热点新闻

HOT

汉得 x 中亿丰｜入选 IDC 中国企业级 Agent 最佳实践案例！

近日，国际数据公司（IDC）发布《中国企业级 Agent 最佳实践与案例精选（投资回报率视角）——从场景落地方法到业务价值-2026》研究报告。汉得与中亿丰基于 AI 中台，以智能体构建企业经营分析与风险预警中枢，成功入选本次最佳实践案例，汉得企业 AI 落地能力再获权威认可！

查看详情

获Snow Row Partner认证｜汉得DataClaw+Snowflake发布联合方案，以 AI 智能技术赋能敏捷企业！

9月8日，Snowflake World Tour 全球巡演首度重磅落地中国！汉得携自研产品 DataClaw 灵舟亮相本次大会，并正式发布汉得 DataClaw + Snowflake 企业级智能应用解决方案，助力企业打造 AI 数字员工军团，将 AI 智能技术深度扎根企业业务场景。

查看详情

汉得入选 IDC 中国工业 AI 及智能体市场图谱，让 AI 深入制造现场！

近日，IDC 发布《IDC Market Glance：中国工业 AI 及智能体，2Q26》，汉得入选企业级超级入口智能体、供应链智能体、工业 AI 服务类别核心代表厂商，同时入选行业 AI 的新能源、钢铁及有色等细分领域。

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

09-10

汉得入选 IDC 中国工业 AI 及智能体市场图谱，让 AI 深入制造现场！

09-10

汉得入选 IDC 中国工业 AI 及智能体市场图谱，让 AI 深入制造现场！

近日，IDC 发布《IDC Market Glance：中国工业 AI 及智能体，2Q26》，汉得入选企业级超级入口智能体、供应链智能体、工业 AI 服务类别核心代表厂商，同时入选行业 AI 的新能源、钢铁及有色等细分领域。这份市场概览主要呈现中国工业 AI 生态的核心厂商，为了解汉得的平台、场景与服务能力提供新的窗口。从还原炉工艺异常预警，到电芯容量预测、光伏切片良率优化，再到钢铁板材智能自动组板，汉得持续围绕制造企业的真实业务问题，推动工业数据、算法模型与生产流程相互连接，让智能化应用进入工艺、质量、设备和协同管理的具体环节。工业 AI 的应用价值，最终要在生产现场得到验证：能否更早发现异常、更准确识别质量风险，并帮助现场人员完成处置。IDC 在报告中指出，工业领域的行业与场景碎片化特征显著，未来工业 AI 的发展将更多依赖多模态模型协同。对于制造企业而言，不同问题需要不同的技术能力：工艺趋势与质量预测需要机器学习、深度学习等模型分析过程数据；组板等复杂组合问题需要结合工艺规则与运筹优化算法；知识检索、意图理解与任务协同，则可以结合大语言模型和智能体能力。把模型能力接入制造流程，是工业 AI 落地的关键一步。依托「得·灵」企业级 AI 产品和服务体系，以及基于 H-ZERO 构建的 HCMs 制造协同平台，汉得将企业级 AI 能力与制造业务相结合，为数据贯通、模型应用、流程协同和持续迭代提供支撑。三方面能力共同支撑落地：贯通制造数据将设备运行、工艺参数、物料批次、产品履历和质量结果关联起来，让模型能够识别数据对应的生产对象和业务背景。连接模型与业务将风险评分、预测结果和知识建议接入生产、质量、设备等业务流程，明确由谁确认、如何处理、何时关闭。推动经验持续回流将现场复核、处置动作和实际结果沉淀下来，为知识更新、模型评估和后续优化提供依据。还原炉雾化预警让异常更早进入处置流程多晶硅还原炉运行周期长，炉况判断依赖人工巡检和工艺经验。✅ 汉得与客户共同探索基于过程数据的雾化预警方案，结合历史炉况、操作记录和现场确认结果训练模型，将异常趋势送入 MES 预警流程。现场人员复核后完成调整，处置结果持续回流，形成监测、预警、人员处置与经验沉淀的闭环。电芯容量预测探索预测与验证协同的分容路径动力电池完整分容测试需要占用设备、时间和能源。✅ 汉得探索关联电芯制造数据与化成曲线，通过模型识别容量变化及偏低容风险。在数据可靠、模型稳定且经过验证的条件下，探索较短测试与预测结合的路径；风险电芯和置信度不足的样本保留完整检测，异常时回退。让质量判断前移，同时守住验证底线。光伏切片良率优化找到关键影响因素光伏切片良率受多种工艺和设备因素影响。✅ 汉得通过分析历史切割数据与工况参数，识别影响良率的关键变量，结合模型开展实时分析和异常预警，为工艺优化提供依据。把复杂的良率问题转化为可分析、可验证的生产问题。钢铁板材智能自动组板优化合同组合与材料利用钢铁厚板组板需要把不同合同的钢板需求安排到板坯轧制与切分方案中，同时满足钢种、尺寸、压下比、炉长和热处理等约束。✅ 汉得将工艺规则与运筹优化算法结合，进行合同分组、约束校验和候选方案比较，兼顾合同尾量与材料利用。结果返回 MES，经业务人员调整、确认后衔接生产命令生成。让组板经验转化为可计算、可执行的生产方案。工业 AI 要在现场发挥作用，需要理解每个行业的生产逻辑：哪些工艺条件不能突破，哪些数据能够反映问题，哪些判断需要现场确认，以及一个优化建议如何进入实际生产流程。长期的行业深耕与丰富的客户案例积累，是汉得构建工业 AI 应用的重要优势。在新能源、钢铁等制造行业的持续服务中，汉得积累了大量行业知识、业务经验和客户项目案例。从生产计划、制造执行，到质量追溯、设备管理与物流协同，这些实践让汉得深入理解制造企业的业务流程、系统关系和现场约束，也为识别有价值的 AI 应用场景提供依据。汉得的重点行业选择，始终围绕国家制造业发展的战略方向。随着制造业向高端化、智能化持续升级，汉得的客户群也从“新三样”向“新新三样”不断延伸，在半导体设备、光模块、大型无人机、机器人等领域持续积累客户案例与项目经验，逐步建立起新的行业优势。这一延伸，也让汉得的行业知识与解决方案不断丰富。通过深入新领域的制造现场，理解产品特点、工艺要求与生产组织方式，汉得将已有的制造数字化经验与新的行业需求相结合，为工业 AI 拓展有业务基础的应用场景。丰富的客户项目经验，也让汉得能够在不同企业的实践中识别共性问题，沉淀业务模型、数据标准与实施方法，同时结合客户的工艺、设备和管理特点进行适配。由此，AI 应用从需求识别、数据准备到系统集成和现场运行，都能获得更贴近业务的支撑。懂行业，才能找准问题；有实践，才能把方案落到现场。汉得将持续把行业积累转化为 AI 应用能力，帮助制造企业解决生产经营中的具体问题。工业 AI 的长期价值，需要通过持续运行来实现。原材料批次、工艺条件与设备状态不断变化，模型效果需要评估，知识需要更新，业务流程也需要随之完善。汉得将企业级 AI 平台能力、制造业务经验与实施服务相结合，围绕需求分析、场景设计、数据治理、系统集成和部署迭代，为制造企业提供持续支持。通过把项目中的数据标准、业务流程和应用经验沉淀下来，为后续场景拓展与跨产线、跨工厂复用创造条件。此次入选 IDC 中国工业 AI 及智能体市场图谱，是汉得持续深耕工业领域的一个新节点。未来，汉得将继续围绕工艺、质量、设备与制造协同中的具体问题，深化 AI 与工业场景的融合，让数据支撑判断、让流程承接行动、让经验持续积累，帮助制造企业把工业 AI 转化为日常生产中可持续使用的能力。携手汉得，共铸硬核竞争力！

