热点新闻

HOT

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

汉得 x SKG｜主数据治理项目启动，为AI领航铺路，为高效运营筑基！

8月7日，SKG 联合汉得正式召开 MDM 主数据治理项目启动会，双方核心团队共同参会，标志着 SKG 主数据治理项目正式拉开帷幕。

查看详情

汉得产品出海｜HiFins汉得智慧财务套件帮助香港综合能源服务客户，构建全球化财务运营统一电子会计档案！

近期，汉得携手香港某中资综合能源服务头部企业正式启动全球财务运营统一电子会计档案建设项目。

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

08-19

人力资源全球化再创佳绩｜某新能源汽车行业，全球统一HR数字化底座顺利上线！

近期，汉得助力中国领先的高端智能电动汽车品牌客户，构建起统一数字化底座，护航出海，实现合规与效率双升级，覆盖中国、欧洲、美国多区域，完成从蓝图设计到运维交付的全链路落地——为新能源车企出海打造可复制的 HR 数字化管理范式。

08-19

人力资源全球化再创佳绩｜某新能源汽车行业，全球统一HR数字化底座顺利上线！

随着中国新能源汽车品牌加速走向全球，“出海”已从战略选项变为必答题。然而，“出海”不只是把车卖到海外，更意味着企业在异地要面对全新的合规环境、用工制度、薪酬规则与组织管理诉求。一套能同时支撑多地法律合规、本地化运营、总部统一管控的 HR 数字化底座，正成为出海企业的核心基础设施。近期，汉得助力中国领先的高端智能电动汽车品牌客户，构建起统一数字化底座，护航出海，实现合规与效率双升级，覆盖中国、欧洲、美国多区域，完成从蓝图设计到运维交付的全链路落地——为新能源车企出海打造可复制的 HR 数字化管理范式。出海浪潮下HR 数字化成为关键命题该头部新能源汽车品牌客户，致力于通过智能电动汽车为用户创造愉悦的生活方式。产品覆盖智能电动 SUV、轿车及轿跑 SUV 等多个系列，构建起覆盖整车研发、智能制造、用户服务与能源补能的完整体系。为加速全球化布局，已进入德国、荷兰、丹麦、瑞典等欧洲国家市场，并持续拓展北美业务。随着海外业务快速扩张，建立一套统一、合规、高效的海外 HR 数字化系统，成为支撑其全球化战略的关键命题。该企业选择与汉得合作，共同建设海外 HR 系统，以数字化的方式打通“组织—人事—考勤—薪酬”全链路，为海外业务保驾护航。强强联合共建海外 HR 系统本次合作中，该头部车企携手汉得基于 PeopleSoft HCM 平台，为其打造覆盖中国、东南亚、欧洲（EU）、美国（US）双区域的海外 HR 系统，实现海外员工的全生命周期管理。项目覆盖的核心模块包括：组织与人事管理（Organization & Personnel）：组织架构、岗位、员工档案；人事流程（Personnel Action）：入转调离等标准化的业务流程；时间管理（Time & Labor）：考勤、排班、假勤数据采集与处理；薪酬模块（Payroll）：多地区薪酬计算与发放规则配置；权限管理（Security）：基于角色与区域的精细化访问控制；接口集成（Interface）：与 ADP 等外围系统的数据对接；通过统一平台+本地化配置的方式，既保障总部对海外 HR 数据的统一可视，又满足两地各自的合规与运营需求。项目亮点多模块覆盖＋外围系统深度集成◈ 模块化设计按需落地项目按 Time、Payroll、Org 等模块拆分蓝图与实现，模块间既保持独立可推进，又通过统一数据模型实现联动，避免“烟囱式”建设。◈ 与 ADP 等外围系统深度对接海外 HR 系统并非孤岛。项目设计与 ADP 等本地化薪酬/用工服务平台进行接口对接，打通数据流，让“总部系统+本地服务”形成合力，既享受 PeopleSoft 的统一管控能力，又复用 ADP 在当地的合规与服务优势。◈ 全球数据管理规范体系化按国内、国外进行数据权限切分；设定核心主数据国内维护，全球使用；国外运营管理本地化，核心数据最小量回传集团的数据管理规范和管理原则。并对大量的历史数据进行完善和修复，形成整体的高质量的数据闭环。◈ 多区域并行本地化兼顾CN、EU 与 US 在法律合规、薪酬规则、语言习惯上差异显著。项目通过“一套平台+区域配置”的方式，既统一系统底座，又保留两地本地化的灵活性。价值全面释放护航出海合规与效率双升级系统上线以来，核心价值快速显现，在合规护航、运营提效、数据底座三大维度实现突破性升级。海外合规体系全面夯实针对 EU 与 US 在劳动法、薪酬规则、用工制度上的显著差异，系统通过“一套平台+区域配置”的方式，实现两地本地化规则沉淀与统一管控并重，为企业海外用工合规提供系统级保障，让全球化扩张不再被合规风险拖累。数据底座全面贯通项目搭建海外统一人力资源数据底座，组织、人事、考勤、薪酬等核心数据全面贯通，真正形成海外“HR 一本账”，为海外组织优化、人才配置、干部管理、经营决策提供精准量化依据。统一数据基座成型为 AI 提供高质量原料全模块、全流程、全员工数据标准化贯通，数据真实、完整、实时，为后续 AI 人才画像、智能人效分析、智能薪酬决策、干部潜力识别提供高质量数据基础。流程全面线上闭环为 AI 自动化提供场景入转调离、考勤、绩效、薪酬等核心链路可追溯、可量化，流程规则清晰、节点明确，为未来 AI 流程自动化、智能预警、异常诊断、风险防控提供成熟应用场景。组织能力同步升级降低未来转型成本海外团队数字化习惯养成、HR 团队数据化思维提升、业务部门自助化能力增强，为未来 AI 工具推广、智能化运营扫清障碍，让后续数字化迭代更顺畅、更高效。打造可复制的出海 HR 数字化样板本次与汉得的合作，不仅是一次单点系统交付，更是在为车企出海探索一套可复制、可扩展的 HR 数字化范式：对该头部车企：构建统一的海外 HR 数字化底座，支撑业务在国内、东南亚、欧美市场的持续扩张与精细化管理；对行业：为中国制造型企业乃至更广泛的出海企业提供“统一管控 + 本地合规”的 HR 系统建设参考；对汉得：进一步沉淀 PeopleSoft HCM 在海外多区域实施的方法论与资产，强化在出海 HR 数字化领域的服务能力。持续迭代迈向智能人力上线不是终点，是数智赋能全球化人力管理的新征程。未来，项目团队将按计划推进海外 HR 数字化深化动作，将数字化覆盖到更多海外区域与更深入的业务场景中，并稳步迈向人才管理一体化、业人数据一体化、HR 服务智能化，逐步探索 AI 预测、赋能、提效等创新应用。汉得数智人效咨询事业部一站式人力数字化解决方案专家✅ 近30年 HCM 实施经验沉淀深度落地 Oracle PeopleSoft / Fusion / SAP HCM / SuccessFactors、飞书 people 等全球主流系统，累计交付2000+项目，沉淀行业领先的复杂系统解决方案经验。✅ 信创替代全周期服务专家基于国产化替代需求，提供从系统评估、平滑迁移到混合云/私有化部署的一站式解决方案，兼容主流信创软硬件生态，保障数据主权与业务连续性。目前已经成功上线多个大型或国有企业的HR信创替换项目。✅ 敏捷化场景赋能能力依托自研布谷 HCM 平台，打造“可插拔”、“开箱即用”的智能增强模块：○极速入职：打通招聘平台与 CoreHR 数据通路，智能批量数据核验，实现人才全流程无感迁移；○一键报税：构建全场景自动化报税体系，合规准确率提升至99.9%；○一键报社保：搭建全流程自动化社保管理解决方案，大幅减少人工干预与合规风险；○AI应用矩阵：快速部署智能核验/数据洞察/员工服务/人才画像/简历智筛等多类 AI 助手。服务全景1全域产品实施覆盖组织人事、薪酬核算、智能考勤、绩效管理、员工自助门户及管理驾驶舱等核心场景；2人力共享升级服务HR SSC 体系设计+数字化平台搭建+运营提效轻咨询；3全球化人力解决方案构建多区域合规框架，支持多国属地化用工管理与薪酬福利体系；4数据资产治理从数据标准制定、质量管控到安全防护的全体系规划，激活人力数据价值；5信创管理基于 H-ZERO 底座，连接国产数据库，自主可控，护航企业信创平稳切换。目前汉得数智人效咨询事业部已助力500+中大型企业实现人效提升，期待以数字化力量驱动您的组织进化。携手汉得，共铸硬核竞争力！

