10月17日，汉得 AI 黑客松决赛路演落下帷幕，本次大赛设两大赛道。对外砺刃（Building AI）：在数字化基础上，帮助企业建设自己的 AI 能力；对内焕芯（AI Building）：用 AI 建设更好的企业系统，帮助企业进入 AI 时代。29个事业部、286位同事、162支队伍，101个初赛作品。从7月一路走到决赛，22支团队同台 PK ，最终决出一等奖1组、二等奖2组、三等奖3组。更关键的是这些作品不是摆着看的一等奖作品已接入392个飞书群、活跃用户超1500人；二等奖作品在28个项目落地，投入产出比超10倍；有的作品直接把3人一周的活压缩到5分钟。汉得 AI 黑客松大赛获奖名单公布经过现场路演与评委评分，最终获奖结果揭晓，两个赛道共产生一等奖1组、二等奖2组、三等奖3组。▲ 一等奖获奖团队合影黄耿与唐健为获奖团队颁奖▲ 二等奖获奖团队合影黄耿和唐健为获奖团队颁奖▲ 三等奖获奖团队合影何登攀、吴鹏与飞书嘉宾黄浩为获奖团队颁奖未获奖的决赛团队均获得入围奖，参加决赛作品创作的每个人都获得一枚“ AI 效率先锋”纪念章。好作品正在真实落地这场大赛最让人踏实的，不是路演当天的掌声，而是不少作品已经在真实业务里“用起来、活下来了”。 呆呆鸟（一等奖）已接入392个飞书群，活跃用户超1500人，累计交互15.4万次，沉淀181项可复用技能——某茶饮项目的交付周期因此节省约七成。 AI-DLC（二等奖）已在28个 SM 项目落地，覆盖60%以上相关项目，编码任务AI参与率达16%、采纳率超90%，投入产出比超过10倍。 测试主理人（三等奖）累计排查近3000个问题，节约约390人天，部署时间从1-2天压缩到10分钟。 智价引擎多智能体协同识图、推演工艺、核算成本，单份报价从3天压缩至2小时，年预计节约2.2人年。「织能」项目前端人力减少50%，单个项目前端部分最高可节约86%人力。AI 一键生成飞书泳道流程图原本3人一周的绘图工作，5分钟完成。评委们在总结中反复强调同一件事：从个人提效走向组织提效。AI 的长期价值，在于把交付侧的全链路拆解出来、深耕下去，让每一个工具都沉淀为组织能力的一部分。决赛现场评委及嘉宾致辞分享决赛现场<<  滑动查看下一张图片  >>黄益全汉得信息 CEO汉得信息 CEO 黄益全在致辞中强调：好作品要“做透、推出去”——不能摆在那等销售去卖，要从客户价值出发想清楚怎么推、怎么迭代。他特别提到，奖项要分阶段设置，就是为了把好作品真正推到被使用的场景中去，让价值经得起时间验证。▲ “把好作品做透、推出去”姚翔飞书商业化东区总经理飞书商业化东区总经理姚翔分享了飞书自身的 AI 实践：飞书现在的很多功能，正是源自当年内部的一些雏形。飞书去年全面转向 AI 后增速明显加快，非常有信心今年底做到约10亿美金收入——第一个1亿美金花了近4年，最新的1亿美金只用了2个月。他期待与汉得展开更多合作，一起服务好中国客户。▲ “期待与汉得展开更多合作”黄耿汉得信息 高级副总裁、联席 COO汉得信息高级副总裁、联席 COO 黄耿提出了“数字员工”的三个角色：AI 牛马（极致性价比的执行力）、AI 分析师（全面敏锐的洞察力）、AI 参谋（敏捷准确的决策力）。他特别强调：“企业AI不只是AI”——没有清晰的流程、可信的数据资产，AI 根本用不起来。而数字化基础恰是汉得30年积累的最具价值的能力。▲ “企业 AI 不只是 AI”唐健汉得信息高级副总裁、联席 COO汉得 AI 黑客松组委会组长汉得 AI 黑客松组委会组长唐健回顾说，今年一年的 AI 发展好像等于以往几年才会发生。他对作品提出两点期待：一是拒绝同质化——作品要回答到底牛在哪、能不能在公司内部复用；二是走向体系化——工具多了之后要串成一条线，形成公司统一的组织性能力。▲ “期待好作品走向复用”这场大赛最珍贵的收获，不是奖杯和奖金，而是286位伙伴、162支队伍在100多天里的热情投入——有人利用周末赶工，有人在项目间隙打磨作品，有人为了一个功能反复调试。正是这些熬夜写代码、改方案的时刻，才让“ AI 提效”从一句口号变成了真实可用的工具。