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。

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

08-15

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。

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！

07-27

AI拆解20W行ERP老旧代码｜AI Harness 解耦大型制造业老旧 ERP 系统构建业务知识本体！

老旧系统解耦重构，也是是每一个 CIO 必须面对的问题。

07-27

AI拆解20W行ERP老旧代码｜AI Harness 解耦大型制造业老旧 ERP 系统构建业务知识本体！

系统跑了10年，核心逻辑写在400多个没人看得懂的 PL/SQL 包里，累计超过20万行老旧代码。当年的开发早走了，文档？不存在的。因为原厂不再提供后续支持，为支持业务的持续发展，公司决策：“今年必须解耦。”这是我们客户2026年开年时的真实处境。老旧系统解耦重构，也是是每一个 CIO 必须面对的问题。ERP 解耦有个公开的秘密：重构编码只占20%工作量，剩下80%是“搞懂老系统到底干了什么”。一个 ERP 标准包，资深顾问读明白需要2到3天。312个标准包，加上170多个客户化包，排着队干要两年。两年之后，业务需求早变了。我们客户给这个阶段起了个名字“代码考古”系统里沉淀着十年的业务逻辑：哪些逻辑是必须的，哪些是历史遗留，哪些是为了绕过某个已废弃的逻辑打的补丁。没人知道。400 多个 PL/SQL 包像一个个上了锁的黑箱子，排成一排，等你一个个撬开。2026年2月，项目启动。汉得与客户联合项目组做了个决定“让 AI 来干考古的活”市面上讲 AI 赋能 IT 项目的文章很多，但我们很快发现一个事实：AI 裸用就是个高级聊天框。同一个问题问两遍，给你两个不同的答案。在 ERP 系统解耦面前，这种不确定性是致命的——复杂调用链中一个逻辑编造，你根本不知道错的在哪里。所以项目没急着上 AI 写代码，而是搭了一套 AI Harness 工程框架，替代人工读包环节。具体干三件事：第一件，搭知识底座。所有 ERP 标准包逻辑代码从数据库自动导出、结构化解读，170多个客户化包按业务领域分类提取核心逻辑，19类业务对象定义从 ERP 表的 HTML 快照自动转成标准化文档。AI 要回答问题，先给提供充分的可读取信息来源。第二件，定规则。明令禁止 AI 编造表名、列名、JOIN 条件。所有 SQL 字段必须可溯源到业务对象定义文件。违规时 AI 必须停止并告知用户。所有解读出来业务逻辑链接到源代码包与代码行数，规则解决了一个真实痛点：AI 解读时编造字段，编造逻辑，在 ERP 这种庞然大物里，排查成本极高。第三件，编技能。13个 AI 技能，每个负责一个具体环节——有的读 PL/SQL 包，有的分析调用链路，有的写重构设计文档，有的评审文档质量，有的自动调接口做双端数据对比。将解耦重构设计中的 AI 协作方式方法，融合在日常工作流程中的技能使用中。这三件事合起来，叫 Harness一个让 AI 从“聊天工具”变成“项目基础设施”的工程框架有了共享知识底座，团队开始跑流程。先让 AI 自动解读400多个包。两年的人工工作量，压缩到两个月。顾问不用再读代码了，可以集中精力判断业务逻辑对不对，是否裁剪或保留。然后是194份设计文档的自动生成。每份文档包含 API 定义、参数映射、业务约束、测试用例。 AI 写完，自己评审。评审六维深潜，逐业务约束对比标准包源码与设计文档差异，找缺失校验、矛盾逻辑、不可达路径，携带改进建议由产品决策。通过 Skill 沉淀团队评审经验，一份 “投料单物料新增与修改”文档，三轮评审下来，累计发现39项设计缺陷。其中“变更物料时操作类型判定逻辑矛盾”这个问题，涉及三个参数的交叉组合逻辑，人工评审几乎不可能发现。