热点新闻

HOT

汉得 x 圣阳股份｜FDE 助力 AI 融入业务流程，共建储能行业企业级 AI 智能应用平台！

汉得携手圣阳股份，共建企业级 AI 智能应用平台。10月9日，项目启动会顺利召开，同步完成第四期 AI 专题培训与首届 AI 应用大赛启动——标志着圣阳 AI 应用从试点探索，迈入规模化、场景化落地的新阶段。

查看详情

汉得 x 江苏阳光集团｜FDE专家驻场带教：AI数字员工入职江苏阳光集团，DataClaw+数据平台项目启动！

9月14日，江苏阳光集团与汉得正式召开 DataClaw 与数据平台项目启动会，首批 AI 数字员工在江苏阳光集团“办理入职”。汉得以 FDE 模式驻场，贴身带教数据治理与 AI 数字员工上岗。

查看详情

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

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

11-12

重磅升级｜汉得灵猿 AI 中台1.9版本焕新登场！

汉得灵猿 AI 中台1.9版本迎来升级！本次更新聚焦企业智能体落地痛点，数字员工工作台、个人与业务智能体、知识检索能力全面进化。

11-12

重磅升级｜汉得灵猿 AI 中台1.9版本焕新登场！

汉得灵猿 AI 中台1.9版本迎来升级！汉得灵猿 AI 中台致力于帮助企业快速落地 AI，提供多模型对接能力，内置对话应用、可自配置的多分类智能企业知识应用、提供智能体与 Agent 应用编排能力，帮助企业低门槛地应用 AI，提供向量管理与应用能力、私有模型训练与应用能力。本次更新聚焦企业智能体落地痛点，数字员工工作台、个人与业务智能体、知识检索能力全面进化。低门槛搭建、高可靠运行、强权限管控，让 AI 真正嵌入业务流程，助力组织快速落地智能化场景。一起来看看本次升级的主要亮点吧！汉得灵猿 AI 中台数字员工工作台焕新当前企业 AI 能力以零散 AI 工具形式存在，来回跳转、反复切换不仅操作繁琐，也拉高了员工的使用门槛。汉得 AI 中台1.9版本对数字员工工作台进行了全场景重构，将 AI 数字员工使用、任务管理、能力复用等整合到统一入口，常用功能汇聚一处，左侧菜单清晰直达，让你少找一步、少切一次，更快开始工作。会话打开就能聊，沟通更顺畅新版的工作台将新建会话和历史会话集中呈现，发起新需求、接着上次聊，都更顺手。待办和历史该做的、做过的，集中查看数字员工查找有入口，新建不绕路数字员工新建入口与查找员工结合，查找、选择、新建更加顺畅。能力中心所需能力，快速触达能力中心常驻左侧导航，需要时直接进入查找，少花时间找工具，更快开始处理工作。我的文档资料入口在手边，查阅更方便对话之外需要查阅文档？左侧菜单直接进入，资料查阅与日常交流衔接更自然。定时任务告别逐个查，任务集中管定时任务集中管理，把需要按时开展的工作提前安排好，方便随时查看任务计划、调整执行安排。汉得灵猿 AI 中台新增个人与业务智能体在企业 AI 落地过程中，常常陷入两难：一线员工需要灵活自主的能力扩展，而业务团队则要求标准化的执行口径与统一的能力沉淀。本次版本正式推出个人智能体与业务智能体，精准匹配个人效率提升与组织级业务落地两类核心场景，让 AI 既能灵活适配个性化探索需求，又能深度承接标准化业务流程，兼顾个体灵活性与组织统一性。个人智能体面向个人使用者打造，主打自主性与灵活性，是员工探索 AI、提升个人效率的核心载体。个人智能体支持智能规划模式，大模型自动解析用户需求，拆解为可执行的子任务；同时支持用户单独配置工具、Agent 、Skill 与 MCP，自主性更强。业务智能体面向业务、团队与部门打造，核心定位是固化业务能力、承接标准化流程、沉淀组织经验。业务智能体将成熟的业务处理方法、标准流程统一沉淀，由后台配置集中管控，确保业务执行标准一致、服务体验稳定。