热点新闻

HOT

“慧”控 “慧”审｜汉得灵驭上岗，驭AI大模型赋能数字员工接管企业内控与审核！

汉得智慧财务 HiFins 推出新一代 AI 智能审核大模型“灵驭”（以下简称“灵驭”），它定位于企业内控与风控的“首席数字化引擎”，从财务审核这个最关键的业务关口开始，重新定义内控与风控。

查看详情

汉得 x 中鼎 x 矩阵｜AI Factory项目启动，从五层结构到业务场景，一份全球化Token工厂建立模板的AI规划！

2026 年 8 月 19 日，中鼎集团 AI Factory 项目启动会在安徽宁国举行。中鼎集团、中鼎流体、中鼎 IT 与汉得信息、矩阵起源的项目团队共同出席，项目以中鼎流体系统有限公司为起点正式启动。

查看详情

品牌案例｜场景是技术落地最好的土壤！

AI浪潮渗透全域，数智化转型已成企业发展刚需，但行业普遍存在重概念、落地难的痛点。汉得始终坚信，场景是技术落地最好的土壤，唯有扎根真实业务，才能释放AI数智赋能真正力量。

查看详情

新闻中心

NEWS

全部公司动态产品快讯智慧营销智能制造智协供应链智享财务泛ERP 数字化技术合作伙伴

09-01

“慧”控 “慧”审｜汉得灵驭上岗，驭AI大模型赋能数字员工接管企业内控与审核！

09-01

“慧”控 “慧”审｜汉得灵驭上岗，驭AI大模型赋能数字员工接管企业内控与审核！

月末最后一个工作日，晚上九点，财务共享中心的灯还亮着。桌上堆着几百张待审单据，差旅报销、采购付款、营销费用……每一张都要核对发票真伪、校验费用标准、比对预算额度、检查审批流程。一个经验丰富的审核员，一天最多处理两三百张；遇到复杂单据，还要反复翻附件、查制度、问业务。这不是某一家公司的特例。几乎所有中大型企业的财务团队，都在重复同样的循环：月底加班、季末爆单、年末连轴转。人工审核不仅耗时，还面临准确率波动、标准不统一、审计溯源难等一系列问题。现在，汉得智慧财务 HiFins 推出新一代 AI 智能审核大模型“灵驭”（以下简称“灵驭”），它定位于企业内控与风控的“首席数字化引擎”，从财务审核这个最关键的业务关口开始，重新定义内控与风控。驭者，驾驭也。需要先说明的是：“灵驭”不是一个单一的大模型，而是一套深度融合 AI 大模型能力的智能审核大模型应用。它依托汉得自研的 H-ZERO 企业级 PaaS 平台与「得·灵」企业级 AI 产品/服务体系中的“灵猿”大圣 AI 中台，以“AI 大模型 + 规则引擎”双轮驱动：规则引擎守住确定性边界，AI 大模型负责语义理解与非标材料判断，再经由置信度评估与人机协同机制，让每一次审核都可追溯、可解释、可运营。在真实的头部企业上岗实践中，它已经交出了惊人的答卷：✅ 85%的常规审单工作完全自动处理，财务仅需复核15%低置信内容！✅ 应收端全流程无人参与率高达90.7%！✅ 在客户真实生产环境中审核准确率达99.67%，稳定高于人工常规96%~97%的水平，安心直接上岗！✅ 100%规则入库，每笔审核皆带完整推理依据，随时在线一键溯源！这家集团业务覆盖制造、教育、农业等多个板块，财务共享中心每月处理海量报销单据。过去，审核团队依赖人工逐张核对，不仅效率受限，准确率也随审核员经验、状态波动。引入“灵驭”后，系统直接对接现有费控流程，对每一张单据进行“规则引擎确定性校验+AI 大模型语义级理解”的双重审核。上线运行一段时间后，审核效率及准确率已经稳定高于人工审核的常规水平！✅ 审单人效提升：AI 可自动完成85%的常规审单工作，财务仅需处理剩余15%低置信、需弹性判断的复核内容。✅ 端到端自动化：应收端业务全流程无人参与率达90.7%，仅海外发票、红字发票等特殊场景需人工介入处理。✅ 准确率表现：实际运行审核准确率达99.67%，高于人工审核96%-97%的常规准确率水平，可直接上岗使用。这意味着它不再是一个“辅助工具”，而是一个可以直接上岗、独立承担审核工作的“数字员工”。人工从“逐张审核”转向“异常复核”，精力集中在真正需要判断的复杂单据上。对国央企而言，审核不只是效率问题，更是合规问题。大型央企面临的痛点很典型：审核标准因人而异、审计追溯困难、领导单据审核时人情压力与合规责任难以平衡。“灵驭”上线后，这些在传统人工审核模式下几乎无解的问题被一一解决：合规溯源价值所有审核规则纳入系统统一库，每笔审核均带完整推理依据与证据链，审计可直接在线溯源。规避人情干扰审核标准统一无差别，解决国央企场景下领导单据审核的人情压力与合规责任两难问题。泛化能力优势可精准识别各类隐蔽高消费敏感项——比如拆分报销、变相消费、异常关联交易；同时避免传统关键词匹配导致的非相关内容“误拦”问题。从准确率波动，到标准统一从审计溯源难，到人情干扰归零问题被一层层解决了在财务审核场景里，“灵驭”是可以独立上岗的“AI 数字员工”军团。但数字员工，只是它的一种形态。它的真正定位，是企业内控与风控的首席数字化引擎：向前：AI 预审把沟通前置——员工提单前就能获得整改指引，财务只接手真正需要判断的异常；向后：审批复核、审计溯源、风险洞察全程在线留痕，规则库与知识库随业务持续沉淀，越用越聪明。费用审核只是第一站。应收应付、合同付款、采购三单匹配、海外票据、内控合规……同一套“驾驭大模型”的能力，可以一路延展到企业经营的每一个风控关口。能自动的自动，该人工的人工让控制嵌入每个关键节点而不是替代某一条审批链为什么“灵驭”先在财务审核上岗？因为财务是企业中规则最密、材料最杂、合规要求最高的审核场景之一，能在这里跑通的能力，才经得起任何审核场景的考验。而审核的本质是相通的：一切审核，都是“用规则驾驭材料”。只要存在“制度标准+待审材料+结论依据”的结构，“灵驭”的“规则引擎 + AI 大模型”双轨架构就能整体复用——规则入库、知识沉淀、材料识别、推理留痕，一套方法论走天下：◈ 法务合规合同条款审核、制度一致性校验、用印与公文审核；◈ 采购与供应链供应商资质审核、招投标文件合规审查、报关报检单据核验；◈ 人力与行政入离职材料核验、薪酬社保合规、假期与福利制度审核；◈ 金融与风控信贷材料完整性校验、理赔单据审核、可疑交易线索识别。财务审核不是“灵驭”的边界，而是它的起点。审核能力一次验证，企业全域复用，每一处需要“把关”的地方，都是“灵驭”可以上岗的地方。AI 大模型正在以前所未有的速度迭代：今天最强的模型，半年后可能就被超越。对企业而言，真正的风险不是“选不到最强模型”，而是把审核能力绑死在某一个模型上；模型一换，效果波动；模型一停，生产停摆。“灵驭”的答案，是把“驾驭大模型”做成一套工程化能力：站在所有主流大模型之上，用成熟的审核场景模型测评工具持续评测、择优而用；以“规则引擎 + AI 大模型”双轨架构明确分工：确定性的判断交给规则，非结构化的理解交给模型。模型可以来自任何一家，而驾驭模型的能力，始终属于企业自己。大模型是发动机，“灵驭”是造车的工厂企业要的不是赌一台发动机而是一辆随时能上路的车AI 大模型能力很强，但从“模型可用”到“审核好用”之间，隔着一道鸿沟。企业想把 AI 大模型真正用进审核生产环节，总会担心底层模型绑定、幻觉频发、部署周期长，以及高昂的开发与试错成本。现在，我们把这套“模型驾驭能力”完整沉淀进“灵驭”，让企业以即插即用、开箱即用的方式，直接获得经过验证的 AI 审核能力：不绑定单一模型拥有成型的审核场景模型测评工具，可基于客户真实业务数据评测主流模型的适配性。幻觉从源头规避配套完整的附件打分、置信兜底、人工转介机制，从源头规避低质量输入导致的审核错误，让“AI 审核”不是“AI 冒险”。模型迭代不影响生产支持模型一键评测、平滑切换，新模型出来后可在不中断现有生产的情况下评测对比，平滑切换，保障模型迭代不影响审核准确率。不挑平台独立部署可独立部署，不绑定现有费控、财务共享平台，可直接对接企业各类现有系统，无需推翻重来，在现有 IT 架构上即可叠加智能审核能力。在商业模式上，“灵驭”也在探索更轻的方式：从传统软件的“一次性买断 + 项目制实施”，走向按 Token 用量计费与积分模式相结合的付费规划，让 AI 审核像水电一样，即开即用、按量付费。✅ 成本可预测：按实际审核调用量计费，用多少付多少；月底季末的单量峰谷，不再对应固定的人力成本。✅ 门槛足够低：无需为重资产投入反复论证，一个场景、一笔积分预算即可启动 POC，先验证、再推广。✅ 与技术红利同行：随着底层模型持续进化、单位 Token 成本不断下降，单次审核的成本会越来越低，技术进步的红利，直接变成企业的利润。把 AI 审核做“轻”让内控审核“智”变是时候让“灵驭”执掌企业的内控与风控了携手汉得，共铸硬核竞争力！

