从“调用模型”到“交付结果”：AI 工程后端应用全景与中美欧市场进展梳理

目录

一、当下最值得构建的不是“更会聊天”，而是“更会完成任务”

二、市场阶段：从 Copilot、Agent 到“业务执行系统”

（一）Copilot：给人提供草稿和建议

（二）Agent：代表用户调用工具

（三）System of Action：围绕业务结果持续运行

三、当前可搭建的 12 类 AI 工程应用

（一）AI 客服与实时语音 Agent：最容易形成可量化 ROI

（二）企业知识与流程 Agent：从“找答案”升级为“推动事项完成”

（三）编码与研发 Agent：后端工程师最容易自用验证的方向

（四）文档交易自动化：低调但稳定的企业机会

（五）数据分析与 BI Agent：价值很高，但必须先建设语义层

（六）DevOps/SRE Agent：最适合采用分级自治

（七）浏览器与电脑操作 Agent：市场巨大，但必须限定边界

（八）AI 基础设施、安全与评测：应用越多，基础设施价值越高

四、中美欧市场：同一轮 AI 浪潮，三种不同的落地路径

（一）美国：模型、资本、云和企业 SaaS 构成领先组合

（二）中国：用户规模、交易闭环、成本竞争与产业场景突出

（三）欧洲：整体采用率较低，但工业、隐私和合规需求明确

（四）三个市场的产品策略差异

五、生产级 AI 构建分析说明

（一）后端的参考架构

1. 接入与身份层

2. Agent/工作流编排层

3. 模型网关层

4. 上下文与数据层

5. 工具与协议层

6. 安全执行层

7. 评测与可观测层

（二）把概率模型变成可靠系统：后端工程的八条硬原则

1. 原则一：所有写操作都必须幂等

2. 原则二：不要让模型直接拥有数据库自由写权限

3. 原则三：把“允许做什么”写成策略，不要只写在 Prompt 中

4. 原则四：先结构化输出，再执行动作

5. 原则五：高风险动作必须具备人工确认和可回滚路径

6. 原则六：评测对象是“任务”，不只是“答案”

7. 原则七：建立失败分类，而不是只统计一个成功率

8. 原则八：成本治理要进入架构设计

（三）如何判断一个 AI 应用值得做

一个可执行的立项公式

六、团队建议与投入方向

（一）不同规模团队的优先路线

1. 个人开发者或 2—5 人团队

2. 10—30 人产品团队

3. 大型企业平台团队

（二）当前不建议单独重投入的方向

1. 没有数据和分发优势的通用聊天机器人

2. 纯 Prompt 封装

3. 为展示复杂度而设计的多 Agent 系统

4. 无限制浏览器自治

5. 只生成内容、不连接结果的营销工具

（三）商业模式：从按 Token 收费转向按业务价值收费

七、未来 12—24 个月的关键趋势

（一）趋势一：模型能力继续趋同，应用竞争转向可靠性和成本

（二）趋势二：Agent 协议走向标准化，但治理仍需产品化

（三）趋势三：语音和多模态成为默认入口

（四）趋势四：AI 产品从席位工具转向数字劳动力预算

（五）趋势五：监管和采购要求前移到工程阶段

八、结语：AI 后端工程的本质，是管理“不确定性”

参考资料与链接

干货分享，感谢您的阅读！

过去三年，互联网 AI 应用经历了三次明显跃迁：从“模型能否生成内容”，到“模型能否理解企业知识”，再到“系统能否调用工具、修改业务状态并对结果负责”。对后端工程师而言，这意味着竞争焦点已经从 Prompt 和单次 API 调用，转向工作流、权限、状态、评测、审计、成本和系统集成。

Stanford AI Index 2026 显示，2025 年已有 88% 的受访组织使用 AI，70% 至少在一个业务职能中使用生成式 AI；但 AI Agent 在多数业务职能中的部署比例仍为个位数。同一报告（[1][2] ）显示，OSWorld 电脑操作基准上的领先 Agent 成功率从约 12% 提升到 66.3%，进步显著，但仍大约每三次任务失败一次。[3]

