哪些行业，会最先进入To Agent 经济？

本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜哪些行业，会最先进入 To Agent 经济？》

Part.03产业机会研讨

哪些行业最先进入ToA经济？

MY｜通义实验室

我观察到，最先开始了解和应用Agent的，其实是传媒行业，也就是内容生产者。我觉得他们可能会是最早进入Agent经济的一批行业之一。原因很简单：他们的生产力结构和生产关系，本身就更接近Agent的生产模式——核心就是持续产出内容，而且很多内容在生成之后，并不一定需要人持续干预。什么时候Agent能真正替代人？就是它输出的东西，已经不需要再改，不需要再做human-in-the-loop。从这个角度看，传媒行业可能是最直接、也最容易被影响的行业。我们自己也在做Agent及其基础设施，重点关注几个方向。

第一是主动性。我们希望Agent不只是被动响应，而是真正能主动服务用户。比如用户在GitHub提交代码后，它可以自动做code review；或者结合长期记忆，在你持续关注某个方向之后，主动把相关的新论文、新信息推给你。我理解的主动性，不是heartbeat或cronjob那种轮询，而是基于环境感知和用户记忆的持续协作。

第二是模型和Harness的协同演进。我们认为Harness不只是模型的外壳，它应该和模型一起被设计、一起被优化。好的Harness，不是去限制模型，而是要尽可能释放模型能力。尤其是在coding这件事上，我们会更关注，怎么让模型有更大的发挥空间。

第三是Agent的核心能力。包括memory、多智能体协作，以及对用户意图更高效的理解。比如怎么降低memory带来的token消耗，怎么让多个Agent更自然地协同去完成复杂任务，这些我觉得都是很关键的能力层问题。

最后是交互方式。现在大部分Agent的交互还是停留在电脑和手机输入上。我们更想探索的是一些更自然的形态，比如纯语音、多模态感知，或者和更多外设结合，让Agent能真正“看到”用户所在的环境。

如何理解目前“做Agent”和“给Agent提供基础设施、支付、身份、数据、工具”这两类创新？有什么新的方向性机会？

杜知恒｜小宿科技

先说第二个问题。我们小宿做的核心产品其实是一个搜索引擎。这也能呼应前面讲的agent-to-agent。我自己的理解是未来场景大概会分成两类：一类是信息型，一类是服务型/交付型。后者短期内和我关系没那么大，我更关心的是前者，也就是内容生产和信息分发这一侧。我们现在做的事情简单来说，就是把过去那些为人类生产的数据：网页、PDF、各种文档变成一个给agent可用的搜索引擎。这个事情本质上和传统搜索引擎没有那么大区别，还是在做一个海量数据的索引，并且持续更新。只不过目标变了：不是让人来搜，而是让agent能检索、获取，并结构化地阅读和使用这些信息。

这里我非常同意前面Colin提到的一点：给agent用的搜索引擎，排序逻辑和给人用的不一样。给人用的时候，通常是相关性优先，然后再看权威性、时效性；但给agent用的时候，我觉得更重要的是权威性和时效性优先。因为相关性，模型自己很多时候是能判断的；但它真正缺的是cross check的能力，需要去消除幻觉，过滤假信息、AI生成的信息，或者一些不适合特定语境的内容。所以对agent来说，搜索的重点其实不再只是“像不像”，而是“真不真、准不准、是不是最新”。

再往后看，我们一直在思考一个问题：过去包括现在，大部分信息生产其实都是for人类的，比如公众号、小红书、网页内容，都是写给人看的。但如果agent经济真的越来越繁荣，会不会出现越来越多专门为agent生产的信息和数据？也就是说，不只是今天这种“把人类内容再喂给agent”的方式，而是未来直接出现一种for agent的信息生产形态。我觉得这个非常值得观察。因为如果信息生产方式本身变了，那对于搜索引擎、信息聚合平台来说，输入就会变。

MY｜通义实验室

我觉得模型的演进，主要还是沿着pre-training和post-training两个方向在走。Pre-training更偏基础能力的提升，也就是通用智能本身，不只是agentic能力。Post-training则更贴近具体框架、业务场景、harness和Agent形态，更强调场景化能力。

现在很多新模型在coding、tool use、agentic workflow上进步很明显，但与此同时，部分通用能力反而会下降。所以我理解一个好的pre-training模型，本质上应该是全面的，而不是过度去适配某个harness或某种Agent形态。对于pre-training，我的预期是它会持续增强。但这种增强并不会“吃掉”Agent或post-training的价值，反而会和它们互相促进。因为一个更强的base model，在用同样的数据配比做post-training时，通常还是会带来整体能力提升。所以pre-training和post-training不是替代关系，而是共同演进的关系。

