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，沒有走進去——垂直Agent之間，彼此如何競爭？

春節后大家都在加速研發出品，但沒有人回答那個所有從業者最在意、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？我現在的每一步，是在贏還是在輸？

當我真正把這個問題拆開——意圖的結構、任務的邊界、數據飛輪的傾斜時機、上下文積累的本質——我有一種后背發涼的感覺。

因為范性的不同，可能有些創造者，正在一個錯誤的戰場上打一場錯誤的仗。

他們以為在打功能戰，其實戰場是意圖層。他們以為在比模型質量，其實決勝點是數據積累速度。他們以為競爭對手是同行業的同類產品，其實真正的對手可能來自完全不同的領域——而真正的盟友，可能正在變成威脅。

01 你以為在打功能戰，其實戰場是意圖層

打一場戰的第一步是，找到主戰場在哪？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用權。

這就是意圖層。a16z把它稱為“AI時代最有價值的地產”——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，比大多數人想象的復雜。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

• 隱含意圖：沒說出來但默認存在的（“別搞壞我現有的系統”）

• 沖突意圖：互相權衡的目標（速度 vs 質量）

• 演化意圖：隨著用戶學習而不斷改變的目標

能建模完整意圖圖譜的Agent，和只執行表面那句話的Agent，服務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“醫療AI”、“法律AI”這樣的語義標簽切割市場，會不斷遇到邊界失效的情況。

Microsoft Research的結論最直接：意圖分解是個性化問題，不是NLP問題。用戶幾乎從不在任務層表達意圖，他們在目標層表達。Agent必須從“我想讓公司增長”推斷出“現在應該做哪個具體任務”——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，本質上是一場理解深度的競爭，不是功能競爭。

大多數垂直Agent延續了模型層的打法——我比你多一個功能，我的模型比你準一點——在意圖層的競爭邏輯面前，幾乎沒有意義。

意圖的拓撲結構圖 (Topological Map of Intention)

02 你以為競爭對手是同行，其實競爭單位是任務

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

“法律AI”不是一個市場。

看看法律AI賽道真實發生的事：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”，但他們服務完全不同的用戶、完全不同的工作場景、完全不同的成功標準。他們之間的競爭，遠比表面看起來少得多。

真正的競爭單位，是任務。

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

• 觸發情境：什么情況下用戶需要這個

• 期望結果：用戶想要什么

• 約束條件：用戶在什么限制下操作

• 成功標準：用戶怎么判斷成功

用這個框架，“幫創業公司CEO在30分鐘內完成合同風險判斷”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，兩個完全不同的市場。

這個認知有兩個讓人后背發涼的推論：

第一，同一行業的兩個產品可能根本不競爭。如果任務定義不同，用戶不同，數據不同，成功標準不同，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，不同行業的兩個產品可能直接競爭。一個法律合規Agent和一個金融合規Agent，如果都在服務同一家企業合規總監處理跨領域問題，他們就在爭奪同一個用戶的同一個判斷權。你從未注意過的“外行”，可能正在搶你的核心用戶。

a16z進一步指出了任務層在整個意圖層級里的戰略位置：

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

• 任務層（“幫我找10個潛在客戶”）：垂直Agent的甜蜜區——足夠具體可以執行，足夠寬泛可以有規模

• 步驟層（“在LinkedIn搜索XX”）：市場最小，但高度可防守

但任務層有一個持續的威脅：任務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。任務層的玩家，必須持續向上移動，更深地理解用戶的目標層意圖，才能保持價值。

03 你以為在比模型，其實在比數據積累速度

有了競爭單元，那比的是什么呢？數據、數據、還是數據！

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。這個階段的領先沒有實質意義。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）：數據分化期

這是真正的關鍵窗口。有真實客戶數據的玩家開始拉開差距。數據飛輪開始轉動：更多真實場景數據 → 更好的產品質量 → 更多用戶 → 更多數據。這個飛輪一旦轉起來，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據壁壘。后來者只有兩條路：去更細分的子賽道，或者退出。

NFX的研究給出了市場傾斜的具體條件：當領先者積累了3～5倍于第二名的訓練數據時，市場開始傾斜。在大多數垂直市場，這個傾斜點發生在第一個嚴肅玩家進入后的18個月左右。

競爭的本質不是模型質量，是數據積累速度。

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

這意味著：現在很多垂直Agent在做的事——優化模型調用、打磨產品體驗、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據，在那18個月的窗口期里建立3～5倍的數據優勢。

窗口期關閉之后，再努力也很難改變格局。

04 顆粒度：你能吃多大的任務

顆粒度的選擇，本質是意圖層級的選擇——你決定在哪個位置建立根據地？

往上走的誘惑很真實：任務層的玩家都想往目標層移動，因為目標層市場更大、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。沒有在任務層建立足夠的信任和數據，直接聲稱自己在目標層，是空的。用戶不會因為你聲稱“我是你的全能工作Agent”就把高層判斷權交給你。判斷權是一層一層往上交的，每一層都需要用實際的任務完成質量來換取。

