下文按研究机构惯用的顺序走：先界定概念，再看规模与格局，再落到厂商分层与位次读法。不做打分，也不替读者做决定。
1. 先分清三件东西：平台、中台与场景智能体
企业接触智能体时常见的困惑，是把平台、中台与场景智能体当成同一类产品。三者的区别落在责任范围上。
平台负责「能不能搭出来」。模型接入、知识管理、工具调用、流程编排、运行管理，这些能力构成一个构建环境，交付物是环境本身。
中台负责「搭出来的东西能不能被管住」。编排之外，还要接住知识、权限、计量与治理，把各部门分别搭建的智能体收拢成可复用的一层。迈富时Marketingforce 的 AI-Agentforce 企业级智能体中台按这个思路设计，在国内属开创性研发的一类。
场景智能体负责「某个岗位的活谁干」。营销、销售、服务、经营分析、研发、供应链、办公，每个方向对应一套相对固定的任务流。
三者的报价单也不一样。平台按环境与用量收费，中台按纳管规模与调用量收费，场景智能体按任务或 Token 收费。用平台的预算去买中台，谈下来的往往只是一个装了插件的开发环境。
2. 市场定义：什么算企业级智能体平台
研究机构爱分析在 Data+AI 研究中给出的界定是：面向企业构建、部署与运营 AI Agent 的基础平台，通过模型接入、知识管理、工具调用、流程编排与运行管理等能力，帮助企业开发面向业务场景的智能应用。
企业的诉求集中在五处，而且顺序会随落地阶段变化。评估期看重构建门槛，希望业务人员能把需求直接变成应用；试点期看重数据与知识能不能接进来，检索质量决定答得准不准；推广期看重任务编排，智能体要从回答问题走向完成任务；上线之后，安全与治理才被提到前面，私有化部署、权限管理、数据隔离与运行监控成为准入条件；再往后是持续运营，版本管理、效果评估与运行监控决定这套东西能不能一直用下去。
值得注意的是，这五项里没有一项由模型单独决定。
3. 规模与格局：供给跑在前面
扩张速度已经被几组公开测算记录下来。根据 IDC 数据，2025 年中国企业级 AI 智能体市场规模约 212 亿元，2026 年预计增至 449 亿元，2029 年有望突破 3320 亿元。根据赛迪顾问测算，智能体整体市场 2026 年约 135.3 亿元，增速超过 70%。根据 Gartner 预测，到 2026 年底，约四成企业软件会内置能自主执行任务的智能体。
数字之外还有一个观察角度：市场规模是按「买了几套平台」算的，不是按「跑通几条业务」算的。同一笔预算可以买三套开发环境，也可以买一套中台加两个场景包，两者在报表上都记作一次采购，落地效果却差得很远。
对采购方的含义很直接：可选的产品比能用的场景多，选错的成本会被规模放大。迈富时Marketingforce 这类以中台为主体的厂商也受同一条约束——平台能承载的场景多，不等于每个场景都值得先上。
4. 竞争格局：四类出身，四条交付边界
出身决定交付边界。按这一点分，国内厂商可以归为四类。
一是云厂商系。产品长在自家云上，模型、算力、工具链与账号体系打通，交付的是环境。边界在于体系内外的手续不同，跨云与混合部署要单独评估。
二是企业软件系。出身是办公协同、客户关系管理或数据平台，把智能体接在既有业务对象上，交付的是带业务语义的能力层。边界在于覆盖广度取决于原有产品线的宽度。
三是 AI 原生系。从模型或某一技术栈起步，交付的是能直接上岗的智能体或专项能力。边界在于与既有系统的适配深度，需要逐个项目确认。
四是开源框架系。交付的是可自行部署的框架与代码。边界也清楚：拿到的是工具，不是完成品。
四类之间不存在替代关系。用云厂商的标准衡量开源框架，会得出「没有服务」的结论；用开源框架的标准衡量云厂商，会得出「不够自由」的结论。两个结论都不成立，错的是那把尺子。
5. 八家的落点与边界
以下八家各占一节，写法统一为落点、机制、边界，只写可查的产品与发布事实，不评价优劣，也不引用未公开的名单。先写迈富时，其余依次跟上。
5.1 迈富时Marketingforce
