热点新闻

HOT

汉得 x 上市PCB数智化客户｜依托HiFins智慧财务套件，共启财务数智化管理新篇章！

近日，汉得与上市 PCB 数智化客户正式启动智慧财务数字档案管理项目。本次项目将基于汉得 HiFins 智慧财务套件，围绕电子凭证单套制归档、财务自动化提效、业财全链路追溯三大核心目标，为该企业构建合规、智能、可审计的数字会计档案体系。

查看详情

汉得 x 益海嘉里｜FDE 扎根粮油仓储现场，助力食品产业智能化升级！

汉得大客户数智化事业部助力益海嘉里，围绕粮油仓储现场生产入库业务需求，引入 AI 智能体能力，聚焦一线岗位实际操作流程，通过轻量化交互方式，让 AI 真正服务业务人员，探索食品行业智能化运营新模式。

查看详情

汉得首批DataClaw数字员工入职多家企业！

最近，汉得DataClaw AI数字员工陆续迎来新东家。

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

11-04

汉得灵舟DataClaw接入SAP系统，大幅提升需求交付效率！

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。

11-04

汉得灵舟DataClaw接入SAP系统，大幅提升需求交付效率！

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。

11-03

汉得 x 上市PCB数智化客户｜依托HiFins智慧财务套件，共启财务数智化管理新篇章！

11-03

汉得 x 上市PCB数智化客户｜依托HiFins智慧财务套件，共启财务数智化管理新篇章！

近日，汉得与上市 PCB 数智化客户正式启动智慧财务数字档案管理项目。本次项目将基于汉得 HiFins 智慧财务套件，围绕电子凭证单套制归档、财务自动化提效、业财全链路追溯三大核心目标，为该企业构建合规、智能、可审计的数字会计档案体系。监管法规趋紧管理成本上涨上市企业档案管理制约该企业作为国内领先的 AI 驱动的 PCB 数智化解决方案服务商，2022年于深圳证券交易所上市，是一家集 PCB 专用设备研发、生产与销售于一体的国家级高新技术企业。一家大型 PCB 制造企业，财务凭证生成后，各类原始单据仍分散在ERP、MES、SRM、CRM、银企直联等多个业务系统中，审计追溯需跨系统翻找，效率低且易遗漏。财务凭证生成后各类原始单据仍分散在多个业务系统中而作为上市企业，季度审计、年度审计、监管检查的频次远高于非上市企业。同时，近年来国家对电子会计档案的要求更是逐年细化——电子凭证合法入账、单套制归档、四性检测已成为上市企业必须落地的合规基线。因此，电子会计档案项目的建设，不仅是一次合规升级，更是企业财务数智化的关键一跃。锚定财务转型方向以财务共享夯实数字化底座电子会计档案建设，不是简单的“把纸扫成电子版”，更是对财务档案全生命周期的重构。