WAIC 2026 现场，滴普科技的展台前围满了人。很多人是来自各自的企业代表，他们来不是看大模型聊天的，而是来看一个 Agent（智能体）究竟是怎样在企业里干活的。

这是一个基于 Agent 实现故障维修的工业场景片段：

当输入一条设备故障的线索后，系统并非简单的检索答案，而是基于企业已经构建好的知识模型，自主规划出完整的故障排查路径。先查什么数据、如何判断、按照什么逻辑推进，每一步都可追溯。如果你还想让系统自动生成一段诊断代码，或者调用模型生成一段操作视频供技术员参考，也同样可以，甚至未来还可能将维修方案直接对接给机器人执行。

这个场景，恰好揭开了 2026 年企业级 AI 竞争焦点的冰山一角。当 Token 越烧越贵成为业界共识时，更多的客户开始追问：这些 Token 消耗，能否换来可交付的生产结果？

企业真正需要的，不是只会陪你聊天作答的 AI，而是能执行、可治理、且能够为企业结果负责的 Agent 能力。滴普科技近期升级的 Deepexi 企业本体大模型 +DeepWorks 企业智能体平台，正是针对这一需求的直接回应。

读懂企业，先读懂数据背后的 " 关系 "

同样还是以工业场景举例。

走进任何一家有一定体量的制造工厂的 IT 与数据分析部门，你会看到各种各样的数据不断产生：设备传感器每秒吐出的振动频谱、三维扫描仪生成的点云数据、CAD 图纸里的几何参数、ERP 系统里的订单流转数据，还有企业内部日常办公积累的大量工作数据……但问题是，这些数据之间缺乏统一的语义关联和关系协作。

举个例子，振动频谱异常和轴承磨损之间有什么关系？温度曲线漂移和光学元件老化为什么有关？这些知识藏在老技术员的脑子里，散落在一条条的流程日志和故障手册里，还有不同系统里的一个个数据孤岛。

AI 不是看不懂数据，而是还没看懂数据之间的关系。

" 关系 " 为什么重要？在此之前，企业一定做过类似的事情：花了大力气去做数据治理，建立数据和知识体系，然后训练 AI，让 AI 去理解工作流，或者让大模型外挂一个 RAG 知识库。走到这一步你会发现，这个数据体系永远是静态或过时的，AI 依然只能检索已有的数据，依然回答不了你正在面临的真实业务问题。因为它始终是给人看的，不是给机器用的。没有 AI 的持续运转，知识的维护成本远大于使用收益，最终只能 " 沉睡 " 在文档库里。

滴普科技创始人赵杰辉有个很直白的理解：数据本身很重要，但原来的数据工具平台和数据治理方法论在 AI 时代已经不太适用了。企业需要的是能够持续迭代和进化的知识网络，并且还需要形成知识网络为核心的 Skill 组合方式。

这是本体大模型在做的事情。

滴普科技构建的本体大模型，是给工厂建立了一套体系化的知识体系。不是把故障手册扫描成 PDF 喂给 AI，那样 AI 只会检索，不会推理。而是把维修这件事，变成一张活的知识网络：故障现象、可能原因、排查步骤、所需工具、历史案例、相关设备参数、关联工艺节点。这些节点之间的关系，是 AI 真正读懂工厂的关键。

区别在于，过去的知识图谱是给人看的，而现在的知识图谱是给 Agent 做的。Agent 可以持续运转、持续迭代，知识体系也就自然能够将价值落地下去。

在某家激光装备制造企业，这套知识网络已经建立起来了。从设备、工艺、老师傅的经验，都源源不断被编译到一套口径一致的知识网络。当技术员报出一个故障线索，部署在企业智能体平台上的 DeepSense 工业智能体不是去文档里搜关键词，而是基于激光设备的本体知识网络，做动态的长程任务规划：排查传感器、调出历史案例、生成修复脚本，就像一个在车间里干了二十年的老师傅。

这家企业的试点数据验证了这套机制的价值：实现产能提升 60%、效率提升 3 倍、故障复发率降低 30%。

从固定工作流到动态 Skills，8 年攒下 2000 多个 " 手艺 "

在与赵杰辉的交流中，他还反复提及了另一个关键词：Skills。

什么是 Skills？如果说知识网络是 AI 的大脑，Skills 就是 AI 的手，没有 Skills，AI 智能看懂问题但做不了事情，有了 Skills，AI 可以把能力落地到具体的业务单元。

这也是滴普科技第一阶段在做的事情：依靠固定工作流，人先把步骤设计好，模型按步骤执行即可。这个过程，滴普科技花了 8 年时间、服务了 400 多家头部客户的基础上，靠手工积累了 2000 多个覆盖制造、消费、公共事业等领域可以复用的原始 Skills。

