type
Post
status
Published
date
Aug 15, 2025
slug
ai-agent-data-infra-cases
summary
从概念背景、应用层案例、Data Infra 落地到竞争格局，系统梳理 AI Agent 的场景、技术架构、商业价值与代表性案例。
tags
Essays 随笔
Long Reports 长报告
生成式 ai
recommend
category
随笔
icon
password
网址
1. Concept Background｜概念背景
1.1 Agent 定位：从推理走向行动
在 OpenAI 提出的人工智能五个阶段中，AI Agent 属于第三级“Agents, systems that can take actions”。这意味着它已经具备自主操作、多工具链调用与目标驱动任务执行能力；在迈向第四级 Innovators 的过程中，验证器泛化仍是关键难题（朱哲清，2025）。
1.2 Agentic AI 系统的工作流程
Agentic AI 从目标理解出发，经任务规划、工具调用、环境反馈与反思迭代形成闭环；在企业场景中还需要权限、安全、数据治理和人工复核机制。
1.3 基于完整案例重新归纳的技术架构
架构 | 核心机制 | 代表案例 |
单 Agent + 工具调用 | 一个代理完成规划、工具选择与结果生成 | AutoGPT、GitHub Copilot |
多 Agent 协作 | 监督代理拆解任务，专业代理分工并相互校验 | Polaris、7-Eleven 营销助手 |
RAG / 数据增强决策 | 检索企业数据与知识，结合模型生成洞察 | Adidas、SAUR、Fannie Mae |
企业平台 / 跨系统编排 | 嵌入业务系统并协调多个数据源和工作流 | ServiceNow、Atlassian、Agentforce |
1.4 市场规模与长期潜力
- 窄口径（AI 驱动自动化）：2025 年约 60 亿美元，预计 2028 年达到 200 亿美元。
- 广口径（流程自动化）：2025 年约 520 亿美元，预计 2028 年达到 1020 亿美元。
- SoR（系统记录型）Agent 聚焦特定领域自动化，市场规模约从 2025 年 160 亿美元增长至 2028 年 330 亿美元。
- SoE（系统交互型）Agent 聚焦跨系统工作流，市场规模约从 2025 年 360 亿美元增长至 2028 年 690 亿美元。
长期看，AI Agent 有望继续渗透约 6370 亿美元的应用软件市场；其价值将从单点效率工具扩展到跨系统协同和持续决策基础设施。
2. 综合分析：挑战、价值链与竞争格局
核心挑战与价值环节
根据现有报告材料和网络材料析出的内容来看，各大厂商现行的AI agent相关project的应用场景主要围绕大数据处理提效、创意功能赋能
核心挑战：
- 模型准确性不足（幻觉问题）
- 安全漏洞（如提示注入）
- 标准缺失（跨平台协作协议）
- 数据碎片化与质量问题
- AI自助服务解决率仍较低（Gen X为32%，婴儿潮一代仅17%），基础请求（占26%-50%）是主要自动化场景。
主要价值环节：
- Hyperscalers与AI基础设施：提供算力、数据治理能力，如微软（Azure AI、365 Copilot）、亚马逊（AWS Q）、谷歌（Gemini、Vertex AI）；
- 安全与治理：解决数据泄露、供应链攻击等风险，如CyberArk（Agent身份安全）、Okta（GenAI认证）；
- 数据基础设施：提供实时数据访问与治理，如Snowflake（Cortex Agents）、Palantir（Foundry平台）；
- 工作流自动化：跨系统协调Agent，如ServiceNow（AI Agent Studio）、Atlassian（Rovo）；
- SaaS平台：嵌入Agent能力提升场景化价值，如Salesforce（Agentforce）、HubSpot（Breeze）。
竞争格局、核心受益领域与未来展望
竞争格局
在AI代理（AI Agents）的市场中，竞争格局呈现出多层次和多维度的特点。根据Morgan Stanley的研究，AI代理可以分为两个主要类别：系统记录型（System of Record, SoR）代理和系统参与型（System of Engagement, SoE）代理。
- SoR代理：专注于特定领域的自动化任务，如编码、客户服务、销售线索生成、商业智能等。这些代理通常直接替代人类角色，适用于劳动密集型任务。例如，GitHub Copilot、Salesforce Agentforce和HubSpot Prospecting Agent。
- SoE代理：专注于跨系统的流程自动化，通过优化系统利用率和间接节省时间来创造价值。例如，ServiceNow Now Assist、GitLab Workflows和Atlassian Rovo。
SoR & SoE类型agent对比
此外，AI代理的市场还涉及多个层面的竞争，包括：
- 基础设施提供商：如微软、亚马逊、谷歌等，提供计算资源和AI模型支持。
- AI模型提供商：如OpenAI、Anthropic、Llama等，推动AI代理的能力提升。
- 安全与治理：如Palo Alto Networks、Crowdstrike、Okta等，确保AI代理的安全性和可靠性。
- 数据基础设施：如Snowflake、Palantir等，提供数据访问和管理能力。
