企业AI应用全景：从试点热潮到规模落地的真实分水岭

企业AI

应用全景：

从试点热潮到规模落地的真实分水岭赵钰莹（赵赵）极客邦科技总编我们已经进入超级智能体时代

超级智能体将成为产业落地与业务重构的真正执行者当下，

大模型在编程

、医学诊断

、心理咨询等多个领域，

已经稳定超过大部分专业人士，

智能不再是瓶颈；

AI

不再只是被动回答的

Chatbot，

而是具备能动性的超级智能体，

会自己设定子目标

、调用工具

、协作完成任务

。

系统工程解法任务分解→

专家协同

→状态管理→确定性任务编排

OpenClaw开源

、本地优先AI智能体框架核心执行范式：

事件触发--任务规划

--工具执行--状态持久化--循环迭代

。本地运行+

多渠道接入+

工具执行

+

持久记忆

单体智能瓶颈上下文衰退信息被新内容冲刷覆盖错误率指数上升长链路任务错误累积从"对话框"式的被动交互，

迈向"

自治执行"的主动智能——

OpenClaw标志着AI技术范式的根本性转移互补生态Skills+MCP覆盖全场景降低Token消耗减少冗余信息占用

Skills系统模块化能力封装专业知识为可复用指令集品MCP协同长尾任务处理专注复杂深度推理任务能源零售制药办公协同金融建筑地产制造出行智慧医疗金融•

债券交易智能体•

金融商保新业智能拓展系统•

信托智能风控专家系统•

金融客户协同管理与债务处置系统•

智能审计模型助手能源•

新能源风电智能管控系统•

燃气智能客服系统•

燃气管网数据治理与AI

智算大脑•

燃气管道缺陷检测系统智慧医疗•

语音电子病历

、病历自动生成•医院智能化服务•

数字医生体系•

病历质控与医保控费•

三医协同智能化•

AI

医疗质控体系•

智能理赔与医疗审核制造与出行•

制造领域AI

智能体•出行领域

GUI

智能体零售•

业务多模态

ChatBI

系统•

智慧营销矩阵•

智能价格巡航引擎•

AI

问数智合平台（经营分析）•门店商品规划管理系统•

AI零售现金舞弊审计系统

制药•医药行业质量AI

助手•阿胶数据深度挖掘与AI

大模型•

AI

赋能中成药医学策略制定系统•

AI

问诊与营销驾驶舱•医药商业合同质检

AI+•

合同管理智能AI建筑地产•

智能语音工牌（销售）•

AI客流与商业空间安全管理系统•

建筑设备设施运行管理智能体办公协同•

智慧员工（办公AI

助手）•

智能问数系统•

数字归因分析引擎（数据分析）•

多维AI

财务智能体（财务报

销）•

采购文件合规审查智能体

千行百业成功的AI应用场景通过AI

应用优秀案例评选等活动渠道，

我们征集到近千份企业AI应用案例样本，

主要覆盖以下行业场景： AI落地成功的五大主要场景经过对所有案例样本的归类分析，

我们发现AI落地成功率较高的五大核心业务场景类型，

均具备“痛点刚需

、数据可及

、价值可量化

、落地门槛低

”的共性特征

。n

核心特征：处于强监管领域

，需满足数据隐私保护

或业务合规要求，且合规

成本高

、风险大

。n

成功关键：采用成熟的隐

私计算技术，无需重构现

有数据体系；合规效果可

量化，符合监管要求且不

影响业务效率

。n

核心特征

：业务流程中存在大量标准化重复工

作，跨系统数据不通导

致效率低下，且数据格

式相对规整

。n

成功关键：无需复杂技

术创新，通过数据打通+

轻量化工具即可落地，业务团队接受度高，落

地周期短

。n

核心特征

：业务流程成

熟且标准化，AI可嵌入全链路实现端到端协同，而非单点赋能

。n

成功关键：流程标准化

降低AI适配难度，模块化设计便于分阶段落地；全链路协同能放大

AI价值，避免单点高

效

、整体低效

。n

核心特征

：业务中存在明确的风险损失，风险行为有清晰的数据特征可捕捉

，需实时或准实时响

应

。n

成功关键：风险损失与AI防控效果直接挂钩，投入产出比清晰；风险特征相对固定，模型训练难度低

、迭代成本小

。n

