《企业级智能体产业落地研究报告》是腾讯云、腾讯研究院联合国际权威研究机构Gartner共同推出的，报告深入探讨企业级智能体的产业落地情况。介绍了智能体从“辅助工具”到“自主生产力”的转变，详细阐述智能体的定义、形态及能力层级。报告通过“智能体场景罗盘”和“百大场景”梳理智能体在各行业的应用现状。分析了智能体落地的技术挑战，如训推成本、模型性能、安全防护等，且提出相应的解决方案。报告展示了多个行业的先锋实践案例，对未来智能体的发展趋势进行展望，强调智能体在推动企业智能化转型中的重要作用。

获取《企业级智能体产业落地研究报告》报告PDF原文件 扫码关注回复： 20250929

引言

报告指出，人工智能正迎来重要的转折点，从“辅助工具”向“自主生产力”转变。智能体（AI Agent）作为变革的核心，能自主理解目标、规划路径、调用工具、与物理或数字世界交互。未来的企业运营人员能通过自然语言表达战略目标，由智能体组成的“虚拟团队”自主协作完成任务，如市场分析、广告投放和数据分析等。变革将重塑人机协作的边界，推动生产力的革命。

智能体概念

• 定义与形态
  • 狭义智能体：强调自主学习与优化，具备原生工具调用与任务闭环执行能力。核心特征包括自主规划与反馈调节，能在无需持续人工干预的情况下完成任务。
  • 广义智能体系统：更包容，依赖预设规则，通过工作流和工具协同实现任务。核心特征是执行预定义任务，依赖提示（Prompt）进行决策。

• 能力界定与分类
  • 核心要求：智能体需要“能干活、能落地、能实战”，能力界定和分类必须依托可验证的评测体系。
  • 评测体系：分为模型基础能力测试、通用任务测试和特定领域的端到端任务测试。评测方式包括最终输出评测、中间过程评测和相对评测。
  • 能力层级：从L1（基础响应与流程执行）到L5（组织与领导）。每个层级对应不同的任务执行方式和技术要点，例如L1主要依赖知识库问答和工作流，L3开始具备自主规划和优化能力。

智能体场景盘点

• 智能体场景罗盘：报告提出“智能体场景罗盘”，通过横纵两个坐标轴（任务复杂度和自主规划依赖度）划分四个象限：高效助手、执行专家、决策专家和全能专家。每个象限代表不同类型的智能体应用场景，成熟度从概念验证到稳定可用不等。

• 智能体百大场景：报告梳理了金融、零售、文旅、教育、医疗等14个行业的上百个智能体应用场景，为企业提供直观的参考。场景覆盖从简单任务自动化到复杂项目管理的广泛应用。

智能体技术/产品方案解析

• 技术挑战
  • 训推成本：大模型的训练和推理对资源需求极高，导致成本居高不下。业务负载的“潮汐效应”使传统的静态算力部署模式难以适应，进一步加剧资源浪费和成本问题。
  • 模型性能：通用大模型在处理特定领域的专业知识时存在局限性，容易产生“幻觉”问题，在需要自主执行任务的场景中可能导致错误决策和危险行为。
  • 安全防护：智能体应用引入了新的安全风险，如提示词注入、敏感信息泄露和不当的API调用。智能体处理和存储的海量敏感数据面临数据滥用、隐私泄露和法规不合规的风险。
  • 数据治理：企业内部数据普遍存在质量参差不齐、格式不统一、信息缺失和逻辑冲突等问题，形成了以打破的“数据孤岛”。导致智能体在整合不同部门数据时出现矛盾，影响其策的准确性。
  • 业务流程耦合：智能体需要与企业现有的复杂系统深度集成，但旧系统之间的技术耦合和人机协作的流程耦合存在诸多障碍。

• 解决方案
  • 腾讯云智能体战略全景图：腾讯云智能体战略全景图整合智能体应用、开发平台和基础设施，提供全链条解决方案，助力企业高效构建和优化智能体系统，推动智能化转型。
  • 腾讯云产品方案：具体技术优化聚焦通信、调度、模型、安全、数据治理和知识解析等关键领域，通过先进技术手段提升智能体性能与可靠性，为企业应用落地提供支撑。

