本文来自微信公众号：AIGC 从 0 到 1，作者：王零壹，题图来自：视觉中国
从 2023 年开始，我就在试图搞清楚一件事：AI 之间的竞争，究竟按什么逻辑展开？
前面几篇文章有读者反馈，说我喜欢用宏观大词，没有行动价值，尤其是这篇开年重磅万字长文范式复盘：我们身在 AI 奇点之中。其实，范式就是共识信念，范性是微观特性，而我层层拆解、想搞清楚的是范式下面的范性——这一轮 AI 竞争里，有几个特性和以往所有商业竞争都不一样，正是这些范性，将决定谁赢、谁死、谁在不知不觉中变成别人的工具。
《前文 Agent 竞争推演：谁会赢，谁会死，按什么逻辑（万字慎点）》描绘了整体轮廓：三个竞争层面，四个演化阶段。但有一块地图只画了边界，没有走进去——垂直 Agent 之间，彼此如何竞争？
春节后大家都在加速研发出品，但没有人回答那个所有从业者最在意、最焦虑、每天都在面对的问题：
我和同赛道的对手，到底在争什么？争的逻辑是什么？我现在的每一步，是在赢还是在输？
当我真正把这个问题拆开——意图的结构、任务的边界、数据飞轮的倾斜时机、上下文积累的本质——我有一种后背发凉的感觉。
因为范性的不同，可能有些创造者，正在一个错误的战场上打一场错误的仗。
他们以为在打功能战，其实战场是意图层。他们以为在比模型质量，其实决胜点是数据积累速度。他们以为竞争对手是同行业的同类产品，其实真正的对手可能来自完全不同的领域——而真正的盟友，可能正在变成威胁。
01 你以为在打功能战，其实战场是意图层
打一场战的第一步是，找到主战场在哪？这像是一句正确的废话，却是最难的第一性原理。
用户说"我想让公司增长"。有人要把这句话翻译成：搜索这 10 家公司、起草这 3 封邮件、安排这 2 个会议。谁做这个翻译，谁就决定了下游所有工具的调用权。
这就是意图层。a16z 把它称为" AI 时代最有价值的地产"——因为控制意图翻译，就等于控制了用户钱包到具体行动之间的所有路径。
但意图本身，比大多数人想象的复杂。Stanford HAI 的研究指出，用户意图不是线性的，而是图状的：
主意图：用户说出来的目标
隐含意图：没说出来但默认存在的（"别搞坏我现有的系统"）
冲突意图：互相权衡的目标（速度 vs 质量）
演化意图：随着用户学习而不断改变的目标
能建模完整意图图谱的 Agent，和只执行表面那句话的 Agent，服务的根本不是同一件事。前者在积累理解，后者在消耗机会。
Google DeepMind 的研究进一步指出：意图边界不是语义的，是情境的。"帮我查一下这个药的副作用"——从医生嘴里说出来和从病人嘴里说出来，是完全不同的意图。用"医疗 AI "、"法律 AI "这样的语义标签切割市场，会不断遇到边界失效的情况。
Microsoft Research 的结论最直接：意图分解是个性化问题，不是 NLP 问题。用户几乎从不在任务层表达意图，他们在目标层表达。Agent 必须从"我想让公司增长"推断出"现在应该做哪个具体任务"——这个推断能力，依赖的是对这个特定用户的深度理解，不是通用模型能力。
所以意图层的竞争，本质上是一场理解深度的竞争，不是功能竞争。
大多数垂直 Agent 延续了模型层的打法——我比你多一个功能，我的模型比你准一点——在意图层的竞争逻辑面前，几乎没有意义。
意图的拓扑结构图 ( Topological Map of Intention )
02 你以为竞争对手是同行，其实竞争单位是任务在现实地图中要争夺的是山川河流、城池堡垒，在意图层战场的竞争单位是什么呢？我想，这个问题虽然抽象，但极其关键！
"法律 AI "不是一个市场。
看看法律 AI 赛道真实发生的事：Harvey 做通用法律，Ironclad 做合同管理，EvenUp 做人身伤害案件，Casetext 做法律检索（最终被 Thomson Reuters 以 6.5 亿美元收购）。他们都叫"法律 AI "，但他们服务完全不同的用户、完全不同的工作场景、完全不同的成功标准。他们之间的竞争，远比表面看起来少得多。
真正的竞争单位，是任务。
First Round 和 Reforge 的研究给出了任务的完整定义，需要四个要素：
触发情境：什么情况下用户需要这个
期望结果：用户想要什么
约束条件：用户在什么限制下操作
成功标准：用户怎么判断成功
用这个框架，"帮创业公司 CEO 在 30 分钟内完成合同风险判断"和"帮大所律师完成并购案的诉讼文书研究"，是两个完全不同的任务，两个完全不同的市场。
这个认知有两个让人后背发凉的推论：
