2025 Agent厂商全景报告

1

|

2025爱分析A

t

厂商全景报告2023

爱分析

·大模型厂商全景报告报告指导人张扬爱分析联合创始人&首席分析师报告执笔人李进宝爱分析高级分析师2

|

2025爱分析·Agent厂商全景报告报告编委目录1.

研究范围定义

..................................................................................................62.

厂商全景地图

.................................................................................................113.

市场分析与厂商评估

.......................................................................................193.1

对话式智能分析Agent

...........................................................................19Aloudata

...............................................................................................

21思迈特软件

.............................................................................................

263.2智能办公Agent

......................................................................................

29蓝凌

.......................................................................................................

333.3

营销Agent

............................................................................................

36深演智能

................................................................................................

41天娱数科

................................................................................................

473.4

陪伴式智能硬件

.....................................................................................50网易云信

................................................................................................533.5

数字人Agent

........................................................................................57百度慧播星

.............................................................................................

603.6Agent开发管理平台...............................................................................64浩鲸科技

................................................................................................

67容智信息

................................................................................................

72拓尔思

...................................................................................................803

|

2025爱分析·Agent厂商全景报告3.7

对话式AI

...............................................................................................

84声网

.......................................................................................................

874.

入选厂商列表

.................................................................................................92关于厂商全景报告

.............................................................................................102关于爱分析

.......................................................................................................103研究与咨询服务

................................................................................................

104法律声明

..........................................................................................................

1054

|

2025爱分析·Agent

厂商全景报告研究范围定义1.

研究范围定义研究范围当前

，全球科技格局正在经历一场由生成式人工智能驱动的深刻范式革命

。智能体（

Agent）

的崛起，被视为继大语言模型（

LLM）后，AI技术迈向自主决策和复杂任务执行能力的关键飞跃。Agent不再仅仅是辅助人类进行内容生成的工具

，而是能够自主理解目标

、制定规划

、并利用外部工具采取行动的复合系统。从技术内涵来看

，现代Agent的突破性架构可解构为四大核心要素

：LLM（大模型

，提供推理与语言理解核心）

+

规划能力+记忆模块+外部工具

。正是这种结构

，使得Agent能够通过访问实时数据、调用外部API并维持任务的长期一致性与准确性，从而实现复杂流程的自动化，即自主智能体。这种能力上的质变

，使得Agent

区别于传统的聊天机器人或需用户全程监督的AI助理

，后者通常在用户的请求或提示下运行

，而最终决策权仍在于用户

。Agent

的出现

，标志着AI应用正在从被动响应式工具

，转向具备主动性

、能够实现任务闭环的执行系统。这一技术范式革新恰逢国家战略布局的关键时期

。关于制定国民经济和社会发展第十五个五年规划的建议

，明确提出了“全面实施9人工智能+9行动”。这一行动旨在“以人工智能引领科研范式变革”，并“全方位赋能千行百业

”，抢占人工智能产业应用制高点

。在这一战略框架下

，Agent扮演的角色绝非简单的效率工具

，而是驱动“发展新质生产力

”的核心引擎

。其战略意义在于

，Agent通过推动数据转化为能够创造价值的新型生产要素

，并从根本上重塑劳动力

、资本等传统生产要素的价值与配置

，最终实现全要素生产率的显著提升

，进而服务于中国式现代化建设。智能体的发展已上升至国家战略高度，并被赋予明确的普及目标。国务院于2025年8月印发了《关于深入实施“人工智能+”行动的意见》（以下简称《意见》

）。该《意见》对智能体的战略意义和6

|

2025爱分析·Agent厂商全景报告推广速度进行了系统部署

，

旨在“推动人工智能与经济社会各行业各领域广泛深度融合

，重塑人类生产生活范式

，促进生产力革命性跃迁和生产关系深层次变革”。《意见》

为智能体的普及设定了极具前瞻性和确定性的量化目标

，将Agent提升至“新基础设施”的地位：l

到2027年

，新一代智能终端

、智能体等应用普及率需超过70%。l

到2030年

，新一代智能终端

、智能体等应用普及率需超过90%。如此高的普及率目标意味着智能体不再是可选项

，而是构建“人机协同

、跨界融合

、共创分享的智能经济和智能社会新形态”的基础性要求

。政策的强制性引导和高确定性目标

，为Agent市场的规模化应用和持续创新提供了坚实的政策红利和广阔的赛道空间

。市场主体必须认识到

，智能体的推广已成为国家深化产业创新

、促进技术普惠和成果共享的关键机制。在此背景下，爱分析对Agent市场进行了系统研究和重新梳理，形成了最新的《Agent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。7

|

2025爱分析·Agent厂商全景报告本报告重点选取对话式智能分析Agent

、智能办公Agent

、营销Agent

、陪伴式智能硬件

、数字人Agent

、Agent开发管理平台和对话式AI等7个市场进行深入研究

，

旨在通过对这7个重点市场的分析，揭示Agent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。8

|

2025爱分析·Agent厂商全景报告厂商入选标准本次入选报告的厂商需同时符合以下条件：l

厂商的产品服务满足各市场分析的厂商能力要求；l

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）；l

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Q4至

2025

年

Q3）9

|

2025爱分析·Agent厂商全景报告厂商全景地图10

|

2025爱分析·Agent厂商全景报告2.

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Agent市场中具备成熟解决方案和落地能力的入选厂商。11

|

2025爱分析·Agent厂商全景报告12

|

2025爱分析·Agent厂商全景报告13

|

2025爱分析·Agent厂商全景报告14

|

2025爱分析·Agent厂商全景报告15

|

2025爱分析·Agent厂商全景报告16

|

2025爱分析·Agent厂商全景报告17

|

2025爱分析·Agent厂商全景报告市场分析与厂商评估18

|

2025爱分析·Agent厂商全景报告3.

