请务必仔细阅读本报告最后部分的免责声明 曙光在前 金元在先
1
投资要点：
⚫ AI 需求由内容生成转向自主执行演进，沙箱有望成为服务器
CPU的重要增量来源。随着大模型推理及任务执行能力持续提升，
AI需求逐步从对话问答向Agent实际任务执行延伸。与主要由GPU
承担的模型推理不同，沙箱作为Agent的执行环境，其计算负载主
要由CPU承担。Agent应用范式的变化推动AI算力需求由单纯模
型推理向“推理+执行”拓展，CPU有望从GPU的配套资源进一步发
展为独立的算力需求来源。
⚫ Agent规模化应用有望带来千万核级CPU需求，编程Agent为
当前主要拉动力量。沙箱CPU需求主要由并发规模及单位任务资源
消耗决定。我们将Agent拆分为个人、编程、浏览器及企业级四类
场景，分别以1亿日活、人均每日1个任务为统一基准，综合考虑
沙箱运行时长、CPU利用率及资源冗余后，四类场景物理核需求加
总约2022万核，折合约31.6万颗64核CPU，其中编程Agent贡
献近七成。随着Agent应用规模扩大，沙箱有望带来可观的服务器
CPU需求增量。
⚫ 用户规模扩张与任务复杂度提升形成乘数效应，编程 Agent兑
现最快，企业级Agent长期弹性最大。沙箱CPU需求增长不仅来自
Agent渗透率提升，更取决于单用户任务频次、任务执行时长及并发
规模的持续增加。编程Agent受益于Vibe Coding，用户边界扩大与
复杂工程任务并行化同步推进，需求兑现确定性较强；个人 Agent
由按需调用向常驻化发展，浏览器Agent随任务成功率提升加速渗
透；企业Agent则逐步由轻量交互向复杂业务流程延伸，任务执行
深度及并发规模具备更大的长期增长空间。
⚫ GPU配套 CPU配置提升叠加 Agent独立执行需求，服务器
CPU有望迎来新一轮增长机遇。一方面，随着GPU计算能力持续
提升，数据处理、任务调度及内存管理对CPU的性能和资源配置提
出更高要求，提升CPU配置以改善GPU利用效率具备较强经济性，
为服务器CPU需求提供基础支撑。另一方面，Agent将CPU需求从
GPU配套进一步拓展至独立任务执行，增长驱动由GPU部署规模
延伸至Agent用户数量及任务执行密度。我们认为，两条需求主线
有望形成共振，推动CPU在AI算力基础设施中的价值量持续提升，
建议关注服务器CPU产业链的长期增长机会。
相关公司（以下公司均未评级） ：
美股：Intel、AMD
A股：
海光信息、
禾盛新材
⚫ 风险提示：Agent商业化与渗透率不及预期；沙箱资源复用效率
提升；Agent执行向本地端迁移。
行业指数相对沪深 300表现
相关报告
《Jev模型：给Agent装上"小脑"，专用
决策模型开启效率新范式》
2026-09-22
《Meta发布个人 AI智能体Muse，Agent
安全有望成为网络安全新需求》
2026-09-11
《GPT-6 Astra发布：Agent能力迎来跃
迁，AI应用落地有望加速》
2026-09-04
《工信部部署 AI 应用服务商培育专项
行动，把握两条核心受益主线》
2026-09-01
《FDE加速 AI应用范式迁移：从模型供
给走向业务价值交付》
2026-08-17
分析师：王鑫旸
执业证书编号:S0370526030001
邮箱：wangxy4@jyzq.cn
证
券
研
究
报
告
行
业
研
究
报
告
计算机行业研究
2026年 11月 2日
行业研究报告
—AI系列专题（一） ：Agent沙箱打开 CPU增量空间，四大
场景演绎需求弹性
评级：强于大市（维持）
2026年 11月 2日
2
目录
一、Agent用量高增，沙箱成为CPU需求的新增量 ...................................................... 5
1. Agent的 Token消耗超越人类，成为大模型应用主要形式 .............................. 5
2. 沙箱是 Agent执行层基础设施，负载主要落在 CPU ......................................... 6
3. 厂商布局：主流大模型平台集中推出沙箱与托管 Agent服务 ........................ 7
二、四类场景测算：基准需求达千万核量级 .................................................................. 9
1. 场景拆解：个人、编程、浏览器、企业级四类沙箱需求 ................................ 9
2. 测算口径及基准参数 ............................................................................................ 9
3. 测算结果：1亿日活基准下合计需求 2022万物理核，编程Agent贡献近七成
