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。

08-21

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

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！

08-13

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！

08-06

汉得DataClaw“硅基人”上岗记：（2）事业部总经理分身

汉得DataClaw，企业的数字员工中心——让管理者从报表和重复工作里解放出来，把精力放回客户、业务和增长；让一个人培育好的能力，变成整个组织可以复用的资产。

08-07

汉得DataClaw“硅基人”上岗记：（2）事业部总经理分身

7月中旬，公司全球业务事业群COO大林总在事业部总经理群里发了一条消息：“半年已过，请各位事业部老大复盘上半年经营情况。关于经营数字分析这块，想用DataClaw来分析，请曹总经理先以自己的事业部为例做一个分析样例出来给大家参考。”事业部总经理曹总没有开Excel，没有新建PPT。他把这条消息，转手交给了DataClaw中已经上岗的数字员工——“曹总的分身”。接到任务，“曹总的分身”没有马上跑数据，而是先理解任务、主动追问：分析哪个时间范围、重点看哪些内容、输出什么形式、数据截止到什么时候。同时搭出了自己的分析框架。▲ 任务刚交过去，“曹总的分身”先理解任务、追问关键信息并梳理框架曹总只做了几次关键调整：◈ 要炫酷HTML报告▲ “曹总的分身”先提出HTML报告的7个模块再由管理者确认和校准◈ 按签单、立项、收入、毛利、成本、收款六个维度来：▲ 少量补充关键经营口径后“曹总的分身”继续拉取数据并完善分析不是人把每一步拆好交给AI，而是AI先搭框架，人只在关键地方拍板。分身完成数据拉取、口径梳理、同比分析和图表生成，输出了一份完整的炫酷经营分析报告。从六大KPI看全局，再往下分析毛利、收入结构、产品签单与回款、成本归因，最后给出经营判断和下一步行动。▲ 由“曹总分身”生成的HTML经营分析报告从经营总览继续下钻到毛利问题▲ 报告最终形成问题归因、经营判断和下一步行动建议取数、整理、分析、制图这些活，分身先干完。曹总看口径对不对、分析到不到位，决定下一步怎么干。更重要的是，这几轮调教下来的分析逻辑和口径，分身都记住了。下次再做，不用从头交代。之前大林总要求每个事业部都用DataClaw来直接做经营分析报告。但实际上，只有曹总一个人用DataClaw做，并且汇报效果非常不错。在曹总汇报完，大林总就直接提了一个要求:“如果每个事业部都要重新搭一遍分析框架，这个方法很难复制。不如沉淀成Skill，大家拿来就用。”曹总便给分身下了一条指令：“把我这次做报告的模板和思路，生成一个Skill，让其他事业部也能用。”分身把分析结构、因果链、业务口径、查询方式和HTML呈现方式打包，生成了“事业部经营分析Skill”。▲ 一句指令，“曹总分身”将已跑通的方法生成可复用的经营分析SkillSkill经过审批后上架技能商店。其他事业部不用重新训练，直接添加就能用。▲ “事业部经营分析Skill”经过管理员审核并发布曹总的下一个总经理还没汇报完，N事业部就按照曹总共享的Skill，不到1分钟就能生成自己的经营分析报告。▲ N事业部不到一分钟生成自己的经营分析报告，确认数据正确一个人的经验，就这样变成了整个组织可以复用的能力。一个事业部总经理准备一次经营分析，需要两天。20个事业部就是40个人天，如果转化成跑客户，40人天可以转化为千万级的市场增量。这些时间真正的价值，不是省了多少报告成本，而是可以重新投入客户拜访、市场拓展和关键决策。管理者真正重要的工作，从来不是反复取数、对数和做报告，而是抓异常、抓机会、抓增长。DataClaw不只是让报告做得更快。它把管理者的经验沉淀下来，让优秀的管理方法在组织里被复制、被复用。总经理面对的不是没有报表，而是报表太多。真正需要及时知道的，往往是哪里出了异常、哪里出现了机会。传统报表按统一口径配置，可以告诉所有人同样的异常，但不同管理者关心的事情并不一样。要做到千人千面，开发成本高，还很难跟着管理要求随时变化。DataClaw换了一种方式：管理者直接告诉分身“我平时关心哪些异常”，它就能按个人责任范围和管理习惯，设置定时任务，主动检查并按时推送。曹总告诉分身：“关注无项目和缺勤人员、无合同在建项目、收入和毛利变化、重点项目风险，每天6点30推送。”到了设定时间，分身自动查询最新数据，把异常和建议整理好直接推送。▲ “曹总的分身”每天定时检查缺勤和无项目人员，并主动推送日常明细▲ 每日经营监控不只报数字还给出异常等级、跟进建议和当天行动清单每个管理者关心的事情不一样。谁关心什么，就告诉自己的分身，让它每天替自己盯着。管理者不用每天翻一堆报表，只需要看与自己有关的异常和待办。“曹总的分身”不是公司唯一的数字员工。DataClaw里已经有PMO、事业部总经理秘书、王牌销售员、公共销售小秘、数据小秘、资金与外汇风险分析员工、税务合规分析员工等不同岗位的数字员工。▲ 汉得DataClaw中已经上岗部分AI数字员工更多岗位员工正在陆续上线这些只是已经上岗的一部分。公司还在把更多岗位的知识、经验和工作方法教给数字员工，更多员工正在陆续上线。还有一种更快的复用方式——公共员工。管理员把某个岗位的数字员工训练好、发布为公共员工后，其他人不需要自己从头训练，也不需要一个个添加Skill，直接分配就能用。汉得DataClaw中已上线部分公共员工，开箱即用。个人分身，教的是你自己的工作方法；公共员工，复用的是组织沉淀下来的标准能力。两种方式并行，让重复工作有人接住，让优秀经验快速复制。汉得DataClaw，企业的数字员工中心——让管理者从报表和重复工作里解放出来，把精力放回客户、业务和增长；让一个人培育好的能力，变成整个组织可以复用的资产。总经理、销售参谋、数据小秘……都已培养上岗您的企业准备好让哪些数字员工上岗呢？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

