MCP连接让数字员工进SAP开发环境DataClaw 完成 SAP MCP 部署之后，SAP 项目团队可以让数字员工直接进入开发环境：查对象、读代码、跑测试，与顾问在同一个对话中协作。需求交付的节奏，也随之改变。什么是 MCP？它是 AI 与外部系统之间的统一接口◈ 接入之前，AI 只能处理人工提供的文字；◈ 接入之后，数字员工可以自行到 SAP 中查证。能查什么、能否修改，完全取决于企业授予的权限。架构：入口不变，能力增强原有的服务体系无需推翻。顾问仍在业务群和工单中接收需求，与数字员工融入到原有流程体系。▲ 架构：入口不变，能力增强（示意）连接方式：四步▲ 连接方式：四步（示意）不同系统的开放程度存在差异，因此首期建议只开放“读”：查对象、读源码、查使用位置。写入属于进阶能力，默认关闭；开启后须单独授权，并逐次确认。落地提示技术动作本身并不复杂，周期主要取决于企业内部流程——专用账号由谁审批、授予何种权限、是否需要 Basis 配合。建议在接入之前，先把这三件事明确下来。接入完成后的第一次交互，是确认边界：数字员工能做什么，不能做什么。▲ 接入后的首次交互：先确认边界（示意）需求变更频繁DataClaw高效需求管理闭环在 SAP 项目中，需求管理的路径：提出需求 → 系统调研/业务调研/分析评估 → 排期 → 开发 → 测试 → 传输上线 → 验收。需求管理的日常，常常是这样的：口径靠口头来回：业务说一句，顾问转述给开发，开发按自己的理解实现；做到一半才发现，有几个关键口径从头到尾没人问过。范围靠默契：“顺便加一列” “再多看一个维度”，边做边加，最后谁也说不清这一期到底交付了什么。测试排在最后：边界情况要等到联调，甚至上线之后才暴露，返工的代价最大。变更靠经验消化：需求一变，会影响哪些程序、文档和测试，全凭经办人的记忆；资料散落在邮件、聊天记录和个人电脑里，人一换，来龙去脉就断了。到了月结这样的关键节点，需求变得比排期还快，它们还会被成倍放大。DataClaw 数字员工进入 SAP 开发环境之后，变化发生在流程的每个环节：口径在对话中当场问清，并落成文档；范围在开工前框定；程序与测试一并生成；写入由人批准，写后回读；验收后归档，变更时先读档案再动手。需求管理从“靠人盯”，变成“有章可循、有据可查”。下面，用一个常见的月结场景，看看这些变化是怎样发生的。业务背景：月结前的暂估清单月底结账，有一项绕不开的工作：暂估。货已经收了，发票还没到，按权责发生制，这笔应付不能等发票，财务需要依据「已收货、未收到发票」的清单，估计入账。清单的口径并不复杂，难的是它与月结时间表绑在一起：需求往往在最紧的几天提出，而且不止一次。这个月结周，“我”就遇到了这样一张清单——周一、周三、周五，各改了一次。▲ 同一张暂估清单，月结周里改了三次（示意）我们的做法：先立规矩，再动手面对“需求比排期还快”，靠加班不是办法。DataClaw 数字员工按四条原则做事，这也是“我”与它协作的方式：先问再做、测试先行、拿不准先查证、变更有据可依。一个需求从提出到归档，形成如下闭环：▲ 一个需求的闭环：五个环节（示意）周一：审计要求加本位币审计要求暂估金额同时显示本位币，外币订单按月末汇率折算。理由合理，不加就过不了审计，样表当天要交。▲ 周一 09：12（示意）时间紧，“我”也没有让它直接写代码，而是先把口径问清、把范围框住。它复述了对数据来源和粒度的理解，反问了三个会改变结果的问题，并出具《需求分析报告》和《方案文档》，由“我”确认后才开发。▲ 复述需求、确认口径、框定范围（示意）○给业务同事的提示：好的 AI 会先提问。它问的“汇率取不到怎么办”，正是平时容易漏说的口径；“本期不做什么”写清楚，后面才不会边做边加。程序与单元测试一并生成。测试里有一个用例没通过：没有任何公司代码权限的用户，竟能查到全部数据。原因是权限范围表为空，而 ABAP 中对空范围表使用 IN ，等于“不加限制”。它补上判断，重新运行后全部通过。写入开发系统属于高风险动作，需要“我”批准，写完还要回读核对。▲ 生成、测试、修复、审批、回读（示意）○给开发同事的提示：单元测试的价值，在于抓住“代码看起来对、边界情况不对”的问题。业务同事也可以问一句：有没有测过“没有权限”的人？样表当天交给了审计。周二，财务验收通过。周三：采购发现重复暂估退货冲销过的订单，清单里仍按“已收未开票”计算，导致重复暂估。