它承载的是组织验证过的业务能力，让优秀的工作方法可以被全员复用。汉得灵猿 AI 中台新增LLM Wiki与Agentic RAG企业积累了大量文档，面对复杂问题，找到相关资料只是第一步。该如何组织知识、补齐依据、核对出处呢？AI中台1.9版本引入LLM Wiki 与Agentic RAG，分别从知识整理与问答检索两端发力，彻底重构企业知识问答的精准度与体系化能力。LLM Wiki把分散资料整理成知识百科传统知识管理往往是 “文档堆积”，资料零散、关联断裂，使用者找到原文却难以快速建立完整认知。LLM Wiki 通过 AI 深度梳理全部资料，自动规划多级目录，并在知识页之间自动建立关联链接，形成一部结构清晰、可交叉跳转的企业知识百科。Agentic RAG根据问题持续寻找依据面对复杂问题，传统 RAG 仅做一次检索就生成答案，极易出现信息遗漏、理解片面的问题。Agentic RAG 由 Agent 主导整个查找过程：先分析需要哪些依据，再调度检索工具，从 Wiki 和原文中多路并行查找信息，并主动判断现有依据是否充分。如果信息仍有缺口，可以自动调整关键词、切换查找范围，或沿着 Wiki 链接继续延伸查找，直到信息完备，最终生成带有明确引用出处的答案。汉得灵猿 AI 中台新增智能体记忆在企业日常协作中，项目推进、业务处理往往跨越多天、多轮对话。如果智能体只能记住当前会话，都需要重新交代细节，既增加沟通成本，也影响工作衔接。新增的智能体记忆功能在原有短期会话记忆基础上，新增中期每日记忆与长期分层记忆，让数字员工接得住当前对话、找得到历史线索、用得上业务经验。短期记忆承接即时对话，支持连续追问与任务调整。例如完成报表分析后提出“再按月份拆开”，智能体即可结合前文接续处理，让本轮任务顺畅推进。中期记忆中期记忆以每日记忆的形式，自动提取值得留存的业务事实，支持检索同一应用内当前用户近30天的跨会话记忆。智能体可调取相关记忆，帮助用户接续工作，减少重复交代业务背景的沟通成本。长期记忆长期记忆面向更长周期的业务积累，分为用户记忆摘要、Agent 记忆摘要和数字员工记忆摘要，让业务经验有序沉淀、按需复用。用户记忆摘要：自动提炼持续交互中的关键信息，留存项目背景、工作习惯与偏好要求，帮助智能体在后续对话中延续理解，减少重复沟通。用户记忆在同一租户内归属个人，支持跨应用复用。编排记忆：为单个编排提供独立记忆空间，沉淀可复用的业务约定、处理逻辑与已验证经验。自动生成的记忆条目审核后生效，可供同一租户下使用该编排的用户共享，提升同类任务的处理效率。数字员工记忆：摘要围绕具体数字员工对应的应用，积累业务背景、团队协作约定与服务经验，支持单独查看和管理。自动提炼的共享记忆同样需审核后生效。汉得灵猿 AI 中台平台体验持续优化除核心模块外，AI 中台1.9版本围绕智能体执行、内容创作与知识管理持续优化，让业务能力更易复用、复杂任务处理更顺畅。智能体优化从直接对话办理业务，到在编排中推进复杂流程，智能体都需要把工具、资料与专业方法衔接起来。1.9 版本围绕智能体应用与编排中的 AutoAgent 节点，共同升级 Harness 智能执行引擎，在原有任务规划与工具调用基础上，扩展能力接入、专业技能、记忆和执行管理，让 AI 更好地承接日常工作与业务流程。智能体应用：在对话中衔接业务与内容创作，围绕采购、销售、风控等业务关键节点，筛选高价值应用场景，确保 AI 技术直击业务痛点AutoAgent节点：让专业能力融入业务编排，AutoAgent 在原有节点工具、子编排和 MCP 调用基础上，新增专业 Skill 与业务本体能力接入。本体工具使用节点选定的业务对象、动作与函数等资源范围，为查询业务信息、调用业务操作提供支撑，让智能体围绕配置好的业务能力推进流程。