产品发布与特性 - 智谱发布手机通用智能体AutoGLM 2.0 定位为全球首个真正意义上的手机Agent 通过结合Agent与云手机技术实现不占用用户本地设备资源的跨端操作和任务代理 [1] - AutoGLM 2.0通过云端工作 用户可同时使用手机进行其他活动如刷视频或打游戏 执行美团点外卖全流程操作耗时约一分钟 [1][2] - 该智能体支持40余款高频应用 覆盖生活场景如点外卖、订机票、查房源和办公场景如信息检索、内容撰写、生成短视频及PPT [2] - 完全由智谱最新开源模型GLM-4.5与GLM-4.5V驱动 实现推理、编码、多模态任务及GUI操作 成本相较于接入国外模型的Agent有数量级下降 [3] 技术架构与设计原则 - 产品基于AGI早期形态的"3A"原则设计：全时（24小时持续工作）、自主零干扰（不占用用户设备算力与屏幕）、全域连接（跨越多种设备操作物理世界） [3] - 同步推出移动端API申请通道及开发者生态共建计划 邀请开发者将Agent能力融入各类硬件设备 [4] 行业动态与竞争环境 - Agent行业动态趋向冷静 Manus在引爆概念后因经营效率调整业务团队 其官网显示部分地区不可用 [5] - 资本层面 金沙江创投主管合伙人朱啸虎将当前Agent创业阶段类比互联网早期个人站长阶段 强调大模型可能最终吃掉90%的Agent [6] - 国内Agent产品未见新接棒者 技术热潮与资本投入未直接转化为用户黏性和可持续收入 商业化前景充满不确定性 [6][7] - 行业判断未来两到三年C端Agent更可能从大厂生态中诞生 而非新创团队单点突破 但三年后局面可能变化 [6] 发展挑战与关键因素 - 国产Agent长期竞争力需观察 跨应用操作稳定性、用户习惯培养、生态建设和付费模式成为决定胜负的关键因素 [7] - 需在技术、产品和商业之间找到平衡以确立赛道格局 [7]

产品发布与核心功能 - 智谱发布全球首个手机通用Agent AutoGLM 可免费使用 [2] - AutoGLM通过云端执行任务 不占用本地资源且不影响设备正常使用 [4][23] - 支持生活助手和办公助手两类任务 例如点外卖、比价、生成调研报告等 [5][14][16] 技术实现与行业突破 - 基于云端智能手机和云电脑执行任务 预装应用并支持跨APP操作 [13][22] - 依托GLM-4.5和GLM-4.5V模型 整合推理、编码、研究等多项能力 [32] - 解决行业痛点：本地设备算力有限且任务执行干扰用户体验 [24] 应用场景与生态扩展 - 支持手机、PC、智能音箱、车载系统及物联网设备集成 [26] - 推出移动端API和开发者生态共建计划 开放能力赋能第三方产品 [26] - 办公场景中可自动生成基于近100份参考源的数千字调研报告 [17] 战略定位与行业影响 - AutoGLM是智谱AGI路线图中实现L3"自主学习智能体"的关键步骤 [29] - 行业玩家积极布局云端Agent 如阿里云推出无影AgentBay [25] - 提出3A原则：全时待命、零干扰运行、全域设备连接 [35][36][37] 用户体验与效率提升 - 复杂任务如跨平台比价可自主执行 用户仅需发起指令 [14] - 原需一天完成的调研报告生成任务 现仅需几分钟 [17][21] - 云端备用机机制释放本地存储空间 提升设备运行流畅度 [23]

