垂直Agent之間，在意圖層如何競爭?

本文來自微信公眾號：AIGC從0到1，作者：王零壹，題圖來自：視覺中國

從2023年開始，我就在試圖搞清楚一件事：AI之間的競爭，究竟按什么邏輯展開？

前面幾篇文章有讀者反饋，說我喜歡用宏觀大詞，沒有行動價值，尤其是這篇開年重磅萬字長文范式復(fù)盤：我們身在AI奇點之中。其實，范式就是共識信念，范性是微觀特性，而我層層拆解、想搞清楚的是范式下面的范性——這一輪AI競爭里，有幾個特性和以往所有商業(yè)競爭都不一樣，正是這些范性，將決定誰贏、誰死、誰在不知不覺中變成別人的工具。

《前文Agent競爭推演：誰會贏，誰會死，按什么邏輯（萬字慎點）》描繪了整體輪廓：三個競爭層面，四個演化階段。但有一塊地圖只畫了邊界，沒有走進(jìn)去——垂直Agent之間，彼此如何競爭？

春節(jié)后大家都在加速研發(fā)出品，但沒有人回答那個所有從業(yè)者最在意、最焦慮、每天都在面對的問題：

我和同賽道的對手，到底在爭什么？爭的邏輯是什么？我現(xiàn)在的每一步，是在贏還是在輸？

當(dāng)我真正把這個問題拆開——意圖的結(jié)構(gòu)、任務(wù)的邊界、數(shù)據(jù)飛輪的傾斜時機、上下文積累的本質(zhì)——我有一種后背發(fā)涼的感覺。

因為范性的不同，可能有些創(chuàng)造者，正在一個錯誤的戰(zhàn)場上打一場錯誤的仗。

他們以為在打功能戰(zhàn)，其實戰(zhàn)場是意圖層。他們以為在比模型質(zhì)量，其實決勝點是數(shù)據(jù)積累速度。他們以為競爭對手是同行業(yè)的同類產(chǎn)品，其實真正的對手可能來自完全不同的領(lǐng)域——而真正的盟友，可能正在變成威脅。

01 你以為在打功能戰(zhàn)，其實戰(zhàn)場是意圖層

打一場戰(zhàn)的第一步是，找到主戰(zhàn)場在哪？這像是一句正確的廢話，卻是最難的第一性原理。

用戶說“我想讓公司增長”。有人要把這句話翻譯成：搜索這10家公司、起草這3封郵件、安排這2個會議。誰做這個翻譯，誰就決定了下游所有工具的調(diào)用權(quán)。

這就是意圖層。a16z把它稱為“AI時代最有價值的地產(chǎn)”——因為控制意圖翻譯，就等于控制了用戶錢包到具體行動之間的所有路徑。

但意圖本身，比大多數(shù)人想象的復(fù)雜。Stanford HAI的研究指出，用戶意圖不是線性的，而是圖狀的：

• 主意圖：用戶說出來的目標(biāo)

• 隱含意圖：沒說出來但默認(rèn)存在的（“別搞壞我現(xiàn)有的系統(tǒng)”）

• 沖突意圖：互相權(quán)衡的目標(biāo)（速度 vs 質(zhì)量）

• 演化意圖：隨著用戶學(xué)習(xí)而不斷改變的目標(biāo)

能建模完整意圖圖譜的Agent，和只執(zhí)行表面那句話的Agent，服務(wù)的根本不是同一件事。前者在積累理解，后者在消耗機會。

Google DeepMind的研究進(jìn)一步指出：意圖邊界不是語義的，是情境的。“幫我查一下這個藥的副作用”——從醫(yī)生嘴里說出來和從病人嘴里說出來，是完全不同的意圖。用“醫(yī)療AI”、“法律AI”這樣的語義標(biāo)簽切割市場，會不斷遇到邊界失效的情況。