传统项目里，设计文档质量靠“感觉还行”。在这个项目里，质量变成了数字——89%的异常场景校验拦截率，单份文档累计发现30个以上设计缺陷。团队通过 AI 自动化测试 skills，AI 自组织测试数据，自动调用 API 执行逻辑，等待 ERP 同步，然后查询解耦领域和 ERP 两边的数据库，逐字段对比差异。27条用例跑完，自动发现了11个 Bug。其中的典型：Bug-11：工单创建后 BOM 展开未执行。工单在工单中心是“已发放”状态，但 ERP 那边没有对应的物料需求明细。这种问题在传统测试中依赖人力投入的工作，通过 AI 自动执行并提供充分的过程工作证明支持研发测试定位并修正问题。最核心的转变是“确定性”——传统 ERP 解耦项目最大的风险是做完了但不知道对不对，代码是新的，业务逻辑对不对没人说得准。AI 自动化测试提供了一层确定性保障：通过 AI 组织数据执行新旧系统的代码逻辑并核对数据一致性，Bug 由自动化测试自动发现，非手工构造。设计阶段有评审拦截，测试阶段有双端对比， Bug 修复后有自动复测。质量在整个链条上可追溯、可度量。通过 AI Harness 工程提供了从设计、开发到自动化测试的全链条质量保障，可追溯、可度量，大幅提升解耦效率。设计文档生成、六维评审、API 测试、双端对比、Bug 登记、复测验证，六个环节形成完整质量闭环。几组数字值得记住：312个标准包解读从两年压到两个月194份设计文档从一年压缩到三个月单个文档39项设计缺陷在写代码之前就被发现和修复传统 ERP 是一座知识黑箱，核心业务逻辑深锁在 PL/SQL 包中，靠资深 IT 人员的私域认知。本次项目在推动系统解耦的同时，完成了一件更具远期价值的事——用本体的方法，把隐性的领域知识显性化，构筑起企业运营知识本体。在本体视角下，工单被明确定义为制造业的核心业务实体。围绕它，我们厘清了工单的类型、生命周期状态，以及它与工序、物料需求、资源等实体之间的关联与约束。过去，这些知识全部裹挟在 `WIP_JOB_DETAILS` 包3000行代码里，查询、创建、状态变更、发放、完工、反冲，一步一坑。现在，我们基于本体模型实施服务能力 API 化——不是简单地把表暴露成 REST 接口，而是按“业务能力”拆解和封装 API。以“工单创建”为例，这一能力背后聚合了 WIP_ENTITIES 等四张表、三道状态校验、两轮数据展开，最终被凝练成一个契约清晰的接口：`POST/v1/organizationId/discrete-jobs/createWorkOrders`，入参明确、返回清晰、错误码可枚举。整个项目共沉淀190个标准化 API，覆盖工单管理、基础设置与数据同步三大领域，每一个 API 就是一个独立、可调用的业务能力原子。这意味着，制造领域的专业知识不再锁在少数人脑里，而是存在于一个结构化、可检索、可引用的知识空间中——这正是一个可被人与机器共同消费的领域本体。新人两周可上手，AI 30分钟就能读透。我们把这种状态称为 “Agent Ready” 。未来，任何一个 AI Agent 要进入工单业务，再也不必去啃老旧的 PL/SQL 代码，也无需到处问人：打开知识空间，即可理解所有业务对象的定义与关系；浏览 API 清单，就能知道有哪些能力可供调用；查阅设计文档，便能掌握业务逻辑约束。这就是 Agent 化的基础准备——给它一个结构化的业务世界模型，和一套按能力组织的 API 工具箱。没有这两样，Agent 面对 ERP 就是盲人摸象；有了这两样，Agent 就能化身一位不经培训、永不离职的数字员工。太多 ERP 解耦项目只做到“把代码搬出来”，却忘了把搬出来的东西整理好。解耦像是拆房子，而 API 化与知识本体化，则是把拆下的砖瓦分类编号、画成图纸。不做这后一步，下一次改造依然要从“考古”重新开始。我们选择在当下就完成企业运营知识本体的构建，把业务的“活灵魂”从代码遗迹中解放出来，为 AI 时代的智能运营铺好认知基座。携手汉得，共铸硬核竞争力！

