热点新闻

HOT

汉得 x 中鼎 x 矩阵｜AI Factory项目启动，从五层结构到业务场景，一份全球化Token工厂建立模板的AI规划！

2026 年 8 月 19 日，中鼎集团 AI Factory 项目启动会在安徽宁国举行。中鼎集团、中鼎流体、中鼎 IT 与汉得信息、矩阵起源的项目团队共同出席，项目以中鼎流体系统有限公司为起点正式启动。

查看详情

品牌案例｜场景是技术落地最好的土壤！

AI浪潮渗透全域，数智化转型已成企业发展刚需，但行业普遍存在重概念、落地难的痛点。汉得始终坚信，场景是技术落地最好的土壤，唯有扎根真实业务，才能释放AI数智赋能真正力量。

查看详情

汉得 x SKG｜主数据治理项目启动，为AI领航铺路，为高效运营筑基！

8月7日，SKG 联合汉得正式召开 MDM 主数据治理项目启动会，双方核心团队共同参会，标志着 SKG 主数据治理项目正式拉开帷幕。

查看详情

新闻中心

NEWS

全部公司动态产品快讯智慧营销智能制造智协供应链智享财务泛ERP 数字化技术合作伙伴

08-21

汉得DataClaw“硅基人”上岗记：（4）毛利成本调查官

今天，毛利成本调查官在某连锁零售集团正式上岗。从今天起，每一次毛利异常，都会被这条毛利公式追到底；每一笔可疑成本，都会被钉在凭证上。您的企业，也有这样的工作吗？

08-21

汉得DataClaw“硅基人”上岗记：（4）毛利成本调查官

少掉的2.74个百分点毛利，去了哪里？作为一家大型连锁零售集团的CEO，经营100多家门店、SKU 过万。面对日益激烈的市场竞争，需要为客户提供又快又好又便宜的产品和服务，需要时刻关注集团和各家店的成本毛利指标变化。特别安排财务运营团队协同一线门店负责人专门负责，要花费大量的时间在 ERP/WMS/POS 多个系统的数据统计分析汇总上，往往数据要滞后半天到1天的时间。而对于毛利率突然异常变动，真正困难的不是看到异常，而是需要从财务指标层层穿透到实际业务回答：问题到底出在哪里？往往耗时费力还不准确。这天上午，我们的财务成本运营专员在手机上收到一条预警：毛利率由40.88%下降至38.14%下降2.74个百分点这样的波动超过了预期，但奇怪的是，销售数量没有变化，净销售额也只变化了-0.01%。销售基本没变，少掉的毛利率去了哪里？过去，要回答这个问题，需要反复切换报表、导出明细、核对凭证；如果现有报表无法回答，还要请 IT 人员临时取数、写 SQL 或开发专项分析。这一次，接下调查任务的是汉得 DataClaw 中刚刚上岗的一名数字员工——毛利成本调查官。先认识一下这名新员工财务成本运营专员在手机上问它：“你是谁？”▲ 毛利成本调查官在手机端完成自我介绍毛利成本调查官按照设定的时间，自动读取数据、计算期间毛利率，并检查波动是否超过阈值。本次巡检中，它发现毛利率下降2.74个百分点，而销量和销售额基本没有变化，因此首先判断：问题更可能出在成本端。财务成本运营专员不需要先打开报表，也不用等到经营会议上才发现问题。异常发生后，第一条毛利率预警已经主动送到了手机上。▲ 手机端定时巡检与毛利异常预警遵循毛利率的公式：（净销售额−净商品成本 −原材料损耗−非转售商品成本−耗材成本−买一赠一−盘点调整−报损处置−捐赠−部分调整）/净销售额。毛利下降可能是公式中所列的多个因子共同造成。财务成本运营专员只追问了一句：“净商品成本是主要原因吗？其他成本因子怎么样？”毛利成本调查官随即回到毛利公式，对各项成本因子逐一计算贡献：净商品成本贡献-2.75个百分点，是唯一主因；报损处置贡献-0.05个百分点；部分调整贡献+0.06个百分点；其余七项因子合计影响接近于0。全部因子贡献合计-2.74个百分点，与毛利率实际变化完全勾稽。调查不必再在所有成本项目中“大海捞针”，只需要沿净商品成本继续向下。继续下钻后，81,020元净商品成本增量全部集中在华东门店101、乳制品、DF1001低温鲜奶1L。该商品两期销量均为7,000件，售价基本不变，成本率却由54.02%上升至131.05%。销量没变，售价没变，问题指向单位成本。商品移动平均价此前稳定在8.10元，调查期却升至16.60-22.50元。▲ 沿毛利公式完成因子分解并锁定异常门店与商品沿着移动平均价继续追溯，毛利成本调查官锁定了7月17日的一笔采购收货：物料凭证M509917、采购单PO-DEMO-0715-08/00010、移动类型101；收货10,000件，金额1,665,000元，隐含单价166.50元/件。收货前，库存为100,000件、价值810,000元，移动平均价为8.10元；收货后，库存变为110,000件、价值2,475,000元，移动平均价升至22.50元。移动平均价由 SAP 内部完成估价，数仓抽取的是 SAP 已经计算的结果。毛利成本调查官没有虚构 SAP 内部算法，而是把采购单、物料凭证、库存价值和移动平均价变化串成了一条可以复核的证据链。▲ 从移动平均价追溯至SAP物料凭证和采购单调查过程中，还有一笔更醒目的异常：7月22日报损金额达到120,000元，单日毛利率一度跌至10.03%。如果只看当天数据，很容易把这笔报损认定为毛利下降的主要原因。但毛利成本调查官没有停在这里，而是继续检查次日凭证。7月22日，M509922 以移动类型551报损6,000 件、120,000元；7月23日，M509923 以移动类型552冲销5,900件、-118,000元，两张凭证存在明确参考关系。未完全冲销100件，配对净额仅2,000元。所以，报损处置对期间毛利率的贡献只有-0.05个百分点。单日看是剧烈异常，跨日看则主要是过账时点波动，并不是本周毛利下降的真正主因。▲ 检查次日冲销还原大额报损的期间真实影响现有数据已经可以确认：毛利变化了多少、哪个成本因子贡献最大、异常集中在哪个门店和商品、对应哪张 SAP 凭证，以及大额报损是否存在跨日冲销。但这些证据还不能直接证明“采购人员维护错了订单”。采购单价格或金额疑似异常，仍需要采购人员核对业务依据，SAP 与财务人员补充发票及后续凭证，门店或财务确认未冲销2,000元的处理结果。毛利成本调查官没有替业务强行下结论，而是明确区分：哪些是已经证实的事实，哪些是基于数据的分析推断，哪些事项还需要谁来确认。AI 知道如何继续追，也知道证据不足时应该停在哪里。这是业务人员敢于使用调查结果的前提。▲ 区分已确认事实、分析推断与待确认事项这套调查逻辑，并不是 AI 凭空生成的。第一次调查时，财务成本运营专员带着毛利成本调查官一步步完成追问：先检查销售和毛利变化，再拆解成本因子；锁定主因后，继续下钻门店和商品；遇到大额异常，不急于下结论，而是检查次日冲销和期间净额；最后追到 SAP 凭证，并划清事实、推断与待确认事项的边界。调查完成后，这套思路被沉淀为“毛利成本调查Skill”。下一次出现类似异常，数字员工不再等待业务人员重新组织一连串问题，而是可以按照同一套方法主动完成调查，形成包含异常定位、原因判断、凭证证据和待确认事项的调查结果。经过业务专家确认后，这项能力还可以共享给更多财务、采购和运营人员使用。一个人培育好的数字员工，可以成为更多人的业务助手。▲将本次调查思路沉淀为Skill并在组织内复用共享过去，财务成本运营专员要把绝大部分时间花在5件事上：◈ 拉数据；◈ 拆解成本因子；◈ 跨日辨真伪；◈ 追到 SAP 凭证；◈ 把分析结果写成可复核的报告。现在，这5件高频重复工作由毛利成本调查官来完成。他只负责判断和决策：◈ 业务依据是否合理；◈ 凭证是否需要冲销；◈ 要不要介入采购流程；◈ 是否要追责到具体责任人。财务成本运营专员终于可以把时间放回到真正影响毛利的事情上：◈ 盯住异常成本因子；◈ 推动采购流程改进；◈ 门店对齐盘点规则。把时间留给业务判断，把重复交给数字员工，这正是毛利成本调查官正式上岗的意义。毛利成本调查官带来的，不只是更快得到一份分析报告。它能够主动发现异常，沿着管理会计逻辑持续下钻，把汇总指标追到业务单据；面对醒目的异常，不凭直觉下结论，而是检查完整周期与凭证关系；证据不足时，明确告诉业务人员下一步应该由谁补充什么。更重要的是，财务成本运营专员在一次调查中形成的专业方法，可以被沉淀下来，成为一项持续运行、可以复用、可以共享的企业能力。从一个资深员工完成一次调查，到一名数字员工持续接住这项工作——这才是毛利成本调查官正式上岗的意义。今天毛利成本调查官在某连锁零售集团正式上岗。从今天起，每一次毛利异常，都会被这条毛利公式追到底；每一笔可疑成本，都会被钉在凭证上。您的企业，也有这样的工作吗？一项工作长期存在，规则相对稳定，需要访问企业正式数据，还要遵守权限、审计和业务确认要求。过去，它可能长期依赖少数专业人员反复完成。现在，可以从一次真实任务开始，把专家的工作方法教给 DataClaw，培育一名能够持续上岗的企业 AI 数字员工。想看您所在的零售/消费品行业的 AI 数字员工怎么用？请联系您熟悉的汉得商务伙伴或扫描下方二维码了解更多~*数据说明：本文案例基于零售业务规则构造的合成数据，组织、门店、商品、金额及单据编号均为虚构，不涉及任何客户生产数据。SAP 实际估价结果应以企业配置和业务凭证为准。