- 工作流自动化：如ServiceNow、Atlassian等，通过嵌入AI代理实现更高效的业务流程自动化。
核心受益领域
AI代理的市场机会巨大，但需要考虑不同领域的竞争态势和潜在收益。
- 基础设施与AI模型提供商：这些公司能够提供计算资源和AI模型，是AI代理部署的关键环节。例如，微软、亚马逊、谷歌等公司因其强大的计算能力和AI模型而成为核心受益者。
- 安全与治理：随着AI代理的广泛应用，安全和治理问题变得尤为重要。因此，像Palo Alto Networks、Crowdstrike、Okta等公司在这一领域具有显著优势。
- 数据基础设施：AI代理需要实时访问关键数据源，因此数据基础设施提供商如Snowflake、Palantir等在这一领域有重要地位。
- 工作流自动化：通过嵌入AI代理，工作流自动化平台如ServiceNow、Atlassian等能够实现更高效的业务流程自动化，从而获得显著收益。
- SaaS平台：如Salesforce、HubSpot等SaaS平台通过集成AI代理，能够提供更高效和智能化的服务，从而增强其市场竞争力。
- AI生命周期平台：这些平台通过自动化AI应用的开发和部署，帮助客户更高效地利用AI技术，如Palantir等公司。
定价策略
AI代理的定价策略目前仍处于探索阶段，常见的定价方式包括：
- 按活动计费：如Cognition Labs和Harvey AI采用固定价格每代理。
- 按使用量计费：如Microsoft、OpenAI和Anthropic采用基于代理动作/令牌的可变定价。
- 按结果计费：如Salesforce和Artisan采用按完成的工作流程计费，而Zendesk和Sierra则采用按成功结果计费的方式。
- 混合模式：如Atlassian、ServiceNow和HubSpot将代理功能嵌入更高订阅层级中，允许用户在使用限制内或支付额外费用以超限使用。
挑战与障碍
尽管AI代理的市场前景广阔，但仍面临一些挑战：
- 模型的不确定性：当前模型的准确性和幻觉问题仍然存在，影响企业对AI代理的信任。
- 安全防护不足：缺乏足够的安全防护措施，可能导致敏感数据泄露。
- 标准和协议缺失：缺乏统一的标准和协议，阻碍了多代理应用的互操作性。
- 数据质量问题：数据质量和应用孤岛限制了复杂业务流程的有效处理。
- 语义理解不足：AI代理对企业内部数据的理解有限，影响其在复杂业务场景中的应用。
未来展望
Morgan Stanley认为，AI代理的市场将经历一个渐进的过程，而不是革命性的飞跃。尽管当前市场仍处于早期阶段，但随着技术的进步和市场的成熟，AI代理的应用将逐渐扩大，带来巨大的价值创造机会。投资者应关注那些在AI代理生态系统中具有战略定位和产品路线图的公司，如Microsoft、Amazon、Google、OpenAI、Anthropic、CyberArk、Okta、SailPoint、Snowflake、Palantir、ServiceNow、Atlassian等。
综上所述，AI代理市场正处于快速发展阶段，竞争格局复杂且多样化，核心受益领域包括基础设施、AI模型、安全与治理、数据基础设施、工作流自动化和SaaS平台。投资者应密切关注这些领域的领先公司，并评估其在AI代理市场中的战略定位和增长潜力。
3. 案例聚类评估与合并结论
结论：原有 SoR / SoE 方法仍然适合作为“系统角色”维度，但不再适合作为唯一一级聚类。新增的医疗、社交、游戏与 Data Infra 案例跨越行业、产品功能和价值链层级，因此采用四个一级簇，同时保留 SoR / SoE 作为次级标签。
一级簇 | 保留 / 调整 | 范围 |
A. 企业通用应用 | 保留并上收原三类 | 客服自动化、软件开发、企业服务 |
B. 行业垂直与消费交互 | 新增 | 医疗、社交、游戏娱乐 |
C. 通用与实验性 Agent | 新增 | AutoGPT、Voyager 等能力探索 |
D. Data Infra 与决策智能 | 新增 | 数据治理、检索、洞察、风控与运营决策 |
3.1 全案例归类矩阵
案例 | 一级簇 | SoR / SoE | 核心价值 |
Salesforce Agentforce | A / CRM | SoR | 客服、销售与营销任务自动化 |
NICE CXone Copilot | A / CRM | SoR | 语音交互与联络中心自动化 |
Five9 AI Solutions | A / CRM | SoR | 虚拟代理、分析与系统集成 |
GitHub Copilot | A / 软件开发 | SoR | 编码全生命周期提效 |
Synopsys AgentEngineer | A / 软件开发 | SoR | 芯片设计多代理协作 |
ServiceNow Now Assist | A / 企业服务 | SoE | 跨系统 IT 工作流自动化 |
Atlassian Rovo | A / 企业服务 | SoE | 跨平台搜索与团队协作 |
Siemens Industrial Copilot | A / 企业服务 | SoE | 工业流程与数字孪生协同 |
SAP Joule | A / 企业服务 | SoR + SoE | 高频财务任务与 ERP 数据协同 |
Sage Copilot | A / 企业服务 | SoR | 中小企业票税自动化 |
RELX Protégé AI | A / 企业服务 | SoR | 法律与出版专业工作流 |