Microsoft Research的結(jié)論最直接：意圖分解是個性化問題，不是NLP問題。用戶幾乎從不在任務(wù)層表達(dá)意圖，他們在目標(biāo)層表達(dá)。Agent必須從“我想讓公司增長”推斷出“現(xiàn)在應(yīng)該做哪個具體任務(wù)”——這個推斷能力，依賴的是對這個特定用戶的深度理解，不是通用模型能力。

所以意圖層的競爭，本質(zhì)上是一場理解深度的競爭，不是功能競爭。

大多數(shù)垂直Agent延續(xù)了模型層的打法——我比你多一個功能，我的模型比你準(zhǔn)一點——在意圖層的競爭邏輯面前，幾乎沒有意義。

意圖的拓?fù)浣Y(jié)構(gòu)圖 (Topological Map of Intention)

02 你以為競爭對手是同行，其實競爭單位是任務(wù)

在現(xiàn)實地圖中要爭奪的是山川河流、城池堡壘，在意圖層戰(zhàn)場的競爭單位是什么呢？我想，這個問題雖然抽象，但極其關(guān)鍵！

“法律AI”不是一個市場。

看看法律AI賽道真實發(fā)生的事：Harvey做通用法律，Ironclad做合同管理，EvenUp做人身傷害案件，Casetext做法律檢索（最終被Thomson Reuters以6.5億美元收購）。他們都叫“法律AI”，但他們服務(wù)完全不同的用戶、完全不同的工作場景、完全不同的成功標(biāo)準(zhǔn)。他們之間的競爭，遠(yuǎn)比表面看起來少得多。

真正的競爭單位，是任務(wù)。

First Round和Reforge的研究給出了任務(wù)的完整定義，需要四個要素：

• 觸發(fā)情境：什么情況下用戶需要這個

• 期望結(jié)果：用戶想要什么

• 約束條件：用戶在什么限制下操作

• 成功標(biāo)準(zhǔn)：用戶怎么判斷成功

用這個框架，“幫創(chuàng)業(yè)公司CEO在30分鐘內(nèi)完成合同風(fēng)險判斷”和“幫大所律師完成并購案的訴訟文書研究”，是兩個完全不同的任務(wù)，兩個完全不同的市場。

這個認(rèn)知有兩個讓人后背發(fā)涼的推論：

第一，同一行業(yè)的兩個產(chǎn)品可能根本不競爭。如果任務(wù)定義不同，用戶不同，數(shù)據(jù)不同，成功標(biāo)準(zhǔn)不同，競爭就不存在。你花大量精力盯著的“同行”，可能根本不是你的對手。

第二，不同行業(yè)的兩個產(chǎn)品可能直接競爭。一個法律合規(guī)Agent和一個金融合規(guī)Agent，如果都在服務(wù)同一家企業(yè)合規(guī)總監(jiān)處理跨領(lǐng)域問題，他們就在爭奪同一個用戶的同一個判斷權(quán)。你從未注意過的“外行”，可能正在搶你的核心用戶。

a16z進(jìn)一步指出了任務(wù)層在整個意圖層級里的戰(zhàn)略位置：

• 目標(biāo)層（“我想讓公司增長”）：市場最大，但直接面對OpenAI和Anthropic

• 任務(wù)層（“幫我找10個潛在客戶”）：垂直Agent的甜蜜區(qū)——足夠具體可以執(zhí)行，足夠?qū)挿嚎梢杂幸?guī)模

• 步驟層（“在LinkedIn搜索XX”）：市場最小，但高度可防守

但任務(wù)層有一個持續(xù)的威脅：任務(wù)層和步驟層之間的邊界，會隨著模型能力提升而不斷下移。今天需要你做的任務(wù)層工作，明天可能被模型原生能力降維到步驟層，然后被工具化、商品化。任務(wù)層的玩家，必須持續(xù)向上移動，更深地理解用戶的目標(biāo)層意圖，才能保持價值。