市场分析与厂商评估爱分析对本次Agent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Agent市场定义：对话式智能分析Agent是基于大模型和Agent技术，以自然语言交互方式，实现企业数据查询、敏捷分析

、深度洞察与自动化报告生成等功能的新一代智能分析解决方案。甲方终端用户：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：主要集中在提升全员用数效率

、支持高层决策以及实现更深层次的业务洞察和优化建议等方面

。此外

，IT部门也关注Agent平台在企业

AI生态中的统一性和兼容性。l

洞察驱动决策：从数据查询到问题解决思路的全链路支撑

。企业不满足于Agent只是简单地查询数据，而是希望借助大模型的深层分析能力，实现更高效的深度洞察

。

Agent应能够提供分析思路

、帮助用户洞察数据背后的问题根因

、定位问题

，并给出解决问题的思路，甚至提出优化业务动作的建议，从而形成从数据到决策的完整闭环。l

敏捷高效用数

：打破传统数据需求的沟通壁垒与漫长等待周期

。这是普遍且务实的一类需求。19

|

2025爱分析·Agent厂商全景报告在传统模式下

，业务方提出需求后

，需要经历一个等待周期才能得到满足

，不够敏捷

。客户寄希望于Agent能找到一条路径

，让需求的表达和满足都变得更加顺畅和敏捷，从而加快业务用数的效率，实现全员数字化的敏捷性和灵活性。l

顶层决策支持：为一把手看数提供直观

、快捷的AI落地形式

。这类需求相对直接

，主要诉求是落地AI，

以便给领导看数

。这在央国企和部分金融企业中较为普遍

。企业希望利用Agent的对话能力，将固定报表信息或核心指标的查询，转化为对话式的交互方式，以满足高层对数据快速

、直接获取的需求。l

AI生态统一

：实现多Agent系统的兼容互通与底座统一

。甲方的

IT部门在考虑AI项目时

，倾向于在统筹层面进行规划

。他们不希望AI项目“百花齐发

”、各自独立，

因此要求Agent平台能够提供大的底座或MCP服务

，强调产品间应具有更好的生态兼容性，能快速接入智能问答

、知识库等其他AI服务。厂商能力要求：厂商应具备强大的数据工程和企业级治理能力

，以保障结果的可靠性和系统的性能。l

准确性与灵活性兼顾

：不仅要查得准

，更要查得全

、查得深

、查得活

。这是客户问Agent的第一件事，

因为问数的容错度非常低

。厂商不能仅为了准确性而采取“写死”的固定查询方案，那将退回传统固定报表模式

，成为伪需求

。真正的能力要求是

：在保证准确性的基础上

，实现查询的灵活

、全面和深入，从而满足客户不断迭代的分析和策略探索需求。l

深层数据工程支撑：

大模型+语义层/指标平台构建可靠的数据中介

。客户关注厂商与数据工程的结合方式。大模型本身无法替代复杂的数据工程

，企业数据的体系建设水平和数据质量是决定查询准确性的前提

。厂商需要提供高效

、高质量的取数工作流

，例如通过指标平台的语义层20

|

2025爱分析·Agent厂商全景报告作为语义中介

，而非完全依赖大模型直接生成SQL

，以确保数据可查准和可控。l

极致查询响应速度

：解决海量数据查询的耗时痛点

。除了准确性

，客户还要求查得快

。

由于数据分析涉及从数仓中捞取海量数据

，因此不同于业务应用端的快速返回，Agent需要具备高效的数据处理和查询优化能力

，以应对数据量大带来的查询延迟问题。l

企业级权限管控

：保障数据安全和个体使用范围的边界清晰

。作为企业级应用

，Agent必须具备严格的数据权限管控能力。厂商需要能够为每一个业务人员提供服务

，并确保每个人员都能在自己的权限范围内进行查询和分析，

防止数据权限的泛滥或滥用。入选标准：1.