第一，同一行业的两个产品可能根本不竞争。如果任务定义不同，用户不同，数据不同，成功标准不同，竞争就不存在。你花大量精力盯着的"同行"，可能根本不是你的对手。
第二，不同行业的两个产品可能直接竞争。一个法律合规 Agent 和一个金融合规 Agent，如果都在服务同一家企业合规总监处理跨领域问题，他们就在争夺同一个用户的同一个判断权。你从未注意过的"外行"，可能正在抢你的核心用户。
a16z 进一步指出了任务层在整个意图层级里的战略位置：
目标层（"我想让公司增长"）：市场最大，但直接面对 OpenAI 和 Anthropic
任务层（"帮我找 10 个潜在客户"）：垂直 Agent 的甜蜜区——足够具体可以执行，足够宽泛可以有规模
步骤层（"在 LinkedIn 搜索 XX "）：市场最小，但高度可防守
但任务层有一个持续的威胁：任务层和步骤层之间的边界，会随着模型能力提升而不断下移。今天需要你做的任务层工作，明天可能被模型原生能力降维到步骤层，然后被工具化、商品化。任务层的玩家，必须持续向上移动，更深地理解用户的目标层意图，才能保持价值。
03 你以为在比模型，其实在比数据积累速度
有了竞争单元，那比的是什么呢？数据、数据、还是数据！
Bessemer Venture Partners 对垂直 agent 市场的研究，给出了一个清晰的竞争阶段图。
第一阶段（0～12 个月）：功能平权期
所有玩家功能差异不大，竞争靠营销和价格。这个阶段的领先没有实质意义。今天的第一名，明天可能被一个功能相近但营销更好的对手超过。
第二阶段（12～24 个月）：数据分化期
这是真正的关键窗口。有真实客户数据的玩家开始拉开差距。数据飞轮开始转动：更多真实场景数据 → 更好的产品质量 → 更多用户 → 更多数据。这个飞轮一旦转起来，跟随者很难追上。
第三阶段（18～36 个月）：格局固化期
头部玩家建立了难以逾越的数据壁垒。后来者只有两条路：去更细分的子赛道，或者退出。
NFX 的研究给出了市场倾斜的具体条件：当领先者积累了 3～5 倍于第二名的训练数据时，市场开始倾斜。在大多数垂直市场，这个倾斜点发生在第一个严肃玩家进入后的 18 个月左右。
竞争的本质不是模型质量，是数据积累速度。
因为大家都在用同样的基础模型，模型质量的差异会越来越小。真正的差异来自两个地方：你有没有这个领域的专有数据，你的工作流嵌入有多深。
这意味着：现在很多垂直 Agent 在做的事——优化模型调用、打磨产品体验、做功能迭代——在竞争逻辑上是次要的。最重要的事，是以最快的速度积累最多的真实场景数据，在那 18 个月的窗口期里建立 3～5 倍的数据优势。
窗口期关闭之后，再努力也很难改变格局。
04 颗粒度：你能吃多大的任务
颗粒度的选择，本质是意图层级的选择——你决定在哪个位置建立根据地？
往上走的诱惑很真实：任务层的玩家都想往目标层移动，因为目标层市场更大、粘性更强、切换成本更高。
但往上走有一个致命陷阱：目标层需要的不是更多功能，而是更深的上下文积累。没有在任务层建立足够的信任和数据，直接声称自己在目标层，是空的。用户不会因为你声称"我是你的全能工作 Agent "就把高层判断权交给你。判断权是一层一层往上交的，每一层都需要用实际的任务完成质量来换取。
往下走同样有陷阱：步骤层看起来安全，做工具和 API，被其他 Agent 调用。但步骤层的边界会随模型能力提升而移动。今天的步骤层工作，明天可能被模型原生能力直接覆盖。
平衡点只有一个：你的真实服务能力能匹配的那一层。量力而行，战略清醒。
还有一个更精细的判断工具——生态位的四个维度：
功能生态位：你解决什么任务
用户生态位：你服务谁
数据生态位：你积累什么专有数据
关系生态位：你在用户工作流的哪个位置（上游 / 核心 / 下游）
两个 Agent 在这四个维度上高度重叠，就会发生激烈竞争。有足够差异，就可以共存。这个框架比"同一垂直"或"不同垂直"的判断精确得多——它告诉你竞争的真实烈度，而不只是表面的行业标签。
05 移动速度：从任务层打到目标层
如何在战场上穿插？有万里长征、有志愿军战术穿插、也有 2023 年用 8 万发炮弹打一个目标的饱和进攻战例。
移动的条件有三个层次：
细分任务的服务质量→ 能高质量完成单个任务，建立基础信任。这是起点，没有这个，后面都是空的。
细分任务的连贯性→ 多个相关任务组成完整的工作流，用户开始依赖你处理一整个目标，而不只是单个任务。这是从任务层向目标层移动的关键跨越。
细分任务的领域代表性→ 你完成的任务越能代表这个领域的核心工作，目标层的意图就越向你聚拢。做边缘任务积累不了意图层的认知，做核心任务才能。
