什么值得买App下载 App ›
连续签到专享现金活动

2026 爱分析·智能体平台市场分析及厂商评估:奥哲

18:20

一、智能体平台市场分析

1. 市场定义

企业建设智能体的难题正在发生变化。早期项目大多围绕一个具体场景展开,目标是尽快做出可以问答、分析或调用工具的Agent。随着销售、客服、财务、法务等部门陆续启动项目,分散建设带来的问题开始显现:同一份知识被反复加工,同一个系统接口被多次封装,各个Agent采用不同的权限规则,运行效果也缺少统一衡量。企业需要一套公共平台,将分散的模型、数据和业务能力组织起来,让智能体可以持续建设和规模化运行。

智能体平台是面向企业智能体应用建设与规模化运营,提供智能体设计、编排、调试、评测、发布和统一治理能力的平台。平台将模型、知识、记忆、数据、Tool、Skill及业务流程组织为可复用资产,连接企业现有系统,支持单Agent、多Agent和中枢Agent在权限边界内完成业务任务。

2026 爱分析·智能体平台市场分析及厂商评估:奥哲

在Agent平台及应用市场全景中,智能体平台处于连接底层模型能力与上层智能体应用的关键位置。向下,它调用模型、知识、记忆和运行基础设施;向上,它支撑营销、客服、运维、办公等不同类型的Agent进入业务。随着企业智能体从单点试用走向多部门推广,智能体平台正在成为企业统一建设、管理和运营AI应用的重要底座。

产品边界需要根据核心使用目标判断。AI办公和个人Agent主要面向员工提供统一交互入口,AI Coding主要提高软件研发效率,它们都可以调用智能体平台提供的企业能力。智能体平台面向企业建设者和管理者,负责统一组织Agent及其依赖的能力。知识管理平台、记忆、MaaS、Skill市场和智能体运行时则为Agent提供专业能力,智能体平台可以集成或内置其中一部分。

2. 甲方终端用户

智能体平台的核心用户,是希望统一推进多个AI场景,并将智能体纳入企业管理体系的组织。当企业只验证一个问答助手或单点Agent时,项目团队可以直接使用开发框架或模型工具完成建设。随着参与部门和智能体数量增加,模型、知识、接口及权限需要统一管理,企业才会形成明确的平台建设需求。

大中型企业是当前智能体平台的主要用户。此类企业拥有较多业务系统和数据资源,不同部门对AI的需求也在同时出现。金融、制造、能源、建筑、汽车及大型集团企业通常需要在内部部署统一平台,控制数据访问和业务操作权限,并为多个部门提供公共的模型、知识、Tool和Skill。企业已经建设的数据平台、低代码平台和业务中台,也需要与智能体平台衔接。

中小企业的需求更接近“平台上的应用”。它们通常希望快速获得可以直接使用的智能销售、客户服务、经营分析或办公应用,并根据自身业务做少量调整。面向这类用户的产品需要预置场景模板和业务流程,采用SaaS或混合部署方式降低建设门槛。随着企业业务扩展,平台还要支持用户增加数据对象、调整流程并配置新的Agent。

在大中型企业中,智能体平台通常由信息技术部、数字化部门或专门的AI创新部门牵头。CIO、数字化负责人或AI负责人确定平台建设目标和技术路线,牵头部门负责产品选型、系统集成、安全审查和公共能力运营。央国企及部分超大型企业已经设立专门的AI部门,由其制定模型、Agent和数据使用规范,再向下支撑各业务单位开展场景建设。

业务部门是智能体平台的共同建设者和最终使用者。销售、客服、财务、法务、人力资源及生产运营部门负责提出具体任务,提供业务规则、知识材料和评价标准。平台建设初期,业务人员通常与技术团队共同完成首批Agent;项目进入日常运行后,业务部门还要根据实际结果调整知识、规则和执行策略。

平台内部还会形成几类直接使用者。开发人员负责复杂Agent、系统接口和代码扩展;业务分析人员通过自然语言或低代码方式配置流程、Skill和场景模板;平台运营人员管理发布、权限和资源使用,并根据评测数据持续优化Agent。

3. 甲方核心需求

初始时,可以围绕一个场景快速验证。多个部门同时推进后,企业需要统筹场景优先级、公共能力复用、业务系统接入、执行过程管理和上线后的价值衡量。企业采购智能体平台,目标是建立一套可以持续建设和运营Agent的机制。