.................................................................................................................................... 10
4. 弹性判断：编程兑现最快，企业级理论弹性最大 .......................................... 10
4.1 个人 Agent：常驻化与渗透率提升共同放大需求 ......................................... 11
4.2 编程 Agent：用户边界扩大与任务复杂度提升正同步发生 ......................... 12
4.3 浏览器 Agent：单沙箱 CPU强度最高，成功率提升驱动放量 ..................... 13
4.4 企业 Agent：渗透率与任务复杂度同步抬升，理论弹性最大 ..................... 15
三、投资建议：建议关注服务器CPU ............................................................................ 17
四、风险提示 .................................................................................................................... 19
2026年 11月 2日
3
图表目录
图表 1：Agent Tokens消耗量增速远超人类 ......................................................... 5
图表 2：前沿模型可完成的任务时长呈指数增长 .................................................. 6
图表 3：沙箱对 CPU及内存的需求 .......................................................................... 6
图表 4：沙箱对 CPU及内存的需求 .......................................................................... 7
图表 5：大模型厂商 Agent产品及沙箱概况 .......................................................... 8
图表 6：Agent沙箱场景分类 ................................................................................... 9
图表 7：四类场景基准参数 .................................................................................... 10
图表 8：物理核测算结果及对应 CPU需求 ............................................................ 10
图表 9：四类场景增长因子的上行空间 ................................................................ 11
图表 10：任务型与常驻型 Agent的沙箱占用对比 .............................................. 11
图表 11：全球和中国 AI月活 ................................................................................ 12
图表 12：头部 AI大模型用户规模趋势（截至 202606） ................................... 12
图表 13：Lovable 4/5用户从事非技术性工作 ................................................... 12
图表 14：美国 AI用户想要创作的应用类型 ........................................................ 12
图表 15：Coding单轮自主运行时长提升至 45分钟 ........................................... 13
图表 16：任务难度提升，Coding Agent并发规模扩大 ..................................... 13
图表 17：WebArena：Agent任务成功率逼近人类 ............................................... 14
图表 18：OSWorld：Agent计算机操作成功率快速提升 ..................................... 14
