2026 年，智能体成为企业 AI 落地的行业共识。但市场火热背后，智能体概念正被快速泛化，很多厂商只是在原有产品上接入 AI 模型，就贴上智能体标签，而企业客户真正需要的，并不是一个新的对话入口，而是能够理解企业知识、拆解复杂任务、调用工具并协同执行的数字员工。

在滴普科技创始人、董事会主席、执行董事兼 CEO 赵杰辉看来，真正有价值的企业智能体要回到模型能力本身，厂商需要具备模型训练能力，训练出具备企业级记忆机制、长任务规划和智能体协同的企业大模型。

围绕企业智能体落地，滴普科技正在推进两条核心产品线：一是 Deepexi 企业大模型，支撑企业本体建模、记忆、长任务规划和智能体协同；二是 FastAGI 企业智能体平台，负责模型之间、Skills 之间、AI 员工之间的协同与调度。

Deepexi 提供企业本体和规划能力，FastAGI 负责把这些能力组织起来，让多个 AI 员工能够在一个完整的业务场景里协同执行。两条线合起来，才是企业 AI 落地的完整形态。

在本次与爱分析的深度访谈中，赵杰辉系统阐述了对智能体市场的判断、滴普科技的产品路径，以及 AI 员工对企业组织形态的影响。

核心观点

企业智能体概念被泛化，长期有价值的是企业大模型。

真正的企业智能体不能脱离模型，模型承担数据整理、知识逻辑承载和推理作用。AI 厂商如果没有模型能力，本质上仍是传统集成商。

企业智能体落地的关键，是建立企业级记忆和长任务规划能力。

智能体必须具备记忆机制，把企业资料、流程、规则、故障、经验等转化为本体，形成企业知识网络。这样模型才能实现推理和规划，支撑复杂任务执行。

AI 员工会重构科技公司的组织形态，FDE 团队重心是 Skills 和数据开发。

FDE 工程师的角色会发生变化，将自身能力 AI 化。科技公司竞争力会从经验积累转向学习能力和变化能力。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

企业智能体概念被泛化，长期有价值的是企业大模型

爱分析：您是怎么看待智能体市场的？

赵杰辉：现在智能体这个词已经被用得很乱。到今年年底，很多软件公司都不会再说自己有软件系统，都会说自己有智能体。

我认为现在最大的问题是，大家没有说清楚智能体的边界。这个情况很像当年的中台。中台最初只是开发工具，后来被不断放大，最后变成一个非常宽泛的概念。智能体现在也有这个趋势。

真正要讨论智能体，首先要回到模型。智能体不能脱离模型。模型在里面承担数据自动整理、知识逻辑承载和推理的作用。没有模型，就很难谈智能体。

爱分析：所以您认为很多智能体公司本质上还是集成商？

赵杰辉：如果只是挂一个 RAG，或者用 LoRA 接一个基础模型，再做一些系统集成，这和过去的集成商性质类似。

作为企业智能体厂商至少要具备模型工程能力，以模型后训练（包括持续预训练 CPT 和监督微调 SFT）为起点对齐行业认知，构建模型基座能力，进而通过强化学习（RLVR）激发模型的涌现和推理能力，深化企业业务理解。否则只是把知识库挂在基础模型上，做一些问答和流程调用。

我不认为智能体会成为一个独立市场。长期看，真正留下来的核心是两件事：第一是模型，第二是智能体平台。模型决定智能体的大脑和记忆，FastAGI 这样的企业智能体平台决定多个 AI 员工能不能真正协同起来完成一个完整的业务场景。

爱分析：如果智能体不是独立市场，滴普科技现在的定位是什么？

赵杰辉：滴普科技现在主要做两件事。

第一是 Deepexi 企业大模型，主要是面向企业本体建模。当企业把原始资料给到模型，这个模型能够整理和承载企业数据逻辑，输出企业本体。可以这样理解，Deepexi 是原有企业数据平台的下一代形态，它用大模型方式承载企业的数据逻辑、知识逻辑和语义知识。

第二是 FastAGI 企业智能体平台，主要解决多模型、多 Skills、多 AI 员工之间的协同问题。企业里的真实任务很少能由单个模型完成，FastAGI 负责把 Deepexi 企业大模型和其他通用模型的能力调度起来，按照业务本体的语义逻辑编排执行路径，让 AI 员工团队作为一个整体完成业务链路。

