体机不仅仅是添置一台设备，更期望它能直接解决业务痛点。品高股份的服务覆盖了从顾问咨询、定制开发到售后维保的全流程，确保技术能在客户的业务场景中有效落地。

例如，对于计算资源相对有限的国产算力，品高股份会通过"思维链"等方式，引导客户将复杂任务拆解成多个子任务，从而在现有算力条件下也能发挥大模型的作用。这种深入业务的服务模式，帮助客户管理期望，并将技术价值最大化。

紧握国产化浪潮：打造全栈自主可控的算力方案。品高股份紧密把握国产化趋势，为有明确国产化刚需的客户提供了坚实的选择。

公司通过战略投资江原科技，实现了与国产芯片原厂的深度绑定，从而确保了核心部件的供应链安全，并能为客户提供直达芯片与算法层面的技术支持。

作为资深的信创云服务商，品高股份积累了丰富的国产CPU与GPU适配经验，能够有效解决国产硬件生态中常见的兼容性问题，为客户的国产化转型保驾护航。

开放架构理念：为客户提供可演进的长期价值。面对AI技术日新月异的发展，客户普遍担忧设备会快速过时。

品高股份通过采用开放式技术架构来应对这一担忧。其AI一体机内置了轻量化的云平台，提供了云原生能力，让客户能够灵活更换和部署上层的智能体和应用框架。

这种开放的理念让客户能够拥抱开源生态，持续享受到AI技术进步的红利，避免被单一厂商的技术路线所锁定。

深耕细分赛道：具备独特的边缘智能装备能力。在边缘计算领域，品高股份具备独特的竞争优势。一些客户的业务场景如交通、工业制造和野外作业等，对设备的形态、环境适应性和可靠性有特殊要求。

品高股份凭借其在车载、船载云平台等特种装备领域积累的丰富经验，形成了成熟的装备研发、定制和可靠性验证流程。结合江原科技低功耗AI芯片的特性，品高股份能够在严苛环境下，部署高可靠性的大模型应用，满足特定的边缘业务需求。

典型客户：

某运营商、某部级私有AI智算中心、某城轨客户

3.5 对话式AI

市场定义：

对话式AI是基于大语言模型的全栈式技术平台，它深度整合了语音识别（ASR）、语音合成（TTS）、多模态交互和实时互动技术（RTC）。

它的核心价值在于将大模型的认知和推理能力与真人般的自然交流体验相结合，提供亚秒级低延迟、高拟人度的人机交互界面，广泛应用于智能客服、虚拟人、智能硬件和 AI 助手等需要自然语言交互的场景。

甲方终端用户：

核心终端用户是企业的IT 技术部门、产品研发部门，以及智能硬件制造商（如 AI 教育设备、智能穿戴设备厂商）。

甲方核心需求：

客户对对话式AI 的需求已经从"基础交互"升级为"拟人化、生产级体验"。核心聚焦于极致的低延迟和高拟人度的交互，确保 AI 能像真人助手一样自然地、实时地提供服务。同时，兼容现有技术资产和适配多模态与硬件环境是保障项目落地的关键。

交流不能有"等待焦虑"，响应延迟必须降到"秒级"甚至"亚秒级"。实现自然流畅的交流是核心需求。这不仅要求系统的声音拟真，更要求具备极低延迟的交互能力，从用户发起到AI 开始响应的时间必须控制在 1 秒甚至亚秒级以内，以避免用户产生"等待焦虑"。

同时，必须支持精准的动态打断，能区分用户的无意停顿和有效指令，实现人与人之间自然交流的节奏感。

不能重复"造轮子"，语音能力必须能无缝兼容现有的 LLM 资产。许多企业已投入大量资源采购或训练了基础大模型，其技术资产已经固化。

因此，他们期望对话式AI 的语音交互和多模态能力能够作为服务层，无缝对接这些现有的、不同架构的大模型，从而最大化利用已有的技术资产，避免重复投资和资源浪费。

交互不能仅限于"能说会道"，必须实现"眼观六路"的多模态上下文理解。对话式AI 的应用价值正从纯文本和语音向多模态扩展。企业需要系统能够整合视觉（图像、视频）、声纹识别、环境音降噪等能力，实现多模态上下文的感知和理解。

