科技资讯
先说结论：评审一套垂类 Agent 的采购或自研立项时，把演示环节的权重调低，把数据接入与评测证据的权重调高。理由不复杂——上游正在把最容易被看见的那一层能力收走。
在 1024 模力工场 · AI 社区日主论坛上，贝联珠贯创始人兼 CEO、前阿里巴巴集团研究员毕玄以《以 SREAgent 为例：看垂类 Agent 的竞争力》为题，讲了一个对卖方不太友好、对买方却很有用的判断：让 Agent 把任务跑得很久、把通用工具用得很熟，能换来短期身位，但撑不起一家垂类 Agent 公司的长期竞争力【1】。
他也给自己留了余地：AI 迭代太快，技术分享的保质期可能只有一两个月，比结论更重要的是有没有自己的判断方法【4】。这篇备忘就按这个思路走——先看供给端在发生什么，再给判断尺子，最后落到动作。
图：来源页面配图（已本地备份）。引用：【1】AI+垂类Agent：任务跑得久、工具用得熟，撑不起Agent公司长期竞争力｜贝联珠贯创始人兼CEO 毕玄分享 — https://www.infoq.cn/article/sCKczimP9lSEl0rgJ7VY?utm_source=rss&utm_medium=article
图：示意图（AI 生成，非原文截图；模型 nano-banana-2）。仅作阅读辅助，事实以正文与参考文献为准。
一、模型厂商正在收走的那一层
一年多以前，做 Agent 意味着从模型之上把整栋楼自己盖：长程任务怎么不跑飞、上下文怎么不爆、工具怎么抽象、幻觉怎么兜住。这些经验当时稀缺，行业内也乐于公开交流【1】。如今这栋楼的低楼层正被上游一层层接手。毕玄的体感是，把需求对齐清楚之后，可以直接把任务丢给模型连续跑十几个小时而中途不打断【1】。
对买方意味着什么？你付的钱里，有一部分买的是「上游迟早会做到」的东西。这部分预算的折旧速度，会比合同周期更快。
连数据接入这种偏工程的环节也在被产品化。SREAgent 3.0 尝试让客户用自然语言描述需求、由系统生成对应的 Skill，以降低接入门槛；但毕玄同时承认，这类功能容易被同行追上【2】。这是一个很有参考价值的坦白：能降低门槛的功能，通常也容易被复制。
二、三个问题，把「能力」和「资产」分开
建议把下面三问直接搬进评审会：
- 这项能力由谁供给？ 如果它主要来自基础模型或开源框架，那它是行业水位，不是你的资产。水位上涨，所有船一起抬。
- 追平要多久？ 一个熟练团队三个月能复刻的东西，不该写进三年规划。
- 换掉它要付多少代价？ 只有当系统长进了客户的数据管道、评测集和值班流程，替换成本才真正建立。否则你换供应商的心理成本，和换一个 SaaS 工具差不多。
这三问的用处不在于得出「行/不行」，而在于把预算切成两块：一块是必然折旧的体验投入，一块是可能复利的资产投入。比例怎么配，是老板该定的。
三、会长在客户身上的三样东西
按毕玄的归纳，垂类 Agent 的长期壁垒落在三处：领域知识建模、异构数据接入经验、与业务耦合的模型持续演进机制【3】。翻译成管理语言，就是下面三件事，每件我都补了一条可验证信号。
其一，领域知识建模。 运维场景里，面对海量日志判断哪些信息有用、该怎么处理，本身就是老师傅的经验【3】。把它变成可执行的规则、可复用的诊断路径、可验证的评测集，只能在一个个真实故障复盘里磨。可验证信号：有一套覆盖真实故障类型的评测集，且客户方能独立复现。
其二，异构数据接入。 企业的监控、日志、配置、变更记录往往散落在多家厂商、多套体系里，字段语义还不一致。谁把这些低成本接进来并对齐，谁就握住了别人绕不开的前置工程。这类经验越做越省力，后来者却要重踩一遍。可验证信号：接入清单里有多少家厂商、多少种自定义字段、平均单源接入工时是多少。