08-18

飞搭 2.11 重磅升级｜AI 对话快速生成应用，AI Coding低代码进入“自动构建”时代！

飞搭 2.11 让 AI 从“辅助生成”走向“自动构建”，深度参与企业应用从需求到交付、从上线到迭代的全流程，推动低代码成为企业持续创新的智能应用构建平台。联系我们

08-19

飞搭 2.11 重磅升级｜AI 对话快速生成应用，AI Coding低代码进入“自动构建”时代！

业务需求越来越紧迫，应用形态越来越多。低代码平台要解决的，早已不只是“把页面搭出来”，而是让需求理解→应用构建→交付使用→持续治理形成顺畅的闭环。飞搭 2.11，围绕这一闭环做了一次系统性升级。四大亮点，先睹为快：✅ AI 自动构建：多模态理解需求，端到端生成低代码资产；✅ 应用层治理：以“应用”为单位组织资产，边界清晰、复用有序；✅ 全端设计提效：模板/图表/组件及移动端操作全面升级，搭建更快、体验更顺；✅ 模型逻辑与运维双保障：逻辑编排更灵活，发布审核与日志排障更可靠。无需从零开始逐个建对象、搭表单、配逻辑。多模态理解文字、图片、文档都能作为构建起点。一句“搭建采购申请管理”、一张原型图、一份需求文档，AI 都能读懂其中的页面结构、字段和业务逻辑。自动规划+端到端生成AI 自动拆解需求，同步产出业务对象、功能页面、事务处理流、脚本事件和自定义组件，让应用从需求雏形直接走向可运行版本。资产智能复用生成时自动匹配现有资产，支持直接复用或局部修改复用，无匹配则新建，减少重复开发，保障资产统一。生成自检生成后自动校验完整性与合理性，标注缺失及存疑点，点击直达对应位置快速修正。多轮调优通过自然语言持续补充字段、调整布局、完善交互，在对话中逐步打磨。示例财务收到“员工报销”需求文档，以往要梳理字段、建对象、搭表单、配逻辑，大半天就没了。现在上传文档，AI 直接生成报销单对象、登记表单和信息列表；通过对话还可继续补充报销附件校验等，快速形成可评审的应用初版。<< 滑动查看下一张图片 >>除了端到端生成，AI 还嵌入了日常配置的每个细节：✅ 前端自定义 JS 生成：在「自定义取值」或「前端自定义脚本」节点描述需求，AI 直接生成可编辑脚本。✅ 表达式与公式 AI 生成：用自然语言描述业务规则，AI 辅助生成表达式和公式字段初稿。示例报销行对象使用公式自动计算不含税金额；页面根据报销金额增加提示和修改样式。通过文字描述，AI 即可生成公式表达式及前端JS初稿。<< 滑动查看下一张图片 >>此前飞搭以领域为核心管理低代码资产，向下包含功能、页面。随着企业业务系统越建越多，仅靠领域维度已难以满足多应用并行与隔离的需求。飞搭2.11在领域之上新增应用层，形成应用→领域→功能→页面完整层级。应用作为独立业务系统载体，承载整套业务的生命周期管理与版本归档；领域回归应用内资源分组定位，负责场景化资产归类，完全兼容用户原有领域开发习惯，实现无痛升级、能力跃升。示例以往仅靠领域管理资产、无顶层业务边界，集团并行搭建财务、客户、采购供应链等多套系统时，存在业务资产混杂、权责不清、跨业务干扰等问题，且版本迭代无留存、通用能力重复建设，难以支撑规模化落地。<< 滑动查看下一张图片 >>核心能力：应用资产隔离，规范业务边界业务对象、页面、事务处理流等按应用归集，适配应用状态与权限，不同团队仅在授权范围内操作。版本全程追溯，合规可审计轻量版本登记机制，自动记录版本迭代、变更归档，业务系统建设全程留痕，支撑合规审计。领域灵活复用，降本增效私有领域按应用强隔离，保障业务安全；公共领域支持多应用引用，减少重复开发，沉淀企业通用资产。生态应用分发，规模化落地应用可上传至汉得焱牛开放平台，作为生态资源供用户下载安装，实现生态资源流转。模板更丰富，常用场景一键起步新增详情布局、图表看板、PC 端卡片组等功能模板；零代码和流程表单预置签到表、活动报名、办公用品领用、设备巡检等业务模板。选模板→调配置→上线，省去大量重复搭建。<< 滑动查看下一张图片 >>图表能力升级，数据一眼看懂PC 与移动端同步新增柱状图、饼状图、折线图、指标卡，PC 端还支持地图组件。结合图表看板模板，业务数据快速转化为直观分析界面。示例财务分析展示项目报销金额趋势、结余金额排行和收款分析。全端组件增强，搭建与使用更顺畅自定义字段新增业务对象自定义字段配置，PC/移动端均支持拖入表单和列表；支持单字段（文本、日期等）和复合字段（如“手机号码”=区号+号码），可分别维护属性、行为和样式。移动端组合组件无需预先配置自定义字段，直接在页面中组合多个基础组件，灵活满足地址、联系人、证件信息等场景。页面呈现升级PC 端新增 Word 表单类型页面，适用于正式单据、协议、通知；PC 端列表组件新增统计域，支持全部页数据汇总；移动端卡片组支持快速绑定业务对象字段。协作体验升级PC/移动端新增相邻切换器（详情页快速看上一条/下一条）、评论组件；PC 端审计组件展示数据结构审计信息，附件与导出支持文件水印。示例财务报销使用复合字段实现税率和金额的便捷录入，通过汇总字段快速掌握报销总金额，同时还可对单据进行评论对话；页面上使用相邻切换器，快速查看数据。全局样式配置，一次设定、全端统一新增全局样式配置能力，可统一设定设计器组件的默认样式（如颜色、字体、圆角、间距等）。企业只需配置一次自身 UI 规范，所有新建页面自动继承，多页面体验保持一致，无需逐个组件重复调整。<< 滑动查看下一张图片 >>✅ 列表直接操作：支持在列表中直接新增、编辑、查看详情，通过弹窗或新增卡片完成，减少页面跳转。✅ 附件随手用：手机浏览器直接访问即可上传、预览、下载附件；配置时也强化了在线预览能力。示例现场巡检人员在列表中直接新建记录、编辑异常、查看详情，现场图片即时上传。✅ 发布有引导：新增移动应用配置引导，按步骤完成发布至企微/飞书/钉钉或飞搭 APP，降低发布门槛。◈ 迁移可回退数据迁移升级为分步骤导入导出，支持返回上一步修改，降低操作风险。◈ 领域更精细领域支持字段默认值、数据源编辑、预置权限策略模板、模板与对象双向同步；业务对象支持数据预览和子查询条件配置。◈ 逻辑可编排事务处理流和脚本事件新增 AIGC 编排节点/函数、工作流节点/函数，将AI能力和流程能力纳入低代码逻辑。◈ 多触发器灵活传参同一事件流的不同触发器可通过流程变量传入不同参数，提升逻辑复用能力。示例迁移交互全新优化：将采购申请功能迁移至正式环境，支持“分步骤”迁移导出并核对配置。<< 滑动查看下一张图片 >>✅ 发布可控：功能及资源发布支持审核，审核通过后生效，可查看历史审批记录，降低误发布风险。✅ 排障高效：全局日志新增慢执行与异常类型日志，快速定位性能问题和异常线索；审计日志存储方式等全局配置同步优化。示例采购应用上线前提交发布申请，审核通过再生效；运行中出问题，运维通过慢执行和异常日志快速定位，缩短排障时间。<< 滑动查看下一张图片 >>从 AI 理解需求、自动规划并生成应用资产，到全端高效搭建、移动端顺畅使用，再到模型逻辑精细构建与运维可靠保障。飞搭 2.11 让 AI 从“辅助生成”走向“自动构建”，深度参与企业应用从需求到交付、从上线到迭代的全流程，推动低代码成为企业持续创新的智能应用构建平台。联系我们1. 如果您想了解飞搭更详细的功能介绍和产品信息，可以查阅我们的产品文档，请在PC端打开➡️ 汉得焱牛开放平台（open.hand-china.com）；2. 如果您有疑问或者建议，也可以通过开放平台进行工单反馈，问题分类请选择【产品/汉得aPaaS平台-飞搭】；3. 相关产品咨询或更多信息了解，欢迎联系我们邮箱➡️ openhand@vip.hand-china.com；携手汉得，共铸硬核竞争力！

