大模型冲击下的垂直软件：小白也能看懂的行业变革与收藏指南
本文深入剖析了AI大模型对垂直软件行业的冲击，分析了10大护城河在LLM面前的变化，揭示了界面、业务逻辑、数据访问等方面的转变。文章指出，市场抛售虽然合理，但在时间上存在夸大。真正的威胁并非来自LLM本身，而是由人工智能原生创业公司和横向平台的垂直化带来的竞争加剧。文章最后提供了风险评估框架，帮助读者判断哪些垂直软件公司能够生存下来，哪些将被淘汰。
过去几周，软件和服务类股票市值蒸发近1万亿美元。FactSet的市值从200亿美元的峰值暴跌至不足80亿美元。标普全球指数在短短几周内下跌了30%。Thomson Reuters的市值在一年内缩水近一半。标普500软件和服务指数（包含140家公司）2025年迄今已下跌20%。
上周，Anthropic 发布了针对 Claude’s Cowork 的行业特定插件。Claude’s Cowork 是一款专为知识工作者设计的 AI 代理，能够自主处理复杂的研究、分析和文档工作流程。
华尔街称之为恐慌。过去十年我一直在构建垂直领域的SaaS产品。之前是在Doctrine就职，这家公司是欧洲最大的法律信息平台（与 LexisNexis、Westlaw 等竞争），然后在Fintool，一家美国人工智能驱动的股票研究平台任职，这家公司目前与彭博社、FactSet 和标普全球等公司展开竞争。
我曾经开发过LLM现在正在威胁的软件，而且我现在也正在开发对传统软件产生威胁的软件。现在，我又在开发那种对LLM软件构成威胁的软件。我经历过这场变革的甲乙双方。
我看到的是这样的：LLM正在系统性地瓦解垂直软件赖以生存的护城河。但并非所有LLM都如此。其结果是，垂直软件的价值及其应得的回报倍数正在被重新定义。在本文中我们将探讨：
构成垂直软件防御能力的十大护城河，以及LLM对每条护城河产生的影像
为什么市场抛售在结构上是合理的，但在时间上是夸大的
真正的威胁究竟是什么（并非你所想的那样）
垂直软件的替代品是什么？
垂直软件行业的下一步发展方向是什么？
垂直软件行业的十大护城河（以及LLM对每条护城河带来的冲击）
垂直行业软件是指为特定行业开发的软件。例如，彭博社面向金融行业，（律商联讯（LexisNexis）面向法律行业，Epic面向医疗保健行业，Procore面向建筑行业，Veeva面向生命科学行业等等。
这些公司有一个共同的特点：收费高昂，但客户流失率极低。FactSet 每位用户每年收费超过 15,000 美元。彭博终端每个席位收费 25,000 美元。LexisNexis 每月向律师事务所收取数千美元的费用。而它们的客户留存率却高达 95% 左右。
我认为这里有十条截然不同的护城河。LLM正在对其中一些造成较大的冲击，而对其他一些护城河则影响不大。弄清楚哪些护城河会受到冲击，就是整个游戏的关键所在。
- 熟悉的交互界面 → 已被摧毁
彭博终端用户花费数年时间学习键盘快捷键、功能代码和导航模式。GP、FLDS、GIP、FA、BQ。这些并非直观易懂，它们就像一门语言。一旦你熟练掌握了这门语言，切换到另一个平台就意味着你又得重新学习一遍。
我听过无数遍了。“我们是FactSet公司。”“我们是Lexis公司。”“我们是彭博公司。”这些话并非关乎数据质量或特征集，而是关乎软件使用习惯。人们花了十年时间学习使用这款工具，这种投入是无法转移的。
这是最容易被低估的护城河。知识工作者愿意付费，就是为了避免重新学习他们花了十年时间才掌握的工作流程。界面本身就是价值主张的重要组成部分。
我在 Doctrine 工作时就深有体会。我们有一个设计师团队和一大批客户成功经理，他们的全部工作就是教律师们熟悉我们的界面。每一次 UI 改动都是一个项目：用户调研、设计冲刺、谨慎的推广、全程指导。我们甚至会花几周时间重新设计一个多面搜索筛选器，因为律师们已经对旧版界面形成了肌肉记忆。界面不是一项功能，它本身就是产品。而维护界面也成了我们最大的成本中心之一。
