Deepseep V4 + 邁富時知識中台：讓AI說行業的話、做業務的事

知識中台的産業定位：為什麼AI應用層需要知識中台

2026年4月16日，國家統計局披露的數據顯示，中國日均Token調用量已突破140萬億，較上年末增長超過40%。Token正在取代流量，成為智能時代的産業計量單位。但Token消耗量的增長，并不天然等同于業務價值的增長。通用大模型可以輸出标準化的“智能密度”，卻無法天然理解一家企業的業務流程、行業術語和經營語境。AI應用層面臨的真正挑戰，不是“調用多少Token”，而是“讓Token說行業的話、做業務的事”。

這一挑戰的解決路徑，指向一個被多數AI公司忽視的核心能力：行業知識的沉澱、治理與注入。Gartner預測，2026年采用AI知識管理系統的企業運營效率将領先競争對手40%。而中國企業在知識管理上面臨的困境是：數據分散、員工日均切換多個系統、重複勞動消耗大量資源、新員工達産周期長。這些問題的本質，是“通用AI能力”與“企業特有語境”之間的斷層。

從企業AI部署的實際痛點來看，知識中台已經成為打通這一斷層的關鍵基礎設施。行業研究顯示，2026年全球85%的大型企業将完成AI知識庫系統的深度部署，其功能已從早期的信息存儲與檢索，進化為支撐戰略決策、驅動業務創新的關鍵基礎設施。

邁富時（02556.HK）早在多年前，便開始以“讓AI說行業的話、做業務的事”為戰略定位，布局這一能力，并通過KnowForce AI知識中台的發布，将其系統化、平台化。

KnowForce AI知識中台：場景Token的行業知識注入引擎

2026年第一季度，邁富時正式發布KnowForce AI知識中台，與GenAI OS、AI-Agentforce智能體中台3.0，以及AI員工矩陣中的Data-Agent經營分析大師共同構成公司AI原生應用平台的核心産品矩陣。根據公司業務更新公告，産品矩陣已涵蓋企業級AI Agent應用集群與AI Agent開發管理平台，構建起從模型融合、算力調度、知識治理到智能體協同的全棧能力，覆蓋營銷、銷售、客服、研發等企業核心業務場景。

在邁富時“智算+數據+模型+智能體”四層架構中，知識中台承擔着一個不可替代的角色：以累計數據模型及行業知識，為“場景Token”的賦能。

具體而言，三個核心産品各司其職：

KnowForce AI知識中台：是智能體的“大腦圖書館”，存儲行業知識、企業記憶與業務語境，包括“場景Token”語境的行業知識；

AI-Agentforce智能體中台3.0：被視為智能體的“生産車間”，負責調度、執行與協同管理，當然也包括“場景Token”的自動化生産；

AI原生操作系統GenAI OS：作為智能體的“操作系統”，負責底層資源調度與運行環境安全檢測，是“場景Token”的運行底座。

三者的協同關系可以形象地理解為：

知識中台負責“裝什麼知識”，智能體中台負責“怎麼幹活”，GenAI OS負責“用什麼工具幹活”。沒有知識中台，智能體輸出的是通用回答，無法貼合具體業務；沒有智能體中台，知識隻是靜态檔案，無法轉化為行動；沒有GenAI OS，整個體系缺少底層運行框架。

因此，KnowForce AI知識中台，是“場景Token”發揮作用的燃料，儲存并調用行業知識，讓智能體作出行業專家級精準判斷。

行業知識圖譜：21萬客戶沉澱的資産

上千個可複用知識圖譜——服務過21萬客戶沉澱的行業知識資産。知識中台的核心資産是行業知識圖譜。邁富時的行業知識圖譜，不是從公開語料中爬取生成的，而是來自長期服務企業客戶的實踐積累。公司的業務分析團隊由來自消費零售、汽車、金融等行業一線的專家組成，他們的工作是與客戶深度共創，将隐性行業知識拆解為原子要素，構建成可複用的知識圖譜。邁富時将這一過程定義為“行業知識結構化”。

截至2025年末，邁富時已在消費零售、汽車、金融、醫療大健康、文旅、制造六大核心行業沉澱上千個可複用的知識圖譜。每個知識圖譜來自真實客戶交付項目，涵蓋業務流程規範、話術知識庫、數據标準、行業術語與合規要求等多個維度的深度行業知識。

這種“從實踐中來”的知識資産，與公開語料訓練的大模型形成了本質區别。通用大模型可以解釋“什麼是汽車試駕”，卻無法解釋“某品牌在華東地區的試駕轉化率為何低于華南”——後者的答案來自真實業務場景中的行業經驗沉澱。知識圖譜是邁富時場景Token能力的底層燃料——它将通用Token轉化為貼合具體行業語境的精準解決方案，使AI輸出不再是“通用的正确廢話”，而是可執行的業務判斷。