本次项目将围绕“合规+提效+可控”三大核心，帮助企业将财务档案从“成本中心”变成“数据资产”：✅ 合规筑基：满足电子凭证单套制归档要求实现电子发票、电子回单、财政票据等电子凭证的合法入账与单套制归档，完全满足档案、财政及审计部门的合规检查要求。系统内置四性检测能力，从技术层面确保电子档案与纸质档案具有同等法律效力，帮助企业规避合规风险。✅ 提效降本：释放财务人力，压缩纸张成本自动归集凭证、账簿、发票及回单等资料，减少人工整理、打印与装订的繁琐工作。电子档案系统上线后，纸质档案册可减少约90%，财务档案整理工作量下降80%以上，纸张耗材成本同比减少约90%。每月从收单、整理、装订中释放出的财务人力，可以重新投入到成本分析、预算管控等高价值工作中。✅ 业财打通：全链路可追溯，支撑在线审计无缝对接 ERP 、 OA 、费控、SRM 、CRM 、银企直联等系统，确保财务数据在业务系统间自动同步流转。构建统一数据看板，覆盖从凭证产生、归集、归档到借阅、销毁的全流程，实现档案状态实时可视、可查、可追溯。为外部审计提供从报表到原始单据的在线追溯通道，审计人员无需跨系统翻找，大幅缩短审计周期。打破数据孤岛确保财务数据全链路可追溯会计档案全生命周期管理汉得财务数字档案室汉得基于近三十年财务信息化、数字化与智能化服务经验，依托自研的 H-ZERO 技术平台，推出财务数字档案室产品，帮助企业以数字化重构会计档案全生命周期管理，助力企业构建合规、智能、可追溯的数字档案体系，将会计档案从“沉睡档案”变成可复用、可追溯、可支撑决策的“价值资产”。全要素智能电子归档汉得按照费用报销域、薪酬核算域、资产核算域、总账报表及档案域、资金结算域、税金核算域、采购应付域、存货成本域、收入核算域等九大业务域，串联各业务域端到端的业务线索与财务数据链，实现全要素信息的自动关联、智能匹配、一键归档，形成完整合规的会计电子档案。档案管理更智能一键检索：智能归档后，可基于任意条件的信息检索，秒级定位档案；类纸质预览体验：模拟纸质预览模式，从凭证—单据—发票—附件的顺序阅读。档案查阅更安全依托财务-业务全链路数据贯通，支持业务链穿透式查询，实现从财务档案到业务源头的一键追溯。彻底告别传统查账“翻箱倒柜”的低效模式，大幅提升审计、查账、溯源效率，实现全流程可追溯、全链路可管控。档案归档更精简随着外部会计资料全面电子化，企业纸质资料已大幅减少至10%左右。汉得支持分类归档模式——少量纸质档案分类收单、装盒索引、线下精简保管；超过90%的电子资料自动规范化归集、结构化存储；实现线下不杂乱、线上可追溯、全域可管控。汉得作为国内领先的企业数字化产品及解决方案综合服务提供商，始终秉承以数智化技术赋能企业运营管理数智化升级的使命。未来，汉得也将继续与我们的客户深入合作，助力更多企业实现财务数字化转型，促进数字技术与财务业务场景的深度融合，赋能业务转型升级、高质量发展，为客户持续创新与价值创造保驾护航。携手汉得，共铸硬核竞争力！