这两组数据共同说明：AI 已经进入生产环境，但尚未成为可以无条件信任的自治执行者。 当下最有价值的工程方向，不是再做一个“万能聊天框”，而是把概率性模型封装为一个有边界、可验证、可回滚的业务系统。

一、当下最值得构建的不是“更会聊天”，而是“更会完成任务”

对于 AI 工程后端团队，近几年可以用五句话概括市场：

本文所说的“AI 工程应用”，是指以大模型或多模态模型为认知核心，同时包含业务数据、工具调用、状态管理、人工审批和评测机制的互联网软件系统，而非单独的模型能力演示。

二、市场阶段：从 Copilot、Agent 到“业务执行系统”

AI 应用可以分成三个层级。

（一）Copilot：给人提供草稿和建议

典型能力包括写文案、写代码、总结文档、生成 SQL。它对错误的容忍度相对高，因为用户仍是最终执行者。这个阶段实现快、风险低，但差异化也最弱。

（二）Agent：代表用户调用工具

系统不只回答，还能查询订单、创建工单、运行测试、填写网页、发起审批。Agent 开始拥有“行动权”，因此必须解决权限、工具参数、失败恢复和人工确认。

（三）System of Action：围绕业务结果持续运行

系统以订单完成率、问题解决率、代码合并率、理赔处理时长等结果为目标，自动分解任务、调度工具、保存状态、执行检查，并在高风险节点请求人工审批。这里的核心资产不再是 Prompt，而是业务流程、数据闭环和评测数据。

图 1 为本文综合判断，用于产品规划，不是官方行业评级。成熟度会因行业、数据质量和风险容忍度而变化。

AI Index 汇总的研究也支持这一方向：AI 带来的生产率提升在结构化、输出容易监控的任务中更明显，报告列举的研究结果包括客服约 14%—15%、软件开发约 26%、部分营销产出约 50%；需要深层推理、长期规划或结果难以验证的任务，收益更不稳定。[2]

因此，一个实用的产品判断标准是：

任务是否高频？输入和输出是否可定义？结果是否可验证？失败是否可回滚？

四个问题中能稳定回答“是”的越多，越适合在当前阶段产品化。

三、当前可搭建的 12 类 AI 工程应用

下表综合考虑技术可靠性、客户付费意愿、系统集成难度和风险等级。成熟度是本文分析结论，而非统一行业标准。

（一）AI 客服与实时语音 Agent：最容易形成可量化 ROI

客服是目前最成熟的应用之一，因为业务指标明确：一次解决率、转人工率、平均处理时长、客户满意度和单次会话成本都可以持续测量。

真正可售卖的产品不是“会回答 FAQ 的机器人”，而是完整闭环：

识别意图 → 校验身份 → 查询订单/账户 → 计算可执行方案
→ 执行退款/改签/补发或创建工单 → 记录证据 → 必要时转人工

OpenAI 在其 2025 企业报告中披露，Intercom 的 Fin Voice 平均端到端解决 53% 的电话请求。该数字来自厂商客户案例，并非独立行业统计，适合用来说明生产可行性，不应直接外推到所有行业。[10]

后端壁垒主要在实时流式音频、打断恢复、业务规则、身份确认、敏感操作审批和完整会话审计。对于中国市场，还需要适配电商、物流、本地生活、企业微信等高频业务生态；欧美市场则更重视 CRM、工单和多语言服务的深度集成。

（二）企业知识与流程 Agent：从“找答案”升级为“推动事项完成”

企业知识库的下一阶段不是更长的回答，而是回答之后继续完成动作：

• 找到差旅制度后，自动创建申请并检查预算；

• 读取会议纪要后，生成任务、负责人和截止日期；

• 识别客户邮件意图后，更新 CRM 并创建跟进提醒；

• 发现合同风险后，发起法务审查流程。

企业级产品的长期壁垒通常是：权限体系 + 私有数据治理 + 业务语义 + 工具接口 + 评测样本 + 用户反馈闭环。 单纯向量检索很容易复制，但把“谁能看什么、能做什么、发生错误怎么办”处理好，仍是重工程问题。

