“AI研究智能体”听起来像一个单独产品，实际上更像一整套技术栈：底层模型、工具调用、搜索与数据源、任务编排、权限、评测、监控，以及最后给用户看的研究工作流。

这也是采购最容易比错的地方。

两个产品都能“生成一份公司研究报告”，背后可能完全不是一回事：一个是通用智能体平台，一个是已经做好的研究应用，一个则是拥有独家数据的数据库加AI入口。表面结果相似，但你购买的是完全不同的责任边界。

下面按“买家为什么买 → 系统如何完成 → 卖家在哪一层收费”拆开。

先记住三个判断

第一，模型只是其中一层。 现在的智能体SDK和平台普遍不只是调用模型，还会加入工具、状态、移交、护栏、追踪或受控执行环境。没有可靠数据、权限和工作流控制，再聪明的模型也不等于生产级研究系统。

第二，研究质量本质上也是评测问题。 智能体会连续做很多步选择，调用不同工具，再根据中间结果调整。这种系统不能只靠“看一次结果挺好”来判断，必须有任务级评测、回归测试、来源核对和人工校准。

第三，市场正在向互操作发展。 A2A、MCP式工具连接等开放协议背后是同一个需求：企业不希望每个智能体都困在一个供应商的封闭岛里。现在还远没到“完全通用”，但能否连接、替换和迁移，已经是采购要问的问题。

买家真正买的不是“智能体”，而是一个工作结果

多数人不是为了“拥有一个AI agent”而采购，而是为了：

  • 找到并总结可信来源；
  • 持续监控市场或目标公司；
  • 对比供应商和产品；
  • 自动生成公司/行业简报；
  • 从内部文件提取结构化信息；
  • 从公开网络搜集事实并整理；
  • 把研究流程标准化；
  • 减少分析师重复搜集的时间。

因此市场第一刀应该先切成两类：

成品工作流和通用平台。

成品研究产品卖的是“直接得到结果”；通用平台卖的是“你可以自己搭很多结果”。前者通常上线快，后者控制力强，但会把更多工程、测试和维护工作留给买家。

第一层：基础模型

很多系统最底下是通用大模型API或托管模型。

模型负责理解、规划、归纳、写作和选择工具，但“研究是否可靠”不只是模型能力决定。真正的研究还需要证据来源、引用、冲突处理，以及找不到资料时不乱补的机制。

采购时至少要问：

  • 可以使用哪些模型；
  • 换模型是不是要把整个流程重做；
  • 长任务中断后能否继续；
  • 工具调用错误怎么处理；
  • 能不能看到任务追踪和关键中间证据；
  • 数据保存在哪里、保存多久；
  • 企业权限是否能原样继承。

不要只看一个模型跑分，就把整套系统判断完了。

第二层：智能体运行与编排

这一层负责把“回答一次问题”变成“连续完成一个任务”。

现在的智能体SDK通常会提供工具调用、状态、重试、移交、护栏、追踪甚至沙盒执行。卖家在这里卖的不是一句“AI更聪明”，而是执行基础设施。

买家实际付钱的可能包括：

  • 工具连接；
  • 错误重试；
  • 会话与任务状态；
  • 人工审批节点；
  • 多智能体协作；
  • 可观测性；
  • 文件或代码的受控执行；
  • 权限和策略控制。

小团队可能更适合托管产品，因为省运维；技术团队可能更喜欢代码优先SDK，因为能深度接自己的系统。

没有绝对谁更好，关键是：工程责任你想留在自己手上多少。

第三层：搜索、检索和独家数据

没有证据的数据智能体，很容易变成“表达非常流畅的猜测器”。

这一层包括公开网络搜索、企业内部搜索、收费数据库、CRM、文档库、知识库和行业专属数据。

很多真正有壁垒的商业价值其实在这里。模型可能越来越容易替换，但长期积累、合法授权、权限清晰、更新稳定的数据源没那么容易替换。

采购时不要只问“覆盖多少数据”，而要拆开问：

  • 哪些是一手来源、哪些是授权数据、哪些是公开网页；
  • 能不能返回原始URL或文件位置；
  • 数据多新；
  • 找不到时会不会明确说“未找到”；
  • 能不能区分“没搜到”和“事实不存在”；
  • 原文档权限能不能继承；
  • 两个来源冲突时如何处理。

Demo搜中一个漂亮答案，不代表它能稳定覆盖你的全量任务。

第四层：验证、评测和可观测性

早期项目最容易漏掉的就是这一层。

NIST的AI风险管理框架和生成式AI Profile都强调，AI风险需要被识别、衡量和持续管理。落到智能体系统里，就是你不能只凭感觉说“最近效果还不错”，而要能看到系统行为的证据。

