九融配资端国盛策略：下半年AI投资节奏

　　核心观点九融配资端

　　大厂驱动Agent是下半年AI主要边际变量。互联网大厂凭借资金和技术、场景的优势已成为驱动 Agent 发展的核心力量。各类Agent产品成为了近期大厂发布会和产品更新的关键角色：如字节的“扣子空间”、阿里的“心流”、百度的“心响”等智能体层出不穷。互联网大厂在Agent领域的进展将多方面带动AI产业进展：1）在技术领域，大厂通过开源模型推动技术进步，大厂的各类智能体开发平台也降低了Agent的开发门槛。2）在AI基础设施层面，大厂加大投入拉动相关产业链需求。3）在应用场景拓展方面，大厂利用自身多元业务场景率先应用 Agent 技术，同时积极携手生态合作伙伴赋能垂类领域，有望带动各领域软件服务商成长。

　　Agent三大要素：数据、模型、接口。1）垂类数据是Agent能力拓展到各行业的关键，如飞猪的Agent“问一问”接入了自己的机票报价引擎，平台积累的用户评价数据也被深度整合进推荐算法。2）基础大模型的能力提升是Agent进步的核心动力：更强大的基础模型使Agent能够处理更复杂的多步骤任务规划，模型的上下文理解能力也对Agent准确识别任务需求与工具的匹配关系至关重要。阿里开源的 Qwen3 混合推理模型矩阵，亮点包括多种思考模式&多语言&Agent能力强化，同时在仅使用 10% 激活参数的情况下达到了与 Qwen2.5 Dense 基础模型相似的性能。3）Agent需要通过各类接口与外部系统交互，获取上下文或执行操作，也即使用工具扩展Agent能力。MCP协议的普及进一步降低模型打通各数据源和工具接口的开发成本。

　　算力是Agent爆发的前提。以LLM为核心驱动的Agent 背后也蕴含庞大的算力需求：1）Agent通过 API 调用、网页浏览等方式接入外部数据和多轮模型调用带来的长上下文。2） Agent 执行任务验证带来算力开销，为确保任务执行的准确性、可靠性与合规性，如 Manus AI 的三重校验体系不可避免地消耗大量算力。3）多模态发展趋势下，Agent 需处理整合文本、图像、音频等多种类型数据。4）Agent能力日益增强的带来的用户调用激增，为保障用户体验，Agent 服务提供商需预留应对用户流量波动的冗余算力5）除了用户端的推理需求，模型训练阶段对更大规模数据和模型参数量的需求也对算力提出了更高要求。

　　垂类Agent适合预期较低做组合配置，伴随产业演绎会出现Alpha标的。早期垂类Agent上市公司区分度不高，原因主要在于技术和应用尚处于早期阶段多数企业依然处于探索阶段，后续应用落地进度受多种因素影响，如技术研发进展、市场机遇把握等，可能出现分化。因此适合预期较低做组合配置。一方面可以分散投资风险，一方面随着技术发展整个Agent行业可能会呈现出整体增长的趋势，但各领域发展速度存在差异，组合配置可以捕捉不同领域的增长机会，分享行业增长带来的收益。伴随产业演绎会出现Alpha标的，我们认为具有丰富场景数据和客户资源的公司，或者技术领先和创新能力强的公司更有希望受益于Agent产业发展。

　　建议关注：

　　算力：寒武纪、海光信息、阿里巴巴、奥飞数据、协创数据、海南华铁、云赛智联、潍柴重机、科华数据、大位科技、玉柴国际、亿田智能、宏景科技、东阳光、弘信电子、圣阳股份、润建股份、深信服、神州数码、深桑达、品高股份、金山云、南都电源、云天励飞、优刻得、云从科技、浪潮信息、中科曙光、太极股份、首都在线、杭钢股份、数据港、南兴股份、华策影视、顺网科技、恒为科技、网宿科技、杰创智能、朗科科技等。