专业技能与沙箱工具协同：拓展任务处理方式，智能体按需加载技能说明，复用专业工作方法，并结合已启用的文件读写、脚本与命令执行等工具处理资料和文件。智能体应用结合应用配置与用户已启用的分配确定相关内置工具范围，AutoAgent 则支持节点级禁用配置，具体可用能力取决于配置与运行环境。调用前先校验，执行安排更有序：工具执行前，系统会按已声明的参数规则进行校验；发现参数不符合要求时，将错误反馈给模型重新规划，避免直接带着错误参数执行。执行时再按工具的并行能力组织批次，可并行的工具在同一批次处理，不可并行的工具独立执行，并补充工具超时处理与取消检查。长对话管理更细致，异常反馈更清晰：请求长度估算、历史压缩与工具结果裁剪等优化，并为指定工具保留完整结果。新增每日记忆与长期记忆接入，按各自的上下文、作用域和开关配置辅助理解任务；AutoAgent 还可在节点中配置记忆召回数量、匹配阈值及压缩触发阈值。对部分模型瞬时故障提供有限重试，达到规划轮次上限时生成停止说明，让任务进展与未完成情况更容易理解。新增多人协作对话：智能体应用支持多人协作对话。成员可以在同一会话中补充信息、参与讨论，AI 则结合现有任务上下文持续辅助处理。消息对应到具体发送者，创建者可以邀请或移除成员，受邀者也可退出协作。所有相关人员围绕同一项任务、同一套上下文共同推进，信息对齐更高效。执行过程展示优化：智能体执行过程支持分批折叠、按需展开，默认优先呈现任务主线与各步骤的核心结论，日常使用页面清爽直观，降低理解门槛。需要核验或排查问题时，用户可以进一步展开查看检索关键词、资料来源链接和原始执行日志，全链路信息完整可追溯，兼顾日常阅读体验与专业核验需求。内容创作中心优化◈ 新增“ AI 找文档”内容创作中心新增 AI 智能查找，融合语义理解与图像特征识别，支持以文搜文、以图搜文档及图文联合检索。看到一张参考图、一份截图素材，直接上传即可匹配内部相似文档与素材。用户还可以指定知识库范围、筛选检索类型，更快定位历史文档与参考素材。◈ 新增网页/原型类型适用于品牌介绍、产品宣传、活动专题、招聘落地等场景，无需代码基础，输入内容即可生成可在线浏览、自适应多端的精美网页。◈ 新增报告类型整合原始数据资料，自动组织结构化分析内容，智能搭配可视化图表与规范排版，并支持在线预览、多人分享及 PDF 导出。◈ 新增多图生成功能支持系列图片生成、缩略图切换、图片详情查看与单图下载，满足主题配图、系列展示等创作需求，提升内容生成的连贯性及效率。文档库&知识库优化◈ 文档权限独立配置文档权限支持对预览、问答和管理三类权限分别配置。每类权限均可独立设置继承或覆盖。系统提供全层级及同层级两种覆盖模式。用户可根据业务需求灵活控制权限的作用范围。◈ 父级权限继承管理文档和目录新增父级权限继承开关，并展示继承来源。导入文档时可按需选择是否继承父级权限，快捷方式则自动继承，满足不同添加方式下的授权需求。对继承权限进行修改后，可保留调整结果。重新启用继承时，系统会同步父级权限，方便文档或目录恢复到统一的权限管理规则。◈ 问答应用支持选择知识分类将分类结构引入问答场景，让知识内容的引用更加完善。面对不同业务领域、主题或用途的知识，用户可以结合分类查找和选择所需内容。汉得灵猿（大圣）AI 中台1.9版本的发布，是我们在深化智能应用、提升业务协作体验道路上的又一次迈进。每一项能力升级，都立足企业实际需求，致力于让 AI 更好地融入日常工作。未来，我们将持续倾听用户声音，深耕技术研发，不断拓展平台能力、优化服务体验，与广大用户携手探索企业智能化的更多可能。还有更多新版本的升级变更，请您点击查看：汉得焱牛开放平台往期文章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！汉得灵猿AI中台 | 上新Skill技能库与沙箱管理，构建安全可控的企业级AI能力资产！一键生成PPT，从此告别熬夜写稿！携手汉得，共铸硬核竞争力！

