2025年初交付的8000P AGI策源地园区，一度是AI创业者眼中的圣地。一年半前的报道里，47家入驻企业中有14家实现了付费客户和正向现金流，而跨集群算力调度平台率先跑通收入，月均营收突破1200万元（详见《8000P园区两年账本：先跑通的是算力调度》）。
但Agent创业公司的日子没那么好过。2026年4月，园区运营方内部统计了一份数据：2025年底入驻的23家Agent创业团队，到2026年3月底仅剩8家仍在运营，其余要么解散、要么转为个人开发者兼职维护。三个月存活率约35%。
这8家活下来的，没有一家还在做“通用智能体”。它们不约而同地扎进了医疗对账、跨境合规、工业巡检这三个方向。我挑了其中三家聊了聊，想看看它们到底靠什么撑过了这三个月。
医疗对账：把Agent做成“财务实习生”
第一家叫“医算快线”，创始人老陈之前在阿里云做医疗行业解决方案。团队一共9个人，5个研发、2个业务、1个运营、1个他自己。
老陈说，他们一开始也想做通用Agent，试过用Llama 4和Qwen 3的7B版本做对话机器人，但发现企业客户根本不买账。“客户问的是‘你能不能帮我把这个月的医保结算单和HIS系统对一遍，把差异项标出来’，不是‘你能不能跟我聊天’。”
医算快线现在做的事，是把医院财务科的“对账”这个脏活接过来。传统对账靠RPA加人工复核——RPA抓取HIS系统的结算数据，再跟医保局返回的结算单逐条比对，遇到字段不一致或者票据版式变化就报错，得人工介入。老陈的团队用Agent把识别、判断、工具调用和异常处理接进同一条工作流（类似《从发票到对账，AI Agent开始接手财务杂活》里描述的模式）。
具体怎么做的？他们把医保结算单PDF传给视觉模型做结构化提取，然后用一个微调过的7B模型做逻辑判断：哪些差异是正常的（比如四舍五入误差），哪些需要人工复核（比如项目编码不一致）。Agent还能自动调用医院内部的结算系统API做二次确认。
“算力成本是最大的坎。”老陈算了一笔账：每个对账任务需要调用视觉模型和语言模型各一次，日均处理约2000张结算单，如果全部用H100跑，单日算力成本超过3000元。他们现在的方案是：白天用园区提供的OrionX分时租赁调度（淡季价格约1.2元/卡时），跑推理任务；晚上用闲置的国产GPU（如昇腾910B）做模型微调。整体算力成本压到了日均1200元左右，客户按单张结算单收费0.8元，毛利率约40%。
“三个月前我们差点死掉——因为算力成本太高，定价又不敢涨。后来靠园区推的‘算力包年套餐’和分时调度才活下来。”老陈说。目前医算快线已经签下3家三甲医院，月流水约15万元。
跨境合规：把Agent做成“法务助理”
第二家叫“格物合规”，创始人张欣，前字节跳动法务AI产品经理。团队7个人，4个研发、2个合规专家、1个商务。
跨境合规这个赛道，听起来很窄，但需求极其刚性。2025年8月，欧盟通用人工智能模型相关义务生效后，国内做跨境电商和SaaS出海的公司在合规上花了大量冤枉钱（详见《Llama 4和Mistral进欧洲，先补齐合规材料》）。张欣发现，多数公司的合规流程还是“人工读政策→写报告→律师审核”，一个中等规模的跨境业务，每月合规成本在5-10万元。
格物合规的Agent产品叫“合规哨兵”。它做的事情是：自动抓取欧盟、美国、东南亚等主要市场的法规更新（比如GDPR、CCPA、欧盟AI法案），然后用大模型解析出具体条款变化，再对照客户公司的业务模型（数据流、用户协议、隐私政策），生成差异报告和整改建议。
“最难的不是模型能力，而是数据源的可信度。”张欣说，他们花了两个月自建了一个法规数据库，从各国政府官网、WTO文件、律所白皮书中爬取并人工标注了3000多份法规文档。Agent调用的知识库采用图检索与向量RAG的混合架构（参考《把图检索接到向量RAG后，企业知识库怎么搭》），向量检索用来找相似条款，知识图谱用来处理条款之间的引用关系和层级结构。