这些是滴普未来会集中的核心方向。

爱分析：Deepexi 企业大模型更像是本体建模引擎吗？

赵杰辉：可以这么理解，Deepexi 企业大模型做的是本体的生成和存储。

过去 FDE 工程师需要进入企业现场，梳理业务、数据、流程和系统关系，再把这些内容抽象为本体。Deepexi 企业大模型的目标是用 AI 替代大量 FDE 工程师工作。

企业资料进入 Deepexi 企业大模型后，它会生成企业知识网络。这个网络不是静态的，而是动态的，它可以持续补充，也可以支撑后续推理和 Skills 生成。如果数据集比较完整，应用准确率可以达到较高水平。如果数据集不完整，就需要持续补充，补充过程本身也会反过来增强模型能力。

02

企业级记忆机制和长任务规划能力是智能体落地关键

爱分析：最近看到您关于智能体的文章，您为什么把记忆放在很核心的位置？

赵杰辉：如果要做智能体，首先要问有没有记忆机制。没有记忆机制，就很难称为智能体。

过去很多 RPA 流程软件的记忆，本质上是流程跳转和界面操作。它不是企业知识的长期沉淀。真正的记忆，是把企业资料、流程、规则、故障、经验等内容转化为本体，并存储在模型中。

例如，一个企业的维修任务不能只靠手册问答。手册里没有写某个发动机转速下降 8% 后会出现什么问题。这个问题需要依赖企业历史数据、故障逻辑、设备关系和运行状态。它需要一个知识网络。

所以记忆不是简单存文档，而是本体的生成和存储。模型基于这些知识逻辑，才能进一步做推理和规划。

爱分析：这和 RAG 知识库问答有什么区别？

赵杰辉：RAG 更适合做事实查询。它可以回答已有文档里的问题，比如客服场景，问题和答案都比较明确，RAG 可以发挥作用。

但企业智能体要处理长任务。长任务需要理解业务目标、拆解任务、调用工具、基于实时数据进行本体推理、协同多个 Skills。RAG 没有真正的长任务规划能力，也缺少企业本体逻辑。

企业级知识库如果没有本体结构，只是把文字重新整理一遍，并不能回答复杂业务问题，也不能支撑数字员工开展工作。

爱分析：企业大模型能力是不是会被基础模型不断追上并赶超？

赵杰辉：模型训练本身会逐渐去魅，没有想象中那么神秘。

真正的门槛在数据能力。有没有某个领域的数据？有没有这个领域的知识逻辑？有没有长期做客户沉淀下来的本体建模经验？这些才是关键。Coding 模型能做起来，是因为 GitHub 上有大量代码数据。企业语义基础和本体建模的数据是在长期服务企业的公司手里。

滴普科技服务了很多客户，在离散制造、船舶、汽车、PCB 等领域积累了大量数据治理和本体建模知识，这些知识逻辑可以反过来支持 Deepexi 企业大模型的持续训练。所以核心问题不是能不能训练模型，而是有没有足够独特、足够高质量的数据集。

爱分析：这些数据是客户的原始数据吗，会不会有数据确权的问题？

赵杰辉：客户的原始数据属于客户，滴普科技普科技不触碰、不存储客户的业务原始数据。我们真正积累的，是长期服务不同行业客户过程中沉淀下来的建模方法论和行业知识框架。

比如一个行业的供应链逻辑、设备故障逻辑、制造流程逻辑，这些内容可以被抽象和整理。这是一种工程能力，它要求团队有学习能力，也要能把垂直领域知识转化为模型可用的知识网络。

爱分析：滴普科技另一款产品 FastAGI 企业智能体平台和 Coze、Dify 这类 Agent 平台有什么不同？

赵杰辉：FastAGI 企业智能体平台 的目标是把 Deepexi 企业大模型和其他模型结合起来使用。

首先，所有模型需要在一个平台上协同工作。比如一个故障维修 Skills，可能需要多个模型协同。第一步，Deepexi 企业大模型基于企业本体逻辑规划维修路径。第二步，调用 Coding 能力创造工具查询传感器数据。第三步，调用视频生成模型演示故障逻辑。

其次，FastAGI 企业智能体平台实现多个 Skills 之间协同。比如故障维修 Skills 完成后，可能要调用库存查询 Skills，判断备件是否可用。这些 Skill 进一步组合，才能形成一个 AI 员工。

因此，FastAGI 企业智能体平台更像一个协同层，负责模型之间、Skill 之间、AI 员工之间的协同和决策，底层的记忆和规划主要由 Deepexi 企业大模型 完成。