图表 19：浏览器 Agent请求量快速增长 .............................................................. 15
图表 20：企业应用集成任务型 Agent的比例快速提升 ...................................... 15
图表 21：APEX-Agents榜单 ................................................................................... 16
2026年 11月 2日
4
图表 22：企业 tokens用量中 Agent占比快速提升 ............................................ 16
图表 23：领先企业 token使用差距已拉大到 8.3倍 .......................................... 16
图表 24：相关公司 CPU产品线简介 ...................................................................... 18
2026年 11月 2日
5
一、Agent用量高增，沙箱成为 CPU需求的新增量
1. Agent的 Token消耗超越人类，成为大模型应用主要形式
Agent已成为大模型应用的主要形式。2025年以来，大模型应用的主
要形式由对话式问答逐步转向能够自主规划、调用工具并交付成果的
Agent。用户不再满足于获得一段回答，而是要求模型直接产出可运
行的代码、整理好的表格、完成网页操作或生成一份报告。任务形态
的变化首先体现为 Token消耗的高增：根据a16z统计，2026年 2月
6日起 Agent消耗的 Token量超过人类，此后增长斜率更为陡峭；截
至2026年 8月，Agent的 Token消耗（7日均值）已达7.3万亿，为
人类的 5倍以上。
模型可连续完成的任务时长呈指数级拉长，Agent的可执行上限随之
抬升，负载需求快速增长。据 METR测算，前沿模型以50%成功率可完
成的任务时长在 2019—2025年间约每 7个月翻倍，2024年以来缩短
至3.5—4个月：从 GPT-2的 2秒、o1的 39分钟、o3的 110分钟，
到2026年初 Claude Opus 4.6的约 14.5小时。底层模型更长的连续
工作时间使 Agent能够承接更复杂的任务，带来更多的工具调用与代
码执行需求。
图表 1：Agent Tokens消耗量增速远超人类
数据来源： a16z，金元证券研究所整理
2026年 11月 2日
6
2. 沙箱是 Agent执行层基础设施，负载主要落在 CPU
沙箱是 Agent执行层的基础设施，Agent的并发数量与执行时长增长
将直接转化为服务器 CPU需求。Agent的典型流程为“模型推理与任
务规划—工具调用—沙箱执行—结果回传—再次推理”。沙箱
（Sandbox）是为 Agent提供安全隔离、运行环境管理和资源调度的
执行容器：模型在GPU上完成规划与生成后，由编排层创建或分配沙
箱，在其中运行代码、安装依赖、操作浏览器或处理文件，再将结果
回填给模型。与 GPU推理不同，沙箱内的工作负载以通用计算为主，
资源消耗落在服务器 CPU上，成为 GPU配套之外的 CPU增量重要来
源。
图表 3：沙箱对 CPU及内存的需求
数据来源：金元证券研究所整理
图表 2：前沿模型可完成的任务时长呈指数增长
数据来源：METR，金元证券研究所整理
2026年 11月 2日
7
沙箱 CPU负载呈现“低均值、高峰值”特征，物理核需求取决于峰值
并发规模及资源复用效率。据 DSec论文，Agent任务在环境初始化
阶段出现约 0.9核的容器 CPU尖峰，在测试阶段microVM的 CPU尖峰
达到约 1.4核，而工具调用阶段多数时间占用不足0.1核。此外，约
90%的容器/microVM实际 CPU使用量不超过申请量的 5%。因此，沙箱
CPU需求需同时考虑高峰时段的并发规模与实际 CPU利用率，并为突
发负载预留一定冗余。
图表 4：沙箱对 CPU及内存的需求
数据来源：《DSec：A Sandbox Infrastructure for Effective Agentic Training at Scale》，金元证券研
究所整理
3. 厂商布局：主流大模型平台集中推出沙箱与托管 Agent服务
主流大模型平台已集中推出沙箱与托管 Agent服务，单沙箱公开规格
多在 1—4个 vCPU。OpenAI、Anthropic、Google等海外厂商已提供
云端沙箱或代码执行能力，阿里云百炼、火山方舟等国内平台亦推出
沙箱及托管 Agent服务，覆盖代码运行、浏览器操作与文件处理。从
公开资源配置看，Anthropic API 代码执行环境为 1 CPU，Google
Gemini托管沙箱默认 2个 vCPU， 阿里云百炼提供1核 2GB与4核 8GB
两档规格；Meta于 2026年 9月发布的 Muse根据三方实测，每位用
