Agentic Enterprise：企业智能化白皮书

迈向智能世界系列CONTENTS第一章回到原点：企业智能化必须回答的问题1.1通用智能很强，业务价值没体现 041.2把问题倒过来：从业务问题出发，而非从技术能力出发 051.3价值为何没有兑现：从认知到行动的断点 061.4价值在哪里：沿着企业价值流进入财务科目 071.5以终为始：从结果倒推 09第二章DIMAK：企业级AI工程体系2.1快速演进的技术之上，构建可持续进化的企业智能 2.2数据工程（D）：锚定可信业务事实，形成任务数据服务 142.3AI基础设施工程（I）：保障智能任务稳定运行与持续恢复 162.4模型工程（M）：面向任务供给适配的模型能力 182.5智能体工程（A）：围绕企业任务组织和沉淀智能能力 202.6知识工程（K）：将企业知识转化为可信业务依据 222.7五域融合：打造企业专属智能 24第三章H型双塔：让AI融入业务生产运营3.1架构分工：确立AI体系与企业IT/OT体系的建设边界 273.2现网能力化：实现系统功能与数据的受控开放与调用 313.3可信联接：打通数据、指令、权限、执行与反馈通道 333.4协同进化：形成从持续感知、运行反馈到演进优化的循环 35第四章实践探索：走进真实行业应用4.1行业观察：AI正在进入更广泛的业务过程 394.2市场与客户实践：围绕客户目标重组服务与产品 414.2.1智能财富管理：从“客户找功能”到连续资金安排服务 414.2.2敏捷产品定义：从周期性调研到持续市场洞察 424.3研发与生产实践：将专业能力组织为连续任务 434.3.1创新药研发：从单点计算辅助到跨阶段智能协同 434.3.2材料化学研发：从分段工具到仿真与实验协同 444.4风险与可靠性实践：在明确边界内进入业务行动 454.4.1智能风控：从静态规则预警到综合穿透核查 454.4.2智能设备运检：从跨系统排查到全局状态评价 464.5规模化生产实践：从分散部署走向能力复用 474.5.1金融智能体平台：从分散试点到企业级生产运行 474.6实践启示：企业智能的未来正在不同产业中展开 48第五章企业之间：从第五章企业之间：从AgenticEnterprise迈向智能世界5.1行业上下游：从人工协调到智能体协同 515.2行业边界将被重构：是必然，是挑战，是机遇 525.3从AgenticEnterprise迈向智能世界 53第一章第一章企业智能化必须回答的问题1.11.1通用智能很强，业务价值没体现2026年，智能化已经成为企业技术议程的中心，基础模型的通用能力仍在快速跃升：推理更深入、上下文更长、工具调用更娴熟，从写作、编码到多步任务执行，演示效果不断刷新；越来越多大型企业正在建设智能体、接入大模型并扩充算力。但同样普遍的是另一番景象：预算会上，财务追问新增算力与模型支出对应哪个损益科目；战略会上，“接入了哪个最新模型、能力有多强、演示有多惊艳”说得清楚，“哪些收入因此增加、哪项成本因此下降”说不清楚；技术团队则夹在中间——一边是通用智能能力的指数级进步，一边是业务价值的长期沉默。这不是个别企业的困惑，很多企业给出了高度一致·大多数企业认为AI能力很强、飞速发展，并且确·但只有少数企业认为AI对企业EBIT产生了可识·真正认为AI给企业带来了显著贡献（超过个位数的EBIT改善）更少；·与此同时，相当比例的企业已受到AI运行成本的·大部分企业引入通用智能后，既未增收也未降·只有少数企业同时实现增收与降本，值得注意的是，这类企业更普遍地把AI嵌入产品、服务与客户这些内容属于企业自身口径，不能直接证明因果，但它们共同指向了一个无法回避的断层：AI已经产生了“通用能力收益”，却没有自动转化为企业级通用智能能力很强，企业业务价值没有体现。这是当前智能化进程中最核心的矛盾。从技术史看，这种断层并不陌生。蒸汽机、电力、计算机与互联网的价值，都不是在设备或软件购入时自动进入财报，而是在生产流程、组织分工与商业模式随之改变之后，才转化为真正的经营结果。新技术早期往往先提升个体能力，再重构组织流程，最后才改变财务结果和竞争格局。AI同样如此，今天的AI已在通用能力层面显著见效，并开始进入企业重构业务流程，但尚未在多数企业完成价04041.21.2把问题倒过来：从业务问题出发，而非从技术能力出发面对这一断层，常见的应对有两种：在技术规划之外补一份投资回报测算，或者等待技术进一步成熟。二者均不足以解决根本问题——前者把价值当作技术方案的附件，后者把价值当作时间的赠品。真正的终点只有一个，并且必须从一开始就说清楚：AI技术能否持续地、可归因地改善企业的收入、利润、现金流、风险与竞争地位，且改善幅度足以覆盖算力、模型、人才、集成与组织变革的全这个标准一旦确立，整套建设逻辑就应当倒转过来：不是“先建技术能力，再找业务场景，最后补算回报”，而是——从企业价值与竞争问题出发，识别必须以Agentic方式解决的业务闭环，再建设与之匹配的技术能力，最终完成财务兑现与竞争优技术架构不是AgenticEnterprise的目标，而是让企业价值机制得以运行的承载系统。要判断AgenticEnterprise是否值得投入，先要回答一个更根本的问题：它带来的经济价值，与传统IT、与预测式AI、与生成式AI助手，究竟有何不传统IT擅长自动执行预先定义的流程；预测式AI提升预测与分类的质量；生成式AI助手降低写作、检索、分析等认知任务的成本。而AgenticEnterprise试图更进一步——把过去必须由人完成的动态判断、异常协调、跨系统行动与结果追踪，也纳入可规模化的数字执行范围。因此，它的价值不是泛泛地讲“通用智能能力更第一，大规模定制：降低处理复杂性与长尾异常的边际成本。传统自动化只覆盖标准路径，复杂异常最终回到人。Agentic能力可根据情境动态组合知识、规则与工具，使过去因成本过高而放弃逐一处理的长尾客户、订单、设备与异常，进入持续处理范围。金融的长尾信贷审核、电力的长尾故障处置、交通的长尾调度请求、公共事业的长尾服务工单、农牧业的长尾养殖与供应链异常，都适用这一第二，缩短“感知-决策-行动-验证-改进”的闭环时间。许多企业的损失并非源于对问题一无所知，而是知道得太晚、判断得太慢、跨部门协调太久、行动没有跟上。闭环时间的每一段压缩，都会直接体现在订单转化、设备产出、交付率、库存、客户流失与质量损失上。制造业的设备停机、金融的欺诈响应、电力的故障隔离、交通的应急调度、医疗的急诊分流，价值都高度依赖闭环时间。第三，可复制：把有限的专家能力变成可复制的数字能力。当关键判断必须依赖少数专家时，企业规模受制于专家数量。Agentic能力将专家知识、工具使用方式与决策规则沉淀为可复用的能力，使企业能以更低的边际成本服务更多客户、产品与区域。金融的风控专家、电力的调度专家、制造的工艺专家、交通的运控专家、医疗的临床与药学专家，都是典型场景。05传统系统按销售、生产、采购、物流、服务切分；Agentic闭环则围绕订单、客户、设备、合同等业务对象，在权限范围内跨系统协调——不只是“优化排产”，而是综合订单利润、交期承诺、设备能力、物料风险与客户等级，优化最终履约价值。第五，可进化：提高企业学习速度。长期竞争优势不属于“今天决策更好”的企业，而属于能更快从每次市场变化、业务行动与结果反馈中，修正自身产品、流程、规则与资源配置的企业。