今日行业协会发布最新研究成果行人被美国客机撞上后吸入引擎死亡 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

怀柔区宝山镇南开区长虹街道蓟州区官庄镇广东省深圳市内蒙古乌海市乌达区平山县小觉镇四川省成都市金牛区宝坻区牛家牌镇河东区大直沽街道许昌市建安区重庆市市辖区北碚区福建省厦门市湖里区朝阳区酒仙桥街道黑龙江省鸡西市鸡冠区喀什地区叶城县重庆市县巫山县云南省文山壮族苗族自治州广南县江西省景德镇市昌江区上海市市辖区嘉定区甘肃省庆阳市镇原县山西省吕梁市中阳县鹿泉区寺家庄镇百色市田林县密云区河南寨镇鹿泉区白鹿泉乡黑龙江省绥化市明水县门头沟区大峪街道银川市贺兰县甘肃省白银市景泰县蓟州区官庄镇平山县岗南镇海南省海口市美兰区湖北省孝感市汉川市许昌市建安区甘肃省陇南市武都区平山县东回舍镇山东省泰安市泰山区无极县大陈镇内蒙古鄂尔多斯市康巴什区四川省成都市新都区黑龙江省绥化市明水县海南省海口市美兰区江苏省连云港市赣榆区黑龙江省鹤岗市顺义区空港街道陕西省宝鸡市眉县湖北省恩施土家族苗族自治州建始县怀柔区龙山街道辽宁省朝阳市北票市和平区南市街道无极县大陈镇山东省东营市垦利区陕西省汉中市留坝县青海省海南藏族自治州贵德县无极县大陈镇昌平区阳坊镇蚌埠市龙子湖区巴音郭楞蒙古自治州和硕县四川省甘孜藏族自治州九龙县四川省广元市福建省福州市罗源县固原市西吉县长安区南村镇辽宁省朝阳市北票市陕西省汉中市南郑区西藏拉萨市达孜区山东省滨州市陕西省商洛市山阳县黑龙江省大兴安岭地区呼玛县芜湖市南陵县蓟州区东二营镇赞皇县西龙门乡井陉县吴家窑乡桂林市兴安县甘肃省庆阳市镇原县钦州市江苏省连云港市赣榆区青海省玉树藏族自治州治多县福建省莆田市城厢区广东省深圳市辽宁省铁岭市开原市洛阳市汝阳县丰台区右安门街道防城港市东兴市喀什地区麦盖提县桂林市兴安县四川省宜宾市翠屏区宝坻区牛家牌镇四川省宜宾市翠屏区平顶山市卫东区山东省泰安市东平县云南省红河哈尼族彝族自治州绿春县静海区大邱庄镇丰台区右安门街道百色市靖西市云南省玉溪市新平彝族傣族自治县山东省烟台市牟平区山东省淄博市临淄区陕西省咸阳市兴平市山东省聊城市冠县

本周行业协会公开重要研究成果滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

陕西省商洛市山阳县湖北省襄阳市襄州区山西省晋中市太谷区洛阳市汝阳县海南省儋州市江苏省连云港市赣榆区平顶山市湛河区昌平区阳坊镇辽宁省本溪市溪湖区昌平区小汤山镇山东省烟台市牟平区密云区不老屯镇青海省玉树藏族自治州治多县甘肃省定西市渭源县怀柔区雁栖地区北辰区广源街道许昌市建安区武清区汊沽港镇陕西省西安市未央区朝阳区小红门地区山西省朔州市山阴县山西省晋城市高平市平顶山市卫东区海南省三沙市西沙区四川省凉山彝族自治州昭觉县陕西省汉中市南郑区新乐市协神乡四川省成都市新都区密云区古北口镇西城区天桥街道宝坻区牛家牌镇合肥市瑶海区和田地区南阳市内乡县江西省宜春市奉新县平山县小觉镇山西省吕梁市岚县江西省吉安市吉安县湖北省恩施土家族苗族自治州恩施市丰台区长辛店镇山东省威海市四川省凉山彝族自治州昭觉县甘肃省陇南市武都区山东省泰安市东平县四川省甘孜藏族自治州九龙县江苏省徐州市丰县青海省海南藏族自治州贵德县山东省东营市垦利区黑龙江省绥化市明水县陕西省汉中市南郑区辽宁省沈阳市浑南区和平区南市街道江苏省徐州市丰县开封市通许县桂林市兴安县蚌埠市蚌山区广东省佛山市三水区四川省甘孜藏族自治州丹巴县重庆市市辖区北碚区湖北省宜昌市夷陵区鹿泉区白鹿泉乡福建省厦门市湖里区亳州市利辛县湖北省孝感市汉川市江苏省南通市启东市云南省西双版纳傣族自治州勐腊县固原市西吉县伊犁哈萨克自治州昭苏县西藏山南市贡嘎县和平区南市街道云南省西双版纳傣族自治州勐腊县怀柔区宝山镇福建省莆田市仙游县怀柔区龙山街道平山县宅北乡青秀区西藏山南市海淀区青龙桥街道贵州省黔南布依族苗族自治州惠水县喀什地区麦盖提县喀什地区麦盖提县丰台区宛平城地区青海省海南藏族自治州贵德县山西省吕梁市岚县福建省福州市罗源县云南省红河哈尼族彝族自治州泸西县朝阳区小红门地区湖北省宜昌市西陵区江苏省南通市启东市丰台区长辛店镇青海省玉树藏族自治州治多县四川省宜宾市珙县辽宁省铁岭市清河区陕西省汉中市留坝县福建省厦门市湖里区四川省凉山彝族自治州甘洛县山西省运城市夏县山西省临汾市安泽县信阳市平桥区塔城地区和布克赛尔蒙古自治县

全球服务区域:黑龙江省大兴安岭地区呼玛县陕西省宝鸡市眉县陕西省咸阳市兴平市辽宁省沈阳市浑南区山西省晋中市榆社县辽宁省铁岭市开原市山东省聊城市茌平区甘肃省庆阳市镇原县崇左市福建省福州市永泰县银川市贺兰县静海区大邱庄镇钦州市江苏省徐州市山东省泰安市泰山区桂林市秀峰区黑龙江省伊春市金林区重庆市县巫山县四川省成都市金牛区江西省吉安市永新县山东省淄博市临淄区海南省海口市美兰区四川省乐山市江西省宜春市宜丰县福建省南平市建瓯市山西省阳泉市平定县喀什地区叶城县四川省甘孜藏族自治州吉林省白山市浑江区四川省广元市昌平区延寿镇江苏省南京市浦口区百色市田林县甘肃省兰州市和田地区山东省潍坊市青州市江西省萍乡市上栗县山西省吕梁市中阳县江苏省镇江市句容市山西省忻州市定襄县山东省威海市山西省长治市襄垣县开封市通许县贵州省黔南布依族苗族自治州惠水县福建省福州市永泰县甘肃省兰州市上海市市辖区嘉定区开封市通许县朝阳区管庄地区淮南市大通区青海省海南藏族自治州贵德县山西省忻州市宁武县武清区汊沽港镇云南省大理白族自治州云龙县内蒙古鄂尔多斯市康巴什区江西省吉安市永新县辽宁省铁岭市清河区辽宁省铁岭市开原市四川省凉山彝族自治州西昌市许昌市建安区北辰区广源街道四川省德阳市广汉市山西省晋中市榆社县江西省赣州市石城县北辰区广源街道江西省宜春市宜丰县江苏省南京市浦口区鹿泉区寺家庄镇云南省玉溪市新平彝族傣族自治县丰台区长辛店镇博尔塔拉蒙古自治州温泉县贵州省六盘水市水城县黑龙江省佳木斯市富锦市井陉县测鱼镇崇左市宁明县武清区汊沽港镇吉林省白山市浑江区山东省烟台市牟平区长安区广安街道湖北省恩施土家族苗族自治州恩施市江苏省徐州市辽宁省辽阳市白塔区蓟州区官庄镇云南省文山壮族苗族自治州广南县丰台区长辛店镇元氏县苏村乡合肥市瑶海区山东省青岛市城阳区四川省遂宁市蓬溪县四川省德阳市广汉市陕西省咸阳市兴平市山西省忻州市定襄县江苏省徐州市山东省聊城市冠县贵州省六盘水市水城县黑龙江省七台河市桃山区桂林市秀峰区四川省广安市岳池县博尔塔拉蒙古自治州温泉县西城区月坛街道

本月行业报告公开新研究成果滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：和平区南市街道内蒙古锡林郭勒盟正镶白旗青海省海西蒙古族藏族自治州德令哈市湖北省恩施土家族苗族自治州建始县青秀区武清区汊沽港镇山东省枣庄市台儿庄区马鞍山市博望区大兴区蓟州区东施古镇陕西省西安市未央区四川省成都市新都区四川省德阳市广汉市福建省福州市永泰县西藏阿里地区日土县甘肃省定西市渭源县黑龙江省伊春市金林区四川省乐山市甘肃省庆阳市镇原县陕西省商洛市山阳县山东省青岛市城阳区广东省深圳市四川省成都市新都区内蒙古鄂尔多斯市康巴什区海南省儋州市密云区不老屯镇福建省莆田市仙游县武清区汊沽港镇平山县东回舍镇云南省普洱市景东彝族自治县淮南市大通区西乡塘区福建省南平市山西省阳泉市平定县福建省南平市建瓯市山西省吕梁市中阳县百色市田林县辽宁省本溪市溪湖区山西省忻州市定襄县马鞍山市博望区四川省甘孜藏族自治州九龙县辽宁省本溪市溪湖区福建省莆田市城厢区亳州市利辛县江苏省南通市启东市喀什地区麦盖提县江苏省徐州市新沂市山西省朔州市山阴县密云区不老屯镇黑龙江省绥化市明水县喀什地区叶城县焦作市沁阳市马鞍山市博望区合肥市瑶海区平山县宅北乡武清区上马台镇桂林市秀峰区密云区高岭镇丰台区右安门街道山西省忻州市宁武县延庆区康庄镇四川省甘孜藏族自治州泸定县长安区广安街道湖北省孝感市汉川市河东区东新街道武清区汊沽港镇乌鲁木齐市沙依巴克区山东省枣庄市台儿庄区山东省聊城市茌平区山东省东营市垦利区密云区不老屯镇辽宁省锦州市义县西藏阿里地区日土县陕西省汉中市留坝县亳州市利辛县河东区大直沽街道山东省青岛市城阳区陕西省西安市未央区密云区高岭镇广东省汕头市南澳县云南省红河哈尼族彝族自治州绿春县焦作市海南省儋州市平山县东回舍镇福建省南平市宝坻区牛家牌镇辽宁省沈阳市浑南区密云区河南寨镇山西省运城市夏县吉林省四平市铁西区赵县沙河店镇青海省海南藏族自治州贵德县福建省厦门市海沧区陕西省宝鸡市千阳县桥西区东华街道阿克苏地区拜城县平山县东回舍镇昌平区小汤山镇芜湖市南陵县广东省云浮市新兴县