符合对话式智能分析Agent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：Aloud

ata'Aloudata厂商介绍：Aloudata大应科技是一家自动化数据管理软件提供商

，

国内Data

Fabric（数据编织）

架构理念21

|

2025爱分析·Agent厂商全景报告的实践者与引领者

，业内首倡NoETL

数据工程模式

，

自研了包含逻辑数据编织平台

、主动元数据平台

、

自动化指标平台及分析决策

Agent

在内的

NoETL产品家族

，并在金融

、零售

、制造

、航

空

、能源

、交通等行业落地应用

，帮助企业重塑

AI-Ready

的数据基建

，实现可信的智能决策。Aloudata

被Gartner

、IDC

等国际知名研究机构列为数据编织

、数据资产管理及“GenAI+Data”等领域的代表厂商。产品服务介绍：Aloudata

Agent

是一款对业务用户友好的对话式分析决策智能体。该产品以“

NoETL明细语义层+多

Agent

”架构为支撑

，通过独创的NL2MQL2SQL（

MQL：

MetricQueryLanguage）技术路径，解决了企业直接采用大模型进行数据查询时普遍存在的“数据幻觉”问题，精准对齐业务语义与

数据语言

，实现以指标中心的对话式数据分析。Aloudata

Agent首先能够精准理解业务意图

，生成指标语义查询MQL

，

随后由指标语义引擎将MQL自动转化为100%准确的SQL语句

，结合智能物化加速策略

，高效

、准确输出数据结果。指标语义引擎还会通过查询

API

鉴权，核查业务对查询指标、维度及相关数据的权限，保障数据安全。22

|

2025爱分析·Agent厂商全景报告Aloudata

Agent

提供明细级维度归因和智能因子归因能力

，帮助业务快速定位问题源头

。针对复杂分析任务

，Aloudata

Agent

还可自动制定分析思路和任务规划

，生成包含数据结果查询

、异常发现

、归因

、对比与改善措施建议的结构化报告

，将数据洞察转化为可执行的业务动作

。AloudataAgent

通过“智能问数（是什么）-智能归因（为什么）-智能报告（怎么做）”的分析闭环和场景化的分析助手精准赋能业务决策与创新

，推动企业数据民主化。厂商评估：Aloudata

是一家以数据工程自动化为基因的厂商，其对话式分析决策智能体

Aloudata

Agent

不是一个孤立的

AI

应用

，而是构建于其成熟的指标平台和NoETL

工程架构之上的自然延伸

。其核心特点在于

，通过在大模型与数据仓库之间引入一个强大的NoETL明细语义层作为数据底座

，在架构层面解决了大模型直接查询数据所带来的准确性和灵活性难题。该产品在设计上注重分析过程的透明化与用户干预能力

、场景知识沉淀与隔离能力

，

以及交互式引23

|

2025爱分析·Agent厂商全景报告图：Aloudata

Agent

整体架构l

以NoETL明细语义层为数据底座

，解耦大模型的不确定性与数据分析的严肃性。Aloudata

Agent的NL2MQL2SQL

技术路径

，是在大模型和底层数据源之间增加了NoETL明细语义层

。这一设计规避了让大模型直接生成SQL

查询数据库的普遍做法

。在此架构下

，大模型的核心任务被限定在它所擅长的自然语言理解和用户意图识别上

，

它负责将用户的提问转换成对指标语义层的查询逻辑（MQL）。而后续所有对数据准确性

、查询性能

、权限安全等要求极高的“确定性”工作

，则交由后端更可控、更成熟的指标语义引擎来完成

。该引擎负责将MQL

精准地转化为查询SQL，选择最优的查询路径并与底层数据仓库交互。这种架构，本质上是将大模型的不确定性与数据分析的严肃性进行了解耦，是能够保障查询准确性和查询性能的关键所在。借助于NoETL明细语义层的能力

，用户无需提前预定义大量派生和衍生指标

，仅定义基础指标和维度即可

。Aloudata

Agent

在识别问数意图后

，可动态生成指标和维度的各种组合

、筛选条件和导和追问

，并支持构建场景化数据分析助手

，

旨在提升业务在灵活探索数据时的信任度与掌控感。24

|

2025爱分析·Agent厂商全景报告衍生计算逻辑

，以原子粒度的语义要素的动态组合来满足无限的分析可能。l

对话式分析能力“长”在NoETL

数据工程之上

，不是浮于表面的“大模型套壳”。如前所说

，Aloudata

Agent

是构建于成熟的指标平台和NoETL工程架构之上的自然延伸

。这意味着，该产品不是简单地为大模型包装一个问答界面

，而是一个向下扎根的完整的数据准备

、治理、查询和分析的体系工程

。它的能力不止于前端的自然语言交互

，还内嵌了后端的ETL自动化

、查询加速

、数据建模规范等一系列数据基础设施的核心能力。这一特性使其有能力系统性地解决对话式分析中的工程难题。例如，面对海量数据的复杂查询

，“查得快”依赖于其指标引擎的自动化物化和查询路由能力；而保障数据不越权

、口径一致的“管得住”，则依赖于其指标定义和权限管控能力

。这种深度的工程基因

，构成了区别于单纯

AI

应用厂商的核心壁垒。l

产品设计注重“可解释性”与“可干预性

”，致力于将分析过程的主导权交还用户。针对大模型作为“黑盒”所带来的普遍信任问题

，Aloudata

Agent

在产品交互层面做了特别设计。它允许用户清晰地看到大模型对查询意图的理解过程

，包括识别了哪些指标和维度

，从而判断其理解是否准确

，避免“数据幻觉”。同时

，产品提供了一系列用户干预机制

。当模型对用户的模糊问题无法准确识别时

，

它会通过“反问

”的方式与用户进行二次确认；

用户也可以在生成图表后

，

随时调整查询的条件

、维度或指标。此外，交互式的下钻分析

、引用上下文进行追问等功能

，也让整个分析过程不再是“一问一答”式的被动接收

，而是由用户主导的

、逐步深入的探索过程

。这些设计旨在降低AI应用的使用门槛

，并构建业务人员对查询结果的信任感。l

深度适配业务场景支持创建个性化数据分析助手

，更贴合业务需求和分析习惯。25

|

2025爱分析·Agent厂商全景报告在企业真实的业务经营

、管理中

，

门店运营

、

区域管理

、财务

、人力等角色所关注的问题

、使用的术语

、依赖的数据完全不同

，所以一个“通用型”的数据分析助手已难以满足深度业务需求。对此

，Aloudata

Agent

深度融合专业领域业务知识

，可以按照不同业务职能或数据领域

，帮助不同业务角色在统一数据底座上，创建个性化的智能数据分析助手，如门店数据助手

、财务分析助手、区域经营数据助手

、人资数据助手

，更直接地获取所需的数据和分析报告。典型客户：某国家大型基础设施建设和运营央企

、某头部品牌服饰企业26

|

2025爱分析·Agent厂商全景报告思迈特软件厂商介绍：广州思迈特软件有限公司（

Smartbi）成立于

2011

年

，专注于智能数据分析领域

。作为国内领先的商业智能（BI）和AI应用厂商

，思迈特致力于提供基于Agent

BI的数据分析平台和解决方案

，尤其在金融BI

市场占据领先地位

，并服务于央国企

、制造等高价值行业。产品服务介绍：作为思迈特软件核心产品之一

，

白泽智能BI平台（Smartbi

AIChat）

以

“智能体平台

+

数据智能体应用市场

”

