云知声智能体业务亮眼 半年报营收增速近翻倍

当不少从业者还在为曾带火Agent概念的OpenClaw热度退去感慨时，港交所上市的AGI企业云知声已经凭借智能体业务交出了一份亮眼的商业化答卷。这家企业最新发布的2026年中期财报显示，Agent已经成为其业绩增长的核心引擎，而非边缘尝试。

这份财报中的核心数据相当直观：上半年总营收5.62亿元，同比增长38.7%，增速较去年同期的20.2%近乎翻倍；其中智能体业务营收4.78亿元，同比增长35.7%；Token业务收入近3000万元，第二季度环比增幅超500%，业务毛利率超过60%；复购收入占比超过60%，手握近10亿现金流。

这样的成绩，和OpenClaw当下遭遇的成本、稳定性与实际价值拷问形成了鲜明反差——前者仍在探索落地路径，后者已经让Agent进入医疗、保险、城市公共服务等核心业务场景，并实现了真金白银的营收。同样是布局Agent赛道，云知声究竟是如何将其做成一门亿级生意的？答案就藏在这份半年报的细节中。

从整体增速来看，云知声的增长节奏明显加快。2025年上半年其营收为4.05亿元，同比增长20.2%；到了2026年同期，营收规模跃升至5.62亿元，增速直接翻倍。这一轮提速的背后，是其重新梳理的三大收入板块：

• 企业智能化服务：涵盖智能体应用、智能体平台和综合解决方案，也是当前最大的收入来源，核心是落地行业场景的服务收入
• Token业务：2026年新增的业务板块，客户通过公有云API直接调用云知声的大模型矩阵，按Token用量付费
• 端侧AI业务：以语音芯片、模组和车载解决方案为核心的成熟业务，面对行业下行压力，正通过海外市场和具身智能等新场景寻找增量

从业务结构和收入质量来看，有三个核心信号值得关注。

最显眼的无疑是智能体业务。2026年上半年，云知声智能体业务营收占整体收入的85.1%，达到4.78亿元，同比增长35.7%。这笔收入由智能体应用、智能体平台和综合解决方案共同支撑，三者形成了环环相扣的业务逻辑：

首先将智能体应用落地到真实场景中，目前云知声的智能体已经覆盖医疗、保险、交通、高端制造等十余个领域。当单个场景的落地验证成功后，成熟的能力会被整合进智能体平台，从服务单家企业拓展到区域乃至整个行业；而面对系统更复杂的大客户，则会推出综合解决方案，将模型、数据与客户原有业务系统深度打通。这种层层递进的模式，让企业智能化服务的收入实现了稳步增长。

截至目前，云知声已累计服务470余家医疗机构，其中超过八成是三级医院；在区域平台层面，完成了52.44万家厦门企业的画像治理；进入高端制造赛道后，还推动某新能源车企的订单增长了10%。

在智能体业务撑起基本盘的同时，Token业务也实现了爆发式增长。这项业务2026年几乎从零起步，上半年收入近3000万元，同比增长约760%，其中第二季度收入超过2500万元，环比增幅超500%，毛利率超过60%。

其增长的核心逻辑并不复杂：一方面，以云知声U2为核心的大模型矩阵已经具备了直接服务生产场景的性能与稳定性；另一方面，越来越多企业开始接受通过API调用大模型、按Token用量付费的商业模式，市场付费习惯逐渐成熟。当模型能力与市场需求形成共振，Token业务自然实现了加速蹿升。这一业务的爆发，也证明客户已经开始为云知声的模型能力本身付费。

增长的可持续性同样重要。2026年上半年，云知声整体收入中复购占比超过60%，客单价也实现了显著提升。

复购率的背后是业务价值的验证：当Agent进入客户的核心业务流程后，客户往往会进一步扩展应用场景、升级智能体平台、调用更多模型能力，双方的合作也从一次性交付转向长期持续服务。对于产业AI公司而言，签下单个项目只能证明产品完成了销售，而客户的持续采购才说明Agent真正创造了业务价值。超过六成的复购收入，让云知声的增长具备了更强的确定性。同时，客户间的口碑效应也开始显现，截至2026年，云知声合同额同比增长65%，在手订单超过15亿元。

