热点新闻

HOT

「汉得 AI-SAP 升级方法论」亮相云栖大会，汽配行业采购询比价智能体斩获 SAP 行业 AI 共创优秀入围方案！

2026云栖大会已圆满落幕，本届大会聚焦大模型、智能体与 AI 基础设施从技术演示走向产业落地，探寻企业数智化转型全新路径。作为 SAP 重要生态合作伙伴，汉得亮相本届云栖大会 SAP 联合展台，带来「汉得 HIKER：AI-SAP 升级完整方法论」，同时汽车零部件供应商询价比价智能体方案获颁 SAP 合作伙伴行业 AI 共创优秀入围方案。

查看详情

汉得 x 威迈斯｜依托 HiFins 智慧财务套件共建财务共享数字化底座，开启新能源电源企业 AI 数智财务升级！

近日，汉得携手深圳威迈斯新能源（集团）股份有限公司（以下称“威迈斯”），正式启动财务共享平台建设项目！

查看详情

汉得企业智能体斩获华为云星耀创想者大赛“技术突破奖”！

华为云星耀创想者大赛暨首届企业级智能体创新赛圆满落幕！汉得·智序战队凭借企业级智能体创新实践，成功拿下华为云颁发的“技术突破奖”，汉得企业 AI 研发与落地能力再获权威认可。

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

09-10

汉得入选 IDC 中国工业 AI 及智能体市场图谱，让 AI 深入制造现场！

近日，IDC 发布《IDC Market Glance：中国工业 AI 及智能体，2Q26》，汉得入选企业级超级入口智能体、供应链智能体、工业 AI 服务类别核心代表厂商，同时入选行业 AI 的新能源、钢铁及有色等细分领域。

09-10

汉得入选 IDC 中国工业 AI 及智能体市场图谱，让 AI 深入制造现场！

近日，IDC 发布《IDC Market Glance：中国工业 AI 及智能体，2Q26》，汉得入选企业级超级入口智能体、供应链智能体、工业 AI 服务类别核心代表厂商，同时入选行业 AI 的新能源、钢铁及有色等细分领域。这份市场概览主要呈现中国工业 AI 生态的核心厂商，为了解汉得的平台、场景与服务能力提供新的窗口。从还原炉工艺异常预警，到电芯容量预测、光伏切片良率优化，再到钢铁板材智能自动组板，汉得持续围绕制造企业的真实业务问题，推动工业数据、算法模型与生产流程相互连接，让智能化应用进入工艺、质量、设备和协同管理的具体环节。工业 AI 的应用价值，最终要在生产现场得到验证：能否更早发现异常、更准确识别质量风险，并帮助现场人员完成处置。IDC 在报告中指出，工业领域的行业与场景碎片化特征显著，未来工业 AI 的发展将更多依赖多模态模型协同。对于制造企业而言，不同问题需要不同的技术能力：工艺趋势与质量预测需要机器学习、深度学习等模型分析过程数据；组板等复杂组合问题需要结合工艺规则与运筹优化算法；知识检索、意图理解与任务协同，则可以结合大语言模型和智能体能力。把模型能力接入制造流程，是工业 AI 落地的关键一步。依托「得·灵」企业级 AI 产品和服务体系，以及基于 H-ZERO 构建的 HCMs 制造协同平台，汉得将企业级 AI 能力与制造业务相结合，为数据贯通、模型应用、流程协同和持续迭代提供支撑。三方面能力共同支撑落地：贯通制造数据将设备运行、工艺参数、物料批次、产品履历和质量结果关联起来，让模型能够识别数据对应的生产对象和业务背景。连接模型与业务将风险评分、预测结果和知识建议接入生产、质量、设备等业务流程，明确由谁确认、如何处理、何时关闭。推动经验持续回流将现场复核、处置动作和实际结果沉淀下来，为知识更新、模型评估和后续优化提供依据。还原炉雾化预警让异常更早进入处置流程多晶硅还原炉运行周期长，炉况判断依赖人工巡检和工艺经验。✅ 汉得与客户共同探索基于过程数据的雾化预警方案，结合历史炉况、操作记录和现场确认结果训练模型，将异常趋势送入 MES 预警流程。现场人员复核后完成调整，处置结果持续回流，形成监测、预警、人员处置与经验沉淀的闭环。电芯容量预测探索预测与验证协同的分容路径动力电池完整分容测试需要占用设备、时间和能源。✅ 汉得探索关联电芯制造数据与化成曲线，通过模型识别容量变化及偏低容风险。在数据可靠、模型稳定且经过验证的条件下，探索较短测试与预测结合的路径；风险电芯和置信度不足的样本保留完整检测，异常时回退。让质量判断前移，同时守住验证底线。光伏切片良率优化找到关键影响因素光伏切片良率受多种工艺和设备因素影响。✅ 汉得通过分析历史切割数据与工况参数，识别影响良率的关键变量，结合模型开展实时分析和异常预警，为工艺优化提供依据。把复杂的良率问题转化为可分析、可验证的生产问题。钢铁板材智能自动组板优化合同组合与材料利用钢铁厚板组板需要把不同合同的钢板需求安排到板坯轧制与切分方案中，同时满足钢种、尺寸、压下比、炉长和热处理等约束。✅ 汉得将工艺规则与运筹优化算法结合，进行合同分组、约束校验和候选方案比较，兼顾合同尾量与材料利用。结果返回 MES，经业务人员调整、确认后衔接生产命令生成。让组板经验转化为可计算、可执行的生产方案。工业 AI 要在现场发挥作用，需要理解每个行业的生产逻辑：哪些工艺条件不能突破，哪些数据能够反映问题，哪些判断需要现场确认，以及一个优化建议如何进入实际生产流程。长期的行业深耕与丰富的客户案例积累，是汉得构建工业 AI 应用的重要优势。在新能源、钢铁等制造行业的持续服务中，汉得积累了大量行业知识、业务经验和客户项目案例。从生产计划、制造执行，到质量追溯、设备管理与物流协同，这些实践让汉得深入理解制造企业的业务流程、系统关系和现场约束，也为识别有价值的 AI 应用场景提供依据。汉得的重点行业选择，始终围绕国家制造业发展的战略方向。随着制造业向高端化、智能化持续升级，汉得的客户群也从“新三样”向“新新三样”不断延伸，在半导体设备、光模块、大型无人机、机器人等领域持续积累客户案例与项目经验，逐步建立起新的行业优势。这一延伸，也让汉得的行业知识与解决方案不断丰富。通过深入新领域的制造现场，理解产品特点、工艺要求与生产组织方式，汉得将已有的制造数字化经验与新的行业需求相结合，为工业 AI 拓展有业务基础的应用场景。丰富的客户项目经验，也让汉得能够在不同企业的实践中识别共性问题，沉淀业务模型、数据标准与实施方法，同时结合客户的工艺、设备和管理特点进行适配。由此，AI 应用从需求识别、数据准备到系统集成和现场运行，都能获得更贴近业务的支撑。懂行业，才能找准问题；有实践，才能把方案落到现场。汉得将持续把行业积累转化为 AI 应用能力，帮助制造企业解决生产经营中的具体问题。工业 AI 的长期价值，需要通过持续运行来实现。原材料批次、工艺条件与设备状态不断变化，模型效果需要评估，知识需要更新，业务流程也需要随之完善。汉得将企业级 AI 平台能力、制造业务经验与实施服务相结合，围绕需求分析、场景设计、数据治理、系统集成和部署迭代，为制造企业提供持续支持。通过把项目中的数据标准、业务流程和应用经验沉淀下来，为后续场景拓展与跨产线、跨工厂复用创造条件。此次入选 IDC 中国工业 AI 及智能体市场图谱，是汉得持续深耕工业领域的一个新节点。未来，汉得将继续围绕工艺、质量、设备与制造协同中的具体问题，深化 AI 与工业场景的融合，让数据支撑判断、让流程承接行动、让经验持续积累，帮助制造企业把工业 AI 转化为日常生产中可持续使用的能力。携手汉得，共铸硬核竞争力！