智能体先锋实践

报告列举多个行业的先锋实践案例，展示了智能体在实际业务中的应用效果：

• 文旅：华住集团打造7×24小时“全能酒店管家”，提升客户服务体验。
• 医疗：迈瑞×腾讯云“启元”大模型重塑重症诊疗范式，提高医疗效率。
• 出行：一汽丰田用大模型打造专家级汽车服务智能客服，优化用户体验。
• 零售：伊利集团用智能体打造智能导购新体验，激活全域营销新动能。
• 金融：东吴人寿智能体技术助力保险全周期服务体系智能化升级。
• 互联网：同程DeepTrip智能助手用AI重新定义旅行体验。
• 教育：考试宝以AI大模型解锁精准学习新范式。

• 政务：邯郸公积金全国首创“边聊边办”数字柜台，重塑公积金服务新体验。
• 制造：运达能源科技集团以智能体技术提升风电装备制造和交付效能。
• 能源：五环集团用AI重塑工程管理赋能新质生产力。
• 地产：碧桂园服务打造“一问”AI客服机器人赋能员工效率跃升。
• 物流：DHL用智能体重构跨境智能客服实现效率与合规双提升。
• 游戏：巨人网络《太空杀》游戏引入AI智能体，创新游戏玩法。
• 心理健康：腾讯云助力心言集团打造AI情感陪伴服务。
• 法律：得理科技打造AI法务助手重塑企业法务服务新范式。

智能体发展展望

报告预测智能体将从单一、静态的应用走向动态、泛在化和具身化的新形态，推动社会和商业的范式变革：

• 智能协同：从单兵作战到群体智能，实现多智能体协同和跨组织智能体协同。
• 感知与推理：通过多模态模型和世界模型，实现更高级的推理和对世界的内在理解。
• 执行与应用：智能体的泛在化与具身化，将能力延伸到物理世界，融入各类硬件终端。

结语

智能体正从“辅助工具”演变为“自主生产力”，将深刻影响企业运营、组织形态乃至社会结构。腾讯云通过构建从技术底座到行业应用的全栈能力，助力企业分阶段、可持续地推进智能体建设，实现从“试点验证”到“生态融合”的智能化转型。

获取《企业级智能体产业落地研究报告》报告PDF原文件 扫码关注回复： 20250929

《企业AI应用构建指南》全面阐述企业级AI应用的构建方法与技术体系。内容涵盖AI应用架构演进（从对话、RAG到工作流和Agent模式），深入解析交付流程、MaaS、记忆管理、MCP协议、AI网关、沙箱隔离等核心基础设施，重点讨论提示词注入、工具安全、身份鉴权等新型风险及其防护策略。指南结合阿里巴巴内部实践，为开发者提供从研发到运维的全链路指导，助力高效、安全地实现AI应用落地与创新。

获取《企业 AI 应用构建指南》报告PDF原文件 扫码关注回复： 20250922

简介

本文基于阿里巴巴内部 AI 应用研发经验，结合业务研究与开源进展，深入分析 AI 应用研发的架构模式、交付差异、基础设施支持及安全挑战。从复杂度最高的 Agent 模式架构入手，探讨 AI 应用与传统应用在研发交付阶段的差异，包括模型切换升级及能力评测等问题。重点介绍支持 AI 应用研发的基础设施，如 MaaS、MCP 工具、Sandbox 技术及研发运维生命周期的观测和评测。分析 AI 引入应用程序带来的安全新挑战，如提示词注入、工具使用安全、Sandbox 隔离及身份和授权体系等，为读者提供 AI 应用研发的实践经验和深入见解。

AI 应用架构

• 发展历程：从简单的对话模式，到加入向量检索召回能力的 RAG 模式，再到开发者编排工作流、在关键节点用模型驱动的 AI 工作流模式，发展到用模型自身规划流程的 Agent 模式。
• Agent 模式架构：
  • 用户交互模块：接收用户请求，收集上下文数据、转换成模型请求。
  • 核心 LLM 模块：负责任务规划及短期记忆保存，生成任务计划并执行。
  • 环境模块：作为任务执行场所，通常是隔离的 sandbox 环境，执行任务、收集环境信息。
  • 规划、任务执行、感知和反思循环：根据执行结果调整规划，循环多次实现目标。
  • 记忆模块：在任务复杂、上下文过长时，引入长期记忆模块，精细压缩记忆以保留关键信息。