（三）编码与研发 Agent：后端工程师最容易自用验证的方向

编码 Agent 已从行级补全发展到仓库级任务执行。GitHub 官方介绍的 Copilot coding agent 会为任务启动隔离开发环境、创建分支、提交草稿 Pull Request，并保留 Agent 会话日志供人审查。[11]

这揭示了生产级编码 Agent 的正确形态：不是直接修改主分支，而是在受控环境里产出可评审变更。

可以构建的产品包括：

• Issue 自动转 PR；

• 单元测试和回归测试补齐；

• 数据库迁移和 API 升级；

• 跨仓库依赖治理；

• 安全漏洞修复建议；

• 日志、Trace 和代码联合诊断。

核心技术不是“生成更多代码”，而是代码索引、环境复现、编译测试、静态扫描、变更解释、最小权限和失败回滚。

（四）文档交易自动化：低调但稳定的企业机会

保险理赔、合同审查、发票核验、报关、采购、贷款材料和医疗编码，都属于输入输出较明确的业务。多模态模型负责理解非结构化材料，确定性后端负责字段 Schema、校验规则、状态机和人工复核。

这类产品的优势在于：

• 可按每份文档、每个案件或节省工时定价；

• 结果可抽样审计；

• 业务流程长期稳定；

• 行业数据和规则会不断形成壁垒。

在高责任场景中，模型不应直接给出最终决定，而应输出结构化证据、置信度和待复核项。

（五）数据分析与 BI Agent：价值很高，但必须先建设语义层

自然语言生成 SQL 已经不难，困难的是企业内部“收入、活跃用户、有效订单、退款率”到底如何定义。没有统一语义层，模型很容易给出技术上可执行、业务上错误的答案。

一个可靠的数据 Agent 应按以下链路工作：

理解问题 → 识别指标口径 → 生成查询计划 → 权限检查
→ SQL 静态校验 → 执行 → 统计检验 → 结论与证据绑定
→ 生成图表/报告 → 创建后续任务或告警

推荐把“答案可追溯”作为硬要求：用户应能看到使用了哪些数据表、哪些过滤条件、哪个指标版本，以及结论在哪些假设下成立。

（六）DevOps/SRE Agent：最适合采用分级自治

SRE 场景有大量高频信息处理工作，例如告警归并、日志摘要、故障时间线、变更关联和 Runbook 推荐。系统可以先从只读诊断开始，再逐步开放低风险执行。

合理的演进顺序是：

直接赋予生产写权限，通常不是技术先进，而是风险管理不足。

（七）浏览器与电脑操作 Agent：市场巨大，但必须限定边界

大量企业旧系统没有完整 API，浏览器 Agent 因而具有现实价值：录入订单、下载报表、操作供应商后台、跨系统搬运数据等。

但网页内容可能包含提示注入，页面结构也可能随时变化。正确的工程策略应是“API 优先、浏览器补位”，并对登录、提交、付款、删除和对外发送设置人工确认。Agent 使用隔离浏览器或虚拟机，敏感凭证由独立密钥系统管理，页面读取内容一律视为不可信输入。

（八）AI 基础设施、安全与评测：应用越多，基础设施价值越高

Agent 生态正在形成协议层。2025 年 12 月，Linux Foundation 宣布成立 Agentic AI Foundation，MCP、goose 和 AGENTS.md 成为创始项目；Google 推出的 A2A 则聚焦不同 Agent 之间的发现和通信。[12][13]

