AgenticOps 从企业智能到OPC新生产力白皮书 OpenCSG 正在构建自主发现时代的开放基础设施

AgenticOps:从企业智能到OPC新生产力OpenCSG正在构建自主发现时代的开放基础设施开放

AI基础设施

·

智能体工程方法

·

产品体系与产业实践目录

OpenCSG

×

AgenticOps目录CONTENTS执行摘要

3前言

401行业变革：企业

AI从模型应用走向智能执行

502

OpenCSG：

从开放模型社区到开放

AI基础设施1103AgenticOps：

面向智能体时代的

AI工程方法2004

OpenCSG产品体系：

支撑

AgenticOps全生命周期2807

企业

AgenticOps落地指南7708

未来展望：

开放

AI基础设施与智能生产力8605产业实践：AgenticOps如何进入真实生产4706

从个人智能到组织智能：

OPC与

AI原生组织70结语

922执行摘要人工智能正在由模型能力快速增长进入产业规模应用的新阶段。

随着开源模型持续发展、

推理成本逐步下降以及模型服务日益普及

，大模型正在成为新的数字基础能力

，

并逐步进入知识管理、

软件研发、

客户服务、

数据分析和企业运营等真实场景。

企业关注的重点

，

也开始由

“

选择和接入模型”

转向

“

如何将模型、

数据、

知识、

工具和智能体组织为可持续运行的生产体系”。这一变化带来了新的工程与治理问题。

模型、

数据集、

代码、

知识库、

Prompt、

工具、

智能体和业务流程分散在不同部门与技术环境中

，

已有成果难以统一管理和持续复用；

企业虽然积累了大量业务数据

，但数据质量、

权限和更新机制仍难以稳定支持模型与智能体；

多模型、

多环境和多工具并存增加了系统集成复杂度

，越来越多能够完成概念验证的智能体

，也需要进一步解决权限、

安全、

运行稳定性、

效果评估和持续运营等问题。企业AI建设的长期价值

，不只是获得模型的使用能力

，更在于将一次次AI使用过程中产生的模型、

数据、

Prompt、

Skills、

工具、

智能体、

工作流、

评测结果和反馈样本持续沉淀为组织可以掌控、

复用和演进的长期

AI能力。

当这些成果长期分散在个人环境、

外部模型服务和临时应用中

，企业获得的更多是阶段性的效率提升；

只有进入统一的平台和治理体系

，AI使用经验才能逐步转化为企业自身的数据资产、

知识资产和智能生产能力。智能体正在推动

AI从信息生成走向任务执行。

模型负责理解、

生成和推理

，企业数据与知识提供真实业务上下文

，

工具和标准接口连接内部系统

，

智能体围绕目标完成任务规划和过程执行

，

工作流组织多个任务节点

，

治理体系则持续管理权限、

风险、

成本和运行效果。

企业未来需要建设的

，

不再只是若干相互独立的

AI助手

，

而是一套能够持续接入模型、

数据、

知识、

工具和智能体的开放

AI基础设施。基于开放社区建设和多个行业的产业实践

，OpenCSG提出了AgenticOps方法论。

AgenticOps面向大模型与智能体的完整生命周期

，将

AI资产管理、

数据治理、

模型服务、

智能体开发、

任务执行、

运行治理和业务反馈连接起来

，帮助企业形成从需求定义到智能体构建、

从模型部署到业务运行、

从应用反馈到持续优化的完整闭环。进入2026年

，个人智能体、

多智能体协作和OPC

（One

Person

Company

，一人公司）

正在进一步拓展AI的应用边界。

在智能体时代

，

OPC不再只是传统意义上由一个人经营的公司

，

而是指个人或小型团队借助模型、

工具和多个专业智能体

，

形成能够独立完成研究、

开发、

运营和交付等任务的新型生产单元。随着这一模式进一步进入企业

，

组织内部也可能形成由员工、

智能体和自动化流程共同组成的

“

组织型OPC”，将个人已经验证有效的AI工作方式沉淀为团队可复用、

组织可治理的生产能力。

本白皮书将围绕企业与OPC两类用户

，

系统阐述OpenCSG的开放AI基础设施、

AgenticOps方法体系、

产品能力、

产业实践和落地路径。执行摘要3前言人工智能正在经历从技术突破走向产业深耕的重要转变。

模型能力仍在快速提升

，但决定

AI应用价值的因素已经不再局限于模型本身。

企业能否持续积累高质量数据

，能否对模型、

知识、

工具和智能体进行统一管理

，能否连接已有业务系统

，并建立长期运行、

效果评估和持续优化机制

，

正在成为影响人工智能规模化应用的关键。开放生态为这一转变提供了重要基础。

开放模型让企业拥有更加多元的技术选择

，

开源工具降低了模型运行和应用开发的门槛

，

开放数据促进模型研究和训练方法持续进步

，

开发者社区则推动技术经验快速验证、

共享和迭代。

对于企业而言

，

开放并不意味着缺少治理

，

而是在保持数据、

模型和运行环境自主可控的基础上

，获得更灵活的技术选择、

更低的迁移成本和更持续的创新能力。随着本地模型、

企业私有模型和云端模型共同发展

，AI将长期处于多模型、

多环境和多应用协同运行的状态。

与此同时

，

智能体正在连接企业知识、

工具和业务系统

，

并逐步参与研发、

运营、

客服、

营销和知识管理等流程。

模型的能力边界不断扩展

，企业对统一资产、

标准连接、

安全治理和持续运营的需求也随之提升。OpenCSG以开放模型社区为基础

，持续建设AI资产管理、

本地模型运行、

智能体开发和多智能体协作能力

，

并

通

过

AgenticOps将

模

型

、

数

据

、

知

识

、

工

具

、

智

能

体

和

业

务

连

接

起

来

。