售后服务上门服务电话，智能分配单据：滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索

上一篇文章《记忆，是智能体的“灵魂”》讨论了滴普科技 FastAGI 这一类企业智能体平台需要怎样的记忆机制—— AI 在企业里“记什么”，知识的载体应该长什么样。 这一篇，我想接着讨论模型本身的 Plan 能力—— AI 在企业里“怎么想、怎么动”，规划的依据应该长什么样。 这是企业智能体落地里面一条相对被低估、但越来越清晰的主线。

Plan（规划）能力，是 Agentic Model 这一代真正的核心能力——给定一个目标，模型便能自主决定要做什么、按什么顺序、调用什么工具、何时停止、如何修正。它本质上是模型内化的一种推理策略（Reasoning Strategy）。这件事，通用模型目前在 Coding、个人助理、Web 浏览这些公开领域，已经做得相当不错——它们靠的是公开语料里上千亿token 的“任务做法”积累。

但当华体汇(中国)让 Agent 在企业里真正替代或辅助一个具体专业岗位完成具体工作，如做一次故障诊断、规划一次商品促销、完成一项跨系统的业务推理时会发现：通用模型的 Plan 能力，在这些场景里并不会仅仅以“模型再变强一点”的方式简单延伸过去。它和企业级业务规划能力之间，差的不是能力档位，而是一种语义底座——企业的本体、规则、规程、因果等，这些从来不在公开语料里。

这一篇内容就是要把这件事讲清楚——什么是企业级 Plan 能力，通用模型 Plan 能力在企业 AI 落地中哪些场景够用、哪些场景不够，真正需要补全什么。

企业级 Plan 能力本质上不是替代通用模型 Plan 能力，而是在它之上建立更高一层的业务语义能力。在文章后半部分，我会把滴普科技 Deepexi 企业大模型，作为产业上一种具体的工程实践放进来讨论。

一 · 企业级长任务相对于公开领域长任务，在工程上是另一种结构

企业级长任务和公开领域任务，从工程上看，不只是“难度更高”，而是另一种结构。具体来说，企业级长任务具备的四个核心特征导致两者差异明显。

特征一：多跳因果链跨多个数据源，且链路是“语境动态生成”的

企业里大量的真实业务推理是 5 跳、10 跳、20 跳的长链路。一次故障诊断从现象到根因可能要跨 6 个数据源，一次销售复盘从结果到行动可能要追 8 跳。更关键的是，这些链路不是“查表能查到的固定故障树”。同一类故障在不同企业、不同产线、不同时间点，合理的追溯路径完全不同。链路是依赖具体语境动态生成的，这些链路并不都是写在手册中能被检索出来的字段。

同样的症状，不同的根因路径。 某激光设备制造商和某新能源车企焊装产线，都出现了“伺服过载报警 + X 轴定位漂移 + 节拍下降 8%”的相同症状。但前者的真实根因是车间隔壁的等离子焊机谐波干扰，后者的真实根因是 MES 里 72 小时前的车型切换参数同步问题。这两条路径不在任何一份 SOP 里——它们是这两家企业本体里“边该怎么走”的程序性知识。区分它们需要的不是更多的文档，而是本体层面的程序性理解。特征二：存在跨 SOP 的规则冲突，需要本体层级的优先级仲裁

企业有成百上千份 SOP、操作规程、合规手册，它们在写的时候各管一摊，没有人保证它们之间是完全一致的。当任务推理走到关键决策点时，经常面对的不是“按某一份 SOP 办事”，而是“两份 SOP 给的指令冲突，哪一份优先”。

这种仲裁不是在某一份文档里能查到答案的，比如“反洗钱合规”和“客户体验提速”两套规则在同一笔交易上冲突时，哪个优先取决于企业的本体里这两类规则的元层级如何定义。

特征三：任务推理动态展开的本体子图，token 预算装不下

一次企业级长任务推理，在多跳推理过程中动态展开的相关本体子图——所有相关实体、实体间关联的边、每条边的语义、相关 SOP 的元层级关系——经常达到几十万 token 量级。即使是 1M context 的模型，把任务推理过程中动态展开的本体子图全部塞进 prompt，工程上也并不经济、效果上也不可靠。

这意味着模型必须靠“权重里已经内化的结构”来导航，它不能依赖每次都把完整本体塞进 prompt，必须在面对一个任务时，凭借内化的本体结构知道“该往哪条边走、哪条边可以先剪掉”。

特征四：“该停在哪”本身就是一个推理动作

企业级长任务里，“什么时候停止追溯、切换到给出结论”是一个独立的推理动作。停早了，根因没找到，答案是表面的；停晚了，会陷入无限回溯，token 消耗暴涨，用户体验崩溃等情景中。

这种“该停在哪”的判断，依赖模型对本体里某些边类型的语义识别，比如某条边表示“这是一个根因节点”（意味着推理可以终止），某条边表示“这是一个中间假设”（意味着推理还要继续）。这种边的程序语义，无法靠把边的名字塞进prompt 来传递——必须靠模型对边类型的内禀理解。

这四个特征加起来，描绘了企业级长任务的真实工程现实。它们和公开领域任务的差别，不是“难度档位”的差别，是“任务结构”的差别。后面要讨论的所有工程取舍，都建立在这四个特征上。

二 · 通用 Agentic Model 的能力延伸到 B 端，无法在深度业务岗位成为 AI 员工

Agentic Model 在公开领域已经证明了自己在通用业务领域的 Plan 能力：给定目标后，模型可以拆步骤、选工具、观察反馈、修正路径，直到任务完成。像Coding、网页操作、个人助理等场景之所以效果惊艳，背后有几个隐含前提：工具语义大体在公开训练分布内；任务目标可由通用常识拆解；工具反馈能被模型直接理解；停止条件也相对清晰。

但当这套能力延伸到 B 端，尤其进入制造、零售、医疗、金融、供应链等深度业务岗位时，这些前提会被打破。企业里的工具不是公开工具，字段不是通用字段，流程不是单线流程，反馈也不全是自然语言反馈。模型即使能调通很多系统，仍可能无法完成企业业务里的逻辑推理。

失效条件一：业务对象不在训练分布内

第一章的故障诊断例子已经说明，同样的报警症状，在不同企业可能走向完全不同的根因路径。真正决定诊断方向的，不是模型能不能查到 MES、PLC 日志、设备台账和维修记录，而是它是否理解这家企业自己的设备结构、工艺路径和故障因果链。

如果不理解“报警码”“参数组”“工位编号”背后的企业语义，通用 Agentic Model 的 Plan 能力就会退化为基于字段名的猜测。它能生成排查清单，却难以判断哪条边是症状到部件，哪条边是部件到原因，哪条边会构成根因证据。

失效条件二：业务目标是派生结果

零售经营复盘中，区域总监问：“华东大区销售额完成率 73%，差 270 万，明天会议讨论什么行动？”通用模型容易回答：“加大促销、优化华体汇电竞-华体汇(中国)组合、提升客单价。”问题在于，“销售额”不是可直接操作的动作，而是销量、均价、渠道结构、促销节奏、库存可得性等多个杠杆共同作用后的结果。

正确的规划应先识别“销售额”是派生量，再沿企业本体反向追溯到可执行杠杆，并判断这些杠杆组合起来能否补上270 万缺口，是否打穿毛利约束。通用模型知道公式，不等于知道在业务推理中看到派生量时，要触发反向追溯。

失效条件三：业务动作受多目标多规则约束

企业任务往往不是“完成”就可以，而是要在多目标、多约束、多规则冲突下，合规完成。零售目标分解里，深度促销可能会拉高销量，但也会压低毛利和均价；商品结构上移可能会提升均价，但也会降低转化；直播投放可能带来销量，但也会改变渠道费用结构。金融合规中，客户体验、反洗钱、额度占用、黑名单筛查在同一笔交易上时，也会发生冲突。

这类任务需要先把动作折算到同一组约束等式和规则优先级里，判断是否存在可行域。否则模型可能给出若干单独看都合理，合在一起却互相打架的建议。从企业角度看，这不是可执行计划，只是并列建议。

失效条件四：停止点由企业本体决定

企业级推理不是越长越好，也不是越短越好。故障排查停早了，会停在“检查电机负载”这类表面结论；停晚了，又会在所有可能部件之间无限扩展。订单履约和合规审计也一样：什么时候证据足够、什么时候还只是中间异常、什么时候必须切换到人工复核，都不是通用语言能力能稳定判断的。

真正决定停止点的是企业本体里的边类型：有些边表示中间假设，有些边表示根因确认，有些边表示需要人工复核，有些边表示可以进入处置模式。没有“边的业务语义 -> 下一步推理动作”的稳定映射，Plan 的观察－修正闭环会在关键节点断掉。

所以，Agentic Model 延伸到 B 端后的主要断点，不是工具数量不够，也不是上下文窗口不够大，而是业务语义层Plan能力缺位。模型可以接入更多系统、调用更多 MCP 工具、读取更多 SOP，但只要不知道企业本体里哪些对象、边、规则和约束应该触发什么推理动作，就无法稳定完成企业业务的逻辑推理。

企业智能体 落地不能把通用 Agentic Model 直接当成深度业务岗位的 AI 员工，而是要让 Plan能力跑在企业本体语义空间里，先解决“在企业里该怎么想”。

三 · 企业智能体落地需要分层Plan能力

Agentic Model 的 Plan 能力延伸到 B 端后，在企业智能体 落地时需要的是一个具备两层 Plan 能力的模型——这是同一个模型内部的两层：上面一层是业务语义层 Plan能力，负责“干什么”；下面一层是通用执行层 Plan能力，负责“怎么干”。两层各司其职、协同工作，但融合在同一套模型权重里。

企业智能体需要增加业务语义层Plan能力

业务语义层 Plan（业务推理策略）——它的输入是“业务任务”，输出是“业务意图序列”。它思考的是：这是个什么业务问题？在企业本体里需要走哪条推理路径？这一步在业务上算成功吗？现在该收敛了，还是继续？触发了哪条规则、需要什么仲裁？它的语义底座是企业本体。

通用执行层 Plan（工具调用策略）——它的输入是“业务意图”，输出是“工具调用序列”。它思考的是：用什么工具实现这个意图？参数怎么传？出错了怎么重试？返回怎么解析？它的语义底座是通用工具集——这正是 Agentic Model + Harness 在 C 端已经做得非常好的事情。

下面这张图把这两层 Plan 能力在 Deepexi 这种本体大模型内部的结构关系画出来——它们不是两个独立的模型，而是同一套模型权重里融合的两种推理模式。

图 1 本体大模型的两层 Plan 架构 —— 业务语义层 + 通用执行层在同一套权重里融合

业务语义层Plan能力和通用执行层 Plan能力的协作流程

一个企业级任务进来——业务语义层 Plan 在本体里定位任务（这是什么类型的业务问题、涉及哪些实体）→ 拆解出业务级别的子任务（先做反向追溯、再做约束求解、最后做收敛判断）→ 对每个子任务形成“业务意图”（比如“在销售本体里从销售额节点沿 actionable_via 边走到杠杆层”）→ 把业务意图交给通用执行层 → 执行层把意图翻译成工具调用序列、跑工具、拿结果 → 业务语义层评估结果在业务上是否达成意图 → 决定下一步业务动作。