这一点对竞争驱动型行业尤为关键，对监管和公共使命型组织则体现为更快地发现风险、修正流程和提升公共服由此可以给出AgenticEnterprise的经营学定义：能够以更低的边际决策成本、更短的业务闭环时间和更快的学习速度，把环境变化转化为收入、利润、现金流与竞争优势的企业。1.31.3价值为何没有兑现：从认知到行动的断点机制清晰不等于业务价值得到体现。投入与回报之间，究竟在哪些环节发生了泄漏？我们结合超过几十个行业、数百家企业实践的观察，总结得到五个反复出现的原因。一，场景选在了工作效率，没有选在经营驱动因料，即使使用量很高，也离收入和利润很远。真正影响经营结果的，是客户数量、转化率、客单价与产品组合、复购与留存、可交付产能、准时交付率、良率与材料利用率、库存周转、应收账款周期、新产品上市速度、事故率、合规质量与资本效率。AI项目如果没有明确改变其中至少一个变量，就很难出现在经营报表上。二，“节约时间”被误算成“节约成本”。一百名员工每人节约20%的时间，如果人员数量没有下降、招聘没有减少、产出没有增加、客户响应没有加快、质量没有改善，节约出的时间又被会议和低价值工作填满，那么财务收益基本为零。时间本身不是价值，时间的去向才是。只有当时间转化为人员成本减少、编制避免、瓶颈产能提升或增量收入时，才构成可兑现的价值。三，AI改善的不是企业的瓶颈。如果销售订单不足，生产部门提高20%的报告效率不会增加收入；如果产能已经满负荷，销售侧生成更多线索反而可能造成交付恶化；如果电力供应已经受限，客服智能体提升响应速度不会改变供电能力。局部生产率只有作用于企业当前的约束点，才会变成整体产出。四，AI只到建议，未到行动。预测更准、异常识别更早、方案更优，但如果人没有采纳，或者下游流程无法及时执行，价值就不会发生。价值≈判断质量的提升×被采纳的比例×执行闭环的速度。从认知到行动之间的泄漏，正是Agentic闭环区别于普通分析应用的意义所在——它不只是给出判断，而是推进到执行、验证与复盘。五，收益分散，成本显性。算力、模型调用、算法人才、平台、数据治理与系统集成，每一项都直06接进入预算；而收益分散在销售、生产、采购、库存、质量、风控、运维与服务之中。如果没有事先建立价值归因链，财务看到的自然是“IT成本上升”，而不是“经营驱动因素改善”。1.41.4价值在哪里：沿着企业价值流进入财务科目业务价值要实现，通常不是财务报表上新增一项“AI收入”，而是沿企业既有的价值流，进入原有科目：企业级价值流Agentic带来的改变典型行业07这些价值流并非行业专属，而是同一批经营对象在不同行业中的不同表现。农牧业可映射到“采购到供应”“设备到产出”“服务到公共价值”；互联网可映射到“商机到订单”“服务到续约”“风险到合规”；医疗、教育、制药可映射到“服务到续约”“风险到合规”“设计到上市”“服务到公共价值”；公路、机场、矿山、油气可映射到“资产到资本效率”“设备到产出”“风险到合规”。典型行业不必穷尽，关键是每个行业都能在表中找到自己的价值流入口。无论行业差异多大，收入增长大体可以分解为客户数量、转化率、价格与产品组合、购买频次、留存以及履约能力等驱动因素。每一个AI项目，都必须在启动时说清自己改变的是哪一个乘数。如果只能表述为“提高智能化水平”“提升员工体验”，而说不清改变哪个乘数，那么它的营收逻辑基本不存在。同时需要深刻理解，不同行业、不同类型的企业，其价值重心可能不同：·需求不足、竞争激烈的行业，重心在获客、转化、定价、产品创新与留存；·产能受限的制造行业，重心在可售产出、良率、设备利用率与交付；·价格受监管的公共事业，价值主要体现在可靠性、线损、运维成本与资本效率；·重资产企业，可能主要通过降低库存、减少停机、推迟资本开支来释放现金；·高风险行业，价值来自欺诈、事故、合规处罚与重大损失的减少；·公共使命型组织，价值来自服务可及性、响应速度、财政资金效率与公共风险下降。081.51.5以终为始：从结果倒推综上，构建AgenticEnterprise的核心思路是：让经营定义技术，而不是让技术定义经营。把它展开为可执行的行动，就是一整套依次递进的环节：外部变化与竞争问题、战略约束识别、关键价值流选择、Agentic必要性判断、工程化闭环、组织价值捕获、价值归因与资本配置、竞争优势沉淀。其中，工程化闭环是执行体系，决定“能不能做到”；其余环节决定“值不值得做、能否兑现、能否留下”。否则，企业智能化建设都只是一次技术工程，而不是一项企业战略。技术侧要回答的是另一条线：在定义清楚意图与目标之下，如何通过感知、认知、推理、交互、协同、行动、反馈与进化，形成可治理、可安全稳定运行的AI运行体系。企业战略决定要做什么，工程实现决定能不能做、能否稳定、能否治理、能否持续进化。每一个重大AI项目，都应由业务负责人、财务负责人与技术负责人首先共同确认：解决什么业务问题，为什么必须用AI，现在没有使用AI的对照业务基线是什么，谁对业务结果负责，将来使用AI的业务量化效果是什么。与之配套的是有序推进：技术可行、生产稳定、指标改善、价值兑对多数企业而言，真正稀缺、真正构成差异化的，往往不是基础模型本身，而是企业业务对象与事实数据、高价值业务-IT-AI闭环的设计、现有系统可被AI调用的系统接口、权限与策略体系、历史日志、反馈结果、领域评测集、异常处理机制，以及流程、岗位与人员激励的重构。AgenticEnterprise构建的真正壁垒，是难以复制的企业资产：独有的业务反馈数据，持续积累的决策与异常案例，深度嵌入流程的行动接口，成熟的权限与治理机制，跨部门协同的能力，——以及最重要的：能够不断把最新一代通用智能能力高效、持续、稳定地转化为业务价值的能力。AI技术仍在快速发展，这恰恰意味着：静态的技术领先无法持续，动态的转化能力才是壁垒。因此，AgenticEnterprise最终不仅仅只是一套新的AI+IT系统，而更是一种更高频、更精细、更可扩展的企业能力体系。回到起点。如果一个企业长期只能展示：建成了多少智能体、调用了多少模型、节约了多少自报工时、员工满意度提升了多少、技术架构有多先进；却始终说不清：哪项收入增加、哪项毛利改善、哪项现金被释放、哪项风险下降、哪项可靠性提升、哪项公共价值改善、哪个竞争瓶颈被突破——那么，该被质疑的不是财务指标过于短视，而是智能化尚未真正成为一项企业战略。从对AI的FOMO（FearofMissingOut）到回归业务价值实现，是企业智能化要思考并回答的根本目标，也是真正开始迈向AgenticEnterprise的第09第二章第二章DIMAK：企业级AI工程体系2.12.1快速演进的技术之上，构建可持续进化的企业智能业务价值如何实现，这个问题的答案，一半在业务侧，一半在技术侧。一面是大模型、智能体框架、工具协议、RSI自进化、WorldModel世界模型等等仍在快速演进，一面是客户承诺、生产任务和经营活动需要保持连续，企业长期形成的数据、知识与业务经验也需要跨越技术变化持续积累，企业需要什么样的AI体系，才能持续支撑AI技术的快速引入和业务基于AI的全新循环，是解决上述问题的首要条件。通用模型能够理解语言、生成内容并完成复杂推理，但并不了解企业特有的客户、产品、设备和流程，也无法天然掌握企业当前的业务事实、专业规则和责任边界。模型能力可以通过接入获得，通用智能却不会因此自动成为企业专属智能。过去几年，很多企业采用了一种相似的路径：为每个业务场景单独选模型、搭知识库、写提示词、接工具、配权限。这种项目制的方式在单点验证时有效，但场景数量一增加，问题就集中爆发——数据口径在多个项目中对不齐，模型评测在多个平台上各做各的，知识库重复建设却互不连通，权限配置散落在各处，运维成本随场景数量线性增长。