AI 应用交付

• 特点：与传统应用 CI/CD 相比，AI 应用 CI/CD 面临多维度的供应链管理，需用概率性测试策略，采用复杂循环流程，需对模型性能变化等 AI 特有问题进行多层次监控。
• 模型和框架选择：根据质量、成本、费用、合规等多维度选择基础模型和框架，如通用对话场景可选择 GPT-4，代码生成可选择 Qwen-Coder，企业考虑合规可选择开源模型私有化部署。在应用更新迭代过程中，需进行模型切换及相应工作。
• 核心流程：AI 应用依赖关系复杂，需统筹代码、模型、数据协同交付。建议用环境隔离方式，分为开发、集成、生产三阶段，每个环境有不同权限控制和稳定性要求。

AI 应用研发基础设施

• MaaS（模型即服务）：将具备不同任务处理能力的 AI 模型以服务形式提供给用户，用户通过 SDK/API 快速应用模型推理能力，降低 AI 应用构建复杂度。
• 记忆（Memory）：使 AI 应用能对先前交互内容进行记忆，保持长期交互的一致性和连贯性。
• MCP（模型上下文协议）：让大型语言模型以标准化方式连接外部数据源和工具，使模型能发挥更大价值，如引入网络搜索、数据集和 API 等外部工具。
• AI 网关：基于模型访问 + API 供应两个场景核心，通过抽象协议、统一治理等设计原理，把“任何模型”和“任何业务 API”纳入统一控制平面，解决 MxN 重复建设问题，实现快速迭代与企业级稳态共存。
• Sandbox：为 Agent 规划和执行任务提供可靠安全的环境，支持代码生成和运行、browser-use 及本地 MCP Tool 等。
• AI 可观测：通过获取用户上报的 OpenTelemetry 数据，清晰展示从用户输入到最终输出的全过程，记录关键节点元数据，为开发者提供调试依据，是评测、分析和优化的数据基础。
• AI 评测：传统软件测试方法在 AI 应用面前力不从心，需建立全新 AI 应用评测体系，确保 AI 应用可信赖、高质量、可持续进化，将不确定性转化为确定性商业价值。

AI 应用安全

• 应用安全风险及防护：Agent 应用面临提示词注入、逻辑错误、用户有害请求等新型安全挑战，安全问题从单点漏洞演变为系统性风险，需多层次纵深防御和专门安全治理体系。
• Tools 使用安全：高危 Tool 必须在与宿主逻辑彻底隔离、可精细审计的受控环境中运行，限定影响范围。
• 身份与授权：AI 场景下的认证和授权与传统存在差异，需更灵活可靠的安全协议，防止权限泄露、访问越权、数据安全等风险。
• 大模型供应链安全防护：防范训练数据集、模型权重、依赖组件、交付渠道等环节被恶意篡改或植入“后门”，导致模型“带病上线”威胁业务安全。

总结

随着大模型的兴起，阿里巴巴的 AI 研发生态蓬勃发展，Python 活跃开发者数量在过去一年增长 33%，主要用于数据处理、模型训练和 AI 应用研发等工作。在 2025 年 AI 应用发展的元年，资本的大量投入推动了 AI 应用的快速发展，相关的研发模式和应用架构也在不断成熟，新的 AI 应用中间件逐渐出现，让开发者更专注于创新。基于 AI 模型能力的不断提升和上下文工程成为行业共识的趋势，本文推出指南文章，能帮助广大开发者快速构建 AI 应用，实现创新梦想。

获取《企业 AI 应用构建指南》报告PDF原文件 扫码关注回复： 20250922

YC的 Vibe Coding 经验是基于 YC 的视频《How To Get The Most Out Of Vibe Coding | Startup School》整理而来，由YC合伙人Tom Blomfield分享，是基于人工智能（AI）工具如Claude Code、Windsurf和Aqua进行软件开发的新方式。通过这种方法，AI能编写全栈应用程序，通过粘贴错误信息调试代码，成为开发过程中的真正合作伙伴。Tom提供了完整的指南，帮助开发者通过vibe coding提高开发速度和效率。

