技术迭代的加速正将企业软件行业推向一场深刻的重塑，单纯的产品功能堆砌已难以构筑竞争壁垒，企业面临的是从技术架构到服务能力的全方位转型压力。 如何在模型快速更迭的时代沉淀核心资产，并重构适应AI时代的组织，成为企业亟需破解的关键命题。 在此背景下，爱分析与蓝凌董事长杨健伟展开深度对话。作为长期深耕企业数字化与知识管理赛道的资深实践者，杨健伟不仅带领蓝凌完成了自身的AI架构升级，更通过服务数千家大型企业的经验，洞察到AI助力组织进化的深层逻辑。 本次访谈将围绕企业如何构建可持续的记忆体系，以及软件厂商在大模型时代的生存法则展开。 核心观点： 企业软件厂商的产品迭代节奏必须变快。AI编程和智能体能力正在快速成熟，几百万行代码级别的平台已可通过AI完成，这直接冲击了软件公司过去依靠代码沉淀形成竞争力的逻辑。 模型会变，但企业长期沉淀的是数据、知识、流程和记忆。企业不应把AI基础能力绑定在某一个模型上，而应从企业架构出发，推导数据架构，把知识、业务数据和智能体记忆统一纳入治理体系。 软件公司没有永恒的护城河，真正的壁垒只有两个：学习创新的速度和生存韧性。谁能更快看到新技术、学会新能力、完成试验、产品化并交付给客户，谁就有机会在新一轮竞争中跑出来。 以下为本次对话实录，在不改变原意基础上略有修改。 01 AI加速企业软件重构 爱分析：最近半年，您在智能体行业观察到了哪些新的变化？ 杨健伟：最大的变化是，技术变化和迭代速度太快了，快到传统软件公司的节奏已经跟不上。 去年10月、11月，我们还不敢确定，一套老的平台能不能完全用AI编程搞定。但到春节前后，行业里已经出现了一个300万行代码的产品平台，完全通过AI编程完成。这件事带来的冲击很大，因为几百万行代码，已经相当于一个核心企业软件模块的体量。 过去我们认为，写代码、沉淀代码，是软件公司的重要竞争力。但现在，AI并不是一个技术出来之后就

在工业智能化进入深水区、大模型重塑各行各业的背景下，工业智能体正在从辅助提效向生产控制的深层进化。 作为一家国内工业SaaS厂商，蘑菇物联率先开启了All in AI战略转型，创始人兼CEO沈国辉正带领公司经历一场从提供软件到提供能源托管的范式变革。 沈国辉拥有深厚的离散型制造管理经验，自2016年切入工业AIoT赛道至今，持续推动“工业真AI”在能源管控领域的落地实践。 本次访谈，爱分析与沈国辉深度探讨了未来智慧工厂形态、AI如何赋能公辅车间场景、工业软件厂商未来出路等话题。 核心观点： AI驱动公辅能源全托管：通过大小模型协同的云智控技术，蘑菇物联正推动空压站、制冷站等公辅能源车间的无人化运营，实现从卖软件到卖能源托管的商业模式重构。 工业软件的出路是服务化：单纯卖软件在AI时代将越发艰难，工业企业的付费意愿更倾向于可见价值，能源托管模式将节能收益与无人值守价值打包，破解传统工业软件盈利困局。 未来工厂公共车间都会走向全托管模式：公共能源车间，如压缩空气、冷冻水等，将如电力一样走向外包化，AI承担控制、诊断、巡检等标准化工作，人类聚焦于无法被替代的维修、保养等柔性任务。 01 从提供软件到提供能源托管的模式升级 爱分析：蘑菇物联提出“All in AI”之后，技术产品、商业模式上会发生哪些变化？ 沈国辉：首先说技术产品。当前大家更多是用AI去做报表、生成文档，这个本来就是大模型擅长的，C端已经普及。工业场景最敏感的是控制，其次是配方，这两点是我们核心关注的场景。 我们从2020年开始做AI控制，用AI参与车间控制，包括空压站、制冷站、锅炉房、水泵房等，这些车间产生的不是直接产品。 以汽车厂为例，直接产品是汽车，但生产过程离不开压缩空气、冷冻水、蒸汽和循环水。这些车间统称为公辅能源车间，是公共辅助的供能车间。 我们从2020年开始使用马尔科夫过程、LSTM等强化学习、深度