08-05

汉得工业AI实战系列｜多晶硅还原雾化预警AI大模型PRAW AI Model工艺预警优化，提升产品良率！

汉得深耕制造领域近30年，积累了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，和基于企业级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。

08-06

汉得工业AI实战系列｜多晶硅还原雾化预警AI大模型PRAW AI Model工艺预警优化，提升产品良率！

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，积累了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，和基于企业级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”专题的第一篇：多晶硅还原雾化预警AI大模型（Polysilicon Reduction Atomization Warning AI Model，简称PRAW AI Model）帮助企业工艺异常预警，让问题提前进入处置闭环，进一步优化生成工艺，提升产品良率，节约能源消耗，增加企业碳资产。多晶硅怎样“长”出来的多晶硅还原雾化预警AI大模型多晶硅是光伏和半导体产业的重要基石。在光伏产业链中，多晶硅处在上游，向下连接硅片、电池片和组件，最终影响光伏产品的成本、效率和供应稳定性。在半导体产业中，高纯多晶硅也是硅基材料的重要来源，进一步支撑单晶硅片等关键材料制备。从硅砂到多晶硅硅棒，主要经过以下5个关键环节：先从硅砂中还原出工业硅，再通过氯化、精馏等工序得到高纯三氯氢硅，最后让三氯氢硅和氢气进入还原炉，在高温环境下完成硅的沉积和生长。▲ 多晶硅生产过程示意图还原炉是多晶硅硅棒“生长”过程的核心设备。还原反应是一段持续过程：硅芯像一根逐步长大的骨架，硅在高温反应中不断沉积到表面。这个过程周期长、影响深，炉内状态一旦偏离，最终都会反映到产出效率和硅料质量上。现场控制的关键，保持合适的反应状态：反应过于剧烈，炉内雾化更明显，影响产品质量；反应不足，沉积生长变慢，影响生产效率。质量和效率之间，需要动态平衡。难点在于，这一“合适状态”并不会由单一仪表直接呈现。以往的传统方式，现场工作人员只能通过还原炉窥视孔观察炉况，再结合工艺经验判断雾化程度。据统计在还原工序，92.5%的炉批需要人工调整。持续巡检、反复确认，本身消耗人力；注意力、疲劳和状态变化，也会带来判断波动。人由此成为生产稳定性里的不确定因素。▲ 还原炉雾化预警解决方案示意图围绕还原炉这一关键环节，我们与客户共同探索：基于历史炉况、操作记录和现场确认结果，结合深度学习模型，构建多晶硅还原雾化预警AI大模型（Polysilicon Reduction Atomization Warning AI Model，简称PRAW AI Model），让系统提前识别炉况偏离，并把预警、处置和经验回流纳入生产闭环，进一步优化生成工艺，提升产品良率，节约能源消耗，增加企业碳资产。实时监控持续在线的数字巡视员还原炉雾化预警首先要解决的，是关键炉况无法持续监控的问题。传统方式主要依赖人工巡检，通常按小时进行观察，并重点关注少量指标。PRAW AI模型基于过程数据的监测路径：通过DCS/IoT接入还原炉实时运行数据，再由MES按炉批下发监测指标，将关键数据送入监控池。