03 你以為在比模型，其實在比數(shù)據(jù)積累速度

有了競爭單元，那比的是什么呢？數(shù)據(jù)、數(shù)據(jù)、還是數(shù)據(jù)！

Bessemer Venture Partners對垂直agent市場的研究，給出了一個清晰的競爭階段圖。

第一階段（0～12個月）：功能平權(quán)期

所有玩家功能差異不大，競爭靠營銷和價格。這個階段的領(lǐng)先沒有實質(zhì)意義。今天的第一名，明天可能被一個功能相近但營銷更好的對手超過。

第二階段（12～24個月）：數(shù)據(jù)分化期

這是真正的關(guān)鍵窗口。有真實客戶數(shù)據(jù)的玩家開始拉開差距。數(shù)據(jù)飛輪開始轉(zhuǎn)動：更多真實場景數(shù)據(jù) → 更好的產(chǎn)品質(zhì)量 → 更多用戶 → 更多數(shù)據(jù)。這個飛輪一旦轉(zhuǎn)起來，跟隨者很難追上。

第三階段（18～36個月）：格局固化期

頭部玩家建立了難以逾越的數(shù)據(jù)壁壘。后來者只有兩條路：去更細(xì)分的子賽道，或者退出。

NFX的研究給出了市場傾斜的具體條件：當(dāng)領(lǐng)先者積累了3～5倍于第二名的訓(xùn)練數(shù)據(jù)時，市場開始傾斜。在大多數(shù)垂直市場，這個傾斜點發(fā)生在第一個嚴(yán)肅玩家進(jìn)入后的18個月左右。

競爭的本質(zhì)不是模型質(zhì)量，是數(shù)據(jù)積累速度。

因為大家都在用同樣的基礎(chǔ)模型，模型質(zhì)量的差異會越來越小。真正的差異來自兩個地方：你有沒有這個領(lǐng)域的專有數(shù)據(jù)，你的工作流嵌入有多深。

這意味著：現(xiàn)在很多垂直Agent在做的事——優(yōu)化模型調(diào)用、打磨產(chǎn)品體驗、做功能迭代——在競爭邏輯上是次要的。最重要的事，是以最快的速度積累最多的真實場景數(shù)據(jù)，在那18個月的窗口期里建立3～5倍的數(shù)據(jù)優(yōu)勢。

窗口期關(guān)閉之后，再努力也很難改變格局。

04 顆粒度：你能吃多大的任務(wù)

顆粒度的選擇，本質(zhì)是意圖層級的選擇——你決定在哪個位置建立根據(jù)地？

往上走的誘惑很真實：任務(wù)層的玩家都想往目標(biāo)層移動，因為目標(biāo)層市場更大、粘性更強、切換成本更高。

但往上走有一個致命陷阱：目標(biāo)層需要的不是更多功能，而是更深的上下文積累。沒有在任務(wù)層建立足夠的信任和數(shù)據(jù)，直接聲稱自己在目標(biāo)層，是空的。用戶不會因為你聲稱“我是你的全能工作Agent”就把高層判斷權(quán)交給你。判斷權(quán)是一層一層往上交的，每一層都需要用實際的任務(wù)完成質(zhì)量來換取。

往下走同樣有陷阱：步驟層看起來安全，做工具和API，被其他Agent調(diào)用。但步驟層的邊界會隨模型能力提升而移動。今天的步驟層工作，明天可能被模型原生能力直接覆蓋。

平衡點只有一個：你的真實服務(wù)能力能匹配的那一層。量力而行，戰(zhàn)略清醒。

還有一個更精細(xì)的判斷工具——生態(tài)位的四個維度：

• 功能生態(tài)位：你解決什么任務(wù)

• 用戶生態(tài)位：你服務(wù)誰

• 數(shù)據(jù)生態(tài)位：你積累什么專有數(shù)據(jù)