截

至

2026

年

8

月

，OpenCSG已形成覆盖开放社区、

企业私有环境、

个人本地设备和组织级智能体应用的产品体系

，

并持续连接开发者、

高校、

研究机构和产业伙伴。本

白

皮

书

将

围

绕

企

业

AI从

模

型

应

用

走

向

智

能

执

行

的

变

化，

分

析

规

模

化

应

用

面

临

的

主

要

问

题，

介

绍OpenCSG从开放模型社区走向开放

AI基础设施的发展过程

，系统阐述

AgenticOps的核心理念和总体架构

，并结合CSGHub、

CSGLite、

CSGClaw、AgenticHub及相关研发智能化能力

，探索企业、

开发者、OPC和

AI原生组织构建智能生产力的实践路径。前言401行业变革：企业

AI从模型应用走向智能执行随着模型能力不断提升

，企业对模型的评价也逐渐从参数规模转向综合使用价值。

模型的推理效果、

运行成本、

部署方式、

工具调用、

多模态能力、

行业适配和数据安全共同影响最终应用效果。

面对不同业务任务

，

企业可能同时使用多个模型

，

例如通过高性能云模型处理复杂推理

，

通过企业私有模型完成敏感业务

，通过本地小模型承担高频和轻量任务

，

并根据效果、

成本和响应速度动态选择适合的模型服务。多模型长期共存将成为企业AI的常态

，但也会带来新的工程复杂度。如果不同模型分别使用独立接口、部署环境和权限体系

，企业需要持续承担重复适配和维护成本。

当模型版本发生变化时

，应用团队还需要重新完成测试、评价和迁移。企业需要建立统一的模型管理和服务机制

，将不同来源的模型转化为标准化、可评价和可复用的能力

，使业务应用能够保持稳定

，并持续使用新的模型技术。模型能力逐步普及后

，

企业之间的AI差异也会发生变化。

未来竞争的重点不只在于是否接入某个先进模型

，还取决于能否积累高质量数据

，能否形成统一的模型和工具服务

，能否让智能体进入真实业务

，以及能否建立长期运营和治理机制。

模型仍然是

AI系统的重要基础

，但数据、

工程、

平台和组织能力将越来越直接地影响最终的业务价值。业务创新知识检索

·

客服

·

研发

·

运营模型服务理解

·生成

·

推理

·多模态数字基础能力开放模型

·

标准接口

·部署环境OpenCSG2026

·

行业变革

1.1模型能力正在成为新的数字基础能力大模型的发展显著降低了自然语言理解、

知识获取、

内容生成、

代码开发和复杂信息处理的技术门槛。

过去需要专业算法团队长期建设的部分能力

，

现在可以通过开放模型、

模型服务和标准接口快速接入

，越来越多企业开始将模型用于知识检索、

智能客服、

软件研发、

营销内容、

数据分析和内部运营。

模型正在逐渐成为类似数据库、

云计算和软件开发框架一样的数字基础能力

，

为企业应用创新提供新的技术底座。6开放模型的持续迭代也带动推理框架、

数据工具和应用开发生态发展

，为企业保留更灵活的技术路径。开放体系的价值不仅体现在降低模型获取门槛

，还体现在减少长期技术锁定。企业可以根据实际效果替换模型

，在不同计算环境之间迁移

，并将核心数据和知识保留在自主环境中。

当业务需求发生变化时

，企业能够在已有资产基础上引入新的模型

，而不需要重新建设全部应用。模型与业务之间通过统一服务层连接后

，上层应用可以减少对具体模型接口的依赖

，提高系统的可持续性。开放并不等同于所有资产公开。

企业需要根据数据敏感程度、

知识产权要求和业务安全等级

，

对公共资源和私有资产进行分类管理。

OpenCSG

社区中的模型、

数据和工具可以进入企业内部环境

，企业自身形成的数据集、

模型、

知识库和智能体则可以继续保持私有

，通过权限、

审计和版本机制进行管理。

开放生态与企业私有化之间并非相互排斥

，

而是形成公共创新和自主治理相互连接的技术体系。OpenCSG2026

·

行业变革

1.2开放模型推动企业形成多元技术选择开放模型改变了人工智能技术的供给方式。

企业不再只能依赖单一模型厂商提供的标准化服务

，

而可以根据任务特点选择不同参数规模、

不同能力方向和不同部署方式的模型

，

并通过微调、

蒸馏、

知识增强和工具连接形成适合自身业务的能力。适配方式微调

/蒸馏

/知识增强工具连接检索

/数据

/业务接口部署方式云端

/私有

/本地能力方向推理

/多模态

/代码业务任务7从问答到执行的变化

，使

AI开始进入更多真实生产场景。

在软件研发中

，智能体可以参与需求理解、

代码生成、

问题排查、

测试验证和文档整理；

在企业运营中

，

智能体可以连接知识库和业务系统

，

完成信息汇总、

内容生成、

数据分析和流程辅助；

在客户服务中

，

智能体可以根据用户问题检索知识、

调用业务接口并协助完成服务流程。

AI的评价标准也由回答是否流畅

，逐渐转向任务是否完成、

过程是否可靠以及结果是否产生实际价值。智能体拥有更强执行能力的同时

，也带来了更高的治理要求。

模型生成一段错误内容

，

影响可能局限于一次回答

，

而智能体调用错误工具或执行错误操作

，

则可能影响企业数据和业务系统。

企业需要为智能体建立明确的工具权限和数据访问边界

，

对关键操作保留人工确认机制

，

并通过日志、

追踪、

评价和异常处理提高运行过程的透明度。

智能体规模越大

，统一管理的重要性也越高。因此

，企业不能将智能体简单理解为增加工具调用能力的聊天机器人。

智能体进入生产环境后

，

需要模型服务、

数据治理、

工具连接、

工作流编排、

安全控制和持续运营共同支持。

未来企业

AI的核心任务

，将由建设单个应用逐步转向建设可持续运行的智能执行体系。OpenCSG2026