爱分析：多个 Skills 拼成一个数字员工，靠的是工作流吗？

赵杰辉：它要依赖模型本身的规划能力，不是传统工作流。传统工作流是人工预设流程。企业智能体需要先理解任务，再基于企业知识逻辑做规划，然后决定调用哪些工具和 Skills。

因此，软件架构已经发生变化。过去是人写流程，系统执行流程。未来是模型理解业务，模型生成计划，模型协调 Skills 来执行。

03 

AI 时代，学习能力和变化能力是核心竞争力

爱分析：滴普科技自己内部在用 AI 员工来解决问题吗？

赵杰辉：我们内部已经在用了。现在公司的地区代表处员工，都在与 AI 员工协同完成工作。

像售前解决方案数字员工可以快速检索案例，识别客户场景价值，生成定制化售前方案，也能完成招标文件、POC 方案和需求场景整理。

数据治理数字员工可以覆盖数据治理全链路，从业务梳理、数据盘点、标准制定，到建模落库、质量评估和本体建模，它可以读懂手绘流程图，也可以处理数据字典。

项目管理数字员工可以根据需求文件生成 SOW 文档、调研提纲、问卷、项目计划甘特图和风险分析。

我们的目标是把 FDE 工程师的能力逐步 AI 化。

爱分析：这会改变 FDE 工程师的角色吗？

赵杰辉：会发生很大变化。未来 FDE 工程师会变成 Skills 开发团队和数据集开发团队。这两者是一一对应的。你有数据，就能形成 Skills。

一部分 FDE 工程师会把自己的能力 AI 化，另一部分会整理滴普历史客户项目中的知识逻辑，这些知识逻辑会成为 Deepexi 企业大模型的重要基础。

如果一个人不具备用 AI 整理数据和开发 Skills 的能力，就会很难适应未来的组织形态。

爱分析：您认为，AI 时代滴普科技的核心优势是什么？

赵杰辉：我们的核心优势是学习能力和变化能力。

新时代的企业要有快速学习、快速变化和快速抛弃过去的能力。AI 时代变化很快，真正重要的是能不能迅速适应新方向，能不能快速把新的能力做出来。

滴普科技从组织上也会围绕这件事变化。未来核心组织会分成两条线：第一条线围绕 Deepexi 企业大模型，持续提升企业语义基础、记忆、推理和长任务规划能力；第二条线围绕 FastAGI 企业智能体平台，持续提升多模型协同、Skills 编排和 AI 员工团队的协同能力，让企业里不同场景的 AI 员工能够真正作为一个组织运转起来。

爱分析：滴普科技有对标公司吗？Palantir 算对标吗？

赵杰辉：Palantir 的核心是本体和 FDE。滴普科技希望用 Deepexi 企业大模型替代一部分 FDE 工程师的工作，也替代传统数据平台中一部分非结构化数据存储和语义组织能力。

Palantir 的 AIP 是用 AI 操作 Foundry 平台，滴普科技会更进一步，Deepexi 企业大模型要承担企业知识逻辑的生成、存储、推理和规划。

因此，我们不是简单学习 Palantir，而是结合中国企业场景，形成自己的路线。

爱分析：滴普的商业模式是否会发生变化，未来变成一家卖 Token 的公司？

赵杰辉：可以理解为，我们希望让 Token 更有生产力。

Deepexi 企业大模型产生的 Token，可以提升其他模型 Token 的生产力，因为它提供了企业级记忆、规划和语义基础。所有模型进入这个体系后，都能更好地完成企业任务。未来的商业价值，不只是卖 Token 数量，而是提升每个 Token 的业务附加值。

爱分析：您怎么看智能体市场未来趋势？

赵杰辉：未来所有活下来的公司，都会具备智能体能力，但这不代表今天所有号称智能体的公司都能活下来。

做基础模型的公司，会继续往更丰富的数据集和场景建设走。没有基础模型的公司，也要开始建设自己的模型能力。没有模型，只包一层应用壳，很难长期存在。

企业智能体的竞争不会停留在界面、流程和工具调用，核心会回到企业语义基础、企业级记忆、长任务规划和模型协同。

真正能在企业里落地的智能体，必须理解企业知识，能够形成计划，能够调用工具，能够让多个 Skills 协同。只有这样，智能体才可能从问答工具走向企业数字员工。

注：点击左下角" 阅读原文 "，查看更多洞察内容。