2026 爱分析·智能体平台市场分析及厂商评估:奥哲

3.1 从首批场景做出结果,再将成熟能力复制到更多部门。

企业通常从知识问答、数据分析、合同审核或智能填单等场景开始验证。首批项目需要在较短时间内形成可感知的业务成果,同时验证平台与企业数据、系统及安全体系的适配程度。场景选择需要综合业务价值、数据基础和实施难度,兼顾结果展示与建设节奏。

首批项目形成的知识库、Tool、Skill、流程和评测方法还要沉淀为公共资产。预置Skill可以缩短起步时间,企业更关注业务专家和一线员工的经验如何转化为可复用能力。其他部门可以在这些资产上调整业务规则和数据范围,快速建设新的Agent。企业希望平台逐步降低后续场景的建设成本,让智能体项目从一次次独立开发转变为持续复用和迭代。

3.2 让Agent理解企业语境,并真正进入业务系统。

企业知识既包括制度、合同和产品资料,也存在于客户、订单、项目等业务对象及其关系中。Agent处理一项业务任务时,需要知道当前客户处于哪个阶段、订单处于什么状态、哪些规则适用于本次操作,以及当前用户拥有怎样的权限。文档检索可以提供参考信息,业务数据和流程状态则决定Agent下一步采取什么行动。

企业需要平台连接现有的CRM、ERP、OA及其他业务系统,将数据查询、表单填写、流程发起和消息通知等操作封装为Agent可以调用的工具。连接完成后,Agent才能把分析结果带回业务流程,推动任务继续进行。系统接口、数据口径和权限体系需要保持一致,使Agent获得与企业真实业务相符的上下文。

3.3 自主规划与确定性流程在同一平台上协同。

业务人员面对的任务具有不同的开放程度和风险等级。信息整理、数据分析和临时性任务可以由中枢Agent结合上下文自主拆解,再调用专业Agent或Skill完成。合同审批、资金操作等规则明确且风险较高的任务,需要按照既定流程执行,并在关键节点交由人员确认。

企业需要平台同时容纳自然语言生成、低代码工作流和专业代码开发。业务人员可以快速尝试新想法,技术团队也可以为高风险任务设置严格的执行逻辑。不同机制根据任务特征组合,使业务创新和生产管理形成统一的建设路径。

3.4为Agent划定身份、数据权限和业务操作边界。

Agent进入业务系统后,会读取企业数据,并可能创建工单、修改记录或发起流程。企业需要为每个Agent明确所属部门、负责人和使用范围,按照用户身份传递数据权限,并限制它可以调用的工具及允许执行的动作。员工无权查看的信息,Agent同样不能通过其他工具获得。

资金支付、合同签署、客户信息修改等关键动作需要设置审批或人工确认。平台还要记录Agent调用的模型、知识、工具和业务数据,保留任务执行过程与结果。出现异常时,管理人员可以追溯原因、暂停相关Agent,并将应用回退到稳定版本。

3.5 把运行效果、业务价值和资源成本放到同一套运营视图中。

Agent上线后,企业需要持续观察任务完成率、回答质量、工具调用成功率、响应速度和异常情况。随着Agent数量增加,平台还要统计模型调用量、Token消耗和算力资源,识别成本较高或长期闲置的Agent,调整模型和资源配置。

技术指标还要与业务结果建立联系。合同审核可以关注处理时长和风险发现情况,销售Agent可以关注线索跟进和商机推进,内部办公Agent可以关注使用人数、任务量和节省时间。企业通过业务结果判断哪些场景值得扩大投入,并根据实际反馈更新知识、规则和Skill。

4. 厂商能力要求

MCP、Skill等标准正在降低模型和工具的接入难度,智能体平台的常见功能也在逐步趋同。企业选择厂商时,会进一步考察平台在真实业务中的表现:对复杂企业上下文的处理深度,Agent执行任务的稳定性,不断增加的智能体如何管理,以及从场景验证到规模推广的服务能力。智能体平台厂商需要形成覆盖构建、连接、执行、治理和落地服务的完整能力体系。