09-01

AI Coding Agent｜汉得H‑AI飞码V1.3.0发布：Harness底座加持，SDDxAIDLC双轮驱动，组织级智能交付提效！

汉得 AI Coding Agent H-AI 飞码，深度适配 H-ZERO 企业级应用开发场景，以 SDD 建立统一研发依据、AIDLC 贯通端到端交付链路、Harness 保障复杂任务可靠执行，推动 AI 从局部编码提效走向端到端智能交付，从个人效率提升走向组织能力沉淀。

09-01

AI Coding Agent｜汉得H‑AI飞码V1.3.0发布：Harness底座加持，SDDxAIDLC双轮驱动，组织级智能交付提效！

Vibe Coding 正在重新定义软件开发。通过自然语言描述需求，AI 可以快速生成页面、接口甚至完整业务逻辑，在原型验证和轻量级工具场景中展现出了惊人的效率，“几天完成一个应用” “两周 Vibe 一个系统”等案例不断出现。但从个人快速生成一个应用，到企业稳定交付一个系统，仍存在如下明显鸿沟：因此，Vibe Coding 解决的是快速生成，而企业级研发还需要解决：复杂系统如何理解、企业知识如何注入、研发规范如何统一。从 AI Coding 到 AI Delivery由此可以看到，企业的核心瓶颈已经不再只是“AI 会不会写代码”。一方面，需要解决 AI 如何理解企业复杂的业务、系统和研发规范；另一方面，也需要让 AI 的能力突破单一编码环节，真正传导到完整的研发交付链路。因此，企业需要从 AI Coding 进一步走向 AI Delivery：从帮助个人写得更快，到推动组织交付得更快。这意味着，AI 不仅要能够生成代码，还需要具备企业知识、统一规范、流程协同和工程化运行能力。而如上正是汉得 AI Coding Agent 飞码 V1.3.0 要解决的问题：飞码以 SDD × AIDLC 双轮驱动 + Harness工程底座，构建面向企业的 AI 研发体系：以 SDD（Spec-Driven Development，规范驱动开发）建立统一研发依据；以 AIDLC（AI-Driven Development LifeCycle，AI 驱动研发全生命周期）贯通需求、设计、开发、测试、交付与知识沉淀端到端交付全链路；通过 Harness 工程底座保障复杂任务可靠执行。让 AI 从“人驱动流程、AI 辅助执行”，逐步走向“AI 推动流程、人负责决策”，从单点生成能力走向全流程协同，从个人提效走向组织提效，逐步形成可治理、可验证、可交付、可持续演进的组织级研发能力。目前飞码已初步具备端到端智能交付能力，深度适配 H-ZERO 企业级应用开发场景，并持续迭代完善。尤其适合 H-ZERO 开发场景使用较多、希望从单点提效进一步走向端到端交付提效的团队，欢迎了解与体验。如果把企业软件研发比作一座复杂的建筑体系：SDD 定标准，AIDLC 管流程，Harness 让 AI 真正跑起来。✅ SDD 管规范：是统一的建筑图纸与施工规范，明确标准、边界与验收依据，解决“AI应该怎么做，才能做得对”；✅ AIDLC 管流程：是贯穿设计、施工、验收的建造体系，让需求从构想到交付一路贯通，解决“研发如何协同推进，最终把事情做成”。✅ Harness 管工程：是支撑整个建造体系持续运转的工程基础设施，将工具、环境、上下文、验证与反馈连接起来，让 AI 真正具备执行、校验与持续闭环的能力。SDD，即 Spec-Driven Development（规范驱动开发）。它不是简单地为 AI 提供一份需求描述，而是以 Spec 作为研发全过程的统一依据，为企业级 AI Coding 建立四道工程护栏：◈ 统一研发依据需求、设计、编码、测试与验收围绕同一份 Spec 协同推进，减少上下游理解偏差；◈ 明确生成边界将业务规则、架构标准、安全要求等约束显式纳入 Spec，让 AI 知道什么能做、什么不能做；◈ 建立质量门禁在各研发阶段设置明确的准入与准出标准，确保过程可控、产物符合要求；◈ 沉淀研发资产将规范、设计、知识、技能与经验逐步沉淀为团队共享、版本可控、持续演进的研发资产，而不再依赖开发者各自维护 Prompt，也不再让经验停留在个人手中，让每一次研发实践都能够被继承、复用，并持续转化为组织能力。飞码深度适配 H-ZERO 开发场景，内置 H-ZERO 工程规范及 H-ZERO 前后端标准技能库，覆盖 400+API，让 AI 不仅能够理解企业知识，还能够基于专业技能和工程规范完成研发任务。AIDLC，即 AI-Driven Development LifeCycle（AI 驱动研发全生命周期），不只是让 AI 参与更多研发环节，而是将 AI 从辅助编码工具升级为研发流程的执行与推进主体：AI 负责理解上下文、推进阶段流转、生成阶段产物、执行规范校验，并在各环节形成持续反馈与闭环；人在关键节点进行判断、决策与治理。由此，研发模式从“人驱动流程、AI 辅助执行”转向“AI 驱动流程、人负责决策”，将人的精力从重复性的流程执行中释放出来，更多聚焦于业务价值、架构演进与创新探索。专家智能体集群协同飞码通过“主智能体+专家智能体”构建智能体集群，将复杂任务拆解为可执行、可检查、可闭环的工作单元，不同角色与智能体围绕统一的结构化 Spec 协同作业，让需求、设计、实现与验证保持一致。需求—开发—交付闭环飞码 AIDLC 以需求、开发、交付三大闭环贯通研发全流程，让需求持续流向交付，让验证持续反馈开发，让一次性交付沉淀为可复用的研发资产，减少信息损耗与跨阶段等待。需求闭环：从模糊诉求到可设计、可验收，从源头降低理解偏差。开发闭环：从设计契约到持续实现，让设计、编码与审查紧密协同，减少等待与返工。交付闭环：以验证反馈驱动持续修复，自动化测试驱动“修复⇄验证⇄回归”循环，直至满足交付标准。资产沉淀：从一次交付到持续复用，交付的不只是代码，更是经过验证、可复用、可持续演进的研发资产。<< 滑动查看下一张图片 >>企业研发任务往往涉及多阶段、多文件、长周期、强依赖的复杂执行过程。真正的挑战不只是“AI 能不能完成一次编码”，而是能否在持续执行中始终保持目标一致、上下文正确，并最终可靠完成交付。飞码通过 Harness 工程增强，为 AI 建立贯穿任务执行过程的上下文、知识、执行与校验机制，让复杂研发任务能够持续运行、动态纠偏并最终可靠收口；让 AI 不只是“能执行任务”，更具备在复杂、长周期研发过程中持续理解、持续执行、持续校验和持续纠偏的工程能力，为从需求到交付的全流程可靠运行提供保障。✅ 上下文持续治理：通过压缩、剪枝、隔离与卸载，动态控制上下文规模与信息质量，减少无效信息干扰，让 AI 始终聚焦核心任务目标；✅ 知识与规则按需注入：根据当前任务与执行阶段，动态加载项目知识、工程规则和相关技能，让 AI 始终基于正确的项目背景与约束执行；✅ 执行结果持续校验：为关键任务建立完成检查与结果验证机制，对未达成目标的任务自动触发补偿执行、重新检查，降低长流程中的执行偏移；✅ 智能体上下文隔离：为不同专家智能体维护独立执行上下文，让专业任务在清晰边界内独立推进，同时由主智能体统一协调结果，提升复杂任务的稳定性。AI Coding 可以让一次编码更快，但如果需求理解、设计决策与实践经验只停留在一次 Session、个人对话中，效率提升就只能停留在“单次最优”，难以沉淀为团队可复用的研发资产，更无法进一步转化为组织能力。飞码通过研发 Session 复盘与分层沉淀，将一次研发过程中产生的经验、规则、技能与知识逐步转化为可复用的研发资产，让每一次交付都能成为下一次研发的起点：✅ 个人经验可复盘：从研发 Session 中提炼问题解决方案、实践经验与常见易错点，帮助个人持续总结与提升；✅ 项目规则可沉淀：将经过验证的经验转化为项目背景、工程约定、领域知识与长期规则，为后续任务提供持续一致的项目上下文；✅ 团队技能可复用：将成熟的标准流程、专业方法、模板与脚本封装为可重复执行的技能，让个人经验变成团队能力；✅ 组织能力可演进：将经过验证的知识、规范与技能跨项目复用，逐步形成企业级智能研发资产，并持续演进。沉淀不是 AI 的自动记忆，而是经过治理的组织资产。飞码通过人工确认、代码评审、版本管理等机制，对沉淀内容进行筛选和校验，确保进入组织资产体系的经验可信、可控、可追溯。随着业务规则、设计规范、测试脚本和团队技能不断丰富，新任务可以直接复用已有资产，减少重复探索与试错，让研发效率不再只来自 AI 模型能力的提升，更来自组织自身经验的持续积累，当经验持续复用，研发便开始产生真正的组织级复利。汉得 AI Coding Agent H-AI 飞码，深度适配 H-ZERO 企业级应用开发场景，以 SDD 建立统一研发依据、AIDLC 贯通端到端交付链路、Harness 保障复杂任务可靠执行，推动 AI 从局部编码提效走向端到端智能交付，从个人效率提升走向组织能力沉淀。目前飞码已初步具备端到端智能交付能力，深度适配 H-ZERO 开发场景，并持续迭代完善，尤其适合 H-ZERO 开发场景使用较多、希望从单点提效进一步走向端到端交付提效的团队，欢迎了解与体验。相关产品咨询或更多信息了解，欢迎联系我们➡️ openhand@vip.hand-china.com携手汉得，共铸硬核竞争力！