08-15

品牌案例｜场景是技术落地最好的土壤！

08-19

品牌案例｜场景是技术落地最好的土壤！

🌊AI浪潮渗透全域，数智化转型已成企业发展刚需，但行业普遍存在重概念、落地难的痛点。汉得始终坚信，场景是技术落地最好的土壤，唯有扎根真实业务，才能释放AI数智赋能真正力量🤖汉得深耕企业数智化多年，坚守实干初心，打磨核心技术，升级产品方案，并以企业业务场景与实际应用需求为根本准则，帮助客户持续落地各类AI智能体应用，让AI深度融入企业经营管理业务全流程✨技术有AI，陪伴有ai，汉得愿成为长久陪伴企业业务成长的数智伙伴，不断积累多行业一线实战成果，以专业技术与长效服务，为企业数智化升级提供可参考、可复用、可落地的实战范本——————汉得 x 京新药业｜共建企业级 AI 智能体平台，共拓医药行业智能化升级！🔸基于「得·灵」企业级AI产品系列，为京新药业搭建AI智能体应用数智化底座和能力体系，将智能体编排和业务工具调用能力融入日常工作，支撑医药企业产业链协同与创新汉得 x 锐科激光｜锐科AI智能体平台正式上线，以AI全场景赋能激光智造！🔸聚焦商务办公与运营管理、激光器研产销全链路、商务风险管控业务板块，依托智能体矩阵、智能问数协同赋能，锐科激光携手汉得搭建覆盖五大核心业务场景的完整AI应用矩阵从分散建设到统一治理｜汉得携手青岛啤酒，打造AI时代的企业数字化统一底座！🔸汉得携手青岛啤酒搭建统一组件技术底座平台，将分散在各类系统和项目中的共性能力沉淀下来，形成可复用可治理可持续演进的企业级公共能力，让企业数字化建设具备长期复利近百家企业走进双环传动｜汉得携手AI标杆客户，共探制造业AI规模化落地新路径！🔸双环传动以深厚制造场景、精益管理经验和智能制造基础为依托，汉得依托AI中台、企业级智能体建设能力和制造业AI落地方法，支撑双环在AI平台能力、智能体应用、场景共创和规模化推广等持续推进汉得 x 海亮股份｜喜报再传！AI智能审核项目再获殊荣🔸依托H-ZERO和AI中台，海亮股份与汉得打造「无人值守财务共享智能审核Agent」，为财务共享工作带来7 x 24小时不打烊自动审单、提升共享会计审核自动化率、财务人转型：从事务型到财务数智型三大革新汉得 x 金田新材｜以场景驱动 AI 落地，共启新材料制造数智化新程！🔸基于汉得AI中台技术底座，聚焦经营管理、生产运营、质量改善、协同办公等关键环节，为金田新材打造可落地、可复用、可推广标杆场景，让数智能力成为企业发展重要支撑数字化，放心交给我！