其三，演进机制。 不是给通用模型套一段提示词，而是建立闭环：问题如何被定位、人工如何纠正、纠正结果如何回流成策略与评测样例。机制成立，产品随客户业务一起变好；机制缺失，产品只能靠堆人力交付。可验证信号：一次误判之后，纠正动作是变成规则或评测样例，还是只留在工单备注里。
四、按阶段落的动作清单
选型期——别只看演示。 向对方要三样东西：一份真实的接入清单与字段对齐样例，而不是演示数据；一份最近三个月的失败案例，包含尚未修复的；一次用你方历史故障做的现场排障。这三样比任何跑分都更能说明工程厚度。
签约期——把边界写进条款。 至少四条：知识沉淀的导出权与迁移协助；评测集的归属与新增样例的归属；误判与漏判的责任边界及人工兜底流程（毕玄强调，最终检验标准是问题能否被解决好、运行是否可靠、行为是否受控【1】）；模型升级导致的行为变化由谁适配。第四条最容易被忽略，也最容易在第二年变成扯皮。
上线后——把纠正当功能做。 人工纠正要作为一等公民设计，而不是上线后补的运营流程。再定一个节奏：每季度用新增真实故障回灌评测集，让模型演进有输入。
自研团队负责人，顺序别搞反：先定评测集与数据管道，再选模型与框架。反过来做，通常得到演示很顺、上线很虚的系统。
创业者与业务负责人，与其在通用能力上刷存在感，不如挑一个脏活密度高、数据异构程度高的场景扎下去。脏活密度决定后来者的追赶成本，也决定毛利能不能守住。
五、这套逻辑什么时候不成立
垂直壁垒不是自动生效的，至少有两种失效情形值得先排除。
第一种，领域核心数据已被标准化接口覆盖、业务规则公开且稳定。这时通用模型加平台化产品很可能把这个位置吞掉，所谓垂直只是暂时的信息差。评估任何项目都该追问一句：这门生意里，脏活到底占几成？
第二种，把「脏活」做成了堆人头的交付生意。毛利被交付成本吃掉，演进机制却没有沉淀下来，规模越大越吃力。这不是壁垒，是劳动密集。
还有一种反向风险属于买方：过度依赖单一供应商后，数据与评测资产留在了对方体系里。所以导出权和迁移协助，要在关系最好的时候谈。
六、给决策者的三句话
跑得久、工具用得熟，是入场券，不是护城河。
对买方，它意味着尽调重心从演示转向数据接入与评测证据；对自研团队，它意味着先建管道和评测，再谈模型选型；对创业者，它意味着护城河写在交付里，不写在演示里【1】。
最后一句给所有做判断的人：这条判断本身也有保质期，一年后可能被推翻。真正能留下来的，是那三个问题。
参考文献
【1】AI+垂类Agent：任务跑得久、工具用得熟，撑不起Agent公司长期竞争力｜贝联珠贯创始人兼CEO 毕玄分享 — https://www.infoq.cn/article/sCKczimP9lSEl0rgJ7VY?utm_source=rss&utm_medium=article 【1】AI+垂类Agent：任务跑得久、工具用得熟，撑不起Agent公司长期竞争力｜贝联珠贯创始人兼CEO 毕玄分享 — https://www.infoq.cn/article/sCKczimP9lSEl0rgJ7VY
【2】编辑注：基于【1】同一分享中关于 SREAgent 3.0 以自然语言生成 Skill、降低数据接入门槛且易被同行追上的内容整理 — https://www.infoq.cn/article/sCKczimP9lSEl0rgJ7VY
【3】编辑注：基于【1】同一分享中关于垂类 Agent 长期壁垒三点（领域知识建模、异构数据接入经验、业务耦合型模型演进机制）的归纳 — https://www.infoq.cn/article/sCKczimP9lSEl0rgJ7VY
【4】编辑注：基于【1】同一分享中关于「AI 变化快、分享结论可能很快被推翻、判断力比判断正确更重要」的表述 — https://www.infoq.cn/article/sCKczimP9lSEl0rgJ7VY
