Plan（规划）能力
，是 Agentic Model 这一代真正的主题能力——给定一个指标
，模型便能自主决定要做什么、按什么挨次、挪用什么工具、何时终场、若何建改。它性质上是模型内化的一种推理战术（Reasoning Strategy）。这件事
，通用模型目前在 Coding、幼我助理、Web 浏览这些公开领域
，已经做得相当不错——它们靠的是公开语料里上千亿token 的“工作做法”堆集。

但当我们让 Agent 在企衣凤真正代替或辅助一个具体专业岗位实现具体工作
，如做一次故障诊断、规整齐次商品促销、实现一项跨系统的业务推理时会发现：通用模型的 Plan 能力
，在这些场景里并不会仅仅以“模型再变强一点”的方式单一延长从前。它和企业级业务规划能力之间
，差的不是能力档位
，而是一种语义底座——企业的本体、规定、规程、因果等
，这些从来不在公开语料里。

这一篇内容就是要把这件事讲明显——什么是企业级 Plan 能力
，通用模型 Plan 能力在企业 AI 落地中哪些场景够用、哪些场景不够
，真正必要补全什么。

企业级 Plan 能力性质上不是代替通用模型 Plan 能力
，而是在它之上成立更高一层的业务语义能力。在文章后半部门
，我会把滴普科技 Deepexi 企业大模型
，作为产业上一种具体的工程实际放进来会商。

一 · 企业级长工作相对于公开领域长工作
，在工程上是另一种结构

企业级长工作和公开领域工作
，从工程上看
，不只是“难度更高”
，而是另一种结构。具体来说
，企业级长工作具备的四个主题特点导致两者差距显著。

特点一：多跳因果链跨多个数据源
，且链路是“语境动态天生”的

企衣凤大量的真实业务推理是 5 跳、10 跳、20 跳的长链路。一次故障诊断从景象到根因可能要跨 6 个数据源
，一次销售复盘从了局到行动可能要追 8 跳。更关键的是
，这些链路不是“查表能查到的固定故障树”。统一类故障在分歧企业、分歧产线、分歧功夫点
，合理的追忆蹊径齐全分歧。链路是依赖具体语境动态天生的
，这些链路并不都是写在手册中能被检索出来的字段。

同样的症状
，分歧的根因蹊径。 某激光设备造作商和某新能源车企焊装产线
，都出现了“伺服过载报警 + X 轴定位漂移 + 节拍降落 8%”的一样症状。但前者的真实根因是车距离壁的等离子焊机谐波滋扰
，后者的真实根因是 MES 里 72 幼时前的车型切换参数同步问题。这两条蹊径不在职何一份 SOP 里——它们是这两家企业本体里“边该怎么走”的法式性知识。分辨它们必要的不是更多的文档
，而是本体层面的法式性理解。特点二：存在跨 SOP 的规定矛盾
，必要本体层级的优先级仲裁

企业有成百上千份 SOP、操作规程、合规手册
，它们在写的时辰各管一摊
，没有人保障它们之间是齐全一致的。当工作推理走到关键决策点时
，时时面对的不是“按某一份 SOP 处事”
，而是“两份 SOP 给的指令矛盾
，哪一份优先”。

这种仲裁不是在某一份文德凤能查到答案的
，好比“反洗钱合规”和“客户履历提速”两套规定在统一笔买卖上矛盾时
，哪个优先取决于企业的本体里这两类规定的元层级若何界说。

特点三：工作推理动态发展的本体子图
，token 预算装不下

一次企业级长工作推理
，在多跳推理过程中动态发展的有关本体子图——所有有关实体、实体间关联的边、每条边的语义、有关 SOP 的元层级关系——时时达到几十万 token 量级。即便是 1M context 的模型
，把工作推理过程中动态发展的本体子图全数塞进 prompt
，工程上也并不经济、成效上也不成靠。

这意味着模型必须靠“权重里已经内化的结构”来导航
，它不能依赖每次都把齐全本体塞进 prompt
，必须在面对一个工作时
，凭借内化的本体结构知路“该往哪条边走、哪条边能够先剪掉”。

