AI行业11种Agent 生态

写在最前​

Cursor、Manus、Operator、Sierra、Harvey 都叫 Agent，但差距比手机和电饭煲还大。​

Agent 这件事真正该按工种分类，不是按技术分层。按工种看，你立刻能看出谁在替你打工、谁的钱最好赚、谁还在 0 到 1 阶段。​

我看过近半年市面上大部分的 Agent 产品，翻了 a16z、Goldman Sachs、Anthropic 几份 2026 年 Q1 的调研报告，以及 arxiv 上几篇最新的 Agent 综述论文，发现绝大多数从业者讨论 Agent 时都在错的轴上对比，这就是为什么读多少篇都拼不出Agent全貌。​

01​

PART​

Agent 的四要素​

任何一个 Agent 本质都是同一个结构，模型负责思考，工具负责动作，记忆负责连贯，规划负责拆任务。学术综述把这四块再拆成感知、大脑、规划、动作、工具调用、协作六维，产品经理视角下用四块已经够用。​

不同 Agent 差异不在结构，在配比。编程 Agent 工具最多记忆最短，客服 Agent 反过来，具身 Agent 的工具是关节电机。Demo 谁更炫不重要，谁配比合理才能落地。​

下面盘 11 个真正在跑的工种。​

​

​

02​

PART​

编程 Agent​

编程 Agent 是当前生态里最热、商业化最快的工种，代表产品是 Cursor、Claude Code、Devin、Windsurf、GitHub Copilot Workspace。​

类比是程序员同事，给它仓库访问权限和需求描述，它自己读代码、改代码、跑测试、提交 PR，24 小时不下班、不抱怨。​

工作环境是代码仓库加终端加浏览器三件套，Cursor 把整个 IDE 都变成 Agent 工作台就是这个原因。核心机制是读代码、改代码、跑测试、看结果、决定下一步的循环，Devin 一度宣称能跑 8 小时不停，靠的就是这个循环的稳定性。​

真正的壁垒不在写代码，在理解整个代码库，几十万行的生产仓库塞不进上下文，怎么决定看哪几个文件、推断改动会影响哪些下游模块，才是核心护城河。​

反常识的是，这条赛道看起来最挤，实则壁垒最深。Cursor 一年从 1 亿美元 ARR 涨到 5 亿美元以上，同样的工程师，有没有 Cursor 产能差能到一倍，这种确定性回报让企业付费意愿极强。其他工种没有这么硬的回报锚点。​

​

​

03​

PART​

浏览器 Agent​

浏览器 Agent 是替你点网页的工种，代表产品是 OpenAI Operator、Browser Use、Manus、智谱 AutoGLM、Skyvern。​

类比是网络数据录入员，给它一个任务从京东找出销量前十的扫地机器人，把价格、评分、品牌录到表里，它自己开浏览器、搜关键词、翻页、点详情、抓数据、填表，全程不用动手。​

工作环境就是一个无头浏览器，模型看到的不是网页本身，而是截图加 DOM 结构。核心机制是截屏、决策、动作、验证的循环，一个完整任务可能要跑几十甚至上百轮，任何一轮卡住整个任务就崩。​

真正的壁垒不在模型多聪明，在恢复力多强，网页改一次 Agent 就崩，淘宝今天换个按钮位置，Agent 明天就找不到了。能不能识别走错、回到正确路径，才是工程化的关键能力。​

中国团队在这条赛道上最有机会。淘宝、京东、美团、小红书各有各的反爬和反自动化逻辑，这种复杂度逼出来的工程能力，海外团队很难复制。Manus 一炮而红的根本原因不是模型多强，是它在中国互联网场景里把恢复力和容错率打磨到了新高度。​

04​

PART​

电脑 Agent​

电脑 Agent 是直接控制整台电脑的工种，代表产品是 Anthropic Claude Computer Use、OpenAI ChatGPT Agent、Google Project Mariner。​

类比是远程技术支持，把屏幕分享给一个远程技术员，他能看到全部内容，能控制鼠标键盘帮你完成任务，只是把人换成了模型。​

​

​

工作环境是一整台电脑，可以是 Windows、macOS、Linux 或云端虚拟机。模型的输入是屏幕截图，输出是鼠标坐标加点击加键盘按键。和浏览器 Agent 都跑截屏、决策、动作、验证的循环，差异在于电脑 Agent 没有 DOM 这一语义层，纯靠像素识别按钮、输入框、菜单在哪里，精度大幅下降。​