核心特征：长期依赖人工经验决策，

已积累大量结构化数据

，需通过算法优化决策精度

。n

成功关键：数据积累充足，决策效果可通过业务指标验证；算法可基于现有数据快速训练

，落地周期短且易迭代

。风险管控型精准决策型五大场景全链路协同型效率提升型合规保障型l

凭借高数字化基础，

金融行业的AI应用场景更为丰富，

与核心业务的融合深度也更为紧密

。同时，

受强监管特性约束，风险管控成为行业推进AI落地的核心驱动力

。l

从落地进程来看，

智能客服

、资讯整理

、营销内容生成等轻量化场景，

因开发成本低

、见效周期短，

成为金融机构的首批发力方向

。随着外挂知识库的接入与优化，

大模型逐步与核心工作流深度融合，

推动金融AI从试点验证迈入生产级应用阶段，

进而在风控

、欺诈检测

、审计

、债券交易等关键业务环节实现规模化落地，

为业务提质增效提供核心支撑

。效率提升型智能问数系统：

打通金融

、业务

、财务多维度指标与报表，

支持自然语言问数

、归因分析

、报告生成；

通过指标平台保证数据

100%准确无幻觉，

可用于金融条线经营监控

、客户分析

、资产质量查询等自助式数据分析场景

。风险管控型信托智能风控专家系统：

构建全域AI风险超级智能体，

融合大模型与传统

ML模型；

反洗钱场景调用孤立森林和图神经网络；

风险响应速度预估提升

25%

以上

。精准决策型金融商保新业智能拓展系统：

融合内外部数据构建客户关系图谱

，通过AI

多模态解析与关联规则算法挖掘销售线索；

已关联

3

万现有客户

，发现

4

万潜在客户，

预计新增

8,000

名客户及千万元保费规模，

实现精准营销与线索自动化

。03040502全链路协同型债券交易智能体：

覆盖

500+

交易群，

聊天解析准确率

99%+；

交易链路从

4–6小时压缩至分钟级；

无效询价率降低

80%；

人效提升

10倍以上；客户年化超额收益提升

1.5%–2.5%（预计4.5

亿）。合规保障型金融客户协同管理与债务创新处置系统：

采用联邦学习

+

图神经网络（GNN）

，在数据不出域前提下实现跨机构联合建模

，解决金融数据孤岛问题；

构建联合清收标签系统，

输出还款能力

、共债风险标签；

；

通过A/B测试验证有效联系率与催收效率提升

。

金融行业AI

应用场景分析01

零售行业AI

应用场景分析l

由于零售领域兼具消费场景密集

、SKU

周转频繁的行业特性，

降本增效成为企业核心诉求；

同时，

不同业务场景的数据可及性差异也决定了终端服务与基础运营场景优先突破，

商品与渠道管控则呈现快速渗透的态势

。l

从落地进程看，

客流分析

、导购赋能

、价格监控等轻量化场景因见效快

、落地门槛低率先普及；

随着多模态数据与大模型能力深度融合

，AI全面渗透选品

、运营

、风控

、营销全链路

，在门店精细化管理

、全渠道合规

、消费者精准运营上形成规模化价值，

推动零售从经验驱动走向数据与智能双驱动

。32514精准决策型商品规划管理系统

：通过算法工具实现品类角

色

划

分、

店

群归

类、

商品

汰

换

建

议

与

DPP成

本拆解

；

优化选品科学性、

利润水平与库存结

构

，

推动零售从经验决策转向数据驱动决策，

解决高库存、

高损耗、

毛利下滑等行业痛点。合规保障型AI客

流

声

购

物

服

务

器

：在

商

场、

店

铺

部

署

AI摄

像

头

，追

踪

顾

客

动

线、停留时

长、

进

店

行为

，

构建零售业务漏斗模型

；支撑招商定价、品牌调整、

营销活动评估、

零售额预估、

店铺经营优化

，同时实现跌倒监测、

垃圾滞留等安全

管

理

，数

据

采

用匿

名

ID

，符

合隐

私

合

规

要求

。风险管控型AI驱

动的

零

售审

计

反

舞

弊

系

统

：面向