07-24

汉得自主产品出海：美加墨三国同步上线，汉得HR产品助力汽车零部件龙头客户全球化人力精益管理！

基于某汽车零部件制造企业北美多基地人力精益化管控需求，汉得于2026年3月，顺利完成美、加、墨三国考勤数字化项目全面上线。

07-24

汉得自主产品出海：美加墨三国同步上线，汉得HR产品助力汽车零部件龙头客户全球化人力精益管理！

基于某汽车零部件制造企业北美多基地人力精益化管控需求，汉得于2026年3月，顺利完成美、加、墨三国考勤数字化项目全面上线。M公司，是全球领先汽车外饰件、轻量化车身结构件供应商，入选全球汽车零部件百强。经过多年的发展已实现全球化布局，实现中国工厂+海外本地化工厂（枢纽+卫星工厂）的布局模式；工厂分布在中国、北美、欧洲、东南亚等国家及地区。配合企业经营战略，2024年汉得已帮助客户建成全球人事业务基础管理平台，实现全球人事基础数据和基础流程管理线上化运营及全球HR数据合规运营。此次项目上线，标志着企业完成全球人力精益化管理初步闭环。项目以汉得HR产品解决方案（布谷）+ SAP HCM，完成北美多厂区考勤全流程数字化升级。本次项目既是该头部公司海外人力精益化管理的关键里程碑，也是布谷HR产品出海落地的标志性项目，为国内制造型企业全球化人力数字化精细运营管理打造可参考标杆范本。▲ 平台架构总览：SAP HCM+布谷HR双核驱动，三国全域覆盖三语全域覆盖多系统互联互通项目覆盖美国、墨西哥及加拿大全部生产厂区全体在职员工，搭建中英西三语多端自助考勤平台，适配北美多国员工语言使用习惯。打通某品牌考勤机、某BPM流程平台、某跨国第三方服务公司、邮件、钉钉五大系统，实现全链路数据互通，彻底破除海外各基地数据孤岛。55项标准化功能落地深度匹配属地合规要求平台落地55项全场景考勤数字化功能，包含16项基础信息功能、12大类考勤审批流程、27套标准化分析报表，完整覆盖排班管理、打卡采集、请假出差、补卡加班、调休结余、考勤异常管控、跨国外派专项考勤等全部海外业务场景。系统深度适配美、加、墨三地差异化劳动法规、工时标准、加班津贴、节假日计薪规则，将各国属地管理要求固化为系统标准核算逻辑，从源头满足海外用工合规管控需求。▲ 55项标准化功能分布跨时区跨国攻坚四阶段稳步完成全流程交付项目落地面临多重挑战：美加墨跨12小时时差、多国跨文化管理差异、墨西哥厂区组织拆分、国内春节工期叠加等多重阻力，项目团队分四大阶段有序推进，保质保量完成交付。阶段一业务调研与数据合规治理夯实项目底层基础团队完成三地全业务现状摸排与方案定制；针对墨西哥厂区组织拆分产生的300+冗余岗位、2000+人员异动、900+汇报链路调整、500+条历史错误数据完成全量梳理整改。同步完成所有员工人脸生物信息合规签约与某品牌考勤机设备全域部署，有效规避海外生物信息采集合规风险，最终完成三地统一业务方案签字定稿。阶段二系统开发配置 + 分层培训持续精简审批链路完成系统配置、多系统接口开发，落地三轮分层本地化培训，累计开展50余场培训，覆盖墨西哥、美国、国内三地；持续优化审批流程：出差审批平均周期大幅缩短；开展多轮闭环UAT测试，保障系统稳定可靠。阶段三试点试运行 + 全域正式上线双线运维保障月结稳定3月16日北美全区域统一正式上线；上线后连续10周采用远程+现场双线支撑模式，保障三地每周考勤月结平稳落地。系统上线至今，累计发起各类考勤流程2万+条，全业务链路平稳无故障。阶段四建立需求全生命周期台账常态化迭代优化搭建完整问题与需求管理台账，上线后持续跟进业务优化诉求，持续匹配企业海外业务动态变化。