今年以来，基础模型的竞争不再停留在多模态、Coding等单点能力上，而是转移至Agent的全面比拼。基础模型吞噬通用Agent的趋势不可避免，Agent厂商还有哪些竞争壁垒？企业服务行业，以及企业组织本身将发生哪些变化？ 01 Agent自我进化重构商业模式 Agent定义始于2023年，Planning、Memory、Tools、Action成为标准框架。但今天，这四个模块发生了根本变化。 图1：自主智能体架构 Planning正在从固定流程，变成边走边看的动态探索。拖拉拽式的流程编排成为过去式，现在的Agent开始面对真实世界，目标明确，但路径不明确。它会不断试错、观察环境、修正路线。 Memory也不再只是上下文记忆。过去的记忆，本质是为了保证对话连续性。现在开始探索形成层级结构。Agent会记住任务状态，记住用户偏好，记住自己的角色，甚至记录与理解企业规则与组织文化。记忆从超长的缓存，变成长期的认知。 Tools同样发生了变化。过去只是调用计算器、搜索、API，现在开始形成Skill体系。Skill不只是工具，而是经验、流程、Knowhow的封装。同时，模型所具备的超强Coding能力，可以使得Agent为自己创建大量需要临时调用的工具。 Action也不再是单次动作执行，而是形成长期反馈闭环。Agent会持续观察结果，持续修正行为，持续优化路径。 图2：Agent各模块变化 四个模块共同变化，本质上是在让Agent从工具变成可成长的系统。 过去，企业购买的是软件功能，为此支付订阅费、授权费或者调用费。在Agent时代，企业购买的是Agent持续进化能力，为此支付对应的token费用。 过去，token是调用成本，未来，token是Agent进化的基础资源。Agent进化越快，token消耗量越大，厂商收入越高。这使得厂商能够跟随客户一起成长，大幅改善既往低客单、低

龙虾可以像员工一样工作，它会自己调用工具、规划任务、寻找文件，甚至能在不断试错中完成交付。在当前这一波养龙虾热潮下，企业面临新的挑战：如何让龙虾真正进入业务流程？如何控制快速膨胀的Token成本？ 在此背景下，爱分析与 360 亿方智能 CEO 彭际华进行了一场深度对话。作为长期聚焦企业知识与 AI 工程化落地的厂商，360 亿方智能正在围绕 AgentFS、企业记忆、Skill、Knowledge Hub 等方向展开实践。其核心产品理念是：让知识成为生产力。本次对话重点讨论了记忆的价值、Skill 如何在企业落地、多 Agent 协同如何进入真实业务流程等问题。 核心观点： 大模型决定 Agent 的能力上限，知识上下文决定 Agent 的能力下限。模型解决“能不能做”的问题，企业 Context 解决“能不能稳定做好”的问题。没有业务上下文，Agent 再聪明，也只是一个不懂企业的新员工。 企业 AI 不缺模型，缺可执行的业务上下文。业务规则、流程标准、审批习惯、交付要求、专家判断、历史经验，这些才决定 Agent 能不能进入真实工作流。 未来的知识库不是文件仓库，而是面向 Agent 的组织记忆系统。知识不再只是文档，还包括会议记录、任务过程、专家判断、业务规则、Agent 执行轨迹和可复用 Skill。 Skill 是隐性知识产品化的最小单位。未来写 Skill 的技术门槛会下降，真正稀缺的是能把业务经验结构化的人。专家知道“怎么做”，企业要把这种经验变成 Agent 可执行、可复用、可评估的规则和流程。 Agent 是脚手架，知识和 Skill 才是资产。模型越强，越会淘汰薄 Agent；但模型越强，也越会放大私域知识、业务规则和工程化治理的价值。 人和硅基员工协作不能靠潜规则。企业 AI 的终局，不是每人一个聊天机器人，而是每个组织拥有一批懂业务、能协

AI正在深刻重塑软件行业，从交互方式与产品架构，再到商业模式，都面临重构。然而，企查查却呈现出独特的韧性，其业务增长并未受到冲击，反而持续保持高增长。 作为数据服务商，企查查缘何能够穿越周期？其真正的壁垒是什么？ 为此，我们与企查查创始人陈德强进行了一次深入对话。陈德强在访谈中系统阐述了企查查在AI产业链中的重新定位，商业模式演进以及穿越技术周期的根本逻辑。 核心观点： 战略定位向AI基础设施升级。企查查正从面向个人的查询工具转向Agent的数据基础设施提供商，核心是为AI提供实时、结构化的商业数据。 C端业务增长动力强劲。用户更重视数据可靠性，而非价格。企查查在价格提升层面，潜力依然很大。 B端业务坚持标准化产品。业务延伸至金融、制造等领域，不参与重实施项目。 数据是穿越周期的壁垒。数据服务商的核心价值来自于物理世界数据，这构成其穿越周期的根本壁垒。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 定位AI时代基础设施 爱分析：数据服务商在AI时代应该重新定位自己？ 陈德强：企查查的战略定位正在向AI时代的商业基础设施升级。 具体来说，我们正从过去面向C端的产品工具，转向成为Agent时代的商业底座。未来将更聚焦于把积累的数据资产转化为更智能的工具和场景解决方案。 爱分析：在国外，FactSet、IDC等数据终端应用会整合至AWS的AI服务中。在国内，数据服务商会采取同样的策略吗？数据服务商如何定位与基础模型的关系？ 陈德强：我们与基础模型是上下游关系，我们是数据上游。 十年前做企查查时，市场主体信息分散、滞后，我们做了结构化、实体化、可搜索，变成人人可查的入口。现在发生了根本变化，查询者变成了AI Agent，未来使用数据的可能不再是“人”，而是AI。我们的角色从直接to C的产品，转向为AI提供数据的上游。 过去用户查企业需要打开应用、点标签、复制信