上一节讲的四个失效条件，本质上都是因为没有业务语义层 Plan的情况下——通用 Agentic Model 直接把业务任务当工具调用任务来处理，跳过了“干什么”这一层。

而业务语义层和通用执行层这两层之间的协作是高频发生的——每一跳推理都可能反复切换：业务语义层提出意图、通用执行层调工具、业务语义层评估结果、生成下一个意图。如果完全拆成两个独立模型，业务意图、工具反馈、本体语义都要反复在外部消息中显式传递，工程复杂度和语义损耗都会显著上升。

更根本的是，业务语义层评估通用执行层的输出时——“这个工具调用结果在业务上算成功吗？”“返回的这堆字段在企业本体里对应什么？”——需要业务语义层能“看懂”执行层正在做的事。在同一个模型里，两层共享内部表征（同一套对企业本体、对工具、对业务规则的内化理解），这种评估是天然进行的；如果拆成两个模型靠 prompt 传递，信息会逐层丢失。

所以业务语义层在决定“下一步该走哪条边”时，需要知道当前手里有哪些工具能力可用、每条工具的边界在哪里。这种“知道自己手里有什么牌”的能力，在同一个模型里是最佳的工程实践，把两层 Plan 的能力融合到同一套权重里，通过训练让模型学会在不同任务情境下激活不同的推理动作。

业务语义层 Plan 和通用执行层 Plan 不是两个串行的模型，它们是同一个模型内部的两种推理模式，由训练把两种“边类型 → 推理动作”的条件反射融合到同一套权重里。 这是本体大模型这一代和“通用模型 + 外挂规划器”路线的根本差异。这里说的同一个模型，指的是 Deepexi 内部面向企业任务时业务语义层 Plan能力与通用执行层 Plan能力的融合；FastAGI 层面的多模型协同，则是Deepexi 与通用语言模型、代码模型、多模态模型之间更大范围的分工。业务语义层 Plan 能力需要内化的多种推理策略

讲清楚两层 Plan 能力的协作之后，接下来要回答的是：业务语义层 Plan 能力具体需要在模型权重里编码什么能力。

从上一节四个失效条件反推，它至少需要内化四种推理策略，这些本质上都是“看到企业本体里的某种结构特征，触发对应推理动作”的条件反射。当然在实际企业业务场景中，则需要内化更多的推理策略。

第一，识别派生量节点，触发反向追溯。看到销售额、利润率、完成率等结果型指标时，模型不能停留在指标解释，而要沿企业本体反向追溯到可操作的杠杆层，把“销售额差 270 万”翻译成城市销售经理真正能执行的动作组合。第二，识别约束等式，触发多目标求解。看到“销售额 = 销量 × 均价”“毛利 = 销售额 - 成本”等业务公式时，模型要触发约束求解和副作用排查，而不是把公式复述一遍。当目标之间发生数学冲突时，要判断可行域；如果不可行，要说明哪个目标必须松动、松动到什么程度。第三，识别根因节点，触发推理终止和处置模式切换。当本体节点已经构成确认性根因时，模型要停止继续追问“为什么”，转入“怎么修、需要哪些资源、是否需要人工介入”。如果当前节点仍是中间假设，则继续追溯。第四，识别动态语境，选择追溯路径。同一个业务症状，在不同企业本体里的合理路径可能完全不同。模型必须基于相邻设备布局、参数变更历史、批次切换记录等私有结构特征，动态生成本次追溯路径，而不是套用公开手册里的通用故障树。

图 2 业务语义层 Plan 的多种推理策略示意 —— 看到企业本体里的某种结构特征， 触发对应推理动作

这几种策略在 Deepexi 内部不是拼接的独立模块，而是训练进同一套权重里的业务语义反射能力。它们解决的是业务语义层Plan“在企业本体里该怎么想”的问题；通用执行层 Plan 再负责把这些业务意图翻译成具体工具调用。两层协同，企业级智能体才能稳定完成长任务推理。

四 · Deepexi：本体大模型的华体汇电竞-华体汇(中国)答案

讲到这里，我必须把滴普科技自己的华体汇电竞-华体汇(中国)放进来——这是这一篇的“立场披露”段落。和上一篇一样，我不是在做第三方陈述，是在讲华体汇(中国)自己的华体汇电竞-华体汇(中国)定位。

Deepexi 企业大模型，是华体汇(中国)针对前面讨论的“企业级 Plan 能力”做的具体回答。我把它的华体汇电竞-华体汇(中国)形态从四个维度讲清楚——产业站位、华体汇电竞-华体汇(中国)组件、训练数据范式、训练架构分层。

产业站位：Deepexi 是企业级 Plan 能力的承载者

我先说 Deepexi 不是什么——它不是另一个通用大模型。华体汇(中国)没有去和 Claude、GPT、Qwen、DeepSeek 这些通用模型在通用语言能力、通用推理能力上做对标。那个赛道已经有顶级玩家在做，通用语义这一面也是它们的强项。它也不是“通用模型 + 企业 RAG”的封装华体汇电竞-华体汇(中国)。RAG 解决的是事实性知识检索，不解决企业本体的程序性推理。

Deepexi 是企业级 Plan 能力的承载者——一个专门基于企业本体语义做长任务规划与推理的本体大模型。它和通用模型是协同关系，不是竞争关系——通用模型在公开语义空间上做通用执行Plan，Deepexi 在企业本体语义空间上做业务语义Plan，两者协同完成企业级长任务。

Deepexi 在大模型领域里专做一件事——把企业本体的程序性知识训练进模型权重，让企业级 Plan 跑在企业本体语义底座上。 通用模型把成本端 token 单价压下来，Deepexi 把价值端的企业 Plan 准确率提上来。Deepexi Foil ：Plan 能力的本体记忆载体

Deepexi 不只是一个模型权重，它包含一个具体的本体承载组件——Deepexi Foil。这个组件的演进路径本身就反映了滴普这几年的工程积累。Foil 在 Deepexi 里承担的角色，本质上是业务语义层 Plan 运行时的本体接入点——模型跑业务语义层 Plan 时，从 Foil 读企业本体结构；Plan 推理产出的新本体结构，沉淀回 Foil。

Foil 模块原本是 FastData 平台（滴普 8 年来的核心数据底座）中负责本体建模和非结构化数据处理的部分。在过去几年的客户落地中，FastData Foil 是 FDE 工程师做客户本体 schema 整理的核心工具。它处理两类输入：一类是企业里大量的非结构化知识文件（SOP、规程、维修手册、故障案例库），另一类是和业务专家共同抽取出来的本体 schema 草稿。

2026 年华体汇(中国)做了一次架构整合——把 Foil 模块从 FastData 中拆出来，整合进 Deepexi，改名为 Deepexi Foil。原因很简单：本体处理这件事和大模型推理本质上是一件事的两面——本体是大模型推理的底座，大模型推理的产出又会反过来更新本体。把它们放在同一个华体汇电竞-华体汇(中国)里，工程上更顺。

整合后的 Deepexi Foil 在 Deepexi 里承担三个具体角色：

第一，非结构化知识的输入端。企业的 SOP、规程、维修手册等非结构化文件，通过 Foil 进入 Deepexi 的本体处理链路。第二，本体生成结果的承载端。Deepexi 在客户环境里抽取、推理、更新出来的本体结构，沉淀在 Deepexi Foil 里，作为后续推理的可读可改基础。第三，FDE 工程师持续工作的存储载体。即使在 Deepexi 替代了相当一部分 FDE 工作之后，业务专家和 FDE 工程师仍然需要做本体的精修、规则的添加、特殊场景的标注——这些工作的产出，继续存储在 Deepexi Foil 里。Deepology 企业本体高质量数据集是 Deepexi 企业大模型训练的基础

Deepexi 的能力建立在 Deepology 这个企业本体数据集上。Deepology 的三个范式，不是孤立的数据形态，而是直接对应业务语义层 Plan 能力的三层训练目标：

范式一是静态结构层：实体 + 关系 Schema。这一层告诉模型这个 domain 里有哪些实体类型、它们之间存在哪些类型的关系、关系上携带哪些属性。它训练的是模型“识别业务对象”的能力——直接对应第二章失效条件一（业务对象不在训练分布内）。模型先学会一个 domain 的“本体语法”，知道这个行业里都有哪些“名词”和“动词”。范式二是路径模板层：核心推理路径定义。这一层用自然语言列出本体里几条典型的多跳推理链路，告诉模型在这个本体里“合法的多跳路径长什么样”——不是单向的因果链，而是带回路、带评估闭环的真实业务推理结构。它训练的是模型“识别多跳推理路径”和“识别约束等式”的能力——对应失效条件二、三（派生量反向追溯、多目标约束求解）。范式三是现象级实例层：层级化树状/图谱状结构。这一层是带条件分支、带终止判断的具体推理轨迹——从现象级问题名称开始，逐层展开“父级子现象 → 子现象 → 排查点 → 部件 → 原因 → 解决方案”。它训练的是模型“识别停止点”的能力——对应失效条件四（停止点由企业本体决定）。模型学会在这种具体场景下，怎么走完一条完整推理路径、什么时候该终止、什么时候该切换到处置模式。

这三个范式共同构成 Deepology 的训练数据形态。截至目前，Deepology 已经积累 108 个业务本体——这是基于过去几年和近400 家头部客户合作过程中，沉淀的真实本体建模 Know-how 转化而来。

Deepexi 训练架构的三层分层

Deepexi 训练逻辑的核心，也是它区别于通用模型训练的关键——通用模型的训练目标是“下一个 token 预测得准”，优化的是语言生成质量；Deepexi 的训练目标多了一层，在企业本体上“下一个推理动作触发得对”，优化的是上一节讲的几种推理策略的触发准确率。

Deepexi 的训练逻辑可以一句话概括：通用模型的训练优化“下一个 token 的生成准确率”，Deepexi 在此之上叠加优化“下一个推理动作的触发准确率”。

前者让模型“会说”，后者让模型“会想、会动”；前者是 Chat / Reasoning Model 的训练范式，后者是本体大模型的训练范式。

具体到工程实现，Deepexi 训练在三个层面上做了 Plan 能力的内化，这三个层级可按照企业业务落地的复用覆盖范围进行划分：

第一层是能力训练：把“看到本体结构特征 → 触发对应推理动作”的条件反射训练进模型权重——反向追溯反射、约束求解反射、推理终止反射等等。这是通过把范式二（路径模板层）和范式三（现象级实例层）的数据按“本体结构特征 → 推理动作”的对应关系组织成 SFT 样本来实现的。这一层是跨企业可复用的——这些反射能力一旦训出来，所有企业、所有行业的长任务推理都用得上。这一层是固定成本投入，边际成本随客户数量趋近于零。第二层是行业本体持续预训练：制造业的“设备－工艺－物料”骨架、零售的“商品－渠道－促销”骨架、银行的“账户－合规-风控”骨架等等。这种能力在通用模型的训练目标里没有显式信号，必须靠定向数据 + 定向训练目标才能内化，使模型学会识别推理链路上的多种信号。这一层是跨行业客户可复用——同一行业的客户共享这套骨架。每加一个新行业是一次性投入，服务该行业所有客户。这一层让 Plan 能力学会在不同行业骨架上展开。第三层是客户本体注入：厂商的具体设备清单、SOP、配电图、华体汇电竞-华体汇(中国)型号切换历史等。这一层是每家客户独有的，需要在客户环境里完成本体对齐（通过 Deepexi Foil 承载）。但这一层是体量最小的一层——前两层已经把“重活”做完了，客户级注入主要是把企业的具体实例数据接入到已经训好的本体推理框架上。这一层让 Plan 能力具体绑定到这家客户的实例数据上。前两层（能力 + 行业）是跨客户摊薄的固定成本投入，客户数量越多，单客户分摊越低。 只有第三层（客户本体）是真正“每家一份”的，且是三层中体量最小的一层。 这是本体大模型在工程经济学上能够规模化的原因。