北美基地运营与人效双提升合规管控与降本增效双向突破✅ 统一属地考勤标准，筑牢全球化用工风控底座项目统一美墨加三地零散考勤制度，标准化固化夜班津贴、缺勤扣分、年假结转、外派薪酬、节假日计薪等核心规则，彻底解决多厂区政策不一、核算口径混乱的历史痛点。落地属地专属规则：加拿大考勤由半月薪切换为周薪、美国全厂区统一夜班补贴标准、墨西哥特色工时制度系统固化，从源头规避海外用工合规处罚。全域落地人脸打卡，识别准确率超99%，从技术层面杜绝代打卡，海外用工合规管控能力显著升级。✅ HR事务大幅减负，全链路数字化降本提效数字化流程替代线下手工台账，HRBP工时统计、薪资核对、数据整理工作量大幅精简：薪资校验每周节约4小时、工时分析每周节约6小时。考勤数据自动同步某跨国第三方服务公司薪资系统，省去人工格式转换、跨系统线下对账；管理者一站式工作台支持批量排班、考勤异常批量确认，工时处理效率大幅提升。✅ 多维度工时数据可视化，支撑集团全球经营决策平台配套27套标准化工时分析报表，支持按工厂、工段、班次、人员多维度拆解出勤、加班、缺勤数据，实现工时数据实时可视。总部可一键穿透查看北美各基地人力成本、用工效率数据，为海外产能调配、人力编制优化、生产成本精细化管控提供量化依据，支撑企业全球一体化精细化运营。✅ 员工自助服务普及，一线使用体验显著升级员工移动端自助使用率超60%，员工可随时自主查询考勤、剩余假期，线上发起各类假勤、出差申请；HR月度线下咨询量减少50余条，员工整体体验提升80%，真正实现“数据多跑路，员工少跑腿”。▲ 核心价值指标一览赋能企业长期全球数字化布局搭建统一海外人力数据底座，打通业人一体化数据流在企业前期已建成的欧洲、东南亚、中国区域HR基础平台之上，本次北美考勤、工时、薪酬源头数据的统一接入，标志着全球化基础运营平台在主要区域实现全域覆盖，彻底打破各海外基地信息孤岛，支撑企业“全球一盘棋”人力资源管控模式。为后续海外绩效搭建、劳动力智能规划、人力成本BI分析、AI智能排班等数字化延伸项目筑牢统一数据根基。沉淀可复用海外实施范式，降低全球数字化拓展成本结合企业前期在欧洲、东南亚已积累的平台建设经验，本次美墨加三地同步落地，进一步沉淀适配欧美劳动法规、跨文化多基地并行上线的标准化HR实施方法论。后续企业在其他海外新基地拓展时，可直接复用成熟落地方案，缩短新项目交付周期、削减海外数字化投入成本。推动海外HR职能转型，从事务执行转向战略支撑数字化替代手工考勤、台账整理等重复性事务工作，释放海外HR大量精力，使其聚焦人才保留、用工结构优化、产能人力配套等战略性工作，持续提升海外组织整体人效。布谷HR产品全球化里程碑海外交付能力完成实战验证◈ 出海实战落地，跨国产品适配能力得到检验本项目是布谷HR产品走出国内、落地北美海外市场的标杆项目，系统完整适配美墨加差异化劳动法、薪酬核算规则、多语言交互与属地管理习惯，充分验证产品跨国法规适配、多系统深度集成、复杂海外考勤场景全流程交付能力。◈ 补齐海外场景能力短板，完善全球化产品架构依托本项目沉淀欧美考勤、外派人员管理、周薪核算、生物信息合规等本地化专属功能模块，补齐产品海外场景能力短板，持续完善布谷HR全球化产品整体架构。◈ 打造汽车零部件行业出海标杆，拓宽全球化业务赛道该项目作为整车零部件制造行业海外人力数字化标杆案例，为布谷HR面向出海制造企业拓展海外数字化项目积累成熟实践经验与行业样板，打开全球化业务全新发展空间。上线不是终点，而是数智赋能全球人力精细化管理的全新起点。未来，汉得将持续深耕海外人力数字化建设，探索更多智能化人力应用，以统一数字化底座支撑企业全球化长效高质量发展。携手汉得，共铸硬核竞争力！

