在 AI Agent 浪潮席卷产业的当下，企业级 AI 落地的核心诉求已从 " 模型性能突破 " 转向 " 实际价值落地 "，而如何让 AI 真正转化为企业可感知、可量化的生产力，成为行业共同面临的核心课题。
为此，滴普科技 ( 1384.HK ) 创始人、执行董事、董事会主席兼 CEO 赵杰辉结合公司多年在 AI 价值落地领域的一线实践，推出了如何完成企业 AI 价值落地系列文章：第一篇《记忆，是智能体的「灵魂」》讨论的是 AI 在企业里「记什么」；第二篇《本体大模型，企业级智能体落地的产品化探索》讨论的是 AI 在企业里「怎么想」；第三篇《协同，企业级智能体的另一道工程题》讨论多个 AI 员工如何在企业里「一起做得对」。
本文作为系列文章的第四篇，重点聚焦于在目前企业 AI 技术生态发生的重构中，有什么在成为核心，有什么在退场。
一、这一年，真正发生的是一次生态重构
这一年，基础模型在三个方向上确定地、快速地进步：上下文窗口大幅扩大，推理成本快速下降，通用智能持续增强。这件事带来的，不是某个产品变得更好用了，而是整个企业 AI 技术生态，正在被重构。
重构的意思是：一批过去还处在生态核心位置的技术方案，已经开始后退至次要或者辅助位置；而另一批技术方案，正在成为新的核心。这篇文章，我想画出这张正在变化的地图——什么在退场，什么在成为核心。
二、正在退场的：那些「补模型短板」的技术方案
过去两三年，大量企业 AI 的工程投入都建立在一件事上：弥补模型的能力短板。在模型记不住、装不下、不够稳的前提下，推出了各种在外部替它兜底的方案。这些工作在当时是必要的——因为当时的模型确实有这些短板。
但这类方案有一个共同的命门：它们的存在前提，都是「模型还不够强」。当上下文窗口持续扩大、模型自身的记忆、推理、规划能力持续增强，这个前提正在被模型自己消解。于是在这次重构中，有三类方案会退出企业 AI 核心生态。
第一类，传统的数据平台工具，比如大数据工具平台、向量数据库、图数据库这一类
过去有一个普遍的预期：把企业的数据平台接上大模型，数据就能服务 AI 了。这是个误解，而且模型越强，暴露得越快。因为这些工具从设计之初就不是为 AI 准备的——大数据平台解决的是「人怎么存数据、查数据、做报表」，向量数据库、图数据库解决的是「模型记不住，所以把知识存在外面再检索回来」。
前者是上一个时代「人用数据」的工具，后者是「模型不够强」时的临时补丁。而 AI 真正需要的，不是一个能查询的数据平台，也不是一堆等待检索的碎片，而是高质量、被组织成模型能够理解和训练的数据集本身。
这一点，我有底气。因为滴普就是做数据平台起家的。正因为我们把这套体系做得足够透，才比很多人更早看清：传统数据平台那套搬运、存储、检索的逻辑，支撑不了 AI 真正需要的数据组织方式。数据的采集、清洗作为上游的一道基础工序仍会存在，但价值重心会从「把数据存好查好」上移到「把数据炼成 AI 能用的、带本体结构的高质量数据集」。前一层，正在退出企业 AI 的核心生态。
第二类，在传统软件框架下，把模型当插件做局部优化的工具
早期阶段，最自然的用法是把模型的 API，缝进现有的预编译的业务类软件里，在某个环节做点增强，让一个旧系统多一个问答框、多一个智能摘要。这种「旧架构不动、边缘打 AI 补丁」的做法，在过渡期有它的价值。
但它的天花板就是那个就旧框架的天花板：模型再强，也只能在别人预留的那个小口子里发挥。可当模型的能力足以重新定义一个系统该怎么设计和构建时，真正发生的不会是「给旧软件打更多 AI 补丁」，而是以 AI 为核心重新构建整个架构。
那些靠「在传统框架里嵌模型」为生的工具，会被原生 AI 架构取代，不是因为它们做得不好，而是因为「打补丁」这种范式本身，会随着模型变强而失去意义。
第三类，以预设工作流为核心的 Agent
今天很多所谓的 Agent，本质是「人把流程预先编排好，模型只在固定节点上被调用一下」。它的智能上限，其实是写流程那个人的上限，模型再强，也跳不出那张被写死的流程图。这在模型规划能力弱的时候是合理的妥协。但模型的推理和规划能力正是进步最快的方向之一。
当模型自己就能拆解目标、自主规划、动态决定下一步，把流程写死这件事就从必要的脚手架变成了对模型能力的束缚。以预设工作流为核心的 Agent，会被能够自主规划、协作涌现的智能体架构取代。
这三类方案，分别处在数据层、架构层、应用层，但它们退出的原因是同一个：它们的价值建立在「模型不够强」的前提下，而模型正在变强。这不是否定它们过去的价值，而是说：当这些为补短板而生的东西退到一边，生态里真正的核心位置，才会腾出来，留给那些模型能力再强也替代不了的方案。
三、正在成为核心的：那些「模型够不到的问题」的技术方案
模型能力的提升能解决很多问题，但在企业 AI 的生态中有两类例外。它们的共同点是：它们跟模型能力强不强不在一个维度上，且无论模型进步到什么程度，都不会被自动解决。
这也造就了谁能解决这两类问题，谁就会站在企业级 AI 重构后生态的核心位置。
第一类：企业私有且鲜活的知识，如何被组织成 AI 能用的高质量数据集形态
任何基础模型，知识都来自公开语料。而一家企业真正赖以运转的东西，产品本体、工艺规程、它为什么这样定价、某次事故后定下的红线、这个月刚调整的供应商策略，这些从不进入任何基础模型的训练语料，将来也不会。模型再强，也不会知道你这家公司昨天的决策，这不是模型能力的问题，是信息可得性的问题。
