跨越AI价值鸿沟：服务中国企业系统化构建产业级AI能力的深度洞察与战略陪跑蓝图

微信邦

一、 产业大局与中国企业的AI困局：从“价值鸿沟”到“无利润繁荣”



当前，全球人工智能产业正处于从技术狂热向商业变现过渡的深水区。生成式人工智能（GenAI）与代理式人工智能（Agentic AI）在重塑千行百业的底层运转逻辑，但在这场前所未有的范式跃迁中，企业界正面临日益扩大的“AI价值鸿沟”。相关权威调研揭示了一个冷峻的商业现实：在对全球203位核心决策高管的调研中，近90%的企业表示其在AI领域的投资回报不及预期 1。这种现象被准确地定义为AI时代的“无利润繁荣”——巨额的技术投资并未带来对等的财务回报，企业推动AI在生产业务线落地的速度，已远远超出了其实现商业价值变现的速度 1。

在中国市场，这一困境展现出了更为复杂与严峻的本土特征。尽管高达83%的中国企业已将人工智能列为最高级别的战略优先级，但实际落地的成功率却仅为29%。超过九成的中国企业对当前的AI投资效果感到失望，约三分之二的企业处于“盲目推进”的状态。中国企业的独特挑战在于其底层数据资产的极度匮乏与割裂：数据显示，中国企业的数据存留率仅为2.8%，远不及美国市场的7.3%。这种数据整合成熟度偏低的现状，构成了阻碍AI在产业中普及的核心挑战之一。与此同时，超过60%的中国企业受困于新旧IT系统的融合困难与数据标准混乱，导致前沿的AI技术难以真正在核心生产环节深度落地。

为了厘清投资回报表现分化背后的深层逻辑，基于企业“战略方向”与“执行能力”的双轴评估，可以将当前身处AI浪潮中的企业精准划分为四大核心阵营 1。这一全景式画像不仅揭示了当前的胜负分水岭，更为服务中国企业指明了转型的坐标系。


深入剖析上述数据可以发现，导致中国企业深陷“无利润繁荣”的根因主要有两个维度。

其一，是成效评估指标的严重失真。大量企业在AI项目推进中处于“盲目飞行”状态，63%的企业依然依靠一次性的前后对比或管理层的主观直觉来评判成效，仅有四分之一的企业建立起了持续的投资回报率（ROI）自动化看板 1。在KPI指标的设定上，迟滞者企业往往既要求极高的决策准确率，又要求代理式AI具备完全的自主行动权限，这种相互矛盾的考核体系人为制造了无法调和的业务瘫痪 1。

其二，则是运营模式与底层技术架构的空心化。多数迟滞者混淆了“采购先进技术”与“构建现代架构”的本质差异，他们斥巨资采购了最顶级的AI基建与大模型API，却仅仅在原有陈旧的IT系统外围进行“浅层套壳” 1。这种做法制造了业务流与数据流“伪打通”的幻象，导致拥有强大推理能力的AI智能体受困于部门数据孤岛之中，根本无法贯穿企业的核心价值链 1。

二、 核心驱动力重塑：算力时代的终结与“Token工厂”的全面升维



服务中国企业系统化构建产业级AI能力，首要任务是帮助企业管理层完成认知维度的颠覆。当前，整个AI基础设施的价值核心正在发生剧烈转移——从单纯堆积图形处理器（GPU）规模的粗放阶段，迅速演进为以Token（词元）吞吐量为核心产出指标的“Token工厂”模式 2。

英伟达等头部计算平台提出的核心理论指出，AI工厂的本质是将能源转化为Token，再将Token转化为实际的商业与产业价值 2。在这种全新的产业逻辑下，Token吞吐量直接决定了基础设施的收入能力与资本回报率，行业的竞争焦点已从“企业拥有多少算力”彻底转向“如何让存量算力生产出更多具有实质生产力的Token” 2。中国国家数据局在2026年正式将Token的中文名定为“词元”，并明确指出，词元作为大模型处理信息的最小信息单元，不仅是智能时代的价值锚点，更是连接技术供给与商业需求的标准化“结算单位” 3。当前，我国日均词元调用量已超140万亿，较2024年初增长超过1000倍，标志着以词元计费为基础的新型商业逻辑正在加速成型 3。

