AI行业大佬再发文：告别单点Agent，企业AI进入多员工协同时代

本月已经接近尾声，截至5月26日收盘，智谱（02513）股价报1345港元，单日涨幅4.91%，较月初928港元低位修复了30%；滴普科技（01384）股价报59.95港元，单日涨幅4.53%，股价也是再次回到60港元附近，相较月初的低点43港元，大涨了40%。

市场此前给的定价逻辑是：AI概念股享受了估值溢价，业绩兑现需要时间，溢价被抹掉一部分。但本月AI板块的几家新贵均表现不俗，其走势说明，在市场还在放量，在不断重估AI大模型的价值。

为何市场还在不断重估AI大模型的价值？我们看回滴普科技CEO赵杰辉刚刚发表的第三篇系列文章。第一篇讲记忆，第二篇讲本体大模型，第三篇讲协同。三个话题各自独立，读到最后会发现合在一条主线上：企业AI怎么才能真的落地产生价值。

第三篇讨论的是一个具体问题：多个AI员工在企业里怎么一起把一件事做好。这个问题在AI产业讨论里经常被忽略。很多人展示单点AI Agent，演示里很惊艳，但放到真实业务线里根本完成不了。一次新品铺货要跨商品企划、货品运营、电商运营、品牌总监，一次产线故障处置要跨产线工程师、运维工程师、工艺工程师、研发工程师，没有任何单个AI员工能独立覆盖。

第三篇进行了两个真实场景的拆解。一个是制造业产线设备故障诊断，一个是零售业新品上市铺货。前者是多源数据、强时效、多岗位的事件响应协同，后者是高信息密度、跨部门、不可逆的决策协同。·

第一个场景来自滴普的高端装备制造客户，一台升降机在上升过程中出现异响。滴普在这个场景里使用了8个AI员工：巡检与发现员从振动传感器频谱、电机电流抖动、班组群上报这三路输入里关联出异常事件，运维主管做路由分发，把事件同时分给初判与隔离员和根因诊断员。原来人做这件事，初判和根因诊断是串行的，先判断等级再找原因。AI员工可以同时启动，整条链路的处理时间大大缩短。根因诊断员做判断的时候，它看到的是带着完整型号属性、维护历史的本体节点，所以它给出的不是通用结论，而是带证据链的结构化诊断。这8个AI员工在制造业产线上都有真实对应，运维主管可以直接在自己的组织架构图上找到每个人。

第二个场景来自滴普的消费零售客户，一季300多个新SKU，800多家门店，5个电商平台。滴普使用了6个AI员工：商品企划、货品运营、电商运营、货品主管、数据分析、汇报材料，全部是零售企业里本来就存在的真实职能。商品企划AI员工启动后，横向调用数据分析AI员工拉取历史同期销售复盘，产出本季企划方案；货品主管做路由分发，线下版给货品运营，电商版给电商运营。两个运营AI员工同时工作，货品运营对800多家门店做线下铺货决策，电商运营决定电商首发策略，两者读取同一份商品本体视图，这是协同能并行的前提。货品主管做冲突检测与合并，有冲突就推送回对应员工修正，没冲突就合并成全渠道铺货方案。汇报材料AI员工组装交付物，品牌总监审核时看到的是预填了完整证据和备选方案的卡片，做最终拍板。决策结果写回协同链路，成为这个AI员工团队后续训练的真实标注数据。

这两个场景看完，企业级AI员工团队协同需要什么样的基础设施就清楚了。需要有人能把多源数据先关联起来，而不是让每个员工自己去找数据，还需要支持并行处理，把原来串行的流程打散。这些不是凭空提概念，是真实业务场景里每天都会碰到的问题。

赵杰辉在文章里提了一个判断，AgentOS会成为继操作系统、数据库、中间件之后的又一个产业品类。这个说法听起来有点不切实际，所以我们要拆开看看企业需求。企业的AI员工团队，需要一层基础设施来管这些员工记什么，管他们怎么规划任务，管他们之间怎么配合。如果多AI员工协同确实是企业AI的最优选择，这层基础设施就是刚需。滴普的解决方案叫DeepexiOS，由Deepexi企业大模型和FastAGI企业智能体平台两层构成。Deepexi负责本体的建立、存储和业务层面的规划，FastAGI负责多个AI员工之间的协同编排。通用大模型按需接进来，承担执行层的具体工作，比如写SQL、调API、生成报告。

文章里还有一个容易被低估的点，叫业务级trace。市面上的多智能体框架大多做工程级trace，记录的是哪个agent在什么时间调用了哪个工具。DeepexiOS做的则是业务级trace，记录哪个AI员工对哪个本体节点做了哪个决策，依据是什么。这两者的区别在于工程级trace需要业务专家来翻译，因为工程师看不懂业务逻辑，业务看不懂技术细节；业务级trace直接就能用，监管来查、合规来审、追责的时候，拿出来就可以对话。如果有做过to B交付的读者都懂这件事的分量。

文章里赵杰辉一直在回答一个核心问题：企业AI落地，怎么在经济上更划算。用通用大模型确实便宜，一个token几分钱，但它不懂你的企业。你的门店怎么分、设备怎么归类，这些它都不知道，所以生成的答案看着对但没法落地。自己微调或者自研模型，准是准了，但还是贵。算力成本、数据成本、维护成本加在一起，中小企业扛不住。

滴普的路径是取中间一档。通用模型把基础能力做好，把token单价压下来，DeepexiOS在通用模型之上加一层企业本体，让每个token带上企业的精确语义。通用模型负责写得对，企业本体负责写得准，两边合起来，成本不爆炸，精度也够用。

所以赵杰辉说，企业不需要自研一个比GPT更强的通用模型。通用模型的能力会随基础模型厂商的迭代越来越强，成本越来越低，这个趋势谁都挡不住。企业级AI真正的工程价值，最终更在于把通用模型的能力和企业自己的业务知识——精确地扣在一起。