移动的本质是：让用户在某个领域里，把越来越高层的判断权交给你。这个过程不能跳级。
速度是每一步的质量和连贯性共同决定的。一个在核心任务上持续高质量交付的 Agent，比一个功能很多但每个都做得一般的 Agent，移动速度快得多。
06 护城河：上下文积累，行为不是功能
有进攻必然有防御，别的部分在《别 FOMO 了，AI 真正护城河不是技术，是 …》介绍过了，这里只说上下文积累。
三种上下文，层层叠加：
个人上下文：用户的偏好、习惯、沟通风格、风险边界
组织上下文：公司流程、团队动态、历史决策模式
领域上下文：行业知识、监管规则、最佳实践
这三层上下文随着服务时间增长而加厚。用户迁移的成本，不是"我要把数据导出来"，而是"我要重新让一个新 Agent 理解我的这一切"。这个成本会随使用时间指数级增长。
但这里有一个来自移动互联网时代的重要警告。
Benedict Evans 的研究梳理了移动时代的生存规律：活下来的是拥有"行为"的 App —— Uber 拥有叫车行为，Instagram 拥有美照分享行为，Waze 拥有社区驱动实时路况；死掉的是只提供"功能"的 App ——天气、手电筒、计算器，全部被系统原生功能杀死。
Waze 的案例尤其值得深思。导航功能被 Google Maps 和 Apple Maps 原生化了，但 Waze 活下来了，因为它拥有的不是导航功能，而是"司机社区共同维护实时路况"这个行为——这个行为，平台没法原生化。
结论：护城河要建在"行为"上，不是"功能"上。
功能可以被复制，可以被原生化，可以被更好的模型覆盖。行为——用户在你这里形成的使用习惯、工作流依赖、判断委托——才是真正难以迁移的资产。
还有一个威胁需要正视：如果意图本身发生了迁移——用户的需求升维了，你还在原来那一层——护城河就变成了围墙。上下文积累是壁垒，但它同时也是惰性。最危险的时刻，是你的用户已经开始需要目标层的服务，而你还在用任务层的逻辑服务他们。
数据护城河的"地层"剖面 ( Stratigraphic Profile of the Data Moat )
07 生态里谁是朋友，谁是对手毛选《中国社会各阶级的分析》写道："谁是我们的敌人？谁是我们的朋友？这个问题是革命的首要问题。中国过去一切革命斗争成效甚少，其基本原因就是因为不能团结真正的朋友，以攻击真正的敌人。"
在新的范性中，朋友和对手要重新划分。
用 Brandenburger 和 Nalebuff 的价值网框架来看，Agent 生态里有四类关系方：用户、供应商（LLM 提供商）、竞争者、互补者。
最重要的洞察：互补者和竞争者之间的边界，会随着扩张而移动。今天的盟友，是明天最危险的竞争者。
一个销售 Agent 和一个 CRM Agent，今天是互补关系。但当销售 Agent 开始做客户管理，或者 CRM Agent 开始做销售自动化，他们就变成了直接竞争者。这个转变往往发生在双方都没有充分意识到的时候。
生态关系的判断逻辑：
工作流上下游的 Agent → 天然互补，主动深度集成，越早越好。在扩张之前通过 API 集成和数据共享建立足够深的合作，使得分开的成本高于合作的收益——这是锁定盟友关系的正确时机，不是等到对方开始扩张再谈。
相邻场景的 Agent → 现在是盟友，扩张之后边界模糊。YC 的判断框架：当对方服务的是你用户的非重叠工作流，且集成创造的价值大于竞争能获取的价值时，合作；当对方进入你的核心工作流，且你在重叠区域有数据优势时，竞争。
同一任务的 Agent → 直接竞争，数据积累速度决定胜负。这里没有太多战略可言，就是执行速度和数据质量的比拼。
LLM 提供商→ 既是供应商也是潜在竞争者。Ben Thompson 的分析给出了清晰的吸收阈值：水平的、技术可复制的、战略重要的功能会被吸收；垂直特定的、需要专有真实世界数据的、需要监管合规的功能不会被吸收。
对应的独立性策略有五个维度：多模型架构（技术独立）、数据不放在对方服务器（数据独立）、让用户认识你而不是底层模型（客户关系独立）、去监管复杂的深水区（监管独立）、建立开源社区（社区独立）。
当垂直已有领导者时，First Round 给出了三条子垂直策略：往深走（专利诉讼 AI，而不是法律 AI）、往邻走（法律 AI → 合规 AI → 监管 AI）、往上下走（领导者做企业，你做中小企业）。子垂直策略在子垂直有独特数据需求时最有效——如果数据需求和领导者高度重叠，子垂直的壁垒就是假的。
协议层，我认为闭源标准和开源标准会并行，大概率形成中美各自的标准体系。开源的方向是确定的——追求零摩擦、追求普适性。这个话题下一篇单独写。