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：你的真實服務能力能匹配的那一層。量力而行，戰略清醒。

還有一個更精細的判斷工具——生態位的四個維度：

• 功能生態位：你解決什么任務

• 用戶生態位：你服務誰

• 數據生態位：你積累什么專有數據

• 關系生態位：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標簽。

05 移動速度：從任務層打到目標層

如何在戰場上穿插？有萬里長征、有志愿軍戰術穿插、也有2023年用8萬發炮彈打一個目標的飽和進攻戰例。

移動的條件有三個層次：

細分任務的服務質量→ 能高質量完成單個任務，建立基礎信任。這是起點，沒有這個，后面都是空的。

細分任務的連貫性→ 多個相關任務組成完整的工作流，用戶開始依賴你處理一整個目標，而不只是單個任務。這是從任務層向目標層移動的關鍵跨越。

細分任務的領域代表性→ 你完成的任務越能代表這個領域的核心工作，目標層的意圖就越向你聚攏。做邊緣任務積累不了意圖層的認知，做核心任務才能。

移動的本質是：讓用戶在某個領域里，把越來越高層的判斷權交給你。這個過程不能跳級。

速度是每一步的質量和連貫性共同決定的。一個在核心任務上持續高質量交付的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 護城河：上下文積累，行為不是功能

有進攻必然有防御，別的部分在《別FOMO了，AI真正護城河不是技術，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、習慣、溝通風格、風險邊界

• 組織上下文：公司流程、團隊動態、歷史決策模式

• 領域上下文：行業知識、監管規則、最佳實踐

這三層上下文隨著服務時間增長而加厚。用戶遷移的成本，不是“我要把數據導出來”，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級增長。

但這里有一個來自移動互聯網時代的重要警告。

Benedict Evans的研究梳理了移動時代的生存規律：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擁有社區驅動實時路況；死掉的是只提供“功能”的App——天氣、手電筒、計算器，全部被系統原生功能殺死。

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

結論：護城河要建在“行為”上，不是“功能”上。

功能可以被復制，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慣、工作流依賴、判斷委托——才是真正難以遷移的資產。

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

數據護城河的“地層”剖面(Stratigraphic Profile of the Data Moat)

07 生態里誰是朋友，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結真正的朋友，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的價值網框架來看，Agent生態里有四類關系方：用戶、供應商（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，今天是互補關系。但當銷售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。這個轉變往往發生在雙方都沒有充分意識到的時候。

生態關系的判斷邏輯：

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

相鄰場景的Agent→ 現在是盟友，擴張之后邊界模糊。YC的判斷框架：當對方服務的是你用戶的非重疊工作流，且集成創造的價值大于競爭能獲取的價值時，合作；當對方進入你的核心工作流，且你在重疊區域有數據優勢時，競爭。

同一任務的Agent→ 直接競爭，數據積累速度決定勝負。這里沒有太多戰略可言，就是執行速度和數據質量的比拼。

LLM提供商→ 既是供應商也是潛在競爭者。Ben Thompson的分析給出了清晰的吸收閾值：水平的、技術可復制的、戰略重要的功能會被吸收；垂直特定的、需要專有真實世界數據的、需要監管合規的功能不會被吸收。

對應的獨立性策略有五個維度：多模型架構（技術獨立）、數據不放在對方服務器（數據獨立）、讓用戶認識你而不是底層模型（客戶關系獨立）、去監管復雜的深水區（監管獨立）、建立開源社區（社區獨立）。

當垂直已有領導者時，First 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AI → 監管AI）、往上下走（領導者做企業，你做中小企業）。子垂直策略在子垂直有獨特數據需求時最有效——如果數據需求和領導者高度重疊，子垂直的壁壘就是假的。

協議層，我認為閉源標準和開源標準會并行，大概率形成中美各自的標準體系。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。

競爭生態位的“利基”多維坐標圖 (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測，我認為是目前最有解釋力的分析。

互聯網時代，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：會出現多個意圖聚合器，每個負責一個主情境——工作Agent、個人Agent、可能還有領域專屬Agent。每個聚合器會商品化其情境內的所有工具。

a16z的預測：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、第一個調用的那個Agent。這需要足夠深的上下文積累，足夠強的任務完成記錄，足夠高的用戶信任。

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

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，通過收購專業化玩家來補全能力。贏家的策略是：自己占領意圖層，然后把專業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。

真正的戰場，是數據積累速度，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

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

本內容由作者授權發布，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，請聯系 tougao@huxiu.com。

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