07-16

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！

近期，国内光纤激光龙头企业——武汉锐科光纤激光技术股份有限公司携手汉得，联合打造的锐科AI智能体平台正式全面上线。

07-16

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！

当前企业AI数字化转型已迈入全新发展阶段，行业竞争重心从概念落地转向落地交付实效、业务价值兑现、规模化复制推广三大核心维度。行业实践证明，能够真正为业务创造增益的AI解决方案，不在于前沿概念包装，而在于可稳定投产、风险可控、知识资产可沉淀复用的落地成果。近期，国内光纤激光龙头企业——武汉锐科光纤激光技术股份有限公司携手汉得，联合打造的锐科AI智能体平台正式全面上线。平台打造覆盖智能问答、业务办公、研发生产、商务交易、数据BI五大核心场景的13类AI智能体并投入常态化运营，推动人工智能深度嵌入企业核心业务链路，充分释放高端激光制造行业数智化转型价值。行业先锋智领未来汉得 x 锐科激光武汉锐科光纤激光技术股份有限公司（股票代码300747，以下简称“锐科激光”），是国内光纤激光器头部制造企业，亦是国内首家主营激光器业务的A股上市企业。公司深耕光纤激光器、核心器件及配套材料的研发、生产与全域销售，旗下产品广泛应用于激光加工制造、3D打印、医疗医美、科学研究等多元赛道。数字化转型浪潮下，高端装备制造行业加速拥抱人工智能技术。锐科激光主动布局AI数智化建设，依托AI打通内部数据壁垒、重塑全流程业务运转模式、激活技术研发创新动能。本次携手汉得搭建专属AI智能体平台，正是看中汉得在企业级AI落地领域完备的实施方法论，以及经过大量项目验证的标准化工程交付实力。数智赋能智能体矩阵+智能问数双核驱动锐科AI智能体平台聚焦商务办公与运营管理、激光器研产销全链路、商务风险管控三大核心业务板块，依托智能体矩阵、智能问数两大核心能力协同赋能，搭建起“技术落地-业务提效-价值产出”完整业务闭环，让智能化能力渗透企业经营全流程。即刻智能体矩阵：业务流程主动提效咨询将AI能力深度融合售前咨询、研发选型、生产解密、发货物流等全业务链条，由专属智能体承接各类场景化自动化工作，实现业务风险前置识别与管控，大幅压缩线下人工操作工作量，全面提升整体运营效率。智能问数：数据价值深度释放打通SAP、SRM、MES、CRM等多套内部业务系统数据，搭建统一企业数据资产池。员工通过自然语言交互即可实时生成可视化数据图表、专项分析报告，充分盘活沉淀数据资产，挖掘数据内在业务价值。商务办公与运营管理产品咨询助手面向存量客户与潜在意向客户部署，同步落地于锐科激光官方网站、微信公众号、激光智联小程序三大对外服务渠道，区分销售拓客引流、专业设备运维两类服务模式。实现7×24小时不间断承接产品咨询、售后故障答疑需求，兼具虚拟销售顾问、智能运维客服双重服务职能。智能问答助手基于RAG检索增强生成架构搭建企业专属内部知识库中枢，整合产品资料、行政管理制度、质量管控体系、EHS安全规范、网络安全条例等13大类核心知识内容。支持多轮深度语义交互、三级分层权限管控，可灵活切换个人、部门专属文档库，保障输出内容精准、时效合规、全程可追溯。报告生成助手针对性解决企业各类报告撰写耗时长、效率低的痛点，输入报告标题即可自动生成多级内容框架并完成全文扩写，支持资料来源标注、多轮迭代优化；同时配备外网检索模式，可脱离内部知识库调用外部大模型独立完成内容创作。智能会议助手覆盖会议全流程智能化闭环管理：会前创建会议日程、一键推送参会通知；会议过程实时录音转文字，自动梳理会议纪要并拆解待办事项；会后定向推送待办任务跟进提醒，全方位简化会议组织流程。智能假勤助手依托AI对话交互实现员工假勤自助管理，员工可通过对话查询考勤规则、剩余假期额度，以自然语言直接发起请假审批。AI自动识别请假时间、假期类型、申请事由，智能校验所需附件是否合规，同步推送假期到期提醒，规范企业假勤管理流程。激光器研产销全链路工艺工程报告助手面向工艺设计人员打造专业工具，依托企业内部技术知识库自动生成标准化工艺技术文件，打通技术文档归档、专业报告输出自动化链路。产品分析助手融合自然语言处理、智能语义检索技术搭建企业产品检索引擎，支持精准匹配、模糊相似推荐两种检索模式。研发人员输入光学参数、尺寸约束、应用场景等信息，系统自动匹配对应标准激光器型号，或通过相似度算法推荐适配替代产品，解决研发选型阶段查找产品耗时长、匹配难度大的痛点。激光器解密助手覆盖发货解密、到期续期解密、超期申请、试用设备解密等全场景解密管理，由平台自主完成解密流程，操作结果通过企业微信同步推送对应业务人员。单名销售助理日均减少线下操作时长超0.5小时，有效规避重复操作、解密记录丢失等问题。商务与风控物流发运助手支持对接SAP系统自动拉取信息、人工手动录入两种交互方式，自动识别货物重量、起运地、收货地址等核心参数，结合各物流供应商报价自动测算成本最优运输方案，有效压降企业物流支出。销售发货助手借助AI信息检索与智能校验能力，自动核查订单发货前置条件；满足发货标准则自动推送发货通知至商务中心，未达标订单清晰标注阻滞原因，减少跨部门信息传递偏差，加快订单处理速度。客户/供应商风险画像助手整合天眼查公开工商信息、内部业务系统数据、一线业务人员上报经营异常信息，分别搭建客户、供应商标准化风险档案。定期向采购人员推送供应商风险评估报告，为商务合作决策、内部风险审计提供支撑，筑牢企业业务风控屏障。智能问数助手以自然语言对话形式完成数据查询、可视化图表生成、业务数据解读，覆盖销售收入、采购付款、销售回款等多维度数据体系，配套分级权限管控机制，在保障数据安全的前提下释放数据资产价值。联网大模型平台内置Qwen3.7-MAX、Deepseek-V4-pro、通义法睿、qwen-math-plus等多款主流外部大模型，可根据不同业务场景一键切换模型；联动外网实时资讯检索，弥补内网知识库信息滞后短板，同时严格隔离内外网数据，打造安全可控的企业外部信息获取枢纽。全触点触达客户随时随地享受智能服务为优化内外用户使用体验，锐科AI智能体平台搭建多渠道统一接入体系。外部客户可通过“锐科激光”微信公众号底部菜单栏、激光智联小程序首页锐宝悬浮球、锐科激光官网主页AI助手悬浮入口，随时获取产品咨询、智能选型、设备售后指导等一站式线上服务。AI数字化平台并非一次性建设项目，而是企业长期可持续迭代的核心数字能力底座。汉得始终坚持以客户业务需求为核心，围绕三大核心标准交付落地服务，为合作企业创造稳定、可量化的数字化价值：✅ 交付有体系：依托成熟落地方法论与标准化工程实施能力，保障平台稳定上线、持续平稳运行；✅ 价值可度量：以完整业务闭环、量化指标体系为导向，让流程提效、风险管控、服务体验提升成果清晰可见；✅ 能力可复制：依托标准化平台底座与企业知识资产沉淀，助力智能化能力从局部试点向全公司规模化推广。本次锐科激光携手汉得联合打造的锐科AI智能体平台成功落地，成功搭建起覆盖五大核心业务场景的完整AI应用矩阵，为锐科激光数字化、智能化转型夯实核心基础。平台后续将持续优化后台集中管理功能，并根据行业前沿技术完成外网大模型迭代升级，依托现有落地成果持续打磨适配激光制造行业的AI智能化应用体系，助力企业持续深化数智化建设。携手汉得，共铸硬核竞争力！