　　Agent：金山办公、泛微网络（维权）、金蝶国际、鼎捷数智、拓尔思、用友网络、宇信科技、京北方、中科金财、致远互联、金桥信息、汉得信息、朗新集团、上海钢联、新致软件、同花顺、信雅达、萤石网络、润达医疗、中科金财、恒生电子、星环科技、卫宁健康、创业慧康、软通动力、光云科技、科大讯飞、万兴科技、海天瑞声、创业黑马、迈富时、小商品城、金证股份、顶点软件、朗新集团、晶泰控股、佳发教育、嘉和美康、新大陆、新开普等。

　　垃圾发电：旺能环境、盈峰环境、瀚蓝环境、军信股份等。

　　互联网大厂AI链：寒武纪、恒玄科技、孩子王、天键股份、润欣科技、实丰文化、乐鑫科技、萤石网络、中芯国际、润泽科技、欧陆通、华懋科技、浪潮信息、中兴通讯、中科曙光、兆易创新、国光电器、法本信息、亚康股份、申菱环境、兆龙互连等。军工AI：能科科技、品高股份、普天科技、海格通信等。

　　风险提示：AI技术迭代不及预期风险；经济下行超预期风险；行业竞争加剧风险。

　　报告正文

　　大厂驱动Agent是下半年AI主要边际变量

　　当前以大语言模型（LLM）为核心驱动的AI Agent技术正在快速发展中，展现出理解复杂指令、自主规划、调用工具并执行多步骤任务的强大能力。从简单的问答、文本生成，到复杂的市场分析、代码编写、差旅预订，Agent正逐渐渗透到我们工作和生活的方方面面。

图表1：智能体从对话交互到任务闭环进化

　　互联网大厂凭借独特优势成为驱动Agent 发展的核心力量。首先大厂具备雄厚的资金和技术实力支撑投入Agent 研发。同时大厂拥有海量用户数据以及广泛的业务场景，其平台每日产生的交互数据量极为庞大。为训练更智能、更适应复杂场景的 Agent 模型提供了坚实基础。

　　目前互联网大厂正积极布局Agent领域，各类Agent产品成为了近期大厂发布会和产品更新的关键角色：据新财富报道4月18日字节旗下toC Agent应用“扣子空间”正式上线内测。字节对于扣子空间的定义，是精通各项技能的“通用实习生”与各行业的“领域专家”，具备无限拓展能力的 AI Agent。

图表2：扣子空间的能力案例

　　3月11日Manus平台宣布九融配资端，将与阿里通义千问团队正式达成战略合作。

　　4月30日阿里旗下AI助手“心流”上线高级研究功能，可以精准理解需求，在学术数据库、行业报告、新闻资讯等多源数据中，快速精准定位相关信息，将碎片化数据进行关联整合。自动将分析结果转化为结构清晰、内容详实、格式精美的HTML报告。

图表3：心流AI助手高级研究功能

AI助手，国盛证券研究所

　　4月25日百度在正式在开发者大会上发布智能体APP“心响”。通过自然语言交互帮助用户实现复杂任务拆解、动态执行与可视化结果交付。除了常见的外部MCP工具调用，在健康、法律等专业场景中，它还实现了多智能体协作机制。比如，面对健康咨询时，系统可自动调度多位“医生AI分身联合会诊”；在法律服务中，则支持由多个律师AI分身组成的“律师智囊团”协同答复与服务。

图表4：心响具备多智能体协作能力

　　我们认为互联网大厂在Agent领域的进展将多方面推动AI产业进展：1）在技术领域，大厂通过开源其研发的先进模型推动技术进步，大厂的各类智能体开发平台也以低代码甚至无代码的开发方式进一步降低了Agent的开发门槛。如OpenAI的GPTs、字节跳动的Coze平台、百度的文心智能体平台使大量开发者和普通用户能够创建和分享针对特定需求的Agent，极大地加速了Agent应用的创新和普及。2）在AI基础设施层面，互联网大厂加大在数据中心建设、算力等方面投入，拉动相关产业链需求。如2月24日阿里巴巴集团CEO宣布未来三年阿里将投入超过3800亿元，用于建设云和AI硬件基础设施，总额超过去十年总和。

