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。工业企业尤其是制造企业流程长、业务场景复杂，在工业 AI 智能化落地难度尤其大。制造企业的管理团队焦虑的核心关注点之一：AI 能不能进入工艺、设备、质量和生产现场，解决一个个具体问题，优化提升工艺质量。汉得深耕制造领域近30年，积累大量制造业客户和行业场景。依托「得·灵」企业级 AI 产品/服务体系，基于企业级 PaaS 平台 H-ZERO 构建的智能制造 HCMs 协同平台，我们把工业数据、业务流程和 AI 模型连接起来，帮助企业构建高效、可靠、可闭环的工业 AI 行业垂类模型和应用。这个专题希望通过一系列工业 AI 真实场景落地案例，把我们在工业 AI 落地中的经验、想法和方法呈现出来，为更多制造企业提供参考。本篇聚焦锂电池负极石墨化。负极石墨化质量预测与工艺优化模型AGPO AI Model锂离子电池通过锂离子在正、负极之间往返来完成充放电。充电时，锂离子从正极经过电解液进入负极；放电时再返回正极，电子沿外部电路流经用电设备，提供电能。▲ 锂电池是怎样充放电的？负极材料可以理解为充电时锂离子的“存放地”。它能容纳多少锂离子、进出是否顺畅，会影响电池容量和充放电表现。人造石墨是常用的负极材料，其层状结构可以容纳锂离子。为获得负极材料所需的结构和性能，人造石墨生产会对适用的碳材料进行高温处理，让内部碳原子的排列更规整、更接近石墨结构，这就是石墨化。以电阻加热炉为例，物料装炉后按工艺要求送电加热，再停电冷却、出炉取样，检测石墨化度和比表面积（Specific Surface Area，SSA）。难点在于，质量结果出来时，送电过程通常已经结束；原料、装炉位置、保温条件和送电方式不同，同样的用电量也可能得到不同质量。季节性 SSA 波动、相关材料使用后的加工变化，以及喷炉样本少等问题，都让现场需要更早的质量研判和更有依据的工艺调整。▲ 负极材料是怎样“石墨化”的？围绕这些需求，构建负极石墨化质量预测与工艺优化模型（Anode Graphitization Prediction and Optimization AI Model，简称AGPO AI Model），按数据规整、质量预测、送电优化逐步推进。数据贯通为每一炉建立完整工艺档案AGPO AI Model 的建设，首先需要把分散的数据准确对应到同一炉次。通过制造执行系统（MES）、质量管理系统（QMS）及设备采集接口，关联物料批次、原料指标、装炉数量与位置、相关材料使用状态、送电曲线、检测结果和异常记录。其中，炉号、炉次、物料批次、装炉位置和样品编号，是连接过程与结果的关键。一炉涉及多批物料、多个位置取样时，需要保留各自对应关系，才能分析不同位置的质量差异。连续曲线也需要结合送电阶段来理解。电流、电压、电阻的变化发生在哪个阶段，是否伴随人工调整，采集时间和单位是否一致，都会影响后续判断。短时缺失可以在适用条件下有限补全，关键异常窗口则应保留原始记录，避免把真实毛刺当作脏数据删除。影响因子分析让工艺调整有据可循面对夏季比表偏高、冬季偏低，直接把原因归结为季节，可能忽略同期原料、装炉和操作方式的变化。分析应先从相近条件的炉次开始。按产品牌号、炉号、装炉量和相关材料使用状态分组，比较质量、周期、产出和能耗，再检查原料指标、送电历程及环境条件的差别。AGPO AI Model 可以结合相关性分析与回归模型，筛选与石墨化度、比表面积和加工表现有关的因素，为工艺人员提供重点核查方向。但统计关联和模型重要性，需要经过工艺复核或生产试验，才能进一步形成调整依据。随着分析积累，企业可以逐步明确：❓ 哪些物料适用现有曲线❓ 哪些装炉或材料状态需要单独评估❓ 哪些条件变化需要触发工艺复核现场经验由此获得可追溯的数据支撑。质量预测让出炉指标提前进入研判质量预测要先明确三个问题：预测哪个指标？