特点四：“该停在哪”自身就是一个推理作为

企业级长工作里
，“什么时辰终场追忆、切换到给出结论”是一个独立的推理作为。停早了
，根因没找到
，答案是表表的；停晚了
，会陷入无限回溯
，token 亏损暴涨
，用户履历崩溃等情景中。

这种“该停在哪”的判断
，依赖模型对本体里某些边类型的语义鉴别
，好比某条边暗示“这是一个根因节点”（意味着推理能够终止）
，某条边暗示“这是一个中央如果”（意味着推理还要持续）。这种边的法式语义
，无法靠把边的名字塞进prompt 来传递——必须靠模型对边类型的内禀理解。

这四个特点加起来
，描述了企业级长工作的真实工程现实。它们和公开领域工作的差距
，不是“难度档位”的差距
，是“工作结构”的差距。后面要会商的所有工程弃取
，都成立在这四个特点上。

二 · 通用 Agentic Model 的能力延长到 B 端
，无法在深度业务岗位成为 AI 员工

Agentic Model 在公开领域已经证了然自己在通用业务领域的 Plan 能力：给定指标后
，模型能够拆步骤、选工具、观察反馈、建改蹊径
，直到工作实现。像Coding、网页操作、幼我助理等场景之所以成效惊艳
，背后有几个隐含前提：工具语义大体在公开训练散布内；工作指标可由通用学问拆解；工具反馈能被模型直接理解；终场前提也相对清澈。

但倒剽套能力延长到 B 端
，尤其进入造作、零售、医疗、金融、供给链等深度业务岗位时
，这些前提会被突破。企衣凤的工具不是公开工具
，字段不是通用字段
，流程不是单线流程
，反馈也不满是天然说话反馈。模型即便能调通好多系统
，仍可能无法实现企业业务里的逻辑推理。

失效前提一：业务对象不在训练散布内

第一章的故障诊断例子已经注明
，同样的报警症状
，在分歧企业可能走向齐全分歧的根因蹊径。真正决定诊断方向的
，不是模型能不能查到 MES、PLC 日志、设备台账和维建纪录
，而是它是否理解这家企业自己的设备结构、工艺蹊径和故障因果链。

若是不理解“报警码”“参数组”“工位编号”背后的企业语义
，通用 Agentic Model 的 Plan 能力就会退化为基于字段名的猜测。它能天生排查清单
，却难以判断哪条边是症状到部件
，哪条边是部件到原因
，哪条边会组成根因证据。

失效前提二：业务指标是派生了局

零售经营复盘中
，区域总监问：“华东大区销售额实现率 73%
，差 270 万
，明天会议会商什么行动？”通用模型容易回覆：“加大促销、优化产品组合、提升客单价。”问题在于
，“销售额”不是可直接操作的作为
，而是销量、均价、渠路结构、促销节拍、库存可得性等多个杠杆共同作用后的了局。

正确的规划应先鉴别“销售额”是派生量
，再沿企业本体反向追忆到可执行杠杆
，并判断这些杠杆组合起来能否补上270 万缺口
，是否打穿毛利约束。通用模型知路公式
，不蹬宗知路在业务推理中看到派生量时
，要触发反向追忆。

失效前提三：业务作为受多指标多规定约束

企业工作往往不是“实现”就能够
，而是要在多指标、多约束、多规定矛盾下
，合规实现。零售指标分化里
，深度促销可能会拉高销量
，但也会压低毛利和均价；商品结构上移可能会提升均价
，但也会降低转化；直播投放可能带来销量
，但也会扭转渠路用度结构。金融合规中
，客户履历、反洗钱、额度占用、黑名单筛查在统一笔买卖上时
，也会发生矛盾。

这类工作必要先把作为折算到统一组约束等式和规定优先级里
，判断是否存在可行域。不然模型可能给出若干单独看都合理
，合在一路却相互打架的建议。从企业角度看
，这不是可执行打算
，只是并列建议。

失效前提四：终场点由企业本体决定

企业级推理不是越长越好
，也不是越短越好。故障排查停早了
，会停在“查抄电机负载」剽类表表结论；停晚了
，又会在所有可能部件之间无限扩大。订单履约和合规审计也一样：什么时辰证据足够、什么时辰还只是中央异常、什么时辰必须切换到人为复核
，都不是通用说话能力能不变判断的。

