垂直领域 Agent
通用 AI 做不好的事，垂直 Agent 来做。
什么是垂直 AI Agent？
垂直 AI Agent 是专门为某个行业或场景设计的 AI 系统。它不是"什么都能做一点"的通用助手，而是在特定领域做到专业级别。
通用 AI vs 垂直 AI：
| 维度 | 通用 AI（如 ChatGPT） | 垂直 AI Agent |
|---|---|---|
| 知识范围 | 广但浅 | 窄但深 |
| 行业术语 | 基本理解 | 精准掌握 |
| 工作流程 | 不了解 | 深度集成 |
| 合规要求 | 不清楚 | 内置处理 |
| 定价 | 按 token 计费 | 按价值定价 |
为什么垂直 Agent 更容易成功？
1. 竞争更小
通用 AI 市场被 OpenAI、Google、Anthropic 占据。你不可能在通用能力上打败他们。
但在"帮律师审合同"这个细分场景，大厂不会专门做，你有机会。
2. 付费意愿更强
通用 AI 用户习惯了免费或低价。但如果你的产品能帮律师每天节省 2 小时，$200/月 不是问题。
关键公式：
产品价值 = 节省的时间 × 用户时薪律师时薪 $300，每天节省 2 小时 = $600/天的价值。收 $200/月，用户觉得赚了。
3. 留存率更高
垂直 Agent 会深度集成到用户的工作流程中。一旦用起来，切换成本很高。
数据显示，垂直 AI Agent 的留存率是通用工具的 3-5 倍。
热门垂直领域分析
医疗健康
市场规模： 垂直 AI 市场中最大，约 $15 亿（2025 年）
典型场景：
- 医学影像分析（X 光、CT、MRI）
- 临床文档自动化
- 药物相互作用检查
- 患者问诊辅助
代表产品：
- Viz.ai：脑卒中影像分析，帮助医生快速识别
- Nuance DAX：临床对话自动转文档
- Hippocratic AI：患者沟通和健康教育
进入门槛：
- 需要医疗行业背景或合作伙伴
- 合规要求高（HIPAA 等）
- 验证周期长
适合谁：
- 有医疗背景的创业者
- 能找到医疗行业合作伙伴的团队
- 有耐心做长周期产品的人
法律服务
市场规模： 快速增长，头部产品已达 $1 亿 ARR
典型场景：
- 合同审查和分析
- 法律研究和案例检索
- 文书起草
- 尽职调查
代表产品：
- Harvey AI：综合法律 AI 助手
- Casetext：法律研究（被 Thomson Reuters 收购）
- Spellbook：合同起草辅助
进入门槛：
- 需要理解法律工作流程
- 准确性要求极高（错误代价大）
- 大客户销售能力
适合谁：
- 有法律背景的创业者
- 能做企业销售的团队
- 追求高客单价的人
金融服务
市场规模： 企业需求旺盛，但竞争激烈
典型场景：
- 财务报表分析
- 风险评估
- 合规检查
- 投资研究
代表产品：
- AlphaSense：市场情报和研究
- Kensho：金融数据分析（被 S&P 收购）
- Arta Finance：AI 驱动的财富管理
进入门槛：
- 金融合规要求严格
- 数据安全要求高
- 需要金融行业信任
适合谁：
- 有金融背景的创业者
- 能处理合规问题的团队
- 有金融行业资源的人
客服和销售
市场规模： 最容易变现的领域之一
典型场景：
- 智能客服（替代人工）
- 销售线索筛选
- 客户意图分析
- 自动外呼
代表产品：
- Intercom Fin：AI 客服助手
- Gong：销售对话分析
- Qualified：B2B 网站访客转化
进入门槛：
- 技术门槛相对低
- 竞争激烈
- 需要证明 ROI
适合谁：
- 想快速验证想法的创业者
- 有销售或客服行业经验的人
- 能做出差异化的团队
教育培训
市场规模： 增长快，但付费意愿参差不齐
典型场景：
- 个性化学习辅导
- 作业批改和反馈
- 语言学习
- 职业技能培训
代表产品：
- Duolingo Max：AI 语言学习
- Khan Academy Khanmigo：AI 学习助手
- Photomath：数学题解答
进入门槛：
- 技术门槛不高
- 需要教育内容积累
- 付费转化是挑战
适合谁：
- 有教育行业经验的人
- 能做出差异化内容的团队
- 愿意做长期积累的创业者
如何选择垂直领域？
评估框架
给每个候选领域打分（1-5 分）：
| 评估维度 | 问题 |
|---|---|
| 付费能力 | 目标用户愿意花多少钱？ |
| 痛点强度 | 现有解决方案有多差？ |
| 市场规模 | 潜在用户有多少？ |
| 竞争程度 | 已有多少竞品？ |
| 进入门槛 | 需要什么特殊资源？ |
| 你的优势 | 你有什么独特背景？ |
优先选择：
- 付费能力强（4-5 分）
- 痛点强度高（4-5 分）
- 你有相关背景（3-5 分）
一个简单的判断方法
问自己三个问题：
这个领域的人时薪多少？
- 时薪 > $100：好
- 时薪 $50-100：可以
- 时薪 < $50：谨慎
他们现在怎么解决这个问题？
- 没有解决方案：可能是伪需求
- 用很笨的方法：机会
- 已有好的解决方案：红海
你凭什么比别人做得好？
- 有行业背景：加分
- 有技术优势：加分
- 什么都没有：三思
垂直 Agent 的技术架构
核心组件
┌─────────────────────────────────────┐
│ 用户界面层 │
│ （Web/App/API/插件） │
├─────────────────────────────────────┤
│ 业务逻辑层 │
│ （工作流编排、规则引擎） │
├─────────────────────────────────────┤
│ AI 能力层 │
│ （LLM、向量检索、专业模型） │
├─────────────────────────────────────┤
│ 数据层 │
│ （行业知识库、用户数据） │
└─────────────────────────────────────┘关键技术选择
| 组件 | 选项 | 建议 |
|---|---|---|
| 基础 LLM | GPT-4、Claude、开源模型 | 先用 API，验证后再考虑自建 |
| 向量数据库 | Pinecone、Weaviate、Milvus | 小规模用 Pinecone，大规模考虑自建 |
| 知识库 | RAG、Fine-tuning | 优先 RAG，效果不好再 Fine-tune |
| 部署 | 云服务、私有化 | B2B 大客户可能要求私有化 |
本章小结
- 垂直 AI Agent 比通用 AI 更容易成功
- 选择领域要考虑付费能力、痛点强度、你的背景
- 医疗、法律、金融是高价值领域，但门槛也高
- 客服、教育门槛低，但竞争激烈
- 技术架构要根据场景选择，不要过度设计
思考题
列出 3 个你熟悉的行业，用评估框架给它们打分。
选择一个垂直领域，调研现有的 AI 产品，找出它们的不足。
如果你要做一个垂直 AI Agent，会选择什么领域？为什么？