从 2024 到 2026，Claude Opus 4.7 和 GPT-5 把屏幕理解准确率从 70% 推到 92% 以上，才把这个工种推过商业可用线。​

电脑 Agent 真正成熟的标志不是能做更多事，是能做对更多事。当前所有电脑 Agent 在简单场景下都能跑，差异都在复杂场景的成功率。视觉模型对屏幕的理解能力是未来三年的核心瓶颈，这个瓶颈一旦突破，所有 SaaS 软件的交互层都要被重新定义。​

05​

PART​

研究 Agent​

研究 Agent 是替你写报告、做研究的工种，代表产品是 OpenAI ChatGPT Deep Research、Perplexity Pro、Google Gemini Deep Research、xAI Grok DeepSearch。​

类比是实习研究员，你给一个研究问题，它自己拆问题、跑搜索、读资料、整理观点，产出一份带引用的报告。过去研究员花一天的活，五分钟搞定，每个观点都标好出处。​

工作环境是搜索引擎加网页阅读加文档处理，一次任务可能跑 30 到 100 次搜索，读几百个页面。核心机制是一条长链路：把问题拆成子问题→每个子问题各自搜→读相关页面→按子问题归类→综合成报告并标来源。​

链路里任何一步出错，报告质量都会打折。质量瓶颈不在模型聪不聪明，在这条链路跑得稳不稳。同一个 Claude 模型，在 Perplexity 和普通聊天框里跑研究任务，质量差距巨大，全部来自链路工程，不是模型本身。​

研究 Agent 是 Agent 时代第一个真正意义上的杀手 App 形态。普通用户对编程、电脑 Agent 都没有强需求，但对深度信息检索有强需求，Perplexity 的崛起、ChatGPT Deep Research 上线后的高使用率都是证据。这条赛道的天花板不是 ChatGPT 取代 Google，而是研究 Agent 取代研究员的部分工作。​

​

​

06​

PART​

数据分析 Agent​

数据分析 Agent 是替你处理数据、出图、出洞察的工种，代表产品是 ChatGPT Data Analyst、Julius AI、Hex Magic、Anthropic Claude with Code Interpreter。​

类比是数据分析师，给它一份 Excel 或 CSV 加一句我想看什么，它自己跑统计、画图、出结论。过去要数据团队排期一周的活，产品经理自己一小时就能拿到第一版。​

工作环境是 Python 沙盒加数据文件加可视化库，核心机制是 Code Interpreter 加数据探索循环：写代码、跑、看结果、改代码再跑，直到满意。这个循环里数据探索能力远比写代码能力关键。​

真正难的不是写 Python，是看懂数据语义，一张表里 status 列写着 0、1、2，Agent 不知道业务含义，跑出来的分析就是错的。生产环境里的数据分析 Agent 必须先注入业务知识，光靠模型读列名远远不够。​

Data Analyst 是当前 AI 第一个大规模冲击的白领岗位。一份初级分析报告，Agent 五分钟能出，质量打 70 分；剩下 30% 是业务理解，Agent 暂时替代不了。结果就是初级数据岗大幅萎缩，中高级反而更值钱，人能做的是把 Agent 那 70 分推到 95 分。​

​

​

07​

PART​

创意生成 Agent​

创意生成 Agent 是替你出图、出视频、出 UI 的工种，代表产品是 v0、Krea、Recraft、即梦、Sora 系列、Midjourney 的 Agent 化版本。​

类比是设计师或视频剪辑师，你描述风格和内容，它自动生成。和早期生成模型的差别是，创意 Agent 不再一次出图，而是支持多轮编辑、迭代、组合，可以来回调整直到满意。​

工作环境是画布加生成模型加提示词管理，核心机制是多模态模型加多轮编辑加反馈循环。你说把人物的衣服换成红色，Agent 知道你指的是上一张里那个人物，而不是从零开始，这种连续性是 Agent 形态和工具形态的本质区别。​

v0 能在 UI 生成跑出来，就是把 UI 生成做成多轮迭代的 Agent，而不是一次生成的工具。真正的难点不是创意，是可控：同一个人物、同一个场景、只改局部细节，很难做到。靠一次出爆款的产品已经触顶，接下来三年的胜负全在精细控制能力上。​