在这个场景中，系统围绕22项关键参数进行持续监测，数据每10秒更新一次，支撑7x24小时不间断观察。把人工定时巡检升级为系统连续监测。提前预警更懂工艺的数字工艺工程师还原炉异常往往不是某个瞬间的高低值，而是连续运行过程中的趋势变化。系统要识别的，也不是单一参数是否越线，而是炉况是否开始偏离合理区间，偏离前是否存在征兆，调整后是否回到稳定状态。历史异常数据、现场PDA确认结果、雾化等级、DCS操作日志和处置结果会经过清洗，形成神经网络模型的训练集和评估集，帮助PRAW AI模型学习的是多变量连续变化与炉况异常之间的关联关系。在实时运行中，PRAW AI模型按设定周期生成风险评分，并发送至MES。MES结合评分规则判断是否触发预警，提前5-10分钟将异常趋势推送到现场，提前识别异常。流程闭环严谨专注的数据科学家工业AI进入工厂，不能止步于风险提示。在还原炉雾化预警场景中，预警既可以来自模型评分，也可以由现场PDA人工触发。MES收到异常炉况信息后，生成预警台账，并将预警推送至现场PDA。现场人员复核炉况后，中控人员根据情况调整炉内参数；调整完成后，现场再次确认雾化等级，记录处置效果，上传恢复后的炉况信息，并关闭预警。必要时，预警还可以关联DCS操作日志，将操作人员、操作时间和调整动作沉淀到系统中。这条链路将模型评分、MES台账、PDA确认、中控处置和结果关闭连接起来。只有进入业务流程，AI才能真正成为生产闭环的一部分。经验回流持续沉淀的数字工艺专家还原炉工艺复杂，现场经验至关重要。但如果经验只存在于个人判断中，就难以复用和传承。一次预警从出现到关闭，其间经历了什么、如何处置、效果如何，都应被完整记录。系统会将预警时间段内的数据、异常得分和现场确认结果打包进入异常数据库，并对异常类型进行结构化沉淀。后续，这些数据会再次经过清洗，形成新的模型训练集和评估集。新训练出的神经网络模型，还要通过模型评估模块验证，合格后再发布上线。这也是工业AI的核心价值：不是取代人的经验，而是把过去分散在巡检记录、班组沟通和工艺人员记忆中的经验，沉淀为组织可以持续使用、持续迭代的AI行业垂类模型的能力。从人工巡检单点预警到工业AI行业垂类模型PRAW AI大模型的价值，不在于增加一套独立系统，而在于把原本高度依赖人工巡检和个人经验的炉况判断，转化为人机协同的生产过程控制能力。对现场来说，模型负责持续观察过程变化，人员负责确认炉况并完成处置。这样既可以让异常趋势更早进入视野，也能降低高频巡检对人员注意力和经验状态的依赖，减少异常遗漏和响应滞后的风险。更重要的是，这类工业AI场景的构建需要平台工具和系统化AI能力支撑。还原炉雾化预警需要接入实时过程数据，需要承接MES预警台账和 PDA现场确认，也需要把异常数据、处置结果和模型评估持续回流。只有建立在统一数智化平台底座上，AI才能真正进入生产流程。依托「得·灵」企业级AI产品/服务体系，和基于企业级PaaS平台H-ZERO构建的智能制造HCMs协同平台，把数据接入、模型训练、预警推送、现场处置和经验回流串成完整闭环，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，积累沉淀企业运营的AI资产，构建AI时代的核心竞争力。PRAW AI大模型不仅是一个工艺预警场景，更是工业AI在制造现场落地的一种方法。从AI理解现场数据，到AI进入业务流程，最终让经验沉淀到平台中，将成为企业可以持续复用的制造行业垂类模型能力标准范式。携手汉得，共铸硬核竞争力！