09-09

企业 AI 上岗，你胆子真是肥嘟嘟的！

汉得 DataClaw 让企业不再一个个开发 AI 场景，而是开始培育、上岗和管理自己的 AI 数字员工。

09-09

企业 AI 上岗，你胆子真是肥嘟嘟的！

🤦🏼‍♂AI 会写材料、做 PPT，就准备让它进企业上岗？💢不是会聊天，就叫上岗？办公AI提升个人效率，汉得 DataClaw 面向企业岗位履职。二者不是二选一，而是“1+1”。😑每来一个 AI 需求，还准备重新开发一个场景？💢不是做场景，而是培育员工。汉得 DataClaw 让企业从“开发 AI 场景”，走向“培育 AI 数字员工”。🙀岗位没定、业务没学、数据没接、权限没领，就让 AI 直接上岗？💢上岗前，先完成入职。汉得 DataClaw 让企业像培养员工一样培养AI——定岗位、学业务、接数据、领权限。😓不懂企业规则，不认公司数据口径，也敢让 AI 当经营参谋？💢AI办公，不等于企业岗位专才。汉得 DataClaw 依托业务 Know-how × 可信数据，训练企业自己的岗位专才。🚨只会给答案，进不了 ERP、SRM、MES把事办完，也能上岗？💢不只做文员，还要把事办完。汉得 DataClaw 连接正式业务系统，让 AI 在规则和权限范围内完成工作。🙅AI 员工上岗后，不考核、不培育？💢上岗之后，还要持续成长汉得 DataClaw 统一管理岗位、Skill、记忆、权限与运行，让 AI 数字员工持续成长。💡企业 AI 上岗，别靠胆子，靠 DataClaw！🤖企业 AI 数字员工，不仅仅要会聊天、会写材料，进入企业岗位，还需要理解业务、使用可信数据、遵守规则与权限，并能连接正式系统持续完成工作。🚀汉得 DataClaw 让企业不再一个个开发 AI 场景，而是开始培育、上岗和管理自己的 AI 数字员工——🧩连接企业正式系统和私有数据，在权限与安全可控的前提下，让 AI 能上岗、能协作、能私有化部署。让 AI 数字员工懂企业规划，知业务规则，晓数据权限，上岗后依然能持续成长，形成长期价值。✨企业要的 AI 数字员工，从来不仅仅是数字文员。联系汉得，从选择一个适合的岗位开始，先试岗，验证价值，再转正。让知识会思考｜让数据会决策｜让 AI 会工作【了解更多】汉得DataClaw发布｜为B端而造，打造企业级私有可控的AI员工军团！DataClaw答疑篇｜和其他龙虾有啥不同？安不安全？一次说清！汉得DataClaw“硅基人”上岗记：（1）销售经营参谋汉得DataClaw“硅基人”上岗记：（2）事业部总经理分身汉得DataClaw“硅基人”上岗记：（3）生产采购专家汉得DataClaw“硅基人”上岗记：（4）毛利成本调查官AI 数字员工上岗像招聘员工一样：先试岗，验证价值，再转正！

09-03

从AI场景落地，到AI数字员工上岗：企业AI落地新范式！

8月29日，以“AI 共创，智企世界”为主题的“2026 胶东 CIO 联盟秋季论坛暨走进荏原冷热系统”活动举行。汉得信息数智事业部总经理曹正炎受邀参会，发表题为《从 AI 场景落地，到 AI 员工上岗——汉得企业 AI 转型的实践与思考》主题演讲，深度分享汉得从场景开发迈向 AI 数字员工培育的落地实践与行业思考。