户分配一台 2 vCPU、7.7GiB内存的专属虚拟机。
2026年 11月 2日
8
图表 5：大模型厂商 Agent产品及沙箱概况
厂商 Agent产品/平台 沙箱部署形式 公开资源配置
OpenAI ChatGPT、Codex、API
Code Interpreter
官方云端隔离容器；Python、Shell
执行、文件处理；支持创建和复用容
器
内存支持
1/4/16/64GB等档
位
Anthropic Claude Code、Claude
API Code Execution
API提供云端隔离容器，支持
Python、Bash及文件操作；Claude
Code另支持本地沙箱执行
API代码执行环
境：1 CPU、5GiB
内存、5GiB工作区
Google Gemini Managed
Agents、Antigravity
官方托管 Linux沙箱；支持代码执
行、文件操作、环境复用与网络访问
控制
默认配置为 2 个
vCPU 和 1.5 GiB
的 RAM
Meta Muse、Muse Secure VM
每用户 1台专属虚拟机；支持后台工
作与多子 Agent协同，浏览器位于独
立环境
三方实测配置为 2
vCPU、7.7GiB内存
Xai Grok API Code
Execution
官方托管 Python隔离执行环境；主
要用于计算、数据分析和代码验证，
执行上下文不跨请求持久化
/
阿里 百炼 Managed Agents
官方云端容器沙箱；支持代码解释
器、浏览器、综合运行环境，支持暂
停和恢复
1核 2GB或 4核 8GB
字节
火山方舟 Managed
Agents、Computer Use
Agent
官方托管沙箱，支持 Shell、文件处
理；另提供 Windows/Linux远程执行
环境
/
Kimi Kimi Agent、Kimi
Claw、Agent Swarm
云端 Agent执行；网页与应用构建涉
及沙箱预览；Kimi Claw支持云端持
续运行
/
数据来源： OpenAI、Claude、Gemini、Google Cloud、Xai、阿里云、火山引擎、Meta、Starkinsider、Kimi，金元证券研究所整理
2026年 11月 2日
9
二、四类场景测算：基准需求达千万核量级
1. 场景拆解：个人、编程、浏览器、企业级四类沙箱需求
不同 Agent场景的任务规模、沙箱运行方式和 CPU资源消耗差异较
大。我们将Agent分为个人 Agent、编程Agent、浏览器Agent、企业
级Agent四类，覆盖当前 Agent的主要使用场景。
2. 测算口径及基准参数
四类场景物理核测算口径：
物理核需求=日活用户∗人均任务数∗单任务沙箱数∗日均沙箱运行时长
24 ∗峰均比∗单沙箱物理核∗（1+编排开销）
其中：
单沙箱物理核=𝑣𝐶𝑃𝑈 × 0.5 × 𝑣𝐶𝑃𝑈平均利用率
宿主机𝑣𝐶𝑃𝑈利用率
注：考虑到超线程，每个vCPU占用物理核数为0.5
我们以 1亿日活用户、人均每日 1个任务作为跨场景对比的统一口
径，四类场景基准参数如下：
图表 6：Agent沙箱场景分类
场景 典型任务 沙箱特点 代表产品
个人Agent
长期目标跟踪、比价监控、
代下单、日程与邮件处理、
文件处理、搜索、报告/PPT
生成
用户1台常驻VM＋按需临时沙箱，关闭App
后仍运行；多步骤执行，复杂任务调用多个并
行子Agent
Meta Muse、Gemini
Spark、Manus
编程Agent
写代码、运行测试、编译、
安装依赖、终端操作
多版本并行尝试，长时自主任务可达数小时，
CPU强度高
Codex、Claude
Code、Cursor
浏览器Agent
网页操作、数据抓取、表单
填写、GUI自动化
单次会话较短、任务量大，渲染负载重
各类Browser Use类产
品
企业级Agent
轻量：检索、审批流；
复杂：财务对账、批量文档
审核、代码迁移
轻量调用频繁；复杂任务单次时长可达数十分
钟至数小时
企业流程自动化Agent
数据来源：金元证券研究所整理
2026年 11月 2日
10
3. 测算结果：1亿日活基准下合计需求 2022万物理核，编程 Agent
贡献近七成
综合来看，在 1亿日活用户、人均 1个任务的基准下，个人、编程、
浏览器、企业级Agent的物理核需求分别为 281.3万核、1350万核、
234.4万核、156.3万核，合计约2021.9万核；其中编程Agent占比
约67%，对物理核的拉动最大：其日均运行1小时、单任务调用2个
沙箱，峰值并发沙箱达2500万个，为四类之首。按32核、64核、88
核CPU折算，四类场景合计分别需要63.2万颗、31.6万颗、23.0万
颗CPU。
4. 弹性判断：编程兑现最快，企业级理论弹性最大
四类场景中，编程Agent兑现最快，企业级Agent理论弹性最大。沙
箱的 CPU需求由用户基数、人均任务、任务并行度与日均运行时长四
图表 7：四类场景基准参数
各场景基准 个人 Agent 编程 Agent 浏览器 Agent 企业级 Agent