07-31

汉得DataClaw“硅基人”上岗记：（1）销售经营参谋

从月底被动「看报表」到每天主动「做经营」， DataClaw 销售经营参谋今天正式上岗。

07-31

汉得DataClaw“硅基人”上岗记：（1）销售经营参谋

客户规模在扩，我们的销量却在下降，问题到底出在哪里？故事背景一家大型农牧饲料企业，有一家重点养殖客户，目前养殖规模约10000头。过去几年规模持续扩张，从历史销售情况看，也一直保持着每月大量采购猪饲料的习惯。但最近，销售负责人发现了一个反常现象：客户的养殖规模还在扩大，从公司采购的饲料销量却没有同步增长，反而开始下降。销售负责人着急想找原因，但客户、订单、收入、利润、区域、业务员的数据分散在十几个业务系统、几十张报表里，等月底再靠人工取数、核对和复盘，往往只能看到结果，已经错过了最佳处理时机。现在，有了DataClaw销售经营参谋，变化从每天早上8：30开始。DataClaw销售经营参谋从公司整体经营情况开始，依次下钻到区域、业务员和重点客户。7个区域中仅西北区和华南区盈利59位业务员中，32人处于亏损状态Top10客户中，只有5家经营状态健康再回到开头那家养殖规模持续扩张、采购量却下降的重点客户，DataClaw销售经营参谋提示：企业在该客户中的销售份额可能正在下降，需要尽快核实竞争替代、价格、服务和客户关系等具体原因。从公司整体亏损，到区域掉队；从业务员经营异常，到重点客户流失风险，问题被一层层查了出来。看清问题以后，DataClaw销售经营参谋继续给出分级建议和下一步行动，而不是把一堆分析结果留给管理者自己消化。◈ 给出分级建议、生成跟进任务◈ 基于当前数据和既定改善措施DataClaw销售经营参谋测算：未来3个月有望保住86.86万元毛利润，业务员亏损面有望从54%降至30%以内。更重要的是，这套数据口径、分析路径和判断规则被固化下来。以后每天早上，固定格式的经营分析报告都会主动推送给销售负责人。第一次分析完成后，销售负责人不需要第二天再把同样的问题重新问一遍；DataClaw销售经营参谋把这次分析中使用的数据口径、下钻路径、判断规则和报告结构沉淀下来，固化为销售经营参谋的日常工作方式。以后不用重新提问——每天打开手机就能看到数据、问题、建议和行动进度。过去，销售负责人把大量时间花在拉数据、对数据、做分析、出报告和跟进执行进度上。现在，这些高频重复工作由DataClaw销售经营参谋来做。销售负责人负责判断和决策，数字员工负责持续监测、分析和跟进。销售负责人可以把更多精力放回真正影响销售增长的事情：拜访重点客户、支持一线团队、调整区域策略，并推动改善落地。从月底被动「看报表」到每天主动「做经营」DataClaw 销售经营参谋今天正式上岗携手汉得，共铸硬核竞争力！

07-28

AI 重构营销费用全链路｜从“花出去”到“花得值”，汉得助力大消费企业存量时代提效增利！

汉得在服务酒水、食品饮料、日化、时尚零售等行业 100+ 头部消费企业的过程中发现，AI 技术的成熟，正在为这个困扰行业多年的难题，提供全新的解题思路。目前汉得营销 AI 解决方案已经在多家百亿级快消企业落地，实现显著的效率提升和经济价值。