09-03

从AI场景落地，到AI数字员工上岗：企业AI落地新范式！

知识问答做了，智能分析做了，各类 Agent 也在不断增加。但回头看，员工还是很忙：老板要一份经营分析，团队仍然要临时拉数、对数、找原因、做报告；供应链出现风险，仍然要等问题发生以后，再组织采购、生产和销售一起分析。AI 场景做了不少，为什么企业还没有多一名能够长期接住工作的 AI 数字员工？8月29日，以“AI 共创，智企世界”为主题的“2026 胶东 CIO 联盟秋季论坛暨走进荏原冷热系统”活动举行。来自胶东地区的企业管理者、CIO 及产业伙伴齐聚一堂，共同探讨 AI 如何从技术热点走向企业实际应用。汉得信息数智事业部总经理曹正炎受邀参会，发表题为《从 AI 场景落地，到 AI 员工上岗——汉得企业 AI 转型的实践与思考》主题演讲，深度分享汉得从场景开发迈向 AI 数字员工培育的落地实践与行业思考。这次分享没有从模型参数和技术架构讲起，而是从两个已经发生的故事，回答一个企业管理者更关心的问题：AI 进入企业以后究竟能帮我们接住什么工作？第一个故事把管理者的时间还给经营今年7月，汉得开展半年度经营复盘。按照过去的方式，事业部负责人需要组织团队拉取经营数据、核对指标口径、分析异常、整理材料，再形成一份经营分析报告。这项工作往往要占用管理者和团队数天时间。但对管理者而言，真正重要的不是制作报告，而是看清经营问题、判断原因，并决定下一步采取什么行动。这一次，曹正炎把经营分析任务交给了自己的总经理数字分身。接到任务后，AI 数字分身没有马上拼出一份报告，而是先确认分析周期、组织范围和指标口径，再搭建经营分析框架，读取正式经营数据，识别异常，形成原因分析和行动建议，最终生成可以在线交互的经营分析报告。管理者不再从拉数、对数和制作材料开始，而是集中校准三个关键问题：❓ 数据口径是否正确❓ 对经营异常的判断是否合理❓ 下一步应该采取什么经营行动这名 AI 数字员工接住的，不只是一份报告，而是经营复盘中大量重复、耗时，却又必须完成的工作。管理者节省下来的时间，可以重新回到客户现场和业务一线，把精力真正用在增长上。更重要的是，管理者平时如何看经营、如何发现异常、如何追问原因，这些长期积累的方法，也开始可以被 AI 学习和沉淀。一位管理者教会的经营方法可以进一步复制给更多经营责任人第二个故事把供应链风险发现提前企业供应链中的风险，往往不是孤立发生的。一个采购金额并不大的品类，背后可能连接着供应商、物料、产品、生产计划和客户订单。在现场分享的案例中，一个采购金额不到总采购4%的品类，关联的却是12.16亿元收入。一旦它出现供应中断，影响的可能不只是采购成本，还可能是生产安排和客户订单能否按期交付。传统方式下，要识别这样的风险，采购专家需要分别查看供应商信息、采购数据、库存情况、生产计划和销售订单，再组织多个部门共同判断。由于信息分散、关系复杂，很多风险往往要等问题发生以后，企业才开始找数据、开会和补救。汉得基于业务本体，建立供应商、品类、物料、产品、生产与订单之间的关系，并把采购专家的判断方法教给 AI 数字员工。这名采购专家型 AI 数字员工可以持续完成三项工作：✅ 发现潜在的供应风险；✅ 判断风险可能影响哪些产品、生产计划和客户订单；✅ 将问题提前推送给相关责任人，支持企业及时干预。它的价值不只是帮采购人员多做一次分析，而是让企业从风险发生后组织人补救，逐步走向持续发现、提前判断和及时应对。把风险发现提前企业才有时间采取行动企业要的数字员工从来不仅仅是“数字文员”现在市场上的很多 AI 产品，首先解决的是个人办公效率问题：写材料、做总结、查知识、整理会议纪要。这些能力很有价值，也会成为未来企业 AI 体系的重要组成部分。但正如汉得高级副总裁何登攀提出的：企业要的数字员工，从来不仅仅是“数字文员”。企业还需要 AI 进入生产、仓储、采购、销售、财务和经营管理等正式工作，使用企业自己的数据，遵循企业自己的规则和权限，长期承担岗位任务。围绕企业不同层次的工作，汉得正在培育三类 AI 数字员工。01 业务执行型 AI 数字员工让业务执行更精准，减少差错它们可以调用 MES、WMS 等业务系统，按照岗位规则完成生产、仓储、质量和主数据等具体工作。例如：✅ 生产调度员✅ 仓储运营员✅ 质量巡检员✅ 主数据维护员02 运营协同型 AI 数字员工让业务衔接更顺畅，减少等待和反复沟通它们可以连接 ERP、SRM、CRM 等运营系统，在采购、销售和供应链等岗位之间核对信息、传递任务、跟踪状态并推动协同。例如：✅ 采购经理✅ 销售运营分析师✅ 供应链协同员✅ 合同预审员03 分析决策型 AI 数字员工让分析更清晰，决策更智能它们可以调用 EPM、BI 和企业数据平台，持续完成经营分析、异常识别、原因追溯和决策支持。例如：✅ COO 分身✅ 经营分析师✅ 财务分析师✅ 品类采购专家从业务执行，到运营协同，再到分析决策，AI 数字员工开始进入企业不同岗位，接住不同层次的真实工作。这也是企业 AI 从“场景”走向“员工”的重要变化：场景回答的是“这个功能能不能做”岗位回答的是“这项工作能不能长期交给它”从开发 AI 场景到培育 AI 数字员工过去企业建设 AI，通常由业务部门提出需求，IT 团队完成开发，再为每个场景分别接入数据、知识和权限。当企业只有少量 AI 场景时，这种方式可以推进。但当财务、销售、采购、生产、质量都开始使用 AI，企业可能会出现几十个甚至上百个场景。如果每个场景都重新开发、重新配置，AI 就很难规模化。新的变化是，技术团队负责搭建企业级底座，业务专家开始直接参与 AI 数字员工的培育。业务人员可以把自己的知识、规则和工作方法教给 AI 数字员工，并在真实任务中持续校准。IT 部门也不再只是定制需求的承接者，而是负责平台、系统连接、数据、权限、安全和审计，让不同岗位的 AI 数字员工能够在企业统一治理下开展工作。这不是不要技术和工程化，而是让技术底座与业务经验重新分工。过去，通过场景开发证明 AI 能做事现在，通过岗位培育让 AI 长期接住工作汉得 DataClaw企业 AI 数字员工中心要让 AI 数字员工长期接住企业工作，仅仅接入一个大模型还不够。它还需要知道：数据从哪里来；企业采用什么指标口径；不同业务对象之间是什么关系；谁可以查看和使用这些数据；哪些动作需要经过审批；发现问题以后应该交给谁。汉得 DataClaw 定位为企业 AI 数字员工中心，重点连接企业正式系统和私有数据，让 AI 数字员工按照岗位职责、业务规则和权限要求持续工作。它不是为了替代企业已有的 ERP、MES、WMS、SRM、CRM、MDM 和 BI 系统，而是让 AI 理解这些系统中的数据、对象、规则和流程，把原来分散的信息和动作组织成一项完整工作。其背后也是汉得 DATA x AI 体系的持续实践：没有可信数据AI 无法进入正式工作没有 AI数据也很难持续转化为判断和行动当企业未来拥有越来越多 AI 数字员工时，DataClaw 可以统一管理它们的培育、审批、分发、上岗和持续运营，让一位业务专家培育好的能力，被更多员工和岗位复用。同时，DataClaw 也是一套开放的 AI 数字员工生态平台：✅ 第三方模型、工具和专业能力可以接入；✅ 汉得各事业部和外部行业专家可以共同培育具备专业 Know-how 的 AI 数字员工；✅ 咨询、实施、软件和渠道伙伴也可以参与客户触达、交付和持续运营。不从一个大项目开始先让一名 AI 数字员工试岗企业 AI 落地，不需要从一个庞大的规划开始，也不需要一开始就建设几十名 AI 数字员工。更务实的方式，是先选择一项真实、长期存在的工作，让一名 AI 数字员工开始试岗。例如：让管理者分身完成一次经营复盘；让财务数字员工完成一次跨系统数据核对；让销售运营分析师持续生成经营日报；让采购专家持续发现某个品类的供应风险；让质量工程师分析一类高频质量异常。AI 数字员工正式工作前，也要像人一样完成“入职培训”：定岗位、学业务、接数据、领权限。随后，再用真实任务检验它能不能理解企业业务、使用正式数据，并稳定接住约定的工作。做得不够好，就继续培训和校准；能够稳定完成任务，再正式上岗，并逐步复制到更多岗位。未来，汉得 AI 数字员工团队将陆续进入业务执行、运营协同和分析决策岗位，帮助企业把重复工作接过去、把经营问题提前发现、把优秀经验持续留下来。汉得 DataClaw 企业 AI 数字员工上岗体验现已开放。如果您的企业也在思考，哪些工作可以先交给 AI 数字员工，欢迎联系您熟悉的汉得销售，或扫描文末二维码预约交流。我们可以从一项真实工作开始，帮助企业招募并培育第一名 AI 数字员工。先试岗，验证价值，再转正。携手汉得，共铸硬核竞争力！

09-01

“慧”控 “慧”审｜汉得灵驭上岗，驭AI大模型赋能数字员工接管企业内控与审核！

汉得智慧财务 HiFins 推出新一代 AI 智能审核大模型“灵驭”（以下简称“灵驭”），它定位于企业内控与风控的“首席数字化引擎”，从财务审核这个最关键的业务关口开始，重新定义内控与风控。

