2026年，企业级智能体已成为AI落地领域的行业共识。概念走热固然是好事，但随之而来的问题是——“智能体”一词正被快速泛化。许多厂商的做法，不过是在自家原有产品上接入一个AI大模型，就匆忙贴上智能体的标签。然而，企业客户真正需要的并非又一个对话入口。他们渴望的是能够真正理解企业知识、拆解复杂任务、调用各类工具并协同执行的数字员工。

滴普科技创始人赵杰辉对此有一个颇为犀利的判断：真正有价值的企业智能体，终究要回归到模型本身的能力上。厂商必须拥有模型训练能力，训练出具备企业级记忆机制、长任务规划能力以及智能体协同能力的企业大模型，这才能做好这项工作。

在此次与爱分析的深度交流中，赵杰辉系统阐述了他对智能体市场的见解，以及AI定义下的新组织形态将如何重塑科技公司。

核心观点：

1、企业智能体的概念被严重泛化，长期来看真正具有价值的是企业大模型。真正的智能体不能脱离模型，模型负责数据整理、知识逻辑承载和推理。AI厂商如果没有模型能力，本质上不过是传统集成商的“套壳”版本。

2、企业智能体落地的关键，在于建立企业级记忆和长任务规划能力。智能体必须拥有记忆机制，能将企业资料、流程、规则、故障案例、经验等转化为本体，形成一张企业知识网络。只有这样，模型才能实现推理和规划，进而支撑起复杂任务的执行。

3、AI员工将彻底重构科技公司的组织形态，FDE团队的重心会转向Skills和数据开发。FDE工程师的角色本身也要随之改变，必须学会将自身能力AI化。科技公司的竞争力，将从经验积累转向学习能力和变化能力。

01 企业智能体概念被泛化，长期有价值的是企业大模型

爱分析：您如何看待当前的智能体市场？

赵杰辉：现在智能体这个词已经被用得非常混乱。到今年年底，很多软件公司大概都不好意思再说自己有软件系统了，都会改口说自己拥有智能体。

最大的问题是，大家根本没有把智能体的边界讲清楚。这个局面很像当年的中台。中台最初只是一个开发工具，后来被不断放大，最终变成一个无所不包的宽泛概念。智能体现在也在走相同的路径。

讨论智能体，首先得回到模型本身。智能体不能脱离模型。模型在其中承担数据自动整理、知识逻辑承载和推理的角色。没有模型，智能体就无从谈起。

爱分析：所以您认为许多所谓的智能体公司，本质上还是集成商？

赵杰辉：如果只是挂一个RAG，或者用LoRA接一个基础模型，再做一些系统集成，这和过去的集成商并没有本质区别。

真正的企业智能体厂商，至少需要具备模型工程能力。要从模型后训练（包括持续预训练CPT和监督微调SFT）作为起点，对齐行业认知，构建模型基座能力。再通过强化学习（RLVR）激发模型的涌现和推理能力，深化对业务的理解。否则，本质上只是把知识库挂在基础模型上，做一些问答和流程调用，深度远远不够。

我不认为智能体会成为一个独立的、可以长期存在的细分市场。未来的核心最终会沉淀成两件事：第一是模型，第二是智能体平台。模型决定了智能体的大脑和记忆，而像FastAGI这样的企业智能体平台，决定了多个AI员工能否真正协同起来，完整地完成一个业务场景。

02 企业级记忆机制和长任务规划能力是智能体落地关键

爱分析：您最近的文章里反复强调“记忆机制”，为什么把它放在如此核心的位置？

赵杰辉：要做智能体，第一步就得问自己有没有记忆机制。没有记忆，就很难称其为智能体。

过去很多RPA流程软件的记忆，说到底就是流程跳转和界面操作，它不是企业知识的长期沉淀。真正的记忆，是把企业资料、流程、规则、故障案例、经验等内容转化为本体，并存储在模型中。