对后端团队而言，可构建的基础设施包括：

• 多模型网关、路由、缓存和降级；

• Agent Trace、执行回放和成本归因；

• 离线评测、在线抽检和红队测试；

• MCP Server 注册、授权和安全代理；

• Agent 身份、密钥、最小权限和审批策略；

• 代码、浏览器和文件处理沙箱；

• Prompt Injection、敏感信息和内容安全防护。

这类产品的商业价值不依赖某个单一模型长期领先，通常比 Prompt 封装更耐久。

四、中美欧市场：同一轮 AI 浪潮，三种不同的落地路径

图 2 的数字分别采用 Stanford AI Index、CNNIC、国家网信办和 Eurostat 的公开口径。不同指标不可直接横向相除，仅用于展示各市场的代表性进展。

（一）美国：模型、资本、云和企业 SaaS 构成领先组合

Stanford AI Index 2026 显示，美国 2025 年私人 AI 投资达到 2859 亿美元，中国为 124 亿美元，前者约为后者的 23.1 倍；报告同时提醒，仅用私人投资衡量会低估中国由政府引导基金和产业资本投入的资源。[1][2]

美国市场的结构性优势包括：

• 前沿模型、云平台和算力基础设施集中；

• CRM、客服、开发工具、数据平台等 SaaS API 更成熟；

• 企业软件付费能力较强；

• 开发者工具、Agent 基础设施和安全产品更容易形成全球市场。

同时，Stanford 报告认为中美顶尖模型的性能差距已大幅收窄，截至 2026 年 3 月领先差距约为 2.7%，并在过去一年多次交替领先。[1][3] 这意味着应用层竞争正从“是否拥有唯一最强模型”转向成本、可靠性、行业数据和工作流集成。

目前美国适合优先切入的方向：编码与研发 Agent、企业客服、数据与安全 Agent、专业服务垂直 SaaS、Agent 平台与评测工具。

（二）中国：用户规模、交易闭环、成本竞争与产业场景突出

CNNIC 第 57 次《中国互联网络发展状况统计报告》显示，截至 2025 年 12 月，中国生成式人工智能用户达到 6.02 亿，普及率 42.8%，较 2024 年底增长 141.7%。[4]

国家网信办公开信息显示，截至 2025 年 8 月 31 日，累计有 538 款生成式人工智能服务完成备案，263 款直接调用已备案模型能力的应用或功能完成登记。[6] 这一数字反映的是特定监管口径下的备案和登记情况，不等于市场上全部 AI 产品数量。

中国市场的优势主要在：

• 电商、支付、外卖、地图、社交和内容平台形成高密度交易闭环；

• 大规模用户能够快速验证产品；

• 国产模型和推理服务价格竞争激烈；

• 制造、供应链、物流、智能汽车和机器人提供丰富线下场景；

• 大型企业和公共部门对私有化、国产化和行业方案需求强。

目前中国市场的方向包括：电商和本地生活 Agent、办公平台 Agent、智能客服、工业知识与质检、供应链异常处理、视频与直播运营、国产模型适配层和政企私有化平台。

商业化上，中国企业客户通常不仅购买软件，也购买实施、数据治理和系统集成；纯 C 端订阅则面临免费替代和平台分发压力。

监管方面，《生成式人工智能服务管理暂行办法》适用于向中国境内公众提供生成文本、图片、音频、视频等内容的服务；企业、教育和科研机构等研发或应用相关技术但未向境内公众提供服务的，不适用该办法的同一范围。[7] 实际项目仍需结合数据安全、个人信息保护、行业监管和内容标识等要求逐项评估。

（三）欧洲：整体采用率较低，但工业、隐私和合规需求明确

Eurostat 显示，2025 年欧盟 10 人以上企业中，有 20.0% 使用至少一种 AI 技术，比 2024 年的 13.5% 增加 6.5 个百分点。[8] 这一数据表明欧洲企业采用速度正在提升，但市场仍明显分化，不同国家和企业规模差异较大。