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！

08-15

品牌案例｜场景是技术落地最好的土壤！

08-19

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🤖汉得深耕企业数智化多年，坚守实干初心，打磨核心技术，升级产品方案，并以企业业务场景与实际应用需求为根本准则，帮助客户持续落地各类AI智能体应用，让AI深度融入企业经营管理业务全流程✨技术有AI，陪伴有ai，汉得愿成为长久陪伴企业业务成长的数智伙伴，不断积累多行业一线实战成果，以专业技术与长效服务，为企业数智化升级提供可参考、可复用、可落地的实战范本——————汉得 x 京新药业｜共建企业级 AI 智能体平台，共拓医药行业智能化升级！🔸基于「得·灵」企业级AI产品系列，为京新药业搭建AI智能体应用数智化底座和能力体系，将智能体编排和业务工具调用能力融入日常工作，支撑医药企业产业链协同与创新汉得 x 锐科激光｜锐科AI智能体平台正式上线，以AI全场景赋能激光智造！🔸聚焦商务办公与运营管理、激光器研产销全链路、商务风险管控业务板块，依托智能体矩阵、智能问数协同赋能，锐科激光携手汉得搭建覆盖五大核心业务场景的完整AI应用矩阵从分散建设到统一治理｜汉得携手青岛啤酒，打造AI时代的企业数字化统一底座！🔸汉得携手青岛啤酒搭建统一组件技术底座平台，将分散在各类系统和项目中的共性能力沉淀下来，形成可复用可治理可持续演进的企业级公共能力，让企业数字化建设具备长期复利近百家企业走进双环传动｜汉得携手AI标杆客户，共探制造业AI规模化落地新路径！🔸双环传动以深厚制造场景、精益管理经验和智能制造基础为依托，汉得依托AI中台、企业级智能体建设能力和制造业AI落地方法，支撑双环在AI平台能力、智能体应用、场景共创和规模化推广等持续推进汉得 x 海亮股份｜喜报再传！AI智能审核项目再获殊荣🔸依托H-ZERO和AI中台，海亮股份与汉得打造「无人值守财务共享智能审核Agent」，为财务共享工作带来7 x 24小时不打烊自动审单、提升共享会计审核自动化率、财务人转型：从事务型到财务数智型三大革新汉得 x 金田新材｜以场景驱动 AI 落地，共启新材料制造数智化新程！🔸基于汉得AI中台技术底座，聚焦经营管理、生产运营、质量改善、协同办公等关键环节，为金田新材打造可落地、可复用、可推广标杆场景，让数智能力成为企业发展重要支撑数字化，放心交给我！