同时也感谢各位评委、飞书合作团队和远道而来的客户嘉宾，是他们的专业评审和真实需求，让这场比赛有了分量。正如大赛结束时说的那样：“希望大家满载而归，把今天的启发带回日常工作中，期待明年带着更多成果。”▲ 对外励刃到场嘉宾与客户合影留念▲ 对内焕芯参赛团队、评委与嘉宾大合影黑客松不只是一场比赛，更是优秀作品走向真实业务场景的起点。接下来，我们会继续做三件事：持续落地：推动获奖作品在更多事业部、更多项目中实际使用，让数据继续增长；推广复用：把验证有效的工具沉淀为公司级能力，让更多同事用起来；迭代优化：根据真实使用反馈持续打磨作品，让它们真正长成“大树”。明年，带着更多成果再会携手汉得，共铸硬核竞争力！

在 AI 时代，大模型、智能体和智能应用如何快速落地融入企业提质增效受到广泛的关注。在制造企业，沉淀最厚、也最沉默的一类数据资产，是图纸。一张工程图纸，把尺寸、公差、材料、工艺要求和 BOM 行项全部压缩在一张图里，是覆盖设计、工艺、质量、报价的通用“工程语言”。一家制造企业几十年积累下来，图纸往往以数十万、上百万计，散落在 PLM、文件服务器和工程师的本地电脑里。图纸，是制造沉淀最厚也最难被 AI 读取的数据资产图纸为什么是 AI 最难啃的数据当前传统 OCR 图纸识别普遍面临三个核心难点：💢精度门槛高尺寸、公差、形位公差、粗糙度层层嵌套，通用文档解析的识别精度不够用——差一位公差，就是两件完全不同的零件。💢工程语义深图纸不是文字排版，是“工程语言”：视图关系、剖面、明细表、标准件代号背后，是一整套机械与工艺知识，模型不理解这些，只能“看见”、不能“读懂”。💢结构化需求复杂企业要的不是“识出来的文字”，而是图号、材料、公差、 BOM 行项这些结构化字段，要能拿去检索、比对、生成文档。光识别，远远不够。针对图纸解析的核心难点，我们思考了一条链路——把图纸智能解析拆成自下而上的五层。每一层各司其职，又相互贯通。L1 → L5自下而上贯通，图纸从“图片”逐层加工为“知识”，最终支撑业务应用。三者协同VLM+向量化检索+图纸数智化围绕图纸识别这一关键场景，汉得携手生态伙伴探索出一条路径：用 VLM 视觉模型“看懂”图纸，用向量化检索“找准”图纸，用汉得 HPIS 平台“用好”图纸——三者协同，把一张张扫描的工程图纸，变成一座可检索、可比对、可复用的图纸知识库。VLM 视觉理解模型让 AI 真正“看懂”工程图纸VLM 承担三类任务：✅ 理解视图结构：主视图、剖视图、标题栏、明细表的对应关系。✅ 提取几何特征：轮廓、关键尺寸位置、公差、粗糙度符号。✅ 识别版式与标注：图框、技术要求文字、BOM 明细表。向量化检索从“关键词匹配”到“语义相似”传统的图纸检索，本质上是“关键词匹配”——输入一个图号或零件名称，系统在数据库里做精确匹配或模糊查询。这种方式的问题很明显：你必须知道你要找什么，才能找到它。但工程师真实的需求往往是：“我有一张草图，想知道以前有没有做过类似的零件”——这不是关键词能解决的，这是“语义相似”的问题。向量化检索的思路，就是把所有图纸都转换成一串数字（向量），然后通过计算向量之间的距离，来判断两张图纸“有多像”。图纸数智化：从“单一图纸解析”到“基于图纸的复杂场景应用”将图纸识别后的工程参数形成结构化成果，与业务运营场景进行结合，转化为数智化应用。基于汉得 HPIS 平台支撑各类图纸应用场景，包括搜图、审图、BOM 及工艺结构化、作业指导书、成本规划测算与报价应用场景等。汉得【灵·图】AI识图智能体这一套 VLM 、向量化检索、图纸数智化的组合拳，最终交付给客户的不是 POC 演示，也不是需要二次开发的技术组件——而是一个开箱即用、真正懂工程图纸的 AI 智能体。什么是汉得【灵·图】一个识图准确率可达90%以上，专门为制造企业图纸场景训练的 AI 识图智能体。可实现独立部署，对接 PLM / ERP / CRM 的智能体服务——工程师不需要懂 AI ，只需要像问一位资深同事一样，把图纸丢给它。五大亮点✅ 看得准：工业图纸领域微调的 VLM ，尺寸、公差、形位公差、粗糙度、 BOM 行项一次结构化还原。