真正决定终场点的是企业本体里的边类型：有些边暗示中央如果
，有些边暗示根因确认
，有些边暗示必要人为复核
，有些边暗示能够进入措置模式。没佑装边的业务语义 -> 下一步推理作为”的不变映射
，Plan 的观察－建改关环会在关键节点断掉。

所以
，Agentic Model 延长到 B 端后的重要断点
，不是工具数量不够
，也不是高低文窗口不够大
，而是业务语义层Plan能力缺位。模型能够接入更多系统、挪用更多 MCP 工具、读取更多 SOP
，但只有不知路企业本体里哪些对象、边、规定和约束应该触发什么推理作为
，就无法不变实现企业业务的逻辑推理。

企业智能体 落地不能把通用 Agentic Model 直接当成深度业务岗位的 AI 员工
，而是要让 Plan能力跑在企业本体语义空间里
，先解决“在企衣凤该怎么想”。

三 · 企业智能体落地必要分层Plan能力

Agentic Model 的 Plan 能力延长到 B 端后
，在企业智能体 落地时必要的是一个具备两层 Plan 能力的模型——这是统一个模型内部的两层：上面一层是业务语义层 Plan能力
，掌管“干什么”；下面一层是通用执行层 Plan能力
，掌管“怎么干”。两层各司其职、协同工作
，但融合在统一套模型权重里。

企业智能体必要增长业务语义层Plan能力

业务语义层 Plan（业务推理战术）——它的输入是“业务工作”
，输出是“业务意图序劣妆。它思虑的是：这是个什么业务问题？在企业本体里必要走哪条推理蹊径？这一步在业务上算成功吗？此刻该收敛了
，还是持续？触发了哪条文则、必要什么仲裁？它的语义底座是企业本体。

通用执行层 Plan（工具挪用战术）——它的输入是“业务意图”
，输出是“工具挪用序劣妆。它思虑的是：用什么工具实现这个意图？参数怎么传？犯错了怎么重试？返回怎么解析？它的语义底座是通用工具集——这正是 Agentic Model + Harness 在 C 端已经做得极度好的事件。

下面这张图把这两层 Plan 能力在 Deepexi 这种本体大模型内部的结构关系画出来——它们不是两个独立的模型
，而是统一套模型权重里融合的两种推理模式。

图 1 本体大模型的两层 Plan 架构 —— 业务语义层 + 通用执行层在统一套权重里融合

业务语义层Plan能力和通用执行层 Plan能力的合作流程

一个企业级工作进来——业务语义层 Plan 在本体里定位工作（这是什么类型的业务问题、涉及哪些实体）→ 拆解出业务级此外子工作（先做反向追忆、再做约束求解、最后做收敛判断）→ 对每个子工作形成“业务意图”（好比“在销售本体里从销售额节点沿 actionable_via 边走到杠杆层”）→ 把业务意图交给通用执行层 → 执行层把意图翻译成工具挪用序劣注跑工具、拿了局 → 业务语义层评估了局在业务上是否达成意图 → 决定下一步业务作为。

上一节讲的四个失效前提
，性质上都是由于没有业务语义层 Plan的情况下——通用 Agentic Model 直接把业务工作当工具挪用工作来处置
，跳过了“干什么」剽一层。

而业务语义层和通用执行层这两层之间的合作是高频发生的——每一跳推理都可能反复切换：业务语义层提出意图、通用执行层调工具、业务语义层评估了局、天生下一个意图。若是齐全拆成两个独立模型
，业务意图、工具反馈、本体语义都要反复在表部新闻中显式传递
，工程复杂度和语义损耗城市显著上升。

更底子的是
，业务语义层评估通用执行层的输出时——“这个工具挪用了局在业务上算成功吗？”“返回的这堆字段在企业本体里对应什么？”——必要业务语义层能“看懂”执行层在做的事。在统一个模型里
，两层共享内部表征（统一套对企业本体、对工具、对业务规定的内化理解）
，这衷炖估是天然进行的；若是拆成两个模型靠 prompt 传递
，信息会逐层迷失。