随着后续规模增大，我们会发现任务运行中产生的人工修订、异常归因、失败记录和业务结果，分散在不同应用和技术平台中。真实业务反馈难以进入数据治理、知识更新、模型评测和智能体优化的循环。单个项目积累的经验，也就难以转化为企业共享的智能资产，企业将出现Agentic时代全新的“Agent孤岛”。企业需要改变的，不只是模型、知识库或智能体的建设方式，而是智能能力形成、供给和演进的整体机制。智能场景可以持续增加，重复适配不能同步增长；底层技术可以不断变化，企业能力积累不能每次从头开始。企业需要构筑可持续演进的智能工程体系，将外部变化的通用技术转化为稳定的能力服务，将场景中形成的数据、知识、任务和运行经验沉淀为企业能力，并围绕具体业务持续供给。DIMAK是企业面向智能能力建设、供给和演进形成的工程体系。它涵盖数据工程（D）、AI基础设施工程（I）、模型工程（M）、智能体工程（A）和知识工程（K）五个相互协同的工程域，将持续变化的通用技术与企业事实、知识、任务和评价标准结合，形成可积累、可供给、可治理的企业专属DIMAK的核心，是用工程体系解耦技术生命周期与企业能力生命周期：底层模型、框架和算力可以持续变化，围绕企业任务形成的数据、知识、模型适配、智能体和运行经验能够持续积累。其中，数据工程将企业业务与生产系统中的数据组织为面向任务的可信事实服务；知识工程将制度、规则和专业经验转化为可检索、可判断、可追溯的业务依据；模型工程将不同来源和技术路线的模型组织为面向任务的能力服务；智能体工程围绕任务目标组织上下文、模型、流程、工具与人机协同；AI基础设施工程提供支撑完整智能任务稳定运行的资源、环境和基础保障。运行过程中，智能体工程承担任务组织，数据、知识和模型工程按需供给能力，AI基础设施工程提供运行托底。企业专属智能不是企业自建的某一个模型，也不是通用模型接入企业数据后的简单结果。它是通用模型、算力、框架和工具与企业业务事实、专业知识、任务逻辑和评价标准持续结合后形成的能力结果。DIMAK的直接产出，也不是某一个平台或技术组件，而是一组面向企业任务、具有明确业务语义、质量基线、版本状态和适用边界的智能能力服务。企业AI应用场景K知识工程D数据工程K知识工程D数据工程模型2A智能体工程模型3...MM模型工程IIAI基础设施工程企业既有业务企业既有业务与生产系统DIMAK主要通过三项相互关联的机制完成这一转化。吸收底层技术变化，保持能力稳定供给。企业从外部持续获得模型、AI基础设施、智能体框架和开发工具，由相应工程域完成选型、接入、适配、评测、发布和运行管理。底层技术升级、替换或退出时，上层智能应用仍可通过相对稳定的能力接口持续运行，降低技术变化对业务连续性的影响。注入企业事实与知识，沉淀可复用资产。数据工程和知识工程把企业特有的对象、事实、制度、规则和经验转化为可供智能任务使用的能力；数据映射、知识规则、模型评测、Agent、Workflow、Skill、Tool和运行经验经过验证后，按照业务语义、适用范围、版本状态、质量基线和责任主体持续沉淀。通用智能由此获得企业业务语境，项目成果也能够进入共享能力体系，而不是停留在场景围绕业务任务按需装配能力。任务触发后，智能体工程根据目标、当前状态和约束，组织所需的数据、知识、模型、流程、工具和运行资源。对于需要稳定供给的能力，通过服务契约明确任务类型、输入输出、数据边界、质量基线、服务等级、资源预算以及降级和退出策略，使业务需求能够转化为可组合、可验证的能力供给。这三项机制带来四项架构变化：稳定供给的对象从具体模型和平台转向面向任务的能力服务；管理粒度从单项技术组件扩展到完整智能任务；建设方式从项目内重复适配转向企业、领域和场景分级供给；交付方式从上线即结束转向反馈驱动、评测验证和受控发布。数据、知识、模型和智能体平台仍可保持专业分工，但需要通过任务标识、能力契约和版本依赖，关联目标、上下文、能力组合、人工介入、资源消耗和运行结果。这套转化贯穿开发、运行与演进。开发阶段形成能力资产并完成适配验证；运行阶段围绕任务动态装配能力、维持状态并处理异常；演进阶段根据评测、人工修订、异常归因和业务反馈识别缺口，经验证后更新资产与运行策略。反馈可以触发改进，不能未经验证直接改变生产能力。DIMAK不以五个工程域全面铺开为起点，也不以一次性建设完整平台为目标。企业需要围绕已经明确的业务目标选择任务边界和评价标准清晰的优先场景，形成调用频率、并发规模、上下文长度、响应时延、数据敏感度、结果容错度和连续性要求等任务画像，再据此确定能力缺口、建设责任与实施建设阶段企业需要完成的关键动作主要产出牵头责任企业级共性能力重点解决模型接入、智能体运行、任务轨迹、统一评测和AI基础设施等跨场景问题；领域级共享能力承载业务对象、专业知识、规则和领域Skill；场景专属能力保留具体任务策略、上下文配置、编排方式和评价指标。统一要求不等于全部集中开发，能力放在哪一层建设，取决于业务语义稳定性、复用范围和持续服务责任。对多数行业企业而言，模型和AI基础设施主要来自外部技术与产品供给，企业重点承担选型、适配、治理和运行责任；真正需要结合业务长期建设的，是面向企业事实的数据工程、承载专业经验的知识工程，以及组织复杂任务的智能体工程。DIMAK所2.22.2数据工程（D）：锚定可信业务事实，形成任务数据服务智能任务判断的准确性，首先取决于其获得业务事实的质量与时效。企业的数据虽然已经在数据湖、数仓或业务系统中广泛积累，但这并不意味着智能任务已经获得了可以直接使用的当前事实。传统分析平台更多面向统计分析和批量处理，智能任务则需要根据具体目标和任务阶段，持续获得与当前业务状态相匹配的上下文。在真实业务中，“分析平台中的历史库存”“交易系统中的实时库存”与“当前订单的可分配库存”对应不同的时间切片和业务含义。如果这些口径差异未经对齐便进入模型上下文，同一个问题可能得出不同的业务判断。以设备异常处置为例，单一传感器告警无法独立支撑停机决策，还需要关联当前数据工程的核心定位，是将分布在业务系统、生产设备和外部来源中的异构数据及事件，组织为智能任务可持续调用的标准数据服务，使任务能够获得来源可信、时间清晰、语义一致、适用边界明确的数据工程不替代企业已有的数据湖、数仓、湖仓平台和主数据体系，而是在既有数据基础上，进一步建设面向智能任务的对象、事件、语义、上下文和反馈数据能力。企业建设的重点，也不应是一次性汇聚全部数据，而应优先打通被多个高价值任务共同依赖的业务对象、状态和事件。数据工程负责向智能任务提供可信事实，不改变现网中权威事实的产生责任，也不因此取得修改业务状态的权力。数据供给数据处理数据供给数据处理数据测评数据飞轮数据接入数据测评数据飞轮数据接入数据公共平台数据公共平台图2-2图2-2DIMAK工程体系重点建设任务·统一业务对象与事件。围绕客户、订单、合同、账户、设备等核心业务对象建立跨系统语义映射，将影响业务判断的状态变化组织为来源明确、时间可识别、可供智能任务订阅的业务事件。对象与事件标准需要明确权威来源、业务主键、状态含义和更新责任。·建设面向任务的数据服务。根据任务目标和当前阶段提供数据查询、事件订阅、多模态对象视图和一致性快照，减少每个应用重复处理底层数据。数据服务需要明确业务含义、权威来源、适用范围、更新频率、质量基线和访问边界。·加强质量、血缘与时效管理。记录数据的权威产生源、加工链路、完整性和有效周期。