7月20日，2026世界人工智能大会（WAIC）在上海圆满闭幕。
作为AI应用方向的一线从业者，我深切感受到了行业明显的变化之一，“Agent”正在加速走入软件和应用层。
在参展的席位上，从手机、办公软件、开发工具，到营销、客服、医疗和企业管理系统，几乎所有应用都在展示尝试接入Agent，让AI从生成一段内容，走向调用工具、跨越系统并完成任务。
在大会结束后的两天，OpenAI发布企业级Agent平台Presence，将AI直接接入企业的客户服务、销售、账单处理、保险理赔和内部服务流程。OpenAI正在从出售模型能力，进一步进入原本由CRM、客服软件、身份管理和工作流平台占据的企业软件腹地。
与之前软件行业巨震类似，但这次的发布比之前更具像和落地，引起了资本市场的一系列反应，软件行业沿用了数十年的竞争逻辑开始松动。PWorkday、Atlassian、HubSpot、Salesforce和Okta等软件公司股价一度明显下跌，其中HubSpot跌幅超过12%，Atlassian接近12%。
在前几年，大模型公司负责提供智能，应用厂商负责设计界面、连接数据和承载业务流程。现在，模型开始向应用层延伸，试图了解用户意图、拆解任务，并决定接下来调用哪款软件。
市场担心的是，大模型公司开始把推理、数据连接、权限和流程执行打包在一起，直接进入传统SaaS最核心的价值区间。
这意味着，软件的价值正在重新分层。随之而来的，我们会看到产品的交互方式，包括软件的入口、分发机制、商业模式、安全边界和产业权力结构都会被改写。
重新洗牌Agent开始真正“干活”后，首先被改变的是Token的消耗方式。
从我们今年上半年的观察和实践看，在部分长链、复杂任务中，Agent的Token消耗可能比传统聊天场景高出百倍、千倍，极端情况下还可能达到更高量级。
这不是适用于所有Agent任务的统一行业标准，但它揭示了一个明确趋势：AI应用正在从单次生成走向持续执行，Token也从模型的计费单位，逐渐变成整个Agent系统的基础燃料。
OpenAI在2025年企业AI报告中披露，其企业客户平均每家机构的API推理Token消耗，在一年内增长约320倍。这组数据来自OpenAI自身平台，不能代表全部市场，却从另一个侧面说明，企业正在把更长、更复杂的工作流交给模型。到了2026年4月，OpenAI的API处理规模已经超过每分钟150亿Token。
在这样的背景下，产业端正在发生几大变化：
Token需求快速上升，首先会改变算力产业的重心。过去，行业主要讨论训练大模型需要多少GPU；进入Agent阶段后，高频、并发和持续运行的推理需求会变得更加重要。模型不仅要生成答案，还需要在不同步骤之间不断调度大小模型、调用代码和工具，并保存更长的任务状态。
在这一过程中，国产算力的推理性能也在持续优化，国产GPU及AI芯片需求旺盛，部分产品交付趋紧。这也是一个积极信号：随着国产软硬件适配逐步完善，中国开放权重模型有机会更多部署在国产算力上，加快进入企业和行业场景。
其次，在算力之外，显存和内存也会成为Agent扩张中的重要约束。
Agent要处理更长的上下文、更多文件和更复杂的工具返回结果，对HBM、服务器内存和存储的需求都会随之增加。
根据SK海力士7月29日发布的2026年第二季度财报显示，2026年第二季度营收和营业利润均创历史新高，主要受HBM、AI服务器DRAM和企业级SSD需求增长推动。公司预计，Agentic AI将把内存需求从AI专用产品进一步扩展至传统内存市场，并计划在下半年扩大HBM4产量。
不过，半导体扩产有自身周期。晶圆制造、设备导入、良率爬坡和先进封装能力，不会随着Token需求同步增长，扩产也可能带来新的周期风险。
从SK海力士的最新财报来看，尽管业绩创下新高，股价仍一度单日下跌超过17%，反映出市场已经开始担忧新增产能在2027年后集中释放，可能再次造成供给过剩。
未来几年，推理需求能否与GPU、显存和存储供给匹配，将成为Agent产业能否规模化的重要变量。
此外，Token需求快速增长，也会放大闭源模型与开放权重模型之间的竞争。