09-01

“慧”控 “慧”审｜汉得灵驭上岗，驭AI大模型赋能数字员工接管企业内控与审核！

月末最后一个工作日，晚上九点，财务共享中心的灯还亮着。桌上堆着几百张待审单据，差旅报销、采购付款、营销费用……每一张都要核对发票真伪、校验费用标准、比对预算额度、检查审批流程。一个经验丰富的审核员，一天最多处理两三百张；遇到复杂单据，还要反复翻附件、查制度、问业务。这不是某一家公司的特例。几乎所有中大型企业的财务团队，都在重复同样的循环：月底加班、季末爆单、年末连轴转。人工审核不仅耗时，还面临准确率波动、标准不统一、审计溯源难等一系列问题。现在，汉得智慧财务 HiFins 推出新一代 AI 智能审核大模型“灵驭”（以下简称“灵驭”），它定位于企业内控与风控的“首席数字化引擎”，从财务审核这个最关键的业务关口开始，重新定义内控与风控。驭者，驾驭也。需要先说明的是：“灵驭”不是一个单一的大模型，而是一套深度融合 AI 大模型能力的智能审核大模型应用。它依托汉得自研的 H-ZERO 企业级 PaaS 平台与「得·灵」企业级 AI 产品/服务体系中的“灵猿”大圣 AI 中台，以“AI 大模型 + 规则引擎”双轮驱动：规则引擎守住确定性边界，AI 大模型负责语义理解与非标材料判断，再经由置信度评估与人机协同机制，让每一次审核都可追溯、可解释、可运营。在真实的头部企业上岗实践中，它已经交出了惊人的答卷：✅ 85%的常规审单工作完全自动处理，财务仅需复核15%低置信内容！✅ 应收端全流程无人参与率高达90.7%！✅ 在客户真实生产环境中审核准确率达99.67%，稳定高于人工常规96%~97%的水平，安心直接上岗！✅ 100%规则入库，每笔审核皆带完整推理依据，随时在线一键溯源！这家集团业务覆盖制造、教育、农业等多个板块，财务共享中心每月处理海量报销单据。过去，审核团队依赖人工逐张核对，不仅效率受限，准确率也随审核员经验、状态波动。引入“灵驭”后，系统直接对接现有费控流程，对每一张单据进行“规则引擎确定性校验+AI 大模型语义级理解”的双重审核。上线运行一段时间后，审核效率及准确率已经稳定高于人工审核的常规水平！✅ 审单人效提升：AI 可自动完成85%的常规审单工作，财务仅需处理剩余15%低置信、需弹性判断的复核内容。✅ 端到端自动化：应收端业务全流程无人参与率达90.7%，仅海外发票、红字发票等特殊场景需人工介入处理。✅ 准确率表现：实际运行审核准确率达99.67%，高于人工审核96%-97%的常规准确率水平，可直接上岗使用。这意味着它不再是一个“辅助工具”，而是一个可以直接上岗、独立承担审核工作的“数字员工”。人工从“逐张审核”转向“异常复核”，精力集中在真正需要判断的复杂单据上。对国央企而言，审核不只是效率问题，更是合规问题。大型央企面临的痛点很典型：审核标准因人而异、审计追溯困难、领导单据审核时人情压力与合规责任难以平衡。“灵驭”上线后，这些在传统人工审核模式下几乎无解的问题被一一解决：合规溯源价值所有审核规则纳入系统统一库，每笔审核均带完整推理依据与证据链，审计可直接在线溯源。规避人情干扰审核标准统一无差别，解决国央企场景下领导单据审核的人情压力与合规责任两难问题。泛化能力优势可精准识别各类隐蔽高消费敏感项——比如拆分报销、变相消费、异常关联交易；同时避免传统关键词匹配导致的非相关内容“误拦”问题。从准确率波动，到标准统一从审计溯源难，到人情干扰归零问题被一层层解决了在财务审核场景里，“灵驭”是可以独立上岗的“AI 数字员工”军团。但数字员工，只是它的一种形态。它的真正定位，是企业内控与风控的首席数字化引擎：向前：AI 预审把沟通前置——员工提单前就能获得整改指引，财务只接手真正需要判断的异常；向后：审批复核、审计溯源、风险洞察全程在线留痕，规则库与知识库随业务持续沉淀，越用越聪明。费用审核只是第一站。应收应付、合同付款、采购三单匹配、海外票据、内控合规……同一套“驾驭大模型”的能力，可以一路延展到企业经营的每一个风控关口。能自动的自动，该人工的人工让控制嵌入每个关键节点而不是替代某一条审批链为什么“灵驭”先在财务审核上岗？因为财务是企业中规则最密、材料最杂、合规要求最高的审核场景之一，能在这里跑通的能力，才经得起任何审核场景的考验。而审核的本质是相通的：一切审核，都是“用规则驾驭材料”。只要存在“制度标准+待审材料+结论依据”的结构，“灵驭”的“规则引擎 + AI 大模型”双轨架构就能整体复用——规则入库、知识沉淀、材料识别、推理留痕，一套方法论走天下：◈ 法务合规合同条款审核、制度一致性校验、用印与公文审核；◈ 采购与供应链供应商资质审核、招投标文件合规审查、报关报检单据核验；◈ 人力与行政入离职材料核验、薪酬社保合规、假期与福利制度审核；◈ 金融与风控信贷材料完整性校验、理赔单据审核、可疑交易线索识别。财务审核不是“灵驭”的边界，而是它的起点。审核能力一次验证，企业全域复用，每一处需要“把关”的地方，都是“灵驭”可以上岗的地方。AI 大模型正在以前所未有的速度迭代：今天最强的模型，半年后可能就被超越。对企业而言，真正的风险不是“选不到最强模型”，而是把审核能力绑死在某一个模型上；模型一换，效果波动；模型一停，生产停摆。“灵驭”的答案，是把“驾驭大模型”做成一套工程化能力：站在所有主流大模型之上，用成熟的审核场景模型测评工具持续评测、择优而用；以“规则引擎 + AI 大模型”双轨架构明确分工：确定性的判断交给规则，非结构化的理解交给模型。模型可以来自任何一家，而驾驭模型的能力，始终属于企业自己。大模型是发动机，“灵驭”是造车的工厂企业要的不是赌一台发动机而是一辆随时能上路的车AI 大模型能力很强，但从“模型可用”到“审核好用”之间，隔着一道鸿沟。企业想把 AI 大模型真正用进审核生产环节，总会担心底层模型绑定、幻觉频发、部署周期长，以及高昂的开发与试错成本。现在，我们把这套“模型驾驭能力”完整沉淀进“灵驭”，让企业以即插即用、开箱即用的方式，直接获得经过验证的 AI 审核能力：不绑定单一模型拥有成型的审核场景模型测评工具，可基于客户真实业务数据评测主流模型的适配性。幻觉从源头规避配套完整的附件打分、置信兜底、人工转介机制，从源头规避低质量输入导致的审核错误，让“AI 审核”不是“AI 冒险”。模型迭代不影响生产支持模型一键评测、平滑切换，新模型出来后可在不中断现有生产的情况下评测对比，平滑切换，保障模型迭代不影响审核准确率。不挑平台独立部署可独立部署，不绑定现有费控、财务共享平台，可直接对接企业各类现有系统，无需推翻重来，在现有 IT 架构上即可叠加智能审核能力。在商业模式上，“灵驭”也在探索更轻的方式：从传统软件的“一次性买断 + 项目制实施”，走向按 Token 用量计费与积分模式相结合的付费规划，让 AI 审核像水电一样，即开即用、按量付费。✅ 成本可预测：按实际审核调用量计费，用多少付多少；月底季末的单量峰谷，不再对应固定的人力成本。✅ 门槛足够低：无需为重资产投入反复论证，一个场景、一笔积分预算即可启动 POC，先验证、再推广。✅ 与技术红利同行：随着底层模型持续进化、单位 Token 成本不断下降，单次审核的成本会越来越低，技术进步的红利，直接变成企业的利润。把 AI 审核做“轻”让内控审核“智”变是时候让“灵驭”执掌企业的内控与风控了携手汉得，共铸硬核竞争力！

09-01

AI Coding Agent｜汉得H‑AI飞码V1.3.0发布：Harness底座加持，SDDxAIDLC双轮驱动，组织级智能交付提效！

汉得 AI Coding Agent H-AI 飞码，深度适配 H-ZERO 企业级应用开发场景，以 SDD 建立统一研发依据、AIDLC 贯通端到端交付链路、Harness 保障复杂任务可靠执行，推动 AI 从局部编码提效走向端到端智能交付，从个人效率提升走向组织能力沉淀。