11-02

22支队伍同台 PK｜汉得 AI 黑客松把好产品用起来！

10月17日，汉得 AI 黑客松决赛路演落下帷幕，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。

11-02

22支队伍同台 PK｜汉得 AI 黑客松把好产品用起来！

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！

10-30

汉得工业AI实战系列｜汉得灵图（H-DrawSight）：让AI读懂图纸，赋能研发业务提效！

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。

10-30

汉得工业AI实战系列｜汉得灵图（H-DrawSight）：让AI读懂图纸，赋能研发业务提效！

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。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！

10-29

汉得 x 益海嘉里｜FDE 扎根粮油仓储现场，助力食品产业智能化升级！

10-29

汉得 x 益海嘉里｜FDE 扎根粮油仓储现场，助力食品产业智能化升级！

聚焦行业高价值场景打通 AI 应用“最后一公里”随着人工智能技术快速发展，越来越多企业开始探索如何将 AI 能力转化为实际业务价值。但 AI 应用的真正落地，并不只是技术能力的建设，更关键的是能否深入业务现场，理解行业需求，将 AI 融入具体流程，解决真实问题。汉得企业级 AI 智能化升级方法论，以 FDE 工作模式为牵引，持续深入行业业务场景，将行业理解、业务流程与 AI 技术融合，推动 AI 从“技术能力”走向“业务应用”。此次汉得大客户数智化事业部助力益海嘉里，围绕粮油仓储现场生产入库业务需求，引入 AI 智能体能力，聚焦一线岗位实际操作流程，通过轻量化交互方式，让 AI 真正服务业务人员，探索食品行业智能化运营新模式。汉得 x 益海嘉里持续推动食品产业智能化升级益海嘉里金龙鱼食品集团股份有限公司是中国重要的农产品和食品加工企业，业务覆盖粮油加工、食品生产、仓储物流等多个领域。经过多年发展，益海嘉里已形成覆盖全国的生产布局和完善的产业体系，旗下拥有“金龙鱼” “欧丽薇兰” “胡姬花”等多个知名品牌，持续为消费者提供优质、安全、健康的食品产品。随着业务规模不断扩大，企业持续探索生产、仓储等核心运营环节的数字化升级，通过技术创新提升运营效率、强化业务协同能力。本次益海嘉里携手汉得，基于汉得企业级 AI 智能化升级方法论，以 FDE 工作模式为牵引，深入仓储业务现场，围绕真实作业流程和岗位需求，将 AI 能力转化为贴合业务场景的智能应用。AI 落地的关键在于理解真实业务现场在粮油仓储业务中，生产入库是连接生产与仓储管理的重要环节。传统模式下，该环节涉及大量人工记录和线下确认：◈ 生产入库需要人工登记◈ 班组交接依赖现场沟通◈ 异常情况需要人工记录和跟踪◈ 业务信息沉淀依赖人员经验随着业务复杂度不断提升，传统方式在效率、信息完整性和过程追溯方面逐渐面临挑战。企业真正需要的，并不是一个脱离业务的 AI 工具，而是能够理解现场流程、融入岗位工作的智能应用。这也是 FDE 关注的核心深入业务现场识别高价值场景设计可落地应用持续推动业务价值释放深入业务现场贴合岗位需求生产入库智能助手本次库存智能体项目并不追求“大而全”的 AI 能力建设，而是围绕一线人员高频使用场景，优先解决实际业务问题。通过 FDE 场景化交付方式，汉得深入益海嘉里仓储业务流程，结合生产入库实际需求，打造贴合岗位使用习惯的生产入库智能助手，围绕生产入库过程中的关键环节，智能体支持：✅ 留样信息登记✅ 班组换班交接记录✅ 生产异常提醒通过 AI 辅助现场人员完成信息记录和业务确认，实现生产入库过程线上化、作业记录自动化。当识别到生产入库相关异常时，智能体能够及时提醒，并形成异常信息留痕，为后续追踪和复盘提供支持。以企业微信为入口让 AI 融入日常生产流程AI 应用价值最终需要通过业务人员使用体现为了降低 AI 使用门槛，本项目将企业微信作为统一交互入口，让仓储人员无需学习新的复杂系统，即可通过熟悉的工作工具完成生产入库相关操作。业务模式由：人工记录→线下确认→信息留存，逐步转变为：人员操作→AI辅助处理→自动记录→异常提醒。通过轻量化交互方式，汉得帮助益海嘉里将 AI 能力嵌入生产入库流程，让智能真正进入业务现场。FDE 驱动 AI 落地让智能创造真实业务价值库存智能体项目的价值，不仅体现在 AI 功能建设，更体现在 AI 能力真正融入业务流程。通过汉得企业级 AI 智能化升级方法论，围绕行业场景和业务需求，推动 AI 从技术能力向业务价值转化：聚焦高价值场景围绕生产入库这一关键业务环节，解决实际作业过程中的效率和管理问题。提升现场作业效率减少重复记录和人工确认操作，帮助业务人员更加高效完成日常工作。强化过程管理能力业务操作、确认动作、异常信息实现统一记录，提升业务过程可追溯能力。沉淀行业应用经验通过真实业务实践，形成可复制的 AI 应用落地经验，为后续智能化升级提供基础。从行业场景出发打通 AI 应用最后一公里AI 的价值，不在于建设复杂能力，而在于解决真实业务问题。益海嘉里库存智能体项目，是汉得企业级 AI 智能化升级方法论探索行业 AI 落地的重要实践。通过深入业务现场、理解岗位需求、设计智能应用并持续优化，汉得帮助企业将 AI 能力转化为可使用、可推广、可持续运营的业务价值。未来，汉得将持续围绕行业高价值场景，探索 AI 技术与业务流程融合创新，打造更多可落地、可复制的智能化应用实践。让 AI 真正落地，让智造创造价值携手汉得，共铸硬核竞争力！