日活用户（万人） 10000 10000 10000 10000
人均任务数 1 1 1 1
单任务沙箱数 2 2 1 1
日均沙箱运行时长（小时） 0.25 1 1/6 1/3
峰均比 3 3 3 2
vCPU/沙箱 2 4 2 2
vCPU平均利用率
①
20% 12% 50% 25%
宿主机 vCPU利用率
②
50% 50% 50% 50%
编排开销 12.5% 12.5% 12.5% 12.5%
数据来源：金元证券研究所整理
注：
① vCPU平均利用率：编程Agent取12%考虑到依赖安装、编译构建等重负载环节；浏览器Agent因页面渲染负载重取50%；个人、企业 Agent分别取
20%、25%。
② 宿主机 vCPU利用率：统一取50%，高峰时段保留一半余量，用于吸收突发负载、容灾冗余等需求。
图表 8：物理核测算结果及对应 CPU需求
场景 峰值并发沙箱
（万个）
单沙箱物理核
（核）
物理核需求
（万核）
32核 CPU
（万颗）
64核 CPU
（万颗）
88核 CPU
（万颗）
个人 Agent 625 0.4 281.3 8.8 4.4 3.2
编程 Agent 2,500 0.48 1350 42.2 21.1 15.3
浏览器 Agent 208.3 1 234.4 7.3 3.7 2.7
企业级 Agent 277.8 0.5 156.3 4.9 2.4 1.8
合计 2,021.9 63.2 31.6 23.0
数据来源：金元证券研究所整理
2026年 11月 2日
11
大因素共同决定，未来的弹性来自四个因素的持续上行：渗透率提升
带动用户基数扩大；Agent进入更多使用场景，人均任务增加；任务
并行度与子 Agent数量增加，单任务沙箱数上升；任务复杂度提升与
常驻化拉长运行时间，同时抬高单沙箱的 vCPU规格与利用率，放大
单任务的 CPU调用强度。
图表 9：四类场景增长因子的上行空间
数据来源：金元证券研究所整理
4.1 个人 Agent：常驻化与渗透率提升共同放大需求
弹性一：由任务型转向常驻型，沙箱运行频率由“按次”变为“全天
候”。任务型 Agent在用户发起请求后短时运行、完成即释放；常驻
型Agent按心跳、定时与事件触发持续运行，监控、提醒、整理、跟
踪等长期任务会产生持续性的沙箱占用，进而持续消耗CPU资源。如
开源个人 Agent OpenClaw：其 Gateway常驻后台，默认每 30分钟巡
检一次任务清单，无需用户触发即可执行；项目GitHub星标在 2026
年1月仍接近零，数周内升至 24.7万，截至 10月已接近 40万。
图表 10：任务型与常驻型 Agent的沙箱占用对比
数据来源：Openclaw，金元证券研究所整理
弹性二：渗透率提升带动日活扩大，大模型用户均为潜在的Agent用
户。根据《Xsignal全球 AI应用行业半年报告 2026》，全球 AI用户
规模加速扩张，截至 2026上半年全球 AI应用 MAU近 29亿，其中海
外AI应用 MAU达 20亿，同比增长 64.3%；国内 AI应用 MAU达 8.85
2026年 11月 2日
12
亿，同比增长102.96%。此外，头部大模型用户基数仍保持稳健增长。
截至2026年6月，ChatGPT APP MAU达到7.88亿， 上半年增长21.72%；
Claude APP MAU达到 0.82亿，上半年增长 430.07%。庞大的大模型
用户池为 Agent提供了天然的转化基数：当“对话”升级为“代办” ，
每一位活跃用户都可能成为 Agent的用户，进而产生大量的 CPU资
源消耗。综合两条路径，个人Agent在运行时长与用户规模两个维度
同时具备上行空间，弹性较大。
4.2 编程 Agent：用户边界扩大与任务复杂度提升正同步发生
弹性一：用户边界扩大：Vibe Coding场景应用使“写代码的人”不
再局限于专业开发者。根据 Lovable《The Build Economy》于 2026
年的调查数据统计，80%的用户从事非技术性工作。当前 Lovable日
均新建项目数超 10万个，年项目量达2500万个，非技术性用户带来
重要增量。而根据 All About Cookies 做的一份美国 AI调研中，近
60%的美国人具备开发应用、工具或网站的想法，当技术不再成为障
碍时，其中 80%的用户愿意去开发对应的工具或产品。AI能力提升降
低Coding的开发门槛， 个人用户的定制化编程需求将带动编程Agent
用户规模快速提升。
图表 11：全球和中国 AI月活 图表 12：头部 AI大模型用户规模趋势（截至 202606）
数据来源：《Xsignal全球AI应用行业半年报告 2026》，金元证券研究所整理
图表 13：Lovable 4/5用户从事非技术性工作 图表 14：美国 AI用户想要创作的应用类型
数据来源：《Lovable： The Build Economy》，All About Cookies，金元证券研究所整理
Founder/co-
founder,
45.70%
Freelancer,
9.80%
Product,
6.90%
Operations/