的创新形态实现突破性迭代。平台底层搭载支持工作流编排、多智能体协作与RAG知识库管理的全栈技术底座

，深度封装多年沉淀的指标模型

、数据模型及BI

分析能力为可灵活调用的插件，通过工作流引擎即可接入各类数据分析插件与第三方MCP

服务，快速构建分析

、专家、报告等场景化数据智能体

。同时

，产品兼容标准MCP

、A2A协议

，具备双向开放扩展能力

，既能接入外部工具丰富功能矩阵，也可向第三方系统开放核心分析能力，构建开放融合的智能分析生态，为企业提供从数据查询

、深度洞察到决策落地的全链路智能支撑。厂商评估：思迈特软件在对话式智能分析

Agent

市场的竞争优势主要体现在其深厚的BI基础和对

Agent

技术体系化的应用

。凭借在金融

、央国企等行业积累的头部客户资源和完善的企业级指标体系

，思迈特构建了面向复杂分析场景的多智能体协同平台

。其核心能力在于将传统BI的多维计算

、数据治理与指标体系构建能力以及大模型的自然语言理解

、推理规划能力有效结合

，形成涵盖“分析智能体

”、“专家智能体”和“

自定义智能体”的层次化解决方案

，具备较强的技术落地基础和行业经验沉淀。l

优势在于深厚的BI

基础

，而非单纯的大模型能力

。思迈特作为资深的商业智能厂商

，其对话27

|

2025爱分析·Agent厂商全景报告式

Agent业务不是从零开始

，而是构建在成熟的企业级数据分析平台之上

。这种BI底座的优势体现在对企业数据资产（尤其是指标体系）的深刻理解和管理上

。Agent

BI的准确性和可靠性

，很大程度上依赖于底层统一的指标口径和数据模型

，而这是传统BI厂商的核心竞争力。这种结合避免了单纯依赖大模型在企业数据中“盲查”的弊端，保证了分析结果的业务规范性和数据一致性

，为

Agent的复杂计算和逻辑推理提供了坚实

、可信的数据基石

。因此

，思迈特的

Agent

产品在解决业务规范性和数据质量要求高的企业级应用中

，具有结构性优势。l

构建多智能体协同框架，覆盖从明确查询到模糊决策的完整分析链。Smartbi

AIChat已发展至V4

版本

，Smartbi

AIChat

V4

采用多智能体架构

，通过“智能助理”统一入口

，

自动路由至不同职能的

Agent

。例如

，“分析智能体”专注于高效率

、精确执行用户对明确指标的查询和可视化需求

，实现“快准稳

”的执行；“专家智能体”则承担更复杂的角色

，能够破译模糊

、开放式的业务问题(如“分析经营情况”)进行任务拆解

、归因穿透

、预测建议，并生成结构化的报告;“

自定义智能体”聚焦个性化场景适配

，可生成指向性报告，支持开放式追问等，助力用户对分析主题进行深度探索与挖掘。l

采用RAG

技术深化企业知识储备，有效提升

Agent的业务语境理解力。为了解决Agent

作为“新员工”不理解业务的问题

，思迈特通过全面的

RAG技术将企业私有数据

、指标模型

、表结构等转化为知识图谱进行存储

。这种机制使得

Agent

能够迅速掌握业务数据和关联关系，成为“企业业务通”。知识储备还包括专业的行业知识模板和复杂查询案例的积累，并通过用户反馈进行实时调优和自学增量更新。这种机制显著提升了

Agent

在处理业务问题时的精准度、减少了歧义

，并保证了输出结果的业务相关性和深度。l

技术栈具备开放性和可扩展性

，支持与客户IT生态的深度集成

。平台在技术实现层面展现了较高的开放性

。例如

，系统支持NL2Python的代码生成能力

，并允许灵活调用第三方插件

，

以28

|

2025爱分析·Agent厂商全景报告及通过Spark自定义流程和

Python

沙盒进行深度分析和机器学习能力的扩展

，而非将所有计算能力封闭在Agent自身内

。此外

，针对大型企业客户的高性能和安全要求

，

SmartbiAIChat

V4

新增了对客户自有向量数据库的接入支持

。这不仅解决了内置轻量级向量库的性能瓶颈

，也提升了系统在多节点集群场景下的扩展性和灵活性

，体现了其在大型项目落地方面的工程化考量。l

客户群体聚焦高价值行业

，有利于形成行业应用壁垒

。思迈特的客户结构以金融

、头部制造企业

、央国企等为主

，这些行业具有数据密集

、分析需求复杂的特点

，且对数据安全和产品成熟度要求极高

。凭借在金融行业的深度客户沉淀与场景实践

，思迈特逐步形成行业领先优势

，其Agent

BI

产品不仅获得金融、央国企等标杆客户的实践验证与认可，更在真实复杂场景中完成了技术迭代与能力闭环。通过将高价值客户的业务需求与产品技术深度融合，思迈特

Agent

平台构建了“行业业务知识

+

场景化解决方案

”的双重壁垒

，核心竞争力持续凸显

。此外

，以金融行业积累的成熟能力与品牌认可为基础

，联合浪潮云

、智谱等生态伙伴展开战略合作

，其Agent

能力已实现跨平台

、跨场景的集成应用

，成功切入更多行业的企业AI转型大单

，市场覆盖边界持续拓宽。典型客户：某大型央企能源集团

、某半导体头部企业

、某头部券商机构

、某综合性央企集团

、某城市级政务综合体3.2智能办公Agent市场定义：智能办公Agent是基于大模型和Agent技术框架

，深度集成企业现有的OA

、知识管理

、业务系统29

|

2025爱分析·Agent厂商全景报告等

，

旨在模拟或部分代替人类员工完成流程性

、事务性

、知识型工作

，提升企业运营效率和员工办公体验的新一代智能应用。甲方终端用户：终端用户是企业的全体员工

，但中层干部

、知识密集型岗位（如研发

、法务

、财务

、人事等）和高层管理者是该类Agent的核心价值体现者。甲方核心需求：企业对智能办公Agent的需求，已经从追求工具效率转向追求生产力提升，核心是让Agent成为“类人”员工

，在关键价值链上代替或辅助员工完成工作

，从而实现降本增效和知识沉淀

。企业对智能办公Agent的期望已超越简单的问答工具

，集中在四大核心诉求上：释放员工时间（从事务性工作中解脱）、提升岗位生产力（在专业领域代替或辅助人）、赋能企业知识（

通过专业知识构建壁垒）、以及提供一体化体验（统一入口和跨系统集成）

。l

生产力突破

：从"工具"到"类人"