综合来看，云知声上半年的增长逻辑已经十分清晰：企业智能化服务撑起收入规模，Token业务提供第二增长曲线，复购收入则托住了业务的持续性。

增长不仅体现在营收层面，其经营质量也在同步改善。2026年上半年，云知声实现毛利1.86亿元，同比增长42%，增速超过营收增速；公司拥有人应占亏损降至2.37亿元，同比收窄20.2%；随着收入规模扩大，净亏损率也同比收窄超过31个百分点。毛利增速跑赢营收，亏损金额与亏损率同步下降，经营改善的趋势已经十分直观。

需要说明的是，云知声目前仍未实现盈利。这在AI行业并不算意外：全球头部AI企业同样面临盈利压力，OpenAI最新季度营收环比增长18%，但经营亏损却从93亿美元扩大至123亿美元；Anthropic经过多年发展，直到2026年Q2才首次实现调整后经营利润为正。比起当下是否盈利，更值得关注的是亏损的变化趋势：如果收入增长但亏损持续扩大，说明增长依然依赖高额投入；而如果收入提速同时亏损收窄，则意味着商业化开始承接前期投入。云知声呈现出的，正是后一种良性趋势。

总结来看，云知声的持续增长离不开两大核心：一是足够强大的模型底座，二是扎实的应用落地能力，这两点恰好对应了其“强基模+深应用”的发展战略。

那么，云知声是如何将模型与应用串联成一门规模化生意的？其背后的产业AI商业模式，带有鲜明的Palantir特征。

Palantir由彼得·蒂尔等人于2003年创立，核心是帮助各类组织通过数据与AI解决实际问题。这类业务面临的共同难题是：企业客户需求千差万别，交付成本天然较高，如何实现规模化扩张？Palantir给出的解决方案分为三步：首先派工程师深入客户现场，摸清数据、流程与业务规则；其次将这些经验整理为Ontology，形成AI可理解、可执行的“业务地图”；最后借助Foundry平台，将能力嵌入实际工作流，让数据分析转化为具体业务行动。第一个项目的交付成本较高，但后续同类客户可以直接复用已有的行业知识与功能模块，通过重交付积累行业经验，再依托平台将经验转化为可复制的生意。

将这套逻辑放回云知声，其看似矛盾的业务数据就能得到合理解释。这家不到500人的AI公司能够承接数亿元的智能体业务，靠的并非人海战术，而是一套同样强调沉淀与复用的三层架构：

最底层是基座能力层。无论最终交付的是Token、API还是行业解决方案，模型本身的能力都是第一道门槛。判断一个行业模型是否合格，需要同时看两个维度：一是是否足够智能，二是是否真正懂业务。前者考验的是基模能力，云知声自2023年推出首个自研通用大模型以来，持续投入研发升级底层能力。仅2026年上半年，其研发投入便达到2.84亿元，占研发、销售和管理费用总和的78.5%；公司共有327名研发人员，占员工总数的67.7%，相当于每三名员工中就有两人专注研发。这些投入最终托起了最新旗舰模型U2：作为原生智能体模型，U2已在多项行业公认的Agent评测中跻身全球第一梯队，凭借稀疏MoE架构，虽然总参数达2600亿，但单次仅需激活约100亿，在保证能力的同时兼顾了速度与成本。以U2为底座，云知声还形成了覆盖医疗、语音和视觉的完整模型矩阵。

而“懂业务”则依赖长期的行业积累。云知声并非简单地向模型中塞入行业资料或知识库，而是将过去十多年深耕医疗、物联、交通等场景的经验，拆解为17个子集和61个细分类别，将原本分散在业务系统、操作手册和从业者脑中的知识，转化为模型可计算、可调用的业务资产，相当于为每个行业绘制了一张“业务地图”。

中间层是智能构建层，由业务运行平台和智能体平台共同支撑。业务运行平台负责接入客户的业务流程、数据与规则，为Agent划定行动边界；智能体平台则负责选择模型、连接知识库、调用工具，并编排一系列任务。正是在这一层，上一个项目积累的能力可以直接复用为下一个项目的模块。例如为医院开发病历质控Agent时，病历解析、问题识别等通用模块可以提前沉淀，后续服务其他医院时无需重复开发。目前云知声的智能体平台UniAgentOS已经沉淀了1773个实例智能体，单个模块最高复用119次，项目实施成本占比从去年同期的21%降至17%。