另外，无论是本地模型还是云端模型，现在都还没有办法靠一个单一模型覆盖所有任务。云端大模型通用能力强，但往往缺少深度领域知识；本地模型受限于参数规模和训练成本，又很难处理特别复杂的任务。所以我自己的判断是，未来更可能是端云协同。也就是根据任务类型，去做动态路由，把不同的sub-task分发给最合适的sub-model或sub-agent，最后拼出一个整体最优的能力组合。

Emma Zhu｜美元家办

因为现在的竞争格局确实已经不是当年移动互联网那种百废待兴、很多东西都处在从0到1阶段的状态了。我觉得整体来看，现在在各个维度上都已经有了一些体量比较大的产业方，或者说一些虽然体量已经很大，但仍然能够保持类似创业公司速度的典型公司。比如刚才提到的支付以及基础设施这一块，其实已经形成了这样的一种竞争格局。所以对于一些创业公司来说，我觉得肯定还是有机会的。首先，to agent是一个新的生态；其次，大组织内部的摩擦其实是无法避免的。不管是训练大模型的公司，还是大型Tech公司下场做模型，或者整体推进转型、推出新的更AI native的产品，现在过了两年多再回头看，确实有时候会出现不及预期的情况。所以我们还是比较相信、也特别相信创业公司的机会。

Steve Li｜Ancher AI

我刚才一直在想“分身”这个问题，也在看像蒸馏同事、女娲Skill这类东西。我自己试了试，感觉挺有意思的，确实比以前那种角色扮演要好很多。我自己的理解是，大模型有点像一把很复杂的锁，你给它什么样的钥匙，就会开出什么样的结果。如果prompt质量低，结果一定也低；但如果你把一个人的判断逻辑、表达习惯、决策方式通过更复杂的prompt和上下文喂进去，它最后确实能呈现出一种像这个人的感觉。

从长期看，我觉得这件事其实会落到一个很核心的问题上：memory。因为公司里很多知识，本来就不是天然会留下来的。一个人离职了，或者哪怕只是过几个月，你再问他当时为什么这么写代码、为什么这么做决策，他自己都未必记得。过去这些东西可能靠几个人开会、写文档来沉淀，但现在节奏太快了，很多时候连自己上周写过的东西都不一定记得清。所以现在有些团队在做的事情，其实就是把和AI的聊天历史、决策过程、代码上下文parse出来，整理成一种可以回查的文档。这样以后你就可以直接去问AI：之前为什么这么写，当时的判断依据是什么。这本质上就是一种记忆系统。

所以我觉得不管你是想在企业里提供更好的洞察，还是想做一个真正超个性化的AI Agent，或者只是希望在代码commit的时候更确定、知道当时为什么这么做，底层其实都是同一个问题：怎么做一个恰到好处的memory system。因为memory不是越多越好，什么都记，最后其实就等于什么都没有。它一定要有选择、有结构。到底是数据库、Markdown，还是别的形式，我觉得大家现在都还在探索，最后很可能会走向一种hybrid的方式。

我自己觉得现在还没有看到特别完美的解法。但我很确定的一点是，数字分身和memory带来的价值，远远不只是生成一张很酷的图或者一份很酷的PPT。它真正提供的是一种“我理解你的知识和判断”的能力。它可以回答你：你当时为什么这么做。我觉得这种层面的知识价值，是远远大于表层展示的。

我甚至会想，会不会在中文环境里，模型本身如果还没那么强，反而会让memory这件事变得更重要。因为更好的记忆，本身就能带来更好的效果。这个我现在也只是一个猜测。但我觉得，很多国内出海团队现在切的方向，和硅谷并不完全一样，which is a good thing。不一定非要做同质化的东西，各自去试不同的方向，本身就是很有价值的实验，而且我觉得这里面会有很大的机会。

这样的环境下投资模式将会如何变化？

Emma Zhu｜美元家办

那回到一级市场正在看的新方向，我觉得大致有两类。

第一类是to agent的Infra。这一块我们非常关注。因为你的服务对象已经变了，而且现在agent的整体渗透率其实还非常低。不管是开源agent、云上的agent，还是大模型原生的agent，从整体用户渗透率来看，可能都不到1%。所以这里面还有一个非常大的新增渗透机会。在Infra侧，我们主要看两类方向：