Polaris 3.0 | B / 医疗 | SoR / 多 Agent | 高准确率医疗沟通与流程自动化 |
陌陌 AI 辅助破冰 | B / 社交 | SoR | 内容生成与社交转化 |
Whispers From The Star | B / 游戏 | 交互型 | 实时对话驱动的 AI 原生体验 |
AutoGPT | C / 通用实验 | 通用 Agent | 自主规划、工具调用与长期记忆 |
Voyager | C / 游戏实验 | 学习型 Agent | 环境反馈与终身技能学习 |
7-Eleven 营销助手 | D / 数据决策 | SoE / 多 Agent | 营销创意、合规与人机协同 |
7-Eleven 门店表现分析 | D / 数据决策 | SoE | 多源实时运营洞察 |
Adidas 评论洞察 | D / 数据决策 | SoR / RAG | 海量评价检索与产品决策 |
SAUR 合同管理 | D / 数据决策 | SoE / RAG | 非结构化合同治理与洞察 |
Fannie Mae 反欺诈 | D / 数据决策 | SoR / 风控 | 隐藏模式识别与调查提速 |
4. 应用层案例：企业通用、行业垂直与实验性场景
当前AI Agent相关产品已广泛渗透于客服场景、软件开发、企业服务三大核心领域，形成了 “场景深耕+效率提升+商业变现” 的成熟生态。整体来看，AI Agent已从单一工具进化为跨场景基础设施，其商业价值集中体现为成本节约、效率提升与市场份额扩张，且随着技术成熟，在垂直行业的深度渗透与跨领域协同将成为核心增长逻辑。
企业通用场景：原三大核心领域
- 客服自动化场景：以Salesforce Agentforce、NICE CXone、Five9为代表的产品，通过语音与数字交互自动化覆盖客服全流程，实现成本降低20%-50%、交互量提升3-5倍，头部厂商依托技术优势（如NICE/Five9的语音能力、Salesforce的CRM生态）推动订单规模与客户份额显著增长。
- 软件开发类：产品以GitHub Copilot、Synopsys AgentEngineer为核心，在代码生成、芯片设计等专业场景形成技术壁垒，推动研发周期缩短25%-30%，相关市场规模预计2028年突破600亿美元。
- 企业服务领域：则聚焦跨系统协同与垂直流程优化，ServiceNow、Atlassian等产品通过IT流程自动化、团队协作工具整合提升运营效率，西门子、SAP等企业在工业生产、财务会计等场景实现生产力提升50%以上，法律、数据中心管理等细分领域也通过AI代理实现服务质量与响应速度的双重突破。
客服自动化：AI 能力引领的 CDP 与 CCaaS 产品
在客服自动化场景中，Salesforce Agentforce、NICE CXone、Five9 AI Solutions等产品通过自动化基础客服任务（如密码重置、订单查询）、支持语音及数字交互、拓展至销售与营销流程等功能，实现了成本降低20%-50%、交互处理量提升3-5倍、客户合同规模增加15%-25%等显著商业表现，其中NICE和Five9凭借语音优势领先，Salesforce则在数字交互领域快速渗透。
Salesforce Agentforce
作为系统记录型（SoR）Agent的典型示例，Salesforce Agentforce聚焦客服等特定领域的自动化，核心是通过自主决策和任务执行替代人工角色，属于直接劳动力替代型工具。
核心功能：
- 客服场景自动化：基于客户购买历史和企业知识库，自动提供个性化问题解决方案，减少人工客服的重复劳动；
- 销售流程支持：销售开发代理（SDR）可自动发送个性化邮件、回应定价咨询，并关联销售日历安排跟进；
- 营销与电商拓展：生成营销活动、受众细分和邮件内容，甚至管理网站并生成个性化促销。
技术特点：Agentforce已具备Level 3的受限自主性，能通过多轮推理处理复杂任务（如100页发票与内部系统对账），且2025年推出的Agentforce 2dx进一步扩展至主动型代理，支持多模态交互和无监督后台运行，并通过AgentExchange marketplace加速生态扩展。
市场表现：截至2025年F1Q26，Agentforce已达成超4000个付费交易，ARR突破1亿美元，定价采用混合模式：初期为$2/交互，后新增“Flex Credits”按行动收费（每20 credits/$0.10），兼顾灵活性与成本控制。
CCaaS 厂商（ NICE 、 FIVN ）
应用：
主导语音交互自动化（当前语音占客户互动的53.5%），提供从呼叫路由到AI辅助的全流程解决方案。支持向第三方AI（如Salesforce Agentforce）提供语音流、转录流数据。
技术特点：
语音优势：掌握语音数据流和复杂路由/集成能力
融合AI技术与CCaaS平台，为第三方AI（如Salesforce）提供数据支持，提供语音流和transcript流实现额外monetization，成为新的增长来源。
商业表现：
NICE的云ARR中8%来自数字和AI解决方案（约1.5亿美元），其CXone Copilot的ACV（年度合同价值）在2024年Q3同比增长6倍；
FIVN的AI相关收入占企业订阅收入的8%，2024年Q3 AI收入同比增长40%，且含AI的新订单规模是普通订单的5倍；
两者均实现客户钱包份额提升30%-50%，ARPU（每用户平均收入）显著增长。
NICE:数字化和AI客户带来了显著更高的ARR和ARPUNICE:声称通过AI实现50%的销售机会提升