所以业务语义层在决定“下一步该走哪条边”时
，必要知路当前手里有哪些工具能力可用、每条工具的天堑在哪里。这种“知路自己手里有什么牌”的能力
，在统一个模型里是最佳的工程实际
，把两层 Plan 的能力融合到统一套权重里
，通过训练让模型学会在分歧工作情境下激活分歧的推理作为。

业务语义层 Plan 和通用执行层 Plan 不是两个串行的模型
，它们是统一个模型内部的两种推理模式
，由训练把两种“边类型 → 推理作为”的前提反射融合到统一套权重里。 这是本体大模型这一代和“通用模型 + 表挂规划器”路线的底子差距。这里说的统一个模型
，指的是 Deepexi 内部面向企业工作时业务语义层 Plan能力与通用执行层 Plan能力的融合；FastAGI 层面的多模型协同
，则是Deepexi 与通用说话模型、代码模型、多模态模型之间更大领域的分工。业务语义层 Plan 能力必要内化的多种推理战术

讲明显两层 Plan 能力的合作之后
，接下来要回覆的是：业务语义层 Plan 能力具体必要在模型权重里编码什么能力。

从上一节四个失效前提反推
，它至少必要内化四种推理战术
，这些性质上都是“看到企业本体里的某种结构特点
，触发对应推理作为”的前提反射。当然在现实企业业务场景中
，则必要内化更多的推理战术。

第一
，鉴别派生量节点
，触发反向追忆？吹较鄱睢⒗舐省⑹迪致实攘司中椭副晔
，模型不能停顿在指标诠释
，而要沿企业本体反向追忆到可操作的杠杆层
，把“销售额差 270 万”翻译成城市销售经理真正能执行的作为组合。第二
，鉴别约束等式
，触发多指标求解？吹健跋鄱 = 销量 × 均价”“毛利 = 销售额 - 成本”等业务公式时
，模型要触发约束求解和副作用排查
，而不是把公式复述一遍。当指标之间发生数学矛盾时
，要判断可行域；若是不成行
，要注明哪个指标必须松动、松动到什么水平。第三
，鉴别根因节点
，触发推理终止和措置模式切换。当本体节点已经组成确认性根因时
，模型要终场持续追问“为什么”
，转入“怎么建、必要哪些资源、是否必要人为染指”。若是当前节点仍是中央如果
，则持续追忆。第四
，鉴别动态语境
，选择追忆蹊径。统一个业务症状
，在分歧企业本体里的合理蹊径可能齐全分歧。模型必须基于相邻设备布局、参数调换汗青、批次切换纪录等私有结构特点
，动态天生本次追忆蹊径
，而不是套用公开手册里的通用故障树。

图 2 业务语义层 Plan 的多种推理战术示意 —— 看到企业本体里的某种结构特点
， 触发对应推理作为

这几种战术在 Deepexi 内部不是拼接的独立？
，而是训练进统一套权重里的业务语义反射能力。它们解决的是业务语义层Plan“在企业本体里该怎么想”的问题；通用执行层 Plan 再掌管把这些业务意图翻译成具体工具挪用。两层协同
，企业级智能体能力不变实现长工作推理。

四 · Deepexi：本体大模型的产品答案

讲到这里
，我必须把滴普科技自己的产品放进来——这是这一篇的“态度披露”段落。和上一篇一样
，我不是在做第三方陈述
，是在讲我们自己的产品定位。

Deepexi 企业大模型
，是我们针对前面会商的“企业级 Plan 能力”做的具体回覆。我把它的产品状态从四个维度讲明显——产业站位、产品组件、训练数据范式、训练架构分层。

产业站位：Deepexi 是企业级 Plan 能力的承载者

我先说 Deepexi 不是什么——它不是另一个通用大模型。我们没有去和 Claude、GPT、Qwen、DeepSeek 这些通用模型在通用说话能力、通用推理能力上做对标。那个赛路已经有顶级玩家在做
，通用语义这一面也是它们的强项。它也不是“通用模型 + 企业 RAG”的封装产品。RAG 解决的是事实性知识检索
，不解决企业本体的法式性推理。