不改口径，财务入账金额就偏大，必须在月结前改好。▲ 周三 14：05（示意）这一次，DataClaw 先翻出周二验收后归档的需求档案，再到系统里查证数据。结论是口径缺口，而不是新需求：当初只累计了收货，没有抵减退货。涉及财务数字，它先请“我”确认，确认后才改，补充退货用例，并把档案升到 V1.1。▲ 分析口径缺口、修改、测试、升级（示意）○AI 会不会编造一个“听起来像标准功能”的东西？会。所以不确定的名字，它一律先到系统里查证；这条规矩被写进了数字员工的“做事原则”，每一次都会执行。周五：月末最后一天 按利润中心拆分集团管理层要求暂估按利润中心拆分，晚上关账前必须出，否则管理报表缺数。▲ 周五16：20（示意）这时“我”已经不需要重新交代背景。DataClaw 先读这个需求的全部历史版本、方案文档和测试用例，再做分析，只把一件资料里没有答案的事交给“我”拍板。▲ 先读历史资料，再分析（示意）改完之后，它自动把历史用例全部回归了一遍，确认前两次的口径没有被改坏，三次要求的来龙去脉也沉淀进了需求档案。下一个接手的人，先读档案，就能看到这个需求是怎么走到今天的。▲ 回归测试、对账、沉淀（示意）○验收不是终点。范围、口径、测试和验收记录都留下来，以后“当初为什么这么定”，随时能查到。回头看：时间花在了哪里这一周，样表按时交给了审计，退货口径在月结前改对，管理报表在关账前补齐。回头看，差别并不在“代码写得快了多少”，而在返工少了、查证有据、变更追得上、交付物留得下来。▲ 这一次，时间花在了哪里（示意）方法论总结用DataClaw为SAP需求管理赋能回到本章开头的四个痛点。一周三次变更，把它们逐一摆在了桌面上；而 DataClaw 给出的，不是某一个环节的提速，而是一套贯穿需求全生命周期的做法，可以概括为四条基线：口径基线、范围基线、质量基线、知识基线。▲ 四个痛点 四条基线（示意）解决什么问题✅ 口径不再靠口头来回：数字员工在开工前先复述需求、反问会改变结果的问题。周一，汇率取值、取不到汇率怎么办、已标记交货完成但未开票的算不算，这三处最容易“各想各的”，都在写代码之前确认，并记入「口径假设清单」。✅ 范围不再靠默契：“本期做什么、不做什么”被写成文档，成为后续判断的基线。周五，“其它汇总维度本期不做”这一句话，让新要求能被直接判定为新增范围，而不是悄悄加进去。✅ 测试不再排在最后：程序与单元测试一并生成，边界问题在开发阶段就暴露：周一的越权风险，是单元测试抓到的，而不是用户查到别人的数据之后。✅ 变更不再靠经验消化：需求验收后归档、按版本管理。周三，档案帮助快速定位口径缺口；周五，数字员工先读完历史版本再分析，把需要人决定的事收敛到一件。达到什么收益响应更快：三次变更，每次都在时限内完成；后两次无需重新交代背景，数字员工直接基于档案接着做。返工更少：问题前移到澄清和测试阶段，而不是联调或上线之后；改动之后有回归兜底，改一处不会坏另一处。结果更可信：每次写入都经人批准、写后回读；不确定的名称先查证；数据口径有据可查。沟通更省力：业务只需要在关键点上拍板，其余由数字员工整理、核对和记录。额外获得的能力可追溯的变更历史三次要求的时间、原因、影响、确认人，都留在变更记录里，复盘、审计、交接都用得上。持续增值的知识资产需求档案、口径清单、测试用例不随项目结束而消失；做过三次以上的做法，还可以固化为技能，被下一个人直接调用。可迁移的方法同一套“问清、框住、测全、留档”的做法，不仅适用于需求交付，也延伸到下一章所讲的运维场景。价值：从“靠人盯”到“靠机制”✅ 对业务，意味着需求响应更快、口径更清；✅ 对顾问和开发，意味着更少的返工和救火，精力回到真正需要判断的事情上；✅ 对管理者，意味着范围可控、过程可见、质量可追溯；✅ 对企业，意味着个人经验被沉淀为团队资产，不再随人员流动而流失。DataClaw 并没有改变 SAP 需求管理的基本规律，它做的是让这些规律真正落地：该问的问到位，该留的留下来该人决定的，交还给人运维赋能把经验变成数字员工能力需求交付是最容易讲清楚的场景，因为有一份交付物可以验收。但在企业日常运维中，更多的工作发生在“需求之外”：没有立项、却每天都有人在问的问题。DataClaw把经验变成能力运维的成本，往往不在难题，而在重复：同一个问题每月有人问，同一类检查每周要跑，老员工的经验靠口头传递。