07-16

汉得 AI + H-ZERO 重构大型制造业36套老旧业务系统，开发提效40%，人天砍半、年省14.4万元基础设施成本！

近期，汉得大客户数字化事业部群携手日本制造型企业，启动原技术平台向汉得 H-ZERO 平台的整体迁移工程。

07-16

汉得 AI + H-ZERO 重构大型制造业36套老旧业务系统，开发提效40%，人天砍半、年省14.4万元基础设施成本！

历经数十年数字化建设沉淀，坐拥数百套业务应用系统的大型制造企业，其分散的老旧系统、厚重的技术债务、跨技术栈的全链路改造、纯人工模式的效率瓶颈……数字化进入深水区，存量技术栈业务系统的代际迁移，正成为大型企业绕不开的刚性命题。当传统迁移模式陷入“周期长、成本高、人才依赖重”的三重困境，一条以 AI 为核心引擎的新路径，正在项目一线被验证。近期，汉得大客户数字化事业部群携手日本制造型企业，启动原技术平台向汉得 H-ZERO 平台的整体迁移工程。项目以 AI 自动化转换为核心手段，覆盖36套内部业务系统，通过技术栈统一、基础设施整合与交付模式创新，探索出一条可复制、可规模化的存量系统升级之路。36套系统迁移命题与传统路径困境日本制造型企业原技术平台（智能制造通用平台）作为其在华信息系统的重要技术底座，承载着体系内数十套内部业务应用，覆盖不动产租赁、物流管理、生产计划、人事财务连携等多元场景。随着技术生态演进与运维成本压力，将分散构建于原技术平台框架上的系统统一迁移至 H-ZERO 企业级 PaaS 平台，成为企业数字化架构升级的关键一步。传统迁移模式下，项目面临三重挑战：💢体量庞大共计36套系统待迁移，业务逻辑复杂、技术债务积累深，原始评估人天、交付周期与成本压力显著；💢技术栈差异从原技术平台 jsp/servlet 向 Spring Cloud 的云原生技术栈转换，涉及数据库适配、权限体系重构、前端页面重写等全链路改造；💢效率瓶颈纯人工迁移模式下，代码改写、测试验证、联调排错等环节高度依赖人力，试错成本高，难以在短周期内完成规模化交付。在此背景下，项目团队选择以 AI 为核心驱动力，依托汉得 H-ZERO 平台的标准化技术底座，探索“AI 自动化转换 + 人工精准补位”的新型交付范式。AI 迁移方法论：从大到小逐步收敛的工程化路径本次迁移并非简单的代码翻译，而是形成了一套完整的 AI 辅助迁移工程方法论，实现从系统识别、架构适配、代码迁移到测试验证的全流程能力覆盖。四步式 AI 处理流程项目采用“从大到小，逐步收敛”的处理策略，确保迁移质量与效率的平衡：整体清理与基础验证先完成项目级结构识别与基础功能单元测试，搭建可运行的技术骨架；分角色功能迁移按业务模块逐一完成功能代码迁移与单元测试，确保每个业务单元可独立验证；人工功能测试补全由业务与测试顾问介入端到端验证，针对 AI 转换盲区进行功能补全；异常场景优化迭代针对异常分支与边界场景，由人工提供解决方案并反向沉淀为 AI 经验。模型能力的实证差异在实践过程中，团队验证了一个关键结论：大模型能力层级对迁移效率与质量具有决定性影响。初期使用 Flash 级模型进行单功能转换，单模块耗时约6小时且效果不理想，得分68.82；切换至 Pro 级模型后，同等复杂度功能实现一次生成且质量显著提升，得分70.92。分数差距看似不大，但在一次生成通过率、问题收敛效率、代码规范度等工程化指标上差异显著。这一发现为后续规模化迁移的算力配置提供实证依据。提效实证数据背后的生产力跃迁方法论是否成立，最终由项目数据说话。以先期完成的租赁系统迁移为例，AI 驱动模式的提效效应已得到充分验证。租赁系统迁移对比：💢传统开发模式（2020-2025年）：分两期建设，累计投入约360人天完成开发与优化；✅ AI 迁移模式（2025.12-2026.01）：仅投入160人天即完成全部代码迁移与功能验证，整体效率提升超55%。基于单系统验证成果，项目组对36套系统的整体迁移进行了提效测算：除开发成本外，基础设施层面的整合也带来持续收益。仅 Step1 阶段即可完成 Asteria 服务器、Oracle 数据库、Docker 节点、堡垒机等6类资源的整合下线，年节约基础设施成本超14.4万元。随着后续阶段推进，服务器资源整合效应将进一步释放。能力沉淀：从项目交付到可复用的迁移生产力本次项目的价值远不止于36套系统的迁移完成，更在于沉淀了一套可规模化复制的 AI 系统迁移能力。可复用的迁移 Skill 体系项目过程中已沉淀出面向同类系统转换的完整 Skill 能力，覆盖系统结构识别、配置文件生成、代码批量迁移、功能自动补全、测试用例生成等关键环节。这意味着未来面对类似技术栈迁移需求时，无需从零开始，可直接基于已有能力快速启动。AI与人工的最佳协作边界实践清晰地定义了人机协作的分工边界：AI 擅长：框架搭建、结构化代码迁移、配置文件生成、单元测试编写等规则明确、工作量大的重复性工作；人工价值：业务逻辑验证、异常场景处理、架构方案纠偏、平台融合收口等需要经验与判断的创造性工作。这种“AI 做主体、人工做收口”的模式，既释放了 AI 的规模化生产力，又保障了企业级系统的交付质量与业务准确性。H-ZERO生态的长期价值迁移完成后，所有系统将统一运行于汉得 H-ZERO 企业级 PaaS 平台之上，带来三重长期收益：✅ 运维统一：统一的服务治理、权限体系与监控平台，降低整体运维成本与技术门槛；✅ 低代码赋能：依托 H-ZERO 的低代码能力，业务人员可直接参与轻量需求开发，响应速度大幅提升；✅ 资产可复用：通用组件与业务服务可跨系统共享，避免重复建设，支撑后续业务快速创新。当行业还在讨论 AI 能不能写代码的时候，汉得大客户数字化事业部群与日本大型制造业客户的这场实践已经把 AI 推向了企业级系统规模化迁移的主战场。这不是一次单点的技术实验，而是一场关于交付模式的范式迁移——从“人月神话”的线性投入，走向“AI 能力沉淀 + 规模化复用”的非线性增长。当迁移能力被产品化、Skill 化，存量系统升级的成本曲线将被彻底改写。对于拥有大量历史系统的企业而言，这意味着技术栈升级不再是动辄数年、耗资千万的沉重负担，而可以成为一条可控、可预期、可持续的演进路径。汉得H-ZERO 平台与 AI 迁移能力的结合，正在为企业数字化深水区的存量改造提供一个全新的答案。后续项目团队将持续推进各阶段迁移落地，并同步完善 AI 迁移方法论与工具链。我们相信，随着模型能力的持续进化与工程经验的不断沉淀，AI 驱动的系统重构将成为企业数字化基建升级的标配能力。本文基于日本制造型企业原技术平台迁移项目阶段性成果整理，更多技术细节与实践经验将持续分享，欢迎企业 IT 架构、数字化转型领域同行交流探讨。想了解AI具体如何生成代码？请持续关注我们下期为您拆解Prompt工程与代码审查细节您的企业是否也在面临老旧系统维护难的问题？欢迎在评论区留言我们一起探讨破局之道携手汉得，共铸硬核竞争力！