产品发布与核心功能 - 智谱发布全球首个手机通用Agent AutoGLM 实现云端执行任务 支持跨APP操作如点外卖、比价等[1][5][9] - 产品免费向公众开放 兼容安卓和iOS系统 并可操控云电脑执行复杂任务[6][9][23] - 提供生活助手和办公助手两类任务 用户通过"接管手机"进入云端界面操作[11][15][17] 技术实现与架构 - 采用云端执行模式 不占用本地设备资源 任务流畅且与用户本地操作互不干扰[9][33][37] - 依托智谱开源模型GLM-4.5和GLM-4.5V 整合推理、编码、多模态等能力于单一模型[50][52] - 为每位用户配备云手机和云电脑 预装应用生态 支持数据持久化存储[31][32] 应用场景与案例 - 生活场景：自主完成外卖订购、跨平台比价（如淘宝、京东、拼多多对比200元保温杯）[19][20][21] - 办公场景：自动生成调研报告（参考近100份源文件、输出数千字）及制作PPT[25][26][29] - 支持多设备集成 包括智能音箱、车载系统等 并通过开放API赋能开发者生态[42] 行业意义与趋势 - 解决Agent落地痛点：云端执行规避本地算力限制和高并发任务宕机问题[36][37][53] - 行业竞相布局云端Agent 如阿里云推出无影AgentBay、PPIO推出Agent沙箱产品[38][39][40] - 推动Agent从"信息辅助"向"直接操作"升级 成为处理复杂场景的全能型工具[31][54][55] 公司战略与AGI路径 - AutoGLM是智谱AGI路线图中L3"自主学习智能体"的关键一步 通过真实应用反馈推动模型自我进化[48][49] - 提出3A原则：全时待命（Around-the-clock）、零干扰（Autonomy）、全域连接（Affinity）[56][57] - 目标是通过技术与应用的正向飞轮 夯实公司在Agent领域的领先地位[48][49]

行业投资评级 - 报告未明确给出行业投资评级，但建议关注算力、Agent、自动驾驶及军工AI四大方向相关公司 [7][53][54] 核心观点 AI对软件行业的影响 - AI对软件行业的冲击不局限于简单替代，而是机遇与挑战并存：大模型厂商加速商业化（OpenAI年度经常性收入突破130亿美元，Anthropic年营收达40亿美元且较年初增长四倍多），同时各领域涌现出抓住AI机遇的新锐公司（如广告领域Applovin Q2营收12.6亿美元超预期，设计工具Figma营收7.49亿美元同比增48%）[1][12][15] - 受AI冲击的领域包括软件（Adobe股价下跌23%）、人力资源（ManpowerGroup股价跌30%）、市场研究（Gartner下调营收预期）及广告（WPP股价腰斩），但传统公司可通过AI赋能自身业务（如谷歌搜索收入实现两位数增长，AI Overviews功能覆盖20亿月活用户）[14][18] - 开源模型发展利好软件公司（如OpenAI发布gpt-oss-120b/20b，阿里开源Qwen3系列模型），产业格局是模型与应用厂商共同做大蛋糕[19] 护城河理论 - 大模型仅吞噬"简单应用"（特征：公开知识/易验证/低责任/弱耦合），无法替代具备强Know-how（如军工情报分析）、强数据（专有数据闭环）、复杂流程（跨部门深度整合）或资质壁垒（强监管领域）的应用[2][20][21] - Palantir为例：其Gotham产品整合多源数据用于军事决策（如定位本·拉登），Foundry优化企业复杂流程（空客实现25倍ROI），护城河来自国防资质与深度工作流整合[25][27][36] Agent发展趋势 - 未来Agent分为三类：用户自制（如字节扣子平台、OpenAI GPTs）、厂商通用（字节"扣子空间"）、企业定制（垂直行业数字员工），2024年全球无代码AI平台市场规模达36.8亿美元，预计2033年增至379.6亿美元（CAGR 29.6%）[3][39][45] - Agent落地三要素：垂类数据（行业拓展关键）、基础模型（GPT-5编程能力提升降低开发门槛）、接口工具（多系统交互）[46][47] - GPT-5推动Agent普及：400K上下文窗口支持长任务处理（如法律合同分析）、多模态升级、API降价50-80%，尤其利好2B严肃场景[50][52] 细分领域建议 算力 - 关注寒武纪、海光信息、中科曙光等基础设施供应商，GPT-5推广将带动广泛算力需求[7][53] Agent应用 - 推荐阿里巴巴、腾讯、科大讯飞等平台型企业及垂直领域工具商（如金山办公、用友网络）[7][53] 自动驾驶与军工AI - 自动驾驶领域关注江淮汽车、地平线等，军工AI方向推荐拓尔思、中科星图等具备资质与数据壁垒的企业[7][54] 注：以上内容均基于报告正文提炼，未包含风险提示及免责声明等非核心信息