·

行业变革

1.3智能体推动

AI从信息生成进入任务执行生成式

AI的早期应用主要围绕人机对话展开。

用户提出问题

，模型生成内容

，用户根据回答作出判断并完成后续操作。

这种方式提高了知识获取和内容生产效率

，但模型与真实业务之间仍然存在距离。

当任务涉及多个系统、

多个步骤或持续执行时

，用户仍然需要手动整理信息、

切换工具并完成操作。智能体连接模型、知识、工具和业务流程理解需求→形成计划→选择模型与工具→调用数据库

/知识库

/搜索服务

/业务接口→根据中间结果继续行动目标

规划

调用工具

交付结果提问

回答人工操作信息生成智能执行8

1.4企业

AI规模化面临新的结构性挑战企业已经积累了大量

AI应用探索

，但从局部试点进入规模化运行仍然存在明显鸿沟。

部分企业可以在较短时间内完成知识问答、

代码助手或智能客服的概念验证

，

却难以将这些成果稳定扩展到更多部门和业务场景。

问题并不完全来自模型能力

，

而是来自数据、

资产、

系统、

治理和组织之间缺少持续连接。模型、

数据、

知识、

提示词和工作流缺少统一版本与01

资产孤岛

权限管理

02

数据可用性

业务数据分散在

ERP、

CRM、

研发、

办公与生产系统

03

系统连接模型、

工具与业务接口反复适配

，形成重复工程

04

持续运行

版本、

知识、

外部服务与任务规模不断变化

05

目标协同

技术、

业务、

管理与安全关注点缺少统一评价

企业需要建立覆盖数据提取、清洗、筛选、标注、脱敏和评价的持续治理流程

，使数据能够稳定支持知识库建设、模型训练和智能体优化。同时

，模型与业务系统之间的技术连接也需要进一步标准化。1沉淀资产来源、版本、权限2治理数据质量、语义、脱敏3统一连接模型、工具、

系统4持续运营日志、评价、优化5对应业务效率、体验、价值OpenCSG2026

·

行业变革9企业

AI正逐渐形成由模型、

数据、

知识、

工具、

智能体和业务共同组成的新型技术结构。

模型提供理解、生成和推理能力

，企业数据和知识提供业务上下文

，

工具连接外部信息和内部系统

，

智能体承担任务规划和执行

，

工作流组织复杂任务

，

评价系统持续判断运行效果

，

治理体系则负责权限、

安全、

合规和成本控制。这些能力相互连接后

，

人工智能才能从单次调用进入稳定业务流程。

企业未来建设的可能不再是大量相互独立的AI助手

，

而是一套能够持续接入模型、

数据、

工具和智能体的公共基础设施。

新的模型可以通过统一平台完成评价和部署

，

业务数据能够持续沉淀为知识资产

，

工具可以被多个智能体复用

，任务运行过程可以被追踪和优化

，最终形成能够持续演进的智能执行体系。评价与治理权限、

安全、

合规与成本工具与系统连接搜索、数据库、

业务

APIOpenCSG2026

·

行业变革

1.5从模型应用走向智能执行系统模型、

数据与知识理解、上下文、记忆与推理智能体与工作流

规划、

协作、

执行、

反馈业务价值

真实任务与业务结果1002OpenCSG：从开放模型社区到开放

AI基础设施OpenCSG

（开放传神）

成立于2023年

，是一家面向开放大模型生态和企业

AI应用建设的

AI原生公司。OpenCSG以

“让大模型赋能每个人”为使命

，持续连接模型、

数据、

代码、

开发工具和智能体等开放资源

，并围绕企业私有化部署、AI资产管理、

智能体开发和产业应用构建产品与服务体系。OpenCSG的发展起点是开放模型社区。随着模型数量快速增长

，

开发者和企业需要更加开放的模型托管、

数据共享和协作平台

，

也需要将社区中的模型和数据安全地带入本地及企业环境。

围绕这一需求

，OpenCSG建设CSGHub

，

为模型、

数据集、

代码和应用等AI资产提供开放托管、

协作和私有化部署能力

，

并通过开源方式推动社区与企业共同参与平台建设。

OpenCSG在GitHub上持续开放CSGHub等核心项目

，希望通过社区协作推动大模型软件栈的发展。随着AI进入企业应用阶段

，

OpenCSG的能力逐渐从模型社区扩展到数据治理、

模型服务、

智能体开发和任务协作。

企业需要的不只是获取模型

，还需要管理内部AI资产、

连接企业数据和工具、

建设能够进入真实业务的智能体

，

并对模型和智能体进行持续评价与运营

。

基于多个行业项目实践

，

OpenCSG提出AgenticOps方法论

，将OpenCSG社区中的技术资源与企业级工程体系连接起来

，推动模型能力持续进入产业场景。OpenCSG的目标不是建设单一模型或封闭应用

，

而是形成开放、

协同和可持续的AI基础设施

，让模型能够被管理

，让数据能够被沉淀

，让智能体能够被构建

，让开发成果能够被复用

，并通过企业级治理和私有化能力

，使开放技术进入真实生产环境。01

开放社区连接模型

、

数据与开发者

，

形成开放协作与资产复用机

制02高质量数据将关键对象纳入统一管理和

长期治理03

模型工程把技术能力连接到真实任务

与业务反馈OpenCSG2026·开放

AI基础设施

2.1以开放生态连接技术创新与产业应用12OpenCSG

自2023年成立以来

，

围绕开放模型社区、

企业

AI资产管理、

智能体开发、

本地模型运行

和多智能体协作持续完善产品与技术体系

，

并逐步将开放生态中的模型、

数据和开发能力带入企业、

个人和新型

AI原生组织的实际生产过程。2023

2024

2025

20262023开放生态起步OpenCSG2026·开放

AI基础设施

2.2发展历程：从模型社区走向智能体生产力开放平台初步形成发布StarNet大模型平台和“传神”开放创新生态社区

，围绕模型开放、开发者协作和企业级AI基础平台展开早期建设