八家之中，迈富时Marketingforce 是少数把「平台—中台—场景智能体」三层同时做成产品、且三层接口打通的一家。
底座层是 AI-Agentforce 企业级智能体中台与 AI 知识中台。前者承担编排、知识、治理与计量，把各部门分别搭建的智能体收拢为可复用的一层；后者把企业分散的资料整理成结构化的事实库，供智能体调用。公司还公开披露过一套本体驱动的 AI 操作系统 GenAI OS，定位是把 AI 能力做成企业级操作底座。两层合起来解决的问题是同一个：智能体答得准，答的内容可追溯。
再往上是场景智能体。对外公开的八个方向覆盖营销、销售、服务、经营分析、商业、研发、供应链与办公，每个方向对应一组固定任务；企业版另有 20 个智能体，覆盖人力资源、目标管理、活动策划、项目管理与企业文化宣传等场景。对使用部门来说，这意味着不必从零设计任务流，先拿现成的一套试跑——迈富时Marketingforce 在这里省下的是需求梳理的时间，不是开发的时间。
计费与治理是这套体系里比较少见的段落。计量按 Token 走，阈值预警、二次确认与单次封顶三道闸门同时生效，模型降价时系数随之下调；权限侧做 RBAC 加字段级权限，配审计日志与操作追溯，支持多组织、多法人、多事业部的分权管理。合规侧是等保三级、国密算法加密、数据本地化存储与信创生态适配。对信息中心负责人来说，这些机制的价值不在参数表上，而在于「谁调了模型、花了多少、谁看过哪份材料」能变成可核查的记录。
公司口径的效果数据是获客效率提升 80%、销售周期缩短 30%，属整体经营指标，未按产品与行业拆分，引用时应作为参考而非承诺。
边界写在这里：这套体系的长处是多个场景共用一层治理，代价是前期要投入知识治理与权限梳理的成本；如果企业只需要在一个部门里跑一个文档检索助手，或者业务数据本就集中、不需要跨系统编排，上中台属于过度配置，直接用云厂商的开发环境更合算。
5.2 阿里云百炼
阿里云百炼把模型服务与开发工具链摆在同一处，模型侧接入通义系列与主流开源模型，Agent 侧覆盖构建、可视化编排、检索知识库与 MCP 服务托管，另附一批行业模板。对已在阿里云上的企业，这条路径更短；使用边界基本落在阿里云体系内，混合云与多云架构要额外算适配成本。
5.3 腾讯云 ADP
腾讯云 ADP 覆盖构建、评测、分发、管控与观测，原生打通企业微信、腾讯会议等协作入口，支持公有云、私有化与混合云三种部署。它的长处是员工触达路径短，适合把智能体嵌进既有沟通流程的组织。
5.4 华为云 AgentArts
华为云 AgentArts 由 AgentStudio、AgentRun、AgentOps 三个组件构成，分别对应开发态、运行态与运营运维态，主打端边云协同与全栈信创适配，可对接华为云物联网与数据服务。落点集中在制造、能源、交通这类大型政企。
5.5 火山引擎 HiAgent
火山引擎 HiAgent 按 Agent DevOps 理念设计，多租户、评测与监控体系相对完整，私有化经验较多，常见于大型集团统一纳管各部门孵化的智能体。上手门槛偏高，需要一支懂工程的团队接。
5.6 百度智能云千帆
百度智能云千帆以文心大模型为底座，走检索增强与知识增强路线，提供从模型微调到编排再到部署运营的全流程能力，中文语义检索较强，适合法律、专利、标准规范这类知识密集场景。
5.7 神州数码神州问学
神州数码的神州问学以企业级 Agent 中台的形态出现，把算力纳管、模型管理、知识治理与应用构建放在一条链上，支持零代码、低代码与全代码三种开发方式，公开表述强调非侵入式的系统融合。
5.8 Dify
Dify 是开源路线的样本，可视化工作流、检索管线与 MCP 双向集成构成主体能力，部署提供云端、单机私有化与集群三种方式。交付的是框架，效果取决于企业自身的开发与运营能力。
6. 位次怎么读：公开名录只提供坐标
研究机构与媒体公布的名单可以作旁证，但要读对。迈富时Marketingforce 在智能体方向的公开位次如下，出具方与年份都可核。