对应哪个取样节点？在生产的什么时点给出结果？石墨化度反映结构有序化程度；比表面积（SSA）反映单位质量材料的可接触表面积，也受到粒径、孔隙、表面处理和检测条件影响。两者需要分别建模，不能简单换算。AGPO AI Model 可以采用软测量（Soft Sensing）思路，将物料、装炉信息、送电特征与工艺机理结合起来建立质量预测模型，并与现行经验方法比较验证。这一方法需要尊重实际炉型与传热条件。输入电量不能直接代表物料获得的热量，炉表温度也不能单独反推出炉芯温度。机理模型需要标定，数据模型需要明确适用工况。预测石墨化出炉中间品与预测后续成品，也有不同的数据要求。若目标是后续成品的 SSA，还需关联粉碎、筛分、混配、包覆等加工条件。在约定生产节点，模型使用当时已经获得的数据，输出预测值、预测范围和适用条件。工艺人员据此识别偏离目标的风险，复核物料与工艺适配情况。质量预测为过程研判争取时间，最终放行仍以检验结果为准。送电优化在质量约束下比较工艺经济性有了经过验证的质量模型，送电方案才有条件进入更有依据的比较。围绕不同原料、装炉量和产品要求，AGPO AI Model 可以配合约束优化方法，从已有或经工艺认可的候选曲线中，比较各阶段功率、持续时间与累计电量，并评估对应的质量达标风险。质量预测负责判断候选方案可能得到什么结果，优化方法负责在可行方案中进行取舍。设备电流上限、功率变化及工艺允许范围等条件，需要作为明确约束进入计算。优化建议由工艺人员审核，再通过小范围生产试验验证。历史数据上的预测表现，需要进一步接受曲线调整后的实际质量结果检验。经营评价同样需要明确口径：单位合格产出的电耗反映能源使用效率，用电成本还受到电价时段等因素影响。移峰带来的电费下降，应与实际节电分别评价。异常检测让运行偏离进入复核与处置喷炉事件少，稳定前兆尚需验证，初期建设宜从运行参数异常监测做起。系统按送电阶段和工况建立正常范围，结合电流、电压、电阻的变化率与多信号联动，识别需要关注的偏离。在数据条件允许时，可以评估孤立森林（Isolation Forest）等异常检测方法，补充对复杂变化的识别。异常提醒应保留发生时刻、工艺阶段、关联信号和人工操作，供现场人员回放、核查。参数偏离可能来自工艺切换、传感器故障或其他设备异常，不能直接等同于即将喷炉。随着事件前后曲线与正常炉次持续积累，再验证是否存在稳定前兆，并评价误报、漏报及有效提前量。在这一过程中，模型提供辅助提醒，现场人员负责综合判断和处置，既有设备保护承担其原有职责。喷炉预警与设备保护分别设计，才能明确各自的作用与边界。▲ AGPO AI Model 应用闭环结果回流持续沉淀石墨化工艺模型与知识工业 AI 的价值需要在现场应用和持续验证中形成每一炉的预测结果、实际检验值、送电调整和异常处置，都应回到炉次档案。质量偏差扩大时，需要进一步分析原料、工况、数据采集及设备状态变化，重新评估模型的适用范围。操作记录、维修经验与经过审核的处置方法，还可以通过大语言模型（Large Language Model，LLM）进行整理，并结合检索增强生成（Retrieval-Augmented Generation，RAG）供人员查询，让经验更容易被找到和复用。建设路径也应遵循现场验证的顺序：先完成数据规整，开展炉次分析和基础异常监测；再验证质量预测；再验证质量预测；通过验证后，逐步开展送电优化试验。模型或数据失效时，按经审核的原工艺和既有保护运行。依托「得·灵」企业级 AI 产品/服务体系、H-ZERO 和 HCMs 平台能力，可以进一步把数据接入、质量预测、工艺审核、生产试验与结果回流连接起来，推动 AGPO AI Model 融入制造业务流程。对于负极石墨化，工业 AI 的落地价值在于：✅ 让质量风险更早进入研判；✅ 让送电方案获得可比较的依据；✅ 让异常处置与工艺经验持续积累。在工艺人员、质量检验和生产系统的协同下，把一炉一炉的经验沉淀为可验证、可迭代的行业垂类模型与应用能力。携手汉得，共铸硬核竞争力！