连

锁

零

售门

店

，利

用YO

LO与

Ope

n

CV

实

现

纸

币

识

别

，比

对

POS交

易

与

视

频时间

戳

，识

别

现金

舞

弊

行

为

；单

店2

0

0

小时

视

频

8

小时内

完成

分

析

，识

别

置

信

度9

8

%

，挽回

经

济

损

失、降低人工审核成本

，

实现零售门店风险前置管理

。效率提升型智

能

价

格

巡

航引

擎

：覆

盖四

大电

商

平

台

与

上

百

家

线

下

经

销

商

，通

过

R

PA

自

动

化

抓

取

价

格

数

据

，实现零售渠道价格监控、

窜货预警、

证据

留

存

；稽

查

效

率

大

幅

提

升

，违

规

行

为

下降

，维

护线上线下一体化零售价格体系与渠道秩序基

于5

G

a的

商

业

空间

客

流

分

析

：融

合

运

营

商

定

位

与AI

图

像

识

别

，实

现

商

场三维客流分析

；用于高峰应急调度、精准营销、新品牌选址优化

，

提升进店率、销售额与商场运营效率

，由运营商投入硬件

，以广告与会员权益合作

，

适用于大型商业零售体精细化运营。全链路协同型急处置等核心工作流深度融合，，

进而为能源行业降本增效

、安全运营

、绿色低碳提供核心支撑

。效率提升型01020304搭载摄义分割机尾流

能源行业AI

应用场景分析l

受限于行业特质及发展现状，

能源领域AI

应用场景主要指向降本

、增效

、及控险三大核心目标

。l

从案例样本来看，

设备巡检

、客服响应

、能耗监测等场景，

因贴合一线刚需

、开发周期短

、成效可快速量化，

成为能源企业的主要发力方向

。随着多模态数据融合

、数字孪生与隐私计算技术的优化，

大模型逐步与能源生产

、管网调度

、应风险管控型燃气管道缺陷检测系统

：利用无人机与巡检机器人像

头、

雷

达、

U

WB

等

设

备

采

集图

像

+

定

位数据

，

通过自主研发的轻量化深度学习模型进行语与缺陷识别

，实现腐蚀、

断裂等管道损伤高精

度

检

测

，识

别

准

确

率

达9

0

.

8

%

；月

均

节

省

成

本

约2

6

,

0

0

0

元

，巡

线

距

离

增

加

4

3

3

公

里

。燃气领域智能客服

：

建设智能导航、伴

理同

行、

远

程

助

手

、

智

能

交

互、AR

复

盘

五

大

功

能

；接

通

率

从

8

.

7

%提

升

至

9

3

%

；

AI

工

单

建

单

节

省

9

0秒

/

单

；年

节

约

人

工

成

本

近

2

0

0

0万

；通

过

提

示

词

工

程

规

避AI

幻

觉

，保障

服

务

稳

定

可

信。精准决策型全链路协同型城市燃气管网数据治理

：基于门站、

调压站及供气末端设备互联与业务系统数据

互

通

，融

合

可

视

化

治

理、数

字

孪

生

与人

工

智

能

算

法

；汇

聚

监

控、

GIS、客

户及

远

传

系

统

数

据

，完

成4

,

0

0

0

余

公

里静

态

管

线

与2

5

万

用

户

动

态

数

据

治

理。新

能

源

风电

智

能

管

控

系

统

：构

建

设

备、运维、

环境三个知识子图谱

；风优

化

用

P

PO强

化

学

习

调

整

偏

航

角

；动态

调

整

频

率

15分

钟

；实

验

室

偏

航

功

率提

升4

.