FIVN：声称在劳动力减少15%的情景下，提升约30%
产品 / 厂商能力一览
领域 | 产品 | 核心功能 | 商业化策略/盈利点 | 商业/能力表现 |
CDP产品 | Agentforce, Salesforce, 美国 | 客服获客营销与拓展 | 依据调用量计费（2美金/次） | 业务本身全年同比150%增长，高于公司整体营收平均增速；自2024年以来，成单超过8000单 |
CCaaS CCaaS | CXone Copilot 等AI模块, NICE, 以色列 | 语音交互自动化自动化客户可扩展第三方AI | 订阅收入 | AI 相关收入占其企业订阅收入的约 8%（截至 Q1’24）AI 解决方案的引入使得客户的 ARR 增长了 50% 以上 |
ㅤ | AI 虚拟代理服务, Five9, 美国 | 基于AI和自动化技术的客户体验提升数据分析和报告集成其他系统的能力 | 订阅收入 | AI 和自动化解决方案占企业订阅收入 8% AI 收入同比增长 40% |
软件开发与制造
软件开发类：以单一领域深度自动化（SoR）为主，聚焦代码生成、芯片设计等专业场景，依赖LLM和行业知识实现效率提升，商业价值体现在生产力增益（30%+）和技术壁垒（如高端芯片制程），用户以开发者和技术团队为主。
GitHub Copilot ：
任务特定的AI助手，聚焦软件开发领域的自动化，核心是通过实时代码建议提升开发效率。
核心功能：
- 全生命周期支持：在代码生成、补全、解释、重构、测试生成等环节提供实时建议，覆盖软件开发生命周期；
- 工具集成：嵌入主流IDE（如VS Code），支持20多种编程语言，基于项目上下文提供贴合团队规范的代码推荐。
技术特点：由GitHub与OpenAI合作开发，依托LLM的代码理解能力，区别于传统规则驱动工具，能通过学习代码库模式生成符合逻辑的代码片段。
定位：“劳动力增强” 型工具，虽不直接替代开发者，但通过减少机械性编码工作提升productivity，是SoR Agent中 “角色特定自动化” 的典型代表。
市场规模与商业表现：
- 当前约160亿美元，2028年达330亿美元。用户总数已突破2000万。数据显示，过去三个月内，有500万用户首次尝试使用GitHub Copilot。今年4月，该工具用户数已达1500万，用户规模保持稳步增长态势。
Synopsys AgentEngineer ：
基本功能:多代理协同优化芯片设计全流程，自主决策电气、机械参数调整，缩短研发周期。
技术特点：基于深度学习与多领域协同（电气、机械等），支持5nm以下制程设计。
商业表现：芯片设计周期缩短25%，研发成本降低18%，已应用于高端芯片项目
产品 / 厂商能力一览
领域 | 产品 | 核心功能 | 商业化策略/盈利点 | 商业/能力表现 |
AI 编程 | GitHub Copilot, 微软, 美国 | 代码补全错误检测代码优化和多语言 | 订阅/企业服务/集成与扩展 | GitHub Copilot 在开发者社区中获得了积极的反馈，许多开发者认为它显著提高了他们的工作效率 |
CCaaS | AgentEngineer, 新思科技 Synopsys, 美国 | 多代理协作工作流优化自主决策 | 订阅收入 | Synopsys在GenAI（生成式AI）方面的工作已经取得了成功，客户使用Synopsys.ai工具报告了显著的效率提升 |
企业服务与跨系统协同
以跨系统协同（SoE）和垂直领域自动化（SoR）为主，聚焦流程效率提升（如IT、财务、工业），商业价值体现在成本节约（20%-50%）和周期缩短（35%-40%），用户以企业级客户为主。
产品 / 厂商能力一览
领域 | 公司名称 | 产品名称 | 核心功能 | 商业化策略与表现 |
企业IP流程 | ServiceNow | Now Assist | 预配置 AI 代理库（安全运维、网络修复等），自动执行跨系统 IT 任务； 支持无代码自定义代理，整合企业分散数据（IT 资产、工单等）。 | 包含于 Pro Plus 套餐，通过减少人工协调成本、缩短流程周期提升 IT 部门效率。 |
团队协作 | Atlassian | Rovo | 整合 Jira、Slack 等跨平台数据，提供智能搜索与协作问答； 支持跨工具任务自动化（如同步 Jira 任务与 Confluence 文档）。 | 月活用户超 150 万，Premium 客户免费，非 Atlassian 用户 $5 / 月。 |
工业生产 | 西门子 | Industrial Copilot | 自主执行工业工作流（供应链纠纷、客户案例分类等），集成数字孪生与 IoT 数据。 | 客户生产力提升 50%，预计缓解欧洲制造业 700 万岗位缺口。 |
财务会计 | SAP | Joule | 自动化 80% 高频财务任务（发票对账、纠纷管理等），整合 ERP 系统数据。 | 30,000 + 客户采用 。 |
ㅤ | Sage | Copilot | 为中小企业自动化发票处理、税务计算。 | 4 万 + 早期用户实现效率提升 |
法律服务 | RELX（LexisNexis） | Protégé AI | 结合 LexisNexis 数据库，提供个性化法律建议，与 Harvey 合作拓展法律工作流自动化；其 STM division 通过 AI 代理优化学术出版流程。 | / |
行业垂直、消费交互与实验性 Agent
早期代表性 agent 项目： AutoGPT ，开源
资料来源：东吴证券，@ntindle（Github）