在 Fintool，我们没有新用户引导流程，也没有客户成功经理指导用户如何使用产品。用户只需用简单的英语输入需求，就能获得解答。由于一切都通过聊天进行，所以无需学习任何界面。整个成本中心，包括设计师、客户成功经理、用户界面变更管理等，都不存在。聊天界面已经取代了所有这些繁琐的工作。
LLM 将所有专有界面整合到一个聊天窗口中。
想想如今金融分析师在彭博终端上的操作。他们首先找到股票筛选功能，使用专用语法设置参数，导出结果，然后切换到现金流折现模型构建器，输入假设条件，运行敏感性分析，导出到Excel，最后制作演示文稿。
每一步都需要掌握界面知识。每一步都会增加转换成本。
现在看看同一位分析师对LLM代理会怎么操作：
“找出所有市值超过10亿美元、市盈率低于30倍、年收入增长率超过20%的软件公司。为排名前五的公司建立现金流折现模型。对折现率和终端增长率进行敏感性分析。”
三句话。没有快捷键。没有功能码。没有导航。用户甚至不知道LLM查询的是哪个数据提供商。他们也不关心。
当交互界面变成自然语言对话时，多年的肌肉记忆就变得毫无用处。曾经足以支撑每年每席位 2.5 万美元价格的切换成本也随之消失。对许多垂直行业软件公司而言，界面才是价值所在。底层数据要么是授权数据，要么是公开数据，要么是半商品化数据。真正支撑高价的是构建在这些数据之上的工作流程。但这种情况已经不复存在了。
- 自定义工作流和业务逻辑 → 蒸发（被取代）
垂直行业软件记录了某个行业的实际运作方式。法律研究平台不仅仅存储案例法，它还记录了引证网络、Shepardize 信号、案情摘要分类法，以及诉讼律师撰写诉状的具体方法。
这套业务逻辑耗时数年才构建完成，它凝聚了与领域专家数千次对话的心血。我开发Doctrine 时，最难的并非技术本身，而是理解律师的实际工作方式：他们如何研究案例法，如何撰写文件，如何从案件受理到庭审制定诉讼策略。将这些理解转化为可运行的软件，是垂直行业软件价值和可靠性的关键所在。
LLM 将所有这些内容转换成 markdown 文件。
这是最被低估的转变，我认为也是最具破坏性的长期转变。
传统的垂直行业软件将业务逻辑编码在代码中。成千上万的if/then分支、验证规则、合规性检查、审批流程，这些都是工程师多年来硬编码的……而且并非任何工程师都能胜任。你需要的是真正了解业务领域的软件工程师，而这样的人非常稀缺。找到既能编写生产代码，又能理解诉讼流程实际运作方式或DCF模型结构的人，简直难上加难。修改这些业务逻辑需要耗费大量的开发周期、质量保证和部署时间。
让我举一个我亲身经历的例子。
在 Doctrine，我们构建了一套法律研究工作流程，帮助律师针对特定法律问题查找相关的案例法。该系统需要理解法律领域（民事、刑事或行政），将问题解析为可搜索的概念，查询多个法院数据库，根据相关性和权威性对结果进行排序，并以恰当的引文背景呈现结果。构建这套系统耗费了一支由工程师和法律专家组成的团队数年时间。其业务逻辑分布在数千行 Python 代码、自定义排序算法和手工调优的相关性模型中。每一次修改都需要经过工程迭代、代码审查、测试和部署。
在 Fintool，我们开发了一项 DCF 估值技能。它指导 LLM代理如何进行折现现金流分析：需要收集哪些数据、如何按行业计算加权平均资本成本 (WACC)、需要验证哪些假设、如何进行敏感性分析以及何时加回股票期权激励。这是一个Markdown文件。编写它需要一周时间，而更新它只需几分钟。一位已经完成500次DCF估值的投资组合经理无需编写任何代码，即可将他们的整个方法论编码到Markdown文件中。
多年的工程研发与一周的写作相比，这就是区别。
而且，这不仅仅是速度上的优势。Markdown 技能在其他重要方面也更胜一筹。任何人都能阅读它，它可以被审计，可以根据用户进行定制（我们的客户可以编写自己的技能）。而且，随着底层模型的改进，它会自动优化，无需我们修改任何代码。