，将Agent视为岗位的生产力延伸

。

甲方最核心的需求是希望Agent能代替或部分代替人。这要求Agent不能只停留在简单的“工具”层面，而是要具备“类人思维

”，能够锚定企业核心价值岗位

，理解岗位工作流程

，释放员工的时间去处理更具创造性和复杂性的任务

。例如

，在研发或法务等知识型岗位中

，Agent应能完成专业的知识检索、内容生成

、流程推动等复杂任务

，真正成为岗位生产力的有效延伸。l

知识结构化与赋能

：将企业内部海量知识转化为业务壁垒

。对于知识密集型企业

，其核心资产是“知识”。企业希望Agent能够深度挖掘和沉淀企业内部的非结构化数据（如文档

、聊天记录

、历史项目经验等），并将其结构化

、专业化，从而形成一套企业专属的“知识库或经验集”。30

|

2025爱分析·Agent厂商全景报告通过Agent的智能问答和知识服务

，能够快速赋能新员工

、打破部门间的知识孤岛

，并形成企业的核心业务壁垒。l

跨系统与流程整合

：让Agent成为统一入口

，

实现"多系统合一"的一体化办公体验

。企业内部的业务系统（如OA

、ERP

、CRM

、HRM等）

通常相互独立

，导致员工需要频繁切换应用和跨系统操作

。客户迫切需要智能办公Agent

能够提供一个统一的对话入口

，通过自然语言调用后台的多个系统和工具

，完成一个完整的跨系统业务流程

，从而大幅简化员工操作

，提升工作连续性。l

高层决策辅助

：提供快速

、精确的企业运营态势洞察

。智能办公Agent也需服务于高层决策。通过整合企业运营数据和知识

，Agent要能快速响应高层对企业运营态势的提问

，例如销售进度

、项目风险

、人员结构分析等

，以便高层能迅速获取关键信息

、洞察潜在风险

，并支持其进行更精细化的管理和决策。厂商能力要求：厂商需要具备的不只是大模型技术，更重要的是对企业管理和业务流程的深刻理解

，以及将AI能力嵌入到企业核心业务流中的工程化能力

。厂商需具备的能力要求聚焦在四大关键点

：流程编排能力（将AI融入复杂业务）

、知识工程能力（处理和治理企业私域知识）

、生态集成能力（兼容企业现有IT资产）

、以及实施方法论（保障项目落地效果和推广）。l

业务流程的理解与编排：

能够将Agent能力嵌入到复杂的企业业务流程中

。智能办公Agent不能是独立的“玩具

”，必须是企业业务流程的一部分

。这要求厂商具备强大的流程编排能力，能够深刻理解企业复杂的

、跨系统的审批

、报销

、项目管理等业务逻辑

，并将Agent的能力作为关键环节嵌入其中

，实现流程的自动化和智能化推动。31

|

2025爱分析·Agent厂商全景报告l

知识工程与治理能力：解决企业私域知识的获取

、清洗

、更新与权限控制

。智能办公Agent的核心竞争力在于其对企业私有知识的利用

。厂商需要拥有完善的知识工程能力

，能够高效地采集

、清洗

、抽取

、向量化企业海量的多模态数据

，并解决知识的时效性更新问题

。同时

，必须具备企业级的知识权限管理能力

，确保员工只能获取其职权范围内的知识。l

丰富的IT生态集成经验：兼容并纳管企业已有的遗留系统和

IT资产。企业的

IT环境是复杂的，存在大量遗留系统

。厂商必须具备与主流OA

、ERP

、CRM

、HRM等系统深度集成和纳管的能力。这种集成不仅是简单的API对接，还包括对旧系统的适配以及数据的安全传输，确保Agent能够顺畅地调用和整合不同系统中的信息和服务。l

体系化的项目实施方法论

：帮助客户找到价值点并推动AI在企业内部的普及

。

由于Agent是新兴事物

，客户往往缺乏落地经验

。厂商需提供一套从战略到实施的完整方法论

，帮助客户从“找准核心价值岗位”开始

，完成“样板点建设

”，并通过内部竞赛

、培训等方式“加速价值实现和推广”。这套方法论能有效保障项目从

PoC到全面推广的成功率。入选标准说明：1.