一类是数据和安全相关的基础设施，比如数据库、安全Infra；另一类是推理效率，说白了就是怎么让token的消耗更经济、推理速度更快。因为现在大家都能明显感受到：token很贵、推理偏慢、算力也还是紧张的。所以推理优化本身就有很明确的经济价值。再加上to agent的推理，可能还需要更多类似CPU的资源，以及更好的orchestration能力，这里面机会还是很大的。

第二类是行业层面的机会。哪些行业适合to agent、to agent economy？我觉得核心标准是：这个行业的数据量足够大，而且相对公开、可获得。不是完全沉在企业私域里，而是本身就有一定行业流通性。比较典型的就是marketing、电商这些最早发生变化的行业。因为这些场景里可自动化的环节很多，你接MCP、接API、接skills，再接入agent，就有机会把一个场景里的任务端到端执行完。这里面最核心的，就是能不能形成端到端的场景闭环。一旦闭环形成，数据和agent都会开始形成飞轮。

我们评估agent的一个重要指标是：你今天用它，和一周之后再用它，体验有没有变化。如果变了，说明它真的在吸收新数据，或者在workflow层面变得更自动化了。你可以把它理解为一个会不断成长、越来越智能、能完成更多任务的智能体。

最后我觉得，应用层投资现在确实更有挑战。因为模型能力已经很强了。但几家模型厂商各自又still有自己的长板。正因为模型之间有差异，所以如果你的应用场景需要多模型，或者需要多模态能力，就会出现聚合层的机会。

所以应用层里，我比较看重的一类方向，是类似现在大家在讲的content context layer或者execution layer。它的价值本质上就在于聚合：要么聚合用户意图，把用户分散在各处的context整起来；要么聚合不同模型的长板，再给用户一个真正好用的统一界面。

所以这两个方向里，其实都有一层机会，而且现在已经有创业公司在做。长期来看，我对应用层还是比较乐观的。因为产业价值不可能永远停留在硬件层，长期一定会往上走。但应用层最后谁拿到价值，还得回到那个老问题：哪些场景真的能被agent端到端跑通。在这些场景里，我觉得会有一些真正native的AI创业公司机会。

杜知恒｜小宿科技

我觉得不管是一级市场还是二级市场，过去5到10年其实一直有一个很大的结构性变化：量化越来越强。尤其在二级市场，很多原本偏主观的基金，其实也都在不断做量化的adoption。这个趋势我觉得已经非常清晰了。但在这个过程中，人到底还会起什么作用？我自己的判断是，AI越来越强之后，人类最后可能主要还剩下两类核心能力。

第一类，是对人的判断。这也是为什么我觉得VC或者早期投资，很难被AI真正替代。因为对于一个创始人、一个管理团队，你和他面对面交流之后，对他的vision、belief、长期性的判断，这件事现在的AI还是做不到。我觉得这是人类非常重要的edge。

第二类，是对长期的判断。今天很多AI工具，尤其在投资研究这件事上，已经可以覆盖掉过去一个研究员能做的大量工作。但它很难帮你去做3年、5年这种尺度的判断。我觉得这甚至比现在大模型去做长程任务还要更难。

所以我自己的结论是：未来人类真正会保留下来的优势，主要就是这两类——对人的判断，以及对长期的判断。其他很多部分，可能都会逐渐、或快或慢地被AI替代。

刘欣宇｜嘉程资本

想回到第三个问题：今天在投资模式上有什么变化？

第一个变化，是大家今年都会非常关注A2A和agent这一层。这里面大概会分成两类：一类是给公司用的agent，另一类是更personal、和个人生活相关的agent。这一层的重点，我觉得会越来越强调proactive，也就是更主动地服务用户，同时进一步降低使用摩擦。这样才有可能帮助像OpenClaw这样的产品，从100万用户走向1000万用户。而且在这个过程中，重点可能不再只是task本身，而是interface怎么表达得更自然、更低摩擦。

第二层，是在这层能力之上的机会。整体来看，我们还是比较认可一个趋势：硬件和模型会协同演进。但站在投资人的角度，更关心的问题其实是：哪些层最后会被模型吃掉？或者说哪些能力会被模型厂商，或者大平台，通过“模型+云服务”一体化地解决掉。

所以相对更靠近用户数据的应用层，我觉得可能还会有一些机会，但这一层未来也会比较卷。再往下，像工程框架层，包括支付这类能力，我觉得也还是值得看。再比如身份这一层，在国内很多时候其实已经被现有平台体系部分解决了；但在海外，因为数据更分散、隐私机制也更强，反而可能更有空间。