2025 年，AI Agent 成为人工智能行业竞争最激烈的领域。OpenAI、谷歌、Anthropic 等巨头纷纷入局，编程类、垂类、通用型 AI Agent 融资不断飙涨，Windsurf 被谷歌 24 亿美元收购、Cursor 估值近百亿美元、Harvey AI 估值 50 亿美元…… 在这股热潮下，AI Agent 还有投资机会吗？从投资人张璐和周炜的对话中，或许能找到答案。
一、AI Agent 的三大赛道：现状与分化
AI Agent 可大致分为三类：AI coding（编程类 Agent）、ToB 垂类 Agent、通用型 Agent，不同赛道的投资价值与风险差异显著。
AI coding：巨头围猎下的 “高风险战场”
编程类 Agent 是当前融资最火热的细分领域，Cursor 母公司 Anysphere 完成 9 亿美元融资，估值近百亿美元，Windsurf 核心团队被谷歌以 24 亿美元收购。但这一领域正面临巨头的直接冲击，Anthropic 推出 Claude Code、谷歌发布 Gemini CLI、xAI 即将推出 Grok 代码模型，初创公司的先发优势正被快速稀释。
投资人周炜指出，大模型时代技术壁垒大幅降低，巨头可通过 “负毛利” 策略竞争，若初创公司仅依赖先发优势或通用模型调用，缺乏核心技术壁垒（如独有数据、底层架构创新），生存空间将被严重挤压。不过，张璐提到，部分编程工具因 UI/UX 优化、开发者生态整合较深，仍有一定迁移成本，但长期需警惕巨头的持续投入。
ToB 垂类 Agent：低成本、高壁垒的 “隐秘机会”
相较于 C 端，投资人更看好 ToB 垂类 Agent。这类 Agent 聚焦特定行业场景（如法律、医疗、金融），通过垂类数据训练、强化学习优化底层架构，在成本控制和幻觉问题上优势显著。例如张璐投资的商业票据处理 Agent，仅 7 人团队就服务沃尔玛，年处理 600 亿美元票据，依赖的正是行业深度知识和精准的流程自动化能力。
其核心壁垒在于：一是行业数据壁垒，垂类场景的非公开数据难以被通用大模型获取；二是成本优势，边缘小模型可本地部署，满足企业数据隐私需求，且算力成本更低（如可在 Raspberry Pi 运行的小模型，性能接近 GPT 4）；三是解决幻觉问题，通过大模型 + 强化学习的架构，将错误率控制在可控范围，适配金融、医疗等对准确性要求极高的领域。
通用型 Agent：高成本、低胜算的 “巨头游戏”
通用型 Agent 试图覆盖跨行业复杂任务，但面临成本高、壁垒低的双重挑战。张璐和周炜均认为，通用型 Agent 需依赖顶级大模型，推理成本高昂，且巨头在模型能力和资源上占据绝对优势。例如 OpenAI 推出的 ChatGPT Agent，融合了深度研究与执行能力，直接冲击通用型创业公司。
此外，通用型 Agent 的场景泛化能力难以平衡，成本可能高于人力，商业化可行性存疑。目前硅谷少有成功案例，更多是巨头布局，初创公司机会渺茫。
二、投资逻辑：聚焦 “壁垒” 与 “成本”
两位投资人的核心共识是，AI Agent 的竞争已从 “模型竞争” 转向 “数据、成本、行业深度的综合竞争”，判断投资价值需关注三大维度：
底层架构与技术壁垒
强化学习成为 Agent 底层架构的关键。张璐强调，单纯依赖大模型调用的 “套壳” 模式缺乏壁垒，而结合强化学习的架构能提升决策准确性、降低幻觉，这在 ToB 场景中至关重要。例如法律 Agent Harvey AI，通过强化学习优化合同分析流程，错误率远低于纯大模型方案。此外，边缘小模型的本地部署能力也是重要壁垒，可满足企业数据隐私和成本控制需求。
行业深度与数据壁垒
垂类 Agent 的价值与行业复杂度正相关。周炜指出，选择业务流程分层多、行业知识密集的领域（如医疗诊断、复杂金融工具处理），巨头因投入产出比低难以覆盖，而创业公司可通过深耕行业数据建立壁垒。例如医疗领域的 Agent，依赖非公开病例数据训练，通用大模型难以替代。
成本控制与商业化能力
AI Agent 的商业化核心是 “成本低于人力价值”。ToB 垂类 Agent 通过小模型优化、流程自动化，能显著降低单位任务成本。例如商业票据处理 Agent，将人工流程成本降低 90%，快速实现盈利；而通用型 Agent 因推理成本高，单用户 ARPU（每用户平均收入）可能低于 API 调用成本，长期依赖融资难以为继。
三、风险警示：避开 “巨头必争” 与 “无壁垒陷阱”
投资 AI Agent 需警惕三大风险：
巨头挤压风险：AI coding、通用型 Agent 等领域已成为巨头战略必争之地（如谷歌、OpenAI、Anthropic 均加码），初创公司若无独有技术或生态，易被碾压。
壁垒空心化风险：依赖通用大模型调用、无垂类数据或流程优化的 “套壳” 公司，在大模型能力提升后会迅速失去优势。
商业化陷阱：成本高于收入的 “负毛利” 模式不可持续，尤其 C 端 Agent 获客成本高、用户忠诚度低，易陷入 “烧钱换增长” 的困境。
四、结论：垂类深耕仍是核心机会
AI Agent 领域并非无投资机会，但需聚焦 “巨头不屑、创业能成” 的细分赛道。ToB 垂类 Agent 凭借行业数据壁垒、成本优势和场景刚需，仍是最优选择，尤其是医疗、金融、工业等知识密集、流程复杂的领域。而 AI coding 需谨慎，优先关注有开发者生态壁垒或底层架构创新的团队；通用型 Agent 则建议规避，留给巨头博弈。
总之，AI Agent 的投资已进入 “精耕细作” 阶段，远离 “通用狂欢”，拥抱 “垂类深耕”，才能在融资泡沫中找到真正的价值标的。