知識中台：讓智能體“能落地、能治理、能複制”

價值一：行業知識的體系化沉澱與持續疊代。通用AI工具輸出的是“通用知識”，而企業級AI需要的是“行業專業知識與經驗沉澱的經驗形成的定制化解決方案”。

更重要的是，知識中台的知識圖譜不是靜态的。客戶每天産生新的業務交互數據，知識中台持續進行知識抽取、關系識别與語義理解，不斷更新圖譜内容。

智能體中台消耗Token，Token驅動智能體進化，進化的智能體服務更多客戶，更多客戶帶來更多交互數據，更多數據又需要更多Token來沉澱為新知識——一個正反饋循環就此形成。

價值二：智能體從“通用”到“專用”的核心賦能。

沒有知識中台的智能體，輸出的是通用答案——可以回答“什麼是CRM”，卻無法回答“我們公司上周華東區的線索轉化率為什麼下降”。知識中台為每個智能體注入行業知識、企業記憶與業務語境，讓AI輸出從“泛泛而談”走向“精準制導”。

在邁富時的全場景AI員工矩陣中，營銷智能體、銷售智能體、經營分析智能體等數十個智能體的每一次輸出，都離不開知識中台的知識支撐——知識中台決定了智能體的“智商”能用到什麼水平。

價值三：交付效率的顯著提升。知識中台帶來的最直接的商業價值，體現在交付效率上。知識圖譜的可複用性，使得新客戶專屬智能體的上線周期從三個月壓縮至三周以内。這背後是行業知識的結構化沉澱與标準化調用，讓AI應用的部署從“從零搭建”變為“即插即用”。同時，知識圖譜還降低了模型調用的Token消耗——通過檢索增強生成（RAG）等技術，智能體優先從知識圖譜中檢索已有知識，避免重複調用大模型進行冗餘生成，實現了成本與效果的動态平衡。

知識中台與AI原生平台：四層架構的知識樞紐

邁富時的AI原生應用平台以“模型+數據+平台+場景”四層架構運行。在邁富時2025年度管理層讨論與分析中，這四層被清晰地界定為：數據層負責行業資産的結構化沉澱，平台層（即AI-Agentforce智能體中台）負責智能體的治理中樞，模型層負責多模型融合的靈活調度，最後都落到了場景層的行業知識顯化。具體而言：

知識中台在四層架構中占據“場景+數據”兩層的交叉位置——它既是行業知識的結構化載體（場景層），也是數據資産的核心管理樞紐（數據層）。具體而言：

數據層：知識中台将隐性行業知識拆解為原子要素，構建可複用的知識圖譜。業務分析團隊與客戶深度共創，将一線運營經驗、行業術語、業務流程規範等内容結構化沉澱。

平台層：知識中台對客戶行為、對話記錄、轉化路徑等數據進行清洗與結構化處理，沉澱為行業知識圖譜的組成部分，為大模型訓練和智能體調用提供高質量的數據基礎。

模型層：知識中台在四層架構中占據“場景+數據”兩層的交叉位置——它既是行業知識的結構化載體（場景層），也是數據資産的核心管理樞紐（數據層）。

場景層：最後，前三層将行業知識、專業經驗進行體系化，形成知識譜圖，并賦予AI場景化應用的能力，讓AI的能力根據不同場景，調動不同模型、能力來适配場景，從而實現從技術到落地的全鍊條的閉環。因此，也可以被理解為“場景Token”的輸出，因此，這一層也是真正決定AI員工價值的關鍵。

四層協同形成增長飛輪：場景産生需求，需求定義數據邊界；數據喂養模型，模型賦能智能體；智能體服務更多場景，更多場景帶來更多數據。不難看出，知識中台作為鍊接數據與模型的接口，稱得上是這一飛輪的核心樞紐。

在AI應用從“能用”走向“好用”的過程中，行業知識的沉澱與注入正在成為決定勝負的關鍵變量。通用大模型可以輸出标準化的智能，但無法天然輸出行業專屬的判斷；算力Token可以無限擴張，但無法天然轉化為業務結果。

因此，在行業走向規模化、普及化，地方、國家政策都強調AI+的落地的當下，邁富時KnowForce AI知識中台的價值，正在逐步走向兌現的過程。而它将分散的行業經驗系統化、将隐性的業務知識顯性化、将靜态的知識資産動态化，最後将所有的這些以知識譜圖形式工程化儲存，使Token從“算力消耗”變成“業務結果。讓每一枚Token，都帶着場景化、專業性的理解，最終成為看得見的數據、價值。

基于這一角度，邁富時作為知識中台的供應商，其潛力也不可小觑。