核心内容

规划过程

• 创建全面计划：首先与AI合作编写详细的实施计划，保存在Markdown文件中。
• 审查和完善：删除不必要的项目，标记过于复杂的功能，以便后续处理。
• 保持范围控制：为后续的想法保留单独的部分，以便保持当前项目的专注度。
• 增量实施：分部分逐步实施计划，不是一次性构建所有内容。
• 跟踪进度：让AI在成功实施后标记部分为完成。
• 定期提交：确保每个工作部分都提交到Git，以便在移动到下一个部分之前能进行版本控制。

版本控制策略

• 严格使用Git：不要完全依赖AI工具的回滚功能，始终从干净的Git状态开始每个新功能。
• 从干净开始：每个新功能都从干净的Git状态开始，以便在AI偏离轨道时可以回滚。
• 遇到问题时重置：如果AI在某个任务上陷入困境，使用git reset --hard HEAD来重置。
• 避免累积问题：多次失败的尝试会积累坏代码，因此需要避免。
• 清洁实施：当你最终找到解决方案时，重置且纯净代码中实施它。

测试框架

• 优先考虑高级测试：关注端到端集成测试，不是单元测试。
• 模拟用户行为：通过模拟用户点击来测试功能，确保它们按预期工作。
• 捕捉回归：LLM可能会对不相关的逻辑进行不必要的更改，需要测试捕捉这些回归。
• 测试前进行：在移动到下一个功能之前确保测试通过。
• 使用测试作为护栏：从测试用例开始提供清晰的边界，确保功能的正确性。

有效修复bug

• 利用错误消息：直接将错误消息复制粘贴到LLM，通常足以识别和修复问题。
• 分析前编码：让AI考虑多种可能的原因，再编写代码。
• 失败后重置：每次失败尝试后从干净状态开始，避免积累坏代码。
• 实施日志记录：添加策略性日志能更好地理解发生的事情。
• 切换模型：尝试不同的AI模型，看看哪个更适合当前任务。
• 清洁实施：在干净的基础上修复精确的错误，避免积累不必要的代码。

AI工具优化

• 创建指令文件：为AI编写详细的指令，使它更好地理解你的意图。
• 本地文档：下载API文档到项目文件夹，LLM能更准确地访问和使用。
• 使用多个工具：同时运行多个AI工具，如Cursor和Windsurf，以提高效率。
• 工具专业化：根据工具的强项选择使用，例如Cursor适合前端工作，Windsurf适合更长时间的思考。
• 比较输出：生成多个解决方案并选择最佳，以确保代码质量。

复杂功能开发

• 创建独立原型：在干净的代码库中构建复杂功能，以便更好地控制和测试。
• 使用参考实现：指向AI的工作示例，以便它有明确的实现方向。
• 清晰的边界：保持外部API一致，允许内部更改，保持代码的灵活性。
• 模块化架构：服务基础架构具有清晰的边界，更适合大型项目。

技术栈考虑

• 成熟的框架：如Ruby on Rails因其一致的约定而表现良好，适合AI开发。
• 训练数据重要：新语言可能训练数据较少，要选择有大量训练数据的语言可能更有利。
• 模块化是关键：小文件和模块化文件易于工作，有助于保持代码的清晰和可维护性。
• 避免大文件：避免数千行代码的文件，提高代码的可读性和可维护性。

超越编码

• DevOps自动化：使用AI配置服务器、DNS和托管，提高部署效率。
• 设计协助：生成设计元素，如favicons和其他设计组件。
• 内容创建：起草文档和营销材料，以支持项目的推广。
• 教育工具：逐行解释实现，帮助团队成员更好地理解代码。
• 使用截图：分享UI错误或设计灵感，以便更好地沟通和协作。
• 语音输入：使用工具如Aqua进行语音输入，提高输入效率。

持续改进

• 定期重构：测试到位后，频繁重构代码，保持代码的清晰和可维护性。
• 识别机会：让AI找到重构候选，提高代码质量。
• 保持最新：尝试每个新模型发布，以利用最新的技术。
• 识别优势：不同模型在不同任务上表现出色，需要识别、利用这些优势。

