懂知識、能執(zhí)行，滴普科技選擇做更“Work”的Agent

WAIC 2026現(xiàn)場，滴普科技的展臺前圍滿了人。很多人是來自各自的企業(yè)代表，他們來不是看大模型聊天的，而是來看一個Agent（智能體）究竟是怎樣在企業(yè)里干活的。

這是一個基于Agent實(shí)現(xiàn)故障維修的工業(yè)場景片段：

當(dāng)輸入一條設(shè)備故障的線索后，系統(tǒng)并非簡單的檢索答案，而是基于企業(yè)已經(jīng)構(gòu)建好的知識模型，自主規(guī)劃出完整的故障排查路徑。先查什么數(shù)據(jù)、如何判斷、按照什么邏輯推進(jìn)，每一步都可追溯。如果你還想讓系統(tǒng)自動生成一段診斷代碼，或者調(diào)用模型生成一段操作視頻供技術(shù)員參考，也同樣可以，甚至未來還可能將維修方案直接對接給機(jī)器人執(zhí)行。

這個場景，恰好揭開了2026年企業(yè)級AI競爭焦點(diǎn)的冰山一角。當(dāng)Token越燒越貴成為業(yè)界共識時，更多的客戶開始追問：這些Token消耗，能否換來可交付的生產(chǎn)結(jié)果？

企業(yè)真正需要的，不是只會陪你聊天作答的AI，而是能執(zhí)行、可治理、且能夠?yàn)槠髽I(yè)結(jié)果負(fù)責(zé)的Agent能力。滴普科技近期升級的Deepexi企業(yè)本體大模型+DeepWorks企業(yè)智能體平臺，正是針對這一需求的直接回應(yīng)。

讀懂企業(yè)，先讀懂?dāng)?shù)據(jù)背后的“關(guān)系”

同樣還是以工業(yè)場景舉例。

走進(jìn)任何一家有一定體量的制造工廠的IT與數(shù)據(jù)分析部門，你會看到各種各樣的數(shù)據(jù)不斷產(chǎn)生：設(shè)備傳感器每秒吐出的振動頻譜、三維掃描儀生成的點(diǎn)云數(shù)據(jù)、CAD圖紙里的幾何參數(shù)、ERP系統(tǒng)里的訂單流轉(zhuǎn)數(shù)據(jù)，還有企業(yè)內(nèi)部日常辦公積累的大量工作數(shù)據(jù)……但問題是，這些數(shù)據(jù)之間缺乏統(tǒng)一的語義關(guān)聯(lián)和關(guān)系協(xié)作。

舉個例子，振動頻譜異常和軸承磨損之間有什么關(guān)系？溫度曲線漂移和光學(xué)元件老化為什么有關(guān)？這些知識藏在老技術(shù)員的腦子里，散落在一條條的流程日志和故障手冊里，還有不同系統(tǒng)里的一個個數(shù)據(jù)孤島。

AI不是看不懂?dāng)?shù)據(jù)，而是還沒看懂?dāng)?shù)據(jù)之間的關(guān)系。

“關(guān)系”為什么重要？在此之前，企業(yè)一定做過類似的事情：花了大力氣去做數(shù)據(jù)治理，建立數(shù)據(jù)和知識體系，然后訓(xùn)練AI，讓AI去理解工作流，或者讓大模型外掛一個RAG知識庫。走到這一步你會發(fā)現(xiàn)，這個數(shù)據(jù)體系永遠(yuǎn)是靜態(tài)或過時的，AI依然只能檢索已有的數(shù)據(jù)，依然回答不了你正在面臨的真實(shí)業(yè)務(wù)問題。因?yàn)樗冀K是給人看的，不是給機(jī)器用的。沒有AI的持續(xù)運(yùn)轉(zhuǎn)，知識的維護(hù)成本遠(yuǎn)大于使用收益，最終只能“沉睡”在文檔庫里。

滴普科技創(chuàng)始人趙杰輝有個很直白的理解：數(shù)據(jù)本身很重要，但原來的數(shù)據(jù)工具平臺和數(shù)據(jù)治理方法論在AI時代已經(jīng)不太適用了。企業(yè)需要的是能夠持續(xù)迭代和進(jìn)化的知識網(wǎng)絡(luò)，并且還需要形成知識網(wǎng)絡(luò)為核心的Skill組合方式。

這是本體大模型在做的事情。

滴普科技構(gòu)建的本體大模型，是給工廠建立了一套體系化的知識體系。不是把故障手冊掃描成PDF喂給AI，那樣AI只會檢索，不會推理。而是把維修這件事，變成一張活的知識網(wǎng)絡(luò)：故障現(xiàn)象、可能原因、排查步驟、所需工具、歷史案例、相關(guān)設(shè)備參數(shù)、關(guān)聯(lián)工藝節(jié)點(diǎn)。這些節(jié)點(diǎn)之間的關(guān)系，是AI真正讀懂工廠的關(guān)鍵。