08-13

汉得DataClaw“硅基人”上岗记：（3）生产采购专家

让80%的采购精力从应对当下变成经营未来，今天，DataClaw数字员工“Kraljic生产采购专家”正式上岗。

08-13

汉得DataClaw“硅基人”上岗记：（3）生产采购专家

周三上午10点，某消费电子企业的采购总监李总打开手机，收到一条推送：他没做任何查询——这是 DataClaw 数字员工 “Kraljic 生产采购专家”主动推给他的“采购经营日报”。而18天前，要拿到这份判断，他需要先和品类经理开3次会、再让数据团队花2周从 ERP、SRM拉数据、出 PPT。今天，这一切从每天早上9:00自动开始。故事背景（1）这是汉得服务的某消费电子企业。主营光学模组，产品覆盖新能源车 ADAS 摄像头、工业视觉、消费电子三大方向。CAT-03-05 光学玻璃/晶圆是公司最关键的战略物料品类之一：采购金额：2024年6771万元→2025年7719万元→2026年预测8800万元，年复合增长率14%；BOM占比：从3.26%提升到3.50%，仍在上升；料号数：6个关键料号，年需求总量83万+ PCS；影响收入：涉及6个客户项目，覆盖3大终端领域，若供应中断合计影响年度收入12.16亿元；重点客户：新能源车前视 ADAS 摄像头（爬坡期、影响收入6.02亿元）、高速工业检测相机（量产1.68亿元）、机器人双目视觉模组（开发1.59 亿元）。一个不到公司总采购4%的小品类，决定着公司12亿收入的生死。故事背景（2）但在采购部，CAT-03-05 长期“不受重视”：💢过去的“品类画像”，是2024年做的一张 PPT，16个月没更新过；💢三家供应商的交付率、质量 PPM、产能利用率，靠采购员 Excel 手记，没有统一视图；💢蓝玻璃晶圆 EOL 预警这件事，R&D 早就知道，采购部一直到原厂停产前6个月才反应过来；直到今年初——某新能源车客户年度招标，明确要求供应商提供「光学部件可持续供应证明」。李总才发现：他们拿不出 CAT-03-05 的完整品类画像、也拿不出三家供应商的完整评估矩阵。一张纸，挡住了6个亿的大单。痛点为什么过去找不到原因不是李总不努力，是品类经理一个人扛不动。💢 采购业务数据散在 ERP 、SRM、QMS、WMS、PLM 等系统里；💢 供应商数据散在 SRM 的准入、绩效、合同、黑名单里；💢技术/生命周期数据在 R&D 和 PLM 里——和采购完全不通；💢三份数据供应商编码不统一：同一家“清X光学”在 ERP 叫 A、在 SRM 叫 B、在 R&D 叫 C；💢采购决策的判断规则沉淀在会议中、业务人员大脑中；💢一次完整的“年度品类画像”，要数据团队+采购+ R&D 三方拉齐，2周起步；💢等 PPT 画完，已经是月初，事情过去了。过去，采购决策永远慢一个月——而这个月里，料号可能已经停产、供应商可能已经涨价、客户的项目可能已经错过。现在有了 DataClaw Kraljic 生产采购专家变化从每天早上9：00开始每天早上9:00，Kraljic 生产采购专家会把一份《今日采购经营日报》主动推到李总的手机上。——不是 KPI 仪表盘，不是静态看板，是已经分析过的判断。DataClaw从整体向下排查Kraljic 生产采购专家从汉得30年供应链 know-how + PACS 采购智能决策系统方法论里，沉淀出本体化的底层设计以及3步分析法：业务对象本体化；业务对象之间的关系网络化；规则本体化；基于业务对象、关系网络和规则本体， DataClaw 输出3步分析：第一步给每个品类贴一张“画像”Kraljic 矩阵自动定位按“业务影响（金额 x 战略）x 供应风险（集中度 x 弹性 x 替代）”，所有品类自动放进4个象限：战略 / 杠杆 / 瓶颈 / 常规。回到 CAT-03-05：业务影响高：年增长14%、BOM 占比上升、影响6个客户项目12亿收入；供应风险高：CR2 = 88%、HHI = 4,816、产能利用率95%、替代成熟度2/5；→ Kraljic 象限：战略品类。第二步给每家供应商贴一张“画像”多维绩效+风险评级依据 PACS 方法论，从交付、质量、产能、关系、战略价值5个维度，给每家供应商打分。CAT-03-05 的三家供应商：▲行业参考：OTD≥95%为优；PPM≤200为优；产能利用率度<=80%为健康第三步把品类画像和供应商画像叠在一起三重叠风险一目了然CAT-03-05 暴露的是采购最怕遇到的三重叠：结构性高度集中——HHI 4,816（>2,500即高度集中，采购方几乎无谈判筹码）；供应商低弹性——前两家产能利用率94-95%，几乎没有扩产空间；替代资源困难——可替代供应商仅1家、替代成熟度2/5、切换成本432万、认证周期180天。一个8800万的品类，卡着一家供应商95%的产能、64%的份额、和432万的切换成本。这不是“风险”，这是“地雷”。回到开头的具体客户/场景回到开篇那条推送：「光学玻璃/晶圆品类（CAT-03-05）｜战略品类·高风险——蓝玻璃晶圆料号已进入 EOL 预警」这个判断是怎么来的？蓝玻璃晶圆（MAT-0305-002）是 CAT-03-05 的6个关键料号之一，年需求15.7万 PCS，已标注 EOL 预警——Kraljic 生产采购专家自动从料号生命周期表中识别，叠加“该料号所在品类为战略品类+替代成熟度仅2/5”，自动升级为紧急。「前2供应商集中度88%，清X光学份额64%，产能利用率95%，建议立即介入。」这一条来自3条规则的自动交叉：CR2 > 70% → 集中度；单供应商份额 > 50% → 单一依赖；主力供应商产能利用率 > 90% → 弹性不足。3条规则叠加→自动推送给采购总监。18天前需要3次会议+2周分析的事情，今天用4秒推完了。问题被一层层查了出来但李总没停在这里。他点开 Kraljic 生产采购专家的“全品类体检表”——不只是 CAT-03-05。系统对全公司所有采购品类按4象限跑了一遍，自动标出每一类的风险等级、关键料号状态、Top 供应商健康度。过去是“一个品类一个品类地查”，今天是“一张表查全部品类”。给建议＋测算效果Kraljic 生产采购专家接着给出针对三家供应商的分级建议：⚠️实际效果取决于措施是否落地、替代供应商是否匹配、客户配合度——以上建议为方法论输出，不构成业绩承诺固化推送：每天自动给报告/任务这套方法不需要每天重新问。Kraljic 生产采购专家已经把数据口径、Kraljic 矩阵分类规则、供应商分级标准、价格异动阈值、料号生命周期规则全部沉淀下来——每天9:00 → 推送《采购经营日报》（含紧急告警）；每周一9:00 → 推送《本周采购风险预警+改善任务清单》；每月1日 → 推送《品类画像更新+供应商绩效月度报告》；每季度首日 → 推送《季度品类策略复盘+寻源建议》。数字员工不是在“被动回答”，是在“主动盯盘”。下一次蓝玻璃晶圆真要 EOL、下一次清X光学真要涨价——李总会在发生之前收到提醒，而不是在发生之后才开会。让80%的采购精力从应对当下变成经营未来过去采购品类经历5件事务性工作过去，一位采购品类经理每周要花60–70%的时间在：◈ 拉数据：从 ERP、SRM、R&D/PLM 导7–8 张表；◈ 对数据：处理供应商编码不一致、单位不一致、缺项；◈ 做分析：算金额、算集中度、算 HHI、算价格异动、算风险；◈ 出报告：画 PPT、写简报、发邮件；◈ 盯进度：跟催改善单、跟踪寻源进度、复盘品类策略。真正用于“想清楚怎么花钱”的时间，反而不到 30%。现在数字员工接走5件品类经理只剩判断决策现在，Kraljic 生产采购专家把这些高频重复工作全部接走：✅ 拉数据 → 跨 ERP、SRM、PLM 自动拉取，统一编码；✅ 对数据 → 自动清洗、自动对齐、自动标记异常；✅ 做分析 → Kraljic 矩阵+供应商分级+HHI 集中度+替代成熟度全自动；✅ 出报告 → 每天/每周/每月/每季度主动推；✅ 盯进度 → 改善单、寻源单、品类策略自动跟踪、异常自动升级。品类经理只需要做一件事：判断决策。要不要批准清X光学那份长期框架协议？要不要把X澈升级为战略供应商？要不要主动拜访光X光学推动扩产？——把“分析”交出去，把“判断”拿回来。价值把精力放回4件业务价值工作采购品类经理可以把更多精力放回真正影响采购经营结果的事情：✅ 跑关键供应商：把时间从“盯数据”换成“和清X谈判产能保障、和X澈谈扩产激励”；✅ 做品类策略：每年2次品类策略复盘，重新定义“该买谁、该买多少、该什么时候买”；✅ 谈关键合同：把时间花在真正影响80%支出的战略品类和杠杆品类上；✅ 培育第二供应源：从被动寻源变成主动构建“备份供应链”。让80%的采购精力从应对当下变成经营未来今天，DataClaw数字员工“Kraljic生产采购专家”正式上岗“Kraljic 生产采购专家”将为最终闭环（不是任务完成了，而是状态改善）做进一步迭代，包括但不限于：从建议自动化转为结构化的 Initiative 和 Action；AI 交互与业务应用场景封装……敬请期待~想看您行业的“生产采购专家”数字员工怎么构建？怎么用？请联系您熟悉的汉得商务伙伴或扫描下方二维码了解更多也欢迎在评论区与我们聊一聊您的采购品类分析痛点

08-10

汉得 AI Factory 融合方案｜灵炼模型部署融合 NVIDIA NIM & Dynamo！

汉得企业级大模型训练与管理平台-灵炼（英文名 H-AI TrainHub，以下简称灵炼），是汉得 AI Factory 融合解决方案的企业级一站式模型训练与管理平台，覆盖数据集管理、精调、推理部署与评测等端到端能力，专注性能与安全保障，全面支撑企业 AI 模型开发与落地。