6

%

，运

维

效

率

↑

31

.

2

%

；预

计年

节

省8

2

0

5

万

元

，增

发电

收

益

8

.3

5亿

元

，减

碳

2

0

2

.31万吨。

制造行业AI

应用场景分析l

受限于制造行业的数字化程度，

制造领域AI应用主要集中于生产辅助与工艺监控场景，

质量管控与供应链协同类应用正加速渗透，

核心制造与全流程智造场景在部分领域（例如汽车行业）

逐步规模化推广

。l

从落地进程来看，

设备状态监测

、生产过程可视化

、工艺参数记录

、合规巡检等轻量化场景，

因改造难度低

、业务价值直观

、数据易获取，

成为制造企业的优先落地方向

。随着多模态感知

、数字孪生

、知识图谱与行业大模型的深度融合

，AI逐步与研发设计

、生产制造

、质量检测

、供应链调度等核心生产流深度绑定，

进而在配方优化

、智能质检

、柔性排产

、缺陷检测

、全链路溯源等关键制造环节形成规模化效益，

为企业实现降本提质

、精益生产与智能制造转型提供核心支撑

。A

效率提升型制

造

领

域

AI

智

能

体

：面向

工业生产制造核心环节

，

围

绕生产工艺优化、在线质量

检测、生产设备智能运维、

生产调度自动化、制造流程

数字化等垂直场景

，

构建领

域专用智能体。C

全链路协同型

数据深度挖掘与成分预测筛选平台

：

结合生产与研发数据进行高通量虚拟筛选与实验验证

，

打通从成分预测、工艺优化到生产验证的全流程

，

解决传统药物生产中药效成分筛选效率低、生产工艺机理不明确的制造痛点

，B

精准决策型

业

务

多

模

态

Ch

atBI系

统

：融合物料生产、供应链、销售结构化数据与客户语音、熬制过程视频等非结构化数据

，

构建统一语义解析引擎

，

实现自然语言自助查询、跨产品适配分析

与

生

产

-销

售

-

供

应

链

实时决策支持

；

成功案例的共性--场景1.

可量化的商业价值：AI赋能必须直接指向降本

、增效

、增收

、控险四大核心业务目标，

项目均有可核算

、可对比的量化指标，

无明确价值的场景坚决不落地

。2.

场景成熟度匹配：

在业务

、数据

、技术三个维度上是否具备足够的成熟度，

从而保证AI技术在该场景的顺利落地

。3.