视频地址

• 官方视频地址：https://www.youtube.com/watch?v=BJjsfNO5JTo

《人类经济指数：追踪AI在美国及全球经济中的作用》主要研究AI（特别是Claude）在全球和美国各州的使用情况。报告发现，美国的Claude使用量远超其他国家，印度、巴西、日本和韩国紧随其后。在国家层面，Claude的使用与人均GDP呈正相关，高收入国家更倾向于使用Claude进行知识工作而非单纯的编程。在美国，各州的AI使用因经济结构不同而异，例如华盛顿特区更常用于文档编辑，加州更偏重编程任务。报告发现，随着时间推移，Claude的自动化任务比例从27%上升到39%，表明用户对AI的信任度在增加。

夏威夷的旅行规划、马萨诸塞州的科学研究、印度的网页应用开发——表面上看，三者似乎毫无关联。事实上，Claude在这些地方的用途最为广泛。

这并不意味着这些是Claude最热门的用途：软件工程仍在全球几乎所有州和国家占据绝对主导地位。所谓“最为广泛”指的是：马萨诸塞州用户寻求科研帮助的概率远高于其他地区，巴西用户对语言类任务格外热衷——他们用Claude进行翻译和语言学习的频率是全球平均水平的六倍。

这些发现来自我们第三期《Anthropic经济指数》报告。本期报告中，我们进一步追踪AI技术如何重塑工作与经济格局的早期趋势，重点分析Claude在不同维度的应用差异：

• 美国各州对比：首次详细评估AI使用率的州际差异。发现各州经济结构直接影响人均Claude使用量，且最高使用率的州并非以编程任务为主。
• 跨国对比：新分析显示国家收入水平与Claude使用强度高度相关，低收入国家用户更倾向于用AI自动化工作任务。
• 时间演变：对比2024年12月-2025年1月与2025年2月-3月数据发现，“指令型自动化”任务占比从27%激增至39%，表明AI承担的责任（及用户信任度）快速提升。
• 企业用户：新增Anthropic第一方API客户匿名数据（覆盖Claude.ai之外的用户），首次揭示企业使用模式：API用户自动化任务倾向显著高于消费者，预示劳动力市场或将迎来重大变革。

以下是报告核心摘要。我们同步推出了交互式网站，可自主查询全美各州及所有追踪职业的Claude.ai使用趋势，观察所在地或相关行业的AI应用情况。若需深度研究，我们完全公开本期及往期经济指数数据集。

地域分析

本次指数新增地理维度数据，揭示Claude在全球各国及美国各州的应用特征。

跨国模式

美国Claude使用量遥遥领先，印度位居第二，巴西、日本、韩国使用份额相近。

考虑到各国人口规模差异，我们采用“AnthropicAI使用指数（AUI）”校正分析：AUI>1代表该国人均使用量高于其劳动年龄人口预期水平。

数据显示，技术先进的小型经济体（如以色列、新加坡）在 Claude 采用率方面相对于劳动年龄人口处于领先地位。收入可能是关键因素：人均GDP与AUI指数呈现强相关性（人均GDP每增1%，AUI增0.7%）。这符合逻辑——Claude高使用国通常具备完善互联网基础设施及知识型经济主导的产业特征。也引发经济分化担忧：历史表明，电气化、内燃机等通用技术推动经济增长，也加剧了全球生活水平差距。若AI效益集中于高收入国家，可能重现类似的经济分化效应。

美国州际模式

人均GDP与Claude使用量的正相关性在美国州级层面同样成立，且相关性更强（人均GDP每增1%，人均使用量增1.8%）。但收入解释力低于跨国数据，表明存在其他影响因素。

我们推测各州经济结构是主要因素。美国最高的 AUI 是哥伦比亚特区（3.82），其中 Claude 最频繁的使用是编辑文档和搜索信息，及与华盛顿特区知识工作相关的其他任务。同样，与编码相关的任务在加利福尼亚州（AUI 总体排名第三的州）。

