产品主页/行业洞察
研究报告 · 2026 年 11 月修订

智能体已经能造、能管,
还缺的是让经验被业务检验、按版本沉淀。

本报告基于公开资料,梳理智能体领域的八类参与者和四项趋势,指出行业在「经验」这件事上的结构性空白,并说明 DLM APP-S 的做法:让 AI 在业务里运行,每一次作业由业务信号检验,经交叉审查沉淀成有版本的知识。

8 类行业参与者
30+ 款产品与平台
4 项发展趋势
22 条公开资料 · 截至 2026 年 9 月
1关键发现

行业已经基本解决「造出智能体」和「管住智能体」,参与者众多,竞争激烈。

2关键发现

「经验怎样由业务结果检验、按版本沉淀、带到新现场」,据公开资料尚未见系统方案。

3关键发现

四项趋势指向同一点:经验管理正在从附带功能,变成一项独立的基础能力。

行业格局:八类参与者

按照解决的问题,当前智能体领域的参与者可以分成八类。各类关注点不同,但在「智能体的本事从哪来」这个问题上,答案几乎一样:要么靠人一项项配置,要么只留在单个智能体自己身上。

表 1 · 智能体领域的八类参与者资料截至 2026 年 9 月
类别代表产品核心关注智能体能力的来源
智能体搭建平台扣子、阿里云百炼、百度千帆、火山引擎 HiAgent、Dify、Microsoft Copilot Studio、Salesforce Agentforce、Google Gemini Enterprise、OpenAI AgentKit 低门槛构建与发布智能体提示词、工作流、知识库与插件的人工配置;构建完成后能力基本固定
多智能体编排框架LangGraph、CrewAI、Microsoft Agent Framework、Google ADK、MGX 多个智能体的分工与协作流程角色划分、任务路由与协作流程由开发者预先设计
运行时基础设施AWS Bedrock AgentCore、Vertex AI Agent Engine、Docker Agent 部署、隔离、扩缩容、身份与可观测AgentCore 提供情景记忆,但归属于单个智能体;Docker Agent 以镜像形式分发的是配置,而非运行中习得的经验
智能体管理与治理OpenAI Frontier、Workday Agent System of Record、Microsoft Agent 365、钉钉、飞书 aily 登记、身份、权限、入职、成本与合规Frontier 提供入职流程与反馈改进机制;学习成果能否跨智能体、跨部署迁移,尚未见公开说明
自进化智能体Hermes Agent、OpenClaw、Letta,以及 WAIC 2026 发布的多款自进化智能体 使智能体在使用中持续改进从自身任务结果或用户纠正中总结技能文件与记忆,缺少统一的质量验证与治理机制
技能与智能体分发Agent Skills 开放标准、ClawHub、Docker Hub、各云厂商智能体市场、A2A 协议 能力的共享、上架、交易与互通社区贡献为主;公开报道显示,ClawHub 在 2026 年初清理前约五分之一的插件存在恶意行为
评测与可观测LangSmith、Arize、Braintrust、Langfuse 运行追踪、质量评测与漂移检测负责发现问题,不直接承担能力的积累与迁移
AI 员工与数字分身Viven、Artisan、Lindy、Relevance AI 以岗位化形态替代或辅助人工预制岗位能力,或以单个员工的数据构建个人分身
依据各厂商公开发布信息与第三方报道整理。悬停编号可看资料标题,点击跳到资料来源。

缺的那一块:经验怎样被检验、沉淀、带走

拿企业管人的方式作个对照,就能看清行业的力气花在哪里:「招人」「建档」「考勤」都很热闹;决定一个组织长期本事的那一环,即业务判断怎样被检验、沉淀、升级、带到新现场,据公开资料还没有产品系统地解决。

表 2 · 以人力资源体系为参照的行业投入分布成熟度为本报告判断
人力资源环节在智能体领域的对应行业现状成熟度
招聘与录用构建智能体搭建平台与编排框架,参与者众多高度竞争
人事档案与权限登记、身份、权限、成本OpenAI、微软、Workday 等头部厂商已密集布局高度竞争
考勤与绩效运行追踪与质量评测评测与可观测工具已形成独立市场,并出现并购整合 趋于成熟
个人自学单个智能体的自我改进开源社区活跃,但缺少质量验证与治理快速发展
岗位知识与业务复盘由业务结果检验对错、按版本沉淀、跨现场迁移据公开资料,尚未见产品提供系统化方案结构性空白
核心判断

单个智能体自己学,解决不了这个问题。经验需要一个统一的地方:用业务里真实发生的事判对错,按版本存下来,所有智能体共用,还能带到新现场。这正是 DLM APP-S 要做的事。