在这一体系下，Token经济的定价机制正在加速分化，这为中国企业的商业模式创新提供了清晰的路径。基础设施级的通用Token因能力同质化，其价格正迅速向边缘推理成本收敛；而叠加了特定行业深厚Know-how与专有数据的“专家级Token”，则因其不可替代的复杂推理与履约能力，获得了显著的溢价空间 2。商业生态中正在涌现出如同“大模型界App Store”的聚合平台，它们通过整合各方API接口，提供一站式Token分发与调用服务，进一步打开了产业协同的利润空间 2。

这一前沿经济模型在智能座舱与车载AI场景中已经得到了极为成功的商业化验证。例如，博泰车联与明略科技达成的深度战略合作，正是以Token经济为底层逻辑，探索车载AI商业化新路径的标杆实践 5。在传统的车载智能发展中，汽车厂商面临着一个不可逾越的成本悖论：AI功能越是先进、越受用户欢迎，车企在云端所消耗的推理算力成本就越高，硬件一次性买断的收费模式根本无法覆盖持续的高昂算力开支 5。

为了破解这一困局，双方联手搭建了“AI × 车 × 用户需求”的完整链路平台 5。博泰车联提供核心的车载AI算力基础设施、AI Box硬件入口以及丰富的车端应用场景；明略科技则输出其强大的AI Agent（智能体）技术与海量的品牌营销资源 5。通过将Token经济模型植入其中，当用户驾驶车辆途经商圈、餐厅或处于充电等待期间，车载AI Agent会基于用户画像与实时位置，主动感知需求，并提供AI点餐、目的地导购、服务预定等一站式的消费履约服务 8。这种模式成功将品牌的营销预算、车端AI的算力消耗（Token调用量）以及用户的场景化消费，纳入到一个统一的价值计量与分配体系之中，打通了全链路的清结算机制 5。这不仅彻底颠覆了传统的汽车软件盈利模式，更证明了Token经济作为价值流转媒介，能够真正帮助企业实现从“技术成本中心”向“持续盈利引擎”的跨越。

三、 底座重构与协议破局：告别浅层套壳，依托MCP走向深度集成



明确了Token经济的商业目标后，中国企业在技术执行层面遭遇的最大壁垒，便是沉重的老旧IT历史包袱。传统企业内部充斥着孤立的ERP、CRM以及各业务线的自建数据库系统。如果企业依旧沿用传统的系统集成思路，不仅需要耗费数月甚至数年的时间进行点对点（Point-to-Point）的定制化接口开发，更会因为接口的脆弱性而极大地限制AI能力的横向扩展。调研显示，71%的领军企业选择迎战既有架构重塑的难题，直接对现有存量系统“动刀升级”，坚决杜绝表层“AI套壳” 1。

在此背景下，模型上下文协议（Model Context Protocol, MCP）的横空出世，为中国企业系统化构建底层AI架构提供了革命性的通用标准 10。MCP协议被定义为一种开放标准的整合架构，其核心作用是充当AI模型与企业庞杂的遗留系统（Legacy Systems）之间的“通用翻译器” 10。通过一套标准化的客户端-服务端（Client-Server）架构，企业无需针对每一个新的AI模型或大语言模型重写接口代码，MCP服务器会将企业数据库、财务系统或操作工具转化为AI能够无缝识别与调用的统一格式 13。