例如，通过声纹识别知道"谁"在说话来提供个性化服务，或通过图像输入进行 AI 批改作业、识别物体进行知识问答等。

AI 硬件的"最后一公里"，需要软硬件一体化适配低功耗环境。针对AI 硬件（如 AI 教育设备、智能终端）场景，客户不仅需要软件高性能，更要求对话式 AI 方案能够向下适配硬件环境。

厂商必须解决芯片算力、功耗和内存限制等问题，提供软硬件一体化的支持，确保在有限的终端资源下仍能提供流畅、高质量的对话体验。

厂商能力要求：

厂商的核心能力壁垒在于实时互动技术与大模型工程的深度融合。要求厂商不仅提供极速、拟人的交互技术，更需要具备多模型、多模态的灵活适配能力，以及针对AI 硬件的全栈式、软硬一体化的解决方案交付能力。

核心竞争力是"实时互动"的工程能力，确保亚秒级的交互体验。厂商必须具备实时互动技术的深厚积累，这是保障低延迟的关键。要求厂商能够通过全链路的工程优化，包括音频传输优化、低延迟编解码、端侧降噪处理等，将从用户发声到AI 开始回复的端到端延迟控制在亚秒级，为流畅的对话提供技术基础。

平台必须是"万能连接器"，灵活适配主流大模型与多模态组件。厂商平台需要具备高度的模型适配灵活性和开放性。必须能无缝对接包括通用、行业、开源在内的多种大模型，并支持主流TTS 供应商的切换和音色定制。这种灵活的架构是实现兼容现有 LLM 资产和快速集成如声纹识别、视觉处理等多模态组件的前提。

面向AI 硬件，提供"芯片级"的软硬一体化优化方案。厂商必须拥有软硬件一体化的交付能力，尤其是在终端侧进行深度优化。这要求厂商在芯片选型、功耗设计、内存管理等环节提供指导或方案，通过模型轻量化和推理优化，确保对话式AI 能在有限的硬件性能和电池容量下，实现高性能、低功耗的稳定运行。

TTS 要具备"灵魂"，声音定制需达到情感拟人与克隆级别。厂商需提供高品质的语音合成（TTS）能力，不仅限于清晰度，更要求具备情感、语调和自然的口癖等拟人化特征，以增强用户沉浸感和真实感。同时，需支持企业进行品牌音色定制或声纹克隆，以帮助客户构建独特、可识别的 AI 人格。

入选标准说明：

1. 符合对话式AI市场分析的厂商能力要求；

2. 近一年厂商在该市场至少服务1家企业；

3. 近一年厂商在该市场的收入规模至少在50万元。

代表厂商评估：

声网

厂商介绍：

声网成立于2014 年，是全球实时音视频云服务开创者，为人与人和人与智能体的音视频互动提供最佳体验。开发者只需简单调用声网 API，即可在应用内构建诸如对话式 AI、音视频通话、直播等多种实时互动场景。

声网 API 已赋能 AI、社交直播、教育、游戏、IoT、金融、医疗、企业协作等 20 余行业，共计 200 多种场景。2020 年 6 月 26 日，声网母公司 Agora, Inc. 成功登陆纳斯达克，股票代码为"API"。

产品服务介绍：

声网推出的对话式AI引擎能够支持任意文本大模型快速升级为具备实时语音对话能力的多模态大模型，帮助开发者基于不同的大语言模型构建流畅的语音交互体验。

厂商评估：

声网在对话式AI领域的核心竞争力，源于其在实时互动（RTE）行业长达十年的技术积累。其产品策略不是追求大模型算法本身，而是专注于构建一个高性能、高真实感的AI交互"中间层"。