07-28

AI 重构营销费用全链路｜从“花出去”到“花得值”，汉得助力大消费企业存量时代提效增利！

当中国大消费行业集体走过“跑马圈地”的增量时代，正式进入“存量深耕”的新周期，一个命题正在摆在所有头部企业面前：每年几十亿甚至上百亿的营销费用，如何真正花在刀刃上？从抢占新市场、覆盖新网点的“广度扩张”，到深挖单客价值、提升单店产出的“深度运营”，在既定预算框架下，营销活动从计划、申请、审核、执行到结案、核销的全链路效率，正在成为决定企业盈利能力的分水岭。汉得在服务酒水、食品饮料、日化、时尚零售等行业 100+ 头部消费企业的过程中发现，AI 技术的成熟，正在为这个困扰行业多年的难题，提供全新的解题思路。目前汉得营销 AI 解决方案已经在多家百亿级快消企业落地，实现显著的效率提升和经济价值。从 TPM 到 TPO营销费用管理的三次进化过去二十年，中国快消企业的营销费用管理经历了三个阶段：1第一阶段：让费用“控得住”通过 TPM（营销费用管理）的上线，实现费用流程在线化、预算额度管控、基础规则校验，解决了“有没有系统”的问题，让费用不再是一笔糊涂账。2第二阶段：让费用“算得清”通过营销场景数字化、政策引擎自动化核算、执行过程在线化管理，实现费用的精准直投、自动计算和高效核销，解决了“算得准不准”的问题，让业务和财务告别没完没了的对账扯皮。3第三阶段：让费用“用得值”当市场从增量转向存量，营销费用不再是“花完就行”，而是要追求投入产出比。这一阶段有了更清晰的名字——TPO（营销费用优化）：借助历史数据沉淀和 AI，让营销费用管理从“流程管控”走向“智能决策”，让每一分投入的产出比最优。在实践中我们发现，很多企业即使已经上线了先进的 TPM 系统，在营销费用全链路管理中只走完前两个阶段——费用既“控得住”又“算得清”，大多数企业依然会发现：真正决定费用能否“用得值”的这些环节，仍是全链路上的老大难：💢 计划端靠经验：管理者或运营者要在市场、区域、渠道、客户、终端、活动等多个维度上分配预算、定投放策略与销量目标，高度依赖个人经验，“拍脑袋”决策导致费用投入错配；💢申请端靠手工：业务人员大量时间耗在重复录单上，挤占了拜访客户、服务终端的一线时间；💢审核端靠肉眼：海量单据下难免有漏网之鱼，违规风险后置；大区总监每天花 3-4 小时审批，依然难以做到科学决策；💢执行端靠运气：部分数据收集滞后，无法实时预警，往往等到季度复盘时才发现费用打了水漂；💢核销端靠人工：财务人员加班加点依然效率低下，套费、骗费行为难以完全识别。这些痛点，靠流程管控和自动核算都解决不了——它们考验的是决策质量、人力效率与实时反应，而这，正是第三个阶段，营销费用 TPO 阶段、要靠数据和 AI 才能破解的问题。当流量红利见顶，向管理要效益，不再是一句口号，而要落到真金白银的利润上。全链路 AI 赋能让营销费用管理“聪明”起来汉得依托大圣 AI 中台，打造覆盖营销费用全链路的 AI 智能助手，深度嵌入企业已有 TPM 流程，不改变操作习惯，通过对话式交互实现从 “AI 辅助” 到 “AI 决策” 的跨越。计划环节AI 做你的“智能参谋”制定营销计划时，管理者或运营者用自然语言下达需求，AI 基于全量数据，在市场、区域、渠道、客户、终端到活动类型等多个维度上，自动给出该投哪里、投多少力度、定多少销量目标、预期能带来多少 ROI 的建议方案，管理者只需在此基础上微调即可。✅ 价值：计划制定效率提升 70% 以上，新人也能做出资深操盘手水平的方案，费用投入精准度大幅提升，避免“撒胡椒面”式的无效投入。申请环节AI 做你的“效率助手”申请环节，业务人员要把计划里定好的投放落成正式的活动申请或终端协议：AI 自动填充字段、历史数据一键复制、批量创建同类申请，并在提交前预审常见错误，录入从“几分钟一单”变成“几句对话搞定”。✅ 价值：申请录入效率提升 80% 以上，一线每天可节省 2-3 小时；申请驳回率降低 60%。