可持续性运营：

须有明确的运营目标

、可衡量的运营数据指标，

以及支撑持续运营的组织

、机制和资源

。明确的运营目标数据仓库具备支

撑Ai能力，

且随作业持续产生

、更新和反馈数据指标增效处理时长压缩

、人效倍数提升

、自动化率

、接通率控险漏检率下降

、风险响应速度提升

、违规行为监控降本人力成本节约

、工时节省

、能耗费用下降

、ROI

与投资回收期增收发电收益增加

、客户转化率提升

、交易超额收益；业

数务

据技

术明确的业务Owner（对实施效果负责）、明确的流程规则（业务说得清）、明确的用户触点（业务已数字化）现有技术能力须能够支撑场景实施

，有成功经验可以复用/借鉴支撑持续运营的组织

、机制和资源可衡量的运营

成功案例的共性--智能体平台层l

以智能体为核心组织形式，

支持协同与调度。几乎所有中大型项目都采用多智能体架构，

而非单一功能模块，

实现复杂任务拆解

、分工与协同

。l

所有案例均采用四层智能体认知闭环：

1

）感知：

理解文本

、代码

、业务数据

、用户意图；

2）

规划：

基于规则

、知识图谱或模型进行任务分解与推理；

3）

执行：

调用工具

、API

、工作流或模型完成操作；

4）

反思：

沉淀经验

、优化模型

、持续学习

。l

所有案例均深度融合领域知识以抑制大模型幻觉，

手段包括：

构建统一语义图谱；

基于本体论建模业务对象-关系-行

为；

训练垂类大模型

。感

知理解文本

、代码

、业务数据

、用户意图规

划基于规则

、知识图谱或模型进行任务分解与推理执

行调用工具

、API

、工作流或模型完成操作反

思沉淀经验

、优化模型

、持续学习感知02030104执行规划反思基于本体论建模业

务

对

象-关系

-

行

为构建统一语义图谱训练垂类大模型

成功案例的共性--工程化l

优先解决

AI

幻觉与可靠性问题。例如在金融风控

、医疗诊断等对准确性要求极高的领域，

通过

“大模型+传统算法+规则引擎

”的混合架构，

结合

RAG检索增强

、知识图谱校验等技术，

从数据输入

、模型推理到结果输出全链路建立校验机制；

同时，

通过模块化设计与持续的反馈闭环，

不断修正模型输出偏差，

避免因幻觉导致的决策失误，

最终实现AI应用在生产环境中的稳定运行，

真正为业务降本增效

、防控风险提供可靠支撑

。l

搭建可复用中间层与平台化架构，

降低重复开发成本。

降本中间层与平台化架构构建领域适配中间层

、统一指标平台

、标准

SOP流程库

、知识模板，

提升跨产品

、跨场景模型复用率；模块化设计采用模块化设计，支持快速迭代与品类

、区域拓展。形成统一技术底座，

大模型

、隐私计算

、数据治理工具

、智能体框架可横向复制；技术底座 Harness

Engineering：

将非确定AI转化为稳定生产工具l

Harness

Engineering（驾驭工程）

是

2026年AI

Agent领域最核心的工程范式，

核心是为大模型/

智能体构建一套约束

、工具

、校验

、反馈

、安全的运行管控系统，

通过工程化手段实现约束

、校验

、执行

、记忆

、安全

、自愈

，在不修改模型参数的前提下，

将非确定AI转化为稳定生产工具

。约束护栏工具编排状态与记忆校验与验证反馈与自愈构

建

闭

环

反

馈

，

支

持自

动

修

复、降5级、

fallback、错

误自

愈定

义AI

的

权

限

边

界、行

为

规

则、格1式规范、安全禁区定

义

调

用

权

限、参

数

校

验、失

败

重2试、超时熔断对AI输出

做自

动

校

验

：

语

法、格4式、逻辑、合规、安全、业务规则支

持

记

忆

检

索、更

新、遗

忘、冲

突

消3解

，

解

决AI“

失

忆”问

题技术架构 Skills：

应对

MCP

带来的上下文爆炸，

降低Token

消耗Skills是Anthropic在

2025年

10

月

16日正式推出的模块化能力系统，

通过将特定领域的专业知识

、工作流程和最佳实践封装成可复用的指令集，

解决大模型应用的效率与稳定性问题

。Skills被认为是对传统工作流与提示工程的迭代优化

。u对传统工作流的核心优化

u构建知识工程新范式降低Token

消耗，