11-11

汉得 AI 中台入选 IDC 中国智能体平台领导者象限，让 AI 放手做，企业放心用！

近日，IDC 发布《IDC MarketScape: 中国智能体平台厂商评估，2026》，汉得灵猿 AI 中台凭借企业级 AI 智能体平台综合能力入选领导者象限。

11-11

汉得 AI 中台入选 IDC 中国智能体平台领导者象限，让 AI 放手做，企业放心用！

近日，IDC 发布《IDC MarketScape: 中国智能体平台厂商评估，2026》，汉得灵猿 AI 中台凭借企业级 AI 智能体平台综合能力入选领导者象限。企业业务有流程知识有权限创作有规范如何让智能体灵活协作的同时，遵守企业流程规范和权限边界，是企业级 AI 融入企业业务广为关注的问题。汉得灵猿 AI 中台如一间“企业智能体工作室”：业务智能体、个人智能体、安全自主 RAG、创作中心。四种能力各有分工，也能共同协作，让 AI 更好地融入企业业务运营管理日常。业务智能体看得见的业务流程导航图一项业务任务，往往不是一句“帮我处理”就能完成。❓ 需要查哪些资料❓ 什么条件下走哪条分支❓ 哪些动作需要确认这些环节，都需要事先想清楚。业务智能体是一张可视化业务流程导航图：将任务拆成节点，把业务规则、工具调用和流转关系连接起来，让团队看得见流程如何走，也能按需要调整和管理。把流程画清楚，不代表模型永远不会出错。通过明确规则、设置检查与人工确认，并结合运行记录持续调优，进一步提升业务执行的可控性与可靠性。个人智能体按需装配的随身工具箱业务智能体是团队共同遵循的流程图，个人智能体则是随身工具箱：面对个人任务，先理解目标，再按需要取用工具。根据需要加载适用的 Skill 和工具，结合任务进行规划与执行。例如，围绕一个研究主题整理资料、归纳要点，再形成可供修改的初稿；也可以协助准备会议材料或创作内容。使用者仍需核对资料与结论。熟悉 WorkBuddy 或 OpenClaw 的读者，可以把它理解为“给个人 AI 助手装上技能、工具和规则安全沙箱，让它围绕目标安全合规的开展工作”。个人智能体的灵活与业务智能体的流程约束协同工作，在提高个人工作效率的同时，提升业务的工作效率，让 AI 融入到个人和企业业务中。IDC 报告指出，汉得灵猿 AI 中台支持两类智能体双向调用，让动态分析、方案生成与预定义业务流程相结合，提质增效。安全自主RAG懂身份权限的安全门禁企业知识库不是一本对所有人敞开的书。同一份资料，谁能看、谁不能看，往往取决于用户身份、所在部门的角色权限。智能体使用知识，需要遵循权限合规边界。Security Agentic RAG 是懂身份权限的安全门禁：先依据角色、用户和部门等授权，将访问范围落实到文档；文档拆分后的知识切片继承相应权限。检索与引用在授权范围内进行，回答时也应支持追溯来源，让使用者能够回到相关资料核对。例如，员工询问一项制度时，智能体应从其获准访问的知识范围中寻找相关内容，而不是因为“能搜索”就跨越权限边界。权限配置、源数据同步和实际部署方式都会影响效果，重要结论仍应回看原文。创作中心有模板有工序的内容工坊从空白页面到一份可用的 PPT 或一张思维导图，真正费时的往往不只是写字，还包括组织结构、选择呈现方式、整理素材和反复修改。创作中心像一座内容工坊：围绕 PPT 、思维导图等形式，结合不同模板与创作流程，帮助使用者从素材出发，逐步完成结构梳理、内容生成和检查完善。模板多样，流程可控，既方便快速起步，也为后续调整留下空间。不同模型各有所长，适配不同模型，结合模板、任务拆解与质量检查，有助于提高输出质量和稳定性。但最终效果仍取决于模型能力、素材质量、任务复杂度和人工审核，不能保证任何模型在所有任务中都产出优秀结果。✅ 一张业务流程图，让业务步骤可设计✅ 一只按需装配的工具箱，让个人任务更灵活✅ 一道安全门禁，让检索与引用守住授权边界✅ 一座内容工坊，让创意更容易变成可交付的成果业务有章法，个人有助手知识有边界，创作有方法让 AI 放手做事，让企业放心使用未来，汉得将继续结合企业业务、技术平台与实施经验，推动汉得灵猿 AI 中台能力在实际场景中持续打磨，与企业一起探索更可用、可控、可持续的智能化工作方式。携手汉得，共铸硬核竞争力！