Deepexi 是企业级 Plan 能力的承载者——一个专门基于企业本体语义做长工作规划与推理的本体大模型。它和通用模型是协同关系
，不是竞争关系——通用模型在公开语义空间上做通用执行Plan
，Deepexi 在企业本体语义空间上做业务语义Plan
，两者协同实现企业级长工作。

Deepexi 在大模型领域里专做一件事——把企业本体的法式性知识训练进模型权重
，让企业级 Plan 跑在企业本体语义底座上。 通用模型把成本端 token 单价压下来
，Deepexi 把价值端的企业 Plan 正确率提上来。Deepexi Foil ：Plan 能力的本体影象载体

Deepexi 不只是一个模型权重
，它蕴含一个具体的本体承载组件——Deepexi Foil。这个组件的演进蹊径自身就反映了滴普这几年的工程堆集。Foil 在 Deepexi 里承担的角色
，性质上是业务语义层 Plan 运行时的本体接入点——模型跑业务语义层 Plan 时
，从 Foil 读企业本体结构；Plan 推理产出的新本体结构
，沉淀回 Foil。

Foil ？檎臼 FastData 平台（滴普 8 年来的主题数据底座）中掌管本体建模和非结构化数据处置的部门。在从前几年的客户落地中
，FastData Foil 是 FDE 工程师做客户本体 schema 整顿的主题工具。它处置两类输入：一类是企衣凤大量的非结构化知识文件（SOP、规程、维建手册、故障案例库）
，另一类是和业务专家共同抽取出来的本体 schema 草稿。

2026 年我们做了一次架构整合——把 Foil ？榇 FastData 中拆出来
，整合进 Deepexi
，改名为 Deepexi Foil。原因很单一：本体处置这件事和大模型推理性质上是一件事的两面——本体是大模型推理的底座
，大模型推理的产出又会反过来更新本体。把它们放在统一个产品里
，工程上更顺。

整合后的 Deepexi Foil 在 Deepexi 里承担三个具体角色：

第一
，非结构化知识的输入端。企业的 SOP、规程、维建手册等非结构化文件
，通过 Foil 进入 Deepexi 的本体处置链路。第二
，本体天生了局的承载端。Deepexi 在客户环境里抽取、推理、更新出来的本体结构
，沉淀在 Deepexi Foil 里
，作为后续推理的可读可改基础。第三
，FDE 工程师持续工作的存储载体。即便在 Deepexi 代替了相当一部门 FDE 工作之后
，业务专家和 FDE 工程师依然必要做本体的精建、规定的增长、特殊场景的标注——这些工作的产出
，持续存储在 Deepexi Foil 里。Deepology 企业本体高质量数据集是 Deepexi 企业大模型训练的基础

Deepexi 的能力成立在 Deepology 这个企业本体数据集上。Deepology 的三个范式
，不是孤立的数据状态
，而是直接对应业务语义层 Plan 能力的三层训练指标：

范式一是静态结构层：实体 + 关系 Schema。这一层通知模型这个 domain 里有哪些实体类型、它们之间存在哪些类型的关系、关系上携带哪些属性。它训练的是模型“鉴别业务对象”的能力——直接对应第二章失效前提一（业务对象不在训练散布内）。模型先学会一个 domain 的“本体语法”
，知路这个行衣凤都有哪些“名词”和“动词”。范式二是蹊径模板层：主题推理蹊径界说。这一层用天然说话列出本体里几条典型的多跳推理链路
，通知模型在这个本体里“合法的多跳蹊径长什么样”——不是单向的因果链
，而是带回路、带评估关环的真实业务推理结构。它训练的是模型“鉴别多跳推理蹊径”和“鉴别约束等式”的能力——对应失效前提二、三（派生量反向追忆、多指标约束求解）。范式三是景象级事俘层：层级化树状/图谱状结构。这一层是带前提分支、带终止判断的具体推理轨迹——从景象级问题名称起头
，逐层发展“父级子景象 → 子景象 → 排查点 → 部件 → 原因 → 解决规划”。它训练的是模型“鉴别终场点”的能力——对应失效前提四（终场点由企业本体决定）。模型学会在这种具体场景下
，怎么走完一条齐全推理蹊径、什么时辰该终止、什么时辰该切换到措置模式。