，为后续产品体系和产业生态发展建立基础。公司成立与社区建设OpenCSG于北京成立

，并完成由联想创投、国信中数参与的数千万元天使轮融资；同年在上海建立业务布局

，进入上海“模速空间”创新生态。

01

02

132023

2024

2025

20262024

技术与产品体系化03

代码智能进入研发场景CSGShipCodeGenAgent在SWE-benchLite评测中取得全球第二名的成绩

，同时创造了非GPT-4o基模的最高纪录（SOTA）。CodeSouler进入VSCode、JetBrains等开发环境

，推动AI能力由代码生成进一步进入软件研发流程。OpenCSG2026·开放

AI基础设施

2.2发展历程：从模型社区走向智能体生产力模型工程能力持续完善模型训练、微调、推理服务、代码大模型和算力调度等技术工具陆续开放

，产品能力逐步覆盖模型开发、部署和运行过程。AI资产管理平台发布CSGHub正式发布

，模型、

数据集、

代码和应用等AI资产开始形成统一托管、

版本管理、

协作和私有化部署能力。

01

02

142023

2024

2025

20262025

AgenticOps

与产业生态扩张03

区域与产业合作持续落地OpenCSG与宜昌点军区、香港数码港、

中国信通院华东分院及产业合作伙伴开展区域AI、开放社区和企业智能化建设

，并推动“

三峡传神社区”等项目落地

，使开放模型生态与产业应用形成更加紧密的连接。OpenCSG2026·开放

AI基础设施

2.2发展历程：从模型社区走向智能体生产力AgenticOps方法论逐步形成OpenCSG的建设重点由模型资产管理进一步延伸到数据治理、智能体开发、部署运行和应用反馈

，形成覆盖

AI资产与智能体生命周期的

AgenticOps方法体系。智能体产品进入组织应用AgenticHub一站式智能体平台正式发布

，连接模型、知识、工具和业务流程

，推动企业由“使用模型”逐步进入“开发和运营智能体”

的阶段。

01

02

15开放东方社区正式上线“开放东方社区”

正式落地

，围绕开源技术、绿色算力、

数据资源和产业孵化展开建设

，推动OpenCSG的开放

AI基础设施进一步进入区域产业场景。OPC生态加速走向产业实践联合推进WAICOPC先锋挑战赛

，通过城市赛区、高校及WAIC总决赛连接开发者、创业项目和产业资源

，推动OPC从概念探索走向真实创新实践。2023

2024

2025

20262026

开放

AI

基础设施与

OPC

生态深化04战略合作与产业生态持续扩展与市北高新、

中昊芯英、数据堂等产业伙伴达成合作

，进一步连接园区AI产业生态、

国产算力和高质量数据资源

，持续扩大OpenCSG开放

AI基础设施的产业覆盖。OpenCSG2026·开放

AI基础设施

2.2发展历程：从模型社区走向智能体生产力本地

AI与

Agentic产品体系加速成型CSGLite、

CSGClaw相继进入产品体系

，CSGHub、AgenticHub持续升级

，OpenCSG形成覆盖企业

AI资产管理、本地模型运行、智能体开发和多智能体协作的产品矩阵。

01

02

03

16OpenCSG2026·开放

AI基础设施

2.3OpenCSG

社区：让模型、数据和创新成果持续流动OpenCSG社区是OpenCSG产品和产业体系的重要基础。

大模型技术变化速度较快

，

新的模型、

数据和工具不断出现

，任何企业仅依靠内部研发都难以及时覆盖全部技术方向。

社区能够将开发者、

高校、

研究机构和企业连接起来

，

使模型和数据成果被更加广泛地发现、

验证和使用

，

并通过反馈推动技术持续改进。OpenCSG社区围绕模型、

数据集、

代码、

应用和智能体等内容建立开放协作环境。

开发者可以托管和分享模型及数据

，企业可以获取适合业务的开放资源

，研究团队可以发布成果并连接更多使用者。

通过版本管理、

在线展示、

模型服务和应用空间等能力

，社区资源能够更快进入开发和验证过程。OpenCSG社区也为企业私有化建设提供持续资源来源。

企业可以根据业务需要

，

将公共社区中的模型和数据同步到内部CSGHub环境

，在内部完成权限管理、

评价、

微调和部署；

当新的模型出现时

，也可以通过统一管理机制完成更新和适配。

社区和企业不是彼此分离的两套体系

，

而能够通过资产同步和开放标准形成连接。截至目前

，OpenCSG已汇聚超过20万个模型资源

，并形成覆盖自然语言处理、

计算机视觉、

语音和多模态等方向的开放生态。

2026年

，OpenCSG社区进一步连接区域产业、

跨境数据、

绿色算力和国际开发者资源

，社区用户规模接近400万。

2.4数据能力：让高质量数据持续反哺模型模型能力的提升不仅依赖算法和算力

，也取决于数据质量。

随着模型规模不断增长

，

简单增加数据数量带来的收益逐渐降低

，

内容质量、

知识密度、

语言覆盖和数据治理的重要性持续提高。

企业在建设模型和智能体时

，也需要将原始业务数据转化为可检索、

可训练和可持续更新的数据资产。OpenCSG围绕中文模型训练持续建设Fineweb-Edu-Chinese高质量数据集。

该系列更加关注中文内容质量、

教育价值和模型学习效果

，

并通过数据聚合、

清洗、

去重、

筛选和质量评价提高数据可用性。

V2.1面向预训练精选语料；

V2.2在此基础上扩展至SFT与对齐阶段；

V2.3进一步强化源文本筛选、

证据对齐和质量过滤

，形成更高纯度的中文教育SFT数据。高质量数据不仅服务模型预训练

，也可以进入企业知识库、

行业模型和智能体评价体系。

企业通过持续收集应用反馈、

筛选高价值样本并更新知识与数据

，

可以形成

“

业务使用—数据沉淀—模型和智能体优化

—业务效果提升”