11-09

汉得工业 AI 实战系列｜负极石墨化质量预测与工艺优化模型（AGPO AI Model），让质量预判与送电优化协同！

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。

11-09

汉得工业 AI 实战系列｜负极石墨化质量预测与工艺优化模型（AGPO AI Model），让质量预判与送电优化协同！

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！

11-05

汉得 x 江苏阳光集团｜FDE专家驻场带教：AI数字员工入职江苏阳光集团，DataClaw+数据平台项目启动！

11-05

汉得 x 江苏阳光集团｜FDE专家驻场带教：AI数字员工入职江苏阳光集团，DataClaw+数据平台项目启动！

9月14日，江苏阳光集团与汉得正式召开 DataClaw 与数据平台项目启动会，首批 AI 数字员工在江苏阳光集团“办理入职”。汉得以 FDE 模式驻场，贴身带教数据治理与 AI 数字员工上岗：以生产域和财务域为首批岗位，用数据平台准备可信的工作依据，以 DataClaw 承载 AI 数字员工的创建、训练与运营，让 AI 融入到企业的运营管理流程中。企业要的 AI 数字员工不是“数字文员”个人助理类的 AI 助手，会查资料、写摘要、回答问题，解决的是个人效率；企业级 AI 数字员工进入企业岗位，要理解企业如何经营、数据如何定义、流程如何衔接、权限如何约束，并围绕结果持续工作。为了让 AI 数字员工懂业务，我们将“文理双修”作为入职准备：◈ 一方面学习制度、流程、规则和专家经验；◈ 另一方面连接企业数据、指标口径、主数据和质量标准。数据平台和 DataClaw 从业务知识与可信数据出发，把 AI 能力装进真实岗位的一条完整方法论和落地路径。项目首期将聚焦生产域与财务域打样，汉得 FDE 专家驻场。AI 数字员工面向管理层和业务部门，承担经营查询、例行报表、业务核验、异常巡检和事项跟进等日常经营管理任务。生产域：做好批次成本查询，让成本沿订单、工单、批次逐级可查；财务域：做好订单利润分析、合同履约核验和报告任务跟进，形成面向管理问题的应用成果。要让 AI 数字员工干得了这些活，数据得先治理好：统一业务术语、指标口径和数据关系，建好全业务域的数据资产目录与指标体系。试岗验证的标准不看 AI 能回答多少问题，而看数据能否对得上、业务能否讲得通、交付结果能否被岗位采用。汉得 x 江苏阳光集团首批 AI 数字员工入职江苏阳光集团深耕纺织服装产业四十载，形成了从“羊身上到人身上再到家里面”的完整产业链条，长期服务于国内外品牌客户与团体定制市场。四十年来，企业始终坚持精耕主业、实业报国，把制造能力与产品品质作为立身之本。面对制造业数字化与智能化持续深入，江苏阳光集团希望进一步统一企业数据语言，让生产经营信息更可信、管理判断更及时，并为 AI 数字员工进入实际岗位准备数据、规则与组织基础。管理牵引：数据与 AI 建设首先是一场管理升级江苏阳光集团董事长曹秀明先生在会上表示，本次合作是江苏阳光集团迈向智能化经营的重要一步。项目不能只由技术团队推动，各部门负责人需要带头参与业务梳理和数据治理，把项目建设过程转化为统一标准、厘清责任和提升管理能力的过程。“项目建设的过程也是业务梳理、数据治理、管理提升的过程”对于建设节奏，江苏阳光集团提出了清晰要求：先把生产域和财务域做深、做实，让首批 AI 数字员工在真实岗位中完成试岗，验证数据和 AI 能否解决实际问题，再逐步扩展到更多业务域。项目不追求一步到位，而是通过首期打样建立业务信心和可复制的方法。