• 關(guān)系生態(tài)位：你在用戶工作流的哪個位置（上游/核心/下游）

兩個Agent在這四個維度上高度重疊，就會發(fā)生激烈競爭。有足夠差異，就可以共存。這個框架比“同一垂直”或“不同垂直”的判斷精確得多——它告訴你競爭的真實烈度，而不只是表面的行業(yè)標(biāo)簽。

05 移動速度：從任務(wù)層打到目標(biāo)層

如何在戰(zhàn)場上穿插？有萬里長征、有志愿軍戰(zhàn)術(shù)穿插、也有2023年用8萬發(fā)炮彈打一個目標(biāo)的飽和進(jìn)攻戰(zhàn)例。

移動的條件有三個層次：

細(xì)分任務(wù)的服務(wù)質(zhì)量→ 能高質(zhì)量完成單個任務(wù)，建立基礎(chǔ)信任。這是起點，沒有這個，后面都是空的。

細(xì)分任務(wù)的連貫性→ 多個相關(guān)任務(wù)組成完整的工作流，用戶開始依賴你處理一整個目標(biāo)，而不只是單個任務(wù)。這是從任務(wù)層向目標(biāo)層移動的關(guān)鍵跨越。

細(xì)分任務(wù)的領(lǐng)域代表性→ 你完成的任務(wù)越能代表這個領(lǐng)域的核心工作，目標(biāo)層的意圖就越向你聚攏。做邊緣任務(wù)積累不了意圖層的認(rèn)知，做核心任務(wù)才能。

移動的本質(zhì)是：讓用戶在某個領(lǐng)域里，把越來越高層的判斷權(quán)交給你。這個過程不能跳級。

速度是每一步的質(zhì)量和連貫性共同決定的。一個在核心任務(wù)上持續(xù)高質(zhì)量交付的Agent，比一個功能很多但每個都做得一般的Agent，移動速度快得多。

06 護(hù)城河：上下文積累，行為不是功能

有進(jìn)攻必然有防御，別的部分在《別FOMO了，AI真正護(hù)城河不是技術(shù)，是…》介紹過了，這里只說上下文積累。

三種上下文，層層疊加：

• 個人上下文：用戶的偏好、習(xí)慣、溝通風(fēng)格、風(fēng)險邊界

• 組織上下文：公司流程、團(tuán)隊動態(tài)、歷史決策模式

• 領(lǐng)域上下文：行業(yè)知識、監(jiān)管規(guī)則、最佳實踐

這三層上下文隨著服務(wù)時間增長而加厚。用戶遷移的成本，不是“我要把數(shù)據(jù)導(dǎo)出來”，而是“我要重新讓一個新Agent理解我的這一切”。這個成本會隨使用時間指數(shù)級增長。

但這里有一個來自移動互聯(lián)網(wǎng)時代的重要警告。

Benedict Evans的研究梳理了移動時代的生存規(guī)律：活下來的是擁有“行為”的App——Uber擁有叫車行為，Instagram擁有美照分享行為，Waze擁有社區(qū)驅(qū)動實時路況；死掉的是只提供“功能”的App——天氣、手電筒、計算器，全部被系統(tǒng)原生功能殺死。

Waze的案例尤其值得深思。導(dǎo)航功能被Google Maps和Apple Maps原生化了，但Waze活下來了，因為它擁有的不是導(dǎo)航功能，而是“司機社區(qū)共同維護(hù)實時路況”這個行為——這個行為，平臺沒法原生化。

結(jié)論：護(hù)城河要建在“行為”上，不是“功能”上。

功能可以被復(fù)制，可以被原生化，可以被更好的模型覆蓋。行為——用戶在你這里形成的使用習(xí)慣、工作流依賴、判斷委托——才是真正難以遷移的資產(chǎn)。

還有一個威脅需要正視：如果意圖本身發(fā)生了遷移——用戶的需求升維了，你還在原來那一層——護(hù)城河就變成了圍墻。上下文積累是壁壘，但它同時也是惰性。最危險的時刻，是你的用戶已經(jīng)開始需要目標(biāo)層的服務(wù)，而你還在用任務(wù)層的邏輯服務(wù)他們。

