港股超额认购 5065倍的 AI 公司，交出了上市后的首份答卷。

一路猛涨：全年营收 6.21 亿元，同比增长23.4%。净利润 2414.7 万元，同比增长42.6%。

更令人印象深刻的是，在营收扩张的同时，其盈利能力不降反升，整体毛利率提升了 7 个百分点，达到43.3%。

而这一切的背后，都离不开一个核心引擎的驱动——Atlas 智能体业务。

这项业务正展现出强大的生命力：收入实现跨越式增长，达到 1.457 亿元，同比激增68.4%；

毛利率更是高达53.2%，成为拉动公司整体盈利水平提升的关键。

海致科技（2706.HK），一家并不追逐底层大模型「军备竞赛」的公司，却凭借为「企业级 AI」打造「操作系统」，在激烈的市场竞争中，杀出了一条属于自己的路。

Agent 这个词，在 C 端已经被 OpenClaw 彻底引爆，一度催生出生态中的无数中间层，甚至连大厂们也争相推出龙虾部署方案。

而现在，B 端企业级 Agent 基础设施所蕴含的巨大价值，也随着海致科技这份扎实的财报，清晰地浮出水面。

企业级 AI 落地，差点「关系」

过去两年，Coding Agent 的迭代速度令人咋舌。Claude Code、Codex、Cowork ……

模型干活的能力越来越强了，这一点毋庸置疑。

但一个尴尬的事实是：大量企业的 AI 项目，仍然停留在 Demo 阶段。

搭个聊天机器人、做个文档摘要、跑个知识问答，这些事员工自己 Vibe Coding 一下就能上线。

可一旦要把 AI 嵌入核心业务流程，赋予它真正的「执行权」，问题就来了——

根本不敢让它干活啊！（小编已经深受其害。

前段时间，我给自己的龙虾接入了公司内部系统。

本意是丢给它一篇同事的在线文档，让它帮我想几个标题。

谁想到，它二话不说，直接上手要改人家的原文档。

幸好那篇文档没开放编辑权限，它尝试半天无果，最后灰溜溜地回来了。

但至今想起这一场景，我仍是一身冷汗。

要是哪天它在闲逛时，不知从哪读到一串「删除所有文档」的提示词……

后果难以设想。

毕竟，现在的 AI 在技术架构上压根就没有真正的约束。你费尽口舌嘱咐龙虾要注意安全，对 AI 而言不过是又一段上下文，在长链路任务里，它转头就忘了。

只要底层还是概率模型，随机性就永远存在。

可这在 B 端语境中是不可容忍的。

模型厂商在不断刷新技术的上限，但 B 端落地的门槛，是守住下限——

结论来自哪些知识和规则？任务执行走了哪些步骤？调用了哪些 Skill？出错了该回溯到哪一步？

按传统的解决方案，这几乎是个不可能完成的任务。

从第一性原理思考，随着企业数智化进程加速，智能体在工作时会像滚雪球一样，不断积累 Skill、任务、记忆……

这些一旦滚起来，可就很吓人了。哪怕是 C 端，对于那些资产沉淀深厚的龙虾发烧友，一句你好，可能几万 Token 就烧没了。更别提企业级的数据资产规模。

成本还是次要。关键在于，光靠暴力扩充上下文并不能有效提升模型表现。

已有研究表明，模型的注意力是有限的。哪怕能吞下 1M 的上下文，记得最清楚的也只有开头和结尾，中间的内容基本是一团乱麻。

更何况，知识、规则、Skill、任务和状态通常散落在不同系统里。规模一旦上来，想让 Agent 干活时把这些约束全记住，无异于大海捞针。

归根结底，Agent 的执行过程，从来就不是一条流水线。

任务之间有依赖，Skill 之间有前置条件，记忆之间存在因果……想要高效检索，重要的不只是数据，还得记住数据之间的关系。

这正是图数据库的逻辑。

它是一种节点间相互连接的数据结构。各维度的数据不再是孤岛，而是通过各种关系连在一起的「蛛网」。

以反走私为例。海关手里有案件记录、物流信息、资金流水等多源异构数据，想揪出隐蔽的走私团伙，往往得把多类数据结合起来，才能连点成线。

而这一切，放在关系网里瞬间就清晰了。人、公司、银行账户、物流集装箱、走私案件，全变成了图上的节点，它们之间的关联，就是连接节点的边。

研判人员想查隐藏团伙，只需沿着这些边快速走几步，就能看清：张某控制着哪家公司，这家公司又和哪个物流团伙有来往，资金又是通过哪些账户层层转给境外的。

对于深度与业务融合的场景而言，这种检索逻辑能用「关系」这层信息替代掉庞大上下文，非常适合用来管理企业级数据资产。

RAG 的出现，反向说明了LLM 本身是一个充满不确定性的「混沌世界」，而 RAG 能提供更确定的事实依据。但当知识量持续膨胀时，如果没有高效的知识索引，RAG 带来的这些红利会直线下降。