08-10

汉得 AI Factory 融合方案｜灵炼模型部署融合 NVIDIA NIM & Dynamo！

汉得企业级大模型训练与管理平台-灵炼（英文名 H-AI TrainHub，以下简称灵炼），是汉得 AI Factory 融合解决方案的企业级一站式模型训练与管理平台，覆盖数据集管理、精调、推理部署与评测等端到端能力，专注性能与安全保障，全面支撑企业 AI 模型开发与落地。本文将带您快速掌握灵炼模型部署的推理新能力：在现有 vLLM 推理引擎基础上，集成 NVIDIA NIM 与 NVIDIA Dynamo 推理框架，构建统一、高效且可扩展的推理平台。从镜像维护、模型版本配置，到部署选择、服务监控，再到一键对接灵猿 AI 中台，帮助您为不同业务场景选择最合适的推理方案。为什么要引入新的推理能力做过大模型私有化落地的团队应该都有体会：模型部署这件事，难的从来不是“跑起来”，而是“跑得稳、跑得快、管得住”。同一个模型，换个引擎、换套参数，吞吐和时延可能差出一倍。在推理侧，灵炼此前一直以 vLLM 作为默认引擎。vLLM 足够优秀，但随着企业 AI 应用从“试点验证”走向“规模化生产”，单一引擎的局限逐渐显现：💢场景在分化有的客户追求开箱即用与企业级支持保障，有的客户在多机多卡集群上追求极致吞吐，一把尺子量不了所有场景；💢算力驱动营收GPU 算力是企业级AI部署的核心资源，推理方案每提升一分吞吐，就意味着处理相同工作负载时所需的 GPU 数量更少 ——方案选择将直接影响企业拓展营收规模与降低总体拥有成本(TCO)的能力；💢生态在演进基于 NVIDIA 构建的推理软件栈（TensorRT-LLM、NIM、Dynamo）持续优化，企业需要一条能持续吸纳新推理能力红利的路径，而不是被锁死在某一代方案上。因此，灵炼此次升级的意义不只是“多了两个选项”，而是让平台具备了多能力栈管理的体系化能力——容器镜像、模型适配、部署选择、参数实践、监控运维一条链路打通。企业只管按场景选用，把“换推理方案”的成本压缩到一次下拉选择。灵炼模型部署融合NVIDIA NIM & Dynamo部署再升级！灵炼模型部署正式接入 NVIDIA NIM 与 NVIDIA Dynamo，形成 vLLM、NIM、Dynamo 三大推理技术协同的架构，进一步提升模型服务的性能、稳定性与运维效率。推理方案自由选在现有 vLLM 基础上，新增对 NVIDIA NIM 与 NVIDIA Dynamo 的支持。部署时可根据模型配置按需选择推理方案，通过一套标准化流程实现多种推理技术的统一部署与管理。镜像有章法底层配置支持维护通用镜像；针对 NIM 模型专用镜像的特点，支持在模型仓库对应版本上维护 NIM 专用镜像，镜像跟着模型版本走，部署自动带出。参数不用猜平台内置各推理方案可配置的内置参数与最佳实践，部署时给出推荐配置，无需从零翻阅引擎文档调参。监控开箱即用NIM、Dynamo 服务指标同步支持平台监控，与 vLLM 保持一致的可观测体验。生态一键贯通部署完成后支持一键对接灵猿 AI 中台的模型账号维护与模型账号组合配置，推理服务直达上层应用。认识两位新成员先看它们所在的大图景AI Factory 与 NVIDIA AI Enterprise在正式介绍这两位新成员之前，有必要先理解它们从何而来。AI Factory（AI工厂）这是一套软硬件协同设计的完整体系，目标是让企业能够规模化、可持续地把算力高效地“炼”成 AI 生产力——这也正是 AI 推理进入生产环节后，对吞吐、时延与成本提出的现实要求。要把这座“工厂”真正跑起来，除了底层硬件，还需要一整套经过验证、可长期维护的软件栈，这就是 NVIDIA AI Enterprise。NVIDIA AI Enterprise将面向 AI 开发的微服务、框架和库与先进的 GPU 编排和基础设施管理相集成，打造出全面受支持的生产就绪型商业软件套件。助力企业自信部署领先的开源工具和AI模型，提高生产力，加速价值实现，同时以优化的资源利用率大规模运行 AI 工作负载。可以把 NVIDIA AI Enterprise 理解为 AI Factory 的软件操作系统：AI Factory 描绘了目标形态，NVIDIA AI Enterprise 则提供了让这套体系真正落地运转的标准化软件基座。而本次要介绍的 NIM 与 Dynamo，正是 AI Factory 软件栈中两个关键组件：一个负责让单个推理服务开箱即用、跑得又快又省心；另一个负责在大规模 GPU 集群上把分布式推理编排到极致。理解了这层归属关系，再来看它们各自的能力，就更容易把握它们在整个 AI 工厂里所扮演的角色。1NVIDIA NIM官方预优化的“开箱即用”NVIDIA NIM 是一套易于使用的预构建容器工具，目的是帮助企业客户在云，数据中心和工作站上安全，可靠的部署高性能的 AI 模型推理。它由 Model-Free NIM，Day0 NIM 和 Refresh NIM 组成，它把推理框架（vLLM/SGLang），最小运行时依赖，最佳推理实践统一打包为容器镜像，启动即为标准 API 服务。它的价值主要在三点：✅ 开箱即用：无需自行处理复杂的推理框架部署和配置，容器启动时自动匹配当前 GPU 的最优 profile。其中：○Model-Free NIM 允许用户以最新的推理框架版本加载任意模型，同时兼顾合规和企业级 feature；○Day0 NIM 允许用户在第一时间获取最新的验证过的开箱即用模型；○Refresh NIM 允许用户获得对于特定模型的最佳性能。✅ 性能有保障：如果用户使用的是 Refresh NIM，底层是深度优化的推理路径，在 NVIDIA GPU 上通常可获得优于通用方案的吞吐与首 Token 时延。同时用户还可针对特定需求生成自定义优化方案，并将其无缝集成到 NIM；✅ 企业级支持：具备官方的版本维护与安全更新，没有高危代码漏洞风险，契合合规要求高的企业客户。需要注意的是，NIM 镜像是“多层次” 的——每个模型和框架版本对应各自的 NIM 镜像，这对平台的镜像管理能力提出了更高要求，也是灵炼本次在产品设计上重点解决的问题。2NVIDIA Dynamo数据中心级的分布式推理框架如果说 NVIDIA NIM 解决的是“单个服务如何跑得又快又省心”，Dynamo 瞄准的则是另一个维度：大规模分布式场景下，GPU 集群如何协同把推理跑到极致。Dynamo 是一个开源的数据中心级分布式推理框架，核心能力包括：✅ P/D 分离（Disaggregated Serving）：将推理的 Prefill（提示词计算）与 Decode（逐 Token 生成）拆到不同 GPU 组分别调度——前者吃算力、后者吃显存带宽，分开后各用其长，在长上下文、高并发场景下集群整体吞吐提升非常可观；✅ KV Cache 感知路由：智能路由器掌握各节点的 KV Cache 分布，将请求调度到缓存命中率最高的节点，减少大量重复计算；✅ 多级 KV 缓存管理：KV Cache可在显存、内存、本地盘之间分层流转，用更经济的存储扛住更大的缓存量；✅ 引擎无关：底层可对接 TensorRT-LLM、vLLM、SGLang 等推理内核，Dynamo 负责上层调度与编排。如何选择合适的推理方案？一个务实的选型参考：日常开发验证用 vLLM；NVIDIA GPU 上的标准化高性能生产部署优先 NVIDIA NIM；当业务量大到需要跨节点扩展推理集群时，就是 NVIDIA Dynamo 的主场。快速入门 - 配置维护维护推理方案通用镜像模型部署/配置维护：为各推理方案维护通用镜像。vLLM、Dynamo 等采用“一个镜像服务所有模型”的通用镜像模式，在配置中统一登记镜像地址与版本，部署时直接引用，镜像升级只需维护一处，不再需要在各个环境里口口相传“该用哪个 tag”。◈ 推理方案：vLLM / NVIDIA NIM / NVIDIA Dynamo；◈ 通用镜像：维护对应的镜像地址与版本，针对 NVIDIA NIM 的渠道类型，平台内置了 Model-Free NIM。模型仓库维护 NIM 专用镜像模型仓库/模型版本：为模型版本维护 NVIDIA NIM 模型专用镜像。与通用引擎不同，NIM 模型专用镜像与模型一一对应。灵炼将 NIM 专用镜像的维护入口设计在模型仓库的对应模型版本上，镜像与模型版本强绑定，部署时自动带出，如果官方没有发布模型专属 NIM，会默认使用 Model-Free NIM。在模型版本上配置该版本支持的推理清单。不同模型对推理底层的适配情况不同，通过版本级的配置，部署环节只展示合法选项，从源头避免“用错引擎起不来服务”的低级错误。模型部署选择推理方案模型部署：新建部署任务，选择推理方案。◈ 模型及版本：选择目标模型；◈ 推理方案：从该模型版本配置的方案中选择 vLLM / NVIDIA NIM / NVIDIA Dynamo；◈ 参数配置：平台预置各引擎默认参数与最佳实践推荐值—— vLLM 的显存利用率与最大序列长度、NVIDIA NIM 的 profile 选择、NVIDIA Dynamo 的分布式拓扑等，均给出参数说明与推荐配置，同时支持关键参数自定义调优。同一个模型，开发环境用 vLLM 快速验证，生产环境切换NVIDIA NIM 或NVIDIA Dynamo 上强度，切换成本被压缩到一次下拉选择。服务监控新技术栈不能是“监控盲区”。部署完成后， NVIDIA NIM 与 NVIDIA Dynamo 服务的运行状态与推理指标已同步接入平台监控，与原有 vLLM 服务保持一致的运维体验，服务健康度、推理指标一目了然，问题快速定位。一键对接灵猿 AI 中台推理服务就绪后，支持一键对接灵猿 AI 中台，自动完成模型账号维护与模型账号组合配置，无需在两个平台间手工复制接入信息，推理服务直达上层 AI 应用，打通从模型部署到应用消费的最后一公里。推理世界迭代很快，平台的价值不在于押注某一个引擎，而在于把“换推理方案”这件事变得足够便宜。以上内容主要讲解了灵炼模型部署接入 NVIDIA NIM 与 NVIDIA Dynamo 后的推理方案镜像维护、推理方案选择、部署参数最佳实践、服务监控、灵猿一键对接相关能力——从镜像、参数、监控到上层应用对接的整条链路都是现成的，企业只需按场景选择最合适的推理方案。更多功能细节可参阅开放平台文档，或随时联系研发团队：openhand@vip.hand-china.com。未来我们将持续迭代，为您带来更多 AI 模型开发与落地体验，期待与您交流！欢迎在评论区留言，一起探讨 AI 模型推理部署在您业务中的应用潜力~携手汉得，共铸硬核竞争力！