的正向循环

，使数据由静态存储资源转变为持续支持智能系统演进的核心资产。17OpenCSG坚持通过开放技术和工程实践推动产品发展。

围绕模型训练、

数据治理、

推理服务、

代码智能和智能体开发

，公司持续建设底层技术能力

，

并将相关成果应用到社区平台与企业产品中。在模型工程领域

，

OpenCSG建设模型训练、

微调和推理工具

，

推动开放模型从资源获取进入实际运行。模型开发不再只包含训练过程

，还需要覆盖模型托管、

版本管理、

效果评价、

推理部署和持续更新

，企业可以通过统一平台降低模型从开发到应用的工程复杂度。在代码智能领域

，

OpenCSG通过代码模型、

代码生成、

代码评审和智能开发工具探索AI参与软件工程的方式

。

CSGShip

CodeGen

Agent在

SWE-bench

Lite等评测中的表现验证了复杂代码任务处理能力

，CodeSouler等研发智能化能力也逐步进入企业软件开发场景

，

覆盖需求理解、

代码生成、

代码修改、

代码解释、

质量检查、

测试验证和问题修复等环节。在智能体领域

，

OpenCSG已形成从智能体创建、

模型和工具连接

，

到工作流编排、

运行管理和多智能体协作的产品能力。

AgenticHub面向组织级智能体开发和运营

，

CSGClaw面向个人和小型团队的多智能体协作

，

CSGLite负责连接本地模型、

云端模型和应用工具

，

CSGHub为模型、

数据和智能体提供统一资产基础。

不同产品围绕

AgenticOps形成协同

，使技术能力能够从OpenCSG社区进入本地环境

，再进入企业业务和组织运行。场景、能力与业务价值的对应关系01开放社区02资源与条件准备高质量数据03平台连接与治理模型工程04进入真实任务智能体工程OpenCSG2026·开放