这种协议级标准化的深度集成，带来了三大至关重要的企业级优势。首先，彻底解决了大模型产生幻觉（Hallucination）的核心痛点。由于MCP为AI模型提供了通向企业内部真实、可靠、实时数据源的直接路径，模型的回答不再仅仅依赖于过时的预训练权重，而是基于事实数据的精准提炼，这极大地提升了输出结果的真实性与业务可用性 14。其次，MCP赋予了代理式AI不仅能够“读取”信息，更能直接在遗留系统中“执行”复杂动作（如生成报价单、修改库存记录）的能力，真正打通了价值创造的闭环 12。

最重要的是，MCP架构为中国企业级AI应用构筑了严密的安全与合规防火墙。由于自主智能体存在极大的不可控风险与提示词注入（Prompt Injection）漏洞，MCP采用了一种共担责任的安全模型，将平台控制与细粒度的数据库原生防御机制深度绑定 16。


通过MCP协议的全面推行，服务商能够帮助中国企业在不关停旧系统、不进行昂贵彻底迁移的前提下，稳妥地将沉淀多年的业务逻辑、历史数据以及运营操作知识完全开放给AI系统，从而实现真正意义上以数据为中心的架构（Data-centric Architecture）重构。

四、 运营模式的颠覆：从孤立工具到多智能体协同的Agentic AI生态



解决了底层数据的连通性与安全性之后，企业面临的下一个战略级挑战是：如何统筹管理呈现爆发式增长的AI智能体。随着AI技术的深入，如果缺乏企业级的统一调度指挥系统，前端业务部门必然会为了追求效率而绕开IT管控，大量部署孤立的、互不兼容的单一智能体。这种“影子AI”的野蛮生长，不仅会导致隐形技术债的疯狂堆积，更切断了智能体价值最大化发挥所需的全局流程逻辑 1。

行业前沿的共识已然明晰：AI智能体的下一阶段核心竞争，并非一味地利用海量算力去堆砌参数、构建单一的“超级全能大脑”，而是如何让成百上千个具备专业技能的小型Agent，在同一个底层网络中实现无缝的协同工作 17。政策导向上，中国工信部在2026年发布的实施意见中，首次将“智能体”正式写入国家级产业路线图，这标志着产业界已敏锐意识到，AI的发展正在从“单兵作战”全面转向“集团军网络化作战” 19。

在这一领域，明略科技正式开源发布的Octo平台，为中国企业构建新一代组织级数字劳动力网络提供了革命性的范本。作为全球首个开源可信的Agent协作网络，Octo的本质是构建了一个“Agent之间的互联网” 17。在此之前，企业的智能体往往各自保留孤立的记忆，缺乏统一的协作界面与任务流转机制，导致经验无法复用 18。Octo通过引入高度结构化的Channel（频道）与Thread（线程）协作架构，成功为人与AI、以及不同AI之间搭建了共同工作的基础通信网络 17。

在Octo的生态中，AI Agent不再是冷冰冰的代码，而是被赋予专属名片与清晰工作记录的“数字员工（Bot）” 17。当企业员工在Channel中发起了包含多个讨论事项的项目时，人类员工与数字员工可以实时对齐意图并分发任务。任何衍生的复杂议题都会自动创建专属Thread以聚焦讨论，避免信息流失 18。这种Agent to Agent（A2A）的深度协同，使得业务逻辑实现了前所未有的闭环。每一次在网络中发生的人机协作，都会在人类的判断与偏好（Taste）校准下被精准记录，从而让智能体越用越懂企业的隐性知识，每一次执行都成为了组织资产复利积累的宝贵节点 18。

这标志着企业AI应用正经历从“数据智能（Data Intelligence）”向“智能体服务（Agentic Service）”的深刻演进。数据智能的极限是帮助人类“看到并看懂数据”，而智能体服务的核心则是带领数字劳动力“直接用数据做事” 20。目前，在明略科技推行的AI Native工作模式下，内部已有超过1400名真实员工与3200多个AI Agent在Octo平台上进行高频日常协作。这种体系带来了惊人的组织内部提效：复杂的财务报表处理时间从耗时3天被极速压缩至10分钟，专业分析师报告的自动化生成率高达99% 17。这种被称为“Scaling Out”（横向扩展）的战略路径，意味着智能正在以分布式的形态，蓬勃生长在企业产生数据的每一个最前沿环节 17。