在跨源信息出现口径冲突时，提供明确的权威判断关系和冲突处理规则，使智能任务能够识别数据的可信程度与适用条件。·实行受控数据使用。智能任务通过受治理的数据服务、语义层、只读副本或隔离分析环境获取事实。核心交易数据库不向智能体开放无边界的自然语言探索和直接写入权限。数据使用权与业务行动权分别管理，能够读取信息并不意味着获得修改业务状态的权限。·治理任务反馈数据。接收并治理任务运行形成的人工修订、失败记录、异常归因和结果反馈，保留其来源、时间、对象、质量和使用范围，将其转化为可供模型评测、知识演进和运行优化使用的数据关键工程技术·多模态数据处理与混合查询。针对结构化数据、图纸文档、音视频和设备时序信号，建立适配不同数据形态与业务语义的解析、切分和关联机制。根据任务特征组合向量检索、全文检索、结构化查询、关系关联和时序分析，支持语义理解与精确事·实时事件处理与上下文注入。依托变更数据捕获、消息总线或流式计算平台，监听订单变动、设备告警等业务变化，将原始信号转化为对象明确、语义稳定、时间可识别的标准事件，并处理事件延迟、乱序、重复和模式变化等问题。·数据契约与时点一致性。对核心数据服务建立数据契约，界定字段语义、质量标准、更新频率和版本兼容要求。区分事件发生时间、系统处理时间和业务生效时间，对依赖跨源关联的复杂任务提供一致性快照或时点状态还原能力。·细粒度上下文网关。对智能任务的数据请求执行2.32.3AI基础设施工程（I）：保障智能任务稳定运行与持续恢复智能工作负载正在从单次、无状态的模型请求，扩展为包含多轮推理、知识检索、数据查询、文件处理、工具调用和人机协同的完整任务。任务运行时间可能从数秒延伸到数小时甚至更长，业务高峰还会带来大量并发请求。与单次模型调用相比，这类任务需要持续保存状态，并能够在资源不足、服务异常或人工介入后继续运行。传统基础设施管理更多关注计算资源利用率、模型实例是否可用以及单项服务的响应情况。但完整智能任务同时依赖模型、知识、数据、工具和外部服务，任何一个环节出现拥塞或故障，都可能使任务停留在无法确认的中间状态。单个组件可用，不能直接代表业务任务可完成。AI基础设施工程的核心定位，是将保障对象从单一算力资源和模型实例扩展到完整智能任务，为其提供资源供给、环境隔离、状态持久化、容量治理、故障隔离、恢复和全链路观测能力。智能体工程负责理解任务语义、组织任务步骤并决定异常情况下的处理路径；AI基础设施工程负责提供状态持久化、资源调度和运行恢复等基础保障。两者通过任务标识、检查点和运行契约协同，但不相互替代。安全沙箱服务安全沙箱服务KVCache管理KVCache管理数据库模型适配与训推加速引擎模型适配与训推加速引擎算力与资源管理图2-3图2-3AI基础设施工程重点建设任务·形成任务画像与容量基线。根据调用频率、并发规模、上下文长度、响应时延、数据敏感度、结果容错度和连续性要求描述负载特征，区分在线与离线、生产与试验、稳态与峰值任务。结合模型吞吐、缓存复用率、失败重试率和软硬件适配效率，形成基础、峰值和容灾容量基线。·统一纳管异构资源。面向云、边、端及多种加速芯片共存的环境，建立统一资源纳管和调度能力。根据任务的时延目标、成本预算、模型要求和数据驻留条件选择运行位置，减少应用对具体硬件环境的直接依赖。·实施环境隔离与投产验证。区分开发、测试、评关键工程技术·支撑长时任务状态持久化与恢复。保存运行状态、事件历史、检查点和外部调用结果。任务因服务异常、接口限流或人工审批挂起后，可以从经过确认的检查点继续运行，避免全链路重复执行。业务状态是否有效以及任务应从何处继续，由上层任务语义和现网结果共同确认。·建立任务级容量与韧性机制。根据任务优先级实施排队、限流、配额和故障域隔离，并针对正常、峰值、应急和容灾状态明确容量水位、触发条件、降级顺序和恢复路径。资源紧张时，应优先保障企业核心业务和生产系统稳定运行。·开展多维资源计量。将Token消耗、知识检索、数据查询、存储占用和外部系统调用归集到具体任务，并关联任务完成状态和业务结果。资源评价由单纯关注算力利用率，扩展到任务完成率、恢复能力和单位成功任务成本。·异构算力池化与模型感知调度。面向不同型号的加速器、通用计算资源和专用环境，建立资源池化、模型部署和弹性调度能力。根据模型规格、任务优先级、时延目标和数据驻留要求选择运行位置，并通过连续批处理、预填充与解码解耦、前缀缓存、KVCache分层管理及缓存感知调度，改善有效吞吐和首Token响应时延。缓存和状态复用需要同时遵守任务身份、租户边界、数据权限和知识版本约束。·持久化任务执行与状态恢复。对长时和异步任务保存运行状态、事件历史、检查点和外部调用结果。外部调用需要具备幂等、去重、超时、重试和必要的补偿机制，避免恢复过程造成重复执行或状·任务感知的流量治理。传统QPS不能完整反映智能任务的资源压力。网关和调度系统综合预估Token消耗、并发序列数、任务优先级、模型负载和下游系统容量，实施排队、限流和配额控制，并在资源紧张时触发模型切换、推理预算调整或服务·全链路运行观测。将模型推理、知识检索、数据查询、智能体编排和工具调用纳入同一任务链路，关联首Token时延、尾时延、排队时长、有效吞吐、缓存命中率、任务完成率、恢复次数、单位成功任务资源消耗和业务结果，为容量规划、故障定位和成本优化提供依据。AI基础设施工程的评价对象由资源和模型实例，进一步扩展到任务完成率、恢复能力、单位任务成本和业务连续性。算力仍是基础资源，企业最终获得的是智能任务稳定进入生产运行的保障能力。2.42.4模型工程（M）：面向任务供给适配的模型能力商业模型、开源模型、自建模型和专业模型将在企业中长期共存。不同模型在逻辑推理、多模态理解、专业知识、响应时延、调用成本和数据边界上各有特点，其能力、价格和部署条件也会持续在点对点集成模式下，上层应用通常直接绑定特定模型实例。一旦模型升级或更换，应用便需要重新进行接口对接、提示配置、效果评测和运行策略适配。企业真正需要解决的，不再只是如何选择某个模型，而是如何在持续变化的模型生态中，为不同业务任务稳定供给合适的理解、推理和生成能力。图2-4模型工程票据分类更关注吞吐和成本，合同审查更重视专业图2-4模型工程响应时延。将所有任务统一绑定于单一模型，既难以兼顾效果、成本和风险，也会放大底层技术变化对上层业务的影响。模型工程的核心定位，是将不同来源和技术路线的模型组织为面向任务的能力服务，负责模型的接入、评测、适配、部署、选择、优化和退出管理。上层智能应用提交任务类型、效果要求、时延、成本、数据和风险条件，由模型工程在符合准入要求的候选范围内匹配模型能力与推理策略。模型工程负责模型能力的管理、评测和供给，AI基础设施工程负责相应模型服务的资源调度和稳定运行。两者通过模型服务契约、生产候选池和运行指TaaS网关(TokenasaService)模型训推模型自演进模型自演进重点建设任务·统一模型接入与服务标准。建立统一的模型代理和管控体系，适配不同供应商与开源模型的接口差异，规范输入输出、版本状态、数据边界和服务等级，降低应用对具体模型实例的依赖。·建立生产适配和候选池。维护“模型—框架—推理引擎—芯片—集群”兼容关系，记录依赖版本、算子支持、量化方案、并行策略、效果变化、性能基线和已知风险。只有经过目标环境验证的模型与运行组合，才能进入生产候选范围。·开展任务级评测与能力路由。围绕企业真实任务建立专项评测集和评价标准，根据任务类型、逻辑复杂度、效果阈值、响应时延、数据边界和成本预算选择模型及推理策略。