即使夏威夷等低使用率州，旅游相关任务使用频率也达全美平均值的两倍，更多数据可通过交互式网站探索。

Claude 的使用趋势

自 2024 年 12 月以来，我们一直在追踪人们如何使用 Claude。我们用一种保护隐私的分类方法，将匿名对话记录按 O*NET（美国政府数据库，用于对工作及相关任务进行分类）定义的任务组进行分类。通过这种方式，我们能分析自去年以来人们分配给 Claude 的任务发生了怎样的变化，及人们选择合作的方式（他们选择对 Claude 的工作进行多少监督和投入）也发生了怎样的变化。

任务类型

自 2024 年 12 月以来，Claude 的计算机和数学用途在我们的类别中占据主导地位，约占对话的 37-40%。

但情况已发生很大变化。在过去的九个月里，我们看到“知识密集型”领域持续增长。例如，教育指导任务增加40%以上（占所有对话的比例从9%上升到13%），与物理和社会科学相关的任务比例增加三分之一（从6%上升到8%）。与此同时，传统商业任务的相对频率有所下降：与管理相关的任务占所有对话的比例从5%下降到3%，与商业和金融运营相关的任务比例减少一半，从6%降至3%。（当然，从绝对值来看，每个类别的对话数量仍然显著增加。）

整体趋势显示，随国家人均GDP提高，Claude应用从计算机/数学任务向教育、艺术设计、行政支持、科学研究等多元化场景迁移。软件开发仍是所有国家的最高频应用，美国各州亦呈现类似规律，尽管我们的样本量限制更详细地探究任务组合如何随采用率的变化而变化的能力。

交互模式

正如我们之前所提到的，我们将AI应用分为自动化（AI最小化人工干预直接产出）与增强（人机协作），我们进一步将自动化细分为指令性对话和反馈循环交互，其中指令性对话涉及极少的人机交互，而在反馈循环任务中，人类将现实世界的结果反馈给模型。我们还将增强细分为学习（请求信息或解释）、任务迭代（与 Claude 协作）和验证（请求反馈）。

2024年12月以来，指令型对话占比从27%骤增至39%，其他模式（尤其学习、任务迭代、反馈循环）小幅下降，推动自动化总量（49.1%）首次超越增强（47%）。表明AI正快速获得用户信任，承担更复杂工作的自主权提升。

模型能力升级可能是主因（2024 年 12 月，我们首次收集经济指数数据时，Claude 的最新版本是 Sonnet 3.6）。随着模型越来越善于预测用户需求、生成高质量的结果，用户可能会更愿意在第一次尝试时就信任模型的输出。

反常现象是：高使用率国家倾向增强模式，低使用率国家更偏好自动化，在控制相关任务组合的情况下，人均使用量每增1%，自动化率降低约3%。原因尚不明确，可能与各国早期使用者文化差异或经济因素相关。

企业应用

使用与Claude.ai对话相同的隐私保护方法，我们从 Anthropic 的第一方 API 客户子集中抽样交互，这是一项开创性的分析。 API 客户往往是企业和开发人员，他们使用 Claude 的方式与通过Claude.ai访问 Claude 的人非常不同：他们按令牌付费，不是按固定的月度订阅，且能通过自己的程序发出请求。

这些客户对 Claude 的使用尤其集中在编码和管理任务上：我们示例中 44% 的 API 流量映射到计算机或数学任务，而Claude.ai上这一比例为 36%。（实际上，大约 5% 的 API 流量专门用于开发和评估人工智能系统。）与教育职业相关的对话比例（API 中为 4%，Claude.ai上为 12%）及艺术和娱乐相关的对话比例（API 中为 5%，Claude.ai上为 8%）相对较小，抵消了差异。

最后，考虑到 API 使用的付费方式，探究任务成本差异（由消耗的代币数量差异引起）是否会影响企业选择“购买”哪些任务。发现任务成本与使用频率呈正相关：成本较高的任务类别往往使用频率更高，如下图所示。表明，模型的基本功能及产生的经济价值对企业而言比完成任务本身的成本更为重要。

结论

经济指数旨在实证评估AI对就业与经济的影响初期表现，我们发现，AI应用呈现显著不均衡性：高收入国家用户更倾向使用Claude，更追求协作而非自动化，应用场景超越编程范畴。在美国州级使用量与当地主导产业紧密关联（从科技到旅游业），且企业比消费者更愿赋予Claude自主权。