这三个范式共同组成 Deepology 的训练数据状态。截至目前
，Deepology 已经堆集 108 个业务本体——这是基于从前几年和近400 家头部客户合作过程中
，沉淀的真实本体建模 Know-how 转化而来。

Deepexi 训练架构的三层分层

Deepexi 训练逻辑的主题
，也是它区别于通用模型训练的关键——通用模型的训练指标是“下一个 token 预测得准”
，优化的是说话天生质量；Deepexi 的训练指标多了一层
，在企业本体上“下一个推理作为触发得对”
，优化的是上一节讲的几种推理战术的触发正确率。

Deepexi 的训练逻辑能够一句话概括：通用模型的训练优化“下一个 token 的天生正确率”
，Deepexi 在此之上叠加优化“下一个推理作为的触发正确率”。

前者让模型“会说”
，后者让模型“会想、会动”；前者是 Chat / Reasoning Model 的训练范式
，后者是本体大模型的训练范式。

具体到工程实现
，Deepexi 训练在三个层面上做了 Plan 能力的内化
，这三个层级可依照企业业务落地的复用覆盖领域进行划分：

第一层是能力训练：把“看到本体结构特点 → 触发对应推理作为”的前提反射训练进模型权重——反向追忆反射、约束求解反射、推理终止反射等等。这是通过把范式二（蹊径模板层）和范式三（景象级事俘层）的数据按“本体结构特点 → 推理作为”的对应关系组织成 SFT 样正本实现的。这一层是跨企业可复用的——这些反射能力一旦训出来
，所有企业、所有行业的长工作推理都用得上。这一层是固定成本投入
，边际成本随客户数量趋近于零。第二层是行业本体持续预训练：造作业的“设备－工艺－物料”骨架、零售的“商品－渠路－促销”骨架、银行的“账户－合规-风控”骨架等等。这种能力在通用模型的训练指标里没有显式信号
，必须靠定向数据 + 定向训练指标能力内化
，使模型学会鉴别推理链路上的多种信号。这一层是跨行业客户可复用——统一行业的客户共享这套骨架。每加一个新行业是一次性投入
，服务该行业所有客户。这一层让 Plan 能力学会在分歧业业骨架上发展。第三层是客户本体注入：厂商的具体设备清单、SOP、配电图、产品型号切换汗青等。这一层是每家客户独有的
，必要在客户环境里实现本体对齐（通过 Deepexi Foil 承载）。但这一层是体量最幼的一层——前两层已经把“重活”做完了
，客户级注入重要是把企业的具体事俘数据接入到已经训好的本体推理框架上。这一层让 Plan 能力具体绑定到这家客户的事俘数据上。前两层（能力 + 行业）是跨客户摊薄的固定成本投入
，客户数量越多
，单客户分摊越低。 只有第三层（客户本体）是真正“每家一份”的
，且是三层中体量最幼的一层。 这是本体大模型在工程经济学上可能规；脑。

训练的更多技术细节（损失函数设计、数据配比、消融尝试等）会在后续的学术论文中逐步公开
，这里只做工程方向上的勾画。

五 · 用大模型实现 FDE 的工作：产业演进的统一个方向

讲到这里
，可能有人会问——这条路（用本体大模型代替 FDE 工程师做企业本体抽取与规划）是滴普一家的判断
，还是产业更广的方向？这一节我想当真回覆这个问题。

FDE 模式：产衣凤被反复印证的有效蹊径

Forward-Deployed Engineer(FDE
，前列驻扎工程师)模式由 Palantir 在 2003 年初创——驻扎在客户现场
，和客户的业务专家、IT 工程师一路
，把这家企业的工作流和模型能力做深度结合。