该公司通过优化音频流处理的每一个环节，致力于打造类人化的对话基础体验；同时，通过引入视觉等多模态能力，拓展AI的感知边界；其PaaS层的定位和开放策略，则使其能灵活地融入更广泛的AI生态。

深耕实时互动底层技术，追求"类人化"的对话基础体验。声网并未将资源投入到大语言模型的研发，而是将其技术优势聚焦于保障对话式AI的"交互体验"本身，旨在让AI与人的沟通无限接近真实的人际交流。

这具体体现在对交互体验基础指标的打磨上。首先是响应速度，通过全链路优化将语音对话延迟中位数降至650毫秒，有效减少了用户在等待AI反馈时的不自然停顿。

其次是对话节奏，其自研的"智能打断"技术能以低至340毫-秒的延迟响应用户意图，同时能智能过滤"嗯、啊"等口头禅，避免错误打断，模拟出自然对话中你来我往的节奏感。

最后是语音信号的精准捕捉，针对复杂声学环境，声网将传统的3A算法与AI降噪相结合，有效抑制稳态及瞬态噪声；并通过"选择性注意力锁定"技术过滤背景人声，确保AI能准确捕捉和理解目标对话者的语音信息。

从"听辨"到"看见"，构建多模态感知能力，拓展AI交互边界。在解决了语音交互的基础体验之后，声网正推动产品从单一的听觉感知向多模态感知演进，为AI赋予更丰富的交互维度。

其近期的产品迭代清晰地体现了这一路径。首先，在听觉感知层面，产品从单纯的声音处理升级为身份识别。新增的声纹识别功能，让AI不仅能处理语音内容，还能识别出"是谁在说"，从而在多人对话或公共环境中锁定特定用户，实现了更具专注度和隐私性的交互。

其次，产品增加了视觉感知能力。依托其在音视频采集、编解码及全球传输网络（SD-RTN™）上的成熟技术，引擎能够稳定、清晰地处理视频流，赋予AI一双"眼睛"来理解图像，满足如拍照答题、实物识别等更复杂的场景需求。

此外，通过集成第三方服务，为AI提供了数字人形象，让抽象的AI以具身化的形态出现，增强了交互的亲和力与温度。

坚持PaaS层定位与开放中立策略，聚焦核心能力，连接产业生态。声网在对话式AI市场的定位清晰，即作为一家平台即服务（PaaS）厂商，为开发者提供底层技术框架，而非一个封闭的端到端解决方案。

这一策略使其保持了高度的开放性和中立性。在模型层，它不绑定任何特定的大模型，支持开发者自由选择和切换包括ChatGPT、DeepSeek在内的全球主流LLM，以及各类语音合成（TTS）供应商。

在能力层，对于数字人渲染这类非自身核心优势的领域，声网选择与商汤科技、HeyGen等专业厂商合作，通过集成方式为客户提供最优选项。

这种"被集成"的定位，让声网可以专注于自身最擅长的实时音视频技术，同时使开发者能够像搭积木一样，灵活地将声网的能力与不同厂商的大模型、应用能力结合，构建满足自身业务需求的对话式AI应用。

典型客户：

Robopoet珞博、豆神AI、Open AI、MiniMax、智谱

04

入选厂商列表

创作团队

张扬

爱分析 联合创始人&首席分析师

李进宝

爱分析 高级分析师

关于厂商全景报告

爱分析厂商全景报告面向数字化市场的甲方用户，由爱分析定期撰写并公开发布，为甲方采购旅程中的数字化规划、厂商选型等环节，提供决策依据和支撑。

报告提供所覆盖领域的数字化市场全景地图、特定市场定义与入选标准，以及入选厂商列表、代表厂商评估等研究成果。

甲方用户可以依据入选厂商列表，拟定潜在供应商名单，并通过爱分析第三方评估，了解厂商在特定市场的产品服务优势，选择合适的厂商进行选型。

注：点击左下角"阅读原文"，获取完整版《2025爱分析·大模型厂商全景报告》。