08-31

多端工作入口对接工作端升级，让AI成为随时可@的数字同事！

让 AI 从一个需要主动打开的独立应用，变成一位随时可以被@的“数字同事”，让知识查询、问题解答与团队协作在同一个窗口中完成。

09-01

多端工作入口对接工作端升级，让AI成为随时可@的数字同事！

在企业日常工作中，员工已经多使用钉钉、企业微信、飞书等办公协同工具进行沟通协作，在很多场景下，需要在这些工作端高频的工作端入口之间切换，也需要与大模型协同，手工切换频繁费时费力。汉得灵猿 AI 中台新增多端工作入口工作端对接能力！将 AI 直接嵌入员工熟悉的工作场景，让 AI 能力更自然地融入日常工作。完成相关配置后，AI 中台中的聊天助手、企业知识助手、智能体等应用，即可化身工作端协同工具数字同事工作端数字员工，进入员工熟悉的单聊与群聊场景。接下来，一起看看这项新增能力可以带来怎样的使用体验吧。效果展示单聊使用在工作端中支持单聊使用 AI。对于个人知识查询、思路梳理，或不适合在群聊中展开的任务，员工可以直接进入数字员工单聊窗口，与 AI 进行一对一交互。例如，在飞书中用户可以直接给“旅游助手”的智能体数字员工发送信息：“我要去威海”，收到消息后，数字员工会先回复用户已收到，再调用已经配置的工具逐步执行，最终将生成的旅游攻略返回飞书会话。通过上述示例可以看到，AI 能力已经自然融入员工熟悉的单聊场景。员工无需学习新的操作方式，像发送普通消息一样，即可使用企业已经建设的 AI 能力。群聊协作除单聊外，也可以在群聊中使用 AI。整个过程无需离开群聊，一次提问，群内成员都能同步查看结果。以飞书中的项目群为例，项目经理、业务顾问、开发和测试人员正在讨论知识库建设方案。遇到 Milvus 相关问题时，成员只需在群内发送：“@KMS-AIGC，Milvus 架构图是什么？”企业知识助手便会调用知识库，返回文字说明和相关图片。群内人员能够同时看到答案，无需分别查询或反复转述，团队可以基于同一份信息继续讨论，更快形成共识。接入群聊后，团队成员可以在讨论过程中随时@AI，查询信息、补充思路或下达任务，处理结果也能同步给群内相关人员。AI 不再只是回答问题的工具，而是可以参与讨论、理解需求、协助处理任务的团队成员。支持多类应用本次新增的接入方式并不局限于知识问答，而是支持将所有对话式的应用接入工作端中，目前支持的主要有：○聊天助手：适用于日常对话、内容生成、信息整理、思路启发等场景。员工可以在单聊或群聊中与 AI 进行多轮交流，也可以让 AI 根据明确要求生成或优化内容。○企业知识助手：适用于制度查询、产品咨询、技术支持、项目知识检索等场景。助手可以根据用户权限调用企业知识，为员工提供准确、便捷的知识服务。○智能体：适用于需要理解指令并完成任务的场景。员工可以在单聊或群聊中发送任务要求，由智能体结合已配置的流程、工具和业务能力执行相应操作。如何配置几种应用类型的工作端接入方式基本相同，下面以聊天助手接入飞书端为例，介绍具体配置方式。飞书开放平台可能持续更新，具体页面请以实际展示为准。AI 中台配置创建飞书应用进入 H-ZERO 系统，在“三方应用管理”菜单中创建飞书应用：○Step 1：APPID 填写飞书应用的 App Key；○Step 2：APPKey 填写飞书应用的 App Secret；○Step 3：开启自动绑定，系统会通过飞书账号的手机号或邮箱，自动匹配系统中信息相同的用户，匹配成功后直接建立绑定关系，无需在首次登录时手动绑定。关联平台应用进入“数字员工库”菜单创建聊天助手、企业知识助手或智能体，在“其他配置”中选择对应的飞书工作端，保存并发布。简单易行的配置（以飞书为例）创建飞书应用进入飞书开放平台，创建“企业自建应用”，并根据使用要求开通机器人接收消息、获取用户信息等相关权限。开通应用能力回到飞书开放平台，为应用添加“机器人”和“网页应用”能力。其中，机器人用于接收消息和返回处理结果；网页应用用于绑定系统用户，桌面端主页地址可从 H-ZERO 应用中获取。配置长连接在“事件与回调”页面，将事件订阅方式设置为长连接，并添加“接收消息”事件；回调订阅方式同样选择长连接。随后完成加密策略和重定向 URL 配置，并将Encrypt Key、Verification Token 维护到对应应用中。发布并绑定进入“版本管理与发布”页面，创建版本并发布应用。机器人应用渠道必须绑定系统用户。若未开启自动绑定，员工首次使用时可从飞书工作台打开应用，输入系统账号和密码完成绑定。绑定完成后，员工即可在单聊中直接向数字员工发送消息，也可以将数字员工添加到群聊，通过@的方式进行问答、聊天或下达任务指令。本次新增的工作端对接能力，不只是增加了一个AI应用入口，更重要的是让企业 AI 能力进一步融入员工的日常工作现场，进一步缩短了员工与 AI 之间的距离。让 AI 从一个需要主动打开的独立应用，变成一位随时可以被@的“数字同事”，让知识查询、问题解答与团队协作在同一个窗口中完成。未来，汉得灵猿 AI 中台将继续倾听用户声音，围绕企业实际需求不断丰富接入方式、优化应用体验，让 AI 更自然地融入沟通、知识与业务流程。欢迎点击此处获取更多资料联系我们1. 若您想体验试用 AI中台产品，请登录开放平台https://open.hand-china.com/，在应用中心选择灵猿-大圣 AI 中台进行试用。 2. 如果有疑问，可以通过开放平台进行工单反馈，问题分类选择产品“灵猿-大圣 AI 中台”进行工单反馈。3. 相关产品咨询或更多信息了解，欢迎联系我们：openhand@vip.hand-china.com