业务逻辑正从专业工程师编写的代码迁移到任何具备领域专业知识的人都能编写的 Markdown文件。垂直行业软件公司过去耗费十年时间构建的业务逻辑，现在几周内就能复制完成。工作流程的护城河正在迅速瓦解。
- 公共数据访问 → 正在崩塌
垂直行业软件价值主张的重要组成部分在于让难以获取的数据变得易于查询。FactSet 使用户能够搜索美国证券交易委员会 (SEC) 的文件，LexisNexis 使用户能够搜索案例法。这些都是名副其实的服务。SEC 的文件在技术上是公开的，但试想一下，如何阅读一份 200 页的原始 HTML 格式的 10-K 表格。不同公司的文件结构不一致，会计术语晦涩难懂。要提取所需的实际数据，需要解析嵌套表格、查阅脚注、核对重述后的数据。
在法律LLM出现之前，访问这些公共数据需要专门的软件和大量的工程支持。像FactSet这样的公司构建了数千个解析器，每个解析器对应一种文件类型，以及每家公司独特的格式。随着格式的改变，大量的工程师负责维护这些解析器。将原始的美国证券交易委员会（SEC）文件转换为可查询数据的代码，是真正的竞争优势。
在 Doctrine，这项工作也耗费了大量精力。我们为不同的案例法构建了自然语言处理（NLP）流程：命名实体识别用于提取法官、法院和法律概念；专用的机器学习模型用于按法律领域对判决进行分类；每个法院都定制了解析器，每个解析器都有其独特的格式规范。我们的工程师花费数年时间构建和维护这套框架。这的确是一项令人印象深刻的技术，而且它本身就是一道坚固的护城河，因为复制它需要耗费数年时间。
在 Fintool，我们没有构建任何此类功能。没有命名实体识别 (NER)，没有自定义解析器，也没有行业特定的分类器。为什么？因为前沿模型已经知道如何解读 10-K 表格。它们知道 Home Depot(家得宝)的股票代码是HD。它们理解GAAP和非GAAP 收入之间的区别。它们无需学习模式即可解析嵌套的分部披露表。Doctrine 花费数年时间构建的解析基础设施，如今已成为模型自带的通用功能。
LLM让这一切变得轻而易举。前沿模型已经能够从训练数据中解析美国证券交易委员会（SEC）的文件。它们了解10-K表格的结构，知道在哪里可以找到收入确认政策，以及如何协调GAAP和非GAAP数据。你无需构建解析器。模型本身就是解析器。只需输入一份10-K表格，它就能回答任何相关问题。即使输入全部联邦判例法，它也能找到相关的先例。
垂直行业软件花费数十年构建的解析、结构化和查询功能，如今已成为基础模型本身固有的通用功能。数据本身并非毫无价值，但“使其可搜索”这一层——曾经蕴含着巨大的价值和定价权——正在崩溃。
- 人才稀缺 → 反向
构建垂直行业软件需要既精通领域又了解技术的人才。找到一位既能编写生产代码又了解信用衍生品结构的工程师极其罕见。这种人才稀缺性在历史上形成了一道天然的准入门槛，限制了各个垂直领域真正有竞争力的竞争者数量。
LLM彻底颠覆了这种壁垒。
在 Doctrine，招聘过程异常艰难。我们需要的不仅仅是优秀的工程师，而是能够理解法律推理的工程师：先例如何运作，不同司法管辖区之间如何互动，以及向最高法院上诉的理由是什么。这样的人才几乎绝迹。所以我们只能自己培养。每周，我们都会举办内部讲座，由律师为工程师讲解法律体系的实际运作方式。新工程师需要几个月的时间培训才能真正投入工作。人才短缺是一个实实在在的障碍，不仅对我们而言如此，对任何试图与我们竞争的公司来说也是如此。
在Fintool，我们不做这些。我们的领域专家（投资组合经理、分析师）直接将他们的方法论编写成 Markdown 技能文件。他们无需学习 Python，也无需理解 API。他们用简洁的英语描述一个优秀的 DCF 分析应该是什么样子，然后由 LLM 执行。工程部分由模型负责。领域专业知识一直以来都是我们丰富的资源，现在可以直接转化为软件，无需再受工程瓶颈的制约。
LLM使工程技术变得触手可及，这意味着原本稀缺的资源（领域专业知识）突然变得丰富，可以转化为软件。这就是为什么准入门槛会大幅降低的原因。
- 捆绑销售 → 削弱