目前，闭源模型和开放权重模型处于追赶和分化当中。当Agent需要持续调用模型，企业要同时考虑每次调用的价格、部署方式、数据安全和推理效率。闭源模型通常依靠API提供前沿能力，开放权重模型则可以通过私有化部署和自主优化，帮助企业控制长期Token成本。
海外前沿模型在推理、代码和工具调用等方面曾出现较明显的能力跃升；但随着国内开放权重模型持续更新，双方在部分任务上的实际差距正在缩小。模型的规模、训练数据、强化学习、上下文管理和推理工程等，会共同决定最终效果。
比如近期发布的Kimi K3采用2.8万亿参数的混合专家架构，并开放完整模型权重，在长程编程、Agent任务和深度推理等方向进一步提升，也成为国内开放权重模型向前沿能力逼近的代表。
与此同时，各类“Token工厂”和公共推理服务正在涌现，但服务质量良莠不齐。一些平台本质上是第三方转售，企业和个人输入的明文数据可能经过中间环节，天然存在中间人窃取和攻击风险。用户需要判断服务方是否真正具备数据隔离、加密和审计能力。
除了推理服务自身的数据安全，智能体获得更强行动能力后，也带来了另一层风险。7月29日，在一项新的披露中，OpenAI 表示，其智能体利用已泄露的登录信息，成功访问了至少四个“公开可用的服务”，以完成其疯狂的测试任务。
总体来看，“Token工厂”和公共推理服务等仍有较大的市场空间，但安全会成为关键门槛。
垂直应用重新寻找壁垒Token需求爆发只是Agent化最先显现的底层变化。随着模型和推理基础设施逐渐成熟，这场变化也在向应用层传导：过去需要垂直应用提供的能力，正在被通用模型逐步吸收。
随着通用模型在代码、工具调用和任务执行等方面持续增强，垂直Agent首先要回答的问题是：自己还有哪些能力无法被基础模型快速覆盖？
从2026年下半年开始，一部分缺乏真正行业壁垒的垂直Agent厂商可能会逐渐退出。
这里的核心逻辑在于，随着AI基础设施厂商不断进入应用层，通用模型在代码、工具调用、知识问答和任务执行等方面的能力会持续补齐，单纯依靠产品包装、提示词和简单流程，很难形成长期壁垒。
但这并不代表垂直能力会被通用模型完全覆盖。
全球各个行业长期积累了大量Know-how、专业知识、SOP、三维工程仿真数据、环境配置和边界规则。基座模型如果在训练阶段没有接触过这些内容，就很难仅凭通用能力完整掌握。
我们团队曾在测试环境中，分别使用国内外模型，在加载和不加载专业Skill的情况下完成分子结构分析任务。结果显示，在部分专业场景中，模型仅依靠通用能力，与加载高质量Skill后的表现仍然存在差距。
一个沉淀了专业知识、行业流程和边界规则的Skill，即使加载在普通模型或较先进模型上，也可能在特定任务中获得更好的结果。
通用模型可以持续吸收公开知识和标准化能力，但比如半导体、制造、化工、医药等行业多年积累的实验数据、生产流程和仿真数据，具有较强的历史积累和不可替代性。企业在使用基座模型时，也需要考虑这些知识和数据会不会在调用过程中，成为下一代模型的训练材料。
基于这个方向，由此也可能会形成一场长期博弈：闭源模型厂商希望获得更多行业数据和专业知识，进一步增强模型能力；企业则需要思考，如果把核心知识全部无偿交给基座模型，未来自身的竞争壁垒还剩下什么？
目前，一些企业已经开始使用开放权重模型进行私有化部署，让企业知识与外部模型环境保持隔离。这是一条相对稳妥的路径，但从实际效果看，私有化部署模型与最前沿模型之间，仍可能存在一定能力差距。
企业需要在模型能力、部署成本与知识保护之间作出选择。与此同时，开放权重模型本身的商业模式也可能发生变化。
如果一些先进模型的规模和性能持续提升，在垂直知识、代码和工具调用方面达到生产环境可用的水平，提供方就需要通过订阅、API调用或其他方式覆盖成本。
当前算力和高性能芯片仍然紧缺，模型背后还需要承担电力、GPU、部署和推理优化等持续投入。长期维持大规模免费服务并不容易。因此，部分的先进开放权重模型未来可能逐渐加强商业化，更多采用付费API，甚至转向闭源服务。
好的模型值得付费调用，企业积累的专业知识和Skill同样应当被确权，并在被使用时获得收益。
通用模型不断增强之后，垂直应用真正能够保留下来的价值，也将更多来自模型训练阶段没有接触过的行业知识、流程和规则。
Agent经济开始成形当垂直应用的价值逐渐从界面和通用功能转向专业知识，这些能力也不一定继续以完整应用的形式存在。