而现在这个阶段则不再依靠工作流，变成了：瞄准企业某个领域的知识体系，让模型基于知识体系做动态任务规划，而 Skills 则是这个规划的执行单元。

这意味着每一次服务客户，滴普科技都会积累新的行业本体和 Skills。积累越多，服务下一个同类客户的边际成本就越低，质量就越高。

在 Deepexi 大模型上，承载的企业场景正在持续扩展：从最初的设备维修，到如今更核心的生产工艺优化，从工业领域逐步向更多行业渗透。

今年，滴普科技把这套能力进行深度技术改造，并升级了产品体系：DeepexiOS AI 级企业操作系统，定位为企业 Token 生产力平台，将 DeepWorks 作为日常工作入口，Deepexi 作为企业知识底座，Deepology 作为高质量数据与行业 Skills 集。

DeepWorks 是企业员工每天打开的工作界面，但它不是又一个聊天机器人，它承载着企业级 Agent 的一整套工程化机制：Harness 负责工具调用的策略检查、隔离执行、过程观测和结果回灌；Loop 支持多智能体分工、协同、复盘和持续执行；知识中心、API、MCP、插件、审批流程则能够让 AI 能够进入企业真实业务流程，而不是停留在生成答案层面。

Deepexi 是企业大模型，负责把日常工作数据转换成本体范式的知识逻辑。先存在 Foil 模块里，稳定后通过后训练进入模型权重，让企业的活字典越用越厚，形成真正的企业知识底座。

Deepology 是高质量企业本体数据集和 2000 多个 Skills 的集合，也是滴普科技沉淀行业 Know-how 的关键底座。但这些 Skills 不是静态的功能模块，而是一个个最小的执行单元。Deepology 企业本体数据和 Skills 集的专家团通常具备面向某个领域工作的基本初始配置，它们既包含任务方法、业务规则、工具接口，也承载特定场景下的专业判断逻辑。基于 Deepology，企业可以快速组建具备领域能力的 AI 专家团，而不是从零训练一个 " 小白员工 "。例如 DeepSense 生产制造 Skills 集、DataSense 运营决策 Skills 集、FDESense IT 服务 Skills 集等。这些企业本体数据和 Skills 集共同构成了 AI 员工进入具体岗位前的基本初始配置。

赵杰辉说，滴普科技现在全球有 20 余个办事处，每个办事处只有 3 到 5 个 FDE 工程师，每年需要完成的年收入都在千万以上。如果传统 To B 服务的逻辑，三五个人肯定做不下来。但现如今，在滴普科技每个 FDE 的背后，都有一批 Agent 员工在支撑，从项目管理、解决方案，到数据治理、资料整理。

这其实就在说明，尽管 FDE 模式在很多人看来是耗费人力必须做重的，但滴普科技已经在通过自身实践证明：将自身 Agent 化，不是让 Agent 替代人，而是让一个人带着一群 Agent，干原来十个人的活，放大这种生产效率。

往更多实用产业 AI 中去

如果说激光装备制造企业的案例验证的是单个场景的深度价值，那么滴普科技面临的更大挑战，是如何把这种能力从一家头部企业复制到更多行业、更多规模的企业中去。

在这方面，硅谷的 Palantir 用二十年时间证明，深度服务政府和大企业的数据加 AI 模式可以创造数千亿美元价值。滴普科技在走一条相似但更艰难的路，中国企业更碎片化的需求、更严苛的成本意识，倒逼它必须找到更高效的规模化路径。

从今年开始，DeepWorks 开始逐步开启云服务能力，与华为云合作，基于国产算力构建部署能力。原来只有头部企业才能享受的 AI 能力，现在中小企业在办公协同、知识管理、代码开发、业务运营等场景里，也能低门槛使用。

从产业趋势看，企业 Agent 服务正在从研发工具、办公助手，逐步进入组织协同和行业场景。如今，市面上已经发布了一些产品，它们代表了不同入口的企业级 Agent 探索。能够看到，与市面上不少从办公助手、个人助理切入的 Agent 产品不同，DeepWorks 的知识体系建立在企业现场的数据和业务逻辑之上，Skills 形成于真实产线的反复验证。这种 " 从数据到知识再到执行 " 的闭环，是它区别于通用型 Agent 产品的核心壁垒。

赵杰辉说，滴普科技希望基于 DeepexiOS AI 级企业操作系统的产品组合，在企业领域形成面向办公协同、代码能力、行业知识和深度业务任务的产业化 Agent 服务能力。可能对于滴普科技而言，今天在这一范式上的率先投入，也会转化为其他玩家短期内难以逾越的护城河。

伴随 Agent 走进千行百业，滴普科技要做的，就是让 Agent 真正转化为生产力，让每一笔来自企业的 Token 投入，都换成可交付的生产结果。这恰恰是 Agent 实现 ROI 的关键路径，也是企业推进 Agent 落地的最后一公里。（本文首发于钛媒体 APP）