模型选择由任务要求决关键工程技术定，而不是由应用直接绑定固定模型。·实施分层适配与训后优化。优先验证提示优化、结构化输出、检索增强、工具调用和流程编排能否满足任务要求；仍存在明确能力缺口时，再结合训练数据条件和投入产出，采用LoRA、监督微调、偏好优化、蒸馏或量化等方式。适配深度需要由相对基线的效果、时延、成本和稳定性改进证据决定。·管理运行时策略。根据任务状态、模型健康度、服务等级和资源预算调整模型选择。主模型不可用、效果退化或成本越界时，按照既定策略实施模型切换、能力降级、人工接管或任务退出。·形成反馈驱动的受控演进。将业务结果、人工修订、异常记录和评测数据转化为模型改进依据。模型版本、评测集、提示配置、微调参数、量化策略或路由策略发生变化时，触发相应范围的回归评测，并经过版本管理、灰度验证和发布控制后进入生产。·策略驱动的动态模型路由。首先依据数据边界、模型准入、业务风险和合规要求排除不具备使用条件的模型与资源池；再判断任务能否由规则、检索、传统算法或确定性流程完成；确需模型推理时，根据任务复杂度选择轻量模型、专业模型或高能力模型；最后结合实时负载、服务等级和预算选择具体版本及运行资源。·任务级评测与模型能力画像。围绕信息抽取、专业判断、复杂推理、结构化生成和多模态理解等生产任务建立专项评测集，记录不同模型版本在效果、时延、成本、安全和稳定性方面的表现，为模型路由、适配和退出提供依据。·参数高效适配与训后优化。当通用模型无法满足专业任务要求时，根据训练数据规模、质量和稳定性预期，采用监督微调、LoRA或偏好优化等方式。进入训练的数据需要经过筛选、标注和质量复核。企业核心业务规则仍应由知识工程、规则引擎和受控工具锚定，不能单纯依赖模型权重更新。·受控的版本发布流水线。模型贯穿候选、评测、灰度、生产、优化和退役阶段。新模型、微调参数和路由策略在触达业务应用前，需要经过离线评测、场景回放、影子流量或灰度验证。生产环境持续监测效果退化、时延异常和成本越界，并保留回滚与退出路径。模型工程建设的成效，不仅体现在接入模型的数量，还应体现在任务效果的稳定性、模型替换成本、路由有效性、服务连续性以及效果与成本之间的平衡。企业需要持续经营的是面向任务的模型能力，而不是对某一个具体模型的长期依赖。2.52.5智能体工程（A）：围绕企业任务组织和沉淀智能能力随着智能应用进入更多业务领域，面向员工的协作智能体、承担专业任务的领域智能体、调用特定工具的任务智能体，以及由确定性工作流控制的自动化组件将长期共存。企业需要管理的，不再只是单个智能体能否对话和调用工具，而是复杂业务任务能否在多个能力和责任主体之间持续、稳定、受控地推进。单个智能体能够生成计划并调用接口，并不代表业务任务已经完成。如果多个智能体分别基于局部目标、上下文和状态独立运行，可能产生状态冲突、重复调用和责任断点。对于路径稳定、规则明确的任务，也没有必要为了采用智能体而增加动态规划和运行复杂度。图2-5智能体工程智能体工程的核心定位，是构建面向复杂任务的开发、注册、编排和运行体系。它以任务为基本图2-5智能体工程和人机协同，在发挥模型理解和动态规划能力的同时，嵌入必要的确定性流程、治理策略与人工判断节点。在工程实现上，可基于华为开源Agent平台OpenJiuwen提供的Agent开发、工作流编排与运行管理能力，进一步衔接DIMAK的数据、知识、模型与AI基础设施工程，并为联接企业工具、权限和业务流程提供标准接口，形成面向复杂业务任务的智能体工程体系。智能体工程遵循最小充分原则：路径稳定、规则Workflow；单一且可复用的动作封装为Skill、Tool或API；需要理解复杂上下文并动态选择路径时使用Agent；只有存在独立子目标、状态、权限或专业分工时，才采用多Agent协同。智能体服务智能体开发智能体协同智能体运行时智能体演进工具与资源工具与资源重点建设任务·统一能力注册与生命周期管理。管理Agent、Workflow、Skill和Tool的定义、业务语义、输入输出、版本依赖、适用范围、权限标签、责任主体、评测结果和运行状态。资产登记、能力发现、授权调用、生产准入和实际运行是相互关联但彼此独立的状态，完成登记不等于已经获得调用和生产运行资格。·组织任务规划与协同编排。根据目标、任务复杂度、成本和风险选择单Agent、多Agent、确定性流程或人机协同方式。任务编排不仅组织执行顺序，还需要维护任务状态、责任边界、人工确认点、异常路径和终止条件。·装配任务上下文并管理记忆边界。将数据工程提供的事实、知识工程提供的规则和专业依据、20模型工程提供的认知能力，以及任务状态、记忆和授权信息组织为当前任务可使用的上下文。上下文按照任务阶段进行检索、筛选、排序、去重、压缩和组装，只纳入当前步骤所需且处于授权范围内的信息。任务记忆用于保存已确认的中间状态、交互结果和任务过程；账户、交易、库存、设备状态等具有当前效力的权威业务事实，仍需从现网或受治理的数据服务取得，不作为长期记忆固化。事实、知识版本、权限或治理策略变化后，相关上下文和缓存同步更新或失效。·支撑长时任务与异常恢复。定义任务状态、检查点、挂起、恢复、重试、移交和终止等语义，并设置最大步骤、重试预算、超时和终止条件。事实不足、指令冲突、能力失败、重复调用或风险条件触发时，任务可以进入补充信息、重新规划、降级运行或人工接管路径。底层状态持久化和运行恢复由AI基础设施工程提供保障。·建立任务轨迹与运行评价。以任务为单位记录目标、输入、能力调用、版本、人工介入、异常和结果，为质量评测、成本分析、责任追溯和后续改进提供完整轨迹。关键工程技术·统一运行契约与框架适配。面向多种智能体框架并存的环境，通过适配器统一任务标识、父子任务关系、状态、事件、消息、异常、检查点和工具调用等运行语义。框架升级或替换时，对对象映射、状态恢复、工具调用和可观测性进行契约回归与存量任务兼容验证。·规划与执行分离。对需要动态选择路径的复杂任务，智能体可以采用ReAct、Plan-and-Solve或·持久化任务编排。对长时、异步和包含人工参与的任务，采用持久化状态或可重放工作流机制管理任务进度。任务步骤具有明确的输入、输出和状态变化，并通过幂等、超时、重试、去重、补偿和终止机制处理外部调用失败及任务恢复。系统识别连续重复规划、循环调用和结果无进展等异常模式，必要时调整路径、提前终止或转交人工处理。·受治理的工具调用。智能体工程维护工具的业务语义、输入输出、版本、风险标签和调用条件，并在调用请求中传递任务身份、调用目的和授权上下文。正式业务行动是否获得授权、由哪个主责系统执行以及结果如何生效，不由智能体工程单独决定，需要通过智能体系与企业现网之间的联接机制完成。·异步协作与状态协调。多个智能体存在独立目标、状态或专业分工时，可以通过消息总线、Actor模型或持久化工作流进行异步协作。系统同时处理消息重复、顺序变化、超时、并发冲突和局部失败，避免不同智能体基于不一致状态重复执行或形成循环调用。智能体工程建设的成效，不以Agent数量或单点功能多少衡量，而应关注任务推进、能力调用、异常恢复、人工接续和过程可追溯性。智能体可以承接目标、组织任务并形成行动请求，但正式业务行动是否获得授权、由何种现网能力执行以及结果如何生效，不由智能体工程单独决定；企业责任仍由相应组织和岗位承担。2.62.6知识工程（K）：将企业知识转化为可信业务依据企业业务判断高度依赖规章制度、产品手册、业务流程、专业经验和风险边界。