08-13

汉得DataClaw“硅基人”上岗记：（3）生产采购专家

让80%的采购精力从应对当下变成经营未来，今天，DataClaw数字员工“Kraljic生产采购专家”正式上岗。

08-13

汉得DataClaw“硅基人”上岗记：（3）生产采购专家

周三上午10点，某消费电子企业的采购总监李总打开手机，收到一条推送：他没做任何查询——这是 DataClaw 数字员工 “Kraljic 生产采购专家”主动推给他的“采购经营日报”。而18天前，要拿到这份判断，他需要先和品类经理开3次会、再让数据团队花2周从 ERP、SRM拉数据、出 PPT。今天，这一切从每天早上9:00自动开始。故事背景（1）这是汉得服务的某消费电子企业。主营光学模组，产品覆盖新能源车 ADAS 摄像头、工业视觉、消费电子三大方向。CAT-03-05 光学玻璃/晶圆是公司最关键的战略物料品类之一：采购金额：2024年6771万元→2025年7719万元→2026年预测8800万元，年复合增长率14%；BOM占比：从3.26%提升到3.50%，仍在上升；料号数：6个关键料号，年需求总量83万+ PCS；影响收入：涉及6个客户项目，覆盖3大终端领域，若供应中断合计影响年度收入12.16亿元；重点客户：新能源车前视 ADAS 摄像头（爬坡期、影响收入6.02亿元）、高速工业检测相机（量产1.68亿元）、机器人双目视觉模组（开发1.59 亿元）。一个不到公司总采购4%的小品类，决定着公司12亿收入的生死。故事背景（2）但在采购部，CAT-03-05 长期“不受重视”：💢过去的“品类画像”，是2024年做的一张 PPT，16个月没更新过；💢三家供应商的交付率、质量 PPM、产能利用率，靠采购员 Excel 手记，没有统一视图；💢蓝玻璃晶圆 EOL 预警这件事，R&D 早就知道，采购部一直到原厂停产前6个月才反应过来；直到今年初——某新能源车客户年度招标，明确要求供应商提供「光学部件可持续供应证明」。李总才发现：他们拿不出 CAT-03-05 的完整品类画像、也拿不出三家供应商的完整评估矩阵。一张纸，挡住了6个亿的大单。痛点为什么过去找不到原因不是李总不努力，是品类经理一个人扛不动。💢 采购业务数据散在 ERP 、SRM、QMS、WMS、PLM 等系统里；💢 供应商数据散在 SRM 的准入、绩效、合同、黑名单里；💢技术/生命周期数据在 R&D 和 PLM 里——和采购完全不通；💢三份数据供应商编码不统一：同一家“清X光学”在 ERP 叫 A、在 SRM 叫 B、在 R&D 叫 C；💢采购决策的判断规则沉淀在会议中、业务人员大脑中；💢一次完整的“年度品类画像”，要数据团队+采购+ R&D 三方拉齐，2周起步；💢等 PPT 画完，已经是月初，事情过去了。过去，采购决策永远慢一个月——而这个月里，料号可能已经停产、供应商可能已经涨价、客户的项目可能已经错过。现在有了 DataClaw Kraljic 生产采购专家变化从每天早上9：00开始每天早上9:00，Kraljic 生产采购专家会把一份《今日采购经营日报》主动推到李总的手机上。——不是 KPI 仪表盘，不是静态看板，是已经分析过的判断。DataClaw从整体向下排查Kraljic 生产采购专家从汉得30年供应链 know-how + PACS 采购智能决策系统方法论里，沉淀出本体化的底层设计以及3步分析法：业务对象本体化；业务对象之间的关系网络化；规则本体化；基于业务对象、关系网络和规则本体， DataClaw 输出3步分析：第一步给每个品类贴一张“画像”Kraljic 矩阵自动定位按“业务影响（金额 x 战略）x 供应风险（集中度 x 弹性 x 替代）”，所有品类自动放进4个象限：战略 / 杠杆 / 瓶颈 / 常规。回到 CAT-03-05：业务影响高：年增长14%、BOM 占比上升、影响6个客户项目12亿收入；供应风险高：CR2 = 88%、HHI = 4,816、产能利用率95%、替代成熟度2/5；→ Kraljic 象限：战略品类。第二步给每家供应商贴一张“画像”多维绩效+风险评级依据 PACS 方法论，从交付、质量、产能、关系、战略价值5个维度，给每家供应商打分。CAT-03-05 的三家供应商：▲行业参考：OTD≥95%为优；PPM≤200为优；产能利用率度<=80%为健康第三步把品类画像和供应商画像叠在一起三重叠风险一目了然CAT-03-05 暴露的是采购最怕遇到的三重叠：结构性高度集中——HHI 4,816（>2,500即高度集中，采购方几乎无谈判筹码）；供应商低弹性——前两家产能利用率94-95%，几乎没有扩产空间；替代资源困难——可替代供应商仅1家、替代成熟度2/5、切换成本432万、认证周期180天。一个8800万的品类，卡着一家供应商95%的产能、64%的份额、和432万的切换成本。这不是“风险”，这是“地雷”。回到开头的具体客户/场景回到开篇那条推送：「光学玻璃/晶圆品类（CAT-03-05）｜战略品类·高风险——蓝玻璃晶圆料号已进入 EOL 预警」这个判断是怎么来的？蓝玻璃晶圆（MAT-0305-002）是 CAT-03-05 的6个关键料号之一，年需求15.7万 PCS，已标注 EOL 预警——Kraljic 生产采购专家自动从料号生命周期表中识别，叠加“该料号所在品类为战略品类+替代成熟度仅2/5”，自动升级为紧急。「前2供应商集中度88%，清X光学份额64%，产能利用率95%，建议立即介入。」这一条来自3条规则的自动交叉：CR2 > 70% → 集中度；单供应商份额 > 50% → 单一依赖；主力供应商产能利用率 > 90% → 弹性不足。3条规则叠加→自动推送给采购总监。18天前需要3次会议+2周分析的事情，今天用4秒推完了。问题被一层层查了出来但李总没停在这里。他点开 Kraljic 生产采购专家的“全品类体检表”——不只是 CAT-03-05。系统对全公司所有采购品类按4象限跑了一遍，自动标出每一类的风险等级、关键料号状态、Top 供应商健康度。过去是“一个品类一个品类地查”，今天是“一张表查全部品类”。给建议＋测算效果Kraljic 生产采购专家接着给出针对三家供应商的分级建议：⚠️实际效果取决于措施是否落地、替代供应商是否匹配、客户配合度——以上建议为方法论输出，不构成业绩承诺固化推送：每天自动给报告/任务这套方法不需要每天重新问。Kraljic 生产采购专家已经把数据口径、Kraljic 矩阵分类规则、供应商分级标准、价格异动阈值、料号生命周期规则全部沉淀下来——每天9:00 → 推送《采购经营日报》（含紧急告警）；每周一9:00 → 推送《本周采购风险预警+改善任务清单》；每月1日 → 推送《品类画像更新+供应商绩效月度报告》；每季度首日 → 推送《季度品类策略复盘+寻源建议》。数字员工不是在“被动回答”，是在“主动盯盘”。下一次蓝玻璃晶圆真要 EOL、下一次清X光学真要涨价——李总会在发生之前收到提醒，而不是在发生之后才开会。让80%的采购精力从应对当下变成经营未来过去采购品类经历5件事务性工作过去，一位采购品类经理每周要花60–70%的时间在：◈ 拉数据：从 ERP、SRM、R&D/PLM 导7–8 张表；◈ 对数据：处理供应商编码不一致、单位不一致、缺项；◈ 做分析：算金额、算集中度、算 HHI、算价格异动、算风险；◈ 出报告：画 PPT、写简报、发邮件；◈ 盯进度：跟催改善单、跟踪寻源进度、复盘品类策略。真正用于“想清楚怎么花钱”的时间，反而不到 30%。现在数字员工接走5件品类经理只剩判断决策现在，Kraljic 生产采购专家把这些高频重复工作全部接走：✅ 拉数据 → 跨 ERP、SRM、PLM 自动拉取，统一编码；✅ 对数据 → 自动清洗、自动对齐、自动标记异常；✅ 做分析 → Kraljic 矩阵+供应商分级+HHI 集中度+替代成熟度全自动；✅ 出报告 → 每天/每周/每月/每季度主动推；✅ 盯进度 → 改善单、寻源单、品类策略自动跟踪、异常自动升级。品类经理只需要做一件事：判断决策。要不要批准清X光学那份长期框架协议？要不要把X澈升级为战略供应商？要不要主动拜访光X光学推动扩产？——把“分析”交出去，把“判断”拿回来。价值把精力放回4件业务价值工作采购品类经理可以把更多精力放回真正影响采购经营结果的事情：✅ 跑关键供应商：把时间从“盯数据”换成“和清X谈判产能保障、和X澈谈扩产激励”；✅ 做品类策略：每年2次品类策略复盘，重新定义“该买谁、该买多少、该什么时候买”；✅ 谈关键合同：把时间花在真正影响80%支出的战略品类和杠杆品类上；✅ 培育第二供应源：从被动寻源变成主动构建“备份供应链”。让80%的采购精力从应对当下变成经营未来今天，DataClaw数字员工“Kraljic生产采购专家”正式上岗“Kraljic 生产采购专家”将为最终闭环（不是任务完成了，而是状态改善）做进一步迭代，包括但不限于：从建议自动化转为结构化的 Initiative 和 Action；AI 交互与业务应用场景封装……敬请期待~想看您行业的“生产采购专家”数字员工怎么构建？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也欢迎在评论区与我们聊一聊您的采购品类分析痛点