垂直行业软件公司会通过捆绑一些新的功能来进行扩张。彭博社最初以市场数据起家，随后增加了消息传递、新闻、分析、交易和合规等功能。每个新模块都会增加转换成本，因为客户现在依赖的是整个生态系统，而不仅仅是单一产品。标普全球以440亿美元收购IHS Markit正是采用了这种策略。捆绑销售构成了护城河。
在Doctrine，捆绑销售也是我们的增长策略。我们最初推出案例法检索功能，随后添加了立法、法律新闻、警报和文档分析。每个模块都有自己的用户界面、用户引导流程和客户工作流程。我们构建了复杂的控制面板，律师可以在其中配置关注列表、设置特定法律主题的自动警报并管理他们的研究文件夹。每增加一项功能，就意味着更多的设计工作、更多的工程开发以及更大的用户界面面积。捆绑销售模式牢牢锁定了客户，因为他们已经围绕我们的生态系统构建了整个工作流程。
LLM代理打破了捆绑销售的护城河，因为代理本身就是捆绑包。在Fintool，提醒是一种Prompt提示词。观察列表是一种提示词。投资组合筛选也是一种提示词。没有单独的模块，也不需要维护用户界面。客户只需说“当我的投资组合中的任何公司在财报电话会议中提及关税风险时提醒我”，一切就能正常运行。AI代理在一个工作流程中协调十种不同的专业工具。它可以从一个来源提取市场数据，从另一个来源提取新闻，通过第三个来源运行分析，并将结果汇总。用户根本不会知道或关心查询了五个不同的服务。
我在两家公司都亲眼见证了这一点。Doctrine 创立之初，其核心价值在于利用行业特定的框架（例如分类法、引证网络和相关性排名）来整理公开案例法。但团队很快意识到，仅靠公开数据是不够的。
大约五年前，Doctrine 开始构建一个独家内容库：专有的法律注释、编辑分析和精选评论，这些内容库在其他任何地方都找不到。如今，这个内容库确实难以复制，并已成为真正的护城河。再加上全面转型至法学硕士领域，Doctrine 目前发展势头强劲！
能够经受住这种转变的公司，都是那些从“我们更好地组织公共数据”转变为“我们拥有你在其他任何地方都无法获得的数据”的公司。
变化在于：过去，构建智能层需要数年时间的工程设计。现在，它已成为模型自带的功能。甚至数据访问本身也在走向商品化。
MCP（模型上下文协议）正在将所有数据提供商变成插件。数十家公司已经以MCP服务器的形式提供金融数据，任何 AI 代理都可以查询这些数据。当你的数据以 Claude插件的形式提供时，“使其可访问”的额外成本就不复存在了。
讽刺的是，LLM加速了这种分化。拥有专有数据的公司获得更大的成功，而没有专有数据的公司则一无所有。
如果你的数据并非真正独一无二，例如可以从其他地方获取、授权或合成，那么你就不安全了。你将面临被商品化的风险。人工智能代理将掌控与客户的关系。它将成为用户交互的界面、用户信任的品牌以及用户付费购买的产品。你将变成代理的供应商，而不是面向客户的销售商。
这就是聚合理论的实时体现：聚合器（代理）攫取用户关系和利润，而供应商（数据供应商）则竞相压价，为平台提供数据。如果彭博、FactSet 和十几家规模较小的供应商都提供类似的市场数据，代理就会选择价格最低的供应商。你的定价权荡然无存，利润空间被压缩，最终沦为他人产品的原材料。
- 监管和合规锁定 → 结构性
在医疗保健领域，Epic 的主导地位不仅仅在于它的产品质量，还在于其符合 HIPAA 标准、获得 FDA 认证，以及医院长达 18 个月的实施周期。更换电子病历 (EHR) 供应商是
当你的软件是关键业务数据的权威来源时，切换系统不仅仅是不方便，更是关乎存亡的风险。如果数据在迁移过程中损坏怎么办？如果历史记录丢失怎么办？如果审计跟踪中断怎么办？
Epic是患者数据的记录系统，Salesforce是客户关系的记录系统。这些公司受益于用户留存成本（高额费用）与退出成本（潜在的数据丢失、运营中断）之间的不对称性。
目前，LLM不会直接威胁到记录系统的地位。但代理人正在悄悄地建立自己的LLM系统。