Anthropic在2026年的智能体评测文章也强调，多轮、工具调用、状态变化和自适应行为会让智能体比单轮模型更难测试。

研究智能体可以重点测：

  • 来源是否正确；
  • 引用能不能支持对应结论；
  • 必填字段是否完整；
  • 动态信息是否足够新；
  • 重复率；
  • 是否漏掉相反证据；
  • 是否出现无来源事实断言；
  • 任务完成率；
  • 每个有效任务的成本和时间。

一个供应商如果无法说明这些东西怎么测，应该先把它当“原型工具”看，而不是直接当生产级研究系统。

第五层：真正影响员工体验的工作流

用户最后接触到的是最上层。

可能是聊天框、研究工作台、浏览器智能体、内部看板、定时邮件、CRM自动补全或API。

这一层决定“能不能融入工作”。

销售团队可能希望研究结果直接写入CRM；战略团队需要长报告和完整引用；采购团队需要结构化比较和审批痕迹；老板可能只要一键公司简报。

同一个模型，放在不同工作流里，体验可能差很多。

市场上常见的四种卖法

1. 成品研究应用

按席位或用量付费，拿来就用。

优点：上线快。
代价：底层编排、数据和模型选择通常可控程度较低。

2. 智能体平台

买的是搭建和管理大量智能体的底座。

优点：基础设施可复用、管理集中。
代价：实施责任更多落到你的技术团队或集成商。

3. 数据产品 + 智能体入口

真正值钱的是数据库，AI只是新的操作界面。

优点：垂直领域数据强时非常有价值。
代价：结果上限受它的数据覆盖和授权范围限制。

4. 服务商和集成商

对方替你把模型、数据、自动化和内部系统拼起来。

优点：快速获得工程经验。
代价：如果没有把文档、账号、流程和知识产权边界谈清楚，后期容易形成服务依赖。

钱到底花在哪里

智能体研究项目的实际成本很少只有“一个月多少钱”。

完整成本可能包含：

  • 模型调用；
  • 搜索和数据库调用；
  • 智能体平台；
  • 文档存储和检索；
  • 自动化流程；
  • 评测与监控；
  • 集成开发；
  • 安全审核；
  • 人工复核；
  • 持续维护。

所以采购时只比“每席位价格”很容易失真。

更实用的指标是：每个通过质量标准的有效研究任务，综合成本是多少。

互操作为什么越来越重要

2025年Google发布A2A协议，随后又把该项目移交Linux Foundation，由多家技术公司参与。它解决的是不同供应商、不同框架的智能体之间如何通信和协作的问题。

与此同时，各类智能体SDK也在把“模型调用”和“编排、工具、执行”拆成不同层。

对采购者来说，不需要现在押注“哪个协议最后赢”，而应该尽量避免无谓锁死：

  • 能不能通过标准接口调用外部工具；
  • 能不能把自己的能力暴露为API；
  • 输出、日志、追踪是否可导出；
  • 你的数据模型能否独立于供应商保存；
  • 数据提供商能否替换；
  • 模型或运行时更换时是否必须推倒重来。

用一条链把所有产品放回正确位置

可以用这一条顺序比较任何“AI研究智能体”：

业务需求 → 工作流 → 数据 → 智能体运行层 → 模型 → 评测 → 治理 → 输出

如果供应商一上来只讲模型参数和榜单，就把话题拉回业务流程。

例如做公司研究，你真正应该问的是：必填字段能不能稳定找到、每个关键事实能否保留来源、找不到时会不会承认、能否发现冲突、能否去重、能否遵守数据权限、最终能不能直接进入你团队的工作系统。

模型强，只是必要条件之一。

什么情况会让采购结论改变

只做公开网络研究的小团队，和处理客户私有数据的受监管企业，系统架构完全不是一回事。

一次战略报告可以接受较多人工复核；每天生成几万条数据的系统就必须有自动评测。只总结用户自己选定的文件，比自主浏览全网需要的开放网络控制更少。

数据敏感度、任务量、错误代价、速度要求、审计要求和集成深度，都会改变“应该买哪一层、自己做哪一层”。

签约前十个问题

  1. 哪些研究任务已经在真实生产里跑过？
  2. 数据源哪些是自有、授权、公开或客户提供？
  3. 关键事实能否保留来源？
  4. 来源冲突怎么处理？
  5. 必填信息找不到时怎么办？
  6. 模型或提示词升级前跑什么回归评测？
  7. 能否查看工具调用、追踪和人工审批点？
  8. 哪些数据和流程可以导出、替换？
  9. 每个真正合格任务的综合成本是多少？
  10. 数据源/API变化后，谁负责维护？

这十个问题通常比再看一次漂亮Demo更能看清产品。

延伸阅读

来源

复核日期：2026年10月2日。智能体产品迭代很快，采购前应重新核对最新文档、数据条款和合同责任。