08-10

汉得 AI Factory 融合方案｜灵炼模型部署融合 NVIDIA NIM & Dynamo！

汉得企业级大模型训练与管理平台-灵炼（英文名 H-AI TrainHub，以下简称灵炼），是汉得 AI Factory 融合解决方案的企业级一站式模型训练与管理平台，覆盖数据集管理、精调、推理部署与评测等端到端能力，专注性能与安全保障，全面支撑企业 AI 模型开发与落地。

08-10

汉得 AI Factory 融合方案｜灵炼模型部署融合 NVIDIA NIM & Dynamo！

汉得企业级大模型训练与管理平台-灵炼（英文名 H-AI TrainHub，以下简称灵炼），是汉得 AI Factory 融合解决方案的企业级一站式模型训练与管理平台，覆盖数据集管理、精调、推理部署与评测等端到端能力，专注性能与安全保障，全面支撑企业 AI 模型开发与落地。本文将带您快速掌握灵炼模型部署的推理新能力：在现有 vLLM 推理引擎基础上，集成 NVIDIA NIM 与 NVIDIA Dynamo 推理框架，构建统一、高效且可扩展的推理平台。从镜像维护、模型版本配置，到部署选择、服务监控，再到一键对接灵猿 AI 中台，帮助您为不同业务场景选择最合适的推理方案。为什么要引入新的推理能力做过大模型私有化落地的团队应该都有体会：模型部署这件事，难的从来不是“跑起来”，而是“跑得稳、跑得快、管得住”。同一个模型，换个引擎、换套参数，吞吐和时延可能差出一倍。在推理侧，灵炼此前一直以 vLLM 作为默认引擎。vLLM 足够优秀，但随着企业 AI 应用从“试点验证”走向“规模化生产”，单一引擎的局限逐渐显现：💢场景在分化有的客户追求开箱即用与企业级支持保障，有的客户在多机多卡集群上追求极致吞吐，一把尺子量不了所有场景；💢算力驱动营收GPU 算力是企业级AI部署的核心资源，推理方案每提升一分吞吐，就意味着处理相同工作负载时所需的 GPU 数量更少 ——方案选择将直接影响企业拓展营收规模与降低总体拥有成本(TCO)的能力；💢生态在演进基于 NVIDIA 构建的推理软件栈（TensorRT-LLM、NIM、Dynamo）持续优化，企业需要一条能持续吸纳新推理能力红利的路径，而不是被锁死在某一代方案上。因此，灵炼此次升级的意义不只是“多了两个选项”，而是让平台具备了多能力栈管理的体系化能力——容器镜像、模型适配、部署选择、参数实践、监控运维一条链路打通。企业只管按场景选用，把“换推理方案”的成本压缩到一次下拉选择。灵炼模型部署融合NVIDIA NIM & Dynamo部署再升级！灵炼模型部署正式接入 NVIDIA NIM 与 NVIDIA Dynamo，形成 vLLM、NIM、Dynamo 三大推理技术协同的架构，进一步提升模型服务的性能、稳定性与运维效率。推理方案自由选在现有 vLLM 基础上，新增对 NVIDIA NIM 与 NVIDIA Dynamo 的支持。部署时可根据模型配置按需选择推理方案，通过一套标准化流程实现多种推理技术的统一部署与管理。镜像有章法底层配置支持维护通用镜像；针对 NIM 模型专用镜像的特点，支持在模型仓库对应版本上维护 NIM 专用镜像，镜像跟着模型版本走，部署自动带出。参数不用猜平台内置各推理方案可配置的内置参数与最佳实践，部署时给出推荐配置，无需从零翻阅引擎文档调参。监控开箱即用NIM、Dynamo 服务指标同步支持平台监控，与 vLLM 保持一致的可观测体验。生态一键贯通部署完成后支持一键对接灵猿 AI 中台的模型账号维护与模型账号组合配置，推理服务直达上层应用。认识两位新成员先看它们所在的大图景AI Factory 与 NVIDIA AI Enterprise在正式介绍这两位新成员之前，有必要先理解它们从何而来。AI Factory（AI工厂）这是一套软硬件协同设计的完整体系，目标是让企业能够规模化、可持续地把算力高效地“炼”成 AI 生产力——这也正是 AI 推理进入生产环节后，对吞吐、时延与成本提出的现实要求。要把这座“工厂”真正跑起来，除了底层硬件，还需要一整套经过验证、可长期维护的软件栈，这就是 NVIDIA AI Enterprise。NVIDIA AI Enterprise将面向 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。可以把 NVIDIA AI Enterprise 理解为 AI Factory 的软件操作系统：AI Factory 描绘了目标形态，NVIDIA AI Enterprise 则提供了让这套体系真正落地运转的标准化软件基座。而本次要介绍的 NIM 与 Dynamo，正是 AI Factory 软件栈中两个关键组件：一个负责让单个推理服务开箱即用、跑得又快又省心；另一个负责在大规模 GPU 集群上把分布式推理编排到极致。理解了这层归属关系，再来看它们各自的能力，就更容易把握它们在整个 AI 工厂里所扮演的角色。1NVIDIA NIM官方预优化的“开箱即用”NVIDIA NIM 是一套易于使用的预构建容器工具，目的是帮助企业客户在云，数据中心和工作站上安全，可靠的部署高性能的 AI 模型推理。它由 Model-Free NIM，Day0 NIM 和 Refresh NIM 组成，它把推理框架（vLLM/SGLang），最小运行时依赖，最佳推理实践统一打包为容器镜像，启动即为标准 API 服务。它的价值主要在三点：✅ 开箱即用：无需自行处理复杂的推理框架部署和配置，容器启动时自动匹配当前 GPU 的最优 profile。其中：○Model-Free NIM 允许用户以最新的推理框架版本加载任意模型，同时兼顾合规和企业级 feature；○Day0 NIM 允许用户在第一时间获取最新的验证过的开箱即用模型；○Refresh NIM 允许用户获得对于特定模型的最佳性能。✅ 性能有保障：如果用户使用的是 Refresh NIM，底层是深度优化的推理路径，在 NVIDIA GPU 上通常可获得优于通用方案的吞吐与首 Token 时延。同时用户还可针对特定需求生成自定义优化方案，并将其无缝集成到 NIM；✅ 企业级支持：具备官方的版本维护与安全更新，没有高危代码漏洞风险，契合合规要求高的企业客户。需要注意的是，NIM 镜像是“多层次” 的——每个模型和框架版本对应各自的 NIM 镜像，这对平台的镜像管理能力提出了更高要求，也是灵炼本次在产品设计上重点解决的问题。2NVIDIA Dynamo数据中心级的分布式推理框架如果说 NVIDIA NIM 解决的是“单个服务如何跑得又快又省心”，Dynamo 瞄准的则是另一个维度：大规模分布式场景下，GPU 集群如何协同把推理跑到极致。Dynamo 是一个开源的数据中心级分布式推理框架，核心能力包括：✅ P/D 分离（Disaggregated Serving）：将推理的 Prefill（提示词计算）与 Decode（逐 Token 生成）拆到不同 GPU 组分别调度——前者吃算力、后者吃显存带宽，分开后各用其长，在长上下文、高并发场景下集群整体吞吐提升非常可观；✅ KV Cache 感知路由：智能路由器掌握各节点的 KV Cache 分布，将请求调度到缓存命中率最高的节点，减少大量重复计算；✅ 多级 KV 缓存管理：KV Cache可在显存、内存、本地盘之间分层流转，用更经济的存储扛住更大的缓存量；✅ 引擎无关：底层可对接 TensorRT-LLM、vLLM、SGLang 等推理内核，Dynamo 负责上层调度与编排。如何选择合适的推理方案？一个务实的选型参考：日常开发验证用 vLLM；NVIDIA GPU 上的标准化高性能生产部署优先 NVIDIA NIM；当业务量大到需要跨节点扩展推理集群时，就是 NVIDIA Dynamo 的主场。快速入门 - 配置维护维护推理方案通用镜像模型部署/配置维护：为各推理方案维护通用镜像。vLLM、Dynamo 等采用“一个镜像服务所有模型”的通用镜像模式，在配置中统一登记镜像地址与版本，部署时直接引用，镜像升级只需维护一处，不再需要在各个环境里口口相传“该用哪个 tag”。◈ 推理方案：vLLM / NVIDIA NIM / NVIDIA Dynamo；◈ 通用镜像：维护对应的镜像地址与版本，针对 NVIDIA NIM 的渠道类型，平台内置了 Model-Free NIM。模型仓库维护 NIM 专用镜像模型仓库/模型版本：为模型版本维护 NVIDIA NIM 模型专用镜像。与通用引擎不同，NIM 模型专用镜像与模型一一对应。灵炼将 NIM 专用镜像的维护入口设计在模型仓库的对应模型版本上，镜像与模型版本强绑定，部署时自动带出，如果官方没有发布模型专属 NIM，会默认使用 Model-Free NIM。在模型版本上配置该版本支持的推理清单。不同模型对推理底层的适配情况不同，通过版本级的配置，部署环节只展示合法选项，从源头避免“用错引擎起不来服务”的低级错误。模型部署选择推理方案模型部署：新建部署任务，选择推理方案。◈ 模型及版本：选择目标模型；◈ 推理方案：从该模型版本配置的方案中选择 vLLM / NVIDIA NIM / NVIDIA Dynamo；◈ 参数配置：平台预置各引擎默认参数与最佳实践推荐值—— vLLM 的显存利用率与最大序列长度、NVIDIA NIM 的 profile 选择、NVIDIA Dynamo 的分布式拓扑等，均给出参数说明与推荐配置，同时支持关键参数自定义调优。同一个模型，开发环境用 vLLM 快速验证，生产环境切换NVIDIA NIM 或NVIDIA Dynamo 上强度，切换成本被压缩到一次下拉选择。服务监控新技术栈不能是“监控盲区”。部署完成后， NVIDIA NIM 与 NVIDIA Dynamo 服务的运行状态与推理指标已同步接入平台监控，与原有 vLLM 服务保持一致的运维体验，服务健康度、推理指标一目了然，问题快速定位。一键对接灵猿 AI 中台推理服务就绪后，支持一键对接灵猿 AI 中台，自动完成模型账号维护与模型账号组合配置，无需在两个平台间手工复制接入信息，推理服务直达上层 AI 应用，打通从模型部署到应用消费的最后一公里。推理世界迭代很快，平台的价值不在于押注某一个引擎，而在于把“换推理方案”这件事变得足够便宜。以上内容主要讲解了灵炼模型部署接入 NVIDIA NIM 与 NVIDIA Dynamo 后的推理方案镜像维护、推理方案选择、部署参数最佳实践、服务监控、灵猿一键对接相关能力——从镜像、参数、监控到上层应用对接的整条链路都是现成的，企业只需按场景选择最合适的推理方案。更多功能细节可参阅开放平台文档，或随时联系研发团队：openhand@vip.hand-china.com。未来我们将持续迭代，为您带来更多 AI 模型开发与落地体验，期待与您交流！欢迎在评论区留言，一起探讨 AI 模型推理部署在您业务中的应用潜力~携手汉得，共铸硬核竞争力！