Agent正在以前所未有的速度重塑企业软件。过去依赖菜单、流程和定制开发的软件模式开始被改写，企业软件市场进入新一轮重构周期。对甲方企业和软件厂商而言，真正的挑战在于如何在落地价值与合规安全之间找到新的平衡点。 在此背景下，爱分析与金智维创始人廖万里进行了一场深度对话。作为国内较早布局企业智能体的厂商，金智维正通过AI规划、RPA执行的方式，将智能体真正转化为企业里的数字员工。 本次访谈重点讨论了Agent对企业软件的影响、Skill范式转型、AI与RPA分工等问题。 核心观点： OpenClaw并没有削弱企业软件壁垒，反而让行业Know-how变得更值钱。企业真正需要的不是聊天机器人，而是能嵌入业务流程、理解监管规则、稳定执行任务的数字员工。 Skill本质上是在重构企业知识沉淀方式。过去沉淀的是模板和代码，未来沉淀的是可调用、可组合、可复用的Skill能力。 AI负责规划，RPA负责执行，正在成为企业Agent落地最现实的路径。大模型已经基本解决规划问题，企业真正缺的是执行能力。AI在复杂企业系统里的稳定执行需要长期积累的RPA原子化能力。 企业最大的风险不是技术落后，而是盲目重建一切。 基础模型迭代极快，企业如果盲目追逐热点，投入很容易打水漂。企业的核心精力应放在数据治理、知识资产和业务规则的沉淀上。 01 OpenClaw没有颠覆软件，反而让Know-how更值钱 爱分析：过去，企业软件核心壁垒是行业Know-how、交付等能力。随着AI能力增强，这些壁垒会发生什么变化？ 廖万里：企业软件正演化为企业级智能体。智能体必须嵌入企业内部业务流程，因此行业Know-how会变得更重要。比如金融行业，我们这些年积累了数以千计的业务流程模板。这些模板背后，其实不是简单的流程图，而是金融机构长期运行下来的业务规则、监管要求、审批逻辑、合规边界。我们的企业级智

企业正加速押注智能体平台，但问题也随之浮现：投入在增加，焦虑在放大，ROI始终难以说清。 在此背景下，爱分析与述信科技创始人彭圣才展开深度对话。述信深耕头部消费企业，累计交付200+项目，长期处在“业务一线+复杂交付+AI落地”的交汇点，对企业究竟该投入什么、能力如何沉淀，有更贴近现实的观察。 本次访谈重点讨论几个核心问题：AI焦虑的本质、企业应对路径、服务价值重估与人效跃迁等。 访谈核心观点如下： “会不会用AI”不会成为个体之间的差距。当前的AI焦虑，本质上来自产品尚不成熟、复杂度被转移给用户。一旦产品能力完善，提示词工程等门槛会被消弭，个体之间不会因此形成长期壁垒。 企业应对AI的不确定性，核心是三件事：守住不变、局部试错、建立AI感。通过持续的AI项目落地，让组织逐步形成AI感，而不必纠结于单一项目ROI。 AI服务将成为主流。人效被指数级放大，服务具备规模化能力。AI让原本依赖顶尖人才的工作被大幅简化，普通人也能在体系与工具支撑下交付高质量结果。服务不再只是人天生意，而是可以规模化复制的能力体系。 企业竞争的核心正在从人转向Know-how的持续沉淀。模型会不断吃掉通用能力，但与业务深度绑定的经验、规则与隐性知识，会持续沉淀形成壁垒。真正的护城河，不是模型能力，而是被结构化、可复用的Know-how体系。 01 建立“组织AI感”比学提示词和量化ROI更重要 爱分析：你怎么理解智能体平台的价值？ 彭圣才：智能体平台核心价值在于将提示词、上下文等复杂工程封装成标准化产品，让终端用户快速达成业务目标。 如今，有很多企业在培训怎么写提示词。其实，用户不应该去学习提示词工程。这些复杂度本应该由我们做产品的人去消化掉。我们要做的是把这些能力封装成一个体验足够好的产品，让用户只需要表达自己的目标就可以了。 从这个角度看，智能体平台就是模型之上的一层应用基础设施。未来