2026年10月21日，湘钢首届创新大会举行，汉得受邀参会。双方合作开展的“中厚板全流程数智化生产执行系统开发项目”获颁“2026年度最佳合作项目奖”。大会以“新耀钢城·智启未来”为主题，围绕改革创新、科技攻关、管理提效和产业开拓等方面，分享优秀实践、表彰创新成果。此次获奖，是对双方围绕板材制造场景推进数字化建设工作的肯定。01 以业务为牵引深化板材制造协同宽厚板生产涉及订单、质量、计划、生产执行与仓储物流等环节。客户需求如何准确传递到生产岗位，订单进展如何及时反馈给相关部门，是制造管理需要持续解决的实际问题。围绕湘钢板材 MES 重构升级，双方将业务流程优化与系统建设相结合，聚焦生产经营中的协同需求。MES，即制造执行系统，连接企业经营管理与现场生产执行，为业务信息的传递和生产过程的跟踪提供支撑。项目以订单履约为主线，将质量要求、生产计划与执行记录纳入协同管理，推动信息在业务环节之间顺畅流转，让相关岗位更便捷地获取所需信息，为精细化管理提供支持。让客户需求贯穿生产执行让业务数据服务现场管理02 围绕关键业务提升生产执行支撑项目围绕板材制造的全流程协同需求，结合以智能自动组板为关键指导，将交货期、成材率等因素纳入组板决策，支持多钢种、多目标组板方案生成，统筹订单交付与材料利用。同时，项目加强订单、质量、生产执行与仓储发运之间的信息衔接，完善计划执行跟踪和异常反馈，为生产组织提供更清晰的业务依据，促进产销协同与精细化管理。智能自动组板统筹交付与材料利用围绕不同钢种和订单要求，系统支持在生产约束下生成多目标组板方案，并将余坯、余材纳入自动组板与利用。自动组板与手动组板共用基础数据，便于业务人员衔接处理。同时，结合作业计划管理与生产实绩反馈，支持计划编制、调整和执行跟踪。订单信息更顺畅交付进展更清晰围绕订单信息传递与合同全过程跟踪开展优化，将客户个性化要求纳入系统化管理，并加强交期跟踪和异常提醒，帮助相关岗位及时掌握执行进展，为产销协同提供支持。质量要求更明确过程记录可追溯围绕产品标准、工艺规范和岗位操作要求，推进质量设计与质量信息传递的规范化管理，减少重复维护和线下传递。通过关联生产记录与质量信息，为过程跟踪和问题分析提供依据。炼钢计划更直观工序衔接更顺畅围绕炼钢生产组织，系统以可视化方式呈现各工序计划，支持生产时间测算和计划动态调整，并将检修安排纳入统筹，帮助相关岗位把握生产节奏。同时，结合质量标准支持自动判钢，并加强与后续装炉计划的衔接，为炼钢过程管控与工序协同提供支撑。轧钢计划与实绩联动执行管理更精细围绕轧制与热处理，系统支持按业务规则自动编排计划，由岗位人员确认后下发，并跟踪计划执行与调整。结合合同要求，将工艺规范和操作要点传递到相应岗位，通过剪切、喷刻印等作业信息的图形化展示，以及生产实绩和轧辊履历管理，支持现场作业规范执行与过程追溯。仓储与物流衔接协同管理更有序推动仓储信息与物流、发运业务联动，支持库存统筹和材料流转跟踪，为相关岗位安排出入库及发运作业提供信息支撑，促进生产组织与交付安排相互衔接。03 坚持合作共建推动持续创新钢铁企业的数智化建设，需要将现场业务经验与数字技术持续结合。围绕具体场景梳理需求、优化流程，并让系统能力服务岗位操作，是项目建设的重要着力点。此次荣誉，既是对合作成果的认可，也是双方持续推进业务创新的动力。汉得将继续以客户业务需求为出发点，注重系统应用与管理实践的结合，支持制造企业提升数字化管理能力。面向未来，汉得期待与湘钢继续深化合作，在板材制造场景中持续完善数字化应用，让创新成果更好地服务生产经营。携手推进数智化建设让创新更好服务生产经营携手汉得，共铸硬核竞争力！

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。