數(shù)據(jù)護(hù)城河的“地層”剖面(Stratigraphic Profile of the Data Moat)

07 生態(tài)里誰是朋友，誰是對手

毛選《中國社會各階級的分析》寫道：“誰是我們的敵人？誰是我們的朋友？這個問題是革命的首要問題。中國過去一切革命斗爭成效甚少，其基本原因就是因為不能團(tuán)結(jié)真正的朋友，以攻擊真正的敵人。”

在新的范性中，朋友和對手要重新劃分。

用Brandenburger和Nalebuff的價值網(wǎng)框架來看，Agent生態(tài)里有四類關(guān)系方：用戶、供應(yīng)商（LLM提供商）、競爭者、互補者。

最重要的洞察：互補者和競爭者之間的邊界，會隨著擴(kuò)張而移動。今天的盟友，是明天最危險的競爭者。

一個銷售Agent和一個CRM Agent，今天是互補關(guān)系。但當(dāng)銷售Agent開始做客戶管理，或者CRM Agent開始做銷售自動化，他們就變成了直接競爭者。這個轉(zhuǎn)變往往發(fā)生在雙方都沒有充分意識到的時候。

生態(tài)關(guān)系的判斷邏輯：

工作流上下游的Agent→ 天然互補，主動深度集成，越早越好。在擴(kuò)張之前通過API集成和數(shù)據(jù)共享建立足夠深的合作，使得分開的成本高于合作的收益——這是鎖定盟友關(guān)系的正確時機，不是等到對方開始擴(kuò)張再談。

相鄰場景的Agent→ 現(xiàn)在是盟友，擴(kuò)張之后邊界模糊。YC的判斷框架：當(dāng)對方服務(wù)的是你用戶的非重疊工作流，且集成創(chuàng)造的價值大于競爭能獲取的價值時，合作；當(dāng)對方進(jìn)入你的核心工作流，且你在重疊區(qū)域有數(shù)據(jù)優(yōu)勢時，競爭。

同一任務(wù)的Agent→ 直接競爭，數(shù)據(jù)積累速度決定勝負(fù)。這里沒有太多戰(zhàn)略可言，就是執(zhí)行速度和數(shù)據(jù)質(zhì)量的比拼。

LLM提供商→ 既是供應(yīng)商也是潛在競爭者。Ben Thompson的分析給出了清晰的吸收閾值：水平的、技術(shù)可復(fù)制的、戰(zhàn)略重要的功能會被吸收；垂直特定的、需要專有真實世界數(shù)據(jù)的、需要監(jiān)管合規(guī)的功能不會被吸收。

對應(yīng)的獨立性策略有五個維度：多模型架構(gòu)（技術(shù)獨立）、數(shù)據(jù)不放在對方服務(wù)器（數(shù)據(jù)獨立）、讓用戶認(rèn)識你而不是底層模型（客戶關(guān)系獨立）、去監(jiān)管復(fù)雜的深水區(qū)（監(jiān)管獨立）、建立開源社區(qū)（社區(qū)獨立）。

當(dāng)垂直已有領(lǐng)導(dǎo)者時，F(xiàn)irst Round給出了三條子垂直策略：往深走（專利訴訟AI，而不是法律AI）、往鄰走（法律AI → 合規(guī)AI → 監(jiān)管AI）、往上下走（領(lǐng)導(dǎo)者做企業(yè)，你做中小企業(yè)）。子垂直策略在子垂直有獨特數(shù)據(jù)需求時最有效——如果數(shù)據(jù)需求和領(lǐng)導(dǎo)者高度重疊，子垂直的壁壘就是假的。

協(xié)議層，我認(rèn)為閉源標(biāo)準(zhǔn)和開源標(biāo)準(zhǔn)會并行，大概率形成中美各自的標(biāo)準(zhǔn)體系。開源的方向是確定的——追求零摩擦、追求普適性。這個話題下一篇單獨寫。