欧洲的机会并不主要在低价通用聊天工具，而在：

• 工业制造、汽车、能源和工程软件；

• 多语言客服与文档处理；

• 医疗、金融等受监管行业；

• 私有化部署、数据驻留与主权云；

• AI 风险治理、审计、模型文档和合规工具。

欧盟通用人工智能模型义务已于 2025 年 8 月 2 日开始适用；欧盟委员会的相关执法权限于 2026 年 8 月 2 日开始适用。[9] 因此，在欧洲销售企业 AI 产品时，数据流向、技术文档、风险记录、人工监督和供应链责任通常会更早进入采购讨论。

（四）三个市场的产品策略差异

五、生产级 AI 构建分析说明

（一）后端的参考架构

一个可靠的 AI 应用至少包含七个层次：

1. 接入与身份层

统一处理 Web、App、语音、企业 IM 和 API 请求，并完成用户身份、租户、会话和权限上下文绑定。模型不应自行推断用户权限。

2. Agent/工作流编排层

负责任务分解、状态持久化、超时、重试、补偿和人工审批。短任务可使用状态机，长任务应使用持久化工作流引擎，避免用一个无限循环代替生产调度系统。

3. 模型网关层

统一封装不同模型供应商，处理路由、速率限制、降级、缓存、Prompt 版本、输出 Schema 和成本统计。复杂任务不一定始终使用最昂贵模型；分类、抽取和简单改写可由低成本模型完成。

4. 上下文与数据层

包含向量检索、结构化数据库、用户记忆、指标语义层和权限过滤。检索结果必须绑定来源、版本和访问控制，避免“检索到了不该看的内容”。

5. 工具与协议层

对接 CRM、ERP、支付、Git、工单、浏览器和内部 API。MCP 可用于统一模型与工具/数据的连接方式，A2A 可用于 Agent 之间的发现和协作，但协议本身不能替代权限、安全和业务事务设计。[12][13]

6. 安全执行层

代码、网页和文件处理应在隔离环境中执行；密钥不直接暴露给模型；工具参数在调用前经过 Schema 校验、策略检查和风险分级。

7. 评测与可观测层

记录用户输入、上下文来源、模型版本、工具参数、工具结果、最终动作和人工修改。NIST 的 AI RMF 将风险管理归纳为 Govern、Map、Measure、Manage 四类活动，适合作为组织级治理框架参考。[14]

（二）把概率模型变成可靠系统：后端工程的八条硬原则

1. 原则一：所有写操作都必须幂等

Agent 可能因超时或网络错误重复调用工具。退款、发消息、创建订单、修改库存等操作必须使用幂等键、唯一约束和明确状态机。

2. 原则二：不要让模型直接拥有数据库自由写权限

让模型调用经过审计的业务工具，而不是生成任意 SQL 直接修改数据库。工具接口应窄、参数明确、权限独立。

3. 原则三：把“允许做什么”写成策略，不要只写在 Prompt 中

Prompt 是软约束，策略引擎、RBAC/ABAC、额度限制和审批流才是硬约束。安全边界必须位于模型之外。

4. 原则四：先结构化输出，再执行动作

模型先输出符合 JSON Schema 的意图、参数、证据和置信度，后端完成类型校验、业务规则检查，再决定是否执行。

5. 原则五：高风险动作必须具备人工确认和可回滚路径

建议自动执行：只读查询、草稿生成、可自动回滚且影响范围小的操作。

建议人工确认：付款、退款、删除、对外发送、合同签署，以及医疗、招聘、信贷等高影响决定。

6. 原则六：评测对象是“任务”，不只是“答案”

生产评测至少应包含：

• 任务完成率；

• 工具选择和参数正确率；

• 事实准确率与引用有效率；

• 越权和敏感信息泄露率；

• 人工接管率；

• 单任务成本；

• P50/P95 延迟；

• 业务指标变化。

7. 原则七：建立失败分类，而不是只统计一个成功率

应区分模型理解错误、检索错误、工具错误、业务规则拒绝、外部系统不可用和人工否决。只有知道失败发生在哪一层，才能持续优化。

8. 原则八：成本治理要进入架构设计

成本不仅是 Token，还包括检索、语音、浏览器、沙箱、重试、人工复核和外部 API。建议按“每个成功完成任务的总成本”核算，而不是只看单次模型调用价格。

（三）如何判断一个 AI 应用值得做

一个方向是否有商业价值，可以用六项指标评分：

最理想的产品通常位于“高数据独占性 + 高流程闭环”区域，例如垂直理赔、采购和工业流程。低数据壁垒、低闭环的通用写作和聊天工具，虽然容易上线，却最容易被平台和基础模型覆盖。