biz ops,
5.90%
Engineering
, 5.80%
Marketing,
5.30%
Consultant,
5.20%
Sales/busin
ess
development
, 5%
Design,
4.80%
Finance/leg
al/admin,
2.30%
个人生产力,
21%
金融, 17%
娱乐及游戏,
15%
健康, 14%
商务及企业
关系, 13%
创造性, 9%
教育, 7%
2026年 11月 2日
13
弹性二：任务复杂度提升：编程任务由单文件补全走向仓库级工程交
付，单任务的运行时间与资源强度同步抬升。Anthropic披露，Claude
Code最长一档会话的单轮自主运行时长，在2025年 10月至2026年
1月间由不足 25分钟升至 45分钟以上，内部最难任务的成功率提高
一倍。任务越复杂，沙箱内的依赖安装、编译构建与回归测试越密集，
这类负载以 CPU为主，单任务的 CPU占用与沙箱存续时间随之上升。
图表 15：Coding单轮自主运行时长提升至 45分钟
数据来源：Anthropic，金元证券研究所整理
弹性三：并行项目增加：复杂的编程任务将被拆解给多个 Agent同时
推进，单任务并发沙箱数成倍增加。根据相关测试数据，当任务难度
从简单提升至困难，单任务平均创建的子 Agent数量由 6.69个提升
至 15.84个，峰值并发子 Agent由 3.66个提升至 6.7个，困难任务
峰值并发规模较简单任务提升约 83%。对应单任务所需的并发沙箱数
量相应上升。综合来看，编程Agent有望实现用户边界、任务复杂度
与并行度同步上行，兑现确定性最强。
图表 16：任务难度提升，Coding Agent并发规模扩大
数据来源：《When Sub-Agents Work in Parallel: The Promises and Pitfalls of Dynamic Concurrency
in Long-Horizon Coding Tasks》，金元证券研究所整理
4.3 浏览器 Agent：单沙箱 CPU强度最高，成功率提升驱动放量
浏览器 Agent的需求弹性主要来自任务执行能力提升，以及由此带来
2026年 11月 2日
14
的使用场景扩张。浏览器 Agent需要通过网页解析、JavaScript执
行、DOM渲染及页面交互完成复杂任务，其执行过程主要依赖CPU等
通用计算资源。此前，网页Agent的任务执行成功率较低，限制了其
在实际业务流程中的应用。随着模型推理及计算机操作能力提升，浏
览器Agent的可用性明显改善。 根据Stanford HAI《2026 AI Index》，
WebArena基准中领先 Agent的任务成功率由 2023年的约 15%提升至
2026年初的 74.3%，接近 78.24%的人类参考水平；OSWorld基准中，
领先 Agent 的计算机操作成功率亦由早期约 5%提升至 2025 年的
66.3%，接近 72.35%的人类参考水平。随着任务执行成功率提升，网
页检索、表单填写、跨站信息处理等操作有望逐步成为个人及企业
Agent的通用执行能力。
实际使用量增长进一步验证浏览器 Agent需求释放，云端执行有望打
开 CPU增量空间。根据 DataDome，其监测网络中 Agent浏览器请求
量由 2026年 8月的 1250万次增长至 9月的 5820万次，环比提升至
约4.7倍； 即使剔除Meta Muse影响， 相关请求量仍增长至约3.1倍。
其中 ChatGPT云端浏览器与 Muse（运行于专属云端虚拟机）合计占9
月请求量的约 81%，请求量的增长主要由云端执行承接。我们认为，
随着浏览器 Agent由信息查询向表单操作、跨系统业务处理等复杂任
务延伸，云端浏览器实例数量及运行需求有望进一步增长，带动服务
器CPU资源需求提升。
图表 17：WebArena：Agent任务成功率逼近人类 图表 18：OSWorld：Agent计算机操作成功率快速提升
数据来源：Stanford HAI《2026 AI Index Report》，金元证券研究所整理
2026年 11月 2日
15
图表 19：浏览器 Agent请求量快速增长
数据来源：Datadome，金元证券研究所整理
4.4 企业 Agent：渗透率与任务复杂度同步抬升，理论弹性最大
企业 Agent加速渗透，规模化部署与应用场景拓展有望打开长期增长
空间。随着 Agent技术逐步成熟，企业级Agent正由单点试用向规模
化部署延伸，应用场景及业务流程覆盖范围持续扩大。根据 IDC 于
2026年发布的企业调查，95.3%的受访企业已在生产环境中运行至少
一项 Agent工作流，平均部署约 11项，Agent正逐步融入企业实际
业务流程。从应用渗透来看，Gartner预计，到2026年底，约40%的
企业应用将集成特定任务型 AI Agent，较2025年不足 5%的水平显著
提升。随着Agent在财务、客服、IT运维及企业管理等场景中加速落
地，企业自动化流程数量及任务执行频次有望持续增长，并推动多任
