XM外汇官网跟单资讯：不学昨天的Palantir，滴普科技寻找企业AI的新路径

最会做AI的公司开始派工程师进企业。

今年5月，Anthropic宣布和 Blackstone、Hellman & Friedman、Goldman Sachs等机构一起成立一家企业 AI 服务公司。

一周后，OpenAI成立了 OpenAI Deployment Company。新公司由OpenAI控股，初始投资超过40亿美元，同时计划收购AI咨询与工程公司Tomoro，后者约150名FDE和部署专家将直接加入。

这让外界重新想到Palantir。这家公司通过FDE（前沿部署工程师‌）深入政府和大型企业，理解客户业务流程，将复杂数据转化为组织决策。

但对于中国AI公司而言，真正需要学习的或许不是Palantir过去的交付模式，而是它进入复杂组织、理解业务逻辑的能力。

滴普创始人赵杰辉认为，行业不应该简单复制“昨天的Palantir”。只是复制Palantir过去依靠大量FDE驻场的方式，可能会陷入新的问题。

在他看来，未来企业AI更重要的方向是把FDE积累的知识逻辑和技能进行AI化。

这也是滴普正在探索的路径。

此次WAIC大会，滴普升级了DeepexiOS AI级企业操作系统，这套体系由DeepWorks企业智能体平台、Deepexi企业大模型，以及Deepology企业本体数据和Skills集组成。

滴普希望通过这套组合，把专家经验、行业知识、业务流程和工具调用沉淀为可复用的组织能力，让 AI 员工能够持续学习、持续执行、持续进化，最终进入生产、运营、管理等企业核心流程，推动企业级 AI 的规模化价值落地。

给模型装上“活体记忆”

过去一年，企业接入AI的路径大同小异。

部署大模型、搭建Agent，再把内部文档接入知识库，这成为不少企业探索AI所迈出的第一步。更为激进的公司甚至一度认为只要搭建一套智能体框架，再将文档交给模型，AI就可以迅速理解公司并带来效率提升。

但一旦进入真实的业务流程后，不少企业便发现这条路径有明显边界。

虽然知识库和通用Agent可以帮助员工搜索资料、整理文档、生成会议纪要，但所解决的无非是办公效率问题，并没有真正为企业的业务发展带来提效。

赵杰辉提到，这类方案通常能够完成企业30%至40%的工作，但再往前走，能够发挥的作用便十分有限。企业也由此开始从“AI什么都能做”的乐观预期，重新回到一个更加具体的问题：AI究竟可以解决哪些关键任务？

这种落差在制造业等严肃业务场景中体现的更为明显。例如设备维修、工艺生成、质量管理和供应链调度等都要求AI准确理解业务，并给出可以执行的结果。一台设备出现异常后，模型不仅需要找到维修手册，还要结合设备型号、历史故障、实时传感器数据、工艺要求和备件状态判断原因，生成工单并推动任务闭环。

任何一个环节出错，都可能影响生产。

但这些环节所沉淀的知识有时候并不存在于文档中。它可能是一张图纸、一段震动数据、一组设备参数，一些工程师分析问题的经验和流程，甚至是以上内容的随机集成。

更棘手的是，企业私有数据的积累并非一个静止的过程。大量经验产生于员工每天处理故障、修改方案和推进项目的过程中，却往往随着一次任务结束而留在个人电脑、聊天记录或者工程师的大脑里，难以上升为组织资产。

这意味着，即便企业花费数月建立知识图谱，但因为业务流程、产品和人员均在持续变化，原有知识的接入很快会过时。

面对这些企业AI落地中会遇到的问题，滴普科技选择用本体数据解决。

简单来说，滴普将企业已有的历史数据与日常工作中不断产生的新数据组织起来，为模型建立一套持续更新的企业语义基础。

它更像是给模型装上一套“活体记忆”：既记得企业过去发生过什么，也能够在员工每一次处理问题的过程中吸收新的经验，让分散在系统和个人手中的知识持续沉淀为组织资产。

这条路径已经在滴普服务的企业中得到验证。

目前，滴普产品已经沉淀超过2000+个行业Skill，其中制造业超过900个、零售业超过400个。在滴普已有积累的制造场景中，相关任务的准确率可以达到95%以上；在大型品牌零售场景中，准确率也达到90%以上。

AI真正需要的为什么是本体驱动

从知识库到本体数据，滴普改变的是AI理解企业的方式。

围绕这套思路，滴普科技搭建了由DeepWorks、Deepexi和Deepology组成的产品体系。

其中，DeepWorks是企业员工使用AI的工作入口，是智能体完成协同的工作台；Deepology承载企业本体数据和Skills集合；Deepexi企业大模型则负责理解企业知识、规划任务，并将日常工作中产生的新数据和经验持续编译进企业本体。