训练的更多技术细节（损失函数设计、数据配比、消融实验等）会在后续的学术论文中逐步公开，这里只做工程方向上的勾勒。

五 · 用大模型完成 FDE 的工作：产业演进的同一个方向

讲到这里，可能有人会问——这条路（用本体大模型替代 FDE 工程师做企业本体抽取与规划）是滴普一家的判断，还是产业更广的方向？这一节我想认真回答这个问题。

FDE 模式：产业里被反复印证的有效路径

Forward-Deployed Engineer(FDE，前线驻扎工程师)模式由 Palantir 在 2003 年首创——驻扎在客户现场，和客户的业务专家、IT 工程师一起，把这家企业的工作流和模型能力做深度结合。

企业级 Plan 能力不能直接从通用模型权重里涌现，必须有人在客户现场把这家企业的业务本体、规则、推理路径手工实例化。

Palantir 用 20 年实践、Anthropic / OpenAI 用数十亿到百亿美元级别的投入，验证了这件事的工程必要性。

滴普科技自身也是 FDE 路径的实践者

滴普科技在早期和 Palantir、Anthropic / OpenAI 当前强化的企业级工程服务路径，在工程模式上有相似之处——通用模型 + FastAGI 智能体平台 + FastData 数据融合平台 + FDE 工程师驻场。FastData 是滴普 2018 年起的核心华体汇电竞-华体汇(中国)，过去8 年间，在中国市场为诸多大型企业（覆盖先进制造、消费零售、生物医药、商业流通、交通、政务等领域，累计近400 家中大型客户）构建了数据融合 + 业务运营的统一底座——这件事在工程角色上，FastData 与 Palantir Foundry 在全球市场上所承担的角色是相似的。

Palantir 用 20 多年的产业实践、Anthropic / OpenAI 用数十亿美元到百亿美元级别的投入、滴普用 8 年的中国市场落地——都用各自的方式，确认了同一个产业判断： 在企业级 AI 落地这条路上，光有模型不够，FDE 模式是目前为止最有效的工程范式。从 FDE 实践到大模型替代：Palantir、Anthropic/OpenAI和滴普走在同一个演进方向上

这是这一节真正想说的核心——FDE 模式有效，但它的下一步演进方向已经开始浮现。华体汇(中国)来看几件已经发生的产业事实。

第一件：Palantir 自己已经做出了 AI FDE。Palantir 官方文档把 AI FDE 描述为“AI-powered forward deployed engineer, an interactive agent that operates Foundry for you through conversational commands"——一个由 AI 驱动的前线驻扎工程师，通过对话指令操作 Foundry，执行数据转换、代码库管理、本体构建等任务。

第二件：Anthropic 官方宣布企业 AI 服务华体汇电竞-华体汇(中国)，OpenAI 的相关企业部署华体汇电竞-华体汇(中国)安排也由媒体披露。两家全球最顶尖的通用大模型华体汇电竞-华体汇(中国)，在企业级落地上都不是简单卖 API，而是在强化“模型 + 深度工程服务”的路径。它们用最直接的方式说明：通用大模型 + API 调用，在企业级长任务上不够用，必须有 FDE 工程把模型能力翻译成业务能力。

第三件：滴普科技把 Deepexi 作为 FDE 工作中“理解企业本体、抽取本体 schema、做企业级长任务 Plan”这部分能力的模型化承载。FDE 工程师做的本体抽取与企业级长任务 Plan 设计，Deepexi 企业大模型可以承担其中相当一部分通用工作。这不是把 FDE 工程师彻底替代（像业务专家、合规专家、特殊场景的精修工作仍然需要人），而是把 FDE 工程的“通用部分”（本体建模、Plan 模板、推理动作）向模型权重下沉，让 FDE 工程师能从重复劳动里解放出来，专注在真正需要人去做判断的部分。

Palantir 走的是“AI Agent 操作 Foundry 平台”路径——AI FDE 在 Foundry 平台之上，把自然语言请求翻译成对Foundry 本体对象、数据管道、代码库的操作；本体仍然是平台层的可读可改对象；Anthropic 与 OpenAI 的企业级部署布局，验证了 FDE 这个工程范式的产业价值；

而滴普走的是“本体推理能力训练进模型权重”路径——边的程序语义、推理动作的条件反射，是模型参数里编码的能力。模型本身成为本体生成与推理的主体，Deepexi Foil 承担本体可读、可改、可持续沉淀的承载层。

两条路径的底层判断是一致的——FDE 工作中相当一部分（本体抽取、Plan 设计、推理动作）是可以被华体汇电竞-华体汇(中国)化、模型化的； 但具体技术路径有差别——Palantir 走 Agent 操作数据平台，滴普走本体训练进权重。 两条路径都是 FDE 模式基于 AI 的下一步演进。一个克制的产业判断

坦诚地说，Palantir 在全球市场用 20 多年走通了这条路——它的品牌沉淀、市场地位、客户体量，远在滴普之上。不过华体汇(中国)在中国市场，基于近8 年和近400 家客户的落地积累，在这条相似的工程演进路径上，独立做了华体汇(中国)自己的探索。

所以说用大模型本身完成 FDE 工程师的部分工作，是产业演进中一个真实的、值得关注的方向，Palantir、Anthropic / OpenAI 和滴普科技都在这条路上做了自己的探索。

六 · 回到 Token 经济：协同的算式

在回到 Token 经济之前，先回应一个被读者经常问到的问题——Deepexi 这种本体大模型和通用模型、Coding 模型、多模态模型在企业里如何协同？

这个问题不是简单的“多模型分工”——企业级协同有几个独特维度：多 Agent 间的业务语义对齐、关键判断的多模型互校、跨流程的合规审计与回放、人机协作的权限治理。这些维度在通用领域的多 Agent 协同里要么不存在、要么是弱形态，但在企业里全部是硬需求。FastAGI 企业智能体平台便是围绕这些维度做的工程化探索，当然这是另一个独立的话题，这里不展开，留待后续单独讨论。

所以回到上一篇文章开头那个命题——AI 落地是一道 Token 经济题。两篇文章合在一起，这道题的两端就清晰了——上一篇讲的本体范式记忆，解决“价值密度端”（每个 token 携带精确的企业语义）；这一篇讲的本体大模型，解决“Plan 准确率端”（每次推理与工具调用都基于企业本体规划，不浪费 token 在错误规划任务上）。

通用模型解决“通用智能”，把成本端 token 单价压下来。 Deepexi 本体大模型解决“企业智能”，把价值端token 业务密度提上来。 FastAGI 把两者协同起来，统一处理企业级长任务。 这是 Token 经济在企业级场景里真正算得平的工程路径。七 · 写在最后

这一篇的核心判断——本体大模型是企业 智能体 落地的另一条主线，与通用模型协同、统一在 FastAGI 智能体平台下，共同支撑企业级长任务的 Plan 能力，是从华体汇(中国)这几年企业级 AI 落地的真实工作里反复推出来的。

Agentic Model 在公开领域取得的成就是真实的，企业级 AI 不是公开领域的简单延伸，它有自己独特的语义结构、独特的失败模式、独特的工程化路径。Anthropic 和 OpenAI 通过企业级工程服务华体汇电竞-华体汇(中国)和部署华体汇电竞-华体汇(中国)安排给出了它们目前的工程化答案；Palantir 用 AI FDE 给出了它的模型化探索；华体汇(中国)用 Deepexi 本体大模型 + FastAGI 多模型协同给出了华体汇(中国)的华体汇电竞-华体汇(中国)化答案。这些答案都在回答“企业级 AI 落地如何真正可行”这个共同的问题。

文章里所有的判断，都是滴普视角的判断，我希望它能为这场仍在进行中的产业讨论，提供一个稍微不一样的角度。

参考资料· References [1] 赵杰辉。 《记忆，是智能体的“灵魂”——Token 经济时代下，企业级 AI 落地的一条主线》。 2026.（本文上篇） [2] Anthropic. "Building a new enterprise AI services company with Blackstone, Hellman & Friedman and Goldman Sachs." Press Release, May 4, 2026. https://www.anthropic.com/news/enterprise-ai-services-company [3] Bloomberg. "OpenAI Finalizes $10 Billion Joint Venture With PE Firms to Deploy AI." May 4, 2026. [4] TechCrunch. "Anthropic and OpenAI are both launching joint ventures for enterprise AI services." May 4, 2026. [5] CNBC. "Anthropic teams with Goldman, Blackstone and others on $1.5 billion AI venture targeting PE-owned firms." May 4, 2026. [6] Fortune. "Anthropic takes shot at consulting industry in joint venture with Wall Street giants." May 4, 2026. [7] Palantir Technologies. "AI FDE ? Overview." Foundry Documentation, 2026. https://www.palantir.com/docs/foundry/ai-fde/overview [8] Anthropic. Claude 3.5 / 3.7 / 4 Model Cards & Computer Use Reference. 2024—2026. [9] OpenAI. Codex / o-series for Agents Technical Documentation. 2025—2026. [10] DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948. 2025. [11] Z.AI. GLM-4.5 Technical Report. 2025. [12] Anthropic. Model Context Protocol (MCP) Specification. 2024—2026. [13] 滴普科技股份有限华体汇电竞-华体汇(中国)。 FY2025 年度业绩公告。 香港联合交易所披露易。 2026.