　　3）在应用场景拓展方面，大厂利用自身多元业务场景率先应用 Agent 技术并不断优化。同时积极携手生态合作伙伴，共同用AI赋能垂类领域，有望带动各领域软件服务商成长。

　　Agent三大要素：数据、模型、接口

　　1、垂类数据是Agent能力拓展到各行业的关键：

　　当Agent 发展进入深耕各行业阶段，垂类数据成为提升 Agent 性能的核心要素。例如飞猪的Agent“问一问”之所以能解决传统旅游AI的幻觉与时效性痛点，关键在于开放协议接口+实时数据+多智能体协作。飞猪技术负责人倪生华在硅星人pro的采访中表示，“问一问”的训练思路是，让模型学会旅游服务的思考方式后，通过飞猪自有的协议接口和Agent去调用各个场景中的实时数据。

　　与上一代旅行AI产品依赖静态数据库不同，飞猪直接接入了自己的机票报价引擎，Agent在解析完消费需求后，会通过报价引擎从航司和全球机票分销系统（GDS）获取信息，并打通了酒店、景区品类的供应链管理系统，确保机票、酒店价格和库存等信息秒级更新。比如当用户查询“5月北京至南京低价机票”时，系统会实时拉取航空公司的动态报价，并自动过滤已售罄的航班，保证推荐的真实有效性。更为关键的是，平台积累的用户评价数据被深度整合进推荐算法，当某酒店的过往消费者负向反馈较为明显时，AI会自动降低其推荐优先级。这种数据闭环确保了推荐方案既具备时效性，又能真实反映消费体验质量，有望从根本上解决了单纯依赖大模型预训练形成的能力、信息滞后的痛点。

　　其次，相比于单一模型或单智能体的决策，“问一问”采用了多智能体协作机制打造核心决策层。系统内置了行程助手、交通顾问、酒店管家等多个专业AI角色，每个角色负责特定领域的专业判断。比如当用户提出“带老人出游”的综合需求时，行程助手会智能拆解出“减少步行距离”、“避开陡坡景点”等具体任务指标，并触发交通顾问查询接驳时间宽松的航班，同时酒店管家筛选无障碍设施齐全的住宿选项。技术团队数据显示，这种分工协作模式虽然比单一模型响应速度稍慢，但方案准确性和可用性得到了大幅度提高，初步解决了旅游规划中的复杂多维决策问题。2、基础大模型的能力提升是Agent进步的核心动力：首先更强大的基础模型使Agent能够处理更复杂的多步骤任务规划，其次模型更强的上下文理解能力使Agent的工具使用能力提升，在模型能操作多个工具的时候Agent需要能准确识别任务需求与工具功能的匹配关系。4月29日阿里开源 Qwen3 混合推理模型矩阵，亮点包括多种思考模式&多语言&Agent能力强化。1）Qwen3有思考模式和非思考模式，思考模式下模型会逐步推理，经过深思熟虑后给出最终答案；非思考模式下，模型提供快速、近乎即时的响应。2）Qwen3 模型支持 119 种语言和方言。3）Qwen3优化了 Qwen3 模型的 Agent 和代码能力，同时也加强了对 MCP 的支持。Qwen3 Dense 基础模型的整体性能与参数更多的Qwen2.5基础模型相当 Qwen3 MoE 基础模型，在仅使用 10% 激活参数的情况下达到了与 Qwen2.5 Dense 基础模型相似的性能Agent需要通过各类接口与外部系统交互，获取上下文或执行操作，也即使用工具扩展Agent能力。例如在智能办公领域，腾讯元宝和腾讯文档在3月13日正式打通，用户可以直接上传腾讯文档到腾讯元宝，让AI辅助总结、提炼要点，也能一键导出腾讯元宝对话到腾讯文档，随时修改、分享或继续创作。