DeepWorks表面上看，与市场上的不少企业智能体平台并没有太大不同。员工可以在其中查资料、写文档、分析数据，也可以调用不同的模型和Skills完成任务。

若只是如此，那么随着智能体平台的基础功能迅速趋同，这些能力本身已经很难形成真正的差异。

交流中，赵杰辉坦言：“如果DeepWorks不接入Deepexi，在90%上跟其他智能体平台是没区别的。”

Deepexii与Deepology正是这套产品体系的核心。接入之后，DeepWorks不再只是调用通用模型完成任务，还拥有了一套能够理解企业自身数据、业务关系和运行规则的知识底座，并据此动态规划任务。

这种能力并不是从大模型出现之后才开始积累的。过去，滴普的FDE需要进入企业现场，通过访谈、数据梳理等识别企业中的业务对象及其关系，再将这些内容编织成本体。

赵杰辉回忆，过去构建本体，需要工程师“去现场访谈、整理，形成各种Schema文件”。

但如今，这些过去依靠工程师经验完成的工作，都可以被拆解成模型完成高价值任务的能力：面对不同类型的数据，哪些内容应该被识别为业务对象；面对多个业务系统，怎样抽取对象之间的关系；面对某一类问题，又应该调用哪些知识、按照怎样的逻辑分析和解决。

这套方法被滴普科技沉淀为Deepology，它不只是一个行业知识库，而是一套企业本体数据与 Skills 的集合：前者负责定义企业中的人、事、物、流程、规则及其关系，后者则把 FDE 在不同行业、不同场景中形成的分析路径、执行步骤和工具调用方式沉淀为可复用的最小执行单元。Deepexi做的就是把这种“如何识别企业知识、如何建立业务关系、如何把经验转化为可执行任务”的编译机制训练进模型。

“Deepexi的真正门槛不是企业自有知识本身，而是对企业自有知识的编译机制。”赵杰辉说。

复杂产业的智能复利

Deepexi解决的是如何对企业多模态、潜在的自有知识结构化，滴普接下来需要验证的则是这些本体数据能否在使用中持续积累，最终形成竞争壁垒。

赵杰辉将这一过程称为“智能复利”。

AI处理的任务越多，企业沉淀的数据和Skills就越丰富；本体越完整，模型理解、规划和执行任务的准确率就越高；系统变得更准确后，又可以进入更复杂的业务，继续产生新的数据和经验。

值得注意的是，并不是所有场景都能形成这种循环。例如PPT制作、会议纪要和文档整理等相对标准的办公任务思考链路较短，有时甚至一个Skill就可以完成一系列的任务，

滴普因此更关注制造业、大型零售和科学研究等复杂产业。

制造业贯穿研发、采购、生产、质检、库存、物流和售后，一次设备故障可能同时关联图纸、工艺、传感器和维修记录；大型零售连接选品、营销、门店、库存和会员运营；科学研究则需要不断经历数据采集、实验、分析和验证。

这些场景的共同点是业务链路足够长，执行结果能够重新进入系统，影响下一轮决策。质检结果可以反向调整工艺参数，销售变化可以推动补货和选品，实验结果也可以修正研究假设。

任务每运行一轮，本体数据和业务规则便可能得到一次更新。已经验证的能力，还可以继续向相似场景复制。

赵杰辉认为，互联网时代强调短链路和快速闭环，但在AI时代，过于简单的场景反而更容易同质化。只有进入数据类型、知识逻辑和任务关系足够复杂的领域，系统才可能在持续使用中形成积累。

不过，复杂产业也意味着更高的数据治理、系统接入和交付成本。如果本体能力只能服务少数大型客户，智能复利就很难扩大。

使Deepexi模型用FDE构建本体的方法训练和理解企业业务，是滴普提升交付质量的一步。与此同时，滴普也在计划通过TokenPlan和云平台降低企业使用门槛。

目前仍处于测试阶段的TokenPlan，主要面向企业提供团队级Agent服务。滴普希望中小企业未来可以更多通过云端产品使用相关能力，而不必一开始就进行完整的私有化部署。

这一思路的成效已经在财务数据的增长中得到初步印证。

据滴普7月17日发布的业绩预告显示，2026年上半年营业收入将在2.66亿元-2.91亿元，同比增长约101%-120%。其中，DeepexiOS AI级企业操作系统平台解决方案收入预计同比增长超过200%，成为整体收入增长的主要动力。

智能体入口会逐渐趋同，基础模型也会不断更换，但企业AI仍然绕不开业务理解、数据治理和系统接入。

Palantir证明了深入复杂组织、理解业务逻辑的价值，但中国企业并不一定要照搬这一固定路径。

滴普正在形成自己的解法：保留一部分FDE深入复杂行业业务现场的能力，同时把其中可以沉淀和复用的部分做进模型，最终从一个个项目变成一套可以不断生长的组织能力。

*以上内容不构成投资建议，不代表刊登平台之观点。用户应考虑本文中的任何意见、观点或结论是否符合其特定投资目标、财务状况或需要。市场有风险，投资需谨慎，请独立判断和决策。