產能提升60%、故障復發率降低30%，滴普科技Agent讓工廠知識不再沉睡

你愿意花多少Token，讓AI真正干點活而不是聊天？WAIC 2026現場，滴普科技展臺前擠滿的企業代表，正是帶著這個疑問來的。他們看到的不是一個會聊天的模型，而是一個在工廠里直接干活的Agent。

現場展示的故障維修場景，把“干活”兩個字拆得很細。當一條設備故障線索輸入后，系統不是去文檔里搜關鍵詞，而是基于一套已經建好的知識模型，自己計劃出完整排查路徑：先查什么參數、怎么判斷異常、按什么邏輯推進，每一步都可追溯。如果還需要生成診斷代碼，或者調用模型生成一段操作視頻給技術員參考，也都能辦到，甚至未來可能將維修方案直接派給機器人執行。

這個場景掀開了2026年企業級AI競爭的一條暗線——當Token越燒越貴成為共識，越來越多企業開始追問：這些Token消耗，能不能換來可交付的生產結果？滴普科技近期升級的Deepexi企業本體大模型與DeepWorks企業智能體平臺，瞄準的正是這一點：做能執行、可治理、為企業結果負責的Agent。

走進任何一家上了體量的制造工廠，數據從來不缺。設備傳感器每秒吐出的振動頻譜、三維掃描儀的點云、CAD圖紙里的幾何參數、ERP里的訂單流轉數據、日常工作積累的海量文件……但這些數據之間，缺少統一的語義關聯和關系協作。振動頻譜異常與軸承磨損有什么關聯？溫度曲線漂移又為什么能反推光學元件老化？真懂這些關系的知識，往往只裝在老技術員的腦子里，或者散落在流程日志和故障手冊孤島里。

這不是AI看不懂數據，而是AI還沒看懂數據之間的關系。過去企業做數據治理、建知識體系、訓練AI理解工作流，甚至給大模型外掛RAG知識庫，走到這一步會發現，這個知識庫永遠是靜態或過時的，AI依然只能檢索已有內容，回答不了正在發生的真實業務問題。因為它始終是給人看的，不是給機器用的。沒有AI持續運轉，知識的維護成本遠大于使用收益，最后只能“沉睡”在文檔庫里。

滴普科技創始人趙杰輝給出了一個很直白的判斷：原來的數據工具平臺和數據治理方法，在AI時代已經不太適用了。企業現在需要的，是一套能持續迭代進化的知識網絡，以及圍繞著知識網絡形成的Skill組合方式。他們構建的本體大模型，等于給工廠建立了一套活的知識體系——不是把故障手冊掃描成PDF喂給AI，那樣AI只會檢索，不會推理；而是把維修這件事本身，變成一張動態的知識網絡：故障現象、可能原因、排查步驟、所需工具、歷史案例、相關設備參數、關聯工藝節點，節點之間的關聯，才是AI真正讀懂工廠的關鍵。

過去的圖譜是給人看的，現在的圖譜是給Agent用的。Agent持續運轉、持續迭代，知識體系才能把價值落到地面。某家激光裝備制造企業的試點數據，直接驗證了這套機制：實現產能提升60%、效率提升3倍、故障復發率降低30%。在這家企業，設備、工藝、老師傅的經驗全部被編譯到一套口徑一致的知識網絡里。技術員報出一個故障線索，部署在智能體平臺上的DeepSense工業智能體不是去文檔里搜關鍵詞，而是基于激光設備的本體知識網絡，做動態長程任務規劃——排查傳感器、調出歷史案例、生成修復腳本，就像一個在車間里干了二十年的老師傅。

與趙杰輝交流時，他還反復提到另一個關鍵詞：Skills。如果說知識網絡是AI的大腦，Skills就是AI的手。沒有Skills，AI只能看懂問題卻做不了事情；有了Skills，AI就能把能力落到具體業務單元。滴普科技第一階段曾靠固定工作流，人設計好步驟、模型按部就班執行，用了8年時間、服務400多家頭部客戶，手工積累了2000多個覆蓋制造、消費、公共事業等領域的可復用原始Skills。而現在，邏輯反過來了：不再依賴工作流，而是瞄準企業某個領域的知識體系，讓模型基于知識體系做動態任務規劃，Skills就是這個規劃的執行單元。每一次服務客戶，都在積累新的行業本體和Skills，積累越多，服務下一個同類客戶的邊際成本就越低，質量也越高。

在產品架構上，滴普科技今年把這套能力做了深度技術改造，升級成“DeepexiOS AI級企業操作系統”，定位為企業Token生產力平臺。DeepWorks作為日常工作入口，不是又一個聊天機器人，而是一整套企業級Agent的工程化機制：Harness負責工具調用的策略檢查、隔離執行、過程觀測和結果回灌；Loop支持多智能體分工、協同、復盤和持續執行；知識中心、API、MCP、插件、審批流程等，則讓AI能夠進入企業真實業務流程，不再停留在生成答案層面。底層的Deepexi企業大模型，負責把日常工作數據轉換成本體范式的知識邏輯，先存在Foil模塊里，穩定后通過后訓練進入模型權重，讓企業的活字典越用越厚。中間的Deepology，則是高質量企業本體數據集和2000多個Skills的集合，也是滴普科技沉淀行業Know-how的關鍵底座。

這些Skills不是靜態功能模塊，而是最小的執行單元，既包含任務方法、業務規則、工具接口，也承載特定場景下的專業判斷邏輯。基于Deepology，企業可以快速組建具備領域能力的AI專家團，而不是從零訓練一個“小白員工”。比如DeepSense生產制造Skills集、DataSense運營決策Skills集、FDESense IT服務Skills集等，這些企業本體數據和Skills集，共同構成了AI員工進入具體崗位前的基本初始配置。

趙杰輝還透露了一個挺有意思的數字：滴普科技現在全球有20余個辦事處，每個辦事處只有3到5個FDE工程師，但每年需要完成的年收入都在千萬以上。按傳統To B服務的邏輯，三五個人肯定做不下來。但如今在每個FDE背后，都有一批Agent員工在支撐，從項目管理、解決方案，到數據治理、資料整理。這其實在表明，盡管FDE模式在很多人看來必須做得“重”，但滴普科技已經在用自身實踐證明：將自身Agent化，不是讓Agent替代人，而是讓一個人帶著一群Agent，干原來十個人的活，實打實地放大了生產效率。