业务 | 所属领域 | 一句话概括 | 商业化策略/盈利点 | 商业表现 |
AutoGPT，开源 | 办公 | 2023年3月开源的第一款AI AGENT实验性项目,由游戏开发者 Toran Bruce Richards开发。AutoGPT可根据用户给定的目标,自动生成所需提示，并利用GPT4和各种 工具API执行多步骤的项目，无需人类的干预和指导 | 开源项目 | 截至目前（25.8.24）在 Github 上收获了 177k star，成为github历史上星数增长最快的开源项目 |
价值-结果
- 全流程自动化
- 临床准确率:人去主动搜索资料、阅读、理解、整合、最后动笔写作。AutoGPT将这一系列复杂的脑力劳动和操作流程完全自动化，用户只需给出一个最终目标
- 自主规划与任务分解:它能自主地将“写文章”这个大目标分解为一系列子任务，如“先生成问题”、“再回答问题”、“将回答存起来作为段落”、“循环此过程”等，展现了初步的规划能力
- 外部工具的支持和高可扩展性
- 能克隆github仓库、启动其他agent、发言、发送推文和生成图片,支持所有矢量数据库和LLM提供商/文本到图片模型/浏览器
- 具备长期记忆: AutoGPT通过集成Pinecone矢量数据库 作为长期记忆，可以保存和检索已经生成的内容，确保文章的连贯性和一致性，避免在长任务中“忘记”前面的内容
能力
- 记忆获取和命令执行
- 通过python内部List结构,保存text文本,每次会获取最近一次的历史信息
医疗 agent ： Polaris ，美国
2025年3月份发布3.0版本，资料来源：hippocraticai.com，@脑极体（人人都是产品经理），couchbase.co
业务 | 所属领域 | 一句话概括 | 商业化策略/盈利点 | 商业表现 |
医疗agent：Polaris，美国 | 医疗 | Polaris 通过多个Agent协同工作与交叉验证，为患者提供比人类护士更精准、更受信任的用药和诊疗建议——通过自然语言交互实现企业级的快速的数据处理和决策Polaris 技术路径介绍 | 私有化，“赚取客户支付的基本费率的 5%（通常为每小时 10 美元），再加上您选择设置的任何附加费率的 70%” | 在阿联酋，Polaris已被整合进Burjeel医疗集团的数字系统。在超过185万次真实患者互动测试中，Polaris3.0临床准确率高达99.38%，患者满意度达8.95/10 |
价值-结果
- 超高的准确性和安全
- 临床准确率:达到99.38%，高于前代版本，为患者安全提供了坚实保障
- 深度思考模型:通过“离线”思考模式对化验、药物和转诊等关键信息进行三重检查，有效消除了先前版本中的长尾错误
- 文档准确性:即使患者表述不清，系统也能准确记录健康风险评估（HRA）等表格，准确率从90.5%提升至98.5%
- 卓越的患者互动体验
- 高级情商(EQ):具备“读懂言外之意”、多通话记忆、辅助患者表达等能力，使患者的信任度从88.93%提升至94.60%
- 更高的参与度:由于互动更自然、更深入，平均通话时长从5.5分钟显著增加到9.5分钟，患者满意度也提升至8.95/10
- 强大的可扩展性
- 多语言能力:支持包括西班牙语、阿拉伯语、普通话在内的九种非英语语言，并能根据患者使用的语言自动切换
- 工作流程自动化:能够自动处理复杂的任务，如导航其他供应商的IVR系统、报价、安排复杂预约（错误率从8%降至0.5%），并与电子病历系统（EMR）深度集成
能力
- 大量数据的分析学习
- 对超过185万次真实患者通话数据分析学习
- 多LLM的agent架构
- 多智能体架构是一种系统设计，多个独立智能体协同工作，解决问题或执行任务，最新的Polaris 3.0是一个包含22个LLM模型的系统（4.2 trillion parametersacross 22 specialized LLM models）
- 权威且实时的医疗数据源
- 系统需要接入并能理解最新的权威医学研究和临床试验数据，以确保其建议的前沿性和科学性
- 大规模的人工验证与监管审批
- 要在一个高风险的医疗领域应用，技术必须经过大规模、专业化的医生护士团队验证和严格的监管机构审批（如获得FDA认可），这是一个极高的行业壁垒
社交辅助破冰 agent ：陌陌科技，中国
业务 | 所属领域 | 一句话概括 | 商业化策略/盈利点 | 商业表现 |
社交app：陌陌，挚文集团 | 娱乐社交 | 挚文集团在其主应用陌陌里引入了LLM技术，以女性用户公开个人信息标签和社交动态内容，为男性用户生成和优化破冰文案，增强应用内的社交转化能力陌陌主应用的AI辅助破冰功能技术路径 | 功能付费 | 数据显示，AI生成话术的回复率显著高于用户自发撰写的内容。自该功能全面上线以来，消息回复率持续攀升 |
价值-结果
- 提高平台用户社交转化能力
- 个人资料页展示：通过AI优化用户页面，提升吸引力。
- 匹配环节：基于双向画像进行更精准的标签匹配或优化匹配。
- 聊天环节：生成自动化招呼语，确保匹配后能有效进入对话；实时推荐下一句话回复，帮助用户建立更深入的社交关系。
陌陌AI破冰功能流程
- 优化用户体验
- 通过智能配图生成，帮助用户轻松创作图文动态
- 支撑现金流业务
- 新的破冰付费功能在一定程度上缓解了由头部付费用户减少带来的收入压力
- 稳定的社交基本盘成为现金流业务保持盈利能力的基础
能力
- 结构化动态理解体系
- 对用户动态内容、发布意图、社交需求、社交名片等信息的体系化理解
陌陌LLM应用场景陌陌结构化动态内容理解体系