✅ 懂工程：理解视图投影关系、剖面、明细表、标准件代号这整套工程语言，能“看见”更能“读懂”。✅ 找得到：权重前台可调，业务相似的图纸排到前面。✅ 用得顺：自然语言、完整图纸、“图纸+文字”三种输入并存，判断权在工程师手里。✅ 越用越聪明：低置信区域自动触发二次识别或人工复核，工程师的采纳与否决回流为训练样本，智能体在客户现场持续进化。谁能用？用在哪？研发工程师：秒级召回相似历史图纸并排比对，成熟结构直接复用，降低重复设计率。销售与报价：命中相似历史产品，自动带出历史报价与成本数据，分钟级出参考价。工艺与质量：自动提取 BOM 、技术要求、关键尺寸，减少逐张读图、重复录入。数字化部门：存量老图纸批量解析入库，补齐结构化字段，让老图纸真正被管起来、搜得到。模型负责理解，数据负责沉淀，而让图纸真正产生价值的，是理解业务的人。图纸不是终点——以图搜图接报价、指导书接工艺与质量、检索接 PLM ；从 POC 到规模化，还有数据治理、权限隔离、增量运维。这些系统打通与场景设计，正是汉得多年数字化实施的积累。这条路径仍在演进：正在推进的三维解析，将把几何、拓扑、PMI 标注、材质与装配信息纳入同一套图纸知识体系；图纸知识图谱，则把散落在千万张图纸中的零部件、标注、规范与变更关系沉淀为可推理的工程知识——改一处，追全局。携手汉得，共铸硬核竞争力！

月末最后一天，晚上九点。共享中心的八个应收会计对着412笔银行流水逐笔比对，运营专员还在导第六张表。财务经理在群里问“关账到哪一步了”，半小时没人能准确回答。这是绝大多数财务共享中心的月末对账关账的场景。如何从“人找数”到“数找人”财务共享中心在忙什么？很多管理者觉得，共享中心最大的成本是审单、对账、匹配，但真正深入一线会发现一个反常识的事实：最耗人的，往往不是审单本身而是审单前后那些“看不见的劳动”❓ 要一个数？—— 从系统导出来。❓ 要做对比？—— 几个Excel拼起来。❓ 要知道为什么？—— 自己做透视表。❓ 要写报告？—— 手工整理文字。一个成熟的共享中心，每月花在“取数、做表、写报告”上的时间，占到总工时的30%以上。人工处理数据，有三个绕不开的死结：💢慢——月度一次，等数据出来，问题已经发生好几天了。💢乱——不同的人算“人效”，结果可能不一样。💢浅——只能回答“是什么”，回答不了“为什么”。很多企业上了BI看板，以为解决了；但看板是“人找数”——你得知道要看什么、去哪里看。真正的解决方式是要从“人找数”变成“数找人”七个岗位  七个角色如何定义财务共享数字员工提到数字员工，很多人第一反应是：这不就是RPA吗？这不就是AI助手吗？跟BI看板有什么区别？区别在于一个根本定位：数字员工不是给人打下手的工具而是共享中心正式在岗的虚拟劳动力数字员工四个要素，缺一不可：✅ 有岗位：对应共享中心的一个真实角色，有明确的职责边界，不是“什么都能做的万能助手”；✅ 有职责：明确的问题域和动作边界，知道什么该做、什么不该做、什么必须停下来等人；✅ 有交付物：产出可被人直接使用的结果，而不是一堆需要人再加工的中间数据；✅ 有考核：挂在业务指标上，表现可被度量、可被优化，干得好不好有说法；我们为共享中心定义了七类角色数字员工：七个角色不是七个功能，而是七个承担业务指标的岗位。他们不是七个孤立的工具，而是一个会协作的班组。它们各自有交付物，又能接力协作，一个角色发现异常，会自动触发相关角色的关联分析。七个岗位、七类角色，上岗即接活先把重复劳动接走✅ 看得清：将原来“要问才知道”的事，现在主动告诉你。积压、瓶颈、异常、风险， 不再依赖某个人的责任心去发现。✅ 算得准：每个数字都能点开看到来源与算法。不是一个“AI 说的数”， 而是一条可复现的查询与拆解过程。✅ 跑得快：从“人找数”到“数找人”，从“逐单处理”到“只看例外”。 重复的、有规则的那部分，交给数字员工。「上岗即接活」如何实现？数字员工四步上岗搭建一个数字员工岗位，本质上不是“训一个模型”，而是把一个真实岗位的职责、能力、作业流程和考核标准， 用机器可执行的方式重新表达一遍；这件事有明确的四步，顺序不能颠倒。