10-29

汉得DataClaw“硅基人”上岗记：（5）｜财务共享数字员工，七个岗位，七类角色，上岗即接活！

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。

10-29

汉得DataClaw“硅基人”上岗记：（5）｜财务共享数字员工，七个岗位，七类角色，上岗即接活！

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！

10-28

汉得 x 某小家电龙头企业｜FDE 深入制造业务场景，AI 赋能企业智能化升级！

汉得大客户数智化事业部携手某小家电龙头企业，围绕合同合规、供应商风险、项目资料审核、库存运营四大业务场景，将 AI 能力融入风险识别、智能审核、经营分析与业务协同，目前四大场景均已上线运行，推动制造企业智能化运营走向实际应用。

10-29

汉得 x 某小家电龙头企业｜FDE 深入制造业务场景，AI 赋能企业智能化升级！

从真实业务场景出发让 AI 应用走深走实随着人工智能技术加速发展，越来越多制造企业开始探索 AI 与核心业务的深度融合，推动智能化应用从技术探索走向实际经营管理。但在实际落地过程中，企业仍面临诸多挑战：💢风险管控难：供应商信息分散、合同审核复杂，风险识别依赖人工。💢业务审核难：项目资料涉及多个系统，规则校验繁琐，重复性工作量大。💢经营分析难：库存数据丰富，但风险识别、原因分析及后续处置效率仍有提升空间。如何让 AI 真正理解业务规则、融入管理流程，并将智能分析转化为实际业务价值？AI 应用的关键在于深入真实业务场景找到技术能力与业务需求结合点汉得企业级 AI 智能化升级方法论，以 FDE 工作模式为牵引，项目团队贴近业务一线，与法务、采购、项目管理、计划等岗位人员共同梳理业务规则，在真实流程中边设计、边验证、边迭代，推动 AI 从“技术能力”走向“业务应用”。此次，汉得大客户数智化事业部携手某小家电龙头企业，围绕合同合规、供应商风险、项目资料审核、库存运营四大业务场景，将 AI 能力融入风险识别、智能审核、经营分析与业务协同，目前四大场景均已上线运行，推动制造企业智能化运营走向实际应用。深入制造业务落地四大 AI 场景应用实践该企业经过多年数字化建设，在采购、法务、项目管理、生产及库存等领域已积累了丰富的业务数据。但数据分散、规则复杂、人工处理工作量大等问题，仍然影响企业的运营效率与管理水平。在 FDE 工作模式牵引下，汉得深入实际业务流程，围绕企业高频管理问题，结合现有系统与业务规则，打造贴合岗位需求的 AI 应用。从业务问题识别，到智能应用设计，再到业务流程融合，让 AI 真正服务企业日常经营管理。01 合同审核与风险识别从人工逐条核对，到智能识别合同合规风险合同审核是企业经营风险管理的重要关口。传统审核高度依赖人工，合同条款变更、关键信息遗漏、文本错误等问题，不仅增加法务工作量，也可能带来潜在合规风险。汉得 AI 解决方案三重智能校验○模板比对：自动对齐标准合同模板，识别关键条款变更。○必填检查：智能检查合同关键信息，发现字段缺失。○文本识别：自动检测错别字等基础问题，输出审核意见。AI 完成基础合规检查后，自动返回审核结论及问题说明，为业务修改和法务复核提供依据。业务价值：风险前置、标准统一、审核可追溯。通过 AI 承担重复性基础审核工作，将风险识别前移，让法务人员更加聚焦复杂条款与关键风险判断，推动合同管理从人工核验走向智能辅助审核。02 供应商准入与风险监控从人工分散查询，到供应商风险自动识别与评估供应商经营状况、信用水平及潜在法律风险，直接关系到制造企业供应链的稳定性。传统供应商评估需要人工跨渠道查询、整理与判断，存在信息碎片化、评估效率低、标准不统一等问题。汉得 AI 解决方案多源数据融合与智能风险研判○多源信息整合：自动获取工商、经营、司法等风险信息。○智能风险研判：结合统一评价规则，综合分析供应商风险。○报告自动生成：输出风险等级与评估报告，呈现关键风险依据。AI 能力嵌入合同管理流程，业务人员选择供应商后，即可获取风险评估结果，无需在多个系统之间反复切换。