算力方面，格物合规是园区里少数用满8000P算力的团队——不是训练模型，而是做大规模并行推理。每天凌晨2点到6点，他们用园区闲置的A100集群跑全量法规对比任务，单次任务消耗约200卡时。因为用的是闲时算力，单价压到了0.5元/卡时，日均算力成本仅100元。
“我们活下来靠的是两件事：一是找到了愿意付费的客户（前三个月签了5家客户，客单价3-5万/年），二是算力成本控制住了。”张欣说。目前团队月营收约18万元，算力成本占比不到5%。
工业巡检：把Agent做成“安全员”
第三家叫“观象科技”，创始人王博，前华为机器视觉产品经理。团队12个人，8个研发、2个现场部署、1个产品、1个销售。
工业巡检这个场景，传统做法是用摄像头加机器视觉模型做缺陷检测。但王博发现，真正的痛点不是“能不能检测到缺陷”，而是“检测到异常后怎么办”。一个典型的场景：化工管廊出现微小泄漏，摄像头拍到后报警，但值班人员需要花十几分钟去查工艺图、查历史记录、判断泄漏等级、再决定是否停机。
观象科技的Agent产品“巡卫”做的是：接到摄像头报警后，自动调取该管段的设计图纸、维修记录、当前工况数据，结合大模型推理出泄漏原因和处置建议，并直接生成工单推送给运维系统。如果判断为高危，还会自动触发园区广播和疏散指令。
“我们用了三个模型：一个轻量级视觉模型（端侧部署）做实时检测，一个7B语言模型做推理和决策，还有一个专门微调的‘安全知识’模型做风险评估。”王博说。端侧模型部署在工业网关的NPU上，成本约2000元/台，推理延迟控制在200ms以内（相关端侧部署经验可参考《Android端侧大模型落地：先管住内存、NPU和温度》）。后端大模型跑在园区的GPU集群上，按需调用。
观象科技目前部署了3个试点项目（一个化工厂、一个变电站、一个港口），每个项目收费15-30万元/年。算力成本约占营收的20%，主要是后端大模型的推理调用。王博说，他们能活下来是因为“找到了愿意为‘减少停机损失’买单的客户”——化工厂一个小时的停机损失在50万元以上，相比之下Agent系统的年费几乎可以忽略。
活下来的共同点：放弃通用，死磕场景
这三家公司有三个共同特征：
- 没有自研大模型。全部基于开源模型（Llama 4、Qwen 3、Mistral）或者API调用，把精力放在数据工程和业务逻辑上。
- 算力成本控制到极致。都用上了园区提供的分时租赁、闲时调度、混合部署（国产+进口GPU），算力成本占营收的比例从最初的30%+压到了10%以下。
- 客户付费意愿强。三个场景的客户都有明确的“痛点”和“预算” —— 医疗对账省人力、跨境合规省律师费、工业巡检省停机损失。
反观那些倒下的团队，绝大多数死在了“通用Agent”的幻想上。他们试图做一个“能帮用户完成任何任务”的智能体，结果发现：用户的需求太分散，产品无法标准化；每次对接一个新场景都要重新做数据清洗和流程适配；算力成本居高不下，客户又不愿意为“尝试”付费。
算力园区该反思什么
8000P园区运营方在2026年6月的内部复盘会上提到一个数据：入驻的Agent创业公司平均存活周期只有5个月，而同样入驻的AI应用公司（非Agent方向）存活周期是9个月。Agent创业的失败率更高，但活下来的公司增长更快——医算快线三个月营收翻了4倍，格物合规翻了3倍，观象科技翻了2.5倍。
园区运营方开始调整策略：不再盲目招商“通用Agent”团队，而是优先引入有垂直行业背景的团队；推出“场景验证基金”，给每个入驻的Agent团队提供3个月免费算力，前提是必须签下第一个付费客户；同时开放园区内企业的业务数据接口，帮助Agent团队快速对接真实场景。
“算力不是问题，问题是你能不能找到愿意为Agent付费的人。”园区运营总监在复盘会上说。这句话，可能是2026年夏天AI创业者最该听进去的一句话。