事情是这样的：人工智能代理不仅仅查询现有系统。它们会读取你的 SharePoint、Outlook 和 Slack 等数据。它们收集用户数据，并写入跨会话持久保存的详细内存文件。当它们执行关键操作时，还会存储相应的上下文信息。随着时间的推移，代理能够比任何单一记录系统更全面、更丰富地了解用户的工作情况。
代理的记忆成为了新的信息来源。这并非人为安排，而是因为代理是唯一能够看到所有信息的层级。Salesforce 可以看到你的 CRM 数据，Outlook 可以看到你的电子邮件，SharePoint 可以看到你的文档。代理可以看到所有这三个平台，并且能够记住它们。
这并非一朝一夕就能完成。但从目前来看，智能体正在从零开始构建自己的记录系统。随着智能体情境记忆的增长，传统记录系统的护城河逐渐减弱。
最终结果：准入门槛降低
综上所述，把所有因素加起来，五条护城河被摧毁或削弱，五条依然屹立。但被摧毁的那五条护城河，正是曾经阻挡竞争对手的壁垒。而那些依然屹立的护城河，只有少数现有企业才能拥有。
在LLM出现之前，要打造一个能与彭博或LexisNexis匹敌的竞争对手，需要数百名精通该领域的工程师、数年的开发时间、巨额的数据许可协议、能够向保守型企业销售产品的销售团队，以及监管认证。结果是：大多数垂直领域只有两到三个强劲的竞争对手。
而有了LLM之后，一支拥有前沿模型API、领域专业知识和良好数据管道的小团队，可以在几个月内构建出一款能够处理垂直行业软件80%功能的产品。我对此深信不疑，因为我亲身实践过。Fintool就是由一个六人团队打造的。我们服务于那些之前完全依赖彭博和FactSet的对冲基金。这并非因为我们拥有更好的数据，而是因为我们的AI代理能够比需要多年学习才能掌握的终端/工作站更快、更直观地提供答案。
关键在于，竞争并非线性增长，而是呈组合式爆炸式增长。你不会从3家现有企业增加到4家，而是会从3家激增到300家。这正是定价权大幅缩水的原因。在LLM出现之前，每个垂直领域都有2-3家占据主导地位的企业，它们凭借高昂的准入门槛维持着高价。而当50家人工智能原生创业公司能够以20%的价格提供80%的功能时，情况就完全不同了。
关键在于：这是一个多年过渡过程，而非一夜之间崩塌
我认为，市场的方向是正确，但是时间点上存在偏差。
企业收入不会一夜之间消失
FactSet 的客户签订的是多年期合同。彭博终端的合同通常至少为两年。这些合同不会因为 Anthropic 发布了一个插件而失效。
企业采购周期以季度和年为单位，而非以天为单位。一家管理着500亿美元资产的对冲基金不会因为Claude 可以查阅美国证券交易委员会的文件就立即撤出标普全球资本市场指数（S&P Global CapIQ）。他们会花12到18个月的时间评估各种方案，开展试点项目，协商合同条款，并等待现有合同到期。
营收断崖式下跌确实存在，但并非断崖式下跌，而是一个缓坡。目前的收入在未来12-24个月内基本保持不变。
但市场已经明白一点：股价暴跌并不一定意味着营收下降，而是市盈率压缩。一家金融数据公司，在拥有定价权和95%的客户留存率时，市盈率可能高达15倍；而当市场认为这两项指标都在下滑时，其市盈率可能降至6倍。即使营收保持不变，股价也会暴跌60%。这正是某些公司目前正在经历的。
市场并未预期营收会大幅下滑，而是预期高估值倍数即将终结，因为支撑这一倍数的护城河正在消融。
真正的威胁
真正的威胁并非LLM本身，而是垂直软件巨头们始料未及的钳形攻势。
从底层开始，数百家人工智能原生创业公司正涌入各个垂直领域。当构建一个可靠的金融数据产品需要 200 名工程师和 5000 万美元的数据许可费用时，市场自然而然地整合为 3-4 家企业。而当只需要 10 名工程师和前沿模型 API 时，市场则急剧分裂。竞争规模从 3 家激增至 300 家。
从上看，横向平台正首次深入垂直领域。例如，Excel 内置的 Microsoft Copilot 现在可以进行人工智能驱动的现金流折现建模和财务报表解析；Word 内置的 Copilot 则可以进行合同审查和案例法研究。横向工具的垂直化是通过人工智能实现的，而非通过工程技术。