投资评级与核心观点 - 投资评级：首次覆盖给予"买入"评级 [2] - 核心观点：迈富时是国内营销及销售SaaS龙头，全面拥抱AI技术，通过AI-Agentforce智能体中台和外延并购实现业务加速增长 [8] - 目标价：基于2025年5.3倍PS估值 [8] 公司概况与业务布局 - 成立时间：2009年，聚焦企业营销与销售数字化智能化 [13] - 业务板块：AI+SaaS（占比54%）、精准营销、一体机三大业务 [16] - 产品矩阵：T云（面向SMB）、珍客（面向KA）、政务一体机（新增业务） [17] - 客户覆盖：零售消费、汽车、金融、医药大健康等七大行业 [13] 财务表现与预测 - 2024年营收15.59亿元（+26.5%），经调整净利润0.79亿元（扭亏） [19][20] - 2025E-2027E营收预测：23.55/30.85/40.62亿元，CAGR 31% [7] - 2025E-2027E归母净利润：0.96/2.07/3.54亿元 [7] - SaaS业务毛利率维持高位（2024年86.3%） [18] 市场空间与竞争格局 - 中国营销及销售SaaS市场规模：2025年463亿元，2027年745亿元 [42] - 公司市占率：2022年以5.3亿元收入占2.6%市场份额 [44] - Agent市场空间：2025年1398亿元，2028年有望突破万亿元 [45] 产品与技术优势 - AI-Agentforce智能体中台：加速Agent开发，支持"标准中台+定制实施"服务 [86] - T云客户：2.6万家，订阅/收入留存率73%/88% [74] - 珍客客户：783家，订阅/收入留存率95%/124% [81] - AI外贸员工EVA：提升外贸效率100倍，覆盖49种语言 [78] 发展战略与增长驱动 - 三大战略：AI-Agentforce中台、外延并购、全球化布局 [8] - 增长驱动：SMB向KA客户拓展、Agent提升客单价、一体机打开新市场 [8] - 募资情况：IPO及两次配售共募资15亿港元，用于AI研发和并购 [40] 行业趋势与对标企业 - 行业趋势：营销及销售SaaS渗透率从1.3%提升至1.8% [42] - 海外对标：Hubspot（2024年营收26.3亿美元）、Salesforce（Agentforce产品） [67][69] - 技术方向：生成式AI在营销场景优先落地，Agent创造增量价值 [45]

财务表现 - 上半年实现收入31.92亿元人民币 同比增长11.2% [1][2] - 云订阅收入16.84亿元人民币 同比增长22.1% [2] - 公司权益持有人应占亏损0.98亿元人民币 同比缩窄55.1% [1] - 毛利率同比改善2.4个百分点至65.6% [2] - 云订阅毛利率达96.2% 同比增长0.9个百分点 [2] - 云订阅ARR同比增长18.5%至37.3亿元人民币 [2] - 云订阅合同负债33.78亿元人民币 同比增长24.7% [2] - AI合同金额超1.5亿元人民币 [2] 业务结构 - 云订阅收入占比提升带动毛利率改善 [2] - 金蝶·云星瀚收入增速达41.1% NDR为108% [3] - 金蝶·云星辰云订阅收入增速23.8% NDR为93% [3] - 金蝶·云星空云订阅收入增长19% NDR为94% [3] - 研发费用占营业额比重从28.1%下降至24.3% [2] AI战略布局 - 发布苍穹AI Agent平台2.0及多款AI原生智能体产品 [3] - 预计2030年AI收入将达公司整体收入30%以上 [1] - 大型企业客户试用智能体产品并提出细化需求 [3] - 通过多智能体协同推进产品迭代 紧贴客户需求 [4] - 将AI能力注入核心SaaS产品 [4] 市场竞争与挑战 - 面临数据质量不高及数据孤岛问题 [5][6] - 缺乏同时懂业务和AI的复合型人才 [5][6] - 国内缺乏统一接口标准和行业基准案例 [5][6] - 厂商间互联互通性较海外存在差距 [6] - 开源模型降低开发成本 可能引发同质化竞争 [5] 海外拓展 - 重点发力东南亚和中东市场 已发布14个国家地区产品包 [7] - 客户包括中企出海和海外本土企业两类 [6] - 明年计划拓展非洲、欧洲、日本等市场 [7] 行业趋势 - AI+SaaS黄金十年加速演进 [1] - 大模型技术推动SaaS渗透率提升 [4] - 企业级AI应用可能采用按效果付费模式 [4] - 大型企业关注业务整合与供应链透明化 [3] - 中型企业强调快速部署与低成本标准化 [3]