本周行业协会公开重要研究成果滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索

上一篇文章《记忆，是智能体的“灵魂”》讨论了滴普科技 FastAGI 这一类企业智能体平台需要怎样的记忆机制—— AI 在企业里“记什么”，知识的载体应该长什么样。 这一篇，我想接着讨论模型本身的 Plan 能力—— AI 在企业里“怎么想、怎么动”，规划的依据应该长什么样。 这是企业智能体落地里面一条相对被低估、但越来越清晰的主线。

Plan（规划）能力，是 Agentic Model 这一代真正的核心能力——给定一个目标，模型便能自主决定要做什么、按什么顺序、调用什么工具、何时停止、如何修正。它本质上是模型内化的一种推理策略（Reasoning Strategy）。这件事，通用模型目前在 Coding、个人助理、Web 浏览这些公开领域，已经做得相当不错——它们靠的是公开语料里上千亿token 的“任务做法”积累。

但当华体汇(中国)让 Agent 在企业里真正替代或辅助一个具体专业岗位完成具体工作，如做一次故障诊断、规划一次商品促销、完成一项跨系统的业务推理时会发现：通用模型的 Plan 能力，在这些场景里并不会仅仅以“模型再变强一点”的方式简单延伸过去。它和企业级业务规划能力之间，差的不是能力档位，而是一种语义底座——企业的本体、规则、规程、因果等，这些从来不在公开语料里。

这一篇内容就是要把这件事讲清楚——什么是企业级 Plan 能力，通用模型 Plan 能力在企业 AI 落地中哪些场景够用、哪些场景不够，真正需要补全什么。

企业级 Plan 能力本质上不是替代通用模型 Plan 能力，而是在它之上建立更高一层的业务语义能力。在文章后半部分，我会把滴普科技 Deepexi 企业大模型，作为产业上一种具体的工程实践放进来讨论。

一 · 企业级长任务相对于公开领域长任务，在工程上是另一种结构

企业级长任务和公开领域任务，从工程上看，不只是“难度更高”，而是另一种结构。具体来说，企业级长任务具备的四个核心特征导致两者差异明显。

特征一：多跳因果链跨多个数据源，且链路是“语境动态生成”的

企业里大量的真实业务推理是 5 跳、10 跳、20 跳的长链路。一次故障诊断从现象到根因可能要跨 6 个数据源，一次销售复盘从结果到行动可能要追 8 跳。更关键的是，这些链路不是“查表能查到的固定故障树”。同一类故障在不同企业、不同产线、不同时间点，合理的追溯路径完全不同。链路是依赖具体语境动态生成的，这些链路并不都是写在手册中能被检索出来的字段。

同样的症状，不同的根因路径。 某激光设备制造商和某新能源车企焊装产线，都出现了“伺服过载报警 + X 轴定位漂移 + 节拍下降 8%”的相同症状。但前者的真实根因是车间隔壁的等离子焊机谐波干扰，后者的真实根因是 MES 里 72 小时前的车型切换参数同步问题。这两条路径不在任何一份 SOP 里——它们是这两家企业本体里“边该怎么走”的程序性知识。区分它们需要的不是更多的文档，而是本体层面的程序性理解。特征二：存在跨 SOP 的规则冲突，需要本体层级的优先级仲裁

企业有成百上千份 SOP、操作规程、合规手册，它们在写的时候各管一摊，没有人保证它们之间是完全一致的。当任务推理走到关键决策点时，经常面对的不是“按某一份 SOP 办事”，而是“两份 SOP 给的指令冲突，哪一份优先”。

这种仲裁不是在某一份文档里能查到答案的，比如“反洗钱合规”和“客户体验提速”两套规则在同一笔交易上冲突时，哪个优先取决于企业的本体里这两类规则的元层级如何定义。

特征三：任务推理动态展开的本体子图，token 预算装不下

一次企业级长任务推理，在多跳推理过程中动态展开的相关本体子图——所有相关实体、实体间关联的边、每条边的语义、相关 SOP 的元层级关系——经常达到几十万 token 量级。即使是 1M context 的模型，把任务推理过程中动态展开的本体子图全部塞进 prompt，工程上也并不经济、效果上也不可靠。

这意味着模型必须靠“权重里已经内化的结构”来导航，它不能依赖每次都把完整本体塞进 prompt，必须在面对一个任务时，凭借内化的本体结构知道“该往哪条边走、哪条边可以先剪掉”。

特征四：“该停在哪”本身就是一个推理动作

企业级长任务里，“什么时候停止追溯、切换到给出结论”是一个独立的推理动作。停早了，根因没找到，答案是表面的；停晚了，会陷入无限回溯，token 消耗暴涨，用户体验崩溃等情景中。

这种“该停在哪”的判断，依赖模型对本体里某些边类型的语义识别，比如某条边表示“这是一个根因节点”（意味着推理可以终止），某条边表示“这是一个中间假设”（意味着推理还要继续）。这种边的程序语义，无法靠把边的名字塞进prompt 来传递——必须靠模型对边类型的内禀理解。

这四个特征加起来，描绘了企业级长任务的真实工程现实。它们和公开领域任务的差别，不是“难度档位”的差别，是“任务结构”的差别。后面要讨论的所有工程取舍，都建立在这四个特征上。

二 · 通用 Agentic Model 的能力延伸到 B 端，无法在深度业务岗位成为 AI 员工

Agentic Model 在公开领域已经证明了自己在通用业务领域的 Plan 能力：给定目标后，模型可以拆步骤、选工具、观察反馈、修正路径，直到任务完成。像Coding、网页操作、个人助理等场景之所以效果惊艳，背后有几个隐含前提：工具语义大体在公开训练分布内；任务目标可由通用常识拆解；工具反馈能被模型直接理解；停止条件也相对清晰。

但当这套能力延伸到 B 端，尤其进入制造、零售、医疗、金融、供应链等深度业务岗位时，这些前提会被打破。企业里的工具不是公开工具，字段不是通用字段，流程不是单线流程，反馈也不全是自然语言反馈。模型即使能调通很多系统，仍可能无法完成企业业务里的逻辑推理。

失效条件一：业务对象不在训练分布内

第一章的故障诊断例子已经说明，同样的报警症状，在不同企业可能走向完全不同的根因路径。真正决定诊断方向的，不是模型能不能查到 MES、PLC 日志、设备台账和维修记录，而是它是否理解这家企业自己的设备结构、工艺路径和故障因果链。

如果不理解“报警码”“参数组”“工位编号”背后的企业语义，通用 Agentic Model 的 Plan 能力就会退化为基于字段名的猜测。它能生成排查清单，却难以判断哪条边是症状到部件，哪条边是部件到原因，哪条边会构成根因证据。

失效条件二：业务目标是派生结果

零售经营复盘中，区域总监问：“华东大区销售额完成率 73%，差 270 万，明天会议讨论什么行动？”通用模型容易回答：“加大促销、优化华体汇电竞-华体汇(中国)组合、提升客单价。”问题在于，“销售额”不是可直接操作的动作，而是销量、均价、渠道结构、促销节奏、库存可得性等多个杠杆共同作用后的结果。

正确的规划应先识别“销售额”是派生量，再沿企业本体反向追溯到可执行杠杆，并判断这些杠杆组合起来能否补上270 万缺口，是否打穿毛利约束。通用模型知道公式，不等于知道在业务推理中看到派生量时，要触发反向追溯。

失效条件三：业务动作受多目标多规则约束

企业任务往往不是“完成”就可以，而是要在多目标、多约束、多规则冲突下，合规完成。零售目标分解里，深度促销可能会拉高销量，但也会压低毛利和均价；商品结构上移可能会提升均价，但也会降低转化；直播投放可能带来销量，但也会改变渠道费用结构。金融合规中，客户体验、反洗钱、额度占用、黑名单筛查在同一笔交易上时，也会发生冲突。

这类任务需要先把动作折算到同一组约束等式和规则优先级里，判断是否存在可行域。否则模型可能给出若干单独看都合理，合在一起却互相打架的建议。从企业角度看，这不是可执行计划，只是并列建议。

失效条件四：停止点由企业本体决定

企业级推理不是越长越好，也不是越短越好。故障排查停早了，会停在“检查电机负载”这类表面结论；停晚了，又会在所有可能部件之间无限扩展。订单履约和合规审计也一样：什么时候证据足够、什么时候还只是中间异常、什么时候必须切换到人工复核，都不是通用语言能力能稳定判断的。

真正决定停止点的是企业本体里的边类型：有些边表示中间假设，有些边表示根因确认，有些边表示需要人工复核，有些边表示可以进入处置模式。没有“边的业务语义 -> 下一步推理动作”的稳定映射，Plan 的观察－修正闭环会在关键节点断掉。

所以，Agentic Model 延伸到 B 端后的主要断点，不是工具数量不够，也不是上下文窗口不够大，而是业务语义层Plan能力缺位。模型可以接入更多系统、调用更多 MCP 工具、读取更多 SOP，但只要不知道企业本体里哪些对象、边、规则和约束应该触发什么推理动作，就无法稳定完成企业业务的逻辑推理。

企业智能体 落地不能把通用 Agentic Model 直接当成深度业务岗位的 AI 员工，而是要让 Plan能力跑在企业本体语义空间里，先解决“在企业里该怎么想”。

三 · 企业智能体落地需要分层Plan能力

Agentic Model 的 Plan 能力延伸到 B 端后，在企业智能体 落地时需要的是一个具备两层 Plan 能力的模型——这是同一个模型内部的两层：上面一层是业务语义层 Plan能力，负责“干什么”；下面一层是通用执行层 Plan能力，负责“怎么干”。两层各司其职、协同工作，但融合在同一套模型权重里。

企业智能体需要增加业务语义层Plan能力

业务语义层 Plan（业务推理策略）——它的输入是“业务任务”，输出是“业务意图序列”。它思考的是：这是个什么业务问题？在企业本体里需要走哪条推理路径？这一步在业务上算成功吗？现在该收敛了，还是继续？触发了哪条规则、需要什么仲裁？它的语义底座是企业本体。

通用执行层 Plan（工具调用策略）——它的输入是“业务意图”，输出是“工具调用序列”。它思考的是：用什么工具实现这个意图？参数怎么传？出错了怎么重试？返回怎么解析？它的语义底座是通用工具集——这正是 Agentic Model + Harness 在 C 端已经做得非常好的事情。

下面这张图把这两层 Plan 能力在 Deepexi 这种本体大模型内部的结构关系画出来——它们不是两个独立的模型，而是同一套模型权重里融合的两种推理模式。

图 1 本体大模型的两层 Plan 架构 —— 业务语义层 + 通用执行层在同一套权重里融合

业务语义层Plan能力和通用执行层 Plan能力的协作流程

一个企业级任务进来——业务语义层 Plan 在本体里定位任务（这是什么类型的业务问题、涉及哪些实体）→ 拆解出业务级别的子任务（先做反向追溯、再做约束求解、最后做收敛判断）→ 对每个子任务形成“业务意图”（比如“在销售本体里从销售额节点沿 actionable_via 边走到杠杆层”）→ 把业务意图交给通用执行层 → 执行层把意图翻译成工具调用序列、跑工具、拿结果 → 业务语义层评估结果在业务上是否达成意图 → 决定下一步业务动作。

上一节讲的四个失效条件，本质上都是因为没有业务语义层 Plan的情况下——通用 Agentic Model 直接把业务任务当工具调用任务来处理，跳过了“干什么”这一层。

而业务语义层和通用执行层这两层之间的协作是高频发生的——每一跳推理都可能反复切换：业务语义层提出意图、通用执行层调工具、业务语义层评估结果、生成下一个意图。如果完全拆成两个独立模型，业务意图、工具反馈、本体语义都要反复在外部消息中显式传递，工程复杂度和语义损耗都会显著上升。

更根本的是，业务语义层评估通用执行层的输出时——“这个工具调用结果在业务上算成功吗？”“返回的这堆字段在企业本体里对应什么？”——需要业务语义层能“看懂”执行层正在做的事。在同一个模型里，两层共享内部表征（同一套对企业本体、对工具、对业务规则的内化理解），这种评估是天然进行的；如果拆成两个模型靠 prompt 传递，信息会逐层丢失。

所以业务语义层在决定“下一步该走哪条边”时，需要知道当前手里有哪些工具能力可用、每条工具的边界在哪里。这种“知道自己手里有什么牌”的能力，在同一个模型里是最佳的工程实践，把两层 Plan 的能力融合到同一套权重里，通过训练让模型学会在不同任务情境下激活不同的推理动作。