競爭生態(tài)位的“利基”多維坐標(biāo)圖 (Multidimensional Niche Coordinate Map of Competition)

08 最終格局：意圖層會被誰瓜分

終局思維，建立遞歸意識，當(dāng)潮水退去時才不會光著褲衩，這一點很重要，既要有沖浪的快樂，也要最終上岸。

Ben Thompson用聚合理論做了一個預(yù)測，我認(rèn)為是目前最有解釋力的分析。

互聯(lián)網(wǎng)時代，聚合器控制需求，商品化供給。Agent時代，同樣的邏輯在更高層運作：控制意圖的Agent，會把所有下游專業(yè)化Agent變成它的工具。

但意圖比需求更難聚合，因為意圖是個人化的、情境化的。這個特性決定了最終格局不會是一家通吃：會出現(xiàn)多個意圖聚合器，每個負(fù)責(zé)一個主情境——工作Agent、個人Agent、可能還有領(lǐng)域?qū)貯gent。每個聚合器會商品化其情境內(nèi)的所有工具。

a16z的預(yù)測：意圖層最終會被2～3個Agent瓜分，贏得這些槽位的公司，對所有下游工具和服務(wù)有巨大杠桿。

對垂直Agent來說，這個格局意味著兩種命運：

一種是成為意圖聚合器——在某個主情境里，成為用戶第一個想到、第一個調(diào)用的那個Agent。這需要足夠深的上下文積累，足夠強的任務(wù)完成記錄，足夠高的用戶信任。

另一種是成為被調(diào)用的專業(yè)工具——在意圖聚合器的編排下，提供某個細(xì)分能力。這不是失敗，但它意味著定價權(quán)和用戶關(guān)系都在聚合器手里。

Harvey在法律賽道的策略值得再看一遍：它在成為通用法律意圖聚合器的同時，通過收購專業(yè)化玩家來補全能力。贏家的策略是：自己占領(lǐng)意圖層，然后把專業(yè)化工具變成自己的軍火庫。

垂直Agent的競爭，表面上是速度和資源的比拼。

真正的戰(zhàn)場，是數(shù)據(jù)積累速度，是上下文深度，是用戶腦子里那個“這件事找誰”的瞬間。

誰占了那個瞬間，誰就占了意圖層。

其他人，都在給它打工…

參考文獻(xiàn)

1. Stanford HAI（2025）.The Intent Graph: How Agents Should Model User Goals

2. Google DeepMind（2025）.Semantic vs. Contextual Intent Boundaries

3. Microsoft Research（2025）.Intent Decomposition in Agentic Systems

4. Andreessen Horowitz / a16z（2026）.The Intent Layer: The Most Valuable Real Estate in AI

5. First Round Capital（2026）.The Sub-Vertical Strategy: How to Win When the Vertical is Already Taken

6. First Round Capital（2025）.Why Vertical AI Markets Are Actually Job Markets

7. Reforge（2025）.JTBD and AI Agents: Redefining Market Boundaries

8. Bessemer Venture Partners（2026）.Within-Vertical Competition in AI Agents

9. NFX（2026）.Network Effects and Tipping Points in Agent Markets

10. Benedict Evans（2025）.Lessons from Mobile App Competition for the AI Era

11. Stratechery， Ben Thompson（2026）.The Aggregation Theory Applied to Agent Markets

12. Stratechery， Ben Thompson（2025）.The Innovator's Dilemma for LLM Providers

13. Andreessen Horowitz / a16z（2026）.Context Accumulation as Competitive Strategy

14. Y Combinator（2025）.When Vertical Agents Should Partner vs. Compete

15. The Information（2025）.Competitive Dynamics in Legal AI: A Case Study

本文來自微信公眾號：AIGC從0到1，作者：王零壹

本內(nèi)容由作者授權(quán)發(fā)布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4837213.html?f=wyxwapp