缓解上下文瓶颈：有效解决大模型上下文窗口有限的问题，减少冗余Token

占用，提升模型运行效率，

降低使用成

本。提升任务执行稳定性：封装人类专业经验形成标准化流程

，强化大模型的指令跟随能力，让模型输出更可控

、结果更确定，避免随机化

、错误化输出。兼顾灵活性与泛化能力：

区别于硬编码的固定逻辑工作流，

Skills采用文字描述实现流程定义，

适配更多场景，

泛化能力显著优于传统固定代码流程

。减少智能体无效开销将高频

、确定性的基础原子能力封装后直接调用，

省去Agent对简单任务的拆解

、推理成本，

提升整体响应速度

。与

MCP

形成互补生态Skills

负责成熟

、标准化的流程任务，MCP处理长尾

、复杂

、需要深度推理的任务，

二者协同覆盖全场景需求

。

>国

>

>降低应用搭建门槛为知识结构化提供直观载体，

非算法

、非技术团队也能快速构建AI

应用，

打破技术壁垒

。

成功案例的共性--数据l

多模态数据融合成为标配，

打通结构化与非结构化数据，

促使AI全面感知业务场景，

并深度嵌入核心业务

。l

建立数据与反馈闭环，

实现持续迭代进化

。业务场景中产生的多模态数据持续输入模型，

经算法处理后输出决策建议；用户使用反馈

、业务结果偏差等信息反向回流，

用于优化模型参数

、完善知识库与规则库

。趋势预测l

数据架构升级：

构建向量数据湖，

通过元数据+

MCP

打造智能数据架构，

支持多模态结构化

、高质量

Context

、多

租户隔离

、智能冷热分层，

满足AI对高质量数据的持续需求

。l

工具链层面：

整合

OCR

、ASR

、流式计算引擎等，

形成标准化数据处理流水线，

实现从原始数据到AI

可用数据的

高效转化

。非结构化数据客户语音、监控视频、病历文本、保单文档、行业文献、舆情数据等

；反馈多模态数据结构化数据销售

、供应链

、财务

、指标

、客户标签等数据库数据通过统一语义解析

、OCR

、ASR

、计算机视觉

、流式计算引擎（Flink）等技术，

实现多模态数据的标准化

、关联分析与联动查询

。

成功案例的共性--合规l

合规安全优先，

主动适配监管

。所有涉及核心业务

、财务

、客户

、研发数据的项目，

均采用可控大模型+本地部署，

杜绝敏感数据外流

。合规通用大模型底座通义千问

、DeepSeek本地化部署隐私合规数据采集采用告知同意

、音频加密变音

、权限管控等措施；

医药

、金融类项目严格保证结论可溯源基础设施层强调国产芯片兼容（昇腾

、寒武纪等）

、混合部署（公有云/私有云/边缘）

、智能调度

、全链路闭环（从资源接入到计费运营），核心指标为算力利用率

、PUE

、训练稳定性。智能体平台层所有平台均支持国产AI芯片（昇腾

、寒武纪

、天数智芯

、燧原等）及国产操作系统（麒麟

、统信

、OpenEuler）知识沉淀构建企业私有知识库

、知识图谱

、案例库

、规则库，数据不出域工程化岗位结构分化，

职能融合与话语权重构

核心结论1.

工程团队规模收缩、人效显著提升AI规模化落地+数字化基建基本完成，

推动企业同等业务下人力需求下降；

仅业务扩张型企业

、AI创业公司规模微增

。同时交付节奏加快，

工程师工作量普遍上升

。2.

岗位结构分化，

职能融合与话语权重构测试

、UI/设计等岗位大幅缩减，

算法

、底层架构

、业务洞察型研发受冲击小；

AI

开发人员占比提升，

前后端

、产品与技

术

、技术与业务边界逐渐模糊；

懂业务

、善用AI

的角色价值凸显

。3.

工程师技能体系全面转向

AI

原生能力，

复合型人才比例提升基础编码价值弱化，

核心能力转向系统架构

、需求定义

、AI调优

、数据治理与业务洞察；

企业招聘重点考察AI工具使用

、大模型对接

、Agent原生开发能力

。具备“业务+技术

”复合能力的人才占比升至24%，

较往年明显提升

。4.

人才培养转向内生驱动与实战导向企业优先招聘自驱型成熟人才，

骨干以内部培养为主；

培训采用沙龙

、项目实操

、黑客松等实战方式，

并搭建内部AI

平台降低学习成本

。5.

组织架构扁平化、小型化、AI专项化企业开始拆墙减层，

走向扁平化

、小组化；

大厂采用“底层大平台+小型AI作战单元

”模式，

部分企业新设AI

专项部

门

、AI

BP统筹落地，

决策与交付效率显著提升

。6.