　　MCP协议的普及进一步降低模型打通各数据源和工具接口的开发成本。Anthropic在2024年11月25日正式开源MCP协议，旨在标准化如何为大模型提供上下文。可以将MCP想象成 AI Agent的 USB-C接口：为大模型提供了一种连接到各种工具和数据源的统一方法。传统上将AI统连接到外部工具涉及集成多个API，每个集成都意味着单独的代码、文档、身份验证方法、错误处理和维护。MCP旨在替换碎片化的Agent代码集成，从而使 AI 系统更可靠，更有效。通过建立通用标准，服务商可以基于协议来推出它们自己服务的 AI 能力，从而支持开发者更快的构建更强大的AI应用。开发者也不需要重复造轮子，通过开源项目可以建立强大的 AI Agent 生态。

图表1：MCP架构示意图

Claudemcp官网，国盛证券研究所

　　目前国内大厂均先后拥抱MCP机制，大厂的生态作用也可进一步凸显。据钛媒体，4月9日阿里云百炼上线业界首个全生命周期MCP服务，同日，腾讯云上线正式发布“AI开发套件”，蚂蚁集团旗下的OceanBase也已实现MCP协议的对接。百度则引入基于百度搜索的MCP Server发现平台和MCP Server服务。目前阿里百度腾讯字节旗下一部分AI智能体产品均支持MCP协议。字节的火山引擎构建了大模型生态广场，提供各类字节旗下或第三方的MCP。

图表2：火山引擎大模型生态广场

　　算力是Agent爆发的前提

　　Agent对算力的需求极其庞大，无论是训练更强大的Agent模型，还是支撑海量用户的高并发访问，亦或是确保Agent执行任务的准确可靠，都离不开底层算力的强力支撑。Agent对算力需求巨大的几个核心原因包括：

　　1、Agent需要处理长上下文和接入外部数据。Agent的上下文窗口长度以及接入外部数据的能力直接关系到Agent能够处理任务的复杂度和深度，这种能力的提升直接关联到巨大的计算需求。计算需求增长对底层硬件（主要是GPU）提出了极高的要求，不仅需要更多的计算单元，还需要更大的显存来存储模型参数和中间计算结果。

　　更长的上下文窗口意味着模型可以处理和记住更多的信息。IBM的解释中明确指出，LLM的上下文窗口（或上下文长度）是模型在任何时候可以考虑或“记住”的文本量，以词元为单位。LLM 的上下文窗口可被视为其工作记忆。它决定了LLM 在不遗忘先前对话细节的情况下可以进行多长时间的对话。它还决定了一次可以处理的文档或代码样本的最大大小。当提示、对话、文档或代码库超过人工智能模型的上下文窗口时，必须对其进行截断或总结，模型才能继续处理。一般来说增加LLM的上下文窗口大小意味着更高的准确性、更少幻觉、更连贯的模型响应、更长的对话以及分析更长数据序列的能力提高。增加上下文长度通常需要增加算力要求，导致成本增加。当用户与Agent进行多轮对话，或者要求Agent处理长文档、分析大量数据时，模型需要维持庞大的上下文信息。不仅仅是用户输入的文本，还可能包括系统提示、通过检索增强生成（RAG）从外部数据源获取的补充信息等。所有这些信息都需要在模型的工作记忆中占据空间。

　　Agent接入外部数据的能力，例如通过API调用、网页浏览、数据库查询等方式获取实时或特定领域信息，进一步加剧了算力消耗。Agent执行这些外部调用本身就需要计算资源，而获取到的外部数据往往需要整合到当前的上下文中，再次增加了上下文的长度和处理的复杂度。