企业级 Plan 能力不能直接从通用模型权重里涌现
，必须有人在客户现场把这家企业的业务本体、规定、推理蹊径手工事俘化。

Palantir 用 20 年实际、Anthropic / OpenAI 用数十亿到百亿美元级此外投入
，验证了这件事的工程必要性。

滴普科技自身也是 FDE 蹊径的实际者

滴普科技在早期和 Palantir、Anthropic / OpenAI 当前强化的企业级工程服务蹊径
，在工程模式上有类似之处——通用模型 + FastAGI 智能体平台 + FastData 数据融合平台 + FDE 工程师驻场。FastData 是滴普 2018 年起的主题产品
，从前8 年间
，在中国市场为诸多大型企业（覆盖先进造作、消费零售、生物医药、贸易流通、交通、政务等领域
，累计近400 家中大型客户）构建了数据融合 + 业务运营的统一底座——这件事在工程角色上
，FastData 与 Palantir Foundry 在全球市场上所承担的角色是类似的。

Palantir 用 20 多年的产业实际、Anthropic / OpenAI 用数十亿美元到百亿美元级此外投入、滴普用 8 年的中国市场落地——都用各自的方式
，确认了统一个产业判断： 在企业级 AI 落地这条路上
，光有模型不够
，FDE 模式是目前为止最有效的工程范式。从 FDE 实际到大模型代替：Palantir、Anthropic/OpenAI和滴普走在统一个演进方向上

这是这一节真正想说的主题——FDE 模式有效
，但它的下一步演进方向已经起头浮现。我们来看几件已经发生的产业事实。

第一件：Palantir 自己已经做出了 AI FDE。Palantir 官方文档把 AI FDE 描述为“AI-powered forward deployed engineer, an interactive agent that operates Foundry for you through conversational commands"——一个由 AI 驱动的前列驻扎工程师
，通过对话指令操作 Foundry
，执行数据转换、代码库治理、本体构建等工作。

第二件：Anthropic 官方颁发企业 AI 服务公司
，OpenAI 的有关企业部署公司铺排也由媒体披露。两家全球最顶尖的通用大模型公司
，在企业级落地上都不是单一卖 API
，而是在强化“模型 + 深度工程服务”的蹊径。它们用最直接的方式注明：通用大模型 + API 挪用
，在企业级长工作上不够用
，必须有 FDE 工程把模型能力翻译成业务能力。

第三件：滴普科技把 Deepexi 作为 FDE 工作钟装理解企业本体、抽取本体 schema、做企业级长工作 Plan」剽部门能力的模型化承载。FDE 工程师做的本体抽取与企业级长工作 Plan 设计
，Deepexi 企业大模型能够承担其中相当一部门通用工作。这不是把 FDE 工程师彻底代替（像业务专家、合规专家、特殊场景的精建工作依然必要人）
，而是把 FDE 工程的“通用部门”（本体建模、Plan 模板、推理作为）向模型权重下沉
，让 FDE 工程师能从反复劳动里解放出来
，专一在真正必要人去做判断的部门。

Palantir 走的是“AI Agent 操作 Foundry 平台”蹊径——AI FDE 在 Foundry 平台之上
，把天然说话要求翻译成对Foundry 本体对象、数据管路、代码库的操作；本体依然是平台层的可读可改对象；Anthropic 与 OpenAI 的企业级部署布局
，验证了 FDE 这个工程范式的产业价值；

而滴普走的是“本体推理能力训练进模型权重”蹊径——边的法式语义、推理作为的前提反射
，是模型参数里编码的能力。模型自身成为本体天生与推理的主体
，Deepexi Foil 承担本体可读、可改、可持续沉淀的承载层。

两条蹊径的底层判断是一致的——FDE 工作中相当一部门（本体抽取、Plan 设计、推理作为）是能够被产品化、模型化的； 但具体技术蹊径有差距——Palantir 走 Agent 操作数据平台
，滴普走本体训练进权重。 两条蹊径都是 FDE 模式基于 AI 的下一步演进。一个克造的产业判断

坦诚地说
，Palantir 在全球市场用 20 多年走通了这条路——它的品牌沉淀、市场职位、客户体量
，远在滴普之上。不外我们在中国市场
，基于近8 年和近400 家客户的落地堆集
，在这条类似的工程演进蹊径上
，独立做了我们自己的索求。

所以说用大模型自身实现 FDE 工程师的部门工作
，是产业演进中一个真实的、值得关注的方向
，Palantir、Anthropic / OpenAI 和滴普科技都在这条路上做了自己的索求。