- 基于场景反馈数据的模型持续优化
- 根据场景下用户行为反馈数据、是否点击、是否达成社交等行为反馈对偏好数据集进行打分，指导权重变化
游戏 AI 玩家：Voyager（开源）
资料来源：东吴证券、@赛脖古（公众号）、论文（arxiv）
- Voyager：英伟达首席科学家Jim Fan等人把GPT4接入《我的世界》提出的一个全新AI智能体。
- 三个关键部分组成：
- 最大化探索；有用于存储和检索复杂行为的可执行代码的技能库；
- 具备一种新的结合了环境反馈、执行错误和程序改进的自 我验证的迭代提示机制，能在一个新的Minecraft世界中利用学到的技能库从头开始解决新的任务。
- 表现出强大的情境终身学习能力，并在玩Minecraft方面表现出非凡的熟练度。它获得的独特物品是SOTA的3.3倍,旅行距离是SOTA的2.3倍，解锁关键技术树里程碑的速度是SOTA的15.3倍。
- 其他类似应用：2023年5月商汤、清华、上海人工智能实验室等机构研究人员提出的GITM框架，旨在创建游戏《我的世界》中的通用AGENT。
和同类游戏玩家agent的能力对比
AI-based 游戏：《 Whispers from the Star 》， Anuttacon （蔡浩宇）
业务 | 所属领域 | 一句话概括 | 商业化策略/盈利点 | 商业表现 |
以ai agent支撑主要玩法的FPT游戏：Whispers | 游戏娱乐 | 新创AI公司Anuttacon推出的实验性AI游戏《Whispers From The Star》，展示了当前AIGC技术在游戏中的最高集成度 | 买断制付费，待发售，售价为9.99美元，折合人民币约72元 | 推动资本市场对游戏厂商AI布局的关注，行业媒体如GameLook、游戏葡萄等持续跟踪报道技术细节 |
价值-结果
- 开创了一个全新的游戏类型
- 开发团队为这款游戏开创了一个全新的类型定义——FPT（First-person Talker），即第一人称对话游戏。该玩法的核心在于通过实时语音对话驱动情节发展和角色互动，旨在为玩家提供前所未有的沉浸式体验。
- 构建全新体验范式
- 从"任务执行"转向"关系建构"
- AI原生游戏探索：
- 用AI重构游戏存在的根基
能力
- 低延迟的实时交互能力：
- 玩家与角色的所有交互均基于语音、文本或视频，AI会根据输入内容、语气、语速等因素进行多维度判断；
- 云端实时演算：
- 游戏运行于云端服务器和云端模型调用，成本不菲，这不仅是因为模型调用需要成本，也因为实时图像渲染、面部驱动和语音生成等模块需并发运行；
- 自由度更高的AI反馈：
- AI角色不仅记忆玩家行为，还会在情绪曲线中引入“模糊逻辑”，即她不会每次都作出相同反应，而是根据当下状态生成细微差异。
5. Data Infra 与决策智能落地案例
由 Data Infra 供应商提供的 AI Agent 能力已经广泛应用于数据治理、数据仓库、BI 等上下游环节。相关用例高度定制，但共同目标包括降低模型运行成本、替代人力密集型工作或减少外包依赖，以及处理人力难以完成的数据任务。
250815 更新：调整用例优先级；补充 7-Eleven 与 Adidas 客户方案细节及后端能力的收益表现；明确“门店实时表现分析”和“创意营销助手”是 Databricks 为 7-Eleven 提供的两个产品。
5.1 Data Infra 在 AI Agent 价值链中的位置
资料源：Bessemer《Roadmap: Data Infrastructure》、Digital Guardian《What Is Data Infrastructure?》、Morgan Stanley《AI Agents Knocking at the Door》及原 Agentic AI 材料。
Morgan Stanley 将 Data Infrastructure 定义为：涵盖能够实现并管理组织结构化、半结构化与非结构化数据访问的数据管理软件。AI Agent 需要实时访问关键数据源，因此供应商的价值来自两条主线：现代化数据资产并提高数据质量，以及为快速、可靠、准确的信息检索赋能。
- 通过现代化客户数据资产并提高数据质量，让 Agent 架构具备可行性。
- 为快速、可靠和准确的信息检索赋能。
Bessemer 的 Market Map 同样显示，AI 正推动现代数据栈演化：既有数据基础设施公司不断把 AI 能力整合进数据管理，数据库也开始把 embedding 作为原生数据类型。
5.2 Databricks × 7-Eleven：营销助手与门店表现分析
归类：D / Data Infra 与决策智能；SoE + 多 Agent。一个合作中包含两个独立产品用例。
主体 | 概览 |
供应商 | Databricks（成立于2013年）是一家专注于大数据处理和人工智能的平台公司，其软件帮助企业整合数据并构建生成式人工智能应用。Databricks 提供基于云的统一数据和AI平台，支持企业构建、扩展和管理包括生成式AI在内的各类机器学习模型。在大数据和AI领域，Databricks 倡导“湖仓一体”等创新理念，凭借强大的技术生态在业界处于领先地位 |
客户 / 合作方 | 7‑Eleven 起源于 1927 年的美国德克萨斯州达拉斯，当时是一家冰屋店，后改名为 “Tote’m Stores”，现总部位于德州欧文。它是全球最大的便利店连锁品牌之一，截至 2024 年在 19 个国家经营、加盟和许可约 84,500 家门店。 |