AI基础设施

2.5技术能力：从模型工程延伸到智能体工程评价反馈与更新18OpenCSG的发展模式不是将OpenCSG社区与企业应用分别建设

，

而是通过开放共建和企业级落地形成双向驱动。

社区持续提供模型、

数据、

工具和开发者创新

，

帮助企业降低技术获取和验证成本；

企业真实业务则产生新的需求、

数据和工程问题

，推动平台能力持续完善。在金融、

政务、

运营商、

科研、

高端制造、

新能源和软件研发等场景中

，企业通常对数据安全、

系统稳定和私有化运行具有较高要求。

OpenCSG通过CSGHub提供企业内部AI资产管理和私有化部署能力

，通过AgenticHub连接模型、

知识和业务工具

，

通过模型工程、

数据工程和智能体能力支持应用开发

，

再根据行业环境完成系统适配。在区域产业合作中

，

OpenCSG将社区、

算力、

数据和企业服务连接起来

，帮助地方建设开放模型平台、算力服务和

AI创新生态。

企业和开发者可以通过区域平台获取模型、

数据和算力资源

，产业机构可以沉淀本地数据与应用成果

，

并通过OpenCSG社区连接更多技术资源。

2026年上线的

“开放东方社区”进一步围绕开源技术、

跨境数据、

绿色算力和产业孵化进行布局

，探索开放

AI基础设施服务区域产业和国际合作的新路径。

2.7差异化定位：开放生态与企业治理相连接OpenCSG的差异化定位

，不在于提供单一模型或单一智能体工具

，

而在于连接开放生态、

企业私有环境、

本地运行能力和智能体生产体系。

开放社区持续汇聚模型、

数据、

代码和开发者成果

，企业级平台则将这些资源带入可治理、

可部署和可持续运营的生产环境

，使公共创新与企业专有能力形成双向连接。在开放性方面

，

OpenCSG持续开放CSGHub等基础平台

，

为企业和开发者提供更高的可扩展性与技术自主性；

在资产治理方面

，

平台围绕模型、

数据集、

代码、

应用、

Prompt、

MCP和智能体建立统一管理能力

，使

AI资源具备清晰的版本、

来源、

权限和生命周期；

在运行方式方面

，

OpenCSG支持本地、

私有和云端模型协同使用

，帮助企业根据数据安全、

性能和成本要求选择合适的技术路径。在智能体能力方面

，

OpenCSG进一步连接模型、

知识、

工具和业务流程

，通过

AgenticHub支持组织级

智能体开发与运营

，通过CSGLite和CSGClaw支持本地模型运行与多智能体协作

，

并由CSGHub提供统一的AI资产与治理基础。

由此

，

OpenCSG形成从开放资源获取、

企业资产沉淀

，

到智能体开发、

任务执行和持续优化的完整路径

，

为企业与OPC提供面向不同规模和不同运行环境的开放

AI基础设施。OpenCSG2026·开放

AI基础设施

2.6开放共建与企业级落地形成双向驱动1903AgenticOps：面向智能体时代的

AI工程方法OpenCSG2026·

AgenticOps方法论

3.1从模型生命周期管理走向智能体运行体系大模型进入企业初期

，技术建设主要围绕模型训练、

微调、

部署和监控展开

，模型生命周期管理解决了模型版本、

计算资源和运行服务等问题。

随着智能体开始连接数据、

知识、

工具和业务系统

，仅管理模型已经无法覆盖完整应用过程。

企业需要进一步管理提示词、

知识库、

工具权限、

任务流程、

智能体版本、

运行轨迹和业务反馈

，

并协调多个模型与智能体共同完成复杂任务。AgenticOps正是在这一变化下形成的

AI原生工程方法。

它不是在模型运维体系中简单增加若干智能体功能

，而是从业务目标和任务执行出发

，重新连接

AI资产、

模型服务、

智能体开发和组织运营。

模型是否准确仍然重要

，但最终评价需要进一步关注智能体是否完成任务、

业务流程是否得到改善、

运行成本是否可控

，以及应用能否根据新的数据和反馈持续优化。AgenticOps将数据治理、

模型管理、

智能体开发、

任务调度、

业务运行和应用反馈连接起来

，形成覆盖AI资产与智能体生命周期的持续闭环。

随着本地模型、

多模型协同和多智能体技术不断发展

，AgenticOps进一步连接个人设备、

企业私有环境和云端模型服务

，使模型、

数据、

工具和智能体能够在不同环境中协同工作

，

并逐步进入个人、

团队和组织的生产过程。

3.2

AgenticOps的定义AgenticOps是OpenCSG基于开放生态和产业实践提出的AI原生方法论与运行体系。

它以模型、

数据、

代码、

知识、

提示词、

工具和智能体等

AI资产为基础

，将资产管理、

模型服务、

智能体开发、

任务执行、运行治理和业务反馈连接起来

，使企业能够在统一体系中完成智能体的构建、

部署、

运营和持续优化。AgenticOps关注的不只是如何开发一个智能体

，而是如何让智能体安全、

稳定并持续进入真实业务。

一个智能体从需求提出到长期运行

，

需要经历业务目标定义、

数据和知识准备、

模型选择、

工具连接、

流程设计、

效果测试、

部署运行和反馈优化等多个阶段。

如果不同阶段由相互独立的系统完成

，企业将面对较高的集成和维护成本

，也难以形成统一治理。在

AgenticOps框架下

，企业可以围绕业务目标组织模型和数据

，通过统一资产平台管理

AI资源

，通过智能体开发平台连接知识和工具

，通过本地、

私有或云端环境完成任务执行

，

并根据业务结果持续更新数据、

模型和流程。

AI应用由一次性项目逐步转变为长期运行和持续改进的生产体系。21OpenCSG

企业开放协同不仅发生在公共社区

，也可以发生在企业内部。

不同部门可以共享经过治理的模型、

知识

库、

Prompt、

工具和智能体模板

，减少重复建设

，

并通过统一版本和权限机制保证协作过程可控。

企业在使用外部创新成果的同时

，也能够持续沉淀自身数据和业务能力

，使开放资源与企业专有资

产形成互补。OpenCSG2026·

AgenticOps方法论

3.3开放协同：保持技术选择与生态连接AgenticOps以开放生态作为技术供给和持续创新的重要基础。

企业可以从OpenCSG

社区获取模型、

数据、

工具和应用成果

，也可以根据自身业务要求进行适配、

扩展和私有化部署。

不同模型、

不同计算平台和不同开发框架能够通过统一资产和服务体系形成连接

，减少对单一模型或单一技术路径的长期依赖。社区

开放协同

内部部门外部模型与专有资产企业工具22模型、

数据、

代码、

知识、

工具和智能体都需要被视为能够长期积累的企业

AI资产。

传统项目往往将模型和应用绑定在单一系统中

，项目结束后

，数据处理方法、

Prompt、

工具接口和智能体流程难以被其他团队复用。

随着

AI项目增加

，这种分散建设会产生重复投入

，

并提高后续维护成本。AgenticOps强调通过统一平台沉淀AI资产

，为不同类型资源建立清晰的版本、

来源、

权限和生命周期。模型可以被多个应用调用