五、 落地攻坚的最优解：FDE与FDR双轮驱动的深度陪跑服务范式



尽管企业在顶层确立了Token经济模型，在底层部署了MCP协议，在中台搭建了Octo协作网络，但要让这套极其复杂的工业级AI系统真正深入到传统中国企业的物理生产环节，依然面临着难以逾越的“最后一公里”鸿沟。传统的IT咨询与外包交付模式，在AI时代已彻底失效。因为代理式AI并非一成不变的确定性代码，而是动态进化的概率系统；而中国实体产业（如制造业、医疗、能源）又拥有着极其严密的物理规律与错综复杂的现场工况。不懂算法的厂长不敢用AI，不懂物理规律的代码工程师写出的AI无法用，这种深度的认知壁垒导致了高达49%的中国企业深陷“无休止的试点陷阱”之中 1。

为了彻底弥合AI技术能力与真实业务价值之间的巨大断层，FDE（Forward Deployed Engineer，前沿部署工程师）这一全新的服务模式成为了破局的必由之路。FDE概念最早由硅谷数据巨头Palantir首创，进入大模型与代理式AI时代后，其内涵得到了全面升维 21。当前，FDE岗位发布量呈现爆炸性增长，OpenAI内部的FDE团队在极短时间内便扩张了数十倍。FDE并非局限于实验室的传统算法研究员，而是连接人工智能尖端技术与传统产业深水区的“跨界翻译官” 21。

在中国产业界，以李金金教授带领的金珵科技团队为代表的FDE实战模式，为工业级AI落地提供了教科书般的陪跑范例 23。在与全球最大的抗生素发酵企业之一川宁生物的深度合作中，技术团队面临着极为苛刻的工业环境：发酵罐高达四五层楼，一次完整的发酵周期需要长达一两周，而头孢中间体的提取率常年徘徊在1%的极限瓶颈期 24。更为棘手的是，现场的离线生产数据极为杂乱，设备检修期的数据异常需要逐一手动校正，工厂老师傅们控制葡萄糖投料量等核心指标完全依赖代代相传的个人“手感”，毫无标准化数据可言 24。

面对如此极端的产业场景，FDE团队摒弃了“在后方训练通用模型直接部署”的傲慢思维，选择了深扎工厂发酵罐旁长达9个月的嵌入式陪跑 23。在这个漫长而艰辛的过程中，他们开创性地跑通了“FDE + FDR”的双轮驱动协同体系： 第一步是需求逆向驱动与“打破黑箱”。FDE团队敏锐地意识到，工业界对AI最大的恐惧来源于“不可解释的黑盒效应”。因此，他们没有依赖通用的生成式大模型，而是逆向梳理产业痛点，创新性地将微生物代谢方程、建筑结构力学等产业物理规律以及“时间维度”的网络模型强行植入到AI的核心逻辑中 22。这使得AI给出的每一步决策参数都变得因果可见、全程可追溯，彻底消除了产业工人的信任危机 22。 第二步是FDE与FDR（Forward Deployed Researcher，前沿部署研究员）的动态闭环迭代。驻守在震耳欲聋的车间一线的FDE，负责极为细致地收集现场老师傅的实操细节与特殊工况，并将这些沾满泥土气息的真实约束条件实时传输给位于后方实验室的FDR；FDR据此对底层算法的参数进行极速调整，并定期为FDE开展技术迭代培训，讲解新算法的核心代码逻辑 22。