这些知识具有版本、生效时间、适用范围和责任主体。将文档切分并建立向量索引，可以改善模型对企业内容的访问，但检索到相似文本并不意味着其中的内容已经可以作为生产判断依据。图2-6知识工程同一条业务规则可能分布在多个系统和文档中，并具有不同的适用条件。如果不同版本的规则发生冲突，或者过期知识进入任务上下文，就可能影响智能体的判断。以设备检修为例，故障判断可能同时依赖产品说明、维修规程、历史工单和当前服务政策。智能任务不仅需要找到相关内容，还需要知道采用哪个版本、适用于哪类设备、来源是图2-6知识工程知识工程的核心定位，是将分散在制度、流程、文档、系统和专家经验中的知识，组织为来源明确、版本有效、适用范围清晰、责任关系可追溯的知识资产和知识服务，使其能够在正确条件下进入智能任务。知识工程不替代企业既有的制度制定、专业审核和正式发布机制。正式规则仍由相应责任主体确认和发布，知识工程负责将其转化为智能任务可检索、可判断、可追溯的业务依据。数据工程主要提供当前业务事实，知识工程主要提供解释事实和形成判断所需的语义、规则与经验，两者围绕同一业务对象协同，但不相互替代。知识接入知识接入知识消费知识消费知识飞轮知识飞轮RAGSkills知识资产RAGSkills知识构建与评测知识构建与评测重点建设任务·开展多源知识生产与交叉验证。从制度、流程和专家经验中提取规则、条件与案例，从数据结构、代码、接口和运行日志中还原对象关系、指标口径和实际流程，并从任务结果、人工修订和异常记录中形成候选知识。不同路径形成的知识需要相互校验，从系统实现和运行轨迹中自动提取的内容，在责任主体确认前不直接成为正式业务规则。·建设面向任务的知识服务。根据任务目标和当前阶段提供制度条款、判断规则、专业案例、操作流程和语义关联。知识服务需要明确来源、版本、适用范围、使用效力和责任主体，并根据任务身份和授权范围控制检索结果。22·管理知识冲突与版本权威关系。对分布在多个文档和系统中的同类规则建立版本映射和冲突处理关系。正式制度与规则的变更按照企业既有责任体系和发布机制生效，过期或失效知识及时退出生产使用范围。·推动反馈知识受控更新。任务执行结果、人工修订和历史处置经验可以形成候选知识，但需要经过评测、业务验证和责任主体确认后才能进入生产。智能提取用于提高知识整理效率，不替代正式知识的确认和发布。·建立知识全生命周期管理。知识入库时关联业务对象、原始来源、加工链路、版本标签、保密级别、适用范围、责任主体和生效周期，并按照权威来源、受控来源和参考来源标识不同使用效力。原始信源、制度或数据口径发生变化时，能够识别受影响的知识服务、评测集和智能应用，并触发更新、复核或暂停使用。关键工程技术·混合检索与多维重排。根据知识形态组合向量检索、稀疏检索、结构化查询和规则匹配，兼顾语义理解与专业术语、物料编码、合规条款等精确识别。召回结果结合重排模型、业务规则、版本和时效条件进行筛选。·图谱增强的按需知识服务。面向涉及多业务对象、多层级关系和跨文档关联的任务，可以引入知识图谱、实体关系索引或GraphRAG，支持多跳关联和全局归纳。是否使用图谱取决于任务复杂度、知识更新频率和建设成本，不作为所有知识任务的统一前提。·知识引用溯源与检索质量评价。保留模型输出与原始来源、文档版本和适用范围之间的映射关系，通过召回覆盖率、证据相关度、引用正确率和知识新鲜度等指标评价知识服务质量，使重要业务判断能够返回相应依据。·细粒度动态权限控制。文档和知识切片进入索引时携带业务域、版本、密级和适用范围等元数据。任务检索时，根据请求者身份、任务目的和实时授权进行动态过滤，并在上下文装配前完成结果复核。·生命周期隔离与防污染机制。知识从抽取、候选、审核、发布到失效保持清晰的状态记录。训练数据、评测数据和运行时知识按照不同用途管理，避免评测污染和未经验证的反馈直接进入训练或生产知识。外部文档、用户输入和模型生成内容进入生产知识库前，需要完成来源校验、内容验证和安知识工程建设的成效，不以文档数量和知识切片规模衡量，而应关注证据覆盖率、引用正确性、知识新鲜度、版本冲突处理能力和跨场景复用情况。企业知识由此从可以查询的内容，进一步转化为能够在正确版本、适用范围和责任关系下支撑业务判断的可信依据。232.72.7五域融合：打造企业专属智能DIMAK五个工程域分别解决不同问题，又共同服务于一项完整任务。数据工程提供当前事实，知识工程提供规则和经验，模型工程供给理解与推理能力，智能体工程组织任务、能力和人机协同，AI基础设施工程保障任务稳定运行。任何一项能力缺失或脱节，都可能使任务停留在事实不足、判断失准、运行中断或结果无法追溯的状态。以供应风险处置为例，当物流延迟或供应商状态变化触发任务，数据工程提供订单、库存、在途、产能和交付承诺等当前事实；知识工程提供合同条款、物料替代规则和历史处置经验；模型工程根据信息抽取、影响分析和方案比较等步骤选择模型；智能体工程组织任务推进、工具调用请求和必要协作；AI基础设施工程保障任务状态、运行资源、异常恢复和全过程记录。五域不按照固定流水线运行。智能体发现事实不足时，可以重新请求数据；方案形成后，可以调用知识规则复核约束；模型能力不足时，可以切换模型或调整推理策略；能力调用失败时，可以重新规划、进入补偿路径或转交人工。具体能力组合由任务目标、当前状态、授权范围和风险条件共同决定。·事实不足获取数据·结果不确定补充知识·工具失败重新规划K|专业依据M|认知能力供应风险处置任务影响分析·风险判断·事实不足获取数据·结果不确定补充知识·工具失败重新规划K|专业依据M|认知能力供应风险处置任务影响分析·风险判断·方案比较目标：保障客户交付订单·库存·在途·产能·交付承诺任务分解·能力调用·协同推进·异常恢复合同条款·合同条款·替代规则·供应策略·历史案例任务状态·运行资源·隔离环境·异常恢复·全过程记录图2-7五域围绕同一任务协同供给能力——供应风险处置示例五域融合主要依赖三项工程机制。·基于任务状态动态装配能力。数据、知识、模型、Agent、Workflow、Skill和Tool通过能力服务契约进入任务。智能体根据任务进展选择所需能力，但不能绕过数据、知识、权限和生产准入边界直接调用底层资源。·以统一任务轨迹关联能力版本。通过统一任务标识记录数据来源及时间、知识版本、模型与路由策略、智能体编排配置、能力调用、人工介入和运行环境，使异常能够定位到相应事实、能力和版本，并为结果复盘和责任追溯提供依据。24·以运行反馈推动能力演进。人工修订、异常归因、能力调用和业务结果沿任务轨迹返回相应工程域，成为数据治理、模型评测、知识更新和智能体优化的依据。影响生产的能力变更经过评测、业务确认、治理准入和发布验证后进入运行。五域融合是否成立，不能以五类平台是否建成判断，而要看一项企业任务能否获得适用的事实与知识、调用经过评测的模型、由智能体持续组织，并在资源或依赖变化时保持运行和恢复。单项模型效果提高，并不代表能力组合已经可用；平台资源利用率上升，也不代表单位成功任务成本下降。只有当能力组合在效果、连续性、使用边界和成本方面达到相应要求，才能进入持续供给范围。首个场景不需要预先建成完整DIMAK。企业可以在统一架构下验证一条完整智能任务链，再将其中语义稳定、被多个任务持续需要且具备维护责任的对象映射、数据服务、知识规则、评测集、Skill和运行策略纳入相应工程域。相邻场景的复用继续检验这些能力的业务语义、适用范围和治理边界，推动其逐步成熟。