审核环节AI 做你的“决策外脑”汉得营销审核 AI 助手基于独创的五维决策模型，给出明确的审批建议和推理过程：◈ 该不该做：是否符合战略方向；◈ 值不值做：测算预期 ROI，评估投入产出比；◈ 能不能做：核对预算余额、资源匹配度；◈ 能不能担：识别合规风险、市场风险、执行风险；◈ 会不会乱：同区域活动是否撞期、政策是否叠加、费用是否冲突。AI 会自动给出“通过 / 附条件通过 / 人工复核 / 驳回”的明确建议，并且完整展示推理过程和数据依据，管理者只需要做最终判断。同时基于可不断积累企业营销经验的决策引擎，越用越贴合企业的管理要求。✅ 价值：审批时间从 3-4 小时缩短到 1 小时以内，违规申请识别率达 92%，从根源上减少费用跑冒滴漏。执行环节AI 做你的“风险哨兵”AI 7x24 小时自动监控在执行活动，实时销量与费用进度对比、营销活动指标监控与预警、异常投入与窜货风险、活动提醒跟进到期核销。实时监控实时对比销量进度和费用投入进度，对进度异常的活动自动预警；识别异常识别问题终端的异常投入，及时提醒管理者干预；提前预警监控终端价格执行情况，提前预警窜货和价格体系破坏风险；自动提醒自动提醒业务人员跟进即将到期的活动和需要核销的单据。✅ 价值：风险发现从“事后复盘”提前到“事中干预”，费用浪费减少 30% 以上，活动执行达成率提升 25%。核销结案环节AI 做你的“核销专家”费用结案时，AI 自动完成四维度检核：真实性、准确性、合规性、合理性四维检核，识别照片造假、套费骗费等行为。真实性检核通过 OCR、图像识别、时空一致性校验，自动识别照片造假、单据造假等套费行为；准确性检核自动核对活动政策、计算应付费用，校验发票真伪，不需要人工逐张计算；合规性检核检查费用是否符合预算要求、是否符合公司标准、票据是否合规；合理性检核对比预实差异、同期同类活动费效比，评估活动效果，识别异常投入。✅ 价值：核销效率提升 80%，财务人员工作量大幅降低；套费骗费行为识别率提升 90%，费用真实性合理性得到保障；自动生成营销活动复盘报告，将叙事化的活动小结升级为“量化的活动执行效果”+“清晰证据链”+“可复用的结论&可改进建议”，沉淀活动费用数据资产，用于后续同类型活动、同期活动参照对比，为后续营销决策提供数据支撑。更关键的是，以上五个环节并非五个孤立的工具，而是一个持续优化的闭环——核销复盘的结果自动回流到下一轮计划，让 AI 越用越准、企业的营销经验越沉淀越厚。这正是 TPO 区别于传统 TPM 的关键：从“一次性管控”走向“持续增值”。从“试点验证”到“规模落地”AI 价值正在被验证汉得营销 AI 解决方案已经在多家酒水、食品饮料行业头部企业落地：某酒企试点区域终端协议录入效率提升 75%，一线业务员最直观的感受是“终于不用下班了还在录系统”；某食品饮料企业上线 AI 审核助手后，大区总监审批时间减少 70%，违规费用拦截率达到 90%，每年预计减少无效投入数千万元；某快消龙头企业AI 核销助手上线后，财务核销周期从 15 天缩短到 3 天，套费行为减少 85%；多家企业反馈，AI 上线后营销费用 ROI 平均提升 10%-15%，真正实现向管理要效益。AI 时代快消数字化的下一个十年在汉得看来，企业级 AI 的价值，从来不是炫技，而是真真切切地解决业务问题，为企业创造实际价值。AI 不是替代人，而是把人从繁琐重复的劳动中解放出来：让业务员专注拜访客情，让管理者聚焦战略决策，让营销决策层聚焦价值管理。从“流程数字化”到“决策智能化”，从 TPM 到 TPO，这是大消费行业数字化的下一个十年，也是头部企业在存量时代构建核心竞争力的关键。汉得数字化营销团队成立 20 余年，已服务 100 + 百亿级消费企业，提供从营销战略到系统落地、从流程优化到 AI 赋能的全链路数字化服务。数字化，放心交给我。汉得愿与更多消费企业携手同行，让每一分营销费用都产生真正的价值。携手汉得，共铸硬核竞争力！