LLM 无法解决所有问题，图亦然。

更好的解决方案，或许是取平衡点——让两者协同合作，各自发挥所长。

这就是海致所说的图模融合。

通过图技术构建结构化的知识索引，再利用 Skill 与 LLM 进行对接，从而让知识在图与模型之间高效流转，被精准解析与执行。

这样，既解决了知识高效索引的问题，又保留了向量信息，从而能够充分发挥 LLM 的推理与生成能力。

结果就是，AI 得以蜕变为兼具领域专家智慧与高效执行能力的「超级员工」。

这，正是海致科技过去十余年持续深耕的壁垒。

做企业级 AI 的地基

海致科技的核心产品叫AtlasGraph，一个自研的图数据库。

但如果你只把它理解为一个数据库，那就低估了这家公司的野心。

在海致的技术架构里，AtlasGraph 的角色，更像是一个面向 Agent 的「操作系统」。

这个操作系统由五个核心模块构成。

首先是Ontology 图管理，这是整套 AtlasGraph 的语义基础，其核心价值在于「对齐」。

简单来说，这就像是为 Agent 进行的一次全面的「入职培训」，提供一份详尽的业务白皮书。

它负责定义企业的业务世界，将设备、流程、概念和关系统一编码成机器可理解的语义框架，确保 AI 与人类在同一套坐标系下进行高效对话。

完成对齐后，接下来就该为 Agent 配备「办公用品」了，也就是Skill。

Skill 的出现，堪称 2026 年以来 Agent 产品化的最大功臣之一。它硬生生将 AI 做成了生态游戏，甚至一度干崩纳斯达克一众软件股。

然而，Skill 太多，又会有新的问题出现。

如何管理这些 Skill？

Agent 时代至今涌现了诸多范式革新，比如用 CLI 替代 MCP，用 Skill 替代 Prompt ……

但这些本质上只是「工具层面的升级」。即便用 CLI+Skill 替代了 MCP+Prompt，节省了一定的上下文空间，本质上仍是杯水车薪，并未真正解决「如何管理」的难题。

你想想，给一个员工塞几百本操作手册，他反而会陷入选择困难。

AI 亦是如此。当 Skill 积累到一定量级后，它们也不再是孤立存在的个体，Skill 之间的依赖关系会衍生出新的复杂度。

以企业常见的「销售报价」场景为例：

假设你让 Agent 帮你生成一份客户报价单，它需要调用这些 Skill：

查客户历史订单、查当前库存、查产品定价规则、生成报价文档。

表面上看，这是四个独立的技能。但实际上：

「查定价规则」依赖「查客户历史订单」，因为老客户享有折扣，而新客户没有。

「查库存」也会影响「查定价规则」，因为部分 SKU 可能不参与促销活动。

而「生成报价文档」必须等待前三个步骤全部完成，并且如果库存不足，文档中需要自动标注备货周期。

如果只是将它们罗列成一个清单，这些关系就会丢失。此时，一旦定价规则更新，根本无法知晓哪些下游 Skill 会受到影响。

本质上，还是个高效管理企业资产的问题。这正是 AtlasGraph 在 Skill 层所做的事情：提供一套标准化、可管理的执行接口，将最优流程以图的形式固定下来，而不用每次都重新规划。