通过五域融合，企业逐步形成一套能够承接技术变化、沉淀业务资产、围绕任务供给能力并根据运行反馈受控演进的智能工程体系。DIMAK所保持的，不是某一代模型、框架或平台的连续，而是企业智能能力的连续。DIMAK解决智能能力如何形成、积累、供给和演进，但企业生产经营仍运行在ERP、CRM、PLM、MES、核心账务及各类行业系统中。数据工程可以组织面向任务的事实服务，不改变现网对权威事实的维护责任；智能体工程可以组织能力并形成行动请求，不自动取得正式业务行动权；AI基础设施可以保障智能任务运行，不以技术任务完成代替业务结果。DIMAK解决智能能力从哪里来，企业现网决定业务行动在哪里发生。二者能否形成可信联接，决定企业专属智能能否进一步转化为可25第三章第三章让AI融入业务生产运营26DIMAK建立了智能能力持续积累与按需供给的工程基础，但能力供给只是智能进入生产经营的前提。企业的客户、合同、账户、订单、设备和交易等权威事实，仍由既有业务与生产系统维护；资金划拨、生产调度、交易结算和设备控制等正式业务动作，也需要通过这些系统执行并记录。智能可以识别变化、分析影响并形成方案，但如果不能取得当前有效的业务事实，不能在明确授权下调用现网能力，不能确认业务状态是否真正发生变化，就仍然停留在分析和建议阶段。当前，一些智能应用仍依赖人工在多个系统之间查询、核验、录入和发起流程。随着智能进入更多业务环节，这种联接方式会形成新的操作负担，也难以完整保留任务目标、判断依据和执行结果。另一些场景为了追求自动化，通过共享账号、通用接口甚至直接写库推动业务动作，可能绕开现有的身份、授权、交易一致性和责任控制。企业需要建立一条从智能判断进入正式业务行动的可信通路：判断具有明确的事实和规则依据，行动权限与当前任务相匹配，正式执行由相应主责系统承接，执行状态和业务结果能够返回原始任务，异常情况下可以暂停、接管和纠正，完整过程能够落实到明确的责任主体。H型双塔由此形成。现网塔继续承担权威事实、确定性业务逻辑、正式执行和结果记录；智能塔基于DIMAK提供理解、推理、规划和协同能力。两塔通过事实、语义、能力、身份和责任这几类关系持续协同，使企业专属智能能够基于真实业务状态形成判断，在明确授权下推动行动，并依据执行结果持续调整任务。H型双塔建设从一项真实业务行动切入，沿事实、判断、授权、执行和结果还原完整行动链；将行动依赖的现网状态、事件和系统功能转化为可治理的业务能力；通过几类联接保持任务上下文与责任关系连续；最终在生产运行中形成有据可依、有权行动、有果可验的业务闭环。3.13.1架构分工：确立AI体系与企业IT/OT体系的建设边界企业长期建设形成的现网体系，包括办公协同、经营管理、业务运营和生产控制等应用与生产系统，也包括支撑其运行的数据平台、公共服务、流程体系和IT基础设施。其中，ERP、CRM、核心账务、信贷、交易、调度控制及各类行业生产系统，持续维护客户、合同、账户、设备、订单和交易等业务状态，并承担审批、结算、调度、控制和状态变更等正式业务动作。这些系统共同构成企业生产经营的事实基础和执行基础。人工智能正在进入需求预测、风险预警、设备诊断、客户服务和经营分析等环节。越来越多的应用已经能够识别异常、关联信息、分析影响并形成处置方案，但从智能判断到正式业务行动之间仍普遍存在三个断点。事实分散。核心业务事实分布在不同系统中，对象标识、数据口径和更新时间各不相同。智能任务即使取得数据，也不一定能够确认其是否代表当前有效状态，以及是否适用于本次业务判断。27判断与行动断开。智能形成方案后，人员仍需进入多个系统重新查询、核验、录入和发起流程。原始目标、判断依据和任务身份无法随行动连续传递，智能提升了局部分析效率，却没有缩短完整业务结果难以回流。接口调用成功、流程提交成功或指令受理成功，并不代表业务目标已经实现。现网执行后的状态变化、人工修改、异常原因和最终业务结果没有与原始任务持续关联，智能判断和行动的有效性难以验证。图3-以银行贷后风险处置为例，智能系统可以从客户经营、账户交易、还款变化和外部信号中识别风险，并形成核查与处置建议。客户经理仍可能需要进入客户信息、信贷、担保品和风险管理等系统核验事实并发起后续动作。处置完成后，风险分类、额度控制和催收安排分别记录在不同系统中，图3-被采纳、哪些内容经过修改、客户风险是否真正下降，未必能够完整返回最初的风险处置任务。H型双塔通过明确分工解决这些断点。现网塔锚定确定性，继续维护权威业务事实，执行确定性规则，保障交易一致性，完成正式业务动作并记录具有业务效力的结果。无论行动由人员还是智能发起，账户余额、订单状态、设备状态和生产记录的最终效力，仍由相应主责系统确定。智能塔负责处理复杂性。它以DIMAK为基础，根据任务目标和上下文组织数据、知识、模型、Agent、Workflow、Skill和Tool，识别变化、形成判断、比较方案、编排任务并跟踪结果。路径稳定、规则明确的步骤继续由程序、规则引擎或Workflow完成；需要理解复杂上下文并动态选择路径时，由Agent承担相应任务。智能塔应对变化现网塔承接确定性生产与应用系统办公协同、经营与业务应用、生产与控制系统智能体数据与公共服务数据平台、事件服务、集成服务、流程服务和公共业务能力ITIT基础设施计算、存储、网络、云平台、边缘及终端基础设施AIAI基础设施28从架构职责看，双塔呈现为横向分工：智能塔负责理解复杂变化、形成判断和组织任务，现网塔负责维护权威事实、执行确定性业务逻辑并记录正式结果。从任务运行看，双塔表现为纵向协同：客户需求、员工意图、经营目标和业务事件进入智能体系，智能围绕目标组织事实、规则、模型、工具、责任岗位和现网能力；现网在继续承担事实主责和正式执行的同时，将适合开放的功能封装为可治理、可调现网塔锚定确定性智能塔现网塔锚定确定性智能塔驾驭复杂性横向职责视图横向职责视图视角转换智能体系重要任务入口现网体系智能体系重要任务入口现网体系事实与执行基础纵向运行视图纵向运行视图受治理的双向连接任务·授权·行动请求双塔建设的难点集中在四个方面：现网功能需要从面向系统内部操作的接口，转化为具有完整业务含义、调用条件和结果状态的业分散数据需要形成对象一致、来源明确、时间可识别的业务事实；人员和系统权限需要进一步转化为与任务目标、作用对象和风险条件相关联的行动授权；接口返回和流程状态需要继续关联最终业务结果，以验证原始目标是否实现。 图3-2H型双塔的横向职责与纵向运行视图29围绕这些难点，企业需要完成五项建设任务。建设任务需要解决的问题主要产出这些建设任务不要求一次性改造全部系统。企业可以选择一项边界清晰、结果可验证的业务行动，明确变化在哪里发生、谁取得事实、谁作出判断、谁完成授权、哪个系统执行、什么状态代表完成以及谁评价最终结果。在这条行动链上完成现网能力化和双塔联接，验证智能能否在既有事实、执行和责任体系内持续运行。303.23.2现网能力化：实现系统功能与数据的受控开放与调用企业既有系统通常已经拥有大量接口、数据服务和流程功能，但这些接口大多围绕系统内部数据结构和功能逻辑设计，只描述字段、参数和返回码，没有完整说明其服务的业务行动、调用前提、风险边界、状态变化和结果反馈。例如，城市轨道交通系统返回“某线路有3列备用车辆”，只能说明当前设备记录中的部分状态。这些车辆是否处于维保期、是否配备当班司机、能否进入目标线路、是否满足时刻表和线路容量约束，还需要关联其他业务事实。“备用车辆数量”并不直接等同于“当前可投入调度的运力”。