竞争生态位的"利基"多维坐标图 ( Multidimensional Niche Coordinate Map of Competition )
08 最终格局：意图层会被谁瓜分终局思维，建立递归意识，当潮水退去时才不会光着裤衩，这一点很重要，既要有冲浪的快乐，也要最终上岸。
Ben Thompson 用聚合理论做了一个预测，我认为是目前最有解释力的分析。
互联网时代，聚合器控制需求，商品化供给。Agent 时代，同样的逻辑在更高层运作：控制意图的 Agent，会把所有下游专业化 Agent 变成它的工具。
但意图比需求更难聚合，因为意图是个人化的、情境化的。这个特性决定了最终格局不会是一家通吃：会出现多个意图聚合器，每个负责一个主情境——工作 Agent、个人 Agent、可能还有领域专属 Agent。每个聚合器会商品化其情境内的所有工具。
a16z 的预测：意图层最终会被 2～3 个 Agent 瓜分，赢得这些槽位的公司，对所有下游工具和服务有巨大杠杆。
对垂直 Agent 来说，这个格局意味着两种命运：
一种是成为意图聚合器——在某个主情境里，成为用户第一个想到、第一个调用的那个 Agent。这需要足够深的上下文积累，足够强的任务完成记录，足够高的用户信任。
另一种是成为被调用的专业工具——在意图聚合器的编排下，提供某个细分能力。这不是失败，但它意味着定价权和用户关系都在聚合器手里。
Harvey 在法律赛道的策略值得再看一遍：它在成为通用法律意图聚合器的同时，通过收购专业化玩家来补全能力。赢家的策略是：自己占领意图层，然后把专业化工具变成自己的军火库。
垂直 Agent 的竞争，表面上是速度和资源的比拼。
真正的战场，是数据积累速度，是上下文深度，是用户脑子里那个"这件事找谁"的瞬间。
谁占了那个瞬间，谁就占了意图层。
其他人，都在给它打工 …
参考文献
Stanford HAI（2025）.The Intent Graph: How Agents Should Model User Goals
Google DeepMind（2025）.Semantic vs. Contextual Intent Boundaries
Microsoft Research（2025）.Intent Decomposition in Agentic Systems
Andreessen Horowitz / a16z（2026）.The Intent Layer: The Most Valuable Real Estate in AI
First Round Capital（2026）.The Sub-Vertical Strategy: How to Win When the Vertical is Already Taken
First Round Capital（2025）.Why Vertical AI Markets Are Actually Job Markets
Reforge（2025）.JTBD and AI Agents: Redefining Market Boundaries
Bessemer Venture Partners（2026）.Within-Vertical Competition in AI Agents
NFX（2026）.Network Effects and Tipping Points in Agent Markets
Benedict Evans（2025）.Lessons from Mobile App Competition for the AI Era
Stratechery， Ben Thompson（2026）.The Aggregation Theory Applied to Agent Markets
Stratechery， Ben Thompson（2025）.The Innovator's Dilemma for LLM Providers
Andreessen Horowitz / a16z（2026）.Context Accumulation as Competitive Strategy
Y Combinator（2025）.When Vertical Agents Should Partner vs. Compete
The Information（2025）.Competitive Dynamics in Legal AI: A Case Study
申宝配资提示：文章来自网络，不代表本站观点。