08-28

汉得信息2026年半年度报告发布

汉得信息2026年上半年营收稳步增长，盈利能力持续修复，整体业务毛利保持稳健

08-28

汉得信息2026年半年度报告发布

✨汉得信息2026年上半年营收稳步增长，盈利能力持续修复，整体业务毛利保持稳健报告期内，公司营收稳步扩容，实现营业收入16.70亿元，同比增长6.07%；利润持续修复，归母净利润9436.35万元，同比增长11.01%；整体毛利率稳健，整体毛利率35.11%，同比增长0.25%————✨AI业务高速增长领跑，核心业务协同放量，量质双升企业级AI智能化应用业务快速增长，Q1单季收入约8100万元，Q2单季收入约1.4亿元，环比加速放量超70%，半年度整体收入约2.2亿元，同比增长超100%核心业务稳健增长：产业数字化业务同比增长12.14%，持续构建企业“供产销”全链路数智化升级方案；财务数字化业务同比增长8.90%，稳定输出全链路业财一体智能化解决方案————✨「筑基+赋智」企业级AI智能化升级方法论，驱动智能化跃迁企业级AI本质，是让AI能力深度融入企业经营管理体系，成为持续创造价值的新生产力。流程、数据、规则、知识与经验，共同构成企业迈向智能化的基础能力体系，是企业实现AI Ready关键前提基于此，形成「筑基+赋智」企业智能化升级方法论：⚙️筑基：打造AI Ready数字化底座💡赋智：让AI成为企业新生产力打造AI时代数智化运营体系，助企业从「业务数字化」向「AI驱动的智能化运营」跃迁，构建以AI为核心驱动力的新一代企业运营模式，提升效率、洞察能力与经营价值汉得 x 中鼎 x 矩阵｜AI Factory项目启动汉得 x 京新药业｜共建企业级 AI 智能体平台汉得 x 锐科激光｜锐科AI智能体平台上线汉得 x 金田新材｜以场景驱动 AI 落地汉得 x 致远科技｜AI驱动供应链高效运转汉得 x 宏发股份｜AIGC项目正式启动————✨汉得DataClaw灵舟，新品发布热销，打造企业AI数字员工军团企业AI数字员工平台-汉得DataClaw灵舟，一经发布市场反响热烈，助企业打造私有可控、连接核心系统、承接长流程任务的企业AI数字员工军团：✅Harness工程能力落地，实现企业端安全管控、审计及技能复用✅聚焦高数据私密场景，融入核心流程，覆盖财务、经营、供应链等数据敏感领域✅支持私有化部署，承接处理多环节复杂长流程任务汉得DataClaw发布｜为B端而造，打造企业级私有可控的AI员工军团！“硅基人”上岗记：（1）销售经营参谋“硅基人”上岗记：（2）事业部总经理分身“硅基人”上岗记：（3）生产采购专家“硅基人”上岗记：（4）毛利成本调查官数字化，放心交给我！

08-27

AI 数字员工上岗像招聘员工一样：先试岗，验证价值，再转正！

我们的目标不是再增加一个 AI 工具，而是帮助企业从一个岗位、一项真实工作开始，逐步培育能够进入业务现场的 AI 数字员工。

08-27

AI 数字员工上岗像招聘员工一样：先试岗，验证价值，再转正！

AI 个人效率工具正在快速普及。从查资料、写文档、做 PPT，到分析数据、操作软件，AI 的能力已经从“能问答”，逐步走向“能分析、能干活”。企业对 AI 应用的期待也随之发生变化：当 AI 开始具备完成任务的能力能不能进一步进入销售、财务、采购、主数据等专业岗位使用企业内部的数据和系统承担一项长期存在的工作？这正是汉得发起“DataClaw 企业 AI 数字员工上岗行动”的原因。我们的目标不是再增加一个 AI 工具，而是帮助企业从一个岗位、一项真实工作开始，逐步培育能够进入业务现场的 AI 数字员工。AI 会干活了但进入专业岗位还差什么？个人使用 AI，通常只需要考虑一个问题：它能不能帮我把事情做完。但当 AI 进入企业，情况就不同了。它需要处理企业内部数据，需要连接 ERP、CRM、MES、SRM、MDM 等正式业务系统，也需要遵循岗位权限、业务规则、审批流程和审计要求。因此，企业 AI 数字员工上岗前，至少要回答四个问题：第一，企业数据如何连接？数字员工不能只读取员工临时上传的文件，还需要在授权范围内使用企业正式数据，理解不同系统、不同组织和不同业务口径之间的关系。第二，数据权限如何管控？不同岗位能够访问的数据范围并不相同。数字员工需要继承企业现有的组织和权限体系，确保什么人能看什么数据、能执行什么操作都有清晰边界。第三，企业敏感数据能否安全使用？合同、客户、供应商、财务和生产数据，都涉及企业核心信息。DataClaw 支持私有化部署，让数据、模型调用和任务执行过程保持安全可控。第四，不同业务系统如何连接并执行？数字员工不仅要“看懂”，还要能够调用系统、执行任务、校验结果，并保留完整的操作和审计记录。连接只是第一步。只有把数据、系统、权限、规则和运行治理统一起来，AI 才能稳定进入企业业务现场。企业上 AI为什么需要“1+1”？AI 个人效率工具、RPA 和企业 AI 数字员工，并不是相互替代的关系。AI 办公助手：适合提升个人办公效率，帮助员工完成会议纪要、文档撰写、资料检索等工作。RPA：适合执行流程固定、规则明确的自动化任务。DataClaw：更进一步面向企业实际业务岗位要求，需要理解业务目标、调用企业数据和系统、完成多步骤任务的专业岗位工作。企业既需要提升个人效率的 AI 助手也需要深入业务场景的 AI 数字员工这是“1＋1”，而不是二选一企业 AI 数字员工应该招哪三类？围绕企业岗位职责，DataClaw 将 AI 数字员工分为三类。第一类：业务操作类 AI 数字员工这类数字员工负责把一项具体工作接住并完成。例如：合同预审员工：根据合同模板、风险条款和业务规则完成初步审查；主数据质检员工：对主数据进行查重、完整性检查和质量校验；财务报表员工：从正式系统取数、计算指标并生成经营报表；采购执行员工：按照制度和流程完成查询、校验与系统操作。这类场景通常规则相对明确、工作高频重复，适合率先落地，也最容易衡量价值。第二类：业务洞察类 AI 数字员工这类数字员工不仅完成数据处理，还能够持续发现问题、分析原因并提示风险。例如：销售经营分析员工：自动生成经营日报，识别收入、利润、客户和销售人员的异常变化；总经理经营分析员工：围绕收入、利润、组织和客户变化，完成经营复盘并形成行动建议；采购策略分析员工：综合内部采购数据、供应商表现和外部市场信息，辅助品类选择与采购策略制定；库存健康度分析员工：持续识别呆滞、短缺和周转异常；它们帮助企业从“看报表”进一步走向“做经营”。第三类：决策参谋类 AI 数字员工这类数字员工面向企业中高层和专业管理岗位，辅助管理者进行方案推演、比较和决策。例如：制造良率分析参谋：融合生产数据与机器学习模型，定位影响良率的关键因素；生产排产参谋：在多种约束条件下比较不同排产方案；资金运营参谋：围绕资金计划、风险和使用效率提供决策支持。人负责提出目标、判断和承担责任，数字员工负责协同分析、推演和求解。从开发AI场景走向培育数字员工过去企业建设一个 AI 场景，通常需要经历需求提出、项目立项、方案设计、开发测试和上线运行。每增加一个场景，都可能重新依赖技术团队开发。DataClaw 提供了另一种方式：由业务人员通过自然语言，把知识、规则和工作方法教给数字员工。业务人员告诉它：◈ 这个岗位需要完成什么工作；◈ 数据应该从哪里获取；◈ 公司采用什么计算和判断口径；◈ 出现什么情况需要预警；◈ 结果应该交给谁；◈ 哪些操作必须经过人工确认。教会以后，这些能力不再只留在某个人身上，而是可以沉淀为企业的数字员工能力，并在授权后复制到更多岗位和组织。企业 AI 建设也由此从一次性交付的“场景开发”，逐步走向数字员工的持续培育和运营。企业应该从哪里开始？先让一个数字员工接住一项工作企业不需要一开始就规划几十个数字员工。更可行的方式，是先选择一个高频、重复、规则相对明确、价值可以衡量的岗位工作。例如：◈ 每天都要生成的一份经营日报；◈ 每天都要完成的一次合同预审；◈ 月结期间反复进行的一项数据核对；◈ 持续发生的一类主数据质量检查；◈ 采购人员反复开展的一项品类分析。先让一个数字员工接住一项工作。验证有效以后，再从一项岗位工作扩展到一条业务流程，最终复制到更多岗位和部门。从点到线，再到面企业建设的不是一批孤立的 AI 场景而是一支可以持续成长的数字员工队伍像招聘员工一样先试岗再转正企业引入数字员工，也可以像招聘员工一样。先安排试岗，验证它能不能接住工作、能不能稳定完成任务、能不能带来可以衡量的价值。因此，DataClaw 目前主推按账号订阅，可按月起步。企业可以先用少量账号，从一个岗位、一项工作开始，以较低成本验证业务效果和使用频率。试岗不是看一场 Demo而是让数字员工进入一项真实工作如果验证有价值，再由企业根据实际效果和使用规模，决定是否持续使用、增加多少账号，以及复制到哪些岗位和部门。另外，此前参与本场直播的企业，还可以享受直播专属的首年试岗优惠。凭留存的直播间截图，联系您熟悉的汉得销售或扫描文末咨询二维码，即可申请直播活动专享优惠。从第一项工作开始让数字员工进入业务现场AI 能力已经从回答问题，逐步走向完成任务。企业下一步需要考虑的，不只是采购什么 AI 工具，而是：◈ 哪些岗位工作适合交给数字员工？◈ 企业数据和系统如何安全连接？◈ 业务人员如何参与数字员工的培育？◈ 第一个数字员工上岗以后，又该如何复制到更多岗位和场景？汉得DataClaw企业AI数字员工上岗行动已经启动！我们将从岗位识别、场景评估、试点构建到试运行与复制，帮助企业选择一个岗位，从第一项真实工作开始。现在该让企业AI数字员工正式上岗了！