一个可执行的立项公式

可将机会粗略表示为：

机会得分 = 业务价值 × 使用频率 × 闭环程度 × 可验证性
÷（集成成本 × 错误代价 × 获客难度）

该公式不是财务模型，而是用于迫使团队同时考虑价值和风险。许多看起来“很智能”的产品，最终失败于低频、无法集成或错误代价过高。

六、团队建议与投入方向

（一）不同规模团队的优先路线

1. 个人开发者或 2—5 人团队

更适合选择边界窄、数据源少、可自助购买的产品：

• 特定文档处理工具；

• 面向某类开发者的代码或运维 Agent；

• 某个垂直角色的研究与报告助手；

• 与现有 SaaS 深度集成的小型工作流 Agent。

不要一开始做“全能企业 Agent”，因为权限、集成和销售会迅速超过团队能力。

2. 10—30 人产品团队

可以建设具有行业实施能力的垂直 SaaS：

• 客服与语音 Agent；

• 数据分析和经营 Agent；

• 合同、理赔、采购等流程自动化；

• 面向制造、物流、金融或医疗行政的行业 Agent。

团队需要同时配置后端、模型应用、数据工程、产品实施和行业专家。

3. 大型企业平台团队

优先建设共性底座，避免每个业务部门重复搭建：

• 统一模型网关和成本治理；

• 企业知识与权限检索；

• Agent 身份、工具授权和审批；

• 评测平台、Trace 和审计；

• MCP/工具注册中心；

• 沙箱和安全执行环境。

平台团队的目标不是替业务部门设计所有 Agent，而是提供可复用的安全“道路、交通规则和监控系统”。

（二）当前不建议单独重投入的方向

1. 没有数据和分发优势的通用聊天机器人

模型厂商、操作系统和办公平台会持续吸收通用能力。独立产品必须拥有场景、数据、流程或渠道中的至少一项壁垒。

2. 纯 Prompt 封装

Prompt 可以成为产品细节，但很难成为长期资产。模型升级、平台内置功能和用户自行配置都会压缩差异化。

3. 为展示复杂度而设计的多 Agent 系统

多个 Agent 不天然优于一个工作流。只有当角色边界、权限、并行执行或跨组织协作确实需要时，才应拆分 Agent。

4. 无限制浏览器自治

浏览器环境不稳定且包含外部不可信内容。应限定网站、操作类型、金额、时间窗口和工具权限，并保留人工确认。

5. 只生成内容、不连接结果的营销工具

如果不能连接投放、转化和实验数据，内容生成很容易陷入低价竞争。真正的壁垒在于自动实验、效果反馈和交易闭环。

（三）商业模式：从按 Token 收费转向按业务价值收费

较稳健的 AI 产品定价通常是：

基础平台费 + 使用量 + 高价值业务结果

例如：

• 客服按成功解决的会话或节省的人工量收费；

• 文档 Agent 按页数、案件数或处理成功量收费；

• 编码 Agent 按席位、任务额度或合并 PR 计费；

• 数据 Agent 按用户、数据源、查询量和治理模块收费；

• 流程 Agent 按完成的订单、理赔、审批或线索收费。

结果计费能够更好地表达价值，但前提是结果定义清晰、归因可信、失败责任明确。对初创产品而言，常见路径是先以席位或使用量降低销售阻力，再逐步增加结果型定价。

七、未来 12—24 个月的关键趋势

（一）趋势一：模型能力继续趋同，应用竞争转向可靠性和成本

中美顶尖模型差距已明显收窄，开源和闭源模型也在快速迭代。[1][3] 企业会越来越倾向于多模型策略，而不是把全部系统绑定在单一供应商上。

（二）趋势二：Agent 协议走向标准化，但治理仍需产品化

MCP 和 A2A 会降低工具和 Agent 互联成本，但身份、授权、审计、数据边界和事务语义仍需企业自行设计。[12][13]