这个工种正在重塑设计、视频、广告整个产业链。一个广告创意原来要团队两周，现在一个人加 Agent 三天能出。设计师不是被淘汰，是工作流被彻底重构，核心技能从画图本身转到指挥 Agent 画图。能用好 Agent 的设计师产能直接翻三倍，跟不上节奏的会被工作流挤出去。​

​

​

08​

PART​

客服 Agent​

客服 Agent 是 24 小时在线的坐席工种，代表产品是 Intercom Fin、Salesforce Agentforce、Sierra、Decagon。​

类比是客服坐席，客户问问题，Agent 先去知识库查，能答直接答，不能答升级到工单让人接手。对客户来说就是和一个客服在聊，只是这个客服永远不下班、不烦躁、不出错、不离职。​

工作环境是客服系统加 CRM 加内部知识库加工单系统，核心机制是 RAG 检索加多轮对话状态加工单升级判断三块，找答案、记住客户上一句话、识别什么时候该把对话交给人。​

三块都做到位才算生产可用，少一块就会答非所问或把简单问题升级给人，效率反而下降。这个工种在科技圈被讨论得最少，但卖得最猛、营收最稳：Lyzr 2026 Q1 报告显示 49% 的客服团队已经部署了 AI Agent，Sierra 估值突破 100 亿美元，Decagon 一年营收破亿。​

客服 Agent 是当前所有 Agent 工种里 ROI 最清晰的。一个客服员工一年成本 8 万到 15 万人民币，Agent 接手 30% 工作量就能回本，70% 就能净赚。​

这种确定性的回报让企业老板拍板特别快。这条赛道天花板不算高，但安全垫极厚，适合稳定型团队进场，不适合追融资估值的玩家。​

09​

PART​

销售外呼 Agent​

销售外呼 Agent 是替你做线索跟进、邮件外联、电话开发的工种，代表产品是 11x、Outreach AI、Apollo AI、Clay。​

类比是 AI SDR，即销售开发代表，给它一份客户名单，它自动写个性化邮件、跟 LinkedIn 消息、安排会议、把有意向客户转给真人销售。Agent 自己跑完一万条线索只用一个夜晚。​

​

​

工作环境是 CRM 加邮件系统加 LinkedIn 加会议系统，核心机制是潜客研究加多渠道触达加 CRM 写回。潜客研究扫描客户的 LinkedIn、公司动态、公开演讲，提炼钩子；多渠道按顺序在邮件、LinkedIn、电话上跟进；CRM 写回把每次互动沉淀成结构化数据。​

这就是它区别于传统营销自动化的关键。真正的瓶颈不是话术，是合规和送达率，GDPR、CAN-SPAM、中国《反垃圾邮件法》都对群发设了门槛；Gmail、Outlook 的反垃圾算法会把自动化邮件直接打到垃圾箱，Agent 输出再漂亮也没人看到。​

这是 to B Agent 里 ROI 最直接的工种，客户付的钱算得清。一个 SDR 一年成本 15 万到 30 万，Agent 替代 50% 工作量就回本。11x 一年从 0 跑到 1500 万美元 ARR，就是这个 ROI 模型在跑。​

中国市场对自动化外呼合规更严，但场景更密集，本土团队如果能把合规啃下来，空间不会比海外小。​

10​

PART​

语音 Agent​

语音 Agent 是把语音能力做成 Agent 基础设施的工种，代表产品是 Retell AI、ElevenLabs Voice、Bland AI、Vapi、Synthflow。​

类比是 24 小时不下班的电话坐席。和销售外呼 Agent 的区别是，它不绑定单一业务场景，而是一层能力，医疗预约、酒店预订、保险理赔、客服热线、教育跟进、外呼营销都能用，一家 Bland AI 同时跑五个场景。​

工作环境是电话系统加语音模型加业务知识库，核心机制是 ASR 加 LLM 加 TTS 的实时流式管道：ASR 把用户的话转成文字，LLM 决定怎么回应，TTS 把回应变成人声。三块都要支持流式，边接收边处理，任何一块卡半秒，整段对话就像机器人。​

最大瓶颈不是声音像不像人，是对话的实时性，端到端延迟超过 800 毫秒，用户立刻能感觉到对面是机器。Retell AI 的核心壁垒就是把延迟压到 600 毫秒以内，这比模型质量更难做。打断处理、情绪识别、口音容错也都是工程难点，任何一个做不好，整套语音 Agent 就垮。​