职业路径剧变，

近半数工程师倾向自主创业/自由职业组织扁平化将导致管理岗减少

、确定性下降；

一人+

多Agent模式降低创业门槛，

超五成工程师未来选择为自己工作

。

研究数据l

本次研究主要以问卷调查、专家访谈以及桌面研究进行，

调研面向中国智能体工程化人才开展，

涵盖有效样本量2660

份

。l

其中，

地理位置上，

调研对象主要集中在经济发达地区，

一线城市（北上广深）

占主导，

占比

51.2%；

行业分布上，

互联网行业为主要来源，

占比44.8%；

企业类型上，

上市公司是主要雇主，

占比

30.4%

。

工程团队岗位融合与话语权转移在整体人效提升的前提下，

工程团队的结构也呈现出一定的变化趋势

。l工程化团队内部不同岗位的占比发生变化。其中，

测试

、UI/

设计等缩减较多，

算法工程

、底层架构

、硬件芯片优化

、业务洞察型研发等受影响较小

。测试因智能体巡检上线释放大量人力，

设计因插件普及降低人员依赖

。l部分岗位的权重在明显提升。例如

，AI

开发

、Agent

开发

、MCP

开发人员占比提升，

工作重心向智能体方向倾斜

。l岗位职责出现融合，

部分岗位话语权增大。许多企业的工程团队的前后端边界正在消失，

产品与设计

、技术与业务边界快速模糊，

比如前端转向全栈，

产品经理可独立完成原型

、交互等等

。而随着岗位职能交叉融合，

话语权向更懂业务

、善用AI

的角色倾斜

。例如，

架构师

、算法工程师价值凸显，

单纯执行型岗位被持续压缩

。l

调研发现，

智能体架构师已成为当前最受欢迎的工作岗位，

占比42.4%；

而前端工程师仅有0.8%

。l

面对工程化人才的调研结果显示，

除了传统的Python

、高可用

、可扩展性等工程化技能，

多智能体协同（MAS）、向量数据库

、LangChain等智能体相关技能也开始成为工程化人才的技能必修课

。而且，

企业的招聘也逐步转向考察AI

工

具应用

、Claude

Code使用

、大模型对接

、Agent原生开发能力与相关项目经验

。l

追本溯源，

随着AI工具的引入，

编码价值弱化，

能力重心向系统架构设计、需求定义、AI

调优、数据治理与建模、业务洞察

等方向转移

。仅按

PRD执行

、无技术深度

、业务理解薄弱的基础工程人员必然面对极高的被替代风险

。而推理引擎/芯片优化等领域的高端技术人才则通过承担更多岗位职责逐渐掌握更多话语权

。

技能结构重心向智能体相关转移l

仅有24%的调研对象表示已经具备行业knowhow，

但相较24年

【中国开发者画像报告】

中对

“业务+技术

”

复合能力的掌握比例（不足

15%）

有较大提升

。l

在复合人才的培养路径上，

受访者之间存在争议

。部分专家认为AI

实现技术平权，

适合从业务侧培养复合型人才；

持相反观点的专家则认为，

业务人员易受AI

幻觉影响

，技术人员逻辑能力更强，

转型更平缓，

尤其在有成熟

SOP

的行业更具优势

。

复合型人才培养尚存分歧，

仍存在较大缺口

内生

+

实战成为企业培养智能体工程化人才的主流范式l内生

+

实战：企业逐步倾向于招聘自我驱动强的成熟人才，

核心骨干均为内部成长

。同时，

通过业务压力

、产业洞察推动员工自主提升，

辅以沙龙

、项目实操

、黑客松等实战形式替代传统课程培训，

配套AI研发工具资源

。l

同时，

企业招聘中更看重学习力而非过往项目经验，

对人才的培养也会弱化具体方案指令，

侧重审美与逻辑引导

。这一现象也与调研结果一致

。近八