符合智能办公Agent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：32

|

2025爱分析·Agent厂商全景报告蓝凌厂商介绍：深圳市蓝凌软件股份有限公司成立于2001年

，中国领先的数智化办公专家

、《知识管理国家标准》参编单位。为各类组织提供LanBots.AI智能体搭建与管理平台、数智空间、智能知识管理平台aiKM

、aiOA

、aiBPM流程

、ai低代码

、智能合同等产品方案

，成功服务中国邮政

、国投证券

、招商银行、宁德时代

、OPPO

、赛力斯

、云南白药

、中国地质大学等5万家组织。产品服务介绍：蓝凌在Agent领域的核心产品为“

LanBots.AI智能体搭建与管理平台

”，其研发历程从2017年的“框计算”理念演进至当前的3.0智能体阶段。该产品不仅是单一的对话工具，而是由“数智化空间

、智能体中台

、知识湖仓”构成的“三件套”解决方案

。

在架构上

，

LanBots.AI融合了感知

、思考

、行动（

FlowBots）与记忆系统，深度集成主流大模型（如

DeepSeek、通义千问）及OCR等小模型。其核心差异化在于“FlowBots”智能体编排能力

，能够结合蓝凌成熟的BPM流程引擎

，实现从意图识别到业务操作（如自动填单

、审批

、风险合规）

的闭环

。此外

，产品强调数据治理

，通过知识湖仓为Agent提供高质量的专有数据支撑

，解决企业“幻觉”痛点

，支持本地化部署以保障数据安全。33

|

2025爱分析·Agent厂商全景报告图

：蓝凌LanBots.AI产品三件套厂商评估：在当前智能办公Agent市场中

，蓝凌展现出了鲜明的“

B端实战派”特质

。与侧重算法模型的互联网大厂不同，蓝凌的核心竞争力在于对大型企业复杂业务逻辑的深刻理解及“最后一公里”的落地交付能力

。蓝凌并未试图在通用大模型底座上进行军备竞赛

，而是采取了“CIO视角”的平台化策略，将Agent视为企业级基础设施而非碎片化工具

。通过将深耕多年的流程引擎（Action）与知识管理（

Memory）

能力与大模型技术解耦融合

。蓝凌有效解决了Agent在企业侧落地时面临的“行动力不足”与“数据质量差”两大核心阻碍

。其“咨询+服务”驱动的交付模式

，使其在央国企及大型制造业等高门槛市场中

，具备了较高的项目成功率和客户粘性。l

坚持“CIO视角”的平台化策略，通过构建统一的智能体中台解决企业应用碎片化与安全管控难题

。在企业级市场

，尤其是央国企与大型集团中

，IT建设的碎片化（“烟囱”效应）是CIO面临的长期痛点

。蓝凌在Agent产品的设计上延续了其“中台化

”的产品基因

，不鼓励部门级或员工级零散地搭建不可控的Agent

，而是主张通过统一的基座进行集约化建设

。

这种策略的核心34

|

2025爱分析·Agent厂商全景报告价值在于“可控”与“复用”。从CIO的视角来看

，分散的智能体工具会导致数据泄露风险激增且难以维护；而蓝凌提供的“数智化空间

、智能体中台

、知识湖仓”三件套

，实际上是为企业构建了一个统一的智能体运行环境

。通过这一中台

，企业可以统一管理算力资源

、统一控制数据权限

、统一编排业务流程

。这不仅顺应了大型企业（特别是央国企）对合规与安全的刚性要求，也符合国务院相关政策对企业智能体渗透率的宏观指引

，使得蓝凌在承接集团级

、系统级的大型AI项目时具备天然的架构优势。l

以“行动力”为核心差异点

，利用成熟的流程引擎将Agent从“对话框”推向“业务流”。当前市场上的Agent产品普遍存在“重思考

、轻行动”的现象

，即擅长信息检索与生成

，但难以直接操作业务系统

。蓝凌敏锐地捕捉到了这一痛点

，

明确提出Agent必须具备“行动能力”才能产生业务价值

。

蓝凌的竞争壁垒在于其拥有沉淀多年的

BPM（

业务流程管理）引擎与低代码能力

。在

LanBots产品体系中

，FlowBots（流程智能体）

占据核心地位

，它能够调用企业原有的工作流接口

，实现自动填单

、

自动审批

、跨系统调用等复杂操作

。例如

，在合同管理或财务报销场景中

，Agent不仅能回答政策问题

，还能直接提取单据信息并发起审批流程

。这种将NLP技术与工作流引擎深度绑定的能力，使得蓝凌的Agent能够真正替代部分人工岗位（如初级审核员

、客服）

，而非仅仅充当辅助咨询的助手

，从而在销售

、客服

、研发等对“人效”敏感的部门实现了可量化的商业价值。l

依托知识管理（

KM）传统优势

，以高质量的数据治理能力构筑Agent的“记忆系统”。数据质量是决定企业级Agent成败的关键因素

。与单纯的技术厂商相比

，蓝凌作为《知识管理国家标准》参编单位，在非结构化数据处理领域拥有深厚的积累

。

蓝凌认为

，单纯依靠大模型的推理能力无法解决企业特有的业务问题

，必须依靠高质量的“知识实体”与“本体论”来增强模型的表现

。因此，蓝凌的方案极其强调“知识湖仓”的建设，在项目实施中引入类似

Palantir的FDE35

|

2025爱分析·Agent厂商全景报告（前置部署工程师）模式

，帮助客户进行数据清洗

、知识结构化与治理

。这种“治理先行”的理念

，使得蓝凌的Agent在处理制度问答

、情报分析等依赖高准确度的场景时

，能够显著减少模型幻觉

，提供更精准的RAG（检索增强生成）体验。l

采用“超级个体”方法论与高强度的驻场服务

，确保复杂场景下的项目交付成功率

。在Agent落地过程中，技术往往只占成功的20%，剩下的80%取决于场景选择与工程化服务

。蓝凌坦诚地承认大厂模型能力的同质化

，因此将竞争重心转向了“服务能力”与“落地方法论”。针对企业高层预期过高但落地无从下手的挑战，蓝凌提出了一套务实的“超级个体”实施方法论：不盲目追求全员覆盖

，而是锚定企业内的高价值岗位（如金牌销售

、资深研发）

，通过Agent将其能力标准化并复制给普通员工

。同时

，蓝凌摒弃了SaaS化的轻交付模式

，愿意投入高成本的实施顾问深入客户现场，与业务部门共同梳理场景

。这种“重服务”的模式虽然牺牲了部分利润率，但极大地提升了项目的存活率与客户满意度。特别是在许多企业对AI项目持观望态度或经历过失败尝试的背景下

，蓝凌这种做深做透的能力