09-01

AI Coding Agent｜汉得H‑AI飞码V1.3.0发布：Harness底座加持，SDDxAIDLC双轮驱动，组织级智能交付提效！

Vibe Coding 正在重新定义软件开发。通过自然语言描述需求，AI 可以快速生成页面、接口甚至完整业务逻辑，在原型验证和轻量级工具场景中展现出了惊人的效率，“几天完成一个应用” “两周 Vibe 一个系统”等案例不断出现。但从个人快速生成一个应用，到企业稳定交付一个系统，仍存在如下明显鸿沟：因此，Vibe Coding 解决的是快速生成，而企业级研发还需要解决：复杂系统如何理解、企业知识如何注入、研发规范如何统一。从 AI Coding 到 AI Delivery由此可以看到，企业的核心瓶颈已经不再只是“AI 会不会写代码”。一方面，需要解决 AI 如何理解企业复杂的业务、系统和研发规范；另一方面，也需要让 AI 的能力突破单一编码环节，真正传导到完整的研发交付链路。因此，企业需要从 AI Coding 进一步走向 AI Delivery：从帮助个人写得更快，到推动组织交付得更快。这意味着，AI 不仅要能够生成代码，还需要具备企业知识、统一规范、流程协同和工程化运行能力。而如上正是汉得 AI Coding Agent 飞码 V1.3.0 要解决的问题：飞码以 SDD × AIDLC 双轮驱动 + Harness工程底座，构建面向企业的 AI 研发体系：以 SDD（Spec-Driven Development，规范驱动开发）建立统一研发依据；以 AIDLC（AI-Driven Development LifeCycle，AI 驱动研发全生命周期）贯通需求、设计、开发、测试、交付与知识沉淀端到端交付全链路；通过 Harness 工程底座保障复杂任务可靠执行。让 AI 从“人驱动流程、AI 辅助执行”，逐步走向“AI 推动流程、人负责决策”，从单点生成能力走向全流程协同，从个人提效走向组织提效，逐步形成可治理、可验证、可交付、可持续演进的组织级研发能力。目前飞码已初步具备端到端智能交付能力，深度适配 H-ZERO 企业级应用开发场景，并持续迭代完善。尤其适合 H-ZERO 开发场景使用较多、希望从单点提效进一步走向端到端交付提效的团队，欢迎了解与体验。如果把企业软件研发比作一座复杂的建筑体系：SDD 定标准，AIDLC 管流程，Harness 让 AI 真正跑起来。✅ SDD 管规范：是统一的建筑图纸与施工规范，明确标准、边界与验收依据，解决“AI应该怎么做，才能做得对”；✅ AIDLC 管流程：是贯穿设计、施工、验收的建造体系，让需求从构想到交付一路贯通，解决“研发如何协同推进，最终把事情做成”。✅ Harness 管工程：是支撑整个建造体系持续运转的工程基础设施，将工具、环境、上下文、验证与反馈连接起来，让 AI 真正具备执行、校验与持续闭环的能力。SDD，即 Spec-Driven Development（规范驱动开发）。它不是简单地为 AI 提供一份需求描述，而是以 Spec 作为研发全过程的统一依据，为企业级 AI Coding 建立四道工程护栏：◈ 统一研发依据需求、设计、编码、测试与验收围绕同一份 Spec 协同推进，减少上下游理解偏差；◈ 明确生成边界将业务规则、架构标准、安全要求等约束显式纳入 Spec，让 AI 知道什么能做、什么不能做；◈ 建立质量门禁在各研发阶段设置明确的准入与准出标准，确保过程可控、产物符合要求；◈ 沉淀研发资产将规范、设计、知识、技能与经验逐步沉淀为团队共享、版本可控、持续演进的研发资产，而不再依赖开发者各自维护 Prompt，也不再让经验停留在个人手中，让每一次研发实践都能够被继承、复用，并持续转化为组织能力。飞码深度适配 H-ZERO 开发场景，内置 H-ZERO 工程规范及 H-ZERO 前后端标准技能库，覆盖 400+API，让 AI 不仅能够理解企业知识，还能够基于专业技能和工程规范完成研发任务。AIDLC，即 AI-Driven Development LifeCycle（AI 驱动研发全生命周期），不只是让 AI 参与更多研发环节，而是将 AI 从辅助编码工具升级为研发流程的执行与推进主体：AI 负责理解上下文、推进阶段流转、生成阶段产物、执行规范校验，并在各环节形成持续反馈与闭环；人在关键节点进行判断、决策与治理。由此，研发模式从“人驱动流程、AI 辅助执行”转向“AI 驱动流程、人负责决策”，将人的精力从重复性的流程执行中释放出来，更多聚焦于业务价值、架构演进与创新探索。专家智能体集群协同飞码通过“主智能体+专家智能体”构建智能体集群，将复杂任务拆解为可执行、可检查、可闭环的工作单元，不同角色与智能体围绕统一的结构化 Spec 协同作业，让需求、设计、实现与验证保持一致。需求—开发—交付闭环飞码 AIDLC 以需求、开发、交付三大闭环贯通研发全流程，让需求持续流向交付，让验证持续反馈开发，让一次性交付沉淀为可复用的研发资产，减少信息损耗与跨阶段等待。需求闭环：从模糊诉求到可设计、可验收，从源头降低理解偏差。开发闭环：从设计契约到持续实现，让设计、编码与审查紧密协同，减少等待与返工。交付闭环：以验证反馈驱动持续修复，自动化测试驱动“修复⇄验证⇄回归”循环，直至满足交付标准。资产沉淀：从一次交付到持续复用，交付的不只是代码，更是经过验证、可复用、可持续演进的研发资产。<< 滑动查看下一张图片 >>企业研发任务往往涉及多阶段、多文件、长周期、强依赖的复杂执行过程。真正的挑战不只是“AI 能不能完成一次编码”，而是能否在持续执行中始终保持目标一致、上下文正确，并最终可靠完成交付。飞码通过 Harness 工程增强，为 AI 建立贯穿任务执行过程的上下文、知识、执行与校验机制，让复杂研发任务能够持续运行、动态纠偏并最终可靠收口；让 AI 不只是“能执行任务”，更具备在复杂、长周期研发过程中持续理解、持续执行、持续校验和持续纠偏的工程能力，为从需求到交付的全流程可靠运行提供保障。✅ 上下文持续治理：通过压缩、剪枝、隔离与卸载，动态控制上下文规模与信息质量，减少无效信息干扰，让 AI 始终聚焦核心任务目标；✅ 知识与规则按需注入：根据当前任务与执行阶段，动态加载项目知识、工程规则和相关技能，让 AI 始终基于正确的项目背景与约束执行；✅ 执行结果持续校验：为关键任务建立完成检查与结果验证机制，对未达成目标的任务自动触发补偿执行、重新检查，降低长流程中的执行偏移；✅ 智能体上下文隔离：为不同专家智能体维护独立执行上下文，让专业任务在清晰边界内独立推进，同时由主智能体统一协调结果，提升复杂任务的稳定性。AI Coding 可以让一次编码更快，但如果需求理解、设计决策与实践经验只停留在一次 Session、个人对话中，效率提升就只能停留在“单次最优”，难以沉淀为团队可复用的研发资产，更无法进一步转化为组织能力。飞码通过研发 Session 复盘与分层沉淀，将一次研发过程中产生的经验、规则、技能与知识逐步转化为可复用的研发资产，让每一次交付都能成为下一次研发的起点：✅ 个人经验可复盘：从研发 Session 中提炼问题解决方案、实践经验与常见易错点，帮助个人持续总结与提升；✅ 项目规则可沉淀：将经过验证的经验转化为项目背景、工程约定、领域知识与长期规则，为后续任务提供持续一致的项目上下文；✅ 团队技能可复用：将成熟的标准流程、专业方法、模板与脚本封装为可重复执行的技能，让个人经验变成团队能力；✅ 组织能力可演进：将经过验证的知识、规范与技能跨项目复用，逐步形成企业级智能研发资产，并持续演进。沉淀不是 AI 的自动记忆，而是经过治理的组织资产。飞码通过人工确认、代码评审、版本管理等机制，对沉淀内容进行筛选和校验，确保进入组织资产体系的经验可信、可控、可追溯。随着业务规则、设计规范、测试脚本和团队技能不断丰富，新任务可以直接复用已有资产，减少重复探索与试错，让研发效率不再只来自 AI 模型能力的提升，更来自组织自身经验的持续积累，当经验持续复用，研发便开始产生真正的组织级复利。汉得 AI Coding Agent H-AI 飞码，深度适配 H-ZERO 企业级应用开发场景，以 SDD 建立统一研发依据、AIDLC 贯通端到端交付链路、Harness 保障复杂任务可靠执行，推动 AI 从局部编码提效走向端到端智能交付，从个人效率提升走向组织能力沉淀。目前飞码已初步具备端到端智能交付能力，深度适配 H-ZERO 开发场景，并持续迭代完善，尤其适合 H-ZERO 开发场景使用较多、希望从单点提效进一步走向端到端交付提效的团队，欢迎了解与体验。相关产品咨询或更多信息了解，欢迎联系我们➡️ openhand@vip.hand-china.com携手汉得，共铸硬核竞争力！