　　2、Agent执行任务验证带来的算力开销

　　为了确保Agent执行任务的准确性、可靠性和合规性，复杂的验证过程成为许多高级Agent架构中不可或缺的一环。据51cto，以Manus AI为例，其技术架构中包含一个专门的验证模块，验证模块通过三重校验体系保障输出可靠性：逻辑验证器检测任务链的因果合理性；事实核查器交叉比对多信源数据真实性；合规审查器确保输出符合法律法规。在医疗咨询、金融分析等对准确性和合规性要求极高的场景中，验证模块发挥着关键作用，如在医疗咨询时同步验证医学指南、最新论文和临床数据，生成置信度评分，让输出结果精准且可靠。执行这些验证步骤需要额外的计算资源，是为了提升结果质量和可靠性而进行的投入。我们认为Agent越智能、越可靠，其内置的验证和修正机制往往越复杂，对算力的需求也就越大。3、多模态的发展会带来更大算力需求随着技术进步，Agent正朝着多模态的方向发展，即能够处理和整合多种类型的数据，如文本、图像、音频、视频等。多模态的发展使得Agent能够在更广泛的应用场景中发挥作用，为用户提供更加丰富和全面的交互体验，但同时也带来了更大的算力需求。以一个智能客服Agent为例，它不仅需要理解用户的文本提问，还可能需要识别用户上传的图片或语音消息。为了处理这些多模态数据，Agent需要大量的计算资源，

　　4、算力瓶颈影响Agent服务的用户体验

　　在用户量激增、模型复杂度提升、应用场景多样化的背景下，算力瓶颈问题日益凸显，具体表现为服务响应延迟、服务不稳定甚至服务中断等情况，导致用户体验受损，虽然可以通过优化API调用方式（如批量请求、异步请求）等方法缓解，但根本原因在于瞬时或持续的算力需求超出了服务提供商的承载能力。

　　如据新京报贝壳财经记者测试发现Manus回答问题一般耗时15分钟，根据任务难度的不同，Manus执行任务的时间也不同，如对“设计采访提纲与视频采访脚本方案”等几项文字类任务，Manus的执行时间约为15分钟至20分钟，而对于“设计金融科普互动产品”这项涉及网页交互的任务，Manus耗时31分钟。极客公园测试，用扣子的探索模式制定一份日本旅行攻略，做出这份旅行攻略的时间在 10 分钟以上，

　　同时为了保证用户体验Agent服务需要留出一定应对用户流量波动的冗余算力。用户对服务的访问量往往具有不确定性，会因各种因素如节假日、特殊事件、营销活动等出现峰值。DeepSeek官方在知乎发布的技术报告指出，由于白天的服务负荷高，晚上的服务负荷低，因此DeepSeek实现了一套机制，在白天负荷高的时候，用所有节点部署推理服务。晚上负荷低的时候，减少推理节点，以用来做研究和训练。但并非所有Agent服务提供商都有训练模型等需求可以充分利用闲时算力，因此能满足用户峰值的算力必然会存在一定的冗余。

图表1：DeepSeek用于推理服务的H800节点数量随时间峰值变化

　　5、

　　算力

　　需求

　　不仅体现在用户端的推理服务上，也体现在模型训练阶段。

　　训练更大、更强的Agent

　　基础

　　模型需要海量的算力支持。

　　当下大模型的参数规模和训练数据量规模都非常庞大。以阿里的Qwen模型为例，4月29日阿里开源的Qwen3系列模型中

　　Qwen3-235B-A22B

　　有

　　2350多亿总参数、 220多亿激活参数

　　。在预训练方面，Qwen3 的数据集相比 Qwen2.5 有了显著扩展。Qwen2.5是在 18 万亿个 token 上进行预训练的，而 Qwen3 使用的数据量几乎是其两倍，达到了约 36 万亿个 token，涵盖了 119 种语言和方言。在后训练阶段，为了开发能够同时具备思考推理和快速响应能力的混合模型，阿里实施了一个包括（1）长思维链冷启动（2）长思维链强化学习（3）思维模式融合（4）通用强化学习的四阶段训练流程。