Anthropic 正在反其道而行之，做着同样的事情。我密切关注着这一切，因为 Fintool 就是一家使用Anthropic大模型的公司。Claude 正全力投入垂直领域。而他们的策略简单得令人惊叹：一个通用的代理框架（SDK）、可插拔的数据访问（MCP）以及特定领域的技能（Markdown 文件）。就这些，这就是从横向发展到纵向发展所需的全部技术栈。无需领域工程师，也无需多年的开发。
软件正变得无头化。用户界面消失了。所有操作都通过代理进行。重要的不再是软件本身，而是掌控客户关系和使用场景，这意味着掌控代理本身。
实现垂直深度（LLM + 技能 + MCP）的技术，正是让横向平台最终得以在它们以前从未涉足的领域展开竞争的技术。这或许是垂直软件面临的最严峻的生存威胁：像微软这样的横向 B2B 企业不再只是浅尝辄止地涉足垂直领域，而是积极扩张，因为现在进入垂直领域比以往任何时候都更容易，而且它们必须掌握用例和工作流程，才能在人工智能优先的世界中保持竞争力。
风险评估框架
并非所有垂直行业软件都面临同样的困境。以下是我对哪些类别能够生存下来、哪些类别会被淘汰的看法。
高风险：搜索层
如果你的主要价值在于通过专门的界面使数据可搜索和可访问，而底层数据是公开的或可授权的，那么你就麻烦大了。这包括基于授权交易所数据构建的金融数据终端、基于公开案例法构建的法律研究平台、专利检索工具，以及任何产品本质上是“我们为你们行业的数据构建了一个更好的搜索引擎”的垂直领域。
这些公司由于界面锁定和竞争有限，市销率高达15-20倍。如今，这两种情况都在逐渐消失。想想那些过去一年市值缩水40-60%的金融数据提供商吧。市场重新评估它们的价值是正确的。
中等风险：混合投资组合
许多垂直行业软件公司都拥有可防御和可暴露的业务线。例如，一家公司可能同时拥有真正专有的评级业务和主要由公开信息重新包装而成的数据分析业务。又或者，该公司可能拥有指数授权业务（嵌入交易中，防御性很强）和研究平台（纯粹的搜索层，风险极高）。
该类别股票下跌（20-30%）反映了市场对哪些板块主导估值的不确定性。关键问题是：有多少收入来自LLM公司无法触及的护城河？
低风险：监管堡垒
如果你的护城河是监管认证、合规基础设施以及与关键业务流程的深度集成，那么在中期内，LLM对你的竞争地位几乎没有影响。医疗保健电子病历系统需要符合 HIPAA 标准并通过 FDA 验证。生命科学平台需要受到监管机构的锁定。财务合规和报告基础设施也同样重要。
这些公司甚至可能从人工智能在其他领域的颠覆性变革中受益，因为客户会围绕他们信任的供应商进行受监管的工作流程，同时放弃他们之前用于信息检索的供应商。
测一测
对于任何一家垂直行业软件公司，请问以下三个问题：
数据是否属于专有数据？如果是，那么这道护城河依然存在。如果不是，那么可访问性层就会崩溃。
是否存在监管锁定？如果存在，LLM 不会改变转换成本方程式。如果不存在，转换成本主要由界面驱动，并且会逐渐消失。
该软件是否嵌入到交易系统中？如果是，LLM是凌驾于你之上，而不是取代你。如果不是，你就很容易被取代。
零个“是”的回答：高风险。一个“是”的回答：中等风险。两个或三个“是”的回答：可能没问题。
我在两家公司任职中学到的东西
2016年我创建Doctrine时，它的一大优势就是用户界面。我们打造了美观的案例法和立法搜索体验。律师们非常喜欢它，因为它比市面上任何其他产品都更快、更直观。虽然大部分数据都是公开的，但我们的界面和搜索功能让这些数据触手可及。如果今天让我从零开始构建Doctrine，它将面临截然不同的竞争格局。LLM的代理也能像我们的界面一样高效地查询案例法。
垂直行业SaaS的清算并非意味着所有垂直行业软件都将消亡。它指的是市场最终将那些拥有真正稀缺资源、且不受LLM代理影响的公司区分开来。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。