，成为其在B端市场建立口碑的关键。典型客户：赛力斯

、

中科星图

、某央企世界500强

、某500强集团型企业3.3

营销Agent市场定义：营销Agent是指基于语言模型

、多模态模型

、专家模型等构建的智能体系统

，专注于营销全链路的智能决策与执行自动化

。营销Agent覆盖用户洞察

、内容生成

、广告投放

、客户互动

、数据分析等场景

，

旨在提升营销效率

、降低人工成本并优化商业回报。36

|

2025爱分析·Agent厂商全景报告甲方终端用户：企业营销部门

、销售部门

、客户服务部门

、数据分析团队等。甲方核心需求：以下为企业对于营销Agent的核心需求：l

提升营销决策效率与准确率

。在当前的数字营销环境中

，企业面临的核心挑战之一是如何在海量数据和全渠道交互中快速做出高精准度的决策。传统的营销流程依赖人工分析

、分段执行和滞后反馈

，导致决策周期长

、响应速度慢

，且容易因主观判断或数据碎片化而影响决策准确度

。甲方企业迫切需要通过技术手段实现营销决策的智能化

，从而在激烈的市场竞争中抢占先机。企业对于营销决策的强烈诉求

，源于数据价值未被充分挖掘

。许多企业虽已部署CDP

、MA等系统

，但这些系统往往无法支撑实时决策

。例如

，广告投放策略通常基于历史数据预设

，无法根据实时用户行为动态调整。同时

，营销场景的复杂性和多变性进一步放大了对决策效率的需求

。例如

，在促销活动期间，企业需快速响应流量峰值

、突发舆情或竞品动作

，但人工团队难以在秒级时间内完成人群重定向

、

内容调整和渠道分配。因此

，企业需要营销Agent能够替代人工完成决策任务

，如实时人群圈选

、个性化内容生成和跨渠道触达策略优化等。l

覆盖多营销场景

，

以及支持多模态

。企业为应对碎片化流量和个性化消费

，迫切需要一种能够覆盖全链路营销场景

，并支持多模态交互的智能体解决方案。37

|

2025爱分析·Agent厂商全景报告企业希望打破场景与模态之间的隔阂

，

实现跨渠道

、多形态的连贯体验

，

从而最大化用户engagement与转化效率。具体而言

，

甲方需要营销Agent支持营销全流程

，以及人群圈选

、策略设定

、广告投放

、客服咨询

、社媒评论等全场景

。若Agent仅支持单一场景

，则企业仍需人工协调多平台

，导致效率损失和数据断裂。多模态支持的需求

，尤其凸显在内容生成与用户洞察场景

。甲方企业需通过Agent同时处理文本（如用户评论）

、图像（如产品图片）

、语音（如客服录音）等输入

，并输出跨模态的响应。此外

，场景与模态的复杂性要求营销Agent具备上下文连贯性

。例如

，用户可能在抖音看到视频广告

，随后到私域客服中文字咨询

，企业需确保Agent在不同场景和模态间识别同一用户意图并提供一致性回应。l

无缝集成现有业务系统

。

甲方企业已投入大量资源构建了CDP

、MA

、CRM等核心业务系统，这些系统承载着关键业务流程和数据资产

。然而

，营销Agent若不能与现有系统深度集成

，将导致数据孤岛加剧

、业务流程断裂

，反而增加运营复杂度。首先

，营销Agent必须充分利用起企业一方数据

。用户行为轨迹

、交易记录

、标签画像等企业一方数据

，大多沉淀在CDP

与CRM

中

，若营销Agent无法直接调用这些数据

，其决策将基于片面或脱节信息

，导致输出结果偏离实际业务。同时

，业务流程的连贯性依赖系统间无缝协同

，也需要营销Agent与现有业务系统深度集成。企业的营销活动通常涉及多系统协作：从CDP人群圈选到MA

内容触达，再到CRM销售跟进。若Agent无法嵌入既有流程

，将迫使人工在不同平台间切换搬运数据，造成效率瓶颈与误差风险。38

|

2025爱分析·Agent厂商全景报告此外

，集成需求还涉及成本与风险控制

。企业担忧新系统引入带来的实施成本

、培训负担及安全风险

。若Agent需要大量定制化开发才能对接现有系统

，将显著提高部署门槛。厂商能力要求：以下是对于营销Agent的能力要求：l

要求营销Agent可以实现动态实时决策

。为满足企业对营销决策效率与精准度要求

，厂商必须提供实现动态实时决策

。这意味着营销Agent需具备即时数据处理和闭环反馈优化的能力。动态实时决策的核心在于将数据输入

、分析计算和行动执行压缩到极短的时间窗口内

，从而应对营销场景的瞬时变化

。该能力是衡量营销Agent技术成熟度的关键指标

，直接决定其能否在真实业务环境中创造价值。此外

，实时决策需配备持续进化机制

。厂商应设计闭环反馈系统

，使Agent能够从每次决策结果中学习优化

。例如

，通过用户行为反馈自动修正模型参数或规则库。l

覆盖营销链路上多个营销场景

，并且支持文本

、语音

、

图像等多模态输入输出

。这一能力要求厂商不仅具备多模态算法技术

，还需对营销业务流有深度理解

，

以确保各场景与模态的协同高效。厂商需首先实现多场景闭环整合

。营销Agent应嵌入企业现有业务系统，在不同场景间共享数据与决策逻辑

。例如

，当Agent在客服场景中通过语音交互识别用户投诉

，应能即时触发营销场景的优惠券生成与投放

，

同时更新用户标签用于后续人群圈选。多模态支持

，要求厂商构建统一的多模态处理引擎

。该引擎需具备三层次能力

：多模态输入解析

、跨模态信息融合和多模态输出生成。39

|

2025爱分析·Agent厂商全景报告此外，厂商需解决多模态场景下的合规与一致性问题

。例如

，生成的图片需符合品牌视觉规范，语音内容需避免敏感词

，且多模态输出需在不同场景持信息一致。l

与CDP

、MA

、CRM等系统无缝协同

，避免数据孤岛和流程断裂

。这要求营销Agent具备开放的API架构

、预置连接器

、实时数据同步机制及统一身份识别能力

，确保在不改造现有系统的前提下

，实现数据流与业务流的双向贯通。首先

，厂商需提供标准化集成方案

，

降低对接复杂度

。这包括提供丰富的预置连接器

，以及支持标准协议的数据交换接口。其次

，业务流程层面的嵌入式集成也很关键

。厂商应支持将Agent能力以原生组件形式嵌入现有业务界面

，如CRM

中的智能助手插件或CDP

中的预测分析模块

，而非强迫用户切换独立平台。入选标准说明：1.