务并发执行需求提升，为沙箱及服务器 CPU带来增量需求。
图表 20：企业应用集成任务型 Agent的比例快速提升
数据来源：Gartner，金元证券研究所整理
企业 Agent已初步具备处理复杂专业工作的能力。随着大模型推理及
工具调用能力持续提升，企业Agent正由信息检索、问答及审批提醒
等轻量任务，逐步向财务分析、批量文档处理、跨系统业务操作等复
杂场景拓展。2026年 9月，Mercor发布 APEX-Agents 1.1评测，涵
盖投资银行、管理咨询及企业法律三大专业领域的240项真实工作任
0%
10%
20%
30%
40%
50%
2025 2026E
40%
＜5%
2026年 11月 2日
16
务，要求Agent在邮件、文档、表格等多个应用之间获取信息并完成
长流程任务。截至2026年 10月，领先模型在该评测中的单次任务完
成率（Pass@1）已达 82.4%，Agent处理复杂专业工作流程的能力正
持续提升。
图表 21：APEX-Agents榜单
数据来源：Mercor，金元证券研究所整理
领先企业正逐步将 Agent融入企业核心工作流。OpenAI于 2026年 8
月发布的《Enterprise Signals》显示，截至 2026年 6月，企业客
户Agent的输出 Token已占合计输出 Token的 64%；高使用强度企业
与普通企业的人均输出 Token倍数由年初的 2.6倍提升至 8.3倍，侧
面反映领先企业正加大 AI在复杂任务中的使用深度。综合来看，企
业级 Agent正处于应用渗透、并行工作流与单任务时长的快速抬升期，
理论弹性最大。
图表 22：企业 tokens用量中 Agent占比快速提升 图表 23：领先企业 token使用差距已拉大到 8.3倍
数据来源：OpenAI，金元证券研究所整理
2026年 11月 2日
17
三、投资建议：建议关注服务器 CPU
投资线索一：GPU配套 CPU核数持续提升，为服务器CPU需求提供确
定性增量。随着 AI算力需求由训练向推理拓展，数据处理、任务调
度及内存管理等环节对 CPU的要求持续提高，增加CPU配置有助于提
升GPU利用效率。从 NVIDIA硬件架构看，DGX H100采用 8颗 GPU搭
配2颗 56核 CPU，单 GPU对应 14个 CPU核心；GB300 NVL72采用 72
颗GPU搭配 36颗 72核 CPU，单GPU对应 36个 CPU核心；Vera Rubin
NVL72进一步采用 72颗 GPU搭配 36颗 88核 Vera CPU，单 GPU对应
44个 CPU核心。考虑到GPU价值量较高，通过增加CPU投入改善 GPU
利用效率具备较强经济性，我们认为配套CPU的核心数、带宽及性能
要求有望同步提高，GPU配套 CPU需求将成为行业增长的重要支撑。
投资线索二：Agent沙箱打开独立于 GPU配套的 CPU增量空间，提供
需求弹性。Agent将模型能力由内容生成拓展至实际任务执行，代码
运行、工具调用及浏览器操作等环节均产生独立的CPU计算负载。在
1亿日活的统一基准下，四类场景合计需要约 2022万物理核，折合
31.6万颗 64核 CPU。 弹性排序上， 编程Agent兑现最快， 企业级Agent
理论弹性最大，个人Agent的常驻化与浏览器 Agent的成功率提升亦
将带来增量。产业端已开始布局独立的 CPU执行资源：NVIDIA推出
集成 256颗 Vera CPU 的独立 CPU机架，可支持超过 2.25万个并发
CPU执行环境，面向 Agent工具调用、沙箱运行及任务编排等场景。
综合判断：GPU配套提供确定性，Agent沙箱提供弹性，建议关注服
务器 CPU。两条线索叠加，CPU需求有望由依附 GPU配置进一步向独
立任务执行扩展，为服务器CPU打开新的长期增长空间。我们建议关
注服务器 CPU及相关产业链的长期增长机会。
相关公司（以下公司均未评级）：
美股：Intel、AMD等
A股：海光信息、禾盛新材等
2026年 11月 2日
18
图表 24：相关公司 CPU产品线简介
公司 系列/产品 架构/工艺 核心规格 AI/Agent相关定位 发布与供货进度
AMD
EPYC 9575F
x86；TSMC
3–4nm
64核；3.3/5.0GHz；L3
256MB；TDP 400W；12通
道DDR5；PCIe 5.0；512
位AVX-512
专为GPU AI方案打造
的AI主机节点CPU
2024年10月发布并
供货，售价11791美
元
EPYC 9006 SP7
x86；TSMC
2nm
最高256核/512线程；
16通道DDR5-
8000/MRDIMM-12800；
PCIe Gen6
面向高密度服务器及大
型智能AI部署，每秒
处理tokens数量为上
一代的1.8倍
2026年5月量产爬
坡；SP7平台2026Q4
供货，顶配EPYC
9996售价14904美元
Intel
Xeon 6776P x86
64核/128线程；
2.3/3.9GHz；336MB缓
存；8通道DDR5-
6400/MRDIMM-8800；88