，

数据集可以持续更新

，

知识库能够按照业务变化进行维护

，

工具和工作流能够被不同智能体复用

，

智能体模板也可以在组织内部共享。

资产沉淀使企业AI能力由项目交付逐步转变为长期积累。

3.5统一连接：贯通模型、工具与业务系统企业AI的实际价值依赖模型与业务之间的连接。

模型需要连接企业数据和知识

，

智能体需要连接搜索、

数据库、

办公软件、

研发平台和业务接口

，不同智能体还需要共享任务上下文和运行结果。

如果每个应用独立开发全部连接能力

，企业将持续承担重复集成成本。场景、

能力与业务价值的对应关系OpenCSG2026·

AgenticOps方法论

3.4资产沉淀：将项目成果转化为组织能力价值输出场景输入能力连接模型、

数据与工具执行结果与反馈业务目标与约束23AgenticOps强调将治理能力嵌入资产、

开发、

运行和反馈各个环节。

模型和数据需要具备来源与许可证信息

，

工具调用需要受到权限控制

，任务过程需要保留运行记录

，

高风险操作需要设置人在回路

，

系统还需要对异常调用和运行失败进行持续监测。

通过治理内生化

，企业可以在扩大智能体应用的同时保持对数据和业务过程的控制。

3.7持续进化：

以业务反馈推动能力更新智能体上线不是项目终点。

企业数据会持续变化

，业务规则会不断更新

，模型能力和工具生态也会快速发展。

一个长期不更新的智能体

，

即使初始效果较好

，也可能随着知识变化和业务调整逐渐失去准确性。AgenticOps通过运行日志、

用户反馈、

任务结果和业务指标持续评价智能体表现

，

并将高价值反馈转化为新的数据、

知识和流程。

企业可以根据评价结果更新知识库、

调整Prompt、

更换模型、

优化工具和重新

设计工作流

，使智能体能力随着业务使用不断改善。

持续进化使

AI由静态软件转变为能够根据数据和反馈不断更新的生产系统。OpenCSG2026·

AgenticOps方法论

3.6安全可控：将治理嵌入智能体全生命周期智能体能够访问数据、调用工具并执行任务

，因此安全治理需要进入整个生命周期。企业需要明确智能体可以访问哪些数据、能够调用哪些工具、可以执行哪些操作

，并根据业务风险设置人工确认、审批和异常终止机制。身份、权限、

日志和审计不能只作为上线后的补充功能

，而需要在设计阶段进入智能体流程。资产开发

运行

反馈来源与许可证权限与审批日志与监测评价与优化24AI资产与治理第二层是AI资产与治理

，统一管理模型、

数据集、

代码、

知识、

Prompt、

MCP、

工具、

应用和智能体。

平台通过版本、

元数据、

权限、

许可证、

审计和生命周期管

理

，使不同类型的AI资源能够被发现、

评价、

复用和持续更新

，

并为企业形成统一

资产目录。03模型、

知识与工具服务第三层是模型、

知识与工具服务。

不同来源的模型通过统一服务方式进入应用

，企

业数据经过治理后形成知识和训练资源

，

数据库、

搜索、

代码环境和业务系统通过

工具接口与智能体连接。

模型、

知识和工具由分散资源转化为可组合能力

，

为上层

智能体提供稳定支持。01基础资源与运行环境第一层是基础资源与运行环境

，

为模型和智能体提供算力、

存储、

网络和运行空

间

，

并支持个人设备、

企业服务器、

私有云和公共云等不同部署方式。

企业可以根

据数据安全、

任务性能和运行成本选择适合的环境

，使本地模型、

私有模型和云端

模型形成混合运行能力。OpenCSG2026·

AgenticOps方法论

3.8

AgenticOps总体架构｜基础与能力服务022504智能体开发与协作第四层是智能体开发与协作。

业务人员可以通过自然语言和可视化方式构建智能

体

，

开发者可以通过代码和接口实现复杂逻辑

，

多智能体系统则通过任务拆解、

角

色分工和协同机制完成复杂工作。

开发过程需要同时包含调试、

测试、

评价、

版本

和环境管理

，使智能体能够从原型进入生产。05业务应用与组织运营第五层是业务应用与组织运营。

智能体进入软件研发、

知识管理、

客户服务、

企业

运营、

行业业务和区域产业平台

，

并通过业务指标评价实际价值。

随着智能体数量

增加

，组织需要管理智能体角色、

任务、

成本、

绩效和协作关系

，使智能体逐步成

为组织生产能力的一部分。安全治理、效果评价、运行可观测和成本管理贯穿以上各层。企业不仅需要了解最终输出

，还需要了解智能体使用了哪些模型和数据、调用了哪些工具、任务如何执行、在哪个节点发生异常

，以及每项任务产生了多少成本。只有运行过程保持透明

，企业才能持续优化智能体并扩大应用规模。OpenCSG2026·

AgenticOps方法论

3.8

AgenticOps总体架构｜基础与能力服务26AgenticOps形成

“业务需求—数据与知识—模型和工具—智能体—任务执行—业务反馈—持续优化”

的完整闭环。

业务需求决定智能体需要完成的目标

，数据和知识提供任务上下文

，模型完成理解与推理

，

工具连接真实系统

，智能体组织任务并完成执行

，

业务结果和用户反馈再进入评价和数据治理过程。这一闭环改变了传统

AI项目的交付方式。

企业不再只在项目开始阶段准备一次数据

，也不再将模型部署视为最终结果

，

而是通过真实使用持续产生新的反馈。

高质量反馈可以进入知识库

，典型问题可以形成评价数据

，成功任务可以沉淀为模板

，

异常过程可以推动权限和工作流优化。

模型、

数据和智能体由相互独立的技术模块

，逐步形成能够持续学习和更新的生产体系。OpenCSG2026·

AgenticOps方法论

3.9从数据到业务的持续闭环业务应用与组织运营智能体开发、

编排与协作模型

·

知识

·工具服务AI资产与治理基础资源与运行环境开放

AI基础设施与

AgenticOps总体架构安全治理效果评价运行观测成本管理贯穿能力2704OpenCSG产品体系：支撑

AgenticOps全生命周期这些产品并不是彼此独立的工具

，而是在不同层面承担AgenticOps的关键能力。

OpenCSG社区提

供开放模型、

数据和开发资源

，CSGHub负责组织级AI资产沉淀与治理

，CSGLite让模型进入个人

设备和本地开发环境

，CSGClaw组织多个专业智能体协作执行任务

，AgenticHub将智能体连接到组

织知识、

工具和业务系统

，最终形成从开放资源获取、

资产治理

，到智能体开发、任务执行和持续运营的完整路径。

同时

，AIGateway提供统一模型服务接入与调用治理能力

，进一步连接多模型服

务、API调用、计量与运行管理。OpenCSG社区开放模型、

数据与开发资源CSGHub组织级

AI资产治理CSGLite面向个人与OPC的本地

AI工作台CSGClaw面向OPC的多智能体协作平台AgenticHub组织级智能体开发与运营OpenCSG围绕AgenticOps建设覆盖OpenCSG社区、企业平台、本地运行和智能体协作的产品体系。CSGHub面向组织级