业务语义层 Plan 和通用执行层 Plan 不是两个串行的模型，它们是同一个模型内部的两种推理模式，由训练把两种“边类型 → 推理动作”的条件反射融合到同一套权重里。 这是本体大模型这一代和“通用模型 + 外挂规划器”路线的根本差异。这里说的同一个模型，指的是 Deepexi 内部面向企业任务时业务语义层 Plan能力与通用执行层 Plan能力的融合；FastAGI 层面的多模型协同，则是Deepexi 与通用语言模型、代码模型、多模态模型之间更大范围的分工。业务语义层 Plan 能力需要内化的多种推理策略

讲清楚两层 Plan 能力的协作之后，接下来要回答的是：业务语义层 Plan 能力具体需要在模型权重里编码什么能力。

从上一节四个失效条件反推，它至少需要内化四种推理策略，这些本质上都是“看到企业本体里的某种结构特征，触发对应推理动作”的条件反射。当然在实际企业业务场景中，则需要内化更多的推理策略。

第一，识别派生量节点，触发反向追溯。看到销售额、利润率、完成率等结果型指标时，模型不能停留在指标解释，而要沿企业本体反向追溯到可操作的杠杆层，把“销售额差 270 万”翻译成城市销售经理真正能执行的动作组合。第二，识别约束等式，触发多目标求解。看到“销售额 = 销量 × 均价”“毛利 = 销售额 - 成本”等业务公式时，模型要触发约束求解和副作用排查，而不是把公式复述一遍。当目标之间发生数学冲突时，要判断可行域；如果不可行，要说明哪个目标必须松动、松动到什么程度。第三，识别根因节点，触发推理终止和处置模式切换。当本体节点已经构成确认性根因时，模型要停止继续追问“为什么”，转入“怎么修、需要哪些资源、是否需要人工介入”。如果当前节点仍是中间假设，则继续追溯。第四，识别动态语境，选择追溯路径。同一个业务症状，在不同企业本体里的合理路径可能完全不同。模型必须基于相邻设备布局、参数变更历史、批次切换记录等私有结构特征，动态生成本次追溯路径，而不是套用公开手册里的通用故障树。

图 2 业务语义层 Plan 的多种推理策略示意 —— 看到企业本体里的某种结构特征， 触发对应推理动作

这几种策略在 Deepexi 内部不是拼接的独立模块，而是训练进同一套权重里的业务语义反射能力。它们解决的是业务语义层Plan“在企业本体里该怎么想”的问题；通用执行层 Plan 再负责把这些业务意图翻译成具体工具调用。两层协同，企业级智能体才能稳定完成长任务推理。

四 · Deepexi：本体大模型的华体汇电竞-华体汇(中国)答案

讲到这里，我必须把滴普科技自己的华体汇电竞-华体汇(中国)放进来——这是这一篇的“立场披露”段落。和上一篇一样，我不是在做第三方陈述，是在讲华体汇(中国)自己的华体汇电竞-华体汇(中国)定位。

Deepexi 企业大模型，是华体汇(中国)针对前面讨论的“企业级 Plan 能力”做的具体回答。我把它的华体汇电竞-华体汇(中国)形态从四个维度讲清楚——产业站位、华体汇电竞-华体汇(中国)组件、训练数据范式、训练架构分层。

产业站位：Deepexi 是企业级 Plan 能力的承载者

我先说 Deepexi 不是什么——它不是另一个通用大模型。华体汇(中国)没有去和 Claude、GPT、Qwen、DeepSeek 这些通用模型在通用语言能力、通用推理能力上做对标。那个赛道已经有顶级玩家在做，通用语义这一面也是它们的强项。它也不是“通用模型 + 企业 RAG”的封装华体汇电竞-华体汇(中国)。RAG 解决的是事实性知识检索，不解决企业本体的程序性推理。

Deepexi 是企业级 Plan 能力的承载者——一个专门基于企业本体语义做长任务规划与推理的本体大模型。它和通用模型是协同关系，不是竞争关系——通用模型在公开语义空间上做通用执行Plan，Deepexi 在企业本体语义空间上做业务语义Plan，两者协同完成企业级长任务。

Deepexi 在大模型领域里专做一件事——把企业本体的程序性知识训练进模型权重，让企业级 Plan 跑在企业本体语义底座上。 通用模型把成本端 token 单价压下来，Deepexi 把价值端的企业 Plan 准确率提上来。Deepexi Foil ：Plan 能力的本体记忆载体

Deepexi 不只是一个模型权重，它包含一个具体的本体承载组件——Deepexi Foil。这个组件的演进路径本身就反映了滴普这几年的工程积累。Foil 在 Deepexi 里承担的角色，本质上是业务语义层 Plan 运行时的本体接入点——模型跑业务语义层 Plan 时，从 Foil 读企业本体结构；Plan 推理产出的新本体结构，沉淀回 Foil。

Foil 模块原本是 FastData 平台（滴普 8 年来的核心数据底座）中负责本体建模和非结构化数据处理的部分。在过去几年的客户落地中，FastData Foil 是 FDE 工程师做客户本体 schema 整理的核心工具。它处理两类输入：一类是企业里大量的非结构化知识文件（SOP、规程、维修手册、故障案例库），另一类是和业务专家共同抽取出来的本体 schema 草稿。

2026 年华体汇(中国)做了一次架构整合——把 Foil 模块从 FastData 中拆出来，整合进 Deepexi，改名为 Deepexi Foil。原因很简单：本体处理这件事和大模型推理本质上是一件事的两面——本体是大模型推理的底座，大模型推理的产出又会反过来更新本体。把它们放在同一个华体汇电竞-华体汇(中国)里，工程上更顺。

整合后的 Deepexi Foil 在 Deepexi 里承担三个具体角色：

第一，非结构化知识的输入端。企业的 SOP、规程、维修手册等非结构化文件，通过 Foil 进入 Deepexi 的本体处理链路。第二，本体生成结果的承载端。Deepexi 在客户环境里抽取、推理、更新出来的本体结构，沉淀在 Deepexi Foil 里，作为后续推理的可读可改基础。第三，FDE 工程师持续工作的存储载体。即使在 Deepexi 替代了相当一部分 FDE 工作之后，业务专家和 FDE 工程师仍然需要做本体的精修、规则的添加、特殊场景的标注——这些工作的产出，继续存储在 Deepexi Foil 里。Deepology 企业本体高质量数据集是 Deepexi 企业大模型训练的基础

Deepexi 的能力建立在 Deepology 这个企业本体数据集上。Deepology 的三个范式，不是孤立的数据形态，而是直接对应业务语义层 Plan 能力的三层训练目标：

范式一是静态结构层：实体 + 关系 Schema。这一层告诉模型这个 domain 里有哪些实体类型、它们之间存在哪些类型的关系、关系上携带哪些属性。它训练的是模型“识别业务对象”的能力——直接对应第二章失效条件一（业务对象不在训练分布内）。模型先学会一个 domain 的“本体语法”，知道这个行业里都有哪些“名词”和“动词”。范式二是路径模板层：核心推理路径定义。这一层用自然语言列出本体里几条典型的多跳推理链路，告诉模型在这个本体里“合法的多跳路径长什么样”——不是单向的因果链，而是带回路、带评估闭环的真实业务推理结构。它训练的是模型“识别多跳推理路径”和“识别约束等式”的能力——对应失效条件二、三（派生量反向追溯、多目标约束求解）。范式三是现象级实例层：层级化树状/图谱状结构。这一层是带条件分支、带终止判断的具体推理轨迹——从现象级问题名称开始，逐层展开“父级子现象 → 子现象 → 排查点 → 部件 → 原因 → 解决方案”。它训练的是模型“识别停止点”的能力——对应失效条件四（停止点由企业本体决定）。模型学会在这种具体场景下，怎么走完一条完整推理路径、什么时候该终止、什么时候该切换到处置模式。

这三个范式共同构成 Deepology 的训练数据形态。截至目前，Deepology 已经积累 108 个业务本体——这是基于过去几年和近400 家头部客户合作过程中，沉淀的真实本体建模 Know-how 转化而来。

Deepexi 训练架构的三层分层

Deepexi 训练逻辑的核心，也是它区别于通用模型训练的关键——通用模型的训练目标是“下一个 token 预测得准”，优化的是语言生成质量；Deepexi 的训练目标多了一层，在企业本体上“下一个推理动作触发得对”，优化的是上一节讲的几种推理策略的触发准确率。

Deepexi 的训练逻辑可以一句话概括：通用模型的训练优化“下一个 token 的生成准确率”，Deepexi 在此之上叠加优化“下一个推理动作的触发准确率”。

前者让模型“会说”，后者让模型“会想、会动”；前者是 Chat / Reasoning Model 的训练范式，后者是本体大模型的训练范式。

具体到工程实现，Deepexi 训练在三个层面上做了 Plan 能力的内化，这三个层级可按照企业业务落地的复用覆盖范围进行划分：

第一层是能力训练：把“看到本体结构特征 → 触发对应推理动作”的条件反射训练进模型权重——反向追溯反射、约束求解反射、推理终止反射等等。这是通过把范式二（路径模板层）和范式三（现象级实例层）的数据按“本体结构特征 → 推理动作”的对应关系组织成 SFT 样本来实现的。这一层是跨企业可复用的——这些反射能力一旦训出来，所有企业、所有行业的长任务推理都用得上。这一层是固定成本投入，边际成本随客户数量趋近于零。第二层是行业本体持续预训练：制造业的“设备－工艺－物料”骨架、零售的“商品－渠道－促销”骨架、银行的“账户－合规-风控”骨架等等。这种能力在通用模型的训练目标里没有显式信号，必须靠定向数据 + 定向训练目标才能内化，使模型学会识别推理链路上的多种信号。这一层是跨行业客户可复用——同一行业的客户共享这套骨架。每加一个新行业是一次性投入，服务该行业所有客户。这一层让 Plan 能力学会在不同行业骨架上展开。第三层是客户本体注入：厂商的具体设备清单、SOP、配电图、华体汇电竞-华体汇(中国)型号切换历史等。这一层是每家客户独有的，需要在客户环境里完成本体对齐（通过 Deepexi Foil 承载）。但这一层是体量最小的一层——前两层已经把“重活”做完了，客户级注入主要是把企业的具体实例数据接入到已经训好的本体推理框架上。这一层让 Plan 能力具体绑定到这家客户的实例数据上。前两层（能力 + 行业）是跨客户摊薄的固定成本投入，客户数量越多，单客户分摊越低。 只有第三层（客户本体）是真正“每家一份”的，且是三层中体量最小的一层。 这是本体大模型在工程经济学上能够规模化的原因。

训练的更多技术细节（损失函数设计、数据配比、消融实验等）会在后续的学术论文中逐步公开，这里只做工程方向上的勾勒。

五 · 用大模型完成 FDE 的工作：产业演进的同一个方向

讲到这里，可能有人会问——这条路（用本体大模型替代 FDE 工程师做企业本体抽取与规划）是滴普一家的判断，还是产业更广的方向？这一节我想认真回答这个问题。

FDE 模式：产业里被反复印证的有效路径

Forward-Deployed Engineer(FDE，前线驻扎工程师)模式由 Palantir 在 2003 年首创——驻扎在客户现场，和客户的业务专家、IT 工程师一起，把这家企业的工作流和模型能力做深度结合。

