智能体收入暴增68%！这家港股AI公司靠「关系」驯服企业龙虾

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

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。