08-10

汉得 x SKG｜主数据治理项目启动，为AI领航铺路，为高效运营筑基！

8月7日，SKG 联合汉得正式召开 MDM 主数据治理项目启动会，双方核心团队共同参会，标志着 SKG 主数据治理项目正式拉开帷幕。

08-10

汉得 x SKG｜主数据治理项目启动，为AI领航铺路，为高效运营筑基！

8月7日，SKG 联合汉得正式召开 MDM 主数据治理项目启动会，双方核心团队共同参会，标志着 SKG 主数据治理项目正式拉开帷幕。随着 SKG 数字化建设持续深化，研发、供应链、营销、财务等业务系统陆续上线，企业数据规模快速增长。但由于主数据入口分散、标准不统一、跨系统流转规则不清晰，数据重复、缺失及口径不一致等问题逐步显现，不仅影响业财协同和经营分析，也制约了 AI 场景的规模化落地。AI 能够释放多大价值，取决于企业数据是否准确、统一、可理解。建设统一的主数据标准与治理机制，已成为 SKG 迈向 AI Ready、推动“数据 x AI”价值落地的关键前提。本次项目将实现主数据标准可查、管理有效、数据贯通，为业务高效运营建设筑牢底层支撑，同时为后续 AI 领航战略落地提供高质量的结构化数据基础。汉得 x SKG主数据治理项目启动SKG（全称：未来穿戴健康科技股份有限公司），是国内头部智能可穿戴按摩健康品牌，主打颈椎按摩仪等便携按摩设备，线上线下多渠道销售，产品销往全球多个国家。蓝图先行让主数据在系统间规范流转SKG 研发总监张健先生表示，避免人为干预导致数据失真、流转拥堵，需输出 MDM 主数据平台与各业务系统的流转节点蓝图，明确各环节的标准管控要求。强调数据治理要实事求是，遇到问题及时反馈，必要时做合理取舍；数据标准梳理、数据清洗阶段需配置专门的人员保障，避免兼职推进导致项目落地效果不佳。SKG 研发总监张健先生AI 就绪高质量数据是 AI 落地的前提汉得数智事业部总经理曹正炎先生表示，当前企业数字化建设进入深水区，AI 落地的前置要求是做好主数据治理，实现 “AI Ready”。本次主数据项目是 SKG 整体数据与 AI 大规划的重要前置环节，最终实现 “Data × AI for Value”，通过数据与 AI 的加持提升公司整体运营效率。汉得数智事业部总经理曹正炎先生共建共治主数据治理必须由业务共同参与SKG AI 变革与数智化总监康小辉先生表示，主数据治理核心是立标准、建规则，需各业务部门共同共创，配套出台管理办法明确违规处理规则，保障标准落地。并提出项目推进的四点要求：参与人员要有耐心细心，秉持较真精神打磨细节；要对标外部标杆经验，敢于否定过往不合理的旧操作；项目上线不是结束而是数据长期运营的开始，要严格遵守标准保障后续增量数据的干净准确；相关人员要遵守会议纪律，按时参与相关讨论与评审决策。SKG AI 变革与数智化总监康小辉先生质量筑基数据可信，AI 才能真正可用SKG 质量运营总经理赖珍玉女士提出，主数据是 AI 落地的核心前置基础，无标准数据则 AI 无法发挥实际价值，需拿出“打得一拳开，免得百拳来”的决心，一次性彻底解决底层数据问题。SKG 质量运营总经理赖珍玉女士主数据项目不仅仅是 IT 项目，更多的是管理项目，涉及到企业流程、数据标准、数据管理制度的变化和完善。业务部门深度参与和持续支持是本次项目顺利实施的基础。当前整个项目时间紧、任务重，SKG 的业务团队将与汉得的技术专家紧密合作，确保项目每一个环节都能精准对接，高效运转。此次项目启动，不仅标志着 SKG 主数据治理工作进入系统化、标准化建设阶段，也意味着 SKG 向 AI Ready 企业迈出了关键一步。未来，汉得将与 SKG 业务及数字化团队深度协同，共同建立统一的数据标准、清晰的管理责任、受控的数据流程和长效的数据运营机制，让数据真正成为连接业务、支撑决策、驱动 AI 的核心生产要素。数据有标准，业务能协同；底座更可信，AI 才真正可用。让我们共同期待，通过此次合作，SKG 与汉得将携手为行业数据治理树立新标杆。携手汉得，共铸硬核竞争力！