业务价值：风险识别前置、评价标准统一、合作决策有据可依。将风险识别从独立的人工调查环节融入日常业务流程，帮助企业建立更加及时、规范的供应商风险评估机制，为供应链稳定运营提供支撑。03 项目资料智能审核从人工逐项核对，到跨系统资料智能审核与风险前置制造企业在项目管理过程中，会产生大量项目归档文件，涉及人员、工时、时间节点及客户信息等多个维度。传统审核依赖人工逐项核验，不仅工作量大、效率低，也容易出现标准执行不一致、关键信息遗漏等问题。汉得 AI 解决方案自动化、智能化资料审核流程○资料自动获取：通过 RPA 自动获取 PLM 系统中的项目归档文件，触发智能审核流程。○多维规则校验：结合人员在职状态、工时、量产时间、客户名称等业务规则，自动识别异常信息。○智能分流审核：根据审核结果置信度，高置信度结果自动处理，低置信度事项转交人工复核。审核完成后，系统将结果回写至 PLM 业务流程，形成：资料获取 → 智能校验 → 分级审核 → 结果回写的完整业务流程。业务价值：审核提效、风险前置、人机协同。减少重复性人工核验，提升审核效率与标准化水平，让常规审核更加高效、异常问题及时处理。作为本次合作的先导场景，项目资料智能审核率先上线运行，在业务规则校验、跨系统流程衔接与智能审核方面经受实际业务检验，为后续多业务场景建设奠定实践基础。04 呆滞库存智能分析与督办从被动发现库存积压，到主动预警、分析与督办订单变化、生产计划调整等因素，容易造成制造企业物料积压、资金占用与库存风险。传统库存管理以报表统计和人工分析为主，往往能够发现问题，却难以及时判断风险程度、定位积压原因并推动处理。汉得 AI 解决方案构建库存风险管理闭环○风险识别：结合库存金额、增长趋势等维度，自动识别高风险呆滞物料，形成重点关注清单。○智能分析：关联 MES、APS 等业务数据，辅助分析库存积压原因，提出处理建议。○自动督办：匹配责任人员，下发督办任务，推动风险事项跟进处理。实现从：风险识别 → 原因分析 → 任务督办 → 处理反馈的业务管理闭环。业务价值：风险主动预警、原因精准分析、责任落实闭环。让库存管理从事后统计走向主动识别与精准管控，让 AI 不仅能够发现异常，还能辅助分析问题、推动业务处理，为降低库存积压风险、提升库存运营效率提供支持。从场景实践到管理升级让 AI 价值融入业务流程从合同审核、供应商风险管理，到项目资料核验和呆滞库存分析，四大场景面向不同业务领域，却共同体现了制造企业智能化管理的转变。风险管控更加主动：将 AI 融入合同审核与供应商风险评估等环节，推动风险识别从事后发现走向事前预警。业务审核更加高效：通过规则校验、信息提取与智能分析，减少重复性人工操作，让专业人员聚焦关键判断。经营分析更加精准：从库存风险识别到原因分析与任务督办，让业务数据不仅能够呈现问题，更能辅助推动问题解决。业务流程更加协同：将 AI 与企业现有业务系统相结合，推动智能分析结果进入业务处理流程，实现信息利用与业务协同。从人工处理到智能辅助从被动响应到主动管理AI 正在成为制造企业提质增效的重要助力从行业场景出发推动AI应用走向真实业务价值制造企业的智能化升级，需要的不只是新的技术工具，更需要贴合业务需求、能够融入实际流程的智能化解决方案。本次合作从项目资料智能审核的先导场景起步，在实际使用中持续调优，再将经验复用至供应商风险、合同合规和库存运营等核心业务领域，已上线运行的四大场景，展现了 AI 从单点场景探索走向多业务领域应用的实践路径。在这一过程中，汉得充分结合制造行业数字化实践经验，将业务规则、行业知识与 AI 技术相融合，推动智能应用与企业既有管理体系衔接。以真实业务问题定义应用场景以业务流程承接 AI 能力以实际管理价值检验应用成果这也是汉得企业级 AI 智能化升级方法论所坚持的方向：以 FDE 工作模式为牵引，发现业务问题 → 与业务共创方案 → 快速上线 → 持续优化，推动 AI 能力在企业实际业务中落地应用。未来，汉得将持续深耕制造行业高价值业务场景，探索 AI 技术与经营管理的融合创新，打造更多可落地、可复制的行业智能化解决方案。让 AI 深入业务让智能创造价值携手汉得，共铸硬核竞争力！

