懂知識、能執行，滴普科技選擇做更“Work”的Agent

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

這是一個基于Agent實現故障維修的工業場景片段：

當輸入一條設備故障的線索后，系統并非簡單的檢索答案，而是基于企業已經構建好的知識模型，自主規劃出完整的故障排查路徑。先查什么數據、如何判斷、按照什么邏輯推進，每一步都可追溯。如果你還想讓系統自動生成一段診斷代碼，或者調用模型生成一段操作視頻供技術員參考，也同樣可以，甚至未來還可能將維修方案直接對接給機器人執行。

這個場景，恰好揭開了2026年企業級AI競爭焦點的冰山一角。當Token越燒越貴成為業界共識時，更多的客戶開始追問：這些Token消耗，能否換來可交付的生產結果？

企業真正需要的，不是只會陪你聊天作答的AI，而是能執行、可治理、且能夠為企業結果負責的Agent能力。滴普科技近期升級的Deepexi企業本體大模型+DeepWorks企業智能體平臺，正是針對這一需求的直接回應。

讀懂企業，先讀懂數據背后的“關系”

同樣還是以工業場景舉例。

走進任何一家有一定體量的制造工廠的IT與數據分析部門，你會看到各種各樣的數據不斷產生：設備傳感器每秒吐出的振動頻譜、三維掃描儀生成的點云數據、CAD圖紙里的幾何參數、ERP系統里的訂單流轉數據，還有企業內部日常辦公積累的大量工作數據……但問題是，這些數據之間缺乏統一的語義關聯和關系協作。

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

AI不是看不懂數據，而是還沒看懂數據之間的關系。

“關系”為什么重要？在此之前，企業一定做過類似的事情：花了大力氣去做數據治理，建立數據和知識體系，然后訓練AI，讓AI去理解工作流，或者讓大模型外掛一個RAG知識庫。走到這一步你會發現，這個數據體系永遠是靜態或過時的，AI依然只能檢索已有的數據，依然回答不了你正在面臨的真實業務問題。因為它始終是給人看的，不是給機器用的。沒有AI的持續運轉，知識的維護成本遠大于使用收益，最終只能“沉睡”在文檔庫里。

滴普科技創始人趙杰輝有個很直白的理解：數據本身很重要，但原來的數據工具平臺和數據治理方法論在AI時代已經不太適用了。企業需要的是能夠持續迭代和進化的知識網絡，并且還需要形成知識網絡為核心的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絡：故障現象、可能原因、排查步驟、所需工具、歷史案例、相關設備參數、關聯工藝節點。這些節點之間的關系，是AI真正讀懂工廠的關鍵。

區別在于，過去的知識圖譜是給人看的，而現在的知識圖譜是給Agent做的。Agent可以持續運轉、持續迭代，知識體系也就自然能夠將價值落地下去。

在某家激光裝備制造企業，這套知識網絡已經建立起來了。從設備、工藝、老師傅的經驗，都源源不斷被編譯到一套口徑一致的知識網絡。當技術員報出一個故障線索，部署在企業智能體平臺上的DeepSense工業智能體不是去文檔里搜關鍵詞，而是基于激光設備的本體知識網絡，做動態的長程任務規劃：排查傳感器、調出歷史案例、生成修復腳本，就像一個在車間里干了二十年的老師傅。

這家企業的試點數據驗證了這套機制的價值：實現產能提升60%、效率提升3倍、故障復發率降低30%。

從固定工作流到動態Skills，8年攢下2000多個“手藝”

在與趙杰輝的交流中，他還反復提及了另一個關鍵詞：Skills。

什么是Skills？如果說知識網絡是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務單元。

這也是滴普科技第一階段在做的事情：依靠固定工作流，人先把步驟設計好，模型按步驟執行即可。這個過程，滴普科技花了8年時間、服務了400多家頭部客戶的基礎上，靠手工積累了2000多個覆蓋制造、消費、公共事業等領域可以復用的原始Skills。