随着OpenClaw等Agent应用爆火，工业智能体市场正迎来认知转变和落地机遇。 长期以来，制造业面临IT系统碎片化、个性化生产困难等痛点，智能体技术的自主规划执行能力，有机会帮助企业打破数据孤岛、实现决策自动化，推动柔性制造转型。在“人工智能+制造”等政策支持下，工业企业对智能体的接受度大幅提升，市场落地热情高涨，前景广阔。 诺谛智能脱胎于联想集团，是以知识驱动的人工智能技术服务商，致力实现AI应用务实且卓越的落地效果。诺谛智能依托联想生态，在数据闭环、工业知识沉淀和复杂场景落地方面积累了丰富实践。 诺谛智能创始人兼CEO胡长建拥有深厚的制造业数智化转型经验，他结合诺谛智能多年的ToB落地实践，对工业智能体的认知转变、实际落地路径、未来工厂形态以及AI时代的竞争壁垒有着务实而深刻的见解。 胡长建博士在访谈中系统阐述了工业智能体落地的现状、挑战与未来图景。 核心观点： 工业存在通用智能体机会，但实施方案是个性化的。底层模型和技术架构是通用的，但每个企业的记忆、知识沉淀、数字化程度不同，最终落地方式会有差别。 未来工厂或将由智能体托管，实现决策自动化。决策自动化与现有执行自动化结合，实现一次一件的大规模客制化生产，工厂生产模式或将会发生根本性变革。 AI时代护城河是数据壁垒与系统化组织能力。数据不更新的软件工具迁移成本很低，没有壁垒。大型制造企业独有的复杂、结构化能力，将转化为AI时代系统化组织能力，成为企业的核心竞争力。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 OpenClaw让工业企业对智能体的认知改变 爱分析：OpenClaw对工业Agent市场产生了哪些影响？ 胡长建：最大变化是认知转变，让更多工业企业更容易接受Agent。过去企业和我们讨论Agent落地，会觉得系统集成很复杂，现在企业觉得这件事技术上是可行的，不需要反复论证。 尽管对于有大量碎片化

作为深耕数据分析多年的厂商，慧辰凭借数据基因，敏锐捕捉到了GEO这一新机会。慧辰选择以“数据监测”为切入点，在两个月内快速推出产品ImpetaAl，成功卡位这一新兴赛道。 我们与慧辰GEO产品负责人黄鸣进行了深度访谈，围绕慧辰切入GEO市场的逻辑、其数据监测产品的定位、商业化进展、行业竞争格局，以及未来核心趋势等关键议题展开，揭示了GEO市场的当前生态与演进路径。 核心观点 GEO市场格局长期将保持分散，多元类型厂商并存。未来GEO市场将呈现多元格局，原生GEO公司、垂直领域深耕者、出海服务商、底层工具供应商等各类厂商将长期并存。 GEO未来将与私域融合。GEO是新的公域渠道，与品牌私域会员体系打通，可以实现营销闭环。这些变化将深刻影响甲方的投入决策和GEO的玩法演进。 提示词作用将减弱，GEO玩法面临根本性变革。随着AI助理变得更主动、更了解用户偏好，未来需要用户主动输入的提示词会减少。这可能导致GEO优化目标与方式发生巨大变化。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 凭借数据基因，快速卡位GEO新赛道 爱分析：慧辰如何选定从数据监测角度切入GEO市场？ 黄鸣：我们是去年8月份注意到GEO这个机会的。因为我们是做数据出身，当时判断切入这个新领域最合适我们的就是做数据监测。它既是我们的技术积累所在，也能作为一个很直观的切入点。 所以到了去年底，我们正式投入精力去研发这个产品ImpetaAI，大约两个月产品就上线了。上线后通过公众号做了些发布，就吸引来了很多用户。客户下单很快，这有点出乎我的意料。 爱分析：第一批客户是老客户？ 黄鸣：其实新客户比较多。新客户基本上是自然流量来的，这说明市场确实存在真实需求。 爱分析：产品命名为ImpetaAI有什么含义吗？ 黄鸣：Impeta是小语种词汇，意思是“答复”。因为我们监测的核心就是AI的答复数据，所以就叫答复的A