同样，将“临时调整班次”的接口直接提供给智能审批条件和状态冲突处理方式，即使技术上可以调现网能力化需要围绕真实业务行动，对相关状态、事件和系统功能进行重新组织。可感知：将关键状态变化组织为业务事件。客户还款变化、订单履约异常、列车故障、电网负并通过事件契约记录业务对象、来源系统、发生时间、业务生效时间、状态变化、影响范围和数据版主责系统负责产生并保存正式状态及原始事件，不直接对核心交易数据库进行无边界查询和写入。可理解：建立业务对象与语义映射。同一客户、订单、车辆、线路或设备可能分布在多个系统中，并使用不同的标识、字段和状态口径。主责系统继续维护对象和状态的业务定义，数据工程和知识工程建立必要的跨系统映射，说明不同数据之间如何对应、出现差异时以什么关系处理。例如，“可用运力”需要关联车辆状态、所在位置、适用线路、司机排班、运行时段和安全约束。相关映射保留权威来源、版本和适用范围，使智能任务能够判断某项事实能否用于当前行动。现网对象、字段或规则发生变化时，相应映射和能力契约需要同步完成影响分析和版本更新。可调用：将系统功能封装为业务能力。查询、校验、测算、创建、提交、审批和回写等系统功能，需要按照业务行动建立能力契约。契约应说明能力服务什么业务目的，适用于哪些对象和场景，需要满足什么前置状态，接受哪些输入，可能产生什么状态变化，由谁负责，并明确授权要求、服务等级、幂等、超时、重试、异步回执以及必要的补偿、撤销或终止方式。以临时调整班次为例，业务能力不仅需要接收线路、车辆和时间参数，还需要验证车辆状态、司机排班、线路容量和当前计划冲突。智能体负责根据任务目标选择能力并组织调用，现网负责校验执行条件、完成正式动作并记录结果。模型生成的参数需要经过类型、范围、前置状态和业务规则校验后，才能进入生产执行。可治理：按照行动风险分级开放。现网能力的开放范围应由业务影响、可逆性、责任要求和结果可验证程度决定。状态查询、证据获取、规则校验、影响测算和方案模拟不直接改变业务状态，可以优先开放；创建草稿、生成工单和提交申请可以在人工确认下进入业务流程；高频、稳定、边界清晰且结果可验证的动作，经过生产验证后，可以在限定对象、额度、时间和条件下扩大行图3-3现网能力化：从系统资源到生产能力涉及重大资金、客户权益、生产安全和不可逆影响的事项，仍由明确的责任主体判断、确认或接管。数据使用权与业务行动权分别管理，能够取得客户、账户、设备或订单信息，只说明具备形成判断的事实条件，不代表获得修改业务状态的权限。图3-3现网能力化：从系统资源到生产能力可反馈：使执行状态持续返回任务。现网能力需要区分请求提交、系统受理、操作执行、状态变化和业务结果达成等不同阶段，并通过任务标识和行动标识返回正式状态、失败原因、人工修改、审批结果和后续待办。对于长时任务，可以通过异步事件、状态查询或对账机制持续反馈执班次调整请求已经受理，不代表车辆已经上线；车辆已经上线，也不代表站台客流和换乘压力已经缓解。不同层次的结果完整返回后，智能才能判断是否继续当前任务、调整方案或转交人工处理。现网能力化可以按照业务行动的风险和复杂度分步推进，从关键事件、状态查询和证据获取开始，逐步扩展到校验测算、人工确认下的流程提交，再进入限定范围内的授权执行。通过“业务行动—所需事实—现网能力—能力契约—责任主体”的对应关系，现网能够以稳定、受控的方式支撑智能任务。系统中的数据和功能业务表与状态系统接口流程与公共服务可理解构筑跨系统的一致性业务语义映射可治理按照行动风险分级可调用可理解构筑跨系统的一致性业务语义映射可治理按照行动风险分级可调用将系统功能封装为受控业务能力可感知将关键状态变化组织为业务事件可反馈可反馈执行过程和业务结果可持续返回任务事实可获取能力可调用行动受控制结果可返回生产能力体系事实可获取能力可调用行动受控制结果可返回生产能力体系323.33.3可信联接：打通数据、指令、权限、执行与反馈通道现网具备可调用的业务能力后，智能塔与现网塔还需要在任务运行过程中保持事实依据、业务语义、行动权限、执行状态和责任关系的连续。API网关和消息通道解决信息如何传输，无法单独回答智能依据什么作出判断、代表谁推动行动，以及用什么结果验证目标达成。H型双塔通过事实、语义、能力、身份和责任几类关系建立联接。这几类关系分别落实到业务主责系统、DIMAK工程体系、身份与安全体系以及业务治理机制中，并通过统一任务轨迹关联起来。联接维度核心作用关键控制点主要工程机制H型双塔联接体系H型双塔联接体系事实与语义共同构成判断依据。智能任务取得业务状态时，需要同时保留该状态代表什么、由哪个系统负责、何时生效以及适用于什么范围。当不同系统出现状态差异时，差异本身进入任务并触发核验，不能由模型在缺少权威关系的情况下自行选择。能力与身份共同决定行动边界。智能体调用现网能力时，需要携带可识别、可审计的智能体身份和任务身份，并关联原始目标、作用对象、授权主体、授权依据和有效时间。授权进一步约束可调用能力、参数范围、业务额度和风险条件，现网能力入口在每次执行前完成校验。33复杂任务拆分或委托给其他智能体时，父子任务关系、原始身份和授权依据随委托链传递。子任务只能保持或收缩原有权限，不能因多级调用扩大数据范围和业务行动权；任务目标、作用对象或风险条件变化后，需要重新判断原有授权是否仍然适用。长期共享的系统账号只能记录某个账号执行了操作，无法说明该行动服务什么目标、代表谁以及依据什么授权。任务级身份与授权关系，使一次技术调用能够对应到具体业务行动和责任主体。责任与结果联接用于验证目标是否实现。一次业务行动可能经历请求提交、系统受理、正式执行、状态变化和经营结果形成等多个阶段。现网系统记录具有业务效力的正式状态，智能任务持续跟踪状态变化并判断是否达到目标。人工修改、驳回、暂停或接管时，相应人员、原因、时间和结果进入任务企业需要建立统一任务标识和行动标识，并使其贯穿事件接收、事实获取、智能判断、授权校验、能力调用、现网执行和结果反馈。技术调用链用于定位服务、网络、接口和组件问题，业务任务轨迹用于保存目标、依据、能力版本、授权关系、状态变化、人工介入和结果证据。两者相互关联，使异常能够定位到事实、判断、授权、执行或结果环节。不同异常进入相应处置路径。事实不足或状态冲突时，任务补充核验；能力不可用时，可以调整路径、降级运行或转交人工；授权不成立时，停止相关行动；调用结果不明确时，优先查询主责系统中的正式状态，不直接重复可能改变业务状态的操作。补偿和回退以业务动作可逆为前提。对于已经产生资金、客户权益、生产控制或其他不可逆影响的动作，应停止后续行动并进入业务纠正和责任处置流程，不能简单采用技术事务回滚。企业统一任务身份、联接契约、授权传递、轨迹审计和异常处理要求；业务领域维护对象、状态、规则、行动权限和结果口径；具体任务则在这些边界内组织事实、判断和现网能力。这几类联接由此形成贯通判断与行动的稳定关系，使智能行动具备明确依据、授权边界和结果证据。343.43.4协同进化：形成从持续感知、运行反馈到演进优化的循环双塔及其联接关系最终需要在完整业务任务中共同运行。智能塔组织任务、形成判断并发起行动，现网塔提供事实、执行正式业务动作并记录结果，双塔联接保持目标、身份、权限、状态和责任连续。企业可以选择一项业务对象明确、行动边界清晰、结果可以验证的任务作为建设起点，并首先还原真变化在哪里发生→谁先感知→需要哪些事实和规则→谁作出判断→谁完成授权→哪个系统或岗位执行→什么状态代表完成→谁评价业务结果以电网配电故障隔离与供电恢复为例，线路故障发生后，企业需要在保障人身、