财务表现 - 公司上半年实现收入31.92亿元人民币，同比增长11.2%，其中云订阅收入16.84亿元，同比增长22.1%，产品、实施及其他收入增长1.2%至15.08亿元 [2] - 公司权益持有人当期应占亏损同比缩窄55.1%至0.98亿元，毛利率同比改善2.4个百分点至65.6%，主要得益于云订阅业务规模化效应和AI效率提升 [2][3] - 云订阅ARR同比增长18.5%至37.3亿元，云订阅合同负债同比增长24.7%至33.78亿元，云订阅毛利率达96.2%，同比提升0.9个百分点 [3] 业务发展 - 公司预计年末经营性现金流超10亿元，并强调已转型为以订阅模式为核心的云服务公司，未来将提升云订阅业务比重，优化实施环节外包策略 [2][3] - 分产品线看，大型企业产品金蝶·云星瀚收入增速达41.1%（NDR 108%），小微企业产品金蝶·云星辰增长23.8%（NDR 93%），中型企业产品金蝶·云星空增长19%（NDR 94%） [4] - 大型企业关注业务整合与供应链透明化，中型企业侧重快速部署和低成本标准化，公司已推出苍穹AI Agent平台2.0及6款智能体产品，客户试用反馈积极 [4][7] AI战略布局 - 公司提出"AI+SaaS黄金十年"已至，预计2030年AI收入占比将超30%，上半年AI合同金额超1.5亿元，AI能力正持续注入核心SaaS产品 [2][5] - 针对Agent竞争，公司选择高频需求场景与客户共创，结合开源模型（如DeepSeek）和算法人才，强化数据安全与生态集成两大护城河 [6][7] - 当前AI落地面临数据质量低、复合型人才短缺、生态接口标准缺失等挑战，但国内大模型发展加速（如DeepSeek开源）有望改善生态互联 [8][9] 国际化进展 - 海外市场聚焦东南亚和中东，已发布14个国家地区产品包，客户包括中企出海和本土企业，明年或拓展非洲、欧洲、日本市场 [9]

AI Infra的核心价值 - Agent平台属于应用层，核心在于任务调度与交互，但缺乏底层支撑能力，真正的AI Infra需以数据闭环驱动模型持续优化[3][6] - AI Infra的核心结构层能力包括分布式计算、数据调度、模型服务等，其运行逻辑是通过数据采集-处理-反馈闭环实现"数据-模型-应用"螺旋上升[7] - 数据是AI Infra的"灵魂"，企业部署Agent时若未激活内部数据价值，功能将流于表面[7][9] 市场现状与增长 - 全球Agent市场规模已达50亿美元，预计2030年增至500亿美元[2] - 中国AI Infra平台市场规模2025年预计达36.1亿元，同比增长86%[5] - 企业当前对AI Infra存在认知误区，将Agent平台等同于基础设施导致落地效果不佳[2][6] 传统数据基础设施的局限 - 传统数据平台以结构化存储为主，无法满足大模型时代海量多模态数据需求[12] - 数据孤岛问题突出，企业内分散的数据库导致系统集成困难，阻碍AI落地[13] - 数据平台与AI工具割裂，依赖人工治理模式导致效率低下成本高企[14] Data&AI新范式特征 - 新一代基础设施需实现多模态数据融合处理，支持文本/图像/音视频等非结构化数据[15][22] - 需构建Data&AI一体化闭环，覆盖数据治理→模型训练→智能体部署全链路[17][22] - 动态异构资源调度能力成为关键，需实现CPU/GPU按需分配和训推一体化[23] 赛道竞争格局 - 市场玩家分为四类：AI工具新兴厂商、传统大数据平台厂商、平台型综合厂商、专业垂直厂商[20][21] - 专业垂直厂商如Databricks具备先发优势，已形成AI-Native架构下的成熟产品体系[21] - 国内科杰科技采用"AI-in-Lakehouse"技术路径，推出KeenData Lakehouse2.0实现工程一体化[25][26] 行业应用案例 - 中国石化通过Data&AI平台实现数百个业务场景支撑，加速数据资产化转型[34] - 中国一汽利用平台零代码开发能力，落地机器人客服、数字孪生等智能应用[34] - 头部企业验证表明，一体化基础设施可显著提升数据开放赋能与智能应用规模化能力[33]