　　综上所述，基于大语言模型的Agent之所以对算力有着巨大的需求，是由其技术特性和当前的发展阶段共同决定的。更长的上下文处理能力、接入外部数据的需求、日益增强的功能带来的用户调用频率激增、确保结果可靠性的复杂验证机制，以及当前Agent技术和应用的爆发式增长，都对底层算力提出了极高的要求。从模型训练到服务推理，从应对高并发访问到保障服务稳定性，算力已成为支撑Agent发展的关键基础设施和核心瓶颈。

　　垂类Agent适合预期较低做组合配置，伴随产业演绎会出现Alpha标的

　　早期垂类Agent上市公司区分度不高，原因主要在于技术和应用尚处于早期阶段：众多上市公司纷纷布局垂类Agent领域，但多数企业依然处于探索阶段，不同企业的后续Agent应用落地进度受多种因素影响，如技术研发进展、市场机遇把握等，可能出现分化。

　　垂类Agent适合预期较低做组合配置。由于早期垂类Agent上市公司区分度不高，因此适合预期较低做组合配置。通过投资多只相关上市公司的股票，一方面可以分散投资风险，避免因个别公司的进展不佳而导致较大的损失。同时，随着技术发展整个Agent行业可能会呈现出整体增长的趋势，但各领域对Agent的需求和应用程度不同，发展速度存在差异，组合配置可以捕捉不同领域的增长机会，分享行业增长带来的收益。

　　伴随产业演绎会出现Alpha标的，随着产业发展，技术迭代加速，企业间差距将逐步拉开。我们认为以下类型的公司更有希望受益于Agent产业发展：

　　1）具有丰富场景数据和客户资源的公司：在垂类Agent领域，场景数据和客户资源至关重要。垂类Agent的核心价值在于能够深入理解行业业务流程，通过垂类Agent实现业务流程的智能化，拥有丰富场景数据的公司可以更好地训练和优化垂类Agent，使其更贴合实际应用场景；而拥有大量客户资源的公司则可以更快地将垂类Agent产品推向市场，实现商业化落地。例如，在金融、医疗、工业等领域，一些上公司凭借其长期积累的行业数据和客户资源，有望在垂类Agent市场中取得领先地位。

　　2）技术领先和创新能力强的公司：随着产业的发展，那些在技术上具有领先优势、创新能力强的公司有望脱颖而出。尽管目前Agen核心模型主要依赖开源模型或与大厂合作，但是在模型的调优、Agent与具体外部知识以及业务的集成上依然会有许多挑战。能在技术和创新能力上与对手拉开差距的公司将更有可能在市场竞争中占据优势。

　　投资建议

　　建议关注：

　　Agent：金山办公、泛微网络、金蝶国际、鼎捷数智、拓尔思、用友网络、宇信科技、京北方、中科金财、致远互联、金桥信息、汉得信息、朗新集团、上海钢联、新致软件、同花顺、信雅达、萤石网络、润达医疗、中科金财、恒生电子、星环科技、卫宁健康、创业慧康、软通动力、光云科技、科大讯飞、万兴科技、海天瑞声、创业黑马、迈富时、小商品城、金证股份、顶点软件、朗新集团、晶泰控股、佳发教育、嘉和美康、新大陆、新开普等。

　　垃圾发电：旺能环境、盈峰环境、瀚蓝环境、军信股份等。

　　风险提示

　　AI技术迭代不及预期风险：若AI技术迭代不及预期，则对产业链相关公司会造成一定不利影响。

　　经济下行超预期风险：若宏观经济景气度下行，固定资产投资额放缓，影响企业再投资意愿，从而影响消费者消费意愿和产业链生产意愿，对整个行业将会造成不利影响。

　　行业竞争加剧风险：若相关企业加快技术迭代和应用布局，整体行业竞争程度加剧，将会对目前行业内企业的增长产生威胁。