區(qū)別在于，過去的知識圖譜是給人看的，而現(xiàn)在的知識圖譜是給Agent做的。Agent可以持續(xù)運(yùn)轉(zhuǎn)、持續(xù)迭代，知識體系也就自然能夠?qū)r值落地下去。

在某家激光裝備制造企業(yè)，這套知識網(wǎng)絡(luò)已經(jīng)建立起來了。從設(shè)備、工藝、老師傅的經(jīng)驗(yàn)，都源源不斷被編譯到一套口徑一致的知識網(wǎng)絡(luò)。當(dāng)技術(shù)員報(bào)出一個故障線索，部署在企業(yè)智能體平臺上的DeepSense工業(yè)智能體不是去文檔里搜關(guān)鍵詞，而是基于激光設(shè)備的本體知識網(wǎng)絡(luò)，做動態(tài)的長程任務(wù)規(guī)劃：排查傳感器、調(diào)出歷史案例、生成修復(fù)腳本，就像一個在車間里干了二十年的老師傅。

這家企業(yè)的試點(diǎn)數(shù)據(jù)驗(yàn)證了這套機(jī)制的價值：實(shí)現(xiàn)產(chǎn)能提升60%、效率提升3倍、故障復(fù)發(fā)率降低30%。

從固定工作流到動態(tài)Skills，8年攢下2000多個“手藝”

在與趙杰輝的交流中，他還反復(fù)提及了另一個關(guān)鍵詞：Skills。

什么是Skills？如果說知識網(wǎng)絡(luò)是AI的大腦，Skills就是AI的手，沒有Skills，AI智能看懂問題但做不了事情，有了Skills，AI可以把能力落地到具體的業(yè)務(wù)單元。

這也是滴普科技第一階段在做的事情：依靠固定工作流，人先把步驟設(shè)計(jì)好，模型按步驟執(zhí)行即可。這個過程，滴普科技花了8年時間、服務(wù)了400多家頭部客戶的基礎(chǔ)上，靠手工積累了2000多個覆蓋制造、消費(fèi)、公共事業(yè)等領(lǐng)域可以復(fù)用的原始Skills。

而現(xiàn)在這個階段則不再依靠工作流，變成了：瞄準(zhǔn)企業(yè)某個領(lǐng)域的知識體系，讓模型基于知識體系做動態(tài)任務(wù)規(guī)劃，而Skills則是這個規(guī)劃的執(zhí)行單元。

這意味著每一次服務(wù)客戶，滴普科技都會積累新的行業(yè)本體和Skills。積累越多，服務(wù)下一個同類客戶的邊際成本就越低，質(zhì)量就越高。

在Deepexi大模型上，承載的企業(yè)場景正在持續(xù)擴(kuò)展：從最初的設(shè)備維修，到如今更核心的生產(chǎn)工藝優(yōu)化，從工業(yè)領(lǐng)域逐步向更多行業(yè)滲透。

今年，滴普科技把這套能力進(jìn)行深度技術(shù)改造，并升級了產(chǎn)品體系：DeepexiOS AI級企業(yè)操作系統(tǒng)，定位為企業(yè)Token生產(chǎn)力平臺，將DeepWorks作為日常工作入口，Deepexi作為企業(yè)知識底座，Deepology作為高質(zhì)量數(shù)據(jù)與行業(yè)Skills集。

DeepWorks是企業(yè)員工每天打開的工作界面，但它不是又一個聊天機(jī)器人，它承載著企業(yè)級Agent的一整套工程化機(jī)制：Harness負(fù)責(zé)工具調(diào)用的策略檢查、隔離執(zhí)行、過程觀測和結(jié)果回灌；Loop支持多智能體分工、協(xié)同、復(fù)盤和持續(xù)執(zhí)行；知識中心、API、MCP、插件、審批流程則能夠讓AI能夠進(jìn)入企業(yè)真實(shí)業(yè)務(wù)流程，而不是停留在生成答案層面。

Deepexi是企業(yè)大模型，負(fù)責(zé)把日常工作數(shù)據(jù)轉(zhuǎn)換成本體范式的知識邏輯。先存在Foil模塊里，穩(wěn)定后通過后訓(xùn)練進(jìn)入模型權(quán)重，讓企業(yè)的活字典越用越厚，形成真正的企業(yè)知識底座。