STEP 1岗位定义绝大多数失败的智能体项目，失败在第一步：直接从“我想让它能干这个”开始，而不是从“这个岗位是干什么的”开始。 前者会得到一个功能清单，后者会得到一个岗位。岗位定义要回答五个问题：岗位与职称、问题域、动作边界、交付物、北极星指标。阿收我是阿收，共享中心的应收会计。我每天值守三件事：把银行流水和账单做候选匹配、 维护账龄结构并解释它的变化、为催收准备清单。我做匹配，但我不做核销——核销需要人来点头。遇到单笔差异超过5万元、 或者同一客户在7天内出现第三次匹配失败，我会停下来，把已经试过的路径列给你，然后等人。我每天8:30交《未认领清单》，每周一交《账龄变化归因》。衡量我做得好不好的只有一个数：未认领率。STEP 2能力挂载一个员工上岗要带四样东西：数据（知道数据在哪）、知识（懂业务制度）、工具（可调用能力）、规则（判定逻辑、阈值、例外清单），数字员工也一样需要完成挂载对应的四类资产。STEP 3SOP 编排能力挂载解决的是“它有什么”，SOP 编排解决的是“它什么时候、按什么顺序用这些能力”。 在这一步把岗位的日常作业翻译成机器可执行的流程，标出人机交接点。我们可以用一张「排班表」把它落到一天的尺度上：STEP 4考核上线数字员工不应该“开发完就上线”。正确做法是经历一个影子运行期：它照常跑，照常产出，但所有动作都不真正执行，只把结果与人工的处理结果做对比。四步的内容合起来，就是一个数字员工岗位的完整配置。谁第一个上岗？他们的上岗路线图七个岗位同时上线的项目，几乎都以「七个半成品」收场。正确的顺序是：先把一个岗位做扎实再让两个岗位学会协作最后才是批量复制数字员工的第一个岗位，应该是“数据分析岗”，而不是“自动记账岗”。这不是降级，这是建立信任的入场券。分析型数字员工只需要只读权限，不碰业务数据、不做任何修改；同时，数据能力建好，其他的数字员工上岗可以复用；先确保数字员工说的数是正确可验证的，再逐步获取操作权限。阶段一分析型：建立“看”的能力把分散在各系统的数据自动汇总成指标，自动发现异常，自动做原因分析，主动把结论推给对应的人。替代的工作：导表、拼表、手工透视、逐条比对、写运营报告、开会前临时取数。阶段二作业型：接入“做”的能力在分析能力建立、数据口径统一、组织信任建立之后，逐步把标准化程度高、规则明确的作业环节交给数字员工。替代的工作：逐单审核、批量发票查验、流水与账单逐笔比对、三单匹配。阶段三决策型：让数字员工“出主意”在作业数据积累足够、模型验证充分之后，让数字员工承担预测和优化类工作。替代的工作：凭经验排班、拍脑袋估资金、靠记忆排催收顺序。数字员工的终点不是让 AI 替人工算账而是让人的时间回到需要判断的地方✅ 会议不再对数：过去财务与业务开会，前 40 分钟在处理“你那个数怎么算的”； 当口径沉淀为系统里的一份定义，这部分时间直接消失，这是最容易被低估、也最容易被感知的收益。✅ 把老会计的经验变成规则：“这种第三方代付要优先匹配同名客户”、“金额差5万以上一定要核”—— 这些经验过去只存在于资深员工脑子里；写进规则库以后，它变成了组织资产， 不再随人员流动一起流失。✅ 新人上手周期缩短：新人不再需要花两周学习“怎么导表、怎么拼数、口径在哪”。；他第一天就能拿到已经整理好的清单，把精力放在理解业务上。 带教成本下降，是共享中心高流动率下最实际的一笔账。✅ 从「月度管理」到「实时管理」：问题从“月底才发现”变成“当天可见”。这意味着管理动作从事后解释转向事中干预；一个能被提前 9 天看到的资金缺口，和一个月后才被发现的资金缺口，是完全不同的两件事。回到开篇那个月末晚上九点的共享中心，我们想要的，不是把人全部替代，而是不用再等到月末深夜，才被动暴露一堆问题。这样的月末，不应该成为常态。如果您现在的感觉是“听起来不错，但我们数据还不行”，那最该做的不是等，而是先做一次数据可识别性评估——用一个岗位、一个月的数据，把“哪些能自动、哪些必须人工、差在哪”一次看清楚。这件事的产出，本身就是一份有价值的数字化现状体检报告。七个岗位、七类角色从“看”到“做”到“出主意”上岗即接活携手汉得，共铸硬核竞争力！