四项发展趋势

这四项趋势指向同一个结论:把经验留下来、管起来,正在从一个附带功能,变成一项独立的基础能力。

我们的做法:业务 + AI

不是给业务配一个对话助手,而是让会学习的智能体在业务里运行。每一次作业都留下记录,业务里随后发生的事就是信号;把两者对照,讲清差在哪,就是交叉审查;该学的结论沉淀为知识,检验通过后发版,下一次作业就照着做。

图 1 · 一次作业的闭环(点任一环节,到工作原理页看交互演示)
↺ 新版本知识用于下一次作业;同一办公室的所有智能体同时用上。
领域大模型基础模型 + 领域中枢 + 知识库

基础模型提供通用智能,可替换;知识库决定它懂什么领域;领域中枢把两者组织成工作,并从反馈中升级知识。

一个办公室,一个领域大模型协同发生在智能体之间

办公室里的多个智能体共用一个领域大模型,围绕业务单据接力、并行、升级。需要另一个领域,就是另一个办公室。

运行五件事接入 · 身份 · 交接 · 协同 · 学习

被事件叫醒、结果写回业务系统;有独立账号和最小权限;拿不准时交给人,人的处理自动成为信号。

运行等级伴随 → 预处理 → 代办 → 自主

按「AI 进程 × 业务类型」逐项设定,先陪着做,再慢慢放手。

逐项对照:八个方面

把 DLM APP-S 的做法和行业通行做法逐项放在一起。行业通行做法依据第 01 节所列公开资料归纳。

表 3 · DLM APP-S 与行业通行做法的对照悬停一行查看对应概念
维度行业通行做法DLM APP-S
AI 在哪里干活对话入口,或由开发者预先编排的流程在业务系统里运行:事件触发作业,结果写回,每次作业留下完整记录
对错依据对话中用户的纠正,或智能体对自己结果的反思业务信号:流程结果、专家修订、后果观测、交接回来的人工处理,不需要另外标注
经验怎样形成智能体自己写入技能和记忆,缺少统一检查作业与信号交叉审查,先归因:多数错误不沉淀,只有知识缺失和知识错误才变成知识
经验放在哪分散在每个智能体的配置、技能文件或记忆里集中在领域大模型的知识库里;智能体共用,不各自带经验
怎样放手要么全自动,要么转人工运行等级四级,按「AI 进程 × 业务类型」逐项提升
怎样升级重新配置提示词和流程,或重新训练模型知识库按版本发布:历史案例回放检验通过才生效,变差可以退回;不改模型权重
经验能否带走能力锁在某个平台或某个智能体里经验包去标识、加密后可以导出,合入新现场的知识库;数据始终归客户
更换基础模型本事和所用的模型或平台绑在一起知识独立存放在知识库里,基础模型可替换,已积累的知识不受影响

产品价值:业务、知识、管理

我们只看一个指标:同样多的工作,交叉审查发现的差异持续下降。它落到三个层面。

业务同样的错不犯第二次
  • 被信号否定过的判断,沉淀后不再重复
  • 运行等级逐级提升,人从逐件审改转向处理例外
  • 交接时带上结论、依据和拿不准的地方
知识专家离职、换模型都不丢
  • 每条知识都能追溯到哪几次作业、哪几个信号
  • 知识库按版本管理,每一版的效果可以对比
  • 新现场装上知识库,从当前版本起步
管理学到什么,查得清楚
  • 每个 AI 进程有独立账号、最小权限和留痕
  • 业务数据留在客户现场,经验包去标识
  • 旧版知识库存档,随时可查、可比、可退回

适用领域:有作业、有信号的业务

一项业务只要每天有大量需要凭经验完成的工作,做完之后业务里又能看到结果,就适合这种方式。电力监测(火电、配电)先行,下面是更多典型例子。

表 4 · 典型适用领域:作业是什么,信号从哪来示意
领域作业信号来源
电力监测告警研判,给出处置指令处置后的运行数据,值班员的实际操作
需求分析整理会议录音和原型,起草需求分析师定稿时的修改,开发提出的澄清
项目管理拆解任务,估算工时,跟踪进度实际工时,延期与返工
财务审核报销、发票与合同条款的初审复核结论,驳回及原因
客户服务与工单工单分类、处置建议与升级判断工单最终处理结果,回访
制造质检缺陷判定、工艺参数调整建议复检结果与返工记录
楼宇设施报修分派、楼控告警研判维修记录与回访
政务热线诉求分派与办理建议办结结果与群众评价

资料来源

以下资料均为公开信息,访问时间为 2026 年 9 月。