DataClaw 的思路是分三层建立能力：先查清楚：以只读方式取证，让数据说话，把“感觉可能是……”变成“已经查证是……”。再固化下来：将做过的事沉淀为技能，按周期自动运行。最后能够交接：经验进入知识库，换一个人也接得住。接入DataClaw，运维中的重复的问题只解一次；一线运维自行取证，减少无效转派；新人借助知识库，上手更快；知识库不断更新，沉淀为企业资产。▲ 五类日常场景（示意）A｜故障排查（只读）场景：报错如何解读、工作流在哪一步中断。比如业务人员想知道物料10000123在工厂1000一直没有被 MRP 运行出采购申请，怎么办？DataClaw 的做法：按问题描述只读查证，返回命中的表、字段与记录值，并清楚区分“已查证”与“待确认”。DataClaw 接入系统，查询了物料、工厂，最终确认到问题的原因是 MRP 类型被错误维护为 ND ，因此 MRP 运行会跳过该物料。价值：业务人员可先行自查，减少无效转派；结论有据可查，便于复核。B｜周期巡检与批量核查（只读）场景：本周有没有异常的、待业务处理的单据。比如每周一早上需要业务人员人工查一遍收货满30天、还没开票的订单行。DataClaw 的做法：将检查固化为技能，按周期自动运行，结果推送给责任人。 DataClaw 接入系统，按条件筛查出符合条件的采购订单行明细数据。价值：隐患前置发现，巡检口径统一，不再依赖个人记忆。C｜配置与引用核查（只读）场景：IT 人员想知道系统里现在配置了多少销售订单类型、分别有多少订单量？DataClaw 的做法：直接查询配置与使用情况位置，并给出清单和截图。价值：查配置更快，查引用更全，改动前的确认更扎实。D｜变更影响分析（需评审）场景：修改一个字段、调整一段逻辑，会牵动哪些报表、接口、增强。比如业务想要启用物料10000321的批次管理，想知道有什么影响。DataClaw 的做法：依托需求档案、系统数据与代码检索，列出现状和启用批次的方法，查询受影响的程序、文档、测试用例，并标出哪些点需要业务确认。价值：评审有依据，遗漏更少。需要强调的是，它负责把影响面列清楚；是否实施，由变更评审决定。E｜知识沉淀与交接场景：一个需求或项目的来龙去脉、一个故障的排查路径，只存在于经手人的脑子里。比如IT管理者想要知道某个项目的背景、落地的方案及每次变更对项目产生的影响。DataClaw 的做法：将其写成技能或存入知识库。在日常运维、需求项目的管理过程中，会议纪要、业务流程、SOW、开发&配置说明书、测试用例、测试报告、操作手册、验收报告、上线后问题清单等等，都值得沉淀。新技能先放在“仅我的员工”里小范围内试用，稳定后再经管理员审核发布，业务尚未回答的事项保持“待确认”，不以默认值替代。价值：项目背景和每次变更都有据可循，业务逻辑清晰完整，系统设计思路丝丝入扣，未来基于项目范围做变更、调整，也可以快速判断业务影响和系统影响。由此，项目成员经验得以传承，哪怕新人也能自助上手，团队能力有知识沉淀依托，不再随人员流动而流失。边界与安全能做什么 不能做什么将 DataClaw 引入 SAP，最需要回答的不是“它有多能干”，而是“它会不会做出不该做的事”。因此，管控并非事后补充，而是贯穿从接入、使用到交付的全过程。权限与安全我们遵循三条基本原则：最小权限、关键动作由人决定、过程可核查。具体落实为七个管控点：▲ 权限与安全：七个管控点（示意）知识与运维：让经验留下来数字员工的价值，不只在一次对话里，还在于经验能够沉淀、复用。▲ 知识与运维：让经验留下来在这套机制中，数字员工与顾问分工协作：数字员工承担查证、初稿、质检和归档，顾问负责判断与审核、确认与交付。稳妥落地：分三个阶段对计划引入的企业，我们建议循序渐进，每个阶段设置明确的准入条件：▲ 稳妥落地：三个阶段（示意）DataClaw 负责执行，问题想得全、活干得快；人负责判断与担责，更能专注在关键决策上。两者配合，交付更高效。携手汉得，共铸硬核竞争力！本文情景为示意，人物为虚构，订单号等数据取自演示环境的示例数据；配图及对话截图均为 AI 生成或合成的示意图，对话内容根据平台能力与常见 ABAP开发场景改编。DataClaw 界面按官方培训资料的界面风格重绘。接入步骤与权限设计为通用示意，具体以贵司环境与内部规范为准。本文未使用任何客户资料进行演示。

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！