所以新生态里会出现一类核心方案：它不再是把数据存起来等检索，而是把企业私有且每天在变的知识，组织成一种结构化的、随业务持续演化的、模型可以直接理解和推理的「活体记忆」。这正是传统数据平台退场后，腾出来的那个核心位置。
但只有活体记忆还不够。一个 AI 要在企业里真正顶用，它不能只是「记得住、查得到」, 它还得能基于这家企业的具体知识，去规划一个复杂任务该怎么一步步走。
这里要分清一件被很多人混淆的事：通用模型也会做任务规划，但它的规划是基于通用常识的——它不知道在你这家企业，这件事该遵循哪条规程、走哪个流程、受哪些约束。而真正有价值的规划，是基于企业私有知识的企业级长任务规划：同样一个长任务，只有懂这家企业的本体、规则、因果，才知道它在这家企业里到底该怎么走。这种规划能力，通用模型给不了，因为它够不到这家企业的私有知识。
而这恰恰是第二部分那两类方案——老软件和工作流 Agent 失效的根本原因。
老软件和工作流 Agent 之所以要把流程「写死」，本质是因为过去没有一个东西能基于企业知识自主规划，只好靠人把流程一步步预设、固化成脚手架。当一个真正理解企业的模型能够基于私有知识自主规划长任务时，这些被人写死的流程和脚手架，就失去了存在的理由——不是被一个更强的通用模型替代，而是被「基于企业知识的规划能力」从根上取代。
在这个方向上，滴普的代表实践是 Deepexi 企业大模型。我们有一个根本判断：今天大家都在谈模型的各种 skills，写代码是一种 skill，生成视频是一种 skill。而对企业知识本体的构建与推理，同样是一种重要的、专门的模型 skills，它不是靠外挂检索能替代的，而是必须真正训练进模型。
它做两件事——把企业的知识组织成活体记忆；并基于企业本体完成企业级的长任务规划。正因如此，它成为企业落地多个模型的入口：再强的通用能力，要作用在这家企业身上，都要先过「理解这家企业」这一关。
这不是设想。在我们的一家制造业客户中，Deepexi 承载的企业知识已经稳定运转一年以上，并且从最初的设备维修场景，延伸到了更核心的工艺场景；随着越来越多的企业数据被持续纳入，Deepexi 还在为这家企业建设更多场景的知识本体。一个企业知识系统最难的，是不随时间腐化、反而越用越厚——这一年的运转，正是对「活体记忆」最实在的验证。
第二类：多个 AI 如何在企业里被组织成可信任的协作
模型负责聪明，但它不负责在你这家公司的流程和责任体系里把事干成。一个真实的企业任务，往往跨多个岗位、多个系统，且需要持续数天甚至更久的长期执行，并保证每一步都要可追溯、可审计、出问题能归因。这是一个组织问题、工程问题、责任问题，不是单个模型一次推理能解决的。
如果说 Deepexi 解决的是「在企业的知识里想清楚一件事该怎么做」, 那么新生态里还需要另一类核心方案，解决 " 想清楚之后，怎么组织一群 AI 把它干成 "：让 AI 作为能自主协作的主体，以「AI 员工集群」的方式去完成完整的业务。
在这个方向上，滴普的代表实践是 FastAGI 企业智能体平台。它把 AI 组织成一支「AI 员工团队」: 每个 AI 员工对应企业里真实的岗位，多个 AI 员工分工、协作，在企业真实的流程与责任体系中可追责地协同，共同完成一个完整的业务场景。它要解决的，不是「单个 AI 聪不聪明」, 而是「一群 AI 能不能像一个可信赖的团队那样协作、并对结果负责」——这是企业敢把真实业务交给 AI 的前提。
这两类核心方案各司其职，也彼此衔接：Deepexi 在企业的知识里把事想清楚，FastAGI 在企业的组织里把事干出来。而且关键的是，它们都不与通用模型竞争，而是与它们协同。写代码调用最好的 Coding 模型，做视觉调用最好的视频模型——通用模型负责通用智能，企业知识层负责理解这家企业，企业智能体层负责把事可追责地干成。
四、重构之后：企业 AI 的新技术栈
把退场的和新生的放在一起，这次重构后的企业 AI 技术栈，轮廓已经清楚了。它会是一个三层协同的结构：
最底层，是持续变强的通用基础模型，提供通用智能——这是所有人共享的、会越来越强的底座；
中间是企业知识层，把企业私有而鲜活的知识组织成模型可推理的活体记忆、并基于它完成企业级的规划，解决「AI 懂不懂这家企业」；
上层是企业智能体层，把 AI 组织成可追责协作的员工集群，解决「AI 能不能在这家企业干成事」。通用模型负责潮头的智能，后两层负责模型够不到的、属于每一家企业自己的部分。
我此前写过三篇关于企业级智能体的产业观察，分别讨论记忆、本体大模型与协同。这篇文章，是那三篇背后那个更大判断的延续——企业 AI 正在从「比谁更会使用模型」，转向「建设模型本身无法替代的能力」。
滴普选择把能力投在这次重构后的核心位置上：用 Deepexi 承载企业的知识、规划企业的任务——把「理解企业知识本体」训练成一种 skill-based model；用 FastAGI 组织企业的 AI 员工。我们想做的，从来不是又一家 AI 应用公司，而是在 AI 与产业融合的新生态里，做那个基础的、不可或缺的一环。
础模型会持续变强，这是确定的。也正因如此，这次重构会越来越清晰——当模型不再是瓶颈，真正的问题，才刚刚开始。