08-24

汉得 x 中鼎 x 矩阵｜AI Factory项目启动，从五层结构到业务场景，一份全球化Token工厂建立模板的AI规划！

08-24

汉得 x 中鼎 x 矩阵｜AI Factory项目启动，从五层结构到业务场景，一份全球化Token工厂建立模板的AI规划！

2026 年 8 月 19 日，中鼎集团 AI Factory 项目启动会在安徽宁国举行。中鼎集团、中鼎流体、中鼎 IT 与汉得信息、矩阵起源的项目团队共同出席，项目以中鼎流体系统有限公司为起点正式启动。▲ 中鼎集团 AI Factory 项目启动会中鼎集团创建于 1980 年，现已成为拥有 100 余家海内外企业，以机械基础件和汽车零部件为主导的跨国民营企业集团。在全球 20 多个国家和地区建有研发、生产和销售基地，形成覆盖亚、欧、美三大洲的全球化网络。已顺利跻身“全球非轮胎橡胶制品 TOP8”、 “全球汽车零部件行业 100 强”、“中国制造业企业 500 强”。本次项目基于中鼎密封板块完成的 AI 验证：本地化部署大模型 + AI 应用中台 + 智能体。验证了 AI 技术落地闭环的可行性需要从单点智能体的价值向核心生产制造物流业务链路渗透验证。本次项目汉得和中鼎基于前期探索验证，以中鼎流体为样板、覆盖五条业务线的 AI 全球化战略布局完整 AI 规划：按产品全生命周期拆链路管理、研发、质量、成本、计划五条线完整梳理一遍，确定 AI 与业务结合的落脚点。业务场景全维测算业务价值、技术成熟度、实施复杂度、上下游依赖、数据与系统改造需求、投入与回报周期，一次算齐。按AI战略落地排序基于全球 AI 战略规划，全链路落地场景排序。分阶段落地，逐步复制先在流体完成一轮完整的 AI Factory 到业务场景到 Token 转化到全球化 AI 规划模板的落地与验证，沉淀 AI 智能化转型方法论和工具向集团全球板块推广。▲ 中鼎集团 AI Factory 项目启动会近几年企业做 AI 的方式大致为：选几个场景、搭一个平台、上线几个智能体，验证「AI 到底能不能用」。这一步的答案已经很清楚——能用。但紧接着，几乎所有企业都必然会撞上同一堵墙：智能体上线了，业务流程没有变，效果无法显现。原因不在模型能力，而在于 AI 被放在了一个个孤立的节点上，而企业的价值产生于连续链路的业务协同。前一环的结论传不到后一环，每个环节的人还是要把同样的东西再查一遍，效率提升只是并列的，不会叠加。AI Factory 要解决的正是从算力到 Token 到业务场景的全链路协同。不是简单的把 AI 项目做得更大，而是回归到第一性原理：像规划一条产线那样规划 AI——先确定要生产什么（业务链路上的哪些产出）、需要什么原料（数据）、用什么设备（模型与算力）、按什么节奏投产（分阶段路线）。产线一旦建成，新增一个场景是往上加一道工序，而不是重新建一个车间。这也是「AI工厂（ AI Factory）」这个比喻真正的含义：可持续产出、可扩展、可度量。▲ 汉得 AI Factory 解决方案架构AI 项目常见的困境是，钱花完了，留下的只有几个功能。AI Factory 会在企业内部留下三样长期 AI 资产。数字化底座AI Ready的数字化资产基石多个场景并行推进时，制约进度的往往不是模型能力，而是数据的一致性与可用性，数字化底座的稳健与持续支撑。图纸、工艺、质检记录、历史成交价，这些知识原本散落在各个系统与个人手里；一旦被统一治理、可被检索，它就不再服务于单个场景，而是成为所有后续场景的公共 AI Ready数字化底座的养料。这层底座建成之后，新场景的开发难度会明显下降——这是 AI Factory 最容易被低估的复利。数字劳动力从工具变成岗位当 AI 覆盖了一条完整链路，它承担的就不再是「一个功能」，而是嵌入业务流程的「岗位工作」。企业的组织视角随之改变：不再问「上了几个智能体」，而是问「哪些岗位的工作已经交给数字员工，提升了多少效益」。越来越多制造企业开始把人类员工、数字员工与具身员工放在同一张组织图上讨论——AI Factory 是这张图能够落地的前提。AI战略投入可规划的投入节奏AI 投入最难的部分往往不是预算规模，而是无法预判。AI Factory 的做法是把场景、数据、模型与算力四件事一起测算：要什么数据、用什么模型、需要多少算力、什么时候做，都排进同一张路线图。企业由此得到一份可以支撑企业全球化战略的企业级 AI 战略路线图。▲ 企业 AI 建设的两种路径AI Factory 的每一层，都有专业玩家：算力、模型、数据平台各有其领域领先者。企业真正缺少的，不是某一层的最优解，而是有人把这几层整合成一件能立项、能验收、能持续演进的 AI 战略落地路线图，并持续推进。这正是汉得 AI 时代的战略定位：基于近三十年累积的企业数字化转型经验，这决定了我们能判断 AI 该落在链路的哪个节点上，而不只是判断技术上能不能做。基于「得·灵」企业级 AI 产品/服务体系，做 AI 时代的智能化综合服务提供商，和客户携手构建 AI 时代核心竞争力。业务链路视角的场景规划我们从产品全生命周期把业务链路拆开，识别链路上的改进点，决定 AI 的融合点，构筑全链路全业务场景的 AI 战略落地路线图。全维评估不止回答「能不能做」每个候选场景，同时测算业务价值、技术成熟度、实施复杂度、上下游依赖、数据与系统改造需求、人天与算力投入，以及回报周期。评估结果里既有值得优先投入的场景，也会明确写出短期回报为负、但对后续场景不可或缺的战略诉求。这份评估同时是企业AI战略落线规划的预算依据。「得·灵」企业级AI产品/服务体系支撑AI战略端到端交付落地基于「得·灵」企业级AI产品/服务体系，帮助客户 AI 战略端到端交付落地：由方案、业务、开发与技术交付团队进场，与客户业务方共同完成设计、开发、上线与持续优化。生态策略分层聚合每一位生态伙伴的力量助力AI战略落地架构分层在每一层都选择该领域最强的生态合作伙伴。在数据层，我们引入矩阵起源 MatrixOne，结合汉得数据中台，承担多模态数据的统一管理与治理，支持向量检索与全文检索的结合——图纸、文档与结构化数据的元数据与向量结果可以在同一层管理，检索类场景不必再各自搭建一套数据链路。在软件技术栈层，我们引入NVIDIA AI Enterprise，其面向 AI 开发的微服务、框架和库与先进的 GPU 编排和基础设施管理相集成，打造出全面受支持的生产就绪型商业软件套件，助力企业自信部署领先的开源工具和 AI 模型，提高生产力，加速价值实现，同时以优化的资源利用率大规模运行 AI 工作负载。引入这套软件技术栈的意义在于「可扩展」三个字。验证阶段场景少、并发低，怎么部署都能跑；一旦场景数量上升、多个业务线同时使用，推理服务的标准化部署与模型定制能力就成为必要条件。在汉得的方案中，NVIDIA NIM 用于推理服务的标准化部署，NVIDIA NeMo 用于模型定制阶段，与项目的算力规划同步推进。AI 平台和智能体应用层，基于汉得「得·灵」企业级 AI 产品/服务体系，帮助客户构建可持续演进的全球化 AI Factory。分层架构也保留了演进空间：随着场景与规模变化，算力形态可以从云端共享逐步走向混合与私有化部署，而上层的平台与应用不需要重建。可复制的方法论链路拆解方式、场景评估模板、优先级排序逻辑、数据治理路径——沉淀了智能制造全球化 AI Factory 落地的标杆模板，可以在全球各个产业板块和行业板块复制泛化。中鼎流体是 AI Factory 方法论的一次完整验证。往后看，我们的方向有三个：✅把方法论从项目经验沉淀为可交付的标准产品解决方案模板；✅把落地范围从单个事业部推向集团全球层面推进，让数字化底座与全球化 AI Factory 规划与落地方法论在全球各个板块之间复用；✅ AI 应用的目标从「上线几个智能体」到「组建一支可度量的数字员工军团」到全球化 AI Factory 战略落地闭环。千里之行，始于足下；道阻且长，行则将至。欢迎与我们联系，开始您的全球化 AI Factory 之旅！