符合营销Agent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。40

|

2025爱分析·Agent厂商全景报告深演智能厂商介绍：深演智能是中国领先的决策AI技术公司

，提供以营销及销售场景为战略重点的决策AI应用

，涵盖用户数据运营、营销与投放以及AI智能体平台等产品。深演智能成立于2009年，已服务全球超800家企业

，覆盖零售

、美妆

、汽车

、跨境电商等领域。产品服务介绍：Deep

Agent是深演智能旗下的

AI

智能体平台

，平台基于公有大模型底座

，

围绕智能用户运营、智能广告投放

、智能销售助理

，智能客户服务

、智能创意生成

、产品推荐等各类核心业务场景

，快速提升决策的精准度

、速度和适用性

，助力各行业

AI

落地核心场景。厂商评估：深演智能Agent产品体系

，深度嵌入企业的业务流程

，并构建了决策闭环

。其核心在于将嵌入业务流

、消除模型幻觉

、

自我进化

、商业模式先进

，

以及业务垂直易用等优势

，有机整合为差异化竞争壁垒。41

|

2025爱分析·Agent厂商全景报告代表厂商评估：l

Agent产品无缝嵌入业务流，覆盖企业营销与销售决策全场景

。深演智能Agent产品可以嵌入既有的CDP

、MA系统

，不仅无缝集成到工作流中

，同时充分放大了企业一方数据价值

。而且，深演智能Agent产品矩阵丰富

，覆盖了营销域

、销售域核心决策场景。深演智能Agent产品核心竞争力在于其与CDP、MA等既有营销产品的无缝协同。由此，Agent平台可以充分利用企业一方数据价值

，实现动态实时决策

。例如

，当企业

MA系统执行用户触达任务时，Agent可即时调用CDP

中的客户行为数据，结合广告投放系统的实时反馈

，动态优化人群圈选策略和内容生成逻辑。这种端到端的整合，不仅避免了传统

AI工具只输出不落地的问题

，还将企业一方数据的利用率提升至新高度。同时

，嵌入业务流的产品设计大幅降低了企业使用门槛

。业务人员无需切换多个平台

，即可通过自然语言调用Agent功能

。例如，在销售场景中，Agent企微助手直接集成至企业微信工作流

，

自动处理客户咨询

，大幅缩短销售响应时间。42

|

2025爱分析·Agent厂商全景报告深演智能升级Agent产品之后

，

已经形成超过

10个垂直智能体的协同矩阵

，覆盖了营销与销售域的核心决策场景

，形成从决策到执行的完整闭环

。在营销域

，平台提供智能用户运营

、广告投流优化

、社交媒体策略生成等功能

。在销售域

，平台则深入客服助手

、销售话术质检等场景

。这种Agent协同矩阵

，使企业真正实现了用户全生命周期管理的目标。l

大小模型融合，确保决策精准与零幻觉

。深演智能采用大模型+小模型的融合架构，既能够解决大模型在营销决策中的不确定性问题

，又能通过大模型调度小模型处理复杂决策。43

|

2025爱分析·Agent厂商全景报告大小模型在分工层面

，职责明确

。大模型负责意图识别和自然语言交互

，小模型处理确定性决策

，确保企业所需的高准确度和零幻觉

。例如

，在销售助手中

，大模型解析用户意图后

，调用小模型生成个性化话术

，避免虚构内容

。这种大小模型融合的架构

，避免了模型幻觉导致的内容准确性问题。同时

，大小模型融合之后可以协同工作

，大模型作为总指挥调度小模型

，处理复杂任务

。其核心价值体现在任务的动态编排以及多模态层面。在任务动态编排层面

，大模型通过实时解析用户需求

，将其拆解为人群圈选

、

内容生成

、优惠策略等子任务

，依次调用对应小模型执行

。例如

，大模型可以先识别客户咨询意图

，再调用话术小模型生成回复

，执行端到端决策。在多模态层面

，大模型整合语音

、文本等异构数据输入

，为小模型提供丰富的输入

。在坐席助手场景中

，大模型解析客服通话的实时语音

，捕捉客户需求

，

同步联动产品推荐等小模型进行个性化回应。l

大模型构建Agent

自我进化机制

。在确立了大小模型协同的基础架构后

，深演智能进一步利用大模型构建了Agent的自我进化机制。这也是借鉴了深演智能在小模型效果优化方面的经验积累

。通过反馈闭环与知识更新

，大模型构建的Agent能够基于业务实践持续优化决策逻辑

。例如

，

品牌的VOC客户洞察Agent在上线之后

，可以持续学习新增的差评样本

，

以提升识别准确率和回复有效性

。Agent持续自主进化

，显著提升了AI决策系统的场景泛化能力。l

在商业模式设计中

，深演智能通过灵活的定价与效果导向机制

，显著降低企业采购Agent的决策成本

。一方面

，深演智能产品既可以嵌入现有系统叠加销售

，也可以在部分场景独立售卖，定价机制灵活

。另一方面

，Agent商业化以先降本再优化效果的策略

，构建易于客户决策的商业模式。44

|

2025爱分析·Agent厂商全景报告针对已采购CDP

、MA等系统的客户

，深演智能提供Agent功能包叠加授权模式

，客户仅需支付少量增量费用即可激活Agent能力

。对于没有业务系统支撑的决策场景

，深演智能为客户提供独立采购的付费模式

。这种灵活的定价机制

，不仅降低了客户初次尝试的门槛

，还通过模块化组合满足企业多方面需求。而且

，深演智能商业化遵循从降本→效果优化的路径

。优先通过可量化的降本数据建立客户信任

，再过渡至转化率

、GMV等效果指标的价值验证。在落地的初步阶段

，Agent聚焦替代重复性人工任务

，提供显性降本数据

。例如

，VOC

Agent通过自动化处理客服语音与社媒评论，将人工处理量从

10人缩减至

1人，效率大幅提升。在降本基础上，深演智能再将Agent扩大应用范畴，实现效果优化的价值。这种分阶段的价值释放，使企业决策者能够清晰量化ROI

，大幅降低采购阻力。目前

，深演智能Agent平台已在汽车

、零售

、金融

、快消等行业验证了其提升决策效率与商业回报的能力。l

业务专家深度赋能

，降低使用门槛

。深演智能强调Agent专业服务与业务场景的深度结合

，通过专家知识和系统集成

，确保Agent易用且可落地。45

|

2025爱分析·Agent厂商全景报告基于深演智能在营销、销售领域积累的行业Know-How，这些专家知识被转化为决策规则与场景解决方案模板

，直接集成至Agent产品中

。同时，Agent产品已经嵌入企业的业务系统

，使得专家知识

、业务系统和企业一方数据均可以为精准决策贡献价值。同时

，Agent产品通过自然语言交互和可视化设计

，使业务人员无需理解技术细节即可操作复杂功能

。例如

，智能群组Agent可以自动调用算法模型

，完成人群圈选工作

。使得业务团队降低了对于技术团队的依赖

，并且可以灵活调整模型使用特征。除了服务国内客户

，深演智能也已经开启了出海战略

。通过将中国市场的复杂业务场景经验转化为全球化解决方案

，期望与国际厂商展开差异化竞争

。深演智能CEO黄晓南表示

，“

目前国内Agent产品在前端的互动已经非常出色

。这是我们实现超越国外头部厂商的机会

。”典型客户：长安汽车

、方太

、雀巢

、三得利46

|

2025爱分析·Agent厂商全景报告天娱数科厂商介绍：公司成立于2010年

，并于