08-31

多端工作入口对接工作端升级，让AI成为随时可@的数字同事！

让 AI 从一个需要主动打开的独立应用，变成一位随时可以被@的“数字同事”，让知识查询、问题解答与团队协作在同一个窗口中完成。

09-01

多端工作入口对接工作端升级，让AI成为随时可@的数字同事！

在企业日常工作中，员工已经多使用钉钉、企业微信、飞书等办公协同工具进行沟通协作，在很多场景下，需要在这些工作端高频的工作端入口之间切换，也需要与大模型协同，手工切换频繁费时费力。汉得灵猿 AI 中台新增多端工作入口工作端对接能力！将 AI 直接嵌入员工熟悉的工作场景，让 AI 能力更自然地融入日常工作。完成相关配置后，AI 中台中的聊天助手、企业知识助手、智能体等应用，即可化身工作端协同工具数字同事工作端数字员工，进入员工熟悉的单聊与群聊场景。接下来，一起看看这项新增能力可以带来怎样的使用体验吧。效果展示单聊使用在工作端中支持单聊使用 AI。对于个人知识查询、思路梳理，或不适合在群聊中展开的任务，员工可以直接进入数字员工单聊窗口，与 AI 进行一对一交互。例如，在飞书中用户可以直接给“旅游助手”的智能体数字员工发送信息：“我要去威海”，收到消息后，数字员工会先回复用户已收到，再调用已经配置的工具逐步执行，最终将生成的旅游攻略返回飞书会话。通过上述示例可以看到，AI 能力已经自然融入员工熟悉的单聊场景。员工无需学习新的操作方式，像发送普通消息一样，即可使用企业已经建设的 AI 能力。群聊协作除单聊外，也可以在群聊中使用 AI。整个过程无需离开群聊，一次提问，群内成员都能同步查看结果。以飞书中的项目群为例，项目经理、业务顾问、开发和测试人员正在讨论知识库建设方案。遇到 Milvus 相关问题时，成员只需在群内发送：“@KMS-AIGC，Milvus 架构图是什么？”企业知识助手便会调用知识库，返回文字说明和相关图片。群内人员能够同时看到答案，无需分别查询或反复转述，团队可以基于同一份信息继续讨论，更快形成共识。接入群聊后，团队成员可以在讨论过程中随时@AI，查询信息、补充思路或下达任务，处理结果也能同步给群内相关人员。AI 不再只是回答问题的工具，而是可以参与讨论、理解需求、协助处理任务的团队成员。支持多类应用本次新增的接入方式并不局限于知识问答，而是支持将所有对话式的应用接入工作端中，目前支持的主要有：○聊天助手：适用于日常对话、内容生成、信息整理、思路启发等场景。员工可以在单聊或群聊中与 AI 进行多轮交流，也可以让 AI 根据明确要求生成或优化内容。○企业知识助手：适用于制度查询、产品咨询、技术支持、项目知识检索等场景。助手可以根据用户权限调用企业知识，为员工提供准确、便捷的知识服务。○智能体：适用于需要理解指令并完成任务的场景。员工可以在单聊或群聊中发送任务要求，由智能体结合已配置的流程、工具和业务能力执行相应操作。如何配置几种应用类型的工作端接入方式基本相同，下面以聊天助手接入飞书端为例，介绍具体配置方式。飞书开放平台可能持续更新，具体页面请以实际展示为准。AI 中台配置创建飞书应用进入 H-ZERO 系统，在“三方应用管理”菜单中创建飞书应用：○Step 1：APPID 填写飞书应用的 App Key；○Step 2：APPKey 填写飞书应用的 App Secret；○Step 3：开启自动绑定，系统会通过飞书账号的手机号或邮箱，自动匹配系统中信息相同的用户，匹配成功后直接建立绑定关系，无需在首次登录时手动绑定。关联平台应用进入“数字员工库”菜单创建聊天助手、企业知识助手或智能体，在“其他配置”中选择对应的飞书工作端，保存并发布。简单易行的配置（以飞书为例）创建飞书应用进入飞书开放平台，创建“企业自建应用”，并根据使用要求开通机器人接收消息、获取用户信息等相关权限。开通应用能力回到飞书开放平台，为应用添加“机器人”和“网页应用”能力。其中，机器人用于接收消息和返回处理结果；网页应用用于绑定系统用户，桌面端主页地址可从 H-ZERO 应用中获取。配置长连接在“事件与回调”页面，将事件订阅方式设置为长连接，并添加“接收消息”事件；回调订阅方式同样选择长连接。随后完成加密策略和重定向 URL 配置，并将Encrypt Key、Verification Token 维护到对应应用中。发布并绑定进入“版本管理与发布”页面，创建版本并发布应用。机器人应用渠道必须绑定系统用户。若未开启自动绑定，员工首次使用时可从飞书工作台打开应用，输入系统账号和密码完成绑定。绑定完成后，员工即可在单聊中直接向数字员工发送消息，也可以将数字员工添加到群聊，通过@的方式进行问答、聊天或下达任务指令。本次新增的工作端对接能力，不只是增加了一个AI应用入口，更重要的是让企业 AI 能力进一步融入员工的日常工作现场，进一步缩短了员工与 AI 之间的距离。让 AI 从一个需要主动打开的独立应用，变成一位随时可以被@的“数字同事”，让知识查询、问题解答与团队协作在同一个窗口中完成。未来，汉得灵猿 AI 中台将继续倾听用户声音，围绕企业实际需求不断丰富接入方式、优化应用体验，让 AI 更自然地融入沟通、知识与业务流程。欢迎点击此处获取更多资料联系我们1. 若您想体验试用 AI中台产品，请登录开放平台https://open.hand-china.com/，在应用中心选择灵猿-大圣 AI 中台进行试用。 2. 如果有疑问，可以通过开放平台进行工单反馈，问题分类选择产品“灵猿-大圣 AI 中台”进行工单反馈。3. 相关产品咨询或更多信息了解，欢迎联系我们：openhand@vip.hand-china.com