六 · 回到 Token 经济：协同的算式

在回到 Token 经济之前
，先回应一个被读者时时问到的问题——Deepexi 这种本体大模型和通用模型、Coding 模型、多模态模型在企衣凤若何协同？

这个问题不是单一的“多模型分工”——企业级协同有几个怪异维度：多 Agent 间的业务语义对齐、关键判断的多模型互校、跨流程的合规审计与回放、人机合作的权限治理。这些维度在通用领域的多 Agent 协同里要么不存在、要么是弱状态
，但在企衣凤全数是硬需要。FastAGI 企业智能体平台就是萦绕这些维度做的工程化索求
，当然这是另一个独立的话题
，这里不发展
，留待后续单独会商。

所以回到上一篇文章开头那个命题——AI 落地是一路 Token 经济题。两篇文章合在一路
，这路题的两端就清澈了——上一篇讲的本体范式影象
，解决“价值密度端”（每个 token 携带精确的企业语义）；这一篇讲的本体大模型
，解决“Plan 正确率端”（每次推理与工具挪用都基于企业本体规划
，不浪费 token 在谬误规划工作上）。

通用模型解决“通用智能”
，把成本端 token 单价压下来。 Deepexi 本体大模型解决“企业智能”
，把价值端token 业务密度提上来。 FastAGI 把两者协同起来
，统一处置企业级长工作。 这是 Token 经济在企业级场景里真正算得平的工程蹊径。七 · 写在最后

这一篇的主题判断——本体大模型是企业 智能体 落地的另一条主线
，与通用模型协同、统一在 FastAGI 智能体平台下
，共同支持企业级长工作的 Plan 能力
，是从我们这几年企业级 AI 落地的真实工作里反复推出来的。

Agentic Model 在公开领域获得的成就是真实的
，企业级 AI 不是公开领域的单一延长
，它有自己怪异的语义结构、怪异的失败模式、怪异的工程化蹊径。Anthropic 和 OpenAI 通过企业级工程服务公司和部署公司铺排给出了它们目前的工程化答案；Palantir 用 AI FDE 给出了它的模型化索求；我们用 Deepexi 本体大模型 + FastAGI 多模型协同给出了k8凯发天生赢家产品化答案。这些答案都在回覆“企业级 AI 落地若何真正可杏坠剽个共同的问题。

文章里所有的判断
，都是滴普视角的判断
，我但愿它能为这场仍在进行中的产业会商
，提供一个稍微不一样的角度。

参考资料· References [1] 赵杰辉。 《影象
，是智能体的“魂灵”——Token 经济时期下
，企业级 AI 落地的一条主线》。 2026.（本文上篇） [2] Anthropic. "Building a new enterprise AI services company with Blackstone, Hellman & Friedman and Goldman Sachs." Press Release, May 4, 2026. https://www.anthropic.com/news/enterprise-ai-services-company [3] Bloomberg. "OpenAI Finalizes $10 Billion Joint Venture With PE Firms to Deploy AI." May 4, 2026. [4] TechCrunch. "Anthropic and OpenAI are both launching joint ventures for enterprise AI services." May 4, 2026. [5] CNBC. "Anthropic teams with Goldman, Blackstone and others on $1.5 billion AI venture targeting PE-owned firms." May 4, 2026. [6] Fortune. "Anthropic takes shot at consulting industry in joint venture with Wall Street giants." May 4, 2026. [7] Palantir Technologies. "AI FDE ? Overview." Foundry Documentation, 2026. https://www.palantir.com/docs/foundry/ai-fde/overview [8] Anthropic. Claude 3.5 / 3.7 / 4 Model Cards & Computer Use Reference. 2024—2026. [9] OpenAI. Codex / o-series for Agents Technical Documentation. 2025—2026. [10] DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948. 2025. [11] Z.AI. GLM-4.5 Technical Report. 2025. [12] Anthropic. Model Context Protocol (MCP) Specification. 2024—2026. [13] 滴普科技股份有限公司。 FY2025 年度业绩布告。 香港结合买卖所披露易。 2026.

　　成都传递酒店卫生问题

拿到东决冠军点 尼克斯再胜骑士3-0