2026年OpenClaw等智能体爆火，大幅拉高企业用户对Agent的期待。企业用户认为Agent已不再局限于简单对话或单一任务，而是能够真正理解业务、自主执行复杂流程，并产出可信结果。 在这一浪潮中，Data Agent正成为最受关注的细分赛道，不再是传统BI工具的升级ChatBI，而是能够像专业数据工程师一样，自主完成数据采集、治理、分析、洞察生成全链路任务的核心生产力。 然而，在资本与市场热情聚焦于洞察决策等Agent应用时，一个被长期忽视的关键事实逐渐浮出水面。没有高质量、可信的底层数据治理，任何上层Agent都无法达成令人满意的效果。数据治理正成为决定Data Agent成败的关键。 01 Data Agent崛起，治理层价值被忽视 Data Agent是专门用于数据领域的 AI 智能体，能够像数字员工一样，自主执行数据相关全链路任务，包括数据采集汇聚、清洗转换、分析加工、洞察生成，并调用外部工具完成端到端工作。 与过往ChatBI等应用不同，Data Agent具备自主规划与反思迭代、工具调用与多步推理能力、端到端任务闭环执行等核心特征，既可以与人类协同，也可以独立完成数据场景相关工作。 基于数据价值链，Data Agent可以分成治理层、加工层和决策层三层架构。治理层是数据工程师主导，负责将原始、分散、脏乱的数据转化为高质量、可信的数据资源。加工层是数据科学家与分析师主导，负责构建指标、标签、模型等深加工产出。决策层是业务用户与行业应用主导，负责基于加工结果做出业务决策或行动。 当前市场普遍将决策层视为价值最高，因为决策层是业务直接可见、价值度最容易显现，大量预算和资本投入到决策层Agent产品。但在实际落地时，决策层Agent产品往往因为缺乏高质量数据，只能回答简单场景问题，实际效果难以让企业用户满意。 相反，治理层虽工作隐形、价值难量化

2026年4月16日，爱分析正式发布《2026爱分析·企业级智能体应用开发平台产品测评报告》。 该报告基于真实业务场景，对阿里云百炼、百度智能云千帆、腾讯云智能体开发平台(ADP)、Dify、火山引擎HiAgent、蓝凌智能LanBots.AI智能业务中台等主流产品进行了系统、深度的横向测评，旨在为企业在智能化升级的关键选型中提供客观、可靠的决策参考。 图表 1 2026企业级智能体开发平台竞争象限 一、测评核心发现：从“可用”到“可控”与“好用”的演进 本次测评围绕“公司制度问答”、“市场调研报告生成”、“工业设备运行预警”三大典型企业场景展开，从业务应用能力、知识治理能力、安全合规能力、交付落地能力四个维度，对九大主流平台进行了全面评估。 测评结果显示，当前企业级智能体开发平台已普遍跨越“技术可用”的门槛，但在高严谨、高约束的业务场景中，结果的“可控性”与“可靠性”仍是普遍短板。同时，知识治理能力作为决定智能体输出质量的基石，以及交付与服务能力作为影响规模化落地效率的关键变量，其重要性日益凸显，成为区分平台能力的关键分水岭。 二、给企业的四大核心建议 1、从“可用”到“可控”，是当前平台演进的核心命题。 当前多数平台已具备基础应用能力，在知识问答与内容生成等场景中实现“可用”；但在工业预警等高约束场景中，结果可控性仍存在明显短板。建议企业选型时在PoC阶段引入高约束测试用例，提前验证平台在关键场景下的可靠性。 2、功能完备度不等同于落地效果，需结合自身实际需求选择。 测评结果显示，功能体系完善的平台在通用能力上具备优势，但在具体业务场景中的表现仍依赖调优与适配；而部分业务导向平台虽功能相对聚焦，但在特定场景中更具可用性。企业应基于自身实际需求，优先选择匹配度高的平台，不建议单纯追求功能全面。 卓越者象限适用于对平台能力完整性与规模化落地有较高要求的企业； 破局