2026 爱分析·智能体平台市场分析及厂商评估:奥哲

4.1构建方式需要覆盖自然语言、低代码和专业开发,并让建设成果沉淀为可复用资产。

业务人员可以用自然语言快速描述目标,专业开发者则需要可视化工作流和代码扩展能力,以控制工具参数、执行逻辑和异常处理。建设成果还要进入统一资产体系,平台应覆盖Skill的创建、测试、依赖管理、授权、发布、共享和版本迭代,让一个项目形成的知识、工具和场景能力被其他Agent继续调用。

4.2企业上下文工程决定Agent理解业务的深度,开放连接能力决定Agent可以完成的任务范围。

厂商需要处理多种企业上下文。除了对文档进行解析和检索,还要组织业务对象、数据关系、指标口径、流程状态及用户权限,使模型获得与当前任务相关的信息。针对较长的任务,平台还需管理会话状态和阶段性结果,控制进入模型的上下文内容。

连接能力需要覆盖数据库、API、消息事件和企业现有应用,并支持MCP等开放协议。厂商还应兼容不同模型、知识服务和AI使用入口。连接企业系统时,平台需要同步传递用户身份和权限,让Agent调用工具的范围与实际业务授权保持一致。

4.3稳定执行依赖模型之外的工程体系,多Agent协作还要处理状态、异常和人工接管。

Agent完成一项任务,通常会经历目标理解、任务拆解、知识检索、工具调用和结果反馈等多个环节。厂商需要围绕这些环节建立完整的工程机制,包括上下文组织、模型选择、工具校验、超时重试、异常恢复和结果验证。模型输出发生变化时,平台仍能通过规则、评测和业务约束维持任务质量。

多Agent协作还涉及任务分派、共享状态和执行顺序。平台需要识别各个Agent的职责和可用能力,将复杂目标拆分给合适的专业Agent,并汇总阶段性结果。长时间运行或风险较高的任务应支持暂停、恢复和人工确认。

4.4全生命周期治理要进入平台底层,安全、质量和成本才能统一管理。

厂商需要为企业建立统一的Agent目录,记录每个Agent的负责人、版本、能力范围和授权情况。平台应支持开发测试、发布审批、版本回滚和下线管理,并对模型调用、知识检索、工具操作及异常处理进行追踪。管理人员可以通过任务记录定位问题,也可以查看某个Agent访问了哪些数据、采取了哪些业务动作。

评测需要覆盖上线前和运行后两个阶段:上线前用标准数据集和场景测试检查任务质量、工具调用与安全风险;上线后结合用户反馈、业务结果和运行日志持续优化。平台还要管理模型调用量、响应时间与资源消耗,通过模型路由、缓存及大小模型协同控制成本。

4.5厂商需要与企业共建首批场景,并把项目经验转交给内部团队。

智能体平台项目通常从少量高价值场景起步。厂商需结合业务价值、数据基础和实施条件选择首批场景,并通过FDE与业务专家完成平台配置、数据整理和Agent调优。项目稳定后,再将场景模板、评测方法和运营机制移交企业团队,帮助其形成自主建设与运营能力。

二、代表厂商评估:奥哲

1. 公司介绍

奥哲成立于2010年,是一家以企业级AI平台为核心的企业数智化服务商。公司由BPM和低代码业务升级至企业级AI平台,形成奥哲·云枢企业AI平台与氚云AI应用平台两条产品线,并提供平台建设、AI应用开发、智能体开发及持续运营服务。奥哲累计服务超过20万家企业用户,客户覆盖制造、建筑、金融、石油石化、律所等行业。

2. 产品服务介绍

奥哲围绕不同规模企业形成两条产品线。奥哲·云枢企业AI平台主要面向大中型企业,侧重个性化AI应用与智能体建设、复杂组织治理和多种部署方式;氚云AI应用平台主要面向中小企业,通过SaaS、预置模板和基于业务模型的配置化开发方式提供可以快速启用的AI应用。两条产品线均围绕智能体、低代码、流程、数据和知识等能力展开。

2026 爱分析·智能体平台市场分析及厂商评估:奥哲

与智能体平台市场直接相关的核心产品是奥哲·云枢。平台沿着“理解企业—构建能力—执行任务—进入工作—持续治理”展开。业务语义、数据整合和可信知识库负责建立企业上下文;Agent Builder、AI Designer、配置化开发和AI Coding负责构建智能体与AI应用;中枢Agent组织任务,专业Agent、Skill、Tool和智能流程完成具体执行。