Deepology是高質(zhì)量企業(yè)本體數(shù)據(jù)集和2000多個Skills的集合，也是滴普科技沉淀行業(yè)Know-how的關(guān)鍵底座。但這些Skills不是靜態(tài)的功能模塊，而是一個個最小的執(zhí)行單元。Deepology企業(yè)本體數(shù)據(jù)和Skills集的專家團(tuán)通常具備面向某個領(lǐng)域工作的基本初始配置，它們既包含任務(wù)方法、業(yè)務(wù)規(guī)則、工具接口，也承載特定場景下的專業(yè)判斷邏輯。基于Deepology，企業(yè)可以快速組建具備領(lǐng)域能力的AI專家團(tuán)，而不是從零訓(xùn)練一個“小白員工”。例如DeepSense生產(chǎn)制造Skills集、DataSense運(yùn)營決策Skills集、FDESense IT服務(wù)Skills集等。這些企業(yè)本體數(shù)據(jù)和Skills集共同構(gòu)成了AI員工進(jìn)入具體崗位前的基本初始配置。

趙杰輝說，滴普科技現(xiàn)在全球有20余個辦事處，每個辦事處只有3到5個FDE工程師，每年需要完成的年收入都在千萬以上。如果傳統(tǒng)To B服務(wù)的邏輯，三五個人肯定做不下來。但現(xiàn)如今，在滴普科技每個FDE的背后，都有一批Agent員工在支撐，從項(xiàng)目管理、解決方案，到數(shù)據(jù)治理、資料整理。

這其實(shí)就在說明，盡管FDE模式在很多人看來是耗費(fèi)人力必須做重的，但滴普科技已經(jīng)在通過自身實(shí)踐證明：將自身Agent化，不是讓Agent替代人，而是讓一個人帶著一群Agent，干原來十個人的活，放大這種生產(chǎn)效率。

往更多實(shí)用產(chǎn)業(yè)AI中去

如果說激光裝備制造企業(yè)的案例驗(yàn)證的是單個場景的深度價值，那么滴普科技面臨的更大挑戰(zhàn)，是如何把這種能力從一家頭部企業(yè)復(fù)制到更多行業(yè)、更多規(guī)模的企業(yè)中去。

在這方面，硅谷的Palantir用二十年時間證明，深度服務(wù)政府和大企業(yè)的數(shù)據(jù)加AI模式可以創(chuàng)造數(shù)千億美元價值。滴普科技在走一條相似但更艱難的路，中國企業(yè)更碎片化的需求、更嚴(yán)苛的成本意識，倒逼它必須找到更高效的規(guī)模化路徑。

從今年開始，DeepWorks開始逐步開啟云服務(wù)能力，與華為云合作，基于國產(chǎn)算力構(gòu)建部署能力。原來只有頭部企業(yè)才能享受的AI能力，現(xiàn)在中小企業(yè)在辦公協(xié)同、知識管理、代碼開發(fā)、業(yè)務(wù)運(yùn)營等場景里，也能低門檻使用。

從產(chǎn)業(yè)趨勢看，企業(yè)Agent服務(wù)正在從研發(fā)工具、辦公助手，逐步進(jìn)入組織協(xié)同和行業(yè)場景。如今，市面上已經(jīng)發(fā)布了一些產(chǎn)品，它們代表了不同入口的企業(yè)級Agent探索。能夠看到，與市面上不少從辦公助手、個人助理切入的Agent產(chǎn)品不同，DeepWorks的知識體系建立在企業(yè)現(xiàn)場的數(shù)據(jù)和業(yè)務(wù)邏輯之上，Skills形成于真實(shí)產(chǎn)線的反復(fù)驗(yàn)證。這種“從數(shù)據(jù)到知識再到執(zhí)行”的閉環(huán)，是它區(qū)別于通用型Agent產(chǎn)品的核心壁壘。

趙杰輝說，滴普科技希望基于DeepexiOS AI級企業(yè)操作系統(tǒng)的產(chǎn)品組合，在企業(yè)領(lǐng)域形成面向辦公協(xié)同、代碼能力、行業(yè)知識和深度業(yè)務(wù)任務(wù)的產(chǎn)業(yè)化Agent服務(wù)能力。可能對于滴普科技而言，今天在這一范式上的率先投入，也會轉(zhuǎn)化為其他玩家短期內(nèi)難以逾越的護(hù)城河。

伴隨Agent走進(jìn)千行百業(yè)，滴普科技要做的，就是讓Agent真正轉(zhuǎn)化為生產(chǎn)力，讓每一筆來自企業(yè)的Token投入，都換成可交付的生產(chǎn)結(jié)果。這恰恰是Agent實(shí)現(xiàn)ROI的關(guān)鍵路徑，也是企業(yè)推進(jìn)Agent落地的最后一公里。（本文首發(fā)于鈦媒體APP）