序言 作为“十五五“规划的开局之年，2026年已成为央国企响应两会”人工智能全方位赋能新质生产力“号召，实现从数字化建设向全面智能化跃迁的关键分水岭。 当前，央国企在人工智能领域的落地已脱离了单纯的科技创新驱动，转而进入以业务价值为导向的深水区。从早期的行政办公辅助到如今的设备运维、生产调度、研发设计等极端复杂场景，AI Agent正逐步演变为企业的核心数字生产力。 本报告将基于爱分析2025-2026年针对近百家央国企的调研数据，系统性分析央国企Agent的落地进展、应用场景、预算投入、供应商选型及未来趋势。 一、央国企Agent落地阶段：从观望到行动集体加速 根据爱分析的调研，2026年央国企在Agent落地上表现出显著的加速效应，央国企已集体进入“大规模试点+小范围推广”阶段。 2025年，超过半数的企业仍处于探索可研阶段，侧重于论证技术的可行性，而到2026年，只有25%的企业还处于探索可研。“试点速赢”阶段的企业比例从29%激增至56%，这标志着大部分央国企Agent应用已完成了从技术验证到生产环境的初步迁移。 这种快速迁移的核心源于政策的强力推行。2025年8月的《“人工智能+”专项行动》政策，2026年初国资委AI+”专项行动深化部署会，都对央国企Agent落地提出明确目标和要求。这种自上而下的行政推力，迫使央国企在制定“十五五”规划时，必须将人工智能作为重点布局方向。 在落地方式上，央国企在架构选型上普遍遵循“1个算力底座 + 1个专属大模型 + N个智能体应用”的建设思路。集团公司通常负责基础设施建设，如中国石油的塔里木油田万卡级智算中心、中国移动在全球布局的智算节点等。这种集中统建确保了算力的自主可控和模型基座的安全性，而具体的Agent应用则由二三级单位根据生产实际自行落地，形成了“底座共用、场景自治”的落地思路。 二、央国企Agent落地目的：降本增

过去两年，企业智能体平台快速兴起。大厂、软件厂商、创业公司都在推出以低代码为核心的平台，用于构建智能体应用。但随着OpenClaw的出现，一个更深层的变化正在发生：智能体不再只是工具，而开始具备执行端到端全流程工作的能力。 当智能体能够理解任务、拆解步骤并操作软件时，它的角色已经从辅助工具转变为数字员工。而一旦企业开始部署数字员工，原有的企业智能体平台也将随之发生变化。平台不再只是应用开发工具，而正在演化为一种新的基础设施：数字员工操作系统。这意味着，企业智能体平台的技术架构、产品设计以及商业模式都将迎来系统性的重构。 图：OpenClaw三重影响 一、OpenClaw正在改变智能体平台的技术架构 过去企业构建智能体应用时，大多采用云端优先的架构。模型推理、任务规划以及应用逻辑主要运行在私有云端。在这种模式下，本地环境更多只是执行终端，而智能体的核心能力集中在云端。 OpenClaw则体现出一种完全不同的设计思路。本地环境成为智能体运行的核心节点，系统优先利用本地权限、本地软件以及本地知识完成任务，当需要复杂推理能力时，再按需调用云端模型。 这种本地优先架构带来了两个直接变化，都推动着智能体能够执行端到端的长程任务。首先，企业系统之间的连接不再拘泥于API一条路线，智能体能够通过本地电脑直接操作企业软件。其次，智能体的工具组件库大幅扩展，从云端的MCP、Skills，扩展到本地电脑端的所有软件应用、以及本地化的Skills。 图：OpenClaw本地优先架构使智能体能够执行长程任务 从架构角度看，这意味着智能体平台的运行中心正在从云端逐渐向本地终端迁移。本地执行与云端推理的协同模式，正在成为新一代智能体平台的重要设计方向。 二、智能体平台正在演化为数字员工操作系统 如果从计算机操作系统的视角观察，可以更清晰地理解这一变化。操作系统的部分核心职责，是管理任务执行、数据存储以及

在VUCA时代，业务快速发展和市场竞争加剧，很多中大型企业用户的人力资源管理呈现出专业化、精细化趋势。中大型企业往往拥有多个事业部、跨地区分支机构。人力资源管理既要满足集团统一管控要求，又要适应不同业务场景的人力资源需求。 这些企业用户过往主要会采购SAP、Oracle等国外厂商成熟人力资源管理系统，参考行业最佳实践。但出于业务发展和保持独特竞争优势的目的，这些企业会在行业最佳实践基础上延伸出个性化需求，国外厂商系统不管从服务敏捷度还是建设成本上，都无法匹配这些企业用户的需求。 在信创政策与业务变革的双重驱动下，将HR数字化系统切换为更懂中国企业、更具弹性的国产方案已是大势所趋，这给国内HR数字化厂商带来新的发展机遇。 机遇与挑战并存。这些企业重视人力资源管理专业化和精细化，对HR数字化厂商选型提出高标准要求。 产品能力上，HR数字化厂商必须是一体化架构，才能支持集团统一管理。同时，为了适配不同业务单元需求，产品一定要兼具弹性架构和快速迭代应用能力。交付能力上，企业既要参考行业最佳实践，又要结合独特管理理念，HR数字化厂商必须具备个性化交付能力。 在这场本土化数字转型的浪潮中，作为国内HR数字化领域的代表性力量，稳赢云正是凭借对中大型企业管理逻辑的深刻洞察，构建了“产品+交付”的双轮驱动体系。 通过底层一体化架构产品设计，兼具弹性架构和AI赋能的低代码平台，以及源自全球头部厂商背景的顾问式交付团队，稳赢云不仅解决了中车株洲所、龙湖集团、众安保险、兆芯等行业巨头的国产替代难题，更助其实现了管理效能的质变。 01 一体化架构，支撑中大型企业复杂人力资源管理需求 中大型企业对一体化架构的需求，并非只是为了功能全面，其深层逻辑在于支撑集团化管控的复杂性、数据驱动决策的精准性。 第一是支撑集团化管控复杂性。 中大型企业往往面临跨地域、跨业态、多层级的管理挑战，非一体化系统会