AI资产管理和企业私有化运行

，CSGLite面向个人设备和本地

AI应用

，CSGClaw面向个人开发者及小型团队的多智能体协作

，AgenticHub面向组织级智能体开发、

运行和管理。

围绕软件研发

，OpenCSG还通过代码智能和研发智能体能力

，推动

AI进入需求、开发、测试和交付过程。OpenCSG2026

·产品体系

4.1产品体系总体架构29OpenCSG2026

·产品体系

4.1产品体系总体架构｜企业产品地图企业路径：

围绕资产治理、

开发、

发布、

运行和反馈形成闭环OPC路径：

围绕本地运行、

多智能体协作和个人智能基础设施形成闭环30CSGHub是面向模型、数据集、代码、

Prompt、

MCP、Skills、

Notebook、应用、智能体、评测记

录和部署记录等资源的组织级AI资产管理平台

，支持OpenCSG社区协作和企业私有化部署。平台将分散在服务器、个人环境、研发工具和外部社区中的AI资源纳入统一体系

，通过仓库、版本、权限、元数据和生命周期管理

，使企业能够持续沉淀和复用AI建设成果。OpenCSG2026

·产品体系

4.2CSGHub：企业与组织级

AI资产管理平台CSGHub统一托管

·

版本

·

权限元数据

·生命周期跨团队复用社区协作持续沉淀企业私有化部署Prompt应用代码MCP模型智能体数据集31模型资产可以记录模型来源、

参数信息、

许可证和适用场景

，

数据资产可以通过预览和元数据提高

可理解性

，代码和应用能够与模型及数据形成关联

，

Prompt和工具也可以按照业务场景进行组织。

企业由此能够了解内部拥有哪些AI资源、

资源由谁维护、

哪些应用正在使用

，

并减少重复下载和重

复建设。企业AI建设过程中会持续产生模型文件、数据集、代码仓库、知识资源、

Prompt、

工具、应用和

智能体。

如果这些资源分别保存在不同系统中

，资产查找、版本追踪和跨团队复用会变得困难。CSGHub通过统一资产目录和仓库体系

，使不同资源能够在同一平台完成创建、托管、检索、

共享

和版本管理。Prompt与工具按照业务场景组织模型来源

·

参数

·

许可证

·

场景数据预览

·元数据

·

版本代码与应用与模型、

数据形成关联

4.2.1统一管理多类型

AI资产创建托管检索共享版本管理51243OpenCSG2026

·产品体系32AI资产只有进入运行才能产生业务价值。

CSGHub支持模型推理服务、

训练微调、

应用空间和评价

能力

，使模型能够从静态文件进入开发和使用过程。

开发团队可以在平台中验证模型能力

，

根据业

务数据进行微调

，

并将经过评价的模型发布为服务

，

为知识库、

智能体和业务应用提供统一接口。模型服务层降低上层应用对具体模型部署方式的依赖。

当企业需要更换模型或引入新的模型版本时

，可以先在平台完成效果和资源评价

，再通过统一服务方式进入应用

，减少业务系统大范围修改。模型性能、运行资源和业务效果也能够形成持续评价

，为模型选择提供依据。OpenCSG2026

·产品体系 4.2.2模型服务、微调和评价CSGHub在持续迭代中增强了应用空间、

推理端点、

Playground、

评价、

同步和分析等能力

，

并围绕企业多用户和国际化场景不断优化平台体验。效果与资源评价知识库/

智能体

/

应用发布为服务模型资产训练微调能力验证持续迭代33DataFlow面向企业数据处理建立组件化和流水线能力

，将不同处理步骤组织为可重复运行的数据流

程。

企业可以根据业务需求选择和组合数据处理组件

，

将分散原始数据转化为高质量数据集

，

并持

续更新知识库和模型训练资源。

数据处理结果进入CSGHub资产体系后

，

可以保留版本、

来源和质

量信息

，

为模型和智能体提供稳定的数据基础。

4.2.3数据治理与DataFlow企业数据通常来自业务系统、文档、

日志、数据库和外部资源

，原始数据难以直接进入模型训练和智能体应用。数据治理需要完成提取、清洗、

去重、筛选、标注、脱敏、质量评价和安全检查

，并保持处理过程可复用和可追踪。高质量数据集→CSGHub资产体系DataFlow：

可组合、

可重复运行的数据处理流程提取清洗去重筛选标注脱敏质量评价安全检查54671238OpenCSG2026

·产品体系34Prompt管理MCP管理随着MCP等工具连接协议发展

，企业还需要对工具服务进行统一管理。CSGHub支持MCP资源的托

管、同步、

配置和部署

，使智能体可以更加标准化地连接搜索、数据库、代码环境和企业系统。

工具由单个应用的私有能力转化为组织可复用资源

，能够减少不同智能体重复开发接口。Prompt是模型与业务逻辑之间的重要连接

，但在企业中往往分散在代码、文档和个人工作空间中。CSGHub支持Prompt的创建、

分类、版本和协作管理

，使提示词能够作为正式AI资产被维护

，并与模型、应用及业务场景形成关联。智能体标准化连接模型、

工具与企业系统创建分类托管同步版本协作配置部署

4.2.4Prompt与MCP管理关联模型与场景连接工具服务OpenCSG2026

·产品体系35这种社区与企业协同的方式

，使开放创新和自主控制能够同时存在。

企业不需要重新建设独立模型生态

，也不需要将核心数据上传到外部平台

，而是可以在自主环境中持续使用开放技术成果。 4.2.6安全、权限与合规企业级AI资产管理需要覆盖身份、权限、许可证、

审计和高可用等能力。

CSGHub可以根据组织、

团队、项目和资产设置访问边界

，并通过日志记录资源上传、修改、

同步、部署和调用过程。对于不同来源的模型和数据

，平台可以保留许可证和元数据

，支持企业进行使用范围和风险管理。在金融、政务、

军工和大型企业等场景中

，平台可以部署在内部网络和私有计算环境中

，使数据和模型保持在企业控制范围内。通过与企业现有身份、存储、

DevOps和安全体系连接

，AI资产管理能够进入组织既有治理框架。

4.2.5OpenCSG社区与企业环境协同企业需要持续使用OpenCSG社区中的新模型和数据

，同时保持内部资产安全。

CSGHub通过社区资源访问和同步能力

，将公共社区与企业私有环境连接起来。企业可以根据需要将模型和数据引入内部

，在完成安全检查、权限审批和效果评价后进入业务使用

，也可以根据内部要求保持模型、数据和应用完全私有。OpenCSG社区新模型开放数据技术与应用成果企业私有环境内部模型与数据私有应用自主控制权限审批效果评价安全检查OpenCSG2026

·产品体系36随着开放模型能力提高

，本地AI正从技术爱好者的实验逐渐进入开发和实际应用。个人开发者、小型团队和OPC希望在自己的电脑或服务器中运行模型

，以降低使用成本、保护本地数据

，并将模型

接入代码工具、知识库、智能体和业务应用。但传统本地部署需要配置运行框架、模型文件、推理

参数和接口服务

，技术门槛较高。CSGLite是OpenCSG推出的轻量化本地大模型运行底座

，通过单一程序整合模型查找、下载、本地推理、交互对话和标准

API服务

，使用户能够更加简单地启动和管理本地模型。用户可以根据设备资源选择不同模型和量化版本

，并通过统一接口将模型能力提供给其他应用。CSGLite本地

AI工作台

4.3CSGLite：面向个人与OPC的本地

AI工作台标准

API服务交互对话下载与量化版本本地推理模型查找OpenCSG2026

·产品体系37CSGLite的价值不仅是让模型在本地运行

，还在于连接本地模型、OpenCSG社区模型和外部模型服

务。

开发者可以先使用本地模型完成应用验证

，再根据任务复杂度选择更高能力的模型；涉及隐私

数据的任务可以保留在本地

，复杂推理则可以按需调用云端服务。统一连接减少不同模型之间的适

配成本

，也使用户能够根据实际效果和成本自由选择。在软件研发场景中

，

CSGLite可以通过标准API与代码智能体和开发工具连接

，

使国产模型、

本地模型和开放模型进入

AI编程流程。

用户不需要为每个工具分别

配置推理环境

，

而可以通过本地服务统一提供模型能力

。

OpenCSG持续推动