通过这种深度嵌入的组织级共建机制，“人工智能时序控制大模型ManuDrive”最终做出了惊人的决策：AI指出，在特定时刻，葡萄糖投料量一旦超出某个阈值，反而会导致产量大幅下降——这一结论完全颠覆了厂里老师傅几十年来的传统认知 24。在严格落地验证后，川宁生物的整体产能奇迹般地提升了5%，为企业一年创造了超十亿元人民币的直接增收 24。在传统的生物制造工艺下，要实现仅仅1%的提取率提升往往需要耗费四五年的漫长探索 24。

更具战略意义的是，随着FDE-FDR标准化协作网络的建立与跨域智能模块的沉淀，过去需要两三个月才能勉强走完的单场景AI部署周期，现在被极速压缩至两三周之内 23。这充分证明，FDE模式提供的不仅仅是一套代码的交付，而是“技术穿透+业务重塑+组织互信”三位一体的深度陪跑。只有通过这种长期驻场、将事实反馈强行喂给模型的小样本快速迭代机制，服务商才能真正帮助中国企业跨越从概念验证到全域生产部署的“最后一公里”。

六、 顶层设计与管理重构：转化为组织能力的实战方法论



综合罗兰贝格《跨越AI价值鸿沟》的深度调研与中国市场的本土先锋实践，要将上述复杂的架构、模型与服务机制转化为中国企业的内生竞争力，必须在集团层面确立系统化的方法论支撑。这套脱胎于“产业领军者五大法则”的行动纲领，构成了服务中国企业AI转型的最高指导原则 1。

• 统筹混合开发，内建核心主权：坚决摒弃“被供应商全盘生态绑架”的风险。领军企业在分工上极其清醒：充分善用外部生态伙伴的成熟资源去“铺设管道”（如搭建云底层设施、向量数据库集群）；但涉及到核心的业务工作流逻辑、具有行业壁垒的知识库法则以及提示词编排工程，必须将其视为绝对的商业机密与核心资产，由内部团队亲自掌控。
  

[color=rgba(0, 0, 0, 0.9)]

• 迎战架构重塑，直击深度集成：彻底叫停购买各类看似部署极快的表层“AI套壳产品”。这种产品只会增加老旧系统的不稳定因素。必须以壮士断腕的决心，推行适配AI环境的存量改造战略。依托MCP等标准协议，构建高达91%领军企业所采用的“以数据为中心”的底层连通架构，让AI深度介入业务血管。
  

[color=rgba(0, 0, 0, 0.9)]

• 内嵌治理原生（Governance-by-Design）机制：将繁冗的人工合规审查流程彻底自动化。不能再让治理委员会成为阻碍业务部门推进AI落地的“交通关卡”。通过集成管控，将身份验证与安全红线直接“写死”在底层平台的代码逻辑中，让最安全的合规路径，成为业务部门调用AI最高效的捷径。
  

[color=rgba(0, 0, 0, 0.9)]

• 推行“统分协同”的共治模式：在全集团层面建立“中央枢纽”与“快艇舰队”相结合的管理架构。集团总部负责定标准、搭基座、筑护栏，统揽统一的身份权限与API接口；而在合规护栏之内，应向各业务线充分放权，鼓励其敏捷创新，从而极力压降孤岛式的散点工具采购。
  

[color=rgba(0, 0, 0, 0.9)]

• 建立长效“Day 2”运维机制：彻底扭转“系统上线即大功告成”的滞后观念。在概率性、动态性极强的AI世界里，系统部署仅仅是竞争的起点。必须投入重兵构建包含不间断性能监控、模型漂移纠偏以及微调迭代在内的长效运营能力。以运营的持续复利决定最终的商业输赢。
  

[color=rgba(0, 0, 0, 0.9)]

为将上述法则落地，服务商应向中国企业全面引入类似Perform.AI的成熟方法论框架 1。这一框架要求企业必须围绕“业务与组合管理”、“员工与赋能”、“技术与架构”三大支柱开展全方位的革新。在执行层面，必须建立统一的AI用例价值集中评估机制，用真实的ROI回报测算替代盲目的“创新作秀”；同时，搭建类似Octo网络的企业级AI管控指挥塔，理清跨部门间的数字劳动力角色、职责与决策权界限。