▲ 江苏阳光集团董事长曹秀明先生DATA x AI文理双修培养企业岗位专才汉得数智事业部总经理曹正炎先生表示，企业建设 AI ，不能只问模型会什么，而要回到经营和岗位。企业要的 AI 数字员工，不仅仅是数字文员，而是能够进入业务、承担职责的岗位专才：有的参与业务执行；有的推动运营协同；有的支持分析决策。无论属于哪一类，都要先把“人、岗、事、权”对应起来。在汉得企业 AI 数字员工体系中：SmartBrain 灵知：承担“文科学习”，让 AI 数字员工学习企业制度、业务流程、管理规则和专家经验；H-ONE 灵狐：承担“理科学习”，让 AI 数字员工理解企业数据、指标口径、主数据和数据质量；DataClaw 灵舟：作为企业 AI 数字员工中心，把知识与数据装进具体岗位，并统一组织任务、技能、权限与协作。本项目将以“一个数据底座 + 一个企业 AI 数字员工中心”推进，让数据基础与岗位能力同步建设。▲ 汉得数智事业部总经理曹正炎先生岗位专才：从通用 AI 到能上岗的企业AI数字员工AI 数字员工入职企业，也要像新员工一样完成四堂职课：定岗位、学业务、接数据、领权限。明确服务对象与交付标准，掌握企业术语与制度流程，连好数据、指标与业务系统，按岗位身份明确能看什么、能做什么、由谁确认。完成四堂课，AI 数字员工才具备进入真实场景试岗的基础。从岗位价值看，AI 数字员工可形成三类能力：✅ 业务执行型：连接 MES、WMS、MDM 等系统，让任务执行更准确；✅ 运营协同型：连接 ERP、SRM、CRM 等系统，让跨部门衔接更顺畅；✅ 分析决策型：连接 EPM、BI 和数据平台，让经营分析更清晰、管理判断更及时。本项目不会一次铺开全部类型，而是从生产、财务领域经双方确认的场景开始试岗，成熟一个、上岗一个。▲ 启动会现场业务负责带教技术保障入职让AI价值在岗位中发生项目将由双方高层共同牵引，业务、数字化和技术团队协同推进。业务团队：既是 AI 数字员工的使用者，也是带教者和验收人，负责定义岗位任务、讲清业务规则、确认数据口径并检验结果；数字化与技术团队：负责数据底座、系统连接、权限和运行保障；项目团队：通过阶段评审持续检查数据质量、试岗表现和建设边界。数据安全与权限控制将贯穿项目全过程。对于敏感数据，双方将按照确认的管理要求执行授权、脱敏和审计；涉及重要判断或高风险操作时，由有权人员确认。AI 数字员工只能在岗位授权范围内使用数据和执行任务，确保每一步有依据、可追溯、可管控。AI 数字员工越深入业务越不只是技术问题汉得将把长期积累的企业服务经验和业务 Know-how ，与江苏阳光集团的专属知识、数据口径和岗位方法结合起来，由业务人员持续带教、校验规则并验收结果。成熟能力将沉淀为可复用的岗位技能，让一个人教会的方法逐步成为全公司的组织能力。未来，汉得将与江苏阳光集团业务及数字化团队持续协同，在生产和财务领域走完“入职准备—业务带教—岗位试岗—正式上岗—持续成长”的闭环。先选择一个真实岗位验证价值，再逐步扩展到更多管理主题和业务岗位，让 AI 数字员工从承担一项具体工作，走向连接一条业务链。这次项目启动，不只是数据平台与 AI 工具的建设开始，更是江苏阳光集团培养企业岗位专才的起点。数据平台提供可信的工作依据，DataClaw 组织员工、任务、技能、权限与协作；业务团队负责带教和验收。三者共同作用，才能让 AI 数字员工安全入职、通过试岗、走向上岗，并在实际工作中持续成长。携手汉得，共铸硬核竞争力！

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。

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！

10-26