企业级 Plan 能力不能直接从通用模型权重里涌现，必须有人在客户现场把这家企业的业务本体、规则、推理路径手工实例化。

Palantir 用 20 年实践、Anthropic / OpenAI 用数十亿到百亿美元级别的投入，验证了这件事的工程必要性。

滴普科技自身也是 FDE 路径的实践者

滴普科技在早期和 Palantir、Anthropic / OpenAI 当前强化的企业级工程服务路径，在工程模式上有相似之处——通用模型 + FastAGI 智能体平台 + FastData 数据融合平台 + FDE 工程师驻场。FastData 是滴普 2018 年起的核心华体汇电竞-华体汇(中国)，过去8 年间，在中国市场为诸多大型企业（覆盖先进制造、消费零售、生物医药、商业流通、交通、政务等领域，累计近400 家中大型客户）构建了数据融合 + 业务运营的统一底座——这件事在工程角色上，FastData 与 Palantir Foundry 在全球市场上所承担的角色是相似的。

Palantir 用 20 多年的产业实践、Anthropic / OpenAI 用数十亿美元到百亿美元级别的投入、滴普用 8 年的中国市场落地——都用各自的方式，确认了同一个产业判断： 在企业级 AI 落地这条路上，光有模型不够，FDE 模式是目前为止最有效的工程范式。从 FDE 实践到大模型替代：Palantir、Anthropic/OpenAI和滴普走在同一个演进方向上

这是这一节真正想说的核心——FDE 模式有效，但它的下一步演进方向已经开始浮现。华体汇(中国)来看几件已经发生的产业事实。

第一件：Palantir 自己已经做出了 AI FDE。Palantir 官方文档把 AI FDE 描述为“AI-powered forward deployed engineer, an interactive agent that operates Foundry for you through conversational commands"——一个由 AI 驱动的前线驻扎工程师，通过对话指令操作 Foundry，执行数据转换、代码库管理、本体构建等任务。

第二件：Anthropic 官方宣布企业 AI 服务华体汇电竞-华体汇(中国)，OpenAI 的相关企业部署华体汇电竞-华体汇(中国)安排也由媒体披露。两家全球最顶尖的通用大模型华体汇电竞-华体汇(中国)，在企业级落地上都不是简单卖 API，而是在强化“模型 + 深度工程服务”的路径。它们用最直接的方式说明：通用大模型 + API 调用，在企业级长任务上不够用，必须有 FDE 工程把模型能力翻译成业务能力。

第三件：滴普科技把 Deepexi 作为 FDE 工作中“理解企业本体、抽取本体 schema、做企业级长任务 Plan”这部分能力的模型化承载。FDE 工程师做的本体抽取与企业级长任务 Plan 设计，Deepexi 企业大模型可以承担其中相当一部分通用工作。这不是把 FDE 工程师彻底替代（像业务专家、合规专家、特殊场景的精修工作仍然需要人），而是把 FDE 工程的“通用部分”（本体建模、Plan 模板、推理动作）向模型权重下沉，让 FDE 工程师能从重复劳动里解放出来，专注在真正需要人去做判断的部分。

Palantir 走的是“AI Agent 操作 Foundry 平台”路径——AI FDE 在 Foundry 平台之上，把自然语言请求翻译成对Foundry 本体对象、数据管道、代码库的操作；本体仍然是平台层的可读可改对象；Anthropic 与 OpenAI 的企业级部署布局，验证了 FDE 这个工程范式的产业价值；

而滴普走的是“本体推理能力训练进模型权重”路径——边的程序语义、推理动作的条件反射，是模型参数里编码的能力。模型本身成为本体生成与推理的主体，Deepexi Foil 承担本体可读、可改、可持续沉淀的承载层。

两条路径的底层判断是一致的——FDE 工作中相当一部分（本体抽取、Plan 设计、推理动作）是可以被华体汇电竞-华体汇(中国)化、模型化的； 但具体技术路径有差别——Palantir 走 Agent 操作数据平台，滴普走本体训练进权重。 两条路径都是 FDE 模式基于 AI 的下一步演进。一个克制的产业判断

坦诚地说，Palantir 在全球市场用 20 多年走通了这条路——它的品牌沉淀、市场地位、客户体量，远在滴普之上。不过华体汇(中国)在中国市场，基于近8 年和近400 家客户的落地积累，在这条相似的工程演进路径上，独立做了华体汇(中国)自己的探索。

所以说用大模型本身完成 FDE 工程师的部分工作，是产业演进中一个真实的、值得关注的方向，Palantir、Anthropic / OpenAI 和滴普科技都在这条路上做了自己的探索。

六 · 回到 Token 经济：协同的算式

在回到 Token 经济之前，先回应一个被读者经常问到的问题——Deepexi 这种本体大模型和通用模型、Coding 模型、多模态模型在企业里如何协同？

这个问题不是简单的“多模型分工”——企业级协同有几个独特维度：多 Agent 间的业务语义对齐、关键判断的多模型互校、跨流程的合规审计与回放、人机协作的权限治理。这些维度在通用领域的多 Agent 协同里要么不存在、要么是弱形态，但在企业里全部是硬需求。FastAGI 企业智能体平台便是围绕这些维度做的工程化探索，当然这是另一个独立的话题，这里不展开，留待后续单独讨论。

所以回到上一篇文章开头那个命题——AI 落地是一道 Token 经济题。两篇文章合在一起，这道题的两端就清晰了——上一篇讲的本体范式记忆，解决“价值密度端”（每个 token 携带精确的企业语义）；这一篇讲的本体大模型，解决“Plan 准确率端”（每次推理与工具调用都基于企业本体规划，不浪费 token 在错误规划任务上）。

通用模型解决“通用智能”，把成本端 token 单价压下来。 Deepexi 本体大模型解决“企业智能”，把价值端token 业务密度提上来。 FastAGI 把两者协同起来，统一处理企业级长任务。 这是 Token 经济在企业级场景里真正算得平的工程路径。七 · 写在最后

这一篇的核心判断——本体大模型是企业 智能体 落地的另一条主线，与通用模型协同、统一在 FastAGI 智能体平台下，共同支撑企业级长任务的 Plan 能力，是从华体汇(中国)这几年企业级 AI 落地的真实工作里反复推出来的。

Agentic Model 在公开领域取得的成就是真实的，企业级 AI 不是公开领域的简单延伸，它有自己独特的语义结构、独特的失败模式、独特的工程化路径。Anthropic 和 OpenAI 通过企业级工程服务华体汇电竞-华体汇(中国)和部署华体汇电竞-华体汇(中国)安排给出了它们目前的工程化答案；Palantir 用 AI FDE 给出了它的模型化探索；华体汇(中国)用 Deepexi 本体大模型 + FastAGI 多模型协同给出了华体汇(中国)的华体汇电竞-华体汇(中国)化答案。这些答案都在回答“企业级 AI 落地如何真正可行”这个共同的问题。

文章里所有的判断，都是滴普视角的判断，我希望它能为这场仍在进行中的产业讨论，提供一个稍微不一样的角度。

参考资料· References [1] 赵杰辉。 《记忆，是智能体的“灵魂”——Token 经济时代下，企业级 AI 落地的一条主线》。 2026.（本文上篇） [2] Anthropic. "Building a new enterprise AI services company with Blackstone, Hellman & Friedman and Goldman Sachs." Press Release, May 4, 2026. https://www.anthropic.com/news/enterprise-ai-services-company [3] Bloomberg. "OpenAI Finalizes $10 Billion Joint Venture With PE Firms to Deploy AI." May 4, 2026. [4] TechCrunch. "Anthropic and OpenAI are both launching joint ventures for enterprise AI services." May 4, 2026. [5] CNBC. "Anthropic teams with Goldman, Blackstone and others on $1.5 billion AI venture targeting PE-owned firms." May 4, 2026. [6] Fortune. "Anthropic takes shot at consulting industry in joint venture with Wall Street giants." May 4, 2026. [7] Palantir Technologies. "AI FDE ? Overview." Foundry Documentation, 2026. https://www.palantir.com/docs/foundry/ai-fde/overview [8] Anthropic. Claude 3.5 / 3.7 / 4 Model Cards & Computer Use Reference. 2024—2026. [9] OpenAI. Codex / o-series for Agents Technical Documentation. 2025—2026. [10] DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948. 2025. [11] Z.AI. GLM-4.5 Technical Report. 2025. [12] Anthropic. Model Context Protocol (MCP) Specification. 2024—2026. [13] 滴普科技股份有限华体汇电竞-华体汇(中国)。 FY2025 年度业绩公告。 香港联合交易所披露易。 2026.

随着国民健康意识不断提升，中式滋补市场正迎来蓬勃发展的黄金时代，海参滋补需求快速增长，据行业预测，2026年我国海参全产业链市场规模有望突破1600亿元。随着海参滋补需求的逐渐提升，消费者对品质也有更多的要求。

华体汇电竞-华体汇(中国)

行人被美国客机撞上后吸入引擎死亡

行人被美国客机撞上后吸入引擎死亡

百万最新免费软件游戏

下载

首页>>数据领域国际合作上海综合试点启动

华体汇电竞-华体汇(中国):行人被美国客机撞上后吸入引擎死亡

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

33.29MB

版本{版本}

下载APK高速下载

下载再滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索安装你想要的应用 更方便 更快捷 发现更多

63%好评(79人)

42

详细信息

• 软件大小:60.88MB
• 最后更新:2026-06-17 19:04:35
• 最新版本:{版本}
• 文件格式:apk
• 应用分类:ios-Android滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索
• 使用语言:中文
• :需要联网
• 系统要求:1.53以上

应用介绍

?第一步：访问《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》官网?首先,打开您的浏览器,输入《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。??
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。?
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。??
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站的条款，恭喜您！您已经成功注册了《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站账户。现在，您可以畅享《滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!?
【联系华体汇(中国)】
客服热线

加载更多

版本更新

{版本}

滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索

• 乐聚智能IPO申请获受理
• 从各省份“十五五”规划纲要看全国发展一盘棋
• 世卫组织呼吁向埃博拉疫区提供国际支持
• 跨越茫茫林海 送医送药到最北边关
• 政企校聚力搭台 浙川“蓝鹰工程”助四川青年就业成才
• 华大CEO尹烨谈AI时代如何思考生命
• 成都女子家门口遇害案二审维持原判
• 成都杜甫草堂“浣花好时节”活动引游人
• 浙江杭州：年轻人奔赴“飞驰人生” 解锁别样休闲玩法
• 2026年“东北超”第二轮长春主场战平大连
• 煤电行业首批屏蔽式炉水循环泵通过专家鉴定
• 金观平：做好农村金融离不开乡村治理
• 绿茵牵两岸足球结同心 鹤岗中俄足球赛事搭建跨境人文交流桥梁

• 

  第23届香格里拉对话会将在新加坡举行 各方聚焦安全议题

  华体汇电竞-华体汇(中国):俄驻日大使：俄日关系进入“冰河期”

  详情

查看更多

加载中，请稍等...