序言 随着全球AI浪潮步入应用落地期，AIDC已成为资本市场关注的核心赛道。本报告主要面向关注AI产业的投资人，旨在通过深入研究，解决投资人在该领域的核心诉求。 首先，报告系统界定北京AIDC零售市场的战略价值，论证其相比批发模式在盈利弹性与抗风险能力上的显著优势。 其次，构建量化评价模型，厘清在资源准入门槛极高的北京市场，哪些厂商具备真正的增长动能与行业深耕能力。 以期报告可以解读重要厂商的长期竞争壁垒，为投资人提供价值判断。 第一章：算力红利新纪元，北京AIDC零售服务市场的崛起与核心价值 随着AI技术持续掀起全球热潮，AIDC已是投资人关注的核心赛道之一。在本章中，我们将系统定义北京AIDC零售服务市场，并深度解析这一赛道为何在当前算力爆发的背景下，具备极高的投资确定性与商业稀缺性。 算力需求大爆发，千亿市场的黄金五年 当前，算力需求正经历爆发的黄金增长期。根据科智咨询统计，2025年中国AIDC市场规模将达到1,356亿元，并预计在2028年攀升至2,886亿元。这种高增长背后，是由需求、技术与政策三者共同驱动。 图1：中国智算中心市场规模 首先，增长的动力在于AI推理的下沉与普及。当AI开始渗透进消费者应用、金融风控、工业制造、政务服务等千行百业，大量长尾且碎片化的推理需求被激活。 其次，模型的迭代升级依然是算力需求的压舱石。目前，基础模型的研发仍处于万亿参数规模的军备竞赛阶段，这种对高性能算力资源近乎极致的渴求，为AIDC提供了稳定的基本盘。 最后，国家东数西算工程与各级地方智算中心规划的密集落地，从政策层面为算力基础设施的建设按下了快跑键。 选对赛道很重要，零售模式为什么比批发模式更赚钱？ 在AIDC这一赛道中，存在着批发与零售两种截然不同的商业逻辑。批发型厂商主要服务于互联网大厂，通过规模化换取微薄利润。然而，随着市场成熟，聚焦垂直行业、提供高附加值的零售模

2023年以来，生成式AI（GenAI）如同这一轮科技周期的“蒸汽机”，让全球企业陷入了兴奋与焦虑交织的“iPhone时刻”。然而，当大模型的浪潮拍打到工业领域的坚硬岩石上时，许多人发现：ChatGPT能写出优美的诗歌，却很难直接读懂一台离心机的震动曲线；它能通过图灵测试，却无法在复杂的EMS系统中准确判断光伏场站功率下降到底是因为天气原因还是逆变器的故障，抑或是组件应该清洗。 工业AI落地，究竟难在哪里？在大洋彼岸，大数据独角兽Palantir凭借AIP（Artificial Intelligence Platform）实现了市值的狂飙，验证了一条“数据底座+AI平台”的成功路径。而在中国，谁能复刻甚至超越这一模式？ 近期，爱分析深入调研了中国工业数据智能领域的先行者——寄云科技。透过这家在工业赛道深耕十余年的企业，我们试图通过解构其产品逻辑与Palantir的异同，通过剖析其最新发布的Neu.AI工业智能体，来寻找中国工业数字化转型的下一块拼图。 一、 幻觉与现实：工业企业AI落地的“三座大山” 在与寄云科技团队的深度对话中，我们首先探讨的是一个行业共识性的痛点：为什么生成式AI在工业现场总是显得“水土不服”？ 寄云科技认为，工业场景的特殊性决定了通用大模型无法直接“开箱即用”。横亘在AI与工业价值落地之间的，是三座难以逾越的大山。 1. 私有化数据与“工业语义”的隔阂 “现在的通用大模型，就像一个基础素质超群的博士。你问它知识原理，它对答如流；但你把它扔到工厂车间，指着一台正在报警的压缩机问它‘这代表什么’，它大概率会产胡言乱语。” 寄云科技指出，工业现场的核心资产不是公开的互联网文本，而是私有的、实时的、高密度的工业多模态数据。 数据形态复杂：工业数据包含时序数据（传感器读数）、结构化数据（ERP订单）、半结构化数据（日志）以及非结构化数据（PID工艺图纸、CAD模