医疗、酒店、保险是当前最直接的 AI 落地场景。HIPAA 合规的医疗外呼能把患者爽约率从 30% 降到 12%，这种确定性回报让医院快速付费；Retell 报告里医疗是 2026 增长最快的语音 Agent 部署垂类。​

未来三年最大的变化是，语音 Agent 会从外呼扩展到所有需要电话沟通的场景，逐步替代呼叫中心整个岗位结构。​

11​

PART​

垂直行业 Agent​

垂直行业 Agent 是只服务某一个行业、把行业逻辑彻底吃透的工种，代表产品是 法律领域的 Harvey、医疗领域的 Hippocratic AI、招聘领域的 Mercor、金融领域的 Numerai、法律合同领域的 Robin AI。​

类比是行业专家，它不做泛用任务，只懂一个行业，但在这个行业里比通用 Agent 强得多。Harvey 不会替你订酒店，但合同审查、法律研究、案例引用上，表现接近资深律师；Hippocratic 不会写代码，但医患外呼、用药咨询、合规对话上，能稳定通过 HIPAA 审计。​

工作环境是行业专属数据系统加合规框架加专业工具，这一层是真正的壁垒，通用模型再强也接不进医院 EMR、律所卷宗、券商交易系统。核心机制是行业知识注入加合规约束加多 Agent 协作。​

a16z 把 2026 年垂直 Agent 的关键创新概括为 multiplayer mode：Agent 不是孤立工作，而是在多方之间协商、同步变更、把冲突浮给人工解决。​

一笔房产交易里，卖方、买方、银行、政府的 Agent 同时参与，互相核对信息、提示风险、推进流程。​

垂直行业 Agent 是当前 AI 融资的最大主题，a16z 2026 Big Ideas 报告把它列为头号方向。这条赛道的特点是通用模型公司很难直接吃，反而懂行业的创业团队能赢，所以也是最适合 AI 产品经理切入的位置，对某个行业的深度理解比模型能力更重要。​

法律、医疗、招聘、金融、保险、地产、会计、教育这八个行业，接下来三年都会跑出独立的垂直 Agent 王者。​

12​

PART​

具身 Agent​

具身 Agent 是把 Agent 装进物理身体的工种，代表产品是 Figure 02、1X Neo、Tesla Optimus、银河通用 G1、智元远征 A2。​

类比是真正进入物理世界的员工，前面十类都在屏幕里干活，具身 Agent 是第一类需要动手动脚的员工，在工厂、家庭、餐厅、仓库里搬箱子、叠衣服、拧螺丝。​

工作环境是物理世界。输入是摄像头画面加传感器读数加语音指令，输出是关节角度加电机转速加抓握力度，IO 比前面十类都复杂，物理世界不能被精确建模，有重力、有摩擦、有不可预测的扰动。​

核心机制是 VLA 模型，即视觉语言动作模型，把视觉输入加语言指令直接映射成动作。和传统机器人控制不同，VLA 不需要工程师写每一个动作的规则，让模型自己从演示数据里学。但瓶颈不是模型，是数据，一个机器人要学会叠衣服，需要几十万到上百万次真人演示，采集成本远超想象。​

Figure、1X、银河通用都把数据采集中心当作核心资产，真正的护城河长在数据上。​

具身 Agent 是当前最早期、风险最高、终局最大的工种。其他十类合起来对应数字劳动力市场，具身 Agent 对应的是整个体力劳动市场，规模差一个数量级，成熟度也差一个数量级，真正能进入家庭和工厂稳定干活，至少还要 3 到 5 年。这条赛道适合长线团队，不适合短期变现。​

​

​

13​

PART​

未来 5 个方向​

再往后看三年，Agent 生态还会出现五个全新的方向，每一个都可能改写当前的格局。这五个方向不是老王凭空想的，是从 a16z、Goldman Sachs、Anthropic 2026 年的几份调研报告里梳理出来的共识焦点。​

方向 1 个人 Agent​

个人 Agent 是 Goldman Sachs 在 2026 年初列为头号 AI 主题的方向。每个人有一个跨场景的个人 Agent，像 iPhone 之后的下一个个人计算入口，它知道你所有的偏好、日程、关系网，替你处理邮件、订机票、约会议、买东西。​