而現在這個階段則不再依靠工作流，變成了：瞄準企業某個領域的知識體系，讓模型基于知識體系做動態任務規劃，而Skills則是這個規劃的執行單元。

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

在Deepexi大模型上，承載的企業場景正在持續擴展：從最初的設備維修，到如今更核心的生產工藝優化，從工業領域逐步向更多行業滲透。

今年，滴普科技把這套能力進行深度技術改造，并升級了產品體系：DeepexiOS AI級企業操作系統，定位為企業Token生產力平臺，將DeepWorks作為日常工作入口，Deepexi作為企業知識底座，Deepology作為高質量數據與行業Skills集。

DeepWorks是企業員工每天打開的工作界面，但它不是又一個聊天機器人，它承載著企業級Agent的一整套工程化機制：Harness負責工具調用的策略檢查、隔離執行、過程觀測和結果回灌；Loop支持多智能體分工、協同、復盤和持續執行；知識中心、API、MCP、插件、審批流程則能夠讓AI能夠進入企業真實業務流程，而不是停留在生成答案層面。

Deepexi是企業大模型，負責把日常工作數據轉換成本體范式的知識邏輯。先存在Foil模塊里，穩定后通過后訓練進入模型權重，讓企業的活字典越用越厚，形成真正的企業知識底座。

Deepology是高質量企業本體數據集和2000多個Skills的集合，也是滴普科技沉淀行業Know-how的關鍵底座。但這些Skills不是靜態的功能模塊，而是一個個最小的執行單元。Deepology企業本體數據和Skills集的專家團通常具備面向某個領域工作的基本初始配置，它們既包含任務方法、業務規則、工具接口，也承載特定場景下的專業判斷邏輯。基于Deepology，企業可以快速組建具備領域能力的AI專家團，而不是從零訓練一個“小白員工”。例如DeepSense生產制造Skills集、DataSense運營決策Skills集、FDESense IT服務Skills集等。這些企業本體數據和Skills集共同構成了AI員工進入具體崗位前的基本初始配置。

趙杰輝說，滴普科技現在全球有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To B服務的邏輯，三五個人肯定做不下來。但現如今，在滴普科技每個FDE的背后，都有一批Agent員工在支撐，從項目管理、解決方案，到數據治理、資料整理。

這其實就在說明，盡管FDE模式在很多人看來是耗費人力必須做重的，但滴普科技已經在通過自身實踐證明：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，放大這種生產效率。

往更多實用產業AI中去

如果說激光裝備制造企業的案例驗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，是如何把這種能力從一家頭部企業復制到更多行業、更多規模的企業中去。

在這方面，硅谷的Palantir用二十年時間證明，深度服務政府和大企業的數據加AI模式可以創造數千億美元價值。滴普科技在走一條相似但更艱難的路，中國企業更碎片化的需求、更嚴苛的成本意識，倒逼它必須找到更高效的規模化路徑。

從今年開始，DeepWorks開始逐步開啟云服務能力，與華為云合作，基于國產算力構建部署能力。原來只有頭部企業才能享受的AI能力，現在中小企業在辦公協同、知識管理、代碼開發、業務運營等場景里，也能低門檻使用。

從產業趨勢看，企業Agent服務正在從研發工具、辦公助手，逐步進入組織協同和行業場景。如今，市面上已經發布了一些產品，它們代表了不同入口的企業級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產品不同，DeepWorks的知識體系建立在企業現場的數據和業務邏輯之上，Skills形成于真實產線的反復驗證。這種“從數據到知識再到執行”的閉環，是它區別于通用型Agent產品的核心壁壘。

趙杰輝說，滴普科技希望基于DeepexiOS AI級企業操作系統的產品組合，在企業領域形成面向辦公協同、代碼能力、行業知識和深度業務任務的產業化Agent服務能力。可能對于滴普科技而言，今天在這一范式上的率先投入，也會轉化為其他玩家短期內難以逾越的護城河。

伴隨Agent走進千行百業，滴普科技要做的，就是讓Agent真正轉化為生產力，讓每一筆來自企業的Token投入，都換成可交付的生產結果。這恰恰是Agent實現ROI的關鍵路徑，也是企業推進Agent落地的最后一公里。（本文首發于鈦媒體APP）