08-21

汉得DataClaw“硅基人”上岗记：（4）毛利成本调查官

今天，毛利成本调查官在某连锁零售集团正式上岗。从今天起，每一次毛利异常，都会被这条毛利公式追到底；每一笔可疑成本，都会被钉在凭证上。您的企业，也有这样的工作吗？

08-21

汉得DataClaw“硅基人”上岗记：（4）毛利成本调查官

少掉的2.74个百分点毛利，去了哪里？作为一家大型连锁零售集团的CEO，经营100多家门店、SKU 过万。面对日益激烈的市场竞争，需要为客户提供又快又好又便宜的产品和服务，需要时刻关注集团和各家店的成本毛利指标变化。特别安排财务运营团队协同一线门店负责人专门负责，要花费大量的时间在 ERP/WMS/POS 多个系统的数据统计分析汇总上，往往数据要滞后半天到1天的时间。而对于毛利率突然异常变动，真正困难的不是看到异常，而是需要从财务指标层层穿透到实际业务回答：问题到底出在哪里？往往耗时费力还不准确。这天上午，我们的财务成本运营专员在手机上收到一条预警：毛利率由40.88%下降至38.14%下降2.74个百分点这样的波动超过了预期，但奇怪的是，销售数量没有变化，净销售额也只变化了-0.01%。销售基本没变，少掉的毛利率去了哪里？过去，要回答这个问题，需要反复切换报表、导出明细、核对凭证；如果现有报表无法回答，还要请 IT 人员临时取数、写 SQL 或开发专项分析。这一次，接下调查任务的是汉得 DataClaw 中刚刚上岗的一名数字员工——毛利成本调查官。先认识一下这名新员工财务成本运营专员在手机上问它：“你是谁？”▲ 毛利成本调查官在手机端完成自我介绍毛利成本调查官按照设定的时间，自动读取数据、计算期间毛利率，并检查波动是否超过阈值。本次巡检中，它发现毛利率下降2.74个百分点，而销量和销售额基本没有变化，因此首先判断：问题更可能出在成本端。财务成本运营专员不需要先打开报表，也不用等到经营会议上才发现问题。异常发生后，第一条毛利率预警已经主动送到了手机上。▲ 手机端定时巡检与毛利异常预警遵循毛利率的公式：（净销售额−净商品成本 −原材料损耗−非转售商品成本−耗材成本−买一赠一−盘点调整−报损处置−捐赠−部分调整）/净销售额。毛利下降可能是公式中所列的多个因子共同造成。财务成本运营专员只追问了一句：“净商品成本是主要原因吗？其他成本因子怎么样？”毛利成本调查官随即回到毛利公式，对各项成本因子逐一计算贡献：净商品成本贡献-2.75个百分点，是唯一主因；报损处置贡献-0.05个百分点；部分调整贡献+0.06个百分点；其余七项因子合计影响接近于0。全部因子贡献合计-2.74个百分点，与毛利率实际变化完全勾稽。调查不必再在所有成本项目中“大海捞针”，只需要沿净商品成本继续向下。继续下钻后，81,020元净商品成本增量全部集中在华东门店101、乳制品、DF1001低温鲜奶1L。该商品两期销量均为7,000件，售价基本不变，成本率却由54.02%上升至131.05%。销量没变，售价没变，问题指向单位成本。商品移动平均价此前稳定在8.10元，调查期却升至16.60-22.50元。▲ 沿毛利公式完成因子分解并锁定异常门店与商品沿着移动平均价继续追溯，毛利成本调查官锁定了7月17日的一笔采购收货：物料凭证M509917、采购单PO-DEMO-0715-08/00010、移动类型101；收货10,000件，金额1,665,000元，隐含单价166.50元/件。收货前，库存为100,000件、价值810,000元，移动平均价为8.10元；收货后，库存变为110,000件、价值2,475,000元，移动平均价升至22.50元。移动平均价由 SAP 内部完成估价，数仓抽取的是 SAP 已经计算的结果。毛利成本调查官没有虚构 SAP 内部算法，而是把采购单、物料凭证、库存价值和移动平均价变化串成了一条可以复核的证据链。▲ 从移动平均价追溯至SAP物料凭证和采购单调查过程中，还有一笔更醒目的异常：7月22日报损金额达到120,000元，单日毛利率一度跌至10.03%。如果只看当天数据，很容易把这笔报损认定为毛利下降的主要原因。但毛利成本调查官没有停在这里，而是继续检查次日凭证。7月22日，M509922 以移动类型551报损6,000 件、120,000元；7月23日，M509923 以移动类型552冲销5,900件、-118,000元，两张凭证存在明确参考关系。未完全冲销100件，配对净额仅2,000元。所以，报损处置对期间毛利率的贡献只有-0.05个百分点。单日看是剧烈异常，跨日看则主要是过账时点波动，并不是本周毛利下降的真正主因。▲ 检查次日冲销还原大额报损的期间真实影响现有数据已经可以确认：毛利变化了多少、哪个成本因子贡献最大、异常集中在哪个门店和商品、对应哪张 SAP 凭证，以及大额报损是否存在跨日冲销。但这些证据还不能直接证明“采购人员维护错了订单”。采购单价格或金额疑似异常，仍需要采购人员核对业务依据，SAP 与财务人员补充发票及后续凭证，门店或财务确认未冲销2,000元的处理结果。毛利成本调查官没有替业务强行下结论，而是明确区分：哪些是已经证实的事实，哪些是基于数据的分析推断，哪些事项还需要谁来确认。AI 知道如何继续追，也知道证据不足时应该停在哪里。这是业务人员敢于使用调查结果的前提。▲ 区分已确认事实、分析推断与待确认事项这套调查逻辑，并不是 AI 凭空生成的。第一次调查时，财务成本运营专员带着毛利成本调查官一步步完成追问：先检查销售和毛利变化，再拆解成本因子；锁定主因后，继续下钻门店和商品；遇到大额异常，不急于下结论，而是检查次日冲销和期间净额；最后追到 SAP 凭证，并划清事实、推断与待确认事项的边界。调查完成后，这套思路被沉淀为“毛利成本调查Skill”。下一次出现类似异常，数字员工不再等待业务人员重新组织一连串问题，而是可以按照同一套方法主动完成调查，形成包含异常定位、原因判断、凭证证据和待确认事项的调查结果。经过业务专家确认后，这项能力还可以共享给更多财务、采购和运营人员使用。一个人培育好的数字员工，可以成为更多人的业务助手。▲将本次调查思路沉淀为Skill并在组织内复用共享过去，财务成本运营专员要把绝大部分时间花在5件事上：◈ 拉数据；◈ 拆解成本因子；◈ 跨日辨真伪；◈ 追到 SAP 凭证；◈ 把分析结果写成可复核的报告。现在，这5件高频重复工作由毛利成本调查官来完成。他只负责判断和决策：◈ 业务依据是否合理；◈ 凭证是否需要冲销；◈ 要不要介入采购流程；◈ 是否要追责到具体责任人。财务成本运营专员终于可以把时间放回到真正影响毛利的事情上：◈ 盯住异常成本因子；◈ 推动采购流程改进；◈ 门店对齐盘点规则。把时间留给业务判断，把重复交给数字员工，这正是毛利成本调查官正式上岗的意义。毛利成本调查官带来的，不只是更快得到一份分析报告。它能够主动发现异常，沿着管理会计逻辑持续下钻，把汇总指标追到业务单据；面对醒目的异常，不凭直觉下结论，而是检查完整周期与凭证关系；证据不足时，明确告诉业务人员下一步应该由谁补充什么。更重要的是，财务成本运营专员在一次调查中形成的专业方法，可以被沉淀下来，成为一项持续运行、可以复用、可以共享的企业能力。从一个资深员工完成一次调查，到一名数字员工持续接住这项工作——这才是毛利成本调查官正式上岗的意义。今天毛利成本调查官在某连锁零售集团正式上岗。从今天起，每一次毛利异常，都会被这条毛利公式追到底；每一笔可疑成本，都会被钉在凭证上。您的企业，也有这样的工作吗？一项工作长期存在，规则相对稳定，需要访问企业正式数据，还要遵守权限、审计和业务确认要求。过去，它可能长期依赖少数专业人员反复完成。现在，可以从一次真实任务开始，把专家的工作方法教给 DataClaw，培育一名能够持续上岗的企业 AI 数字员工。想看您所在的零售/消费品行业的 AI 数字员工怎么用？请联系您熟悉的汉得商务伙伴或扫描下方二维码了解更多~*数据说明：本文案例基于零售业务规则构造的合成数据，组织、门店、商品、金额及单据编号均为虚构，不涉及任何客户生产数据。SAP 实际估价结果应以企业配置和业务凭证为准。