08-10

汉得 x SKG｜主数据治理项目启动，为AI领航铺路，为高效运营筑基！

8月7日，SKG 联合汉得正式召开 MDM 主数据治理项目启动会，双方核心团队共同参会，标志着 SKG 主数据治理项目正式拉开帷幕。

08-10

汉得 x SKG｜主数据治理项目启动，为AI领航铺路，为高效运营筑基！

8月7日，SKG 联合汉得正式召开 MDM 主数据治理项目启动会，双方核心团队共同参会，标志着 SKG 主数据治理项目正式拉开帷幕。随着 SKG 数字化建设持续深化，研发、供应链、营销、财务等业务系统陆续上线，企业数据规模快速增长。但由于主数据入口分散、标准不统一、跨系统流转规则不清晰，数据重复、缺失及口径不一致等问题逐步显现，不仅影响业财协同和经营分析，也制约了 AI 场景的规模化落地。AI 能够释放多大价值，取决于企业数据是否准确、统一、可理解。建设统一的主数据标准与治理机制，已成为 SKG 迈向 AI Ready、推动“数据 x AI”价值落地的关键前提。本次项目将实现主数据标准可查、管理有效、数据贯通，为业务高效运营建设筑牢底层支撑，同时为后续 AI 领航战略落地提供高质量的结构化数据基础。汉得 x SKG主数据治理项目启动SKG（全称：未来穿戴健康科技股份有限公司），是国内头部智能可穿戴按摩健康品牌，主打颈椎按摩仪等便携按摩设备，线上线下多渠道销售，产品销往全球多个国家。蓝图先行让主数据在系统间规范流转SKG 研发总监张健先生表示，避免人为干预导致数据失真、流转拥堵，需输出 MDM 主数据平台与各业务系统的流转节点蓝图，明确各环节的标准管控要求。强调数据治理要实事求是，遇到问题及时反馈，必要时做合理取舍；数据标准梳理、数据清洗阶段需配置专门的人员保障，避免兼职推进导致项目落地效果不佳。SKG 研发总监张健先生AI 就绪高质量数据是 AI 落地的前提汉得数智事业部总经理曹正炎先生表示，当前企业数字化建设进入深水区，AI 落地的前置要求是做好主数据治理，实现 “AI Ready”。本次主数据项目是 SKG 整体数据与 AI 大规划的重要前置环节，最终实现 “Data × AI for Value”，通过数据与 AI 的加持提升公司整体运营效率。汉得数智事业部总经理曹正炎先生共建共治主数据治理必须由业务共同参与SKG AI 变革与数智化总监康小辉先生表示，主数据治理核心是立标准、建规则，需各业务部门共同共创，配套出台管理办法明确违规处理规则，保障标准落地。并提出项目推进的四点要求：参与人员要有耐心细心，秉持较真精神打磨细节；要对标外部标杆经验，敢于否定过往不合理的旧操作；项目上线不是结束而是数据长期运营的开始，要严格遵守标准保障后续增量数据的干净准确；相关人员要遵守会议纪律，按时参与相关讨论与评审决策。SKG AI 变革与数智化总监康小辉先生质量筑基数据可信，AI 才能真正可用SKG 质量运营总经理赖珍玉女士提出，主数据是 AI 落地的核心前置基础，无标准数据则 AI 无法发挥实际价值，需拿出“打得一拳开，免得百拳来”的决心，一次性彻底解决底层数据问题。SKG 质量运营总经理赖珍玉女士主数据项目不仅仅是 IT 项目，更多的是管理项目，涉及到企业流程、数据标准、数据管理制度的变化和完善。业务部门深度参与和持续支持是本次项目顺利实施的基础。当前整个项目时间紧、任务重，SKG 的业务团队将与汉得的技术专家紧密合作，确保项目每一个环节都能精准对接，高效运转。此次项目启动，不仅标志着 SKG 主数据治理工作进入系统化、标准化建设阶段，也意味着 SKG 向 AI Ready 企业迈出了关键一步。未来，汉得将与 SKG 业务及数字化团队深度协同，共同建立统一的数据标准、清晰的管理责任、受控的数据流程和长效的数据运营机制，让数据真正成为连接业务、支撑决策、驱动 AI 的核心生产要素。数据有标准，业务能协同；底座更可信，AI 才真正可用。让我们共同期待，通过此次合作，SKG 与汉得将携手为行业数据治理树立新标杆。携手汉得，共铸硬核竞争力！