08-07

汉得携手矩阵起源，共建企业级AI落地新生态！

近日，上海汉得信息技术股份有限公司（以下简称汉得）参与投资的基金，参与了企业级 AI 基础设施厂商矩阵起源（MatrixOrigin）的 A 轮融资。

08-07

汉得携手矩阵起源，共建企业级AI落地新生态！

从企业应用到 AI 基础设施底座汉得以「得·灵」体系为基础携手矩阵起源打通企业 AI 智能化升级的“最后一公里”近日，上海汉得信息技术股份有限公司（以下简称汉得）参与投资的基金，参与了企业级 AI 基础设施厂商矩阵起源（MatrixOrigin）的 A 轮融资。本轮融资金额超千万美元，由汉得参与投资的基金、算力基础设施综合服务商亚康股份与澳大利亚风险投资机构 Artesian VC 共同注资。本次投资完成后，汉得与矩阵起源将进一步探讨在业务层面依托各自优势深度生态协同，使得汉得在 AI 领域的整体能力进一步向 AI 基础设施层延伸——从企业应用生态到 AI 基础设施底座，以构建更加完整的企业级 AI 解决方案能力。具体合作意向在进一步协商探讨中，若有进展公司将在指定媒体披露相关公告，敬请关注！随着 AI 在企业侧从单点应用向业务深度融合演进，我们敏锐洞察到：企业 AI 落地的真正瓶颈，不在于模型能力本身，而在于统一的 AI 平台工具、数据、AI 智能体、与企业现有业务流程和业务系统融合。汉得“得·灵”企业级 AI 产品和服务体系，涵盖灵猿 AI 中台、灵手业务智能体、灵睿垂直模型、灵炼大模型训练平台及灵策配套服务，已在多家头部企业成功落地。然而，在企业 AI 走向规模化、智能体加速进入生产环境的过程中，底层基础设施的统一性与开放性成为决定 AI 能否真正融入业务运行的关键变量。矩阵起源自主研发的 MatrixOne Intelligence 平台，基于 AI-Native 架构，将 HTAP、数据湖、元数据管理、AI 服务与智能体运行时（Agent Runtime）深度融合于同一平台，恰好填补了企业 AI 基础设施层的关键空白。汉得与矩阵起源的协同价值，体现在“自上而下”与“自下而上”的双向赋能：自上而下，场景牵引汉得凭借近三十年积累的深厚行业 Know-how 和数千家企业客户的真实业务场景，为 MatrixOne Intelligence 平台提供来自一线的需求牵引。汉得“得·灵”体系中丰富的业务智能体应用经验，能够帮助矩阵起源更精准地对接企业实际需求，加速产品在制造、金融、物流、财务、电信、快消品等行业的规模化落地。自下而上，底座支撑矩阵起源的 MatrixOne Intelligence 平台，为汉得的 AI 应用体系提供统一的数据与 AI 基础设施底座。传统架构下，企业推进 AI 应用需分别部署数据库、数据平台、AI 平台与智能体系统，四套系统各自独立运维，成本与复杂度居高不下。矩阵起源 MatrixOne Intelligence 将上述能力收敛至同一平台，与汉得的“得·灵”体系形成“基础设施+应用”的完整闭环，大幅降低企业 AI 建设门槛，帮助企业构建可信、安全、可治理且可持续演进的 AI 能力体系。汉得 COO 黄耿表示：“企业级 AI 正在从‘单点尝试’迈向‘智能化升级规模化落地’的关键拐点。汉得长期服务于企业数智化转型一线，我们深刻认识到企业级的智能化升级是需要算力、模型、数据、平台工具、智能体应用与企业的业务流程和业务系统融合的系统工程。基于汉得在 AI 能力构建上的整体战略布局，将‘得·灵’体系多年积累的行业洞察和服务能力、AI 应用产品和解决方案，与矩阵起源的数据底层技术能力深度融合后，可逐步构建从 AI 基础设施到 AI 应用的全栈解决方案，帮助客户构建 AI 时代的核心竞争力。”当前，全球企业软件市场正加速向 AI-Native 转型。Databricks、Snowflake、Palantir 等海外头部厂商相继强化自身的 AI 基础设施能力，企业级 AI 基础设施有望成为继云计算、大数据之后的新一代基础软件市场。随着智能体加速进入企业生产环境，企业 AI 的竞争焦点正从单一模型能力，转向数据、智能体、AI 基础设施底座的统一运行平台。汉得与矩阵起源将进一步探讨在业务层面依托各自优势深度生态协同。汉得将依托矩阵起源的技术底座，进一步丰富“得·灵” AI 产品体系的应用场景与底层支撑能力；矩阵起源则将借助汉得庞大的客户资源和行业经验，加速 MatrixOne Intelligence 在企业场景中的规模化落地。汉得与矩阵起源的联手，将为企业级 AI 基础设施赛道注入新的活力，助力更多企业构建可信、安全、可治理且可持续演进的 AI 能力体系。矩阵起源（MatrixOrigin）矩阵起源（MatrixOrigin）成立于2021年，是一家专注于企业级 AI 基础设施的创新科技公司，致力于构建统一的数据、AI 与智能体基础设施。公司自主研发的 MatrixOne Intelligence 是一体化 AI-Native 基础设施平台，融合统一数据平台、AI 服务、智能体运行时及企业级治理能力，为企业提供可信、安全、可持续演进的 AI 基础设施底座。目前，产品已在制造、金融、物流、财务、电信、快消品、互联网、半导体等行业实现规模化落地，累计服务企业客户超过100家。汉得信息上海汉得信息技术股份有限公司（300170.SZ）成立于2002年，是国内领先的企业级数智化产品和解决方案综合提供商。公司基于自主企业级 PaaS 平台 H-ZERO，构建了覆盖产业数字化与财务数字化的完整自主产品体系，并推出“得·灵”企业级 AI 产品和服务体系，涵盖 AI 中台、业务智能体、垂直模型、大模型训练平台及配套咨询服务。目前，汉得信息累计服务超过8000家行业头部客户，AI 应用落地覆盖制造、营销、财务、供应链、人事等全业务领域，致力于帮助企业实现从数字化到智能化的跨越。携手汉得，共铸硬核竞争力！