尤其值得注意的是，过去九个月Claude.ai指令型自动化对话占比急剧上升。用户仍在探索与AI的协作边界——我们仍在集体界定对AI工具的信任阈值与责任分配。但目前趋势表明，人类正越来越适应AI代理工作。我们将持续追踪这一演变，观察随模型能力提升用户行为是否趋于稳定。

欢迎访问Anthropic经济指数专题网站探索交互式数据可视化（涵盖国家、州、职业维度），我们将持续更新数据供公众追踪AI对经济与就业的影响路径。

开放数据

与以往的报告一样，本期同步发布完整数据集，其中包括地理数据、任务级使用模式、按任务划分的自动化/增强功能细分以及 API 使用情况概览。数据可在经济指数网站下载。

报告官方网站

• 报告官网：https://www.anthropic.com/research/economic-index-geography
• 交互式网站：https://www.anthropic.com/economic-index

大模型开源开发生态全景

• 全景图迭代更新
  • 1.0版本于2025年上半年发布，收录19个技术领域的135个项目，采用种子项目多跳搜索方式绘制，具有一定随机性。
  • 2.0版本于2025年8月发布，采用OpenRank算法直接筛选GitHub项目，收录114个顶尖项目，分布在22个技术领域，标准提高至OpenRank 50。
• 项目更替与生态动态
  • 2.0版本新增39个项目，占35%，多为近期创建且关注度高；移除60个项目，多因活跃度不足或不符合新标准。
  • 这些项目吸引全球366,521位开发者，其中美国占24%，中国占18%，显示中美在大模型生态中的主导地位。
• 全景图的构成与意义：全景图分为AI Infra和AI Agent两大方向，基于OpenRank算法衡量项目影响力，提供科学依据。

从生态全景到技术趋势

• 大模型开发生态关键词：通过对项目描述和标签的文本分析，提炼出AI、LLM、Agent、Data等高频关键词，得到一张词云图，反映大模型生态的核心技术方向。
• 活跃项目分析：
  • OpenRank前10的项目覆盖模型生态完整链路，Python主导基础设施，TypeScript统治应用层。
  • 部分项目采用非传统开源许可证，保护商业利益，导致“开源”定义愈发模糊。
• 技术领域发展趋势：AI Coding、Model Serving和LLMOps增长明显，Agent Framework和AI Data领域则呈现下降趋势。
• 边缘地带的项目：文章关注一些未进入全景图但有潜力的开源项目。

大模型生态下全球开发者分布画像

从1.0到2.0，100天中的变与不变

• 整体生态结构和领域的调整：从1.0到2.0，生态结构和领域划分更加精细，新增“AI Infra”、“AI Agent”和“AI Data”等具体分类。
• 出局的项目：一些曾经热门的项目如Manus、NextChat等因维护不足或被替代逐渐退出视野。
• 昔日巨星TensorFlow的十年消亡之路：TensorFlow自2015年开源后，因缺乏向后兼容性和复杂迁移工具，逐渐被PyTorch超越，走向衰落。
• 新进的项目：新领域如AI Coding和具身智能相关项目涌现，Infra领域整合为LLMOps，覆盖模型全生命周期运维。
• 新进项目中的最活跃开源项目Top 10：新进项目中，Gemini CLI和Cherry Studio等表现出色，位列活跃项目前10。
• 全景图上的“Up and Down”：从2月到8月，TensorRT-LLM、Dynamo等项目OpenRank增长明显，LangChain、Codex等项目下降明显。

专题洞察

• Model Serving（模型服务）：模型服务连接AI基础设施与应用层，vLLM、SGLang等项目提升推理性能，Ollama等推动本地部署，NVIDIA Dynamo扩展集群推理。
• AI Coding（AI编程）：AI Coding从单一代码补全发展到多模态支持，Gemini CLI、OpenCode等工具提升开发效率，商业化潜力巨大。
• AI Agent（AI代理）：2025年AI应用落地，LangChain等框架后继乏力，Mem0、Dify等新项目聚焦不同环节，推动Agent系统发展。

番外篇：大模型生态全景