AI大模型对程序员职业发展的影响 - 当前技术圈普遍存在"AI焦虑"，大模型技术频繁被讨论，程序员面临是否掌握AI能力的抉择 [1] - 仅掌握传统CRUD开发技能的程序员市场价值下降，而将大模型融入开发流程（如Prompt设计、RAG、微调）的技术人员更具竞争力 [2] - 企业普遍将AI应用落地作为业务重点，掌握大模型能力的技术人才薪资涨幅超过50%，且获得更多职业机会 [2] AI大模型技术应用趋势 - RAG技术适用于需要持续更新知识的场景，无需重新训练大模型即可实现特定领域应用 [10] - Function Call技术通过集成外部工具增强大模型处理复杂任务的能力，提升交互实用性 [10] - Agent技术是特定场景的AI解决方案，智能客服成为企业最先尝试的Agent项目 [10] - 技术组合应用示例：检索资料需Agent+RAG，整合回复需Agent+Prompt+RAG [12] AI大模型人才培养方案 - 行业推出"AI大模型—就业实战营"，通过2天直播课程覆盖技术原理、实战项目复现和职业规划 [2][5] - 课程内容包含5大核心步骤：原理掌握→工具应用→开发实操→信息链接→实战演练 [10] - 实战案例包括金融行业"支小助"、知乎直答等热门产品，逐行解析代码实现全流程复现 [10] - 提供大厂内推资源，简历直达面试官，已有学员通过该体系实现职业跃迁 [18][20] 行业人才需求特征 - 大厂招聘聚焦大模型技术，岗位需求涵盖技术迭代方法、发展空间等维度 [18] - 具备AI能力可帮助技术人员构建壁垒，避免35岁职业危机，延长20年职业生命周期 [14] - 课程名额限制100人，反映市场对AI人才培养的高需求与稀缺性 [5][14]

AI技术对程序员职业的影响 - 当前技术圈普遍存在"AI焦虑"，"大模型"和"替代程序员"成为高频话题[1] - 传统CRUD程序员价值下降，掌握AI大模型能力的程序员薪资涨幅超过50%且更具职场竞争力[2][3] - 企业已将业务重点转向AI应用落地，具备大模型能力的技术人才更受招聘市场青睐[3] AI大模型技术应用 - RAG技术适用于需要持续更新知识的场景，无需重新训练大模型即可实现特定领域应用[12] - Function Call通过集成外部工具增强大模型处理复杂任务的能力[12] - Agent技术是特定场景的AI解决方案，智能客服成为企业级应用的典型代表[12] AI大模型就业实战营内容 - 课程包含2天直播，覆盖技术原理+企业级实战项目复现+职业规划三大模块[3][6] - 教学案例包括金融行业"支小助"和知乎直答等热门产品的技术架构拆解[12] - 学员可获得大厂内推/面试资料/知识图谱等求职资源[8][18] 课程技术深度 - 解析从GPT到开源模型的底层原理与技术架构[9][10] - 教授5大核心开发步骤：原理掌握→工具应用→产品开发→信息链接→实战演练[12] - 重点演示RAG和Fine-tuning技术在大语言模型中的实际应用[9] 职业发展支持 - 提供大模型招聘行情分析，包括岗位需求/薪资水平/技术迭代方法等[20] - 持续提供企业直聘机会，简历可直达大厂面试官[20] - 课程由AI领域专家研发，包含商业化项目经验分享[18] 课程推广信息 - 限时免费开放100个名额，24小时后关闭报名通道[6][16] - 目标人群包括希望参与前沿项目/构建技术壁垒/规避职业风险的开发者[16] - 强调AI时代先发优势的重要性，建议程序员尽早掌握相关技术[22]