08-06

汉得DataClaw“硅基人”上岗记：（2）事业部总经理分身

汉得DataClaw，企业的数字员工中心——让管理者从报表和重复工作里解放出来，把精力放回客户、业务和增长；让一个人培育好的能力，变成整个组织可以复用的资产。

08-07

汉得DataClaw“硅基人”上岗记：（2）事业部总经理分身

7月中旬，公司全球业务事业群COO大林总在事业部总经理群里发了一条消息：“半年已过，请各位事业部老大复盘上半年经营情况。关于经营数字分析这块，想用DataClaw来分析，请曹总经理先以自己的事业部为例做一个分析样例出来给大家参考。”事业部总经理曹总没有开Excel，没有新建PPT。他把这条消息，转手交给了DataClaw中已经上岗的数字员工——“曹总的分身”。接到任务，“曹总的分身”没有马上跑数据，而是先理解任务、主动追问：分析哪个时间范围、重点看哪些内容、输出什么形式、数据截止到什么时候。同时搭出了自己的分析框架。▲ 任务刚交过去，“曹总的分身”先理解任务、追问关键信息并梳理框架曹总只做了几次关键调整：◈ 要炫酷HTML报告▲ “曹总的分身”先提出HTML报告的7个模块再由管理者确认和校准◈ 按签单、立项、收入、毛利、成本、收款六个维度来：▲ 少量补充关键经营口径后“曹总的分身”继续拉取数据并完善分析不是人把每一步拆好交给AI，而是AI先搭框架，人只在关键地方拍板。分身完成数据拉取、口径梳理、同比分析和图表生成，输出了一份完整的炫酷经营分析报告。从六大KPI看全局，再往下分析毛利、收入结构、产品签单与回款、成本归因，最后给出经营判断和下一步行动。▲ 由“曹总分身”生成的HTML经营分析报告从经营总览继续下钻到毛利问题▲ 报告最终形成问题归因、经营判断和下一步行动建议取数、整理、分析、制图这些活，分身先干完。曹总看口径对不对、分析到不到位，决定下一步怎么干。更重要的是，这几轮调教下来的分析逻辑和口径，分身都记住了。下次再做，不用从头交代。之前大林总要求每个事业部都用DataClaw来直接做经营分析报告。但实际上，只有曹总一个人用DataClaw做，并且汇报效果非常不错。在曹总汇报完，大林总就直接提了一个要求:“如果每个事业部都要重新搭一遍分析框架，这个方法很难复制。不如沉淀成Skill，大家拿来就用。”曹总便给分身下了一条指令：“把我这次做报告的模板和思路，生成一个Skill，让其他事业部也能用。”分身把分析结构、因果链、业务口径、查询方式和HTML呈现方式打包，生成了“事业部经营分析Skill”。▲ 一句指令，“曹总分身”将已跑通的方法生成可复用的经营分析SkillSkill经过审批后上架技能商店。其他事业部不用重新训练，直接添加就能用。▲ “事业部经营分析Skill”经过管理员审核并发布曹总的下一个总经理还没汇报完，N事业部就按照曹总共享的Skill，不到1分钟就能生成自己的经营分析报告。▲ N事业部不到一分钟生成自己的经营分析报告，确认数据正确一个人的经验，就这样变成了整个组织可以复用的能力。一个事业部总经理准备一次经营分析，需要两天。20个事业部就是40个人天，如果转化成跑客户，40人天可以转化为千万级的市场增量。这些时间真正的价值，不是省了多少报告成本，而是可以重新投入客户拜访、市场拓展和关键决策。管理者真正重要的工作，从来不是反复取数、对数和做报告，而是抓异常、抓机会、抓增长。DataClaw不只是让报告做得更快。它把管理者的经验沉淀下来，让优秀的管理方法在组织里被复制、被复用。总经理面对的不是没有报表，而是报表太多。真正需要及时知道的，往往是哪里出了异常、哪里出现了机会。传统报表按统一口径配置，可以告诉所有人同样的异常，但不同管理者关心的事情并不一样。要做到千人千面，开发成本高，还很难跟着管理要求随时变化。DataClaw换了一种方式：管理者直接告诉分身“我平时关心哪些异常”，它就能按个人责任范围和管理习惯，设置定时任务，主动检查并按时推送。曹总告诉分身：“关注无项目和缺勤人员、无合同在建项目、收入和毛利变化、重点项目风险，每天6点30推送。”到了设定时间，分身自动查询最新数据，把异常和建议整理好直接推送。▲ “曹总的分身”每天定时检查缺勤和无项目人员，并主动推送日常明细▲ 每日经营监控不只报数字还给出异常等级、跟进建议和当天行动清单每个管理者关心的事情不一样。谁关心什么，就告诉自己的分身，让它每天替自己盯着。管理者不用每天翻一堆报表，只需要看与自己有关的异常和待办。“曹总的分身”不是公司唯一的数字员工。DataClaw里已经有PMO、事业部总经理秘书、王牌销售员、公共销售小秘、数据小秘、资金与外汇风险分析员工、税务合规分析员工等不同岗位的数字员工。▲ 汉得DataClaw中已经上岗部分AI数字员工更多岗位员工正在陆续上线这些只是已经上岗的一部分。公司还在把更多岗位的知识、经验和工作方法教给数字员工，更多员工正在陆续上线。还有一种更快的复用方式——公共员工。管理员把某个岗位的数字员工训练好、发布为公共员工后，其他人不需要自己从头训练，也不需要一个个添加Skill，直接分配就能用。汉得DataClaw中已上线部分公共员工，开箱即用。个人分身，教的是你自己的工作方法；公共员工，复用的是组织沉淀下来的标准能力。两种方式并行，让重复工作有人接住，让优秀经验快速复制。汉得DataClaw，企业的数字员工中心——让管理者从报表和重复工作里解放出来，把精力放回客户、业务和增长；让一个人培育好的能力，变成整个组织可以复用的资产。总经理、销售参谋、数据小秘……都已培养上岗您的企业准备好让哪些数字员工上岗呢？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