针对企业最高管理层（C-Level）的行动转变要求： 阻碍企业实现AI变现的核心壁垒已然明了——它不再是底层算法的短板，而在于组织治理与规模化运营层面极度缺乏严密的规则与章法。因此，企业高管必须进行深刻的角色蜕变 1：

●CEO（首席执行官）：必须从推动局部单点创新的“啦啦队长”，蜕变为统揽全局的架构设计师。核心使命是叫停各部门以“试点数量”论英雄的资源浪费，强力推行全局商业影响力乘数考核，破除部门墙。

●CTO/CIO（首席技术/信息官）：必须果断拒绝短视的表层系统对接。首要任务是打造一座跨生产环境监控全局KPI的“中央调度塔台”，推行企业级数据治理红线，为多智能体的协同作战铺设坚不可摧的高速公路。

●CFO（首席财务官）：必须彻底颠覆传统的资本配置逻辑。从过去单点项目的“零敲碎打式”拨款，转向对中央共享平台基建（如Token算力池、专有词元资产库）的集中投资。必须跨越单一业务线ROI考核的短视局限，从集团整体的“AI资产组合价值”与中长期的复利产出维度，重新审视并定义人工智能的财务回报模型。

七、 结语：迈向智能原生的可持续价值创造



罗兰贝格《跨越AI价值鸿沟》的深度调研与中国市场的无数鲜活案例共同揭示了一个冷峻的商业真理：在这场史无前例的AI产业变革中，转型迟滞的根源绝非企业缺乏拥抱AI的雄心、资金预算的捉襟见肘，或是单纯的技术能力不足。其核心症结在于，绝大多数管理层仍旧囿于传统的“项目制采购”思维，陷入了严重的战略误区 1。

服务中国企业系统化构建产业级AI能力，本质上是一场从底层基础设施到顶层组织心智的认知大重构。成功的关键，从来都不在于帮助企业花高价购买到市面上参数最大的开源或闭源大模型，而在于帮助企业重构一套适配智能时代的全新运营底座。在这个底座上，Token经济是驱动价值精准流转的血液 2；MCP协议是连通历史遗留数据与未来智慧中枢的桥梁 10；以Octo为代表的Agent网络是调度数字劳动力的神经中枢 17；而FDE与FDR协同深度陪跑的组织机制，则是确保这台精密仪器能在复杂物理世界中平稳运转、持续进化的动力引擎 22。

正如前瞻分析所言：当底层的“通用智能”算法本身随着算力成本的下降，逐渐演变为一种获取门槛极低的基础设施时，企业未来唯一坚不可摧的护城河，将是其将AI技术与深度行业Know-how相融合、并在复杂组织内部实现规模化应用落地的工程化能力 1。服务商的终极使命，正在于深度陪跑中国企业构筑这道护城河——不是通过一次性光鲜亮丽的系统交付验收，而是通过系统化的底层架构重塑、深入车间厂房的嵌入式能力共建，以及永无止境的“Day 2”常态化运营优化。只有真正实现“技术落地速度”与“商业价值变现速度”的同频共振，中国企业方能彻底告别“无利润繁荣”的幻象，在通往AI产业领军者的征途上，将其打造为驱动高质量、可持续发展的不竭核心引擎。