条PCIe 5.0；AMX
英伟达B300集成Xeon
6776P，基于PCT技
术，能够动态对核心进
行优先级排序，更好的
处理AI负载
2025Q2发布
Xeon 6+
x86；Intel
18A
最高288核；12通道
DDR5；96条PCIe 5.0；
TDP最高450W
较Sierra Forest性能
+126%、能效比+55%
2026年6月Computex
推出
海光信息
新一代 C86 x86兼容架构
据媒体转述：最高128
核/512线程（SMT4）；
IPC较上代提升超15%；
104条PCIe 5.0；
AVX512
原生支持INT8和BF16
的AI加速
/
7000、5000、
3000系列
x86兼容架构
7000面向数据中心等高
端通用服务器；5000面
向通用服务器；3000面
向工作站与边缘计算
/ 已量产销售
禾盛新材
（熠知电子）
熠知电子
TF9000系列
Arm V9；异
构合封
较前代核心性能提升
30%、成本下降30%，内
存带宽、PCIe 5.0带宽
及内存总容量分别提升
200%、100%、300%。
性能全面对标NVIDIA
Grace系列
2026年1月发布
数据来源：AMD投资者关系，Phoronix，Intel，Digitalcitizen，Hothardware，熠知电子，金元证券研究所整理
2026年 11月 2日
19
四、风险提示
（1）Agent商业化与渗透率不及预期。若 Agent在任务执行能力、
可靠性及使用成本等方面的改善不及预期，可能影响个人及企业用户
的使用意愿和应用场景拓展，进而制约沙箱部署规模及CPU需求释放。
（2）沙箱资源复用效率提升。随着沙箱调度、休眠唤醒及资源复用
等技术持续优化，单位沙箱的实际物理CPU需求可能下降，部分抵消
Agent并发规模及任务执行量增长带来的硬件增量需求。
（3）Agent执行向本地端迁移。随着终端设备算力提升及本地 Agent
技术成熟，部分代码执行、文件处理及浏览器操作等任务可能由云端
转向本地，降低云端沙箱部署需求，进而影响沙箱对于 CPU增量需求。
2026年 11月 2日
20
金元证券股票投资评级标准：
买入：预期未来6个月内股价收益率超越沪深300指数的涨跌幅15%以上；
增持：预期未来6个月内股价收益率超越沪深300指数的涨跌幅5%～15%；
中性：预期未来6个月内股价收益率相对沪深300指数涨跌幅差异在-5%～+5%之间；
减持：预期未来6个月内股价收益率弱于沪深300指数的涨跌幅5%以上。
金元证券行业投资评级标准：
强于大市：预期行业相关指数在未来6个月内超越沪深300指数表现；
中性：预期行业相关指数在未来6个月内基本与沪深300指数表现持平；
弱于大市：预期行业相关指数在未来6个月内明显弱于沪深300指数表现。
金元证券机构销售负责人：詹宝强
电子邮件：zhanbq@jyzq.cn
2026年 11月 2日
21
免责声明
本报告由金元证券股份有限公司（已具备中国证监会批复的证券投资咨询业务资格）制作。
本报告所载资料的来源及观点的出处皆被金元证券认为可靠，但金元证券不保证其准确性或完
整性。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，
在任何时候均不构成对任何人的个人推荐。投资者应当对本报告中的信息和意见进行独立评估，
并应同时考量各自的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方
面咨询专业财务顾问的意见。对依据或者使用本报告所造成的一切后果，金元证券及/或其关联
人员均不承担任何法律责任。投资者需自主作出投资决策并自行承担投资风险，任何形式的分
享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。
本报告所载的信息、材料或分析工具仅提供给阁下作参考用，不是也不应被视为出售、购
买或认购证券或其他金融工具的要约或要约邀请。该等信息、材料及预测无需通知即可随时更
改。过往的表现亦不应作为日后表现的预示和担保。在不同时期，金元证券可能会发出与本报
告所载意见、评估及预测不一致的研究报告。
金元证券的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同
的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。金元证券
没有将此意见及建议向报告所有接收者进行更新的义务。金元证券的自营部门以及其他投资业
务部门可能独立做出与本报告中的意见或建议不一致的投资决策。
在法律许可的情况下，金元证券可能会持有本报告中提及公司所发行的证券头寸并进行交
易，也可能为这些公司提供或争取提供投资银行业务服务。因此，投资者应当考虑到金元证券
及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投
资或其他决定的唯一信赖依据。
本报告的版权仅为金元证券所有，未经书面许可任何机构和个人不得以任何形式转发、翻
版、复制、刊登、发表或引用。