10-27

汉得信息2026年第三季度报告发布

经营稳健扩容、结构持续优化，AI业务收入单季1.7亿元，快速增长成为核心增长引擎。

10-27

汉得信息2026年第三季度报告发布

✨经营稳健扩容、结构持续优化，AI业务收入单季1.7亿元，快速增长成为核心增长引擎✨前三季度营业收入 25.87 亿元，同比增长 6.05%；毛利率 35.00%，同比提升 0.08 个百分点，整体盈利能力稳中有升；AI业务驱动下「产业数字化」「财务数字化」快速增长▶ 产业数字化（C2M）前三季度营业收入 9.61 亿元，同比增长 15.30%，业务占比提升至 37.14%；毛利率 42.96%，保持高水平▶ 财务数字化（GMC）前三季度营业收入 6.31 亿元，同比增长 9.30%，业务占比提升至 24.40%；毛利率 34.90%，稳定增长———⚡AI业务单季度突破 1.7 亿元，累计 3.9 亿元、同比增长超过85%，构筑穿越周期的核心成长引擎▶ AI智能化应用业务作为公司首要战略发展方向与核心增长引擎，在公司的战略投入驱动下持续加速商用化落地；Q3单季度收入 1.7 亿元，在Q2基础上保持快速增长；前三季度累计收入约 3.9 亿元、同比增长超过 85%，成为公司业务增长主要驱动力———🧩企业级AI智能化升级方法论与全栈产品体系💡「筑基+赋智」企业级AI智能化升级方法论筑基依托H-ZERO，完成业务数字化建设、沉淀企业资产、构建数字化镜像；赋智依托「得·灵」企业级AI体系，将AI深度融入经营全链路，打造智能化能力🚀「得·灵」体系三层架构全栈支撑应用层数字员工智能体、工具层「灵猿-大圣」AI中台、系统层AI基础设施平台，配套AI全周期实施方法论与算力运营服务，已在数百家企业业务场景落地迭代汉得 x 日出东方｜FDE 方法论场景共创汉得 x 西南大学柑桔研究所｜联合启动柑橘大模型建设汉得 x 中亿丰｜入选IDC中国企业级Agent最佳实践案例汉得 x 中鼎 x 矩阵｜一份全球化Token工厂建立模板的AI规划汉得 x 京新药业｜共建企业级 AI 智能体平台———🤖DataClaw灵舟 · 企业AI数字员工平台汉得首批DataClaw数字员工入职多家企业！汉得DataClaw数字员工+FDE践行DATA x AI落地实践汉得DataClaw 灵舟入选 IDC 中国 Data Agent 厂商评估！———🛠️工业AI行业垂类模型AI融入生产一线提质增效▶锂电电芯容量预测大模型（TBCP Model）▶多晶硅还原雾化预警AI大模型（PRAW AI Model）▶钢材智能自动组板大模型（ISP）▶工业AI行业垂类模型矩阵———@汉得信息🤝企业级AI智能化应用综合服务商基于「得·灵」AI体系，做AI时代智能化综合服务提供商，与客户携手构建AI时代核心竞争力！

10-26