08-21

汉得工业AI实战系列｜动力电池电芯容量预测大模型（TBCP Model），预测与验证协同迭代质量研判，大幅降本提效！

这是“工业 AI 实战”专题的第二篇：动力电池电芯容量预测大模型（Traction Battery Cell Capacity Prediction Model 简称TBCP Model）贯通质量数据，预测与验证协同，节约成本，提升生产效率，构建竞争优势。

08-21

汉得工业AI实战系列｜动力电池电芯容量预测大模型（TBCP Model），预测与验证协同迭代质量研判，大幅降本提效！

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。其中，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。这是“工业 AI 实战”专题的第二篇：动力电池电芯容量预测大模型（Traction Battery Cell Capacity Prediction Model 简称TBCP Model）贯通质量数据，预测与验证协同，节约成本，提升生产效率，构建竞争优势。电芯容量预测理解一颗电芯的完整制造过程电芯容量，是评价动力电池性能和一致性的重要指标，关乎电池包质量、续航，也是价格/成本的核心影响因素。一批电芯完成生产后，需要根据实际容量进行检测和分级。容量接近、性能一致的电芯，才能进入后续配组和成包环节。动力电池包是多颗电芯串并联，遵循木桶效应：电池包可用容量由容量最低的那颗电芯决定。电芯容量不一致会导致电池包实际可用容量缩水，整车续航打折，低温环境会进一步恶化。容量不一致带来压差持续拉大，局部电芯析锂、发热加剧；极端情况下会出现鼓包、热失控风险。分级检测会带来成本和价格差异：A 品电芯容量偏差小、一致性好，分选严格，采购价格最高，是整车动力电池主流选用。降级 B 品容量低于标称、批次离散大，价格明显更低，但不能用于车载动力；多用于低速、储能低端场景，循环寿命、安全性不满足车规要求。分选成本为获得高一致性电芯，产线需要充放电容量测试、分级，会增加设备、时间损耗；筛选淘汰的不良品拉高 A 品电芯单位成本。难点在于，电芯容量不能只通过某一个仪表读数直接确定。▲一颗电芯的制造数据链传统方式通常需要在分容环节对电芯进行规定的充放电测试，根据完整测试过程计算实际容量。这种方式直接、可靠，却也需要较长的检测时间，占用大量分容设备和生产资源，并产生相应的能源消耗。当产量不断扩大时，分容不再只是一个质量检测动作，也可能成为影响制造周期、设备投入和生产效率的重要环节。与此同时，低容量电芯的形成通常也不是由单一因素决定的。原材料批次发生变化，涂布面密度或辊压厚度出现波动，注液量、烘烤水分或化成过程发生偏离，都可能最终反映在电芯容量和一致性上。这意味着，电芯容量预测不能只是对一段充放电曲线做简单拟合。它需要理解一颗电芯从原材料、前段工艺、装配、注液到化成的完整制造过程。我们沉淀了动力电池电芯容量预测大模型（简称TBCP Model），通过对完整制作过程数据的实时分析、预测与验证协同迭代质量研判，大幅降本提效。数据贯通为每颗电芯建立制造档案电芯容量预测的第一步，不是选择某一种算法，而是把分散在不同工序、设备和系统中的数据准确连接起来。围绕一颗电芯，需要逐步建立从原材料到电测试的制造数据链：在原材料环节：记录正极材料批次、材料克容量和首充效率等信息；在匀浆、涂布和辊压环节：采集浆料黏度、涂布面密度、辊压厚度和膜片电阻等数据；在装配和注液环节：记录极片尺寸、烘烤水分、注液重量、注液量和电解液批次；在化成环节：需要采集电流、电压、温度等连续变化的时间序列数据。这些数据还必须与电芯编码、物料批次、生产设备和工序位置准确绑定。动力电池电芯容量预测大模型（简称TBCP Model）看到的不是一组彼此孤立的参数，而是一颗电芯完整的“制造档案”。特征提取从过程变化中寻找容量信号在这个场景中，AI 要学习的不是某个参数与容量之间简单的一一对应关系，而是多个制造因素共同变化时，与最终容量之间可能存在的关联。以化成数据为例，电流、电压和温度曲线包含大量连续信号。模型可以对时间序列进行自动分段，提取不同阶段的均值、波动、峰值等统计特征，也可以结合深度学习方法提取曲线中的高层特征。与此同时，还可以引入具有电化学含义的机理特征，例如曲线变化中的特定峰值、静置阶段的电压变化等。再把这些特征与原材料、涂布、辊压、注液等跨工序数据结合起来，模型才能逐步识别：◈ 哪些电芯处于正常范围？◈ 哪些可能存在偏低容风险？◈ 哪些数据变化可能来自设备或工艺异常，以及对于正常电芯，最终容量可能处于什么区间？这里使用的动力电池电芯容量预测大模型（简称TBCP Model），不是面向自然语言问答的通用大模型，而是面向制造过程数据的机器学习和深度学习模型。它的价值在于，从大量工艺参数和时间序列中寻找人工难以持续观察的关联规律。预测与验证协同让风险电芯进入不同路径工业 AI 进入生产现场，不能只有一个预测结果，还必须回答：这个结果如何改变下一步生产动作？动力电池电芯容量预测大模型（简称TBCP Model）采用“预测与验证协同”的方式。对于模型判断正常、数据完整且预测结果稳定的电芯，可以探索使用较短的测试过程结合模型完成容量估算和分级。对于疑似低容、偏低容、处于分类边界，或者预测置信度不足的电芯，则仍然进入完整分容测试，通过真实充放电结果完成确认。生产现场还需要保留一定比例的完整测试样本，持续比较模型预测容量与实际容量之间的偏差。因此，这个场景的目标并不是让 AI 立即替代全部分容测试，而是探索把所有电芯采用同一条检测路径，逐步转变为正常电芯快速预测、风险电芯重点检测、部分样本持续验证的协同模式。质量底线仍然由完整测试、现场规则和人员确认共同守住。▲电芯容量预测闭环异常回退先判断模型所见数据是否可靠工业现场的数据环境会不断变化。原材料批次切换、工艺参数调整、设备状态异常、传感器漂移或者数据采集中断，都可能使当前数据与模型训练时的数据产生差异。如果不识别这些变化，模型即使给出预测结果，也可能不再可靠。因此，动力电池电芯容量预测大模型（简称TBCP Model）对容量预测建立了异常回退机制。当系统发现关键数据缺失、设备异常比例升高，或者预测偏差持续扩大时，应暂停使用原有预测路径，让相关电芯回到完整检测流程。随后再进一步分析：问题来自数据采集、设备和传感器，还是来自原材料与生产工艺的真实变化。如果是设备问题，就需要推动设备校准和数据质量治理；如果是工艺或原材料变化，就需要积累新数据，重新训练和评估模型。AI 不应绕过现场质量规则，而应在规则允许的范围内工作，并在自身不确定时主动回退。结果回流让模型跟随制造过程持续迭代电芯容量预测不是一次建模、长期不变。每一次完整分容得到的实际容量，每一次低容电芯确认，每一次设备异常和工艺调整，都是后续模型优化的重要依据。✅ 预测结果与真实容量之间的偏差需要被记录；✅ 异常电芯经过复测后的结论需要回到数据集；✅ 设备、原材料和工艺变化也需要形成新的特征标签。经过持续的数据清洗、模型训练和效果评估，动力电池电芯容量预测大模型（简称TBCP Model）才能逐步适应不同批次、不同设备和不同生产状态。这也是工业 AI 与普通数据分析的区别：它不是生成一次报告，而是进入生产流程，在预测、验证、处置和结果回流中形成持续闭环。从容量预测走向制造质量的前置判断电芯容量预测的意义，不只是提前得到一个容量数值。动力电池电芯容量预测大模型（简称TBCP Model）更重要的价值，是把原本集中在生产末端的完整检测，向制造过程中的风险识别和质量判断前移。对生产现场来说，模型负责持续分析跨工序数据并识别风险，完整测试负责验证真实容量，工艺和质量人员负责判断异常原因并推动处置。在这一协同机制下，企业可以探索减少不必要的完整检测资源占用，让风险电芯更早进入重点验证，也让原材料、设备和工艺波动更早进入质量分析视野。更进一步，动力电池电芯容量预测大模型（简称TBCP Model）连接原材料批次、设备数据、工艺参数、化成曲线、分容结果和质量处置流程。依托统一的数据和业务平台，预测结果真正进入生产系统，而不是停留在孤立的算法模型中。依托「得·灵」企业级 AI 产品/服务体系，以及基于 H-ZERO 构建的智能制造 HCMs 协同平台，可以进一步探索把数据接入、特征处理、模型训练、风险识别、现场验证和结果回流连接成完整闭环。从 AI 理解一颗电芯的制造过程，到预测结果参与分容决策，再到真实结果推动模型迭代，动力电池电芯容量预测大模型（简称 TBCP Model）代表了工业 AI 进入动力电池质量管理的一种重要探索路径。专题系列文章▲点击了解详细内容