07-15

汉得 x 高端半导体装备企业｜构建统一售后服务管理系统，告别“管理黑箱”！

随着中国半导体产业加速自主化进程，一批拥有核心技术的高端装备企业正迎来历史性发展机遇。某国内领先的半导体设备制造商，凭借在高端专业设备领域的深厚积累，已在多地设立服务中心，业务发展迅猛。

07-15

汉得 x 高端半导体装备企业｜构建统一售后服务管理系统，告别“管理黑箱”！

随着中国半导体产业加速自主化进程，一批拥有核心技术的高端装备企业正迎来历史性发展机遇。某国内领先的半导体设备制造商，凭借在高端专业设备领域的深厚积累，已在多地设立服务中心，业务发展迅猛。然而，高速成长的背后，也暴露出传统管理模式的瓶颈……挑战当“高精尖”遇上“管理黑箱”作为服务于全球顶尖晶圆厂的设备供应商，该企业对服务过程的可追溯性和合规性有着极高要求。每一台设备的变更、每一个备件的更换，都必须全程留痕；每一次现场服务的人力与物料投入，都要能精准归集到具体机台。但现实却是：💢安装调试进度靠Excel维护，信息滞后、易被篡改；💢工程师工时手工填报，管理层无法实时掌握人力投入；💢关键部件使用寿命缺乏数据追踪；💢项目管理、ERP、PLM等多个系统独立运行，数据不通，服务域员工疲于切换；“我们不是不想管好，而是现有的工具跟不上业务的发展。”一位售后负责人坦言。破局构建统一的售后服务管理（FSM）面对这一系列挑战，该企业选择携手汉得团队，启动售后服务管理系统的全面升级。目标明确：打造一个覆盖设备全生命周期、打通研产供销服链条的售后服务数字化管理平台。新系统并非另起炉灶，而是在充分对接现有系统（如ERP、项目管理系统）的基础上，通过深度集成实现能力跃迁。系统不仅是“售后工具”，未来更是支撑企业从“成本中心”向“利润中心”转型的战略级基础设施。亮点核心能力重塑服务竞争力✅ 设备全生命周期“一张图”管理过去，查询一台设备的历史需翻阅多个文档、跨系统检索。现在，输入唯一机台号，即可调取从RFQ报价、配置确认、发货安装、T0-T3调试、验收交付，到后期设备升级变更、维修记录的完整时间轴档案。真正实现“一机一档、全程可视”。该视图不仅涵盖关键节点状态，还支持临时机号向正式机号的绑定转换，确保从售前到售后的数据连续性，为内部管控提供坚实支撑。✅ 工单+工时一体化闭环管理人员可在工作台一键派发工单；工程师通过网页端记录服务过程、上传照片、填报工时；系统自动关联人工、备件、差旅成本，生成服务费用报表，满足审计要求。✅ 关键部件“寿命追踪”机制针对超高价值的核心部件，系统记录每次上机、下机、清洗、维修的全过程，结合RF时数与清洗次数，智能预警剩余寿命，杜绝超限使用风险。✅ 备件领料退料全流程管控支持配件领用、退库、清洗判定、再入库的闭环管理，工程师在系统中发起领料/退料申请，数据直通ERP，避免双系统重复操作。价值：为从”成本中心“走向“利润中心”奠定重要基础通过本次系统建设，该企业不仅解决了眼前的管理痛点，更为未来发展奠定坚实基础：✅ 实现服务过程标准化、透明化，提升客户满意度；✅ 精细化核算每台设备的服务成本，支撑配件销售与增值服务定价；✅ 满足对内部控制、数据真实性与流程合规性的严苛要求；✅ 推动售后服务由“被动响应”向“主动预防”转型，逐步转化为新的利润增长点。每一次技术突破的背后，都是管理体系的同步进化。在企业通往卓越的路上，汉得将继续以专业的数字化产品与服务、丰富的落地实践经验，做企业数字化转型中坚实的基石，助力企业数字化的蓬勃发展。携手汉得，共铸硬核竞争力！