08-07

汉得携手矩阵起源，共建企业级AI落地新生态！

近日，上海汉得信息技术股份有限公司（以下简称汉得）参与投资的基金，参与了企业级 AI 基础设施厂商矩阵起源（MatrixOrigin）的 A 轮融资。

08-07

汉得携手矩阵起源，共建企业级AI落地新生态！

从企业应用到 AI 基础设施底座汉得以「得·灵」体系为基础携手矩阵起源打通企业 AI 智能化升级的“最后一公里”近日，上海汉得信息技术股份有限公司（以下简称汉得）参与投资的基金，参与了企业级 AI 基础设施厂商矩阵起源（MatrixOrigin）的 A 轮融资。本轮融资金额超千万美元，由汉得参与投资的基金、算力基础设施综合服务商亚康股份与澳大利亚风险投资机构 Artesian VC 共同注资。本次投资完成后，汉得与矩阵起源将进一步探讨在业务层面依托各自优势深度生态协同，使得汉得在 AI 领域的整体能力进一步向 AI 基础设施层延伸——从企业应用生态到 AI 基础设施底座，以构建更加完整的企业级 AI 解决方案能力。具体合作意向在进一步协商探讨中，若有进展公司将在指定媒体披露相关公告，敬请关注！随着 AI 在企业侧从单点应用向业务深度融合演进，我们敏锐洞察到：企业 AI 落地的真正瓶颈，不在于模型能力本身，而在于统一的 AI 平台工具、数据、AI 智能体、与企业现有业务流程和业务系统融合。汉得“得·灵”企业级 AI 产品和服务体系，涵盖灵猿 AI 中台、灵手业务智能体、灵睿垂直模型、灵炼大模型训练平台及灵策配套服务，已在多家头部企业成功落地。然而，在企业 AI 走向规模化、智能体加速进入生产环境的过程中，底层基础设施的统一性与开放性成为决定 AI 能否真正融入业务运行的关键变量。矩阵起源自主研发的 MatrixOne Intelligence 平台，基于 AI-Native 架构，将 HTAP、数据湖、元数据管理、AI 服务与智能体运行时（Agent Runtime）深度融合于同一平台，恰好填补了企业 AI 基础设施层的关键空白。汉得与矩阵起源的协同价值，体现在“自上而下”与“自下而上”的双向赋能：自上而下，场景牵引汉得凭借近三十年积累的深厚行业 Know-how 和数千家企业客户的真实业务场景，为 MatrixOne Intelligence 平台提供来自一线的需求牵引。汉得“得·灵”体系中丰富的业务智能体应用经验，能够帮助矩阵起源更精准地对接企业实际需求，加速产品在制造、金融、物流、财务、电信、快消品等行业的规模化落地。自下而上，底座支撑矩阵起源的 MatrixOne Intelligence 平台，为汉得的 AI 应用体系提供统一的数据与 AI 基础设施底座。传统架构下，企业推进 AI 应用需分别部署数据库、数据平台、AI 平台与智能体系统，四套系统各自独立运维，成本与复杂度居高不下。矩阵起源 MatrixOne Intelligence 将上述能力收敛至同一平台，与汉得的“得·灵”体系形成“基础设施+应用”的完整闭环，大幅降低企业 AI 建设门槛，帮助企业构建可信、安全、可治理且可持续演进的 AI 能力体系。汉得 COO 黄耿表示：“企业级 AI 正在从‘单点尝试’迈向‘智能化升级规模化落地’的关键拐点。汉得长期服务于企业数智化转型一线，我们深刻认识到企业级的智能化升级是需要算力、模型、数据、平台工具、智能体应用与企业的业务流程和业务系统融合的系统工程。基于汉得在 AI 能力构建上的整体战略布局，将‘得·灵’体系多年积累的行业洞察和服务能力、AI 应用产品和解决方案，与矩阵起源的数据底层技术能力深度融合后，可逐步构建从 AI 基础设施到 AI 应用的全栈解决方案，帮助客户构建 AI 时代的核心竞争力。”当前，全球企业软件市场正加速向 AI-Native 转型。Databricks、Snowflake、Palantir 等海外头部厂商相继强化自身的 AI 基础设施能力，企业级 AI 基础设施有望成为继云计算、大数据之后的新一代基础软件市场。随着智能体加速进入企业生产环境，企业 AI 的竞争焦点正从单一模型能力，转向数据、智能体、AI 基础设施底座的统一运行平台。汉得与矩阵起源将进一步探讨在业务层面依托各自优势深度生态协同。汉得将依托矩阵起源的技术底座，进一步丰富“得·灵” AI 产品体系的应用场景与底层支撑能力；矩阵起源则将借助汉得庞大的客户资源和行业经验，加速 MatrixOne Intelligence 在企业场景中的规模化落地。汉得与矩阵起源的联手，将为企业级 AI 基础设施赛道注入新的活力，助力更多企业构建可信、安全、可治理且可持续演进的 AI 能力体系。矩阵起源（MatrixOrigin）矩阵起源（MatrixOrigin）成立于2021年，是一家专注于企业级 AI 基础设施的创新科技公司，致力于构建统一的数据、AI 与智能体基础设施。公司自主研发的 MatrixOne Intelligence 是一体化 AI-Native 基础设施平台，融合统一数据平台、AI 服务、智能体运行时及企业级治理能力，为企业提供可信、安全、可持续演进的 AI 基础设施底座。目前，产品已在制造、金融、物流、财务、电信、快消品、互联网、半导体等行业实现规模化落地，累计服务企业客户超过100家。汉得信息上海汉得信息技术股份有限公司（300170.SZ）成立于2002年，是国内领先的企业级数智化产品和解决方案综合提供商。公司基于自主企业级 PaaS 平台 H-ZERO，构建了覆盖产业数字化与财务数字化的完整自主产品体系，并推出“得·灵”企业级 AI 产品和服务体系，涵盖 AI 中台、业务智能体、垂直模型、大模型训练平台及配套咨询服务。目前，汉得信息累计服务超过8000家行业头部客户，AI 应用落地覆盖制造、营销、财务、供应链、人事等全业务领域，致力于帮助企业实现从数字化到智能化的跨越。携手汉得，共铸硬核竞争力！