最上层是价值运行层。Agent搭建完成后，需要真正嵌入客户的工作流，与医生、审核人员、经办人员协同完成任务，并根据使用结果持续迭代优化。这一层的衡量标准十分朴素：任务完成质量如何？为客户节省了多少时间？降低了多少成本？客户是否愿意持续付费？这些问题只有将Agent真正放入真实业务场景中才能得到验证。

以病历质控场景为例，这是不少三甲医院长期面临的痛点：一家大型三甲医院每天会产生数百甚至上千份出院病历，每份病历动辄30多页，以往主要依靠几名质控人员人工抽查，不仅效率低下，最终覆盖率甚至不足50%。云知声的解决方案是，先用医疗大模型和覆盖47.5万医学实体的知识图谱，让Agent读懂病历内容与行业规范，再打通HIS、EMR、LIS等医院系统，让Agent自动读取病历、检查问题、找出缺陷并给出修改提示。系统上线后，单份病历审核时间被压缩至10秒以内，质控覆盖率提升至100%，人工效率提升80%以上。这些可量化的业务结果，正是客户愿意持续付费的核心原因。当病历解析、规则核验等能力可以复用到更多医院时，这门原本重交付的生意也就具备了规模化的可能。

将云知声与Palantir对比，可以发现两者的核心差异：Palantir并不自研基础模型，而是根据客户需求接入对应模型，再将模型、数据与业务流程串联起来；而云知声则将模型这一核心“大脑”握在自己手中，底层有U2通用基模，上层有医疗等行业模型、语音与文档多模态能力，甚至延伸到了端侧芯片。两条路线各有优劣，但从模型与行业协同的深度来看，自研模型的路径更便于将项目反馈直接融入模型迭代，形成长期复利。

显然，云知声正在验证一条带有Palantir特征、由自研模型驱动的产业AI路径。顺着这条路径，Agent的商业化逻辑也逐渐清晰：

首先，要找到值得付费的场景。真正值得付费的场景需要满足三大黄金标准：问题出现频率足够高、出错代价足够大、解决效果可量化衡量。病历质控、保险理赔、医保审核等场景都符合这一标准。

其次，要搭建多元的收费渠道。找到合适的场景后，需要考虑如何收取费用：对数据敏感的客户适合私有化部署，追求快速上线的客户更适合订阅平台服务，调用需求灵活的客户则愿意按Token付费。这要求模型、平台与Agent既能拆分单独销售，也能组装为完整解决方案，背后考验的是整套能力的产品化水平。云知声也多次强调，其已经实现从能力底座到价值交付的端到端全链条服务闭环，每一层能力既可作为整体解决方案交付，也可拆解为标准化产品单独销售，既支持私有化部署，也支持公有云API与Token调用。

公司实现从能力底座到价值交付的端到端全链条服务闭环，每一层能力既可作为整体解决方案交付，也可拆解为标准化产品单独销售，既支持私有化部署，也支持公有云API与Token调用。

最后，要让每一单都成为下一单的起点。Agent生意的复利可以分为两个方向：横向复制与纵向深挖。横向复制是指将单个行业做透，每完成一个项目就沉淀知识、流程与功能模块，让后续项目的交付成本更低；纵向深挖则是指深耕单个客户，当Agent进入核心业务流程后，合作可以从单个任务延伸到更多部门与场景。前者摊薄交付成本，后者提升单客价值，两者叠加才能让Agent生意的复利飞轮真正转动起来。

当然，这些经验只是阶段性总结，Agent的商业化并没有通用公式，最终仍需要通过一个个真实场景验证。但可以确定的是，AI行业已经到了认真谈论商业化的阶段。大模型时代曾以参数论英雄，Agent时代初期则聚焦工具调用能力，如今新鲜感褪去，客户的关注点已经变得更加现实：任务是否完成？时间是否节省？成本是否降低？明年是否会继续合作？

模型能力依然重要，但已经成为业务的起点。云知声的这份财报之所以值得关注，正是因为其将“强基模+深应用”的战略从口号转化为了实打实的收入与复购曲线：用自研模型保证Agent能够完成任务，用行业积累让Agent懂得如何落地，再通过平台复制交付经验，最终通过解决方案、订阅服务与Token调用实现持续收费。

回头再看开头关于OpenClaw的感慨，其实不难发现其中的深意：当热度退去，Agent的故事并没有结束，反而才真正进入商业价值的考场。OpenClaw不会消失，Agent赛道也不会消失，真正会消失的，只是那些只会消耗Token却无法创造实际价值的Agent产品。