评估维度 | 详情 |
项目时间 | 2025 年（在 2025 年 Databricks Data + AI Summit 与 NRF 展会上介绍）。 |
合作目标 | 两大合作目标：用例一：营销助手（Marketing Assistant）利用 Databricks Lakehouse 和 Mosaic AI 平台构建多用途代理营销助手，支持 7‑Eleven 营销人员生成活动创意、文案、图片审核和常见问答用例二：门店表现分析（Store Performance Insights）针对 13,000+ 家门店实时获取并分析运营表现数据，辅助运营和管理决策。 |
核心痛点 | 外部方案通用性强，难匹配品牌语调与业务流程。活动数据安全风险：未发布信息可能泄露给第三方。人工流程耗时长：Campaign ideation → 文案 → 审核 → 多渠道分发，周期长。实时性不足：无法及时采集趋势/竞品信息，易与旧口号撞车。内部早期 Chatbot 项目经验暴露检索质量、Chunking 策略、响应时延等问题。 |
实现方式 | 用例一：营销助手（Marketing Assistant）利用 Databricks Data Intelligence Platform 将销售、库存、天气等数据统一存储，使用 Mosaic AI 与 LangGraph 构建多个代理人格：多代理（multi-agent）架构：任务分解、创意生成、合规审核、图片检测等代理，通过 LangGraph 编排。数据源整合：实时门店销售/库存、历史营销活动数据等，全部接入 Databricks Lakehouse。Guardrails & 安全合规：自动检测不当内容、品牌一致性检查，符合 7-Eleven 内部营销合规标准。人机协同闭环：生成结果经人工复核与反馈，持续训练模型。监控与评估：全链路记录与效果分析，用于优化提示词、模型参数和代理策略。Mosaic AI的AI 网关保护每个模型服务的端口，确保基本的输入输出信息安全，内部通过护栏服务审查身份信息和有毒文件示例workflow：databricks X 711用例二：门店表现分析（Store Performance Insights）Databricks 数据湖平台整合销售、库存、客流等多源数据实时计算与可视化（推送给区域经理/总部）AI Agents 生成洞察与建议 |
商业模式 | 该助手为企业内部工具，通过 Databricks 的云订阅部署，未对外收费。公司内部按照平台订阅和算力资源付费。 |
价值与机会点 | 用例一：营销助手（Marketing Assistant）缩短 campaign setup 和审稿时间提升创意质量与产出速度保障未发布活动数据安全用例二：门店表现分析（Store Performance Insights）提升决策时效性与准确性发现业绩异常门店并快速采取措施优化库存与供应链管理 |
5.3 Databricks × Adidas：产品评论洞察 Agent
归类：D / Data Infra 与决策智能；RAG 驱动的专业决策支持。
主体 | 概览 |
供应商 | Databricks（成立于2013年）是一家专注于大数据处理和人工智能的平台公司，其软件帮助企业整合数据并构建生成式人工智能应用。Databricks 提供基于云的统一数据和AI平台，支持企业构建、扩展和管理包括生成式AI在内的各类机器学习模型。在大数据和AI领域，Databricks 倡导“湖仓一体”等创新理念，凭借强大的技术生态在业界处于领先地位 |
客户 / 合作方 | Adidas（阿迪达斯）成立于1949年，是全球知名的德国体育用品制造商。公司核心业务包括设计和生产运动鞋、运动服装和配饰等，其“三条纹”商标在全球具有高辨识度。作为世界最大的运动品牌之一，Adidas在体育服饰和装备领域与耐克等公司共同引领市场，在全球体育用品行业占据重要地位 |
评估维度 | 详情 |
项目时间 | 2025 年，公开在 Databricks 的客户案例。 |
合作目标 | 构建生成式 AI 聊天机器人，分析数以百万计的产品评论并提炼出设计与改进建议，为产品与市场决策提供洞察。 |
核心痛点 | Adidas 拥有庞大的用户评论数据，传统人工分析耗时且无法实时洞察客户意见；旧系统缺乏 RAG 能力，响应时间可达 15 秒以上，输入提示窗高达 20 万 token，成本高、效率低 |
实现方式 | 在 Databricks Lakehouse 上整合评论、订单与渠道数据，使用 BGE Large 模型将 200 万条评价转为向量，并借助 Mosaic AI Vector Search 构建语义索引。采用 RAG 流水线：检索相关片段并与用户提问组合，通过 Claude Haiku 等大模型生成回答前端使用 React/Angular 实现聊天界面，模型服务托管在 Kubernetes 上；Unity Catalog 确保数据与模型的统一治理利用 MLflow 记录实验和提示调优，并添加用户反馈循环提升质量改造后的系统显著缩小提示窗口和输入 token，改进提示工程，配合更高效的 LLM 实现成本优化 |
商业模式 | 内部工具，通过 Databricks 平台使用量付费。 |
价值与机会点 | 平均响应延迟由 15.5 秒降至 6 秒，实现 60% 延迟降低；通过缩减 prompt 和更换模型使运营成本下降 91.67%，输入 token 从 20 万减至 3 k，效率提升 98.5%，员工生产力提高 20%；另有 30–40% 分析效率提升，非技术用户也能自主查询并参与决策；新平台正在服务 500 多名决策者，覆盖 150+ 国家，计划到 2025 年支持 Adidas 5 亿会员并扩展到客服和知识管理等新场景。 |