举个例子，一个企业的维修任务，不能只靠手册问答来解决。手册上不会写某台发动机转速下降了8%之后会出现什么具体问题。这个问题需要依赖企业历史数据、故障逻辑、设备关系和运行状态，实际上需要一个知识网络来支撑。

所以记忆不是简单地把文档存起来，而是要做本体的生成和存储。模型基于这些知识逻辑，才能做进一步的推理和规划。

爱分析：那这和RAG知识库问答有什么区别？

赵杰辉：RAG更适合做事实查询。它擅长回答已有文档里的问题，比如客服场景，问题和答案都比较明确，RAG可以发挥作用。

但企业智能体要处理的是长任务。长任务需要理解业务目标、拆解任务、调用工具、基于实时数据进行本体推理、协同多个Skills。RAG没有真正的长任务规划能力，也缺少企业本体逻辑。

企业级知识库如果没有本体结构，只是把文字重新整理一遍，并不能回答复杂业务问题，也不可能支撑数字员工真正开展工作。

爱分析：那么企业大模型的能力，会不会被基础模型不断追上甚至赶超？

赵杰辉：模型训练本身会逐渐去魅，没有想象中那么神秘。真正的门槛在数据能力。

你有没有某个领域的数据？你有没有这个领域的知识逻辑？你有没有长期做客户沉淀下来的本体建模经验？这些才是关键。Coding模型能做起来，是因为GitHub上有大量代码数据。而企业语义基础和本体建模的数据，掌握在长期服务企业的公司手里。

爱分析：这些数据是客户的原始数据吗？会不会涉及数据确权的问题？

赵杰辉：客户的原始数据属于客户，滴普科技不触碰、不存储客户的业务原始数据。我们真正积累的，是长期服务不同行业客户过程中沉淀下来的建模方法论和行业知识框架。

比如一个行业的供应链逻辑、设备故障逻辑、制造流程逻辑，这些内容可以被抽象和整理。这是一种工程能力，它要求团队既有学习能力，也要能把垂直领域知识转化为模型可用的知识网络。

03 AI时代，学习能力和变化能力是核心竞争力

爱分析：你们内部已经在用AI员工解决问题了吗？

赵杰辉：内部已经在用了。目前公司各个地区代表处的员工，都在与AI员工协同完成工作。售前解决方案数字员工能快速检索案例，识别客户场景价值，生成定制化售前方案，也能完成招标文件、POC方案和需求场景整理。数据治理数字员工可以覆盖数据治理全链路，从业务梳理、数据盘点、标准制定，到建模落库、质量评估和本体建模，它甚至能读懂手绘流程图，也能处理数据字典。项目管理数字员工能根据需求文件生成SOW文档、调研提纲、问卷、项目计划甘特图和风险分析。

我们的目标，是把FDE工程师的能力逐步AI化。

爱分析：这会不会改变FDE工程师的角色？

赵杰辉：会发生很大的变化。未来FDE工程师会变成Skills开发团队和数据集开发团队。这两者是一一对应的——你有数据，就能形成Skills。

一部分FDE工程师会把自身能力AI化，另一部分会整理滴普历史客户项目中的知识逻辑，这些知识逻辑将成为Deepexi企业大模型的重要基础。一个人如果不具备用AI整理数据和开发Skills的能力，恐怕很难适应未来的组织形态。

爱分析：您怎么看智能体市场未来的趋势？

赵杰辉：未来所有活下来的公司，都会具备智能体能力。但这不代表今天所有号称有智能体的公司都能活下来。

做基础模型的公司，会继续往更丰富的数据集和场景建设走。没有基础模型的公司，也要开始建设自己的模型能力。没有模型，只包一层应用壳，长期来看是很难存续的。

企业智能体的竞争不会停留在界面、流程和工具调用上。核心最终会回到企业语义基础、企业级记忆、长任务规划和模型协同。真正能在企业里落地的智能体，必须理解企业知识，能够形成计划，能够调用工具，能够让多个Skills协同工作。只有这样，智能体才可能从问答工具进化成真正的企业数字员工。