参考来源：1.AI时代的无利润繁荣困局研究报告.pdf2.AI Token工厂：软件“榨”算力成新风口- CFi.CN 中财网, accessed July 1, 2026, https://www.cfi.net.cn/p20260701000243.html3.人民日报| “Token”中文名定了：词元 - 国家数据局, accessed July 1, 2026, https://www.nda.gov.cn/sjj/swdt/ ... 19152129329_pc.html4.新华社| Token中文名定了！ - 国家数据局, accessed July 1, 2026, https://www.nda.gov.cn/sjj/swdt/ ... 32934906079_pc.html5.博泰车联与明略科技达成战略合作车载Token经济版图再添一角 - 同花顺, accessed July 1, 2026, https://m.10jqka.com.cn/20260612/c677428059.shtml6.明略科技(2718.HK)与博泰车联达成战略合作，以Token经济模式探索车载AI商业化新路径, accessed July 1, 2026, https://finance.sina.com.cn/jjxw ... icmxcc5177038.shtml7.明略科技(2718.HK)与博泰车联达成战略合作，以Token经济模式探索车载AI商业化新路径, accessed July 1, 2026, https://finance.eastmoney.com/a/202606153771089060.html8.明略科技与博泰车联达成战略合作，以Token经济模式探索车载AI商业化新路径, accessed July 1, 2026, https://www.mininglamp.com/news/8025/9.博泰车联(02889)与明略科技(02718)达成战略合作车载Token经济版图再添一角 - 财富号, accessed July 1, 2026, https://caifuhao.eastmoney.com/news/2026061512283376703331010.Model Context Protocol for enterprise integration - Adaptiv, accessed July 1, 2026, https://adaptiv.au/model-context-protocol/11.Introducing the Model Context Protocol - Anthropic, accessed July 1, 2026, https://www.anthropic.com/news/model-context-protocol12.Integrate AI into legacy systems without replacing them — using MCP - Inwedo, accessed July 1, 2026, https://inwedo.com/blog/integrat ... l-context-protocol/13.What is Model Context Protocol (MCP)? - IBM, accessed July 1, 2026, https://www.ibm.com/think/topics/model-context-protocol14.什么是Model Context Protocol (MCP)？指南 - Google Cloud, accessed July 1, 2026, https://cloud.google.com/discove ... t-protocol?hl=zh-CN15.Unlocking Legacy Systems with the Model Context Protocol (MCP) - Allianz Technology, accessed July 1, 2026, https://tech.allianz.com/en/who- ... etail-01211111.html16.通过Model Context Protocol 确保代理互动安全性的最佳实践| AlloyDB for PostgreSQL, accessed July 1, 2026, https://docs.cloud.google.com/al ... ctions-mcp?hl=zh-cn17.明略科技(2718.HK)开源发布Octo，卡位“Agent互联网”时代的万亿规模市场, accessed July 1, 2026, https://emwap.eastmoney.com/a/202606303788188157.html18.明略科技(2718.HK)正式开源发布 Octo，构建人与 AI Agent 协作的新一代工作平台, accessed July 1, 2026, https://cj.sina.com.cn/articles/ ... 2002r0ik?froms=ggmp19.明略科技(2718.HK)开源发布Octo，卡位“Agent互联网”时代的万亿规模市场 - 东方财富, accessed July 1, 2026, https://wap.eastmoney.com/a/202606303788188157.html20.明略科技提供全套智能方案实现金融智能风控-明略科技, accessed July 1, 2026, https://www.mininglamp.com/news/3011/21.“AI老法师”上岗记：当大模型接管工厂，让“制造”像生命一样进化, accessed July 1, 2026, https://h5.ifeng.com/c/vivoArtic ... &showComments=022.从“一次性部署”到“动态进化”：“FDE+FDR”破解工业AI落地难痛点 - 东方财富, accessed July 1, 2026, https://wap.eastmoney.com/a/202512013579407096.html23.引入AI一年增收超十亿！FDE工程师发酵罐旁扎根9个月破解增产魔法, accessed July 1, 2026, https://www.shobserver.com/news/detail?id=110788724.引入AI一年增收超十亿！FDE工程师发酵罐旁扎根9个月破解增产魔法 - QQ.com, accessed July 1, 2026, https://view.inews.qq.com/a/20260507A025Z600