Agent经济并不只是“卖Agent”，核心是围绕Agent完成任务所需的模型、算力、数据、工具、专业知识和服务，形成一套新的供给与交易体系。
我们接触到的案例看，一些软件厂商已经开始尝试将原有能力拆成Skill。
虽然Skill是否会成为长期稳定的应用形态，行业内仍有争议，但这并不意味着Skill会消失。一个Skill最终能否留下，取决于它能否提供通用模型难以低成本覆盖的专业价值。
以BraneMatrix推出的UGS平台Ginkley为例。一些BI和数据可视化厂商会把数据分析、图表生成和相关操作封装起来；医疗企业也在探索将专科知识转化为医生能够调用的专业能力。
还有来自个人开发者和专业创作者，内容覆盖比赛分析、行业研究、美妆建议等领域。这些Skill的价值，主要来自开发者积累的专业知识、方法和经验。
未来Agent生态的供给者未必只有软件公司。企业、医生、分析师、设计师和内容创作者，都可能成为专业能力的提供者。
不过，要让Skill成为可持续的应用单元，需要先解决几个最基础的问题。
首先是确权。
平台需要确认Skill由谁创作、知识产权属于谁，以及基于开源项目改编时是否遵守相关协议。现在已经出现过热门Skill被他人重新包装售卖、原作者却没有获得收益的情况。如果作者身份和权利边界无法确认，高价值能力很难形成稳定供给。
其次是知识保护。
很多Skill的核心并不是代码，而是Markdown、提示词、业务规则和长期积累的Know-how。如果这些内容在每次调用中都直接暴露，开发者很容易失去自己的核心资产。
因此，Skill需要一种“可用不可见”的调用机制：用户可以使用一项能力并获得结果，但无法直接查看和复制其内部知识；模型在受控环境中调用Skill，也应尽量减少专业内容向外部暴露。
第三是计费和收益分配。
传统软件主要采用订阅、买断或按席位收费。Skill被不同Agent反复调用后，更可能按照调用次数、Token消耗、任务复杂度或执行结果计费。
在这套体系中，模型提供通用推理能力，Skill提供专业知识，两者都需要被合理定价。平台则需要真实记录调用次数、Token消耗和收入，让能力提供者能够了解自己的Skill如何被使用、获得了多少收益。
第四是分发。
用户未来未必会主动搜索和选择每一个Skill，更多时候可能由Agent根据任务自动调用。平台的推荐、排序和默认选择，将直接影响Skill获得多少调用。
因此，Skill平台不仅需要提供能力入口，还要建立相对透明的分发机制。平台可以帮助用户筛选更合适的能力，但不应让调用量和收益分配完全成为不可解释的黑箱。
最后是安全准入。
Agent、MCP和Skill生态中已经出现提示词注入、恶意代码、模型越狱和第三方资源投毒等风险。一个被污染的Skill，可能在用户没有察觉的情况下读取敏感数据、调用未经授权的工具，甚至把恶意程序带入企业环境。
随着AI获得更多自主行动和系统操作权限，类似的安全担忧也开始从企业应用层面蔓延至前沿模型研发。7月29日，来自OpenAI、Anthropic、Google等近十家AI公司的1100多名员工联名发布公开信，呼吁美国推动国际协调，为前沿AI研发建立必要时可以集体减速的机制。
Skill安全也是如此，不能只依靠传统代码扫描。很多风险隐藏在自然语言、文档、网页、图片和外部工具返回结果中。平台既要检查Skill本身，也要限制它能够访问的数据和权限，并对运行过程进行持续审计。
相比于网络安全，Skill安全更具挑战的基本点在于，传统网络安全的攻击向量（Attack Vectors）在理论上限于确定的规则，而 AI 安全的攻击空间呈指数级泛滥且不可预测。
因此，Skill的意义不只是把应用做得更轻，还要让专业知识第一次有机会成为可调用、可计量和可交易的数字能力。
未来的Agent体系中，通用模型可能负责理解目标和规划任务，专业Skill补充具体行业能力，底层平台则负责连接、计费和安全。
总之，Agent经济能否真正形成，最终取决于两点：专业能力能否被可靠调用，以及价值能否回到真正的创造者手中。
本文来源：腾讯科技
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。配资代理平台提示：文章来自网络，不代表本站观点。