08-05

汉得工业AI实战系列｜多晶硅还原雾化预警AI大模型PRAW AI Model工艺预警优化，提升产品良率！

汉得深耕制造领域近30年，积累了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，和基于企业级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。

08-06

汉得工业AI实战系列｜多晶硅还原雾化预警AI大模型PRAW AI Model工艺预警优化，提升产品良率！

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，积累了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，和基于企业级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”专题的第一篇：多晶硅还原雾化预警AI大模型（Polysilicon Reduction Atomization Warning AI Model，简称PRAW AI Model）帮助企业工艺异常预警，让问题提前进入处置闭环，进一步优化生成工艺，提升产品良率，节约能源消耗，增加企业碳资产。多晶硅怎样“长”出来的多晶硅还原雾化预警AI大模型多晶硅是光伏和半导体产业的重要基石。在光伏产业链中，多晶硅处在上游，向下连接硅片、电池片和组件，最终影响光伏产品的成本、效率和供应稳定性。在半导体产业中，高纯多晶硅也是硅基材料的重要来源，进一步支撑单晶硅片等关键材料制备。从硅砂到多晶硅硅棒，主要经过以下5个关键环节：先从硅砂中还原出工业硅，再通过氯化、精馏等工序得到高纯三氯氢硅，最后让三氯氢硅和氢气进入还原炉，在高温环境下完成硅的沉积和生长。▲ 多晶硅生产过程示意图还原炉是多晶硅硅棒“生长”过程的核心设备。还原反应是一段持续过程：硅芯像一根逐步长大的骨架，硅在高温反应中不断沉积到表面。这个过程周期长、影响深，炉内状态一旦偏离，最终都会反映到产出效率和硅料质量上。现场控制的关键，保持合适的反应状态：反应过于剧烈，炉内雾化更明显，影响产品质量；反应不足，沉积生长变慢，影响生产效率。质量和效率之间，需要动态平衡。难点在于，这一“合适状态”并不会由单一仪表直接呈现。以往的传统方式，现场工作人员只能通过还原炉窥视孔观察炉况，再结合工艺经验判断雾化程度。据统计在还原工序，92.5%的炉批需要人工调整。持续巡检、反复确认，本身消耗人力；注意力、疲劳和状态变化，也会带来判断波动。人由此成为生产稳定性里的不确定因素。▲ 还原炉雾化预警解决方案示意图围绕还原炉这一关键环节，我们与客户共同探索：基于历史炉况、操作记录和现场确认结果，结合深度学习模型，构建多晶硅还原雾化预警AI大模型（Polysilicon Reduction Atomization Warning AI Model，简称PRAW AI Model），让系统提前识别炉况偏离，并把预警、处置和经验回流纳入生产闭环，进一步优化生成工艺，提升产品良率，节约能源消耗，增加企业碳资产。实时监控持续在线的数字巡视员还原炉雾化预警首先要解决的，是关键炉况无法持续监控的问题。传统方式主要依赖人工巡检，通常按小时进行观察，并重点关注少量指标。PRAW AI模型基于过程数据的监测路径：通过DCS/IoT接入还原炉实时运行数据，再由MES按炉批下发监测指标，将关键数据送入监控池。在这个场景中，系统围绕22项关键参数进行持续监测，数据每10秒更新一次，支撑7x24小时不间断观察。把人工定时巡检升级为系统连续监测。提前预警更懂工艺的数字工艺工程师还原炉异常往往不是某个瞬间的高低值，而是连续运行过程中的趋势变化。系统要识别的，也不是单一参数是否越线，而是炉况是否开始偏离合理区间，偏离前是否存在征兆，调整后是否回到稳定状态。历史异常数据、现场PDA确认结果、雾化等级、DCS操作日志和处置结果会经过清洗，形成神经网络模型的训练集和评估集，帮助PRAW AI模型学习的是多变量连续变化与炉况异常之间的关联关系。在实时运行中，PRAW AI模型按设定周期生成风险评分，并发送至MES。MES结合评分规则判断是否触发预警，提前5-10分钟将异常趋势推送到现场，提前识别异常。流程闭环严谨专注的数据科学家工业AI进入工厂，不能止步于风险提示。在还原炉雾化预警场景中，预警既可以来自模型评分，也可以由现场PDA人工触发。MES收到异常炉况信息后，生成预警台账，并将预警推送至现场PDA。现场人员复核炉况后，中控人员根据情况调整炉内参数；调整完成后，现场再次确认雾化等级，记录处置效果，上传恢复后的炉况信息，并关闭预警。必要时，预警还可以关联DCS操作日志，将操作人员、操作时间和调整动作沉淀到系统中。这条链路将模型评分、MES台账、PDA确认、中控处置和结果关闭连接起来。只有进入业务流程，AI才能真正成为生产闭环的一部分。经验回流持续沉淀的数字工艺专家还原炉工艺复杂，现场经验至关重要。但如果经验只存在于个人判断中，就难以复用和传承。一次预警从出现到关闭，其间经历了什么、如何处置、效果如何，都应被完整记录。系统会将预警时间段内的数据、异常得分和现场确认结果打包进入异常数据库，并对异常类型进行结构化沉淀。后续，这些数据会再次经过清洗，形成新的模型训练集和评估集。新训练出的神经网络模型，还要通过模型评估模块验证，合格后再发布上线。这也是工业AI的核心价值：不是取代人的经验，而是把过去分散在巡检记录、班组沟通和工艺人员记忆中的经验，沉淀为组织可以持续使用、持续迭代的AI行业垂类模型的能力。从人工巡检单点预警到工业AI行业垂类模型PRAW AI大模型的价值，不在于增加一套独立系统，而在于把原本高度依赖人工巡检和个人经验的炉况判断，转化为人机协同的生产过程控制能力。对现场来说，模型负责持续观察过程变化，人员负责确认炉况并完成处置。这样既可以让异常趋势更早进入视野，也能降低高频巡检对人员注意力和经验状态的依赖，减少异常遗漏和响应滞后的风险。更重要的是，这类工业AI场景的构建需要平台工具和系统化AI能力支撑。还原炉雾化预警需要接入实时过程数据，需要承接MES预警台账和 PDA现场确认，也需要把异常数据、处置结果和模型评估持续回流。只有建立在统一数智化平台底座上，AI才能真正进入生产流程。依托「得·灵」企业级AI产品/服务体系，和基于企业级PaaS平台H-ZERO构建的智能制造HCMs协同平台，把数据接入、模型训练、预警推送、现场处置和经验回流串成完整闭环，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，积累沉淀企业运营的AI资产，构建AI时代的核心竞争力。PRAW AI大模型不仅是一个工艺预警场景，更是工业AI在制造现场落地的一种方法。从AI理解现场数据，到AI进入业务流程，最终让经验沉淀到平台中，将成为企业可以持续复用的制造行业垂类模型能力标准范式。携手汉得，共铸硬核竞争力！