Apple、Google、Microsoft 当前都在做。Apple Intelligence 是雏形，Google Gemini 加 Pixel 在快速迭代，Microsoft Recall 配 Copilot 是另一条路径。赢家会从硬件平台里出，当前所有纯软件的个人 Agent 都缺一个稳定的本地存储和数据回流通道，只有控制设备的厂商能补上这一块。​

方向 2 Agent 应用市场​

Agent 应用市场是 Agent 的 App Store。当前已有八大市场在跑，Claude Skills、GPT Store、MCP Hubs、Hugging Face Spaces、Replit Agent Market、LangChain Hub、Vercel Agent Gallery、Cloudflare AI Marketplace，各自服务不同的开发者群体。​

Marketplace 真正的价值不只是分发，还有定价。Agent 之间形成市场化交易，某个 Agent 调用另一个 Agent 要付费，定价机制会反推 Agent 能力的标准化，这是和 App Store 时代最大的区别。​

这条赛道最终会收敛到 2 到 3 家，挂靠在主流模型厂商身上，当前八家并存只是早期形态，模型层一旦完成寡头化，应用市场也会跟着收敛。​

方向 3 代客购物 Agent​

代客购物 Agent 是 Agentic Commerce 的核心方向。Google 在 2026 年 1 月推出了 Universal Commerce Protocol，Shopify、Target、Wayfair、Home Depot、Best Buy、Visa、MasterCard 联合背书；OpenAI 的 Agent Commerce Protocol 在 2025 年底已上线；Shopify 在 2026 年 3 月对所有商家开放了 agentic storefront。​

用户在 ChatGPT 里直接说帮我买一双跑鞋，Agent 调用 Visa 走完整支付流程，商家收到的订单和正常订单一样可履约，零售业从面向人的店面，变成面向 Agent 的 API。​

这一层一旦跑通，搜索引擎和电商平台的关系会发生根本性反转：过去用户先搜索再下单，未来直接告诉 Agent 想要什么，Agent 自己挑商家。Google、亚马逊这种以搜索为入口的玩家，压力会被反噬最重。​

方向 4 Agent 互购​

Agent 互购指的是 Agent 之间互相付费购买服务，英文叫 Agent-to-Agent Commerce。Anthropic 在 2026 年 4 月开了一个测试性的 Agent 市场，研究 Agent 付费让数据分析 Agent 跑统计，客服 Agent 付费让翻译 Agent 处理外语客户。​

本质是，Agent 不再只是对人的服务工具，而是经济活动里的独立角色，自己持钱包、自己结算、自己签约，这一层一旦跑通会改变整个数字经济的合作单位。​

短期内会先在开发者圈跑通，长期会扩散到企业内部业务流，一个企业内的销售 Agent 调用研究 Agent 自动结算，会让 IT 预算结构被重写。​

方向 5 多方协作​

多方协作是 a16z 提的 multiplayer mode，被列为 2026 垂直 AI 头号创新，多个 Agent 代表不同方协同工作，会协商、同步变更、把冲突浮给人工解决。​

最直观的场景是垂直行业的多方业务：房产交易、医保理赔、并购协议，天然涉及多方，每方有自己的 Agent。当前 A2A 协议、MCP 协议、Anthropic 的 multi-agent 框架都在为这个方向做准备。​

这一层会让垂直 Agent 的护城河再上一个台阶，a16z 反复强调的 collaboration becoming the moat 就是这件事，行业越复杂，Agent 之间协作越深，新入者越难替代。Harvey 拿 110 亿美元估值，核心不是单点法律能力多强，是它已经在全球律所之间建起了 Agent 协作的关系网。​

14​

PART​

最后​

老王把这些Agent，放在同一张表里看。​

横向四列，工作环境、核心难点、商业化成熟度、代表产品。纵向十一行，从编程到具身。这张表的意义不是把每一类的细节再复述一遍，是让你一眼看出哪类 Agent 在哪个发展阶段、哪类的钱最好赚、哪类的天花板最高。​

看这张表的时候要带着问题看，自己的产品想做哪一类、自己的能力适合做哪一类、自己的资源能撑到哪一类的爆发点。带着这三个问题看完，你对自己接下来要怎么入局，会有一个清晰得多的判断。​

​

​

​