云枢将知识、Tool、Skill、Agent和应用模板纳入统一资产体系,支持审核、授权、发布、版本管理和审计,并通过Web、移动端、企业微信、钉钉、飞书及AI办公工具触达员工。

3. 厂商评估

智能体平台进入生产环境后,核心价值在于业务执行和统一治理。企业更关注AI生成的判断怎样进入表单、流程和业务系统,以及权限、审计和运营机制如何随之生效。奥哲既延续了应用构建对业务对象、流程和权限的理解,也把中枢Agent、Skill和Tool纳入同一企业级AI平台应用体系。

这形成了奥哲的主要竞争特点:以业务模型、企业业务语义定义构建企业上下文,用配置化开发与AI Coding承接应用开发,再以流程和治理机制约束Agent执行。对企业而言,智能体可以在开放任务中发挥规划能力,也能在规则明确、风险较高的环节进入可控的业务流程。

3.1奥哲沉淀的业务模型成为Agent的上下文,减少企业重新解释业务的工作。

奥哲长期使用数据模型、表单、规则和流程描述企业业务。云枢进一步把客户具体业务,如客户、合同、订单和项目等业务对象之间的关系、当前状态、可执行动作及权限边界组织成业务语义。Agent处理任务时,可以结合知识依据和实时业务状态作出判断。

对于已经使用奥哲产品开发应用的企业,既有数据模型、流程和权限可以继续服务Agent建设。面对数据基础较弱的新项目,奥哲的FDE和交付团队还会参与数据清理、治理、语义化及关系梳理,帮助企业补齐从原始数据到Agent上下文之间的准备工作。

3.2 AI Designer、配置化开发和AI Coding形成连续的构建链路,兼顾生成速度与复杂业务适配。

AI Designer可以根据业务描述生成应用蓝图及整套应用的数据模型、表单、视图、业务逻辑和流程,业务和技术人员可进一步通过设计器完成确认和调整。遇到复杂规则或个性化集成时,AI Coding可以继续扩展前端页面、组件、后端服务和接口。

三种方式按任务复杂度衔接:业务人员参与需求表达和原型验证,技术团队负责关键逻辑、系统集成及上线质量。企业既能加快首批场景建设,也为后续迭代保留足够的开发空间。

3.3 中枢Agent负责动态规划,专业Agent与流程引擎承接执行,让智能判断进入可控的业务路径。

单据处理、视图查询、数据分析、资料整理等开放任务可以由中枢Agent理解目标、拆解步骤,再调用专业Agent、Skill或Tool完成。审批、履约、数据变更类业务等风险较高的任务,则由Agent结合流程引擎控制节点、权限和人工确认来完成。

例如,Agent识别合同条款并给出风险提示后,结果可以进入合同审批和履约流程;智能填单Agent提取会议信息后,可以生成业务表单并触发后续任务。AI负责理解和生成,流程负责确定性执行,企业可以按任务风险选择相应机制。

3.4组织和数据权限延伸到AI资产与业务动作,支撑智能体在大型企业内统一治理。

云枢将租户、组织、用户和角色作为统一身份基础,并把权限控制覆盖到知识、数据、Agent、Skill、Tool及业务动作。员工调用Agent时,平台按照其身份传递权限,限制可以访问的数据、使用的工具和发起的操作。

模型调用、权限校验、工具执行和异常处理过程会形成运行记录,AI资产还可以经过审核发布、版本管理和安全审计。对组织层级多、数据敏感度高的企业,这套机制让多个部门沿用同一治理规则,减少各个Agent单独设计权限和审计机制的工作。

3.5模型、使用入口和业务能力保持开放,企业可以在技术变化中持续复用AI资产。

云枢支持接入不同模型,并通过MCP、OpenAPI、连接器、事件和消息机制调用外部系统能力。员工可以从Web、移动端、企业微信、钉钉、飞书及AI办公工具使用平台中的Agent和Skill。

平台同时对知识、Tool、Skill、Agent和应用模板进行授权、发布及版本管理。底层模型或交互入口变化时,已经沉淀的业务规则、工具接口和场景能力仍可继续使用,帮助企业降低技术切换对业务应用的影响,并为多部门推广保留统一的资产基础。

评论

评论区空态插画

当前文章无评论,是时候发表评论了