08-04

汉得产品出海｜HiFins汉得智慧财务套件帮助香港综合能源服务客户，构建全球化财务运营统一电子会计档案！

近期，汉得携手香港某中资综合能源服务头部企业正式启动全球财务运营统一电子会计档案建设项目。

08-04

汉得产品出海｜HiFins汉得智慧财务套件帮助香港综合能源服务客户，构建全球化财务运营统一电子会计档案！

近期，汉得携手香港某中资综合能源服务头部企业正式启动全球财务运营统一电子会计档案建设项目。本次项目基于HiFins汉得智慧财务套件，将帮助客户建成一套适配中国内地、中国香港及老挝、菲律宾、泰国、澳大利亚、新加坡多国家地区法规的全球化财务运营电子会计档案统一平台，助力企业全球化合规运营，提升档案管理效能、筑牢合规底线！政策趋严＋跨境经营财务档案管理要求升级近年来，从新《档案法》、《会计档案管理办法》到电子凭证会计数据标准陆续落地，国内监管要求持续细化，对跨境档案管理也提出标准化硬性要求。作为扎根香港的中资能源企业，既要满足内地监管与集团内控要求，又要适配境外全球化业务运营场景，财务档案管理复杂度更高，企业传统档案模式长期面临多重管理难题：💢人才资源占用大香港人工成本高昂，财务人员每月耗费大量工时完成凭证打印、装订、归档，耗费数十至上百小时；遇到审计检查，还需抽调人手突击整理；大量高薪酬人力消耗在重复性琐碎工作上，挤占核算分析等高价值工作时间，人才价值被低估。💢存储成本高香港土地资源紧张、办公租金昂贵，纸质档案需要占用专属办公库房，长期存放持续消耗宝贵办公空间，直接抬高职场租赁成本，且业务扩大后成本线性增长，难以压缩。💢档案检索低效纸质凭证缺乏规范分类，查找历史凭证耗时费力。跨部门、跨地域借阅流程繁琐，易出错或延误，直接影响审计、对账等关键业务的响应速度。💢安全合规隐患纸质档案容易因借阅管理不善而出现丢失、破损风险；同时，纸质易出现潮湿、火灾、虫蛀、老化褪色等问题。💢数据孤岛协作难发票、银行回单、凭证等电子版分散在ERP、共享系统、合同系统、资金管理系统等多个系统中，纸质与电子并行，数据难以联动，信息价值无法充分释放。传统档案管理方式，已经难以支撑企业长期发展，搭建全球化财务运营标准化统一的电子会计档案平台迫在眉睫。合规、提效、风控降本三大目标驱动档案数字化升级本次电子会计档案项目围绕合规、效率、风控成本三大维度确立建设目标：合规目标搭建标准化、全生命周期档案体系严格遵循国家档案法规及集团制度要求，搭建符合标准的电子会计档案管理体系；覆盖档案全生命周期管理，落实涉密档案管理规范，确保电子档案具备完整法律效力。效率目标提升档案管理效能解放财务人力实现业务系统与档案平台互联互通，支持凭证自动归档、档号自动生成；搭建分级权限检索体系，简化跨地域档案调阅，实现档案数据共享，统计数据自动汇总，减少人工统计工作量。风险与成本目标降低运营成本防控档案风险搭建异质异地备份存储架构，防范档案数据丢失；规范档案迁移、销毁流程，推进传统档案数字化；配套运维考核机制，保障系统长期稳定运行。汉得智慧财务团队将依托多年财务数字化建设经验，助力客户完成全球财务运营统一电子会计档案平台落地，为财务全球化高效运营打下了良好的基础，以数字化能力支撑企业跨境业务稳健运营！会计档案全生命周期管理汉得财务数字档案室汉得基于二十多年财务信息化与数字化服务经验，依托自研的H-ZERO技术平台，推出财务数字档案室产品，帮助企业以数字化重构会计档案全生命周期管理，助力企业构建合规、智能、可追溯的数字档案体系，将会计档案从“沉睡档案”变成可复用、可追溯、可支撑决策的“价值资产”。全要素智能电子归档汉得按照费用报销域、薪酬核算域、资产核算域、总账报表及档案域、资金结算域、税金核算域、采购应付域、存货成本域、收入核算域等九大业务域，串联各业务域端到端的业务线索与财务数据链，实现全要素信息的自动关联、智能匹配、一键归档，形成完整合规的会计电子档案。档案管理更智能一键检索：智能归档后，可基于任意条件的信息检索，秒级定位档案；类纸质预览体验：模拟纸质预览模式，从凭证—单据—发票—附件的顺序阅读。档案查阅更安全依托财务-业务全链路数据贯通，支持业务链穿透式查询，实现从财务档案到业务源头的一键追溯。彻底告别传统查账“翻箱倒柜”的低效模式，大幅提升审计、查账、溯源效率，实现全流程可追溯、全链路可管控。档案归档更精简随着外部会计资料全面电子化，企业纸质资料已大幅减少至10%左右。汉得支持分类归档模式——少量纸质档案分类收单、装盒索引、线下精简保管；超过90%的电子资料自动规范化归集、结构化存储；实现线下不杂乱、线上可追溯、全域可管控。汉得作为立足上海服务全球客户的企业级数智化综合服务商，始终秉承以数智化技术赋能企业运营管理数智化升级的使命。基于汉得多年积累的全球化客户服务经验和自主产品，伴随优秀的中国企业客户走出去，助力更多企业全球化业务拓展，提升全球化硬核竞争力。携手汉得，共铸硬核竞争力！

08-03

汉得受邀参加中国总会计师协会专题培训班，分享财务AI应用实战经验！

2026年7月22日，由中国总会计师协会与《中国总会计师》杂志社联合主办的“AI+大数据赋能数智化跃迁与工具实战暨在财务场景的深度融合与价值创造”专题培训班在重庆举行。上海汉得信息技术股份有限公司子公司甄自信息总经理隋朋举受邀出席，并围绕企业财务领域AI智能化应用场景做主题分享。

08-03

汉得受邀参加中国总会计师协会专题培训班，分享财务AI应用实战经验！

2026年7月22日，由中国总会计师协会与《中国总会计师》杂志社联合主办的“AI+大数据赋能数智化跃迁与工具实战暨在财务场景的深度融合与价值创造”专题培训班在重庆举行。上海汉得信息技术股份有限公司子公司甄自信息总经理隋朋举受邀出席，并围绕企业财务领域AI智能化应用场景做主题分享。汉得认为，AI转型不是单纯的技术升级，而是涉及战略重塑、组织重构、流程再造及数据治理的系统性工程。汉得与客户一起规划以AI原生系统为目标的企业AI能力建设路径，实现企业具体AI应用场景的落地，建立起可持续的企业AI能力增长和应用场景拓展循环管理体系。财务领域AI应用需从岗位和职能的视角出发，在事务性工作、求唯一解和求最优解工作中逐步扩展。从“重复工作替代”向“智能决策伙伴”升级，打造以AI为核心的财务智能能力中台。隋朋举从实战的角度，分享了汉得3个不同行业、不同客户类型的财务领域AI能力建设和应用场景实施的真实案例。案例以详实的交付过程、效益分析和结果展示内容，向听众介绍汉得在企业财务领域落地AI能力的合理和可行的方案选择。场景应用汉得财务域AI应用涵盖四大方向： AI数字员工集群财务领域一直是自动化和智能化数字员工落地的重点领域。资金支付全面管控、资金对账自动化、智能总账月结Agent及财务快报生成Agent等典型成熟应用支持快速部署、即刻见效。智能审核与填报通过“AI大模型+规则引擎”双轮驱动实现报账单、采购单、付款单等单据智能审核与填报，实现合同合规审查。汉得优易联智能审核平台，提供多模态AI智审兜底的补充方案，最大限度保障审核准确率。企业知识及数据应用基于汉得AI中台，企业快速搭建自有知识库，实现内外部知识的自由、准确和深度问答；同时支持企业高效落地ChatBI平台，实现数据的智能问答、统计与分析。风险合规审查与预警汉得自研风控、合规、监管一体的智慧风控平台，基于LLM的自然语言处理能力建设合规词条数据库，基于语义分析实现内部制度合规问答与重大交易合规审查，基于数据模型和AI能力实现全域风险智能预警。建设路径汉得建议企业构建AI能力遵循总体规划、标杆试点、循序渐进的原则：从管理层推动开始，做好知识沉淀与系统梳理，先行试点树立标杆再逐步推广。同时，企业应构建私有化部署的AI能力中台，确保数据安全与合规，让AI真正融入日常业务、赋能财务转型。汉得作为扎根中国、布局全球的企业数智化综合能力服务商，已沉淀各行业头部企业诸多标杆案例验证的AI数字员工能力构建方法论体系和产品解决方案体系。未来汉得将持续助力企业以AI+大数据驱动数智化跃迁，释放财务价值创造新动能，帮助企业沉淀AI资产，构建AI时代的核心竞争力。甄自信息上海甄自信息科技有限公司成立于2020年，是国内领先的企业数智化综合服务商上海汉得信息技术股份有限公司（证券代码：300170，证券简称：汉得信息）的子公司。公司成立以来，围绕RPA、AI、大模型、数字员工、智能体等技术，依托强大的技术资源和经验丰富的咨询和实施团队，一直致力于国内办公自动化智能软件的研究及企业数字化转型技术咨询与实施服务。携手汉得，共铸硬核竞争力！