（三）趋势三：语音和多模态成为默认入口

语音、截图、视频和文档会逐渐成为普通输入，而不再是单独的“多模态功能”。实时系统和异步媒体处理将成为 AI 后端的常规能力。

（四）趋势四：AI 产品从席位工具转向数字劳动力预算

当产品能够持续完成工单、理赔、分析、编码和运营任务，采购预算会逐渐从“软件席位”扩展到“任务产能”。这也会推动更严格的质量 SLA、责任边界和审计要求。

（五）趋势五：监管和采购要求前移到工程阶段

中国公众服务备案与内容治理、欧盟 AI Act、美国 NIST 风险管理框架等，都在推动团队把数据、模型、日志和风险文档纳入研发流程，而不是上线前临时补充。[7][9][14]

八、结语：AI 后端工程的本质，是管理“不确定性”

2026 年，模型已经能够完成越来越复杂的认知任务，但应用系统仍必须面对一个事实：模型输出具有概率性，企业业务却要求权限明确、状态一致、结果可追责。

因此，优秀的 AI 工程后端不是尽量隐藏传统软件工程，而是把传统工程能力升级为模型时代的控制系统：

用数据提供上下文，用工具连接现实，用工作流保存状态，用权限限制行动，用评测发现偏差，用人工审批承担高风险判断。

真正能够长期积累的资产，不只是模型调用代码，而是业务数据、行业语义、工具网络、流程状态、评测样本、失败案例和客户分发。谁能把这些资产组织成可验证的执行闭环，谁就更有可能在下一阶段的 AI 应用竞争中建立壁垒。

参考资料与链接

[1] Stanford HAI, The 2026 AI Index Report The 2026 AI Index Report | Stanford HAI

[2] Stanford HAI, Economy | The 2026 AI Index Report Economy | The 2026 AI Index Report | Stanford HAI

[3] Stanford HAI, Technical Performance | The 2026 AI Index Report Technical Performance | The 2026 AI Index Report | Stanford HAI

[4] 中国互联网络信息中心（CNNIC），第 57 次《中国互联网络发展状况统计报告》 第57次《中国互联网络发展状况统计报告》–互联网发展研究

[5] 中国互联网络信息中心（CNNIC），《生成式人工智能应用发展报告（2025）》 《生成式人工智能应用发展报告（2025）》–互联网发展研究

[6] 国家互联网信息办公室，关于发布生成式人工智能服务已备案信息的公告（2025 年 7 月至 8 月） 关于发布生成式人工智能服务已备案信息的公告（2025年7月至8月）_中央网络安全和信息化委员会办公室

[7] 国家互联网信息办公室等七部门，《生成式人工智能服务管理暂行办法》 生成式人工智能服务管理暂行办法_中央网络安全和信息化委员会办公室

[8] Eurostat, 20% of EU enterprises use AI technologies https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2

[9] European Commission, Guidelines for providers of general-purpose AI models Guidelines for providers of general-purpose AI models | Shaping Europe’s digital future

[10] OpenAI, The State of Enterprise AI 2025（厂商客户数据） https://openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report/

[11] GitHub, GitHub Copilot: Meet the new coding agent GitHub Copilot: Meet the new coding agent – The GitHub Blog

[12] Linux Foundation, Formation of the Agentic AI Foundation Linux Foundation Announces the Formation of the Agentic AI Foundation (AAIF), Anchored by New Project Contributions Including Model Context Protocol (MCP), goose and AGENTS.md

[13] Google Developers Blog, Announcing the Agent2Agent Protocol (A2A) https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/

[14] NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile | NIST