08-27

AI 数字员工上岗像招聘员工一样：先试岗，验证价值，再转正！

我们的目标不是再增加一个 AI 工具，而是帮助企业从一个岗位、一项真实工作开始，逐步培育能够进入业务现场的 AI 数字员工。

08-27

AI 数字员工上岗像招聘员工一样：先试岗，验证价值，再转正！

AI 个人效率工具正在快速普及。从查资料、写文档、做 PPT，到分析数据、操作软件，AI 的能力已经从“能问答”，逐步走向“能分析、能干活”。企业对 AI 应用的期待也随之发生变化：当 AI 开始具备完成任务的能力能不能进一步进入销售、财务、采购、主数据等专业岗位使用企业内部的数据和系统承担一项长期存在的工作？这正是汉得发起“DataClaw 企业 AI 数字员工上岗行动”的原因。我们的目标不是再增加一个 AI 工具，而是帮助企业从一个岗位、一项真实工作开始，逐步培育能够进入业务现场的 AI 数字员工。AI 会干活了但进入专业岗位还差什么？个人使用 AI，通常只需要考虑一个问题：它能不能帮我把事情做完。但当 AI 进入企业，情况就不同了。它需要处理企业内部数据，需要连接 ERP、CRM、MES、SRM、MDM 等正式业务系统，也需要遵循岗位权限、业务规则、审批流程和审计要求。因此，企业 AI 数字员工上岗前，至少要回答四个问题：第一，企业数据如何连接？数字员工不能只读取员工临时上传的文件，还需要在授权范围内使用企业正式数据，理解不同系统、不同组织和不同业务口径之间的关系。第二，数据权限如何管控？不同岗位能够访问的数据范围并不相同。数字员工需要继承企业现有的组织和权限体系，确保什么人能看什么数据、能执行什么操作都有清晰边界。第三，企业敏感数据能否安全使用？合同、客户、供应商、财务和生产数据，都涉及企业核心信息。DataClaw 支持私有化部署，让数据、模型调用和任务执行过程保持安全可控。第四，不同业务系统如何连接并执行？数字员工不仅要“看懂”，还要能够调用系统、执行任务、校验结果，并保留完整的操作和审计记录。连接只是第一步。只有把数据、系统、权限、规则和运行治理统一起来，AI 才能稳定进入企业业务现场。企业上 AI为什么需要“1+1”？AI 个人效率工具、RPA 和企业 AI 数字员工，并不是相互替代的关系。AI 办公助手：适合提升个人办公效率，帮助员工完成会议纪要、文档撰写、资料检索等工作。RPA：适合执行流程固定、规则明确的自动化任务。DataClaw：更进一步面向企业实际业务岗位要求，需要理解业务目标、调用企业数据和系统、完成多步骤任务的专业岗位工作。企业既需要提升个人效率的 AI 助手也需要深入业务场景的 AI 数字员工这是“1＋1”，而不是二选一企业 AI 数字员工应该招哪三类？围绕企业岗位职责，DataClaw 将 AI 数字员工分为三类。第一类：业务操作类 AI 数字员工这类数字员工负责把一项具体工作接住并完成。例如：合同预审员工：根据合同模板、风险条款和业务规则完成初步审查；主数据质检员工：对主数据进行查重、完整性检查和质量校验；财务报表员工：从正式系统取数、计算指标并生成经营报表；采购执行员工：按照制度和流程完成查询、校验与系统操作。这类场景通常规则相对明确、工作高频重复，适合率先落地，也最容易衡量价值。第二类：业务洞察类 AI 数字员工这类数字员工不仅完成数据处理，还能够持续发现问题、分析原因并提示风险。例如：销售经营分析员工：自动生成经营日报，识别收入、利润、客户和销售人员的异常变化；总经理经营分析员工：围绕收入、利润、组织和客户变化，完成经营复盘并形成行动建议；采购策略分析员工：综合内部采购数据、供应商表现和外部市场信息，辅助品类选择与采购策略制定；库存健康度分析员工：持续识别呆滞、短缺和周转异常；它们帮助企业从“看报表”进一步走向“做经营”。第三类：决策参谋类 AI 数字员工这类数字员工面向企业中高层和专业管理岗位，辅助管理者进行方案推演、比较和决策。例如：制造良率分析参谋：融合生产数据与机器学习模型，定位影响良率的关键因素；生产排产参谋：在多种约束条件下比较不同排产方案；资金运营参谋：围绕资金计划、风险和使用效率提供决策支持。人负责提出目标、判断和承担责任，数字员工负责协同分析、推演和求解。从开发AI场景走向培育数字员工过去企业建设一个 AI 场景，通常需要经历需求提出、项目立项、方案设计、开发测试和上线运行。每增加一个场景，都可能重新依赖技术团队开发。DataClaw 提供了另一种方式：由业务人员通过自然语言，把知识、规则和工作方法教给数字员工。业务人员告诉它：◈ 这个岗位需要完成什么工作；◈ 数据应该从哪里获取；◈ 公司采用什么计算和判断口径；◈ 出现什么情况需要预警；◈ 结果应该交给谁；◈ 哪些操作必须经过人工确认。教会以后，这些能力不再只留在某个人身上，而是可以沉淀为企业的数字员工能力，并在授权后复制到更多岗位和组织。企业 AI 建设也由此从一次性交付的“场景开发”，逐步走向数字员工的持续培育和运营。企业应该从哪里开始？先让一个数字员工接住一项工作企业不需要一开始就规划几十个数字员工。更可行的方式，是先选择一个高频、重复、规则相对明确、价值可以衡量的岗位工作。例如：◈ 每天都要生成的一份经营日报；◈ 每天都要完成的一次合同预审；◈ 月结期间反复进行的一项数据核对；◈ 持续发生的一类主数据质量检查；◈ 采购人员反复开展的一项品类分析。先让一个数字员工接住一项工作。验证有效以后，再从一项岗位工作扩展到一条业务流程，最终复制到更多岗位和部门。从点到线，再到面企业建设的不是一批孤立的 AI 场景而是一支可以持续成长的数字员工队伍像招聘员工一样先试岗再转正企业引入数字员工，也可以像招聘员工一样。先安排试岗，验证它能不能接住工作、能不能稳定完成任务、能不能带来可以衡量的价值。因此，DataClaw 目前主推按账号订阅，可按月起步。企业可以先用少量账号，从一个岗位、一项工作开始，以较低成本验证业务效果和使用频率。试岗不是看一场 Demo而是让数字员工进入一项真实工作如果验证有价值，再由企业根据实际效果和使用规模，决定是否持续使用、增加多少账号，以及复制到哪些岗位和部门。另外，此前参与本场直播的企业，还可以享受直播专属的首年试岗优惠。凭留存的直播间截图，联系您熟悉的汉得销售或扫描文末咨询二维码，即可申请直播活动专享优惠。从第一项工作开始让数字员工进入业务现场AI 能力已经从回答问题，逐步走向完成任务。企业下一步需要考虑的，不只是采购什么 AI 工具，而是：◈ 哪些岗位工作适合交给数字员工？◈ 企业数据和系统如何安全连接？◈ 业务人员如何参与数字员工的培育？◈ 第一个数字员工上岗以后，又该如何复制到更多岗位和场景？汉得DataClaw企业AI数字员工上岗行动已经启动！我们将从岗位识别、场景评估、试点构建到试运行与复制，帮助企业选择一个岗位，从第一项真实工作开始。现在该让企业AI数字员工正式上岗了！

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。

08-21

汉得工业AI实战系列｜动力电池电芯容量预测大模型（TBCP Model），预测与验证协同迭代质量研判，大幅降本提效！

这是“工业 AI 实战”专题的第二篇：动力电池电芯容量预测大模型（Traction Battery Cell Capacity Prediction Model 简称TBCP Model）贯通质量数据，预测与验证协同，节约成本，提升生产效率，构建竞争优势。