正所谓，大道至简。

配备好 Skill，结合已有上下文，Agent 便可以正式开始工作了。

为了解决前文提到的企业内部超长上下文问题，AtlasGraph 同样给出了精妙的解决方案——答案是三张图。

1、任务图。

你让 Agent 做一份报价单，它先把这个目标拆成不同的子任务。这些子任务之间存在依赖关系，有的可以并行处理，有的则必须等待前置任务完成。

2、记忆图。

锁定客户后，Agent 顺藤摸瓜，发现该客户上个月曾询价，当时因库存紧张，最终给予了特殊报价。有了这个信息，就能不用再询问客户一次了。

3、状态图。

报价生成到一半，客户那边说先等等，任务暂停。

但等三天后重新启动时，也不用再从头生成，状态图能直接告诉系统：客户信息已查完，库存查了一半，定价规则还没跑，从这里继续就行。

这就是「快照」留存的重要性。

三张图协同工作，解决的是同一个问题：Agent 无需将所有上下文都塞进一个超长的对话窗口里。任务结构、历史经验、当前进度，各归其位，随时可查、随时可恢复。

最后，当然还有至关重要的安全边界问题。AtlasGraph 内置了一套规则引擎，将企业的制度、审批链、权限控制、风险要求、白名单和黑名单等数据全部写入其中。

将这些连点成线，Agent 便能清晰地看到各个业务场景的执行边界，确保每一次操作都在合规的轨道上运行。

至此，海致科技的技术基座彻底形成，基于此，他们构建了一整套端到端的产品矩阵——

AtlasGraph 图数据库作为底座，Atlas 知识图谱平台负责知识建模，DMC 数据智能平台负责多源数据治理，智能体平台则将这一切串联成可落地的 Agent 应用。

从数据治理到知识建模，从智能决策到自动执行，形成了一个端到端闭环。

当然，概念终究是概念，最终还是要用市场成绩说话。

最新财报数据显示，2025 年，Atlas 图谱解决方案贡献了4.753 亿元收入，服务172 家客户，平均客单价达到280 万元。

与此同时，一条强劲的第二增长曲线同样引人注目：

Atlas 智能体业务贡献1.457 亿元收入，同比增长 68.4%，客户数从 19 家跃升至 40 家。

而这个抽象层之所以能取得如此瞩目的成绩，同样离不开海致在图数据库这个基座上的深深扎根——

2025 年贡献收入的 Atlas 智能体客户中，有50%先前已经部署了 Atlas 图谱解决方案。

客户并非单纯被 Agent 的故事吸引，而是在已经验证了图谱价值的基础上，主动追加了对其延伸产品的投入。

如今，海致科技已成功拿下六家大型国有商业银行中的四家，连续三年获得大型国有电信运营商的复购合同，在金融、能源、政务等核心场景中持续深化渗透。

而就是在这么一路狂奔的情况下，其账面上仍有超10 亿元的现金储备，这也为后续的长跑储备了充足的粮草。

深水区才是真正的赛场

2026 年，Agent 基础设施类产品，已经开始席卷 B 端。

对于 C 端用户，模型或许是一个无所不知的聊天伙伴；但在金融、政务等企业级 AI 的「深水区」，模型必须是一个严守纪律、精准执行的「数字员工」。

在这个维度上，模型参数更大、跑分更高，并不等同于更好用。真正的决胜点在于，谁能更好地驯服模型，将其以一种稳定、可靠的方式，无缝嵌入到盘根错节的企业业务中。

而这个趋势只会进一步加速。

随着大模型能力的持续迭代，Agent 的自主性会越来越强，能够独立完成的决策与执行也愈发复杂。

但这也带来了一个棘手的悖论：Agent 越聪明，越难管理。

与此同时，失控的破坏力也会指数级上升。掌管银行业务权限的 Agent 如果执行了一次错误的资金划转，后果是灾难性的。

企业不再仅仅需要一个「更聪明的大脑」，更需要一套能约束、引导这名「超级员工」的部门架构与规章制度。

而海致做的正是这件事——

为整个企业 AI 时代修路架桥，为这场正在真实发生的波澜壮阔的「数智化」革新，打下坚实的地基。

当行业里的大多数玩家还在追逐一个个转瞬即逝的概念时，做基础设施，无疑是件更艰苦的活。

但如今，凭借亮眼的财报表现，海致科技成功印证了其选择的必要性：

在 AI 技术狂飙突进、上层应用护城河不断被模型厂商蚕食的当下，中间层的落地基础设施，反而会越发坚固。

而凭借这层中间层构筑的技术壁垒与生态占位，海致科技在向 ToB 产业级应用延伸时，已然占据了更有利的战略高地。

图模融合是这片数字新大陆的肥沃土壤。在这片沃土之上，大获成功的 Atlas 智能体不仅是首个破土而出的硕果，更是对这套底层逻辑最有力的验证。

未来，这里必将生长出更多基于大语言模型延伸的杀手级应用，共同构成一个繁荣的产业 AI 生态。

毕竟，当 A2A（智能体对智能体）协作的时代真正来临，如何高效地编排、管理与治理海量的智能体，将成为一个直观且棘手的挑战。

而 Agent OS，多智能体架构甚至 AI 自治架构……这些都是海致正在落地进行中的方案。

从构建地基到定义上层建筑，这种在应用层所展现出的无限想象空间，或许才是 ToB AI 最贵重的门票。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见