08-18

飞搭 2.11 重磅升级｜AI 对话快速生成应用，AI Coding低代码进入“自动构建”时代！

飞搭 2.11 让 AI 从“辅助生成”走向“自动构建”，深度参与企业应用从需求到交付、从上线到迭代的全流程，推动低代码成为企业持续创新的智能应用构建平台。联系我们

08-19

飞搭 2.11 重磅升级｜AI 对话快速生成应用，AI Coding低代码进入“自动构建”时代！

业务需求越来越紧迫，应用形态越来越多。低代码平台要解决的，早已不只是“把页面搭出来”，而是让需求理解→应用构建→交付使用→持续治理形成顺畅的闭环。飞搭 2.11，围绕这一闭环做了一次系统性升级。四大亮点，先睹为快：✅ AI 自动构建：多模态理解需求，端到端生成低代码资产；✅ 应用层治理：以“应用”为单位组织资产，边界清晰、复用有序；✅ 全端设计提效：模板/图表/组件及移动端操作全面升级，搭建更快、体验更顺；✅ 模型逻辑与运维双保障：逻辑编排更灵活，发布审核与日志排障更可靠。无需从零开始逐个建对象、搭表单、配逻辑。多模态理解文字、图片、文档都能作为构建起点。一句“搭建采购申请管理”、一张原型图、一份需求文档，AI 都能读懂其中的页面结构、字段和业务逻辑。自动规划+端到端生成AI 自动拆解需求，同步产出业务对象、功能页面、事务处理流、脚本事件和自定义组件，让应用从需求雏形直接走向可运行版本。资产智能复用生成时自动匹配现有资产，支持直接复用或局部修改复用，无匹配则新建，减少重复开发，保障资产统一。生成自检生成后自动校验完整性与合理性，标注缺失及存疑点，点击直达对应位置快速修正。多轮调优通过自然语言持续补充字段、调整布局、完善交互，在对话中逐步打磨。示例财务收到“员工报销”需求文档，以往要梳理字段、建对象、搭表单、配逻辑，大半天就没了。现在上传文档，AI 直接生成报销单对象、登记表单和信息列表；通过对话还可继续补充报销附件校验等，快速形成可评审的应用初版。<< 滑动查看下一张图片 >>除了端到端生成，AI 还嵌入了日常配置的每个细节：✅ 前端自定义 JS 生成：在「自定义取值」或「前端自定义脚本」节点描述需求，AI 直接生成可编辑脚本。✅ 表达式与公式 AI 生成：用自然语言描述业务规则，AI 辅助生成表达式和公式字段初稿。示例报销行对象使用公式自动计算不含税金额；页面根据报销金额增加提示和修改样式。通过文字描述，AI 即可生成公式表达式及前端JS初稿。<< 滑动查看下一张图片 >>此前飞搭以领域为核心管理低代码资产，向下包含功能、页面。随着企业业务系统越建越多，仅靠领域维度已难以满足多应用并行与隔离的需求。飞搭2.11在领域之上新增应用层，形成应用→领域→功能→页面完整层级。应用作为独立业务系统载体，承载整套业务的生命周期管理与版本归档；领域回归应用内资源分组定位，负责场景化资产归类，完全兼容用户原有领域开发习惯，实现无痛升级、能力跃升。示例以往仅靠领域管理资产、无顶层业务边界，集团并行搭建财务、客户、采购供应链等多套系统时，存在业务资产混杂、权责不清、跨业务干扰等问题，且版本迭代无留存、通用能力重复建设，难以支撑规模化落地。<< 滑动查看下一张图片 >>核心能力：应用资产隔离，规范业务边界业务对象、页面、事务处理流等按应用归集，适配应用状态与权限，不同团队仅在授权范围内操作。版本全程追溯，合规可审计轻量版本登记机制，自动记录版本迭代、变更归档，业务系统建设全程留痕，支撑合规审计。领域灵活复用，降本增效私有领域按应用强隔离，保障业务安全；公共领域支持多应用引用，减少重复开发，沉淀企业通用资产。生态应用分发，规模化落地应用可上传至汉得焱牛开放平台，作为生态资源供用户下载安装，实现生态资源流转。模板更丰富，常用场景一键起步新增详情布局、图表看板、PC 端卡片组等功能模板；零代码和流程表单预置签到表、活动报名、办公用品领用、设备巡检等业务模板。选模板→调配置→上线，省去大量重复搭建。<< 滑动查看下一张图片 >>图表能力升级，数据一眼看懂PC 与移动端同步新增柱状图、饼状图、折线图、指标卡，PC 端还支持地图组件。结合图表看板模板，业务数据快速转化为直观分析界面。示例财务分析展示项目报销金额趋势、结余金额排行和收款分析。全端组件增强，搭建与使用更顺畅自定义字段新增业务对象自定义字段配置，PC/移动端均支持拖入表单和列表；支持单字段（文本、日期等）和复合字段（如“手机号码”=区号+号码），可分别维护属性、行为和样式。移动端组合组件无需预先配置自定义字段，直接在页面中组合多个基础组件，灵活满足地址、联系人、证件信息等场景。页面呈现升级PC 端新增 Word 表单类型页面，适用于正式单据、协议、通知；PC 端列表组件新增统计域，支持全部页数据汇总；移动端卡片组支持快速绑定业务对象字段。协作体验升级PC/移动端新增相邻切换器（详情页快速看上一条/下一条）、评论组件；PC 端审计组件展示数据结构审计信息，附件与导出支持文件水印。示例财务报销使用复合字段实现税率和金额的便捷录入，通过汇总字段快速掌握报销总金额，同时还可对单据进行评论对话；页面上使用相邻切换器，快速查看数据。全局样式配置，一次设定、全端统一新增全局样式配置能力，可统一设定设计器组件的默认样式（如颜色、字体、圆角、间距等）。企业只需配置一次自身 UI 规范，所有新建页面自动继承，多页面体验保持一致，无需逐个组件重复调整。<< 滑动查看下一张图片 >>✅ 列表直接操作：支持在列表中直接新增、编辑、查看详情，通过弹窗或新增卡片完成，减少页面跳转。✅ 附件随手用：手机浏览器直接访问即可上传、预览、下载附件；配置时也强化了在线预览能力。示例现场巡检人员在列表中直接新建记录、编辑异常、查看详情，现场图片即时上传。✅ 发布有引导：新增移动应用配置引导，按步骤完成发布至企微/飞书/钉钉或飞搭 APP，降低发布门槛。◈ 迁移可回退数据迁移升级为分步骤导入导出，支持返回上一步修改，降低操作风险。◈ 领域更精细领域支持字段默认值、数据源编辑、预置权限策略模板、模板与对象双向同步；业务对象支持数据预览和子查询条件配置。◈ 逻辑可编排事务处理流和脚本事件新增 AIGC 编排节点/函数、工作流节点/函数，将AI能力和流程能力纳入低代码逻辑。◈ 多触发器灵活传参同一事件流的不同触发器可通过流程变量传入不同参数，提升逻辑复用能力。示例迁移交互全新优化：将采购申请功能迁移至正式环境，支持“分步骤”迁移导出并核对配置。<< 滑动查看下一张图片 >>✅ 发布可控：功能及资源发布支持审核，审核通过后生效，可查看历史审批记录，降低误发布风险。✅ 排障高效：全局日志新增慢执行与异常类型日志，快速定位性能问题和异常线索；审计日志存储方式等全局配置同步优化。示例采购应用上线前提交发布申请，审核通过再生效；运行中出问题，运维通过慢执行和异常日志快速定位，缩短排障时间。<< 滑动查看下一张图片 >>从 AI 理解需求、自动规划并生成应用资产，到全端高效搭建、移动端顺畅使用，再到模型逻辑精细构建与运维可靠保障。飞搭 2.11 让 AI 从“辅助生成”走向“自动构建”，深度参与企业应用从需求到交付、从上线到迭代的全流程，推动低代码成为企业持续创新的智能应用构建平台。联系我们1. 如果您想了解飞搭更详细的功能介绍和产品信息，可以查阅我们的产品文档，请在PC端打开➡️ 汉得焱牛开放平台（open.hand-china.com）；2. 如果您有疑问或者建议，也可以通过开放平台进行工单反馈，问题分类请选择【产品/汉得aPaaS平台-飞搭】；3. 相关产品咨询或更多信息了解，欢迎联系我们邮箱➡️ openhand@vip.hand-china.com；携手汉得，共铸硬核竞争力！