08-21

汉得工业AI实战系列｜动力电池电芯容量预测大模型（TBCP Model），预测与验证协同迭代质量研判，大幅降本提效！

在 AI 时代，大模型、智能体和智能应用如何快速落地融入企业提质增效受到广泛的关注。工业企业尤其是制造企业流程长、业务场景复杂，在工业AI智能化落地难度尤其大。其中，制造企业的管理团队焦虑的核心关注点之一：AI 能不能进入工艺、设备、质量和生产现场，解决一个个具体问题，优化提升工艺质量。汉得深耕制造领域近30年，积累大量制造业客户和行业场景。依托「得·灵」企业级AI产品/服务体系，基于企业级 PaaS 平台 H-ZERO 构建的智能制造 HCMs 协同平台，我们把工业数据、业务流程和 AI 模型连接起来，帮助企业构建高效、可靠、可闭环的工业 AI 行业垂类模型和应用。这个专题希望通过一系列工业 AI 真实场景落地案例，把我们在工业 AI 落地中的经验、想法和方法呈现出来，为更多制造企业提供参考。这是“工业 AI 实战”专题的第二篇：动力电池电芯容量预测大模型（Traction Battery Cell Capacity Prediction Model 简称TBCP Model）贯通质量数据，预测与验证协同，节约成本，提升生产效率，构建竞争优势。电芯容量预测理解一颗电芯的完整制造过程电芯容量，是评价动力电池性能和一致性的重要指标，关乎电池包质量、续航，也是价格/成本的核心影响因素。一批电芯完成生产后，需要根据实际容量进行检测和分级。容量接近、性能一致的电芯，才能进入后续配组和成包环节。动力电池包是多颗电芯串并联，遵循木桶效应：电池包可用容量由容量最低的那颗电芯决定。电芯容量不一致会导致电池包实际可用容量缩水，整车续航打折，低温环境会进一步恶化。容量不一致带来压差持续拉大，局部电芯析锂、发热加剧；极端情况下会出现鼓包、热失控风险。分级检测会带来成本和价格差异：A 品电芯容量偏差小、一致性好，分选严格，采购价格最高，是整车动力电池主流选用。降级 B 品容量低于标称、批次离散大，价格明显更低，但不能用于车载动力；多用于低速、储能低端场景，循环寿命、安全性不满足车规要求。分选成本为获得高一致性电芯，产线需要充放电容量测试、分级，会增加设备、时间损耗；筛选淘汰的不良品拉高 A 品电芯单位成本。难点在于，电芯容量不能只通过某一个仪表读数直接确定。▲一颗电芯的制造数据链传统方式通常需要在分容环节对电芯进行规定的充放电测试，根据完整测试过程计算实际容量。这种方式直接、可靠，却也需要较长的检测时间，占用大量分容设备和生产资源，并产生相应的能源消耗。当产量不断扩大时，分容不再只是一个质量检测动作，也可能成为影响制造周期、设备投入和生产效率的重要环节。与此同时，低容量电芯的形成通常也不是由单一因素决定的。原材料批次发生变化，涂布面密度或辊压厚度出现波动，注液量、烘烤水分或化成过程发生偏离，都可能最终反映在电芯容量和一致性上。这意味着，电芯容量预测不能只是对一段充放电曲线做简单拟合。它需要理解一颗电芯从原材料、前段工艺、装配、注液到化成的完整制造过程。我们沉淀了动力电池电芯容量预测大模型（简称TBCP Model），通过对完整制作过程数据的实时分析、预测与验证协同迭代质量研判，大幅降本提效。数据贯通为每颗电芯建立制造档案电芯容量预测的第一步，不是选择某一种算法，而是把分散在不同工序、设备和系统中的数据准确连接起来。围绕一颗电芯，需要逐步建立从原材料到电测试的制造数据链：在原材料环节：记录正极材料批次、材料克容量和首充效率等信息；在匀浆、涂布和辊压环节：采集浆料黏度、涂布面密度、辊压厚度和膜片电阻等数据；在装配和注液环节：记录极片尺寸、烘烤水分、注液重量、注液量和电解液批次；在化成环节：需要采集电流、电压、温度等连续变化的时间序列数据。这些数据还必须与电芯编码、物料批次、生产设备和工序位置准确绑定。动力电池电芯容量预测大模型（简称TBCP Model）看到的不是一组彼此孤立的参数，而是一颗电芯完整的“制造档案”。特征提取从过程变化中寻找容量信号在这个场景中，AI 要学习的不是某个参数与容量之间简单的一一对应关系，而是多个制造因素共同变化时，与最终容量之间可能存在的关联。以化成数据为例，电流、电压和温度曲线包含大量连续信号。模型可以对时间序列进行自动分段，提取不同阶段的均值、波动、峰值等统计特征，也可以结合深度学习方法提取曲线中的高层特征。与此同时，还可以引入具有电化学含义的机理特征，例如曲线变化中的特定峰值、静置阶段的电压变化等。再把这些特征与原材料、涂布、辊压、注液等跨工序数据结合起来，模型才能逐步识别：◈ 哪些电芯处于正常范围？◈ 哪些可能存在偏低容风险？◈ 哪些数据变化可能来自设备或工艺异常，以及对于正常电芯，最终容量可能处于什么区间？这里使用的动力电池电芯容量预测大模型（简称TBCP Model），不是面向自然语言问答的通用大模型，而是面向制造过程数据的机器学习和深度学习模型。它的价值在于，从大量工艺参数和时间序列中寻找人工难以持续观察的关联规律。预测与验证协同让风险电芯进入不同路径工业 AI 进入生产现场，不能只有一个预测结果，还必须回答：这个结果如何改变下一步生产动作？动力电池电芯容量预测大模型（简称TBCP Model）采用“预测与验证协同”的方式。对于模型判断正常、数据完整且预测结果稳定的电芯，可以探索使用较短的测试过程结合模型完成容量估算和分级。对于疑似低容、偏低容、处于分类边界，或者预测置信度不足的电芯，则仍然进入完整分容测试，通过真实充放电结果完成确认。生产现场还需要保留一定比例的完整测试样本，持续比较模型预测容量与实际容量之间的偏差。因此，这个场景的目标并不是让 AI 立即替代全部分容测试，而是探索把所有电芯采用同一条检测路径，逐步转变为正常电芯快速预测、风险电芯重点检测、部分样本持续验证的协同模式。质量底线仍然由完整测试、现场规则和人员确认共同守住。▲电芯容量预测闭环异常回退先判断模型所见数据是否可靠工业现场的数据环境会不断变化。原材料批次切换、工艺参数调整、设备状态异常、传感器漂移或者数据采集中断，都可能使当前数据与模型训练时的数据产生差异。如果不识别这些变化，模型即使给出预测结果，也可能不再可靠。因此，动力电池电芯容量预测大模型（简称TBCP Model）对容量预测建立了异常回退机制。当系统发现关键数据缺失、设备异常比例升高，或者预测偏差持续扩大时，应暂停使用原有预测路径，让相关电芯回到完整检测流程。随后再进一步分析：问题来自数据采集、设备和传感器，还是来自原材料与生产工艺的真实变化。如果是设备问题，就需要推动设备校准和数据质量治理；如果是工艺或原材料变化，就需要积累新数据，重新训练和评估模型。AI 不应绕过现场质量规则，而应在规则允许的范围内工作，并在自身不确定时主动回退。结果回流让模型跟随制造过程持续迭代电芯容量预测不是一次建模、长期不变。每一次完整分容得到的实际容量，每一次低容电芯确认，每一次设备异常和工艺调整，都是后续模型优化的重要依据。✅ 预测结果与真实容量之间的偏差需要被记录；✅ 异常电芯经过复测后的结论需要回到数据集；✅ 设备、原材料和工艺变化也需要形成新的特征标签。经过持续的数据清洗、模型训练和效果评估，动力电池电芯容量预测大模型（简称TBCP Model）才能逐步适应不同批次、不同设备和不同生产状态。这也是工业 AI 与普通数据分析的区别：它不是生成一次报告，而是进入生产流程，在预测、验证、处置和结果回流中形成持续闭环。从容量预测走向制造质量的前置判断电芯容量预测的意义，不只是提前得到一个容量数值。动力电池电芯容量预测大模型（简称TBCP Model）更重要的价值，是把原本集中在生产末端的完整检测，向制造过程中的风险识别和质量判断前移。对生产现场来说，模型负责持续分析跨工序数据并识别风险，完整测试负责验证真实容量，工艺和质量人员负责判断异常原因并推动处置。在这一协同机制下，企业可以探索减少不必要的完整检测资源占用，让风险电芯更早进入重点验证，也让原材料、设备和工艺波动更早进入质量分析视野。更进一步，动力电池电芯容量预测大模型（简称TBCP Model）连接原材料批次、设备数据、工艺参数、化成曲线、分容结果和质量处置流程。依托统一的数据和业务平台，预测结果真正进入生产系统，而不是停留在孤立的算法模型中。依托「得·灵」企业级 AI 产品/服务体系，以及基于 H-ZERO 构建的智能制造 HCMs 协同平台，可以进一步探索把数据接入、特征处理、模型训练、风险识别、现场验证和结果回流连接成完整闭环。从 AI 理解一颗电芯的制造过程，到预测结果参与分容决策，再到真实结果推动模型迭代，动力电池电芯容量预测大模型（简称 TBCP Model）代表了工业 AI 进入动力电池质量管理的一种重要探索路径。专题系列文章▲点击了解详细内容