1、从“数字化”向“智能决策”跨越，装备制造供应链进入智能化关键阶段 在去全球化背景下，以汽车制造为代表的装备制造业供应链正经历着深刻的结构性调整。从全球化统一生产过渡到复合生产，供应链已不再是简单的线性物流，而是演变为涉及数千家供应商、多层级联动的复杂价值网络，供应商管理复杂度急剧提升。 以汽车制造为例，整个供应链涉及到数千家供应商，形成Tier I、Tier II、Tier III等多层级结构。制造企业和上游供应商的关系不仅是物料供应，还涉及到联合研发以提升产品价值。 1.1智能化是解决全球供应链复杂性的必经之路 全球复杂性、技术整合难度、市场竞争加剧等问题，导致当前供应链协同管理水平亟待提升，必须依靠以人工智能等技术手段，实现实时协作和智能决策。  尽管数字化已打下基础，但要真正实现效率飞跃，必须跨越到智能化阶段。装备制造供应链正处于从数字化向“数据驱动、智能决策”的智能化升级的关键时期。 1.2供应链协同管理主要痛点：数字化系统已触达效率瓶颈 企业普遍已部署了ERP、WMS、MES等数字化系统，完成了数据采集和初步数字化。但这些系统主要服务于企业内部，难以实现跨企业、多层级的深度互联与协同，导致供应链整体效率触及瓶颈，在数据协同、供应商协同、生产协同、业财协同等方面依然面临诸多挑战。 1.2.1  数据协同：数据孤岛与信息不透明 汽车供应链涉及数千个全球供应商部件，对少数关键供应商高度依赖，一旦中断会导致大规模生产停滞，严重影响产量。 但因为数据不统一、缺乏有效实时跟踪手段等问题， 从订单、设计、制造、物流到交付的全流程数据无法打通，形成“信息孤岛”，协同决策缺乏数据支持。 主机厂、Tier 1和Tier 2使用不同的IT系统（如ERP、MES、PLM），数据格式不统一，缺乏有效接口和共享平台，导致零部件设计数据与生产数据难以

序言 在中国企业级应用服务发展的数十年历程中，云大厂、模型大厂与垂直应用厂商之间曾维持着长期的生态平衡，双方以基础设施、业务应用为界，各司其职。然而，随着智能体时代的到来，这一传统边界正面临前所未有的冲击与重构。过去，由于大厂缺乏对knowhow的理解，其通用能力在深水区往往无所适从；但在智能体逻辑下，企业需求正从流程管理转向结果交付，基础模型对原始知识的直接利用能力也显著增强，这使得大厂得以跨越藩篱，直接切入应用层的核心价值地带。 本报告的核心受众为大厂及应用厂商的中高层决策者。报告旨在通过剖析智能体时代的越界逻辑，解决双方在业务变迁过程中的边界问题。我们将通过建立基于任务复杂度与知识复杂度的象限判定模型，提供一张清晰的风险地图，用以判断哪些应用处于大厂的延长线上，哪些应用仍能坚守护城河。 此外，本报告不仅是一份风险评估，更是一份行动指南。针对处于不同象限的应用场景，我们为应用厂商提供了突围策略；同时也为大厂建议了从直接进攻到生态赋能的进击边界。通过本报告的分析，我们期望推动大厂与应用厂商在新的智能体生态体系中实现利益绑定与能力互补，共同构筑智能化时代的产业新轮廓。 第一章 范式迁移：智能体时代大厂越界应用层的驱动逻辑 在中国企业级应用服务发展的数十年历程中，大厂与应用厂商之间始终存在着一条界限分明的楚河。少数的大厂聚焦于基础设施与通用平台，而应用层则是数以万计软件服务商的领地。然而智能体时代的到来，这条界线正在变得模糊。本章节重点剖析为何在此时此刻，大厂具备了跨越边界、深度介入应用层的能力，以及这种越界背后的商业逻辑重构。 行业Knowhow曾是应用厂商不可逾越的围墙 回顾过去数次技术浪潮，大厂即便在资本与技术上拥有压倒性优势，但在应用层鲜有成功案例。根源在于，应用层的核心壁垒是极其深厚的行业knowhow。行业knowhow由两个核心维度构成：对复杂业务流程的深刻理解