5.4 Palantir × SAUR Group：合同管理
归类：D / Data Infra 与决策智能；跨系统合同治理与非结构化数据洞察。
主体 | 概览 |
供应商 | Palantir Technologies（pltr）成立于 2003 年，是一家专注于大数据分析和人工智能的科技公司。公司以强大的数据整合和分析能力闻名，为政府和企业提供企业级解决方案，帮助其从海量数据中提取有价值的洞察。 在 AI 和大数据领域，Palantir 是公认的行业领导者之一，尤其在处理复杂数据分析方面具有显著优势。 |
客户 / 合作方 | Saur Group 是一家全球性的法国公司，核心业务是水务管理和必要服务。他们的主要使命是为工业、市政和公共部门提供水处理和污水过滤等全方位解决方案，致力于保护水资源。 |
评价维度 | 详情 |
项目时间 | 2025-02-19 |
合作目标 | 通过 Palantir Foundry 平台的先进生成式 AI (Generative AI) 能力，对 SAUR 集团的合同管理流程进行变革。 |
核心痛点 | 水务与环境服务行业的合同通常是复杂的、长达数年的协议，文件可达数千页（PDF格式）。从这些复杂的合同中获得清晰、实时的洞察，对于降低风险、确保问责制和提供高质量客户服务至关重要。 |
实现方式 | SAUR 集团利用Palantir Foundry和人工智能平台 (AIP)来增强其合同管理能力。该技术能帮助 SAUR 分析和导航复杂的合同文档，将海量非结构化数据转化为结构化、可访问的洞察。 |
价值与机会点 | 显著提升效率: 以往需要大量时间和资源的流程，现在可以在几分钟内执行完毕，使团队能专注于战略性优先事项。快速规模化部署: 该项目在启动后的短短几个月内，就已成功部署给超过300名用户。流程优化: 实现了更敏捷、更透明、响应更迅速的合同管理方法。强化核心能力: 最终增强了 SAUR 满足合规要求和更好地服务客户的能力，这证明了在传统行业中，通过数据治理和生成式 AI 结合可以显著提升效率和透明度，为未来类似场景提供了范例。 |
5.5 Palantir × Fannie Mae：反欺诈 Crime Detection Unit
归类：D / Data Infra 与决策智能；面向金融风控的专业 SoR Agent。
主体 | 概览 |
供应商 | Palantir Technologies（pltr）成立于 2003 年，是一家专注于大数据分析和人工智能的科技公司。公司以强大的数据整合和分析能力闻名，为政府和企业提供企业级解决方案，帮助其从海量数据中提取有价值的洞察。 在 AI 和大数据领域，Palantir 是公认的行业领导者之一，尤其在处理复杂数据分析方面具有显著优势。 |
客户 / 合作方 | Fannie Mae（房利美）成立于1938年，由美国政府出资创立，是美国最大的住房抵押贷款融资机构之一。作为政府支持的金融企业，房利美主要通过在二级市场收购住房按揭贷款并提供担保，将其打包为抵押贷款支持证券（MBS），以提高房贷资金的流动性。房利美的使命是支持中低收入家庭的住房贷款获取，稳定住房金融市场，在美国房贷体系中发挥着关键作用。 |
评估维度 | 详情 |
项目时间 | 2025 年初（媒体报道时间 2025‑02 至 2025‑06）。 |
合作目标 | 与 Palantir 合作建立 AI 驱动的犯罪检测部门，利用生成式 AI 技术分析抵押贷款数据，检测并防止抵押贷款欺诈。 |
核心痛点 | Fannie Mae 持有或担保约 25% 的单户房贷和 20% 的多户房贷，面临复杂的抵押贷款欺诈模式；传统手工审核难以及时发现隐藏模式。 |
实现方式 | Palantir 的平台将大量金融数据汇入并利用 AI 模型识别可疑活动，分析以前难以发现的模式。高管称系统将跨数百万数据集识别难以检测的模式，帮助更快启动调查。 |
商业模式 | 战略合作伙伴关系，Fannie Mae 订阅 Palantir 软件并获得咨询支持；未公开具体定价。 |
价值与机会点 | 预期减少抵押贷款欺诈损失，提升市场安全；AI 代理支持快速发现隐藏模式（举几个例子）、加快调查速度，为金融行业打击欺诈提供模板。 |
6. 集团现有 AI 产品与外部用例比较
参考资料： 内部资料
- 平面素材输出的能力
JDT的领航者产品拥有databricks为阿迪达斯定制的营销助手类似的场景和功能
京东；外部
- 依赖传统chatbox交互，需要用结构化的自然语言输入规格、场景等信息
- 用户输入-AI返回结果的单一链路
- （预期功能）直接从活动提案和过往数据中析出合规、多场景、契合企业文化的物料设计，每条tagline/创意都有“生成理由”，方便用户理解并做细调（迭代优化）
- 监管agent分发到创意/撰稿/通用agent，多代理协同，提高生成效果，并实现AI的自我合规检查
- 用户的使用模式差异
- 模板化输入，策略明确但对营销创意有所限制
- 同样的图形化界面，品牌调性、受众群体、年龄等结构化输入仅作为可选项，可自由执行
- “营销中台不会用？问智能助手”
- 自动发送交接材料包到营销创意部门，从idea到输出实现自动化
- 可扩展性
- 模板依赖内部预设和数据，可靠、稳定
- 利用agent特性，调用外部检索tool，兼具marketing能力