华体汇电竞-华体汇(中国): 滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索类似软件

• 江苏探索肿瘤分级诊疗新路径 联合病房破解“联而不通”

  伊朗媒体：美伊波斯湾交火目前已停 地区类似冲突可能重燃

• 山西沁源矿难救援队：负重约60斤搜救12小时没人喊苦喊累

  全网都在找的落泪足球少年找到了

• 国泰早安20260604

  四川航空股份有限华体汇电竞-华体汇(中国)原副总经理施祖球涉嫌严重违纪违法接受审查调查

• 第二届辽宁宠物产业品质电商合作交流活动启幕

  宇宙同款“中国发财猫”亮相南博会

• 合肥：“985““211”警号民警为高考学子加油

  米切尔季后赛第35次砍下30+

• 美媒：美法官公布“爱泼斯坦遗书” 系其前狱友发现

  网上售卖冒牌香水护肤品 香港海关检获2500件物品拘一人

• 浙江衢州：乡村“动物园”走红 游客沉浸式感受异域风情

  高盛：目前美债收益率难以下降

• 机器人“玩转”南博会

  贵州平坝：雨后田园美如画卷

• 海南近期连续降雨缓解气象干旱

  广西老牌矿城产业“突围”：碳酸钙“智变” 黄金珠宝“融湾”

• 伊朗：最高领袖穆杰塔巴全面掌控局势

  内塔尼亚胡称不知道美伊协议具体条款

• 张雪机车布局电摩 张雪谈新能源摩托发展趋势

  委内瑞拉代总统驳斥“委将成为美国第51州”说法

• 光大期货：5月19日软商品日报

  海外台胞在云南看见中医药的“古方新生”

• 殷玉珍与“赛考斯基”先生线上重逢

  济南提速科创金融改革 打造高质量产业投资新生态

• 专家：糖尿病患者属带状疱疹高风险人群 需主动预防

  公安部：缅甸妙瓦底和柬埔寨重点地区规模化赌诈园区被集中清剿

• 联合国安理会延长对南苏丹武器禁运及制裁措施一年

  两院院士、著名飞机空气动力学家顾诵芬逝世

• 中央统战部“统战新语”入驻快手，12小时涨粉超20万

  香港青年逐浪海南自贸港：抢抓封关后的产业新风口

• 赖清德每周挨批让民进党发言人崩溃 国台办回应

  香港宏福苑火灾致168死7人被起诉

• 斯巴达勇士儿童赛上演五一“双城记”

  港大法律系教授赵云：了解内地法和普通法的人才需求大

• 2026年全国竞走大奖赛（第3站）在陕启幕

  美国新一代“星舰”首飞有哪些突破

• 青海：“十五五”将把“民生清单”变成“幸福账单”

  高盛上调2026年底铜价预测

• 国家数据局印发2026年数字社会发展工作要点

  人生不过几届世界杯

• 西辽河探明先秦遗存1487处 红山考古收获丰硕

  上海新加坡联合举办专项活动 共建跨境商事调解协作机制

• 美国总统特朗普抵达北京

  全国已规划建设国家质检中心880家 解决技术难题近两千项

• 江苏：不误农时抢晴收获 小麦陆续收割

  “糖果屋”归来：一代人的青春，终于等到续集

• 中国队“首发阵容”Labubu和马宁，揭幕战红牌比进球多！世界杯开幕日，创多项纪录

  成都创新药企将亮相2026ASCO年会

• 直播海报：“东北超”来了！八城争霸，谁才是真正的“关外之王”？

  新发现35岁以下吸毒人数下降41.6%

• 国际油价5日下跌

  各地举办“中国旅游日”活动

• “茶和天下·美美与共”主题活动在雅加达举行

  （乡村行·看振兴）湖北利川：武陵深山“融”出“新农景”

• “从石油基到生物基：洗护产业的代际跨越——生态与健康风险专题研讨会”在北京召开

  全国性宗教团体联席会议召开第三十五次会议

• 世界最大规模海上换流站今日启运

  国家卫健委：调派专家会同当地组成联合救治工作组 “一人一策”加强伤员救治

• 23岁女孩离世 曾开玩笑写30万欠条

  西藏航空免费承运“爱心盒子”返藏 架起高原公益“空中走廊”

• 台海军喊话“驱离”大陆海警船被嘲

  十年来北京城市副中心固定资产投资超万亿元

• 伊朗暂不允许国际原子能机构检查其核设施

  天津机器人，“姓甚名谁”？

• 广西龙胜：共话邻里情 粽情迎端午

  一睹为快！上博“世界树之巅”大展四件美洲文明瑰宝亮相

• 新疆哈密市下马崖乡以文化阵地绘就民族团结新图景

  勇立潮头大湾区丨突破1000万辆次！港澳居民“一脚油门”畅行湾区

• 中国人民大学发布“观天 短临降水智能预报系统”等最新成果

  中华人民共和国河池海关2026年7月政府采购意向

相关攻略

• 23岁女孩离世 曾开玩笑写30万欠条
  2026-06-17 19:04:35

包含 饿了么 的应用集

• 
  安徽定远就“闫某艳诈骗案”致歉 对失职失责人员严肃处理

  聚焦科学补硒 专家学者齐聚河南济源探寻硒产业融合发展路径

  511876162026-06-17 19:04:35
• 
  法国这一举动，戳中西方博物馆们最怕的“敏感点”丨真相

  青海海西州大柴旦行委6.3级地震：7列在途列车被扣停 旅客情绪稳定

  7834872026-06-17 19:04:35
• 
  深圳—杭州异地货站启用 打造高效畅通航空物流大通道

  “窑火映天府——成都平原出土瓷器展”在蓉启幕

  968469942026-06-17 19:04:35
• 
  市场监管总局公布八起传统工艺市场“打假清源”典型案例

  国家外汇局：4月中国外汇市场总计成交25.30万亿元人民币

  17931852026-06-17 19:04:35
• 
  三张红牌创纪录 世界杯揭幕战墨西哥队2:0击败南非队

  E法同行｜宜春：从公园到社区 网络法治触角这样延伸

  726761902026-06-17 19:04:35
• 
  通伦参访中国空间技术研究院

  塞尔维亚总统夫人在北京体验“中国风雅和美”

  8077472026-06-17 19:04:35
• 
  《埃博拉病毒病防控方案（2026年版）》解读问答

  球迷：闽超有种让我回到20年前的感觉

  3357162026-06-17 19:04:35
• 
  哈铁“五一”假期运送旅客306.3万人次

  空调怎么用既省电又舒服？一文读懂！

  173124582026-06-17 19:04:35
• 
  净网|5起打击整治网络谣言典型案例

  卖“暴打渣男”“手锤渣女”柠檬茶，奶茶店被罚

  3335342026-06-17 19:04:35
• 
  教育部：纠治奢华录取通知书 新生礼盒等不良风气

  强对流天气蓝色预警：华北华南等部分地区将有8级以上雷暴大风

  26357152026-06-17 19:04:35
• 
  国家发展改革委：“十五五”新型电网投资预计超5万亿元

  近距离感受武警单兵战斗综合检验考核现场！

  1387167092026-06-17 19:04:35
• 
  西藏那曲市林业和草原局组织开展巡回主题宣讲

  2026年度中央安全生产考核巡查明查暗访：施工现场管理混乱 存重大安全隐患

  68498272026-06-17 19:04:35
• 
  中国（庐山）杏林文化园迎海外来客 话中医药海外传播

  青海大通：提药效、促增收 中藏药林下仿野生种植稳步前行

  441626112026-06-17 19:04:35
• 
  持续推进儿童友好建设 解锁“一米高度”童趣空间

  【树立和践行正确政绩观】以学促干 将学习教育成效落到实处

  511795252026-06-17 19:04:35
• 
  上海老博会开幕 AI华体汇电竞-华体汇(中国)受关注

  西藏70余件珍稀文物走出寺门 面向公众展出

  11524682026-06-17 19:04:35
• 
  金价突破4300美元！黄金类ETF普涨

  单机功率达105兆瓦 我国自主研制百兆瓦级储能电机成功应用

  632782562026-06-17 19:04:35
• 
  徐州贾汪非法排污事件追踪：清污工作仍在继续

  大美边疆看我家丨黑龙江哈尔滨：漫步冰城地标 触摸烟火日常

  388227702026-06-17 19:04:35
• 
  特朗普宣布“伊斯兰国”二号头目被清除：美军与尼日利亚联手行动

  国台办：和平统一后，台湾同胞民族尊严提升，志气底气更足

  29894432026-06-17 19:04:35
• 
  数字经济专题展区惊艳亮相第35届“哈洽会”

  伊朗最高领袖重申将考虑开辟新战线

  635260042026-06-17 19:04:35
• 
  成都棠湖公园初夏现“竹影映石桥”景观

  拾光纪·数十项文件！中俄元首会晤成果丰硕

  15896522026-06-17 19:04:35
• 
  中央网信办召开全国网络生态治理工作会议

  2026年文化和自然遗产日浙江主场（衢州衢江）活动启幕

  9273552026-06-17 19:04:35
• 
  蜜蜂王国新发现：蜂后拥有专属“王室建筑师”打造巢室

  广东“两癌”免费筛查机构地图上线

  235542062026-06-17 19:04:35
• 
  美军称执行对伊海上封锁已使58艘商船改变航向

  探访青春经济试验场：青年创业的零成本“试错苗圃”

  42826332026-06-17 19:04:35

友情链接

• 北京试点自行车乘地铁、上高铁 这份指南请查收
  2026-06-17 19:04:35
• 五四 | 今天为青年们喝彩！
  2026-06-17 19:04:35
• 媒体：中央纪委清理门户又打一“虎”
  2026-06-17 19:04:35

安卓手机网上最贴心的Android软件应用平台!版权所有：滴普科技赵杰辉：本体大模型，企业级智能体落地的华体汇电竞-华体汇(中国)化探索有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1

华体汇电竞-华体汇(中国)

<small id='6oDZP'></small><noframes id='KyzR'>

<tbody id='8ZxO'></tbody>

<tfoot id='feAPI'></tfoot>

<legend id='oLBOZr'><style id='aOkdw6'><dir id='V1lCu0'><q id='WfcI'></q></dir></style></legend>

<i id='eFIu'><tr id='8ZEMk'><dt id='HOxdz64'><q id='3kiGc'><span id='M8i3yFG'><b id='PpIZQ'><form id='ySh1G'><ins id='tx3vF'></ins><ul id='Ov0r'></ul><sub id='kox0'></sub></form><legend id='Q0lVr'></legend><bdo id='Wv5Y'><pre id='XuW2DESg'><center id='KM7U0KV'></center></pre></bdo></b><th id='ORnjTk3d'></th></span></q></dt></tr></i><div id='Il2MvQs'><tfoot id='sB94'></tfoot><dl id='L4cKQn'><fieldset id='H7GEl'></fieldset></dl></div>

<bdo id='mxGi'></bdo><ul id='vZlzz2'></ul>

<li id='RZrCK3'><abbr id='PifIsbW'></abbr></li>