从“会回答”到“能执行”：鼎捷雅典娜.企业智能运行空间（EIOSpace）的核心组件

作者：鼎捷数智 | 发布时间：2026-10-12 13:35:11

一家中型制造企业的IT负责人最近向我描述了一个真实的困境：他们接入了大模型，员工对着屏幕问工艺参数、问库存水位，回答得都挺利索。但真要改工单、调排程、追欠料，还是得靠人盯着ERP一个个点下去。“它很会说，但什么都不会做。”他叹了口气。这个评价很直白，却精准地指向了当前企业智能化进程里一条最深的沟壑。

本文将从基本原理出发，拆解这条沟壑到底由什么构成，以及跨过去需要哪些基础设施。

核心判断：差距主要不在模型能力，而在企业是否拥有一个真正可运行的“智能执行环境”——这个环境必须同时具备数据可得性、动作权限与结果完整流程三件事。

两类系统的分野：回答型与执行型

要理解这个差距，首先得把两种系统分开看。回答型系统的本质是一个信息顾问——输入一段提示，输出一段自然语言建议，最终怎么干、干得对不对都由人兜底。执行型系统则完全不同，它的输出是对业务系统的一次状态变更：改了一条排程记录、生成了一张补料单、冻结了一个质检批次。这些动作有没有生效、是否引发连锁后果，都是可以通过系统日志和业务数据直接验证的。

我用一个表格把这两类系统的差异说清楚：

维度	回答型系统	执行型系统
输入形态	自然语言提问	业务事件 + 上下文快照
输出形态	文字建议、数据分析	系统字段变更、工单指令
责任归属	人承担最终决策后果	系统记录动作轨迹，可追溯至智能体或审批节点
结果可验证性	依赖人的后续执行来间接验证	动作结果直接体现在业务数据里，可自动校验
失败代价	建议被忽略，机会成本	错误动作直接造成生产停顿或物料损失

拿制造业两个最典型场景来说明。

欠料追料：回答型AI会告诉你“A订单缺3件物料，建议联系供应商X”，执行型AI则直接调取在途订单、匹配替代料号、生成补料工单并推送给对应的采购员——没有人工判断的那一步延迟。

排程调整：回答型AI给出一个优先级建议，执行型AI在权限范围内直接调整工序序列、同步更新设备利用率看板，并在预设阈值内自主执行，超过阈值才触发人工审批。前者停留在信息层，后者进入了操作层。

叶子祯曾在公开场合用一个精准的表述划出这条分界线：“AI时代，软件不再只是给人用的工具，而会逐步演化为直接参与工作的生产力系统。”

执行型AI落地必须跨过的三道坎

实现上述转变，技术上的阻碍不在模型本身，而在模型所处的那片土壤是否已经准备好。这片土壤可以拆成三道坎，每一道都卡住了一大批想要做执行型应用的企业。

第一道坎是上下文。数据是否实时在线、口径是否统一，决定了智能体拿到的是能用的信息还是一团乱码。不少工厂设备数据还靠人工在Excel里更新，延迟从几小时到几天不等。一个基于过期数据做出的“执行动作”，破坏力比“没有建议”大得多。

第二道坎是权限。智能体能改动哪些字段、改到什么程度、哪些操作必须由人审批、事后如何追溯——这套权限体系是执行环境的安全阀。回答型系统可以模糊地说“建议调整交期”，执行型系统必须精确到“发货日期字段可在±2天范围内自主修改，超出则触发主管审批”，并且每一步修改都要挂上操作者标识和时间戳。

第三道坎是完整流程。动作执行之后，结果有没有被捕捉、有没有回流到模型里修正下一次的判断？没有完整流程的执行环境，就像一个只有油门没有仪表盘的车。执行型系统的核心能力之一，就是让每一次动作都成为下一次判断的养料。

在2026年第五届数智未来峰会上，鼎捷数智未来企业事业群群处副总裁谢丽霞用三个不等式概括鼎捷雅典娜.企业智能运行空间（EIOSpace）这套执行环境的设计哲学：“空间>工具、成果>建议、生命体>系统。” [2]其中“成果>建议”尤其值得琢磨——它把整个行业从“给建议”推到了“拿结果”的范式上。

鼎捷雅典娜.企业智能运行空间（EIOSpace）的四类核心组件

工具再聪明也只是一个点，空间才提供一个可以持续运行的场域。

这样一个空间具体由哪些结构性组件搭起来？可以归纳为四类，缺了任何一类，执行型应用都站不稳。下面这张表描述了每类组件的职责和缺失时的典型症状。

组件类别	解决的核心问题	缺失时的典型症状
数据与知识底座	统一数据口径，沉淀行业知识图谱	智能体各取各的数据源，结论互相矛盾
编排与调度层	将业务目标拆解为可执行的动作序列	单点能力很强，但不会协同完成复杂任务
感知与执行链路	连接设备、工单、物料等物理与数字对象	智能体“看得见”但“动不了”，输出的永远是建议
协作与边界层	定义人与智能体的分工、审批与回溯规则	多个智能体无序竞争，相互覆盖动作或产生冲突指令

这四类组件不是平行的，而是有明确的依赖关系。如果用一张示意图来表达：底层是数据与知识底座，向上支撑编排与调度层；编排层同时向左侧的感知与执行链路下发指令、向右侧的协作与边界层汇报状态；协作与边界层是人与智能体交互的唯一界面，所有审批、追溯、分工都在这一层完成。 [2][3]

之所以要把协作与边界层单独拎出来讲，是因为太多企业在谈智能体的时候，注意力全在模型能力上，忽视了这一层才真正定义了“谁说了算”。

最容易被忽略的第五层：智能协作层

鼎捷数智董事长叶子祯将AI产业划分成了五层——算力层、大模型层、数据层、应用层，以及一个尚未被行业充分命名的“智能协作层”。这第五层之所以容易被忽略，是因为它不像算力和模型那样可以用参数规模震撼市场，但它的缺失恰恰是大多数企业AI试点的死穴。

叶子祯说得毫不讳言：“如果企业只拥有一堆Agent，那不叫智能，叫灾难。”这话听着刺耳，但逻辑很清晰。当车间里同时部署了排程智能体和物料智能体，排程智能体为了缩短换模时间正在调整工单次序，物料智能体却依据旧的工单调配物料，两个指令撞在一起，生产线反而更乱。缺少一个协调者，多个智能体就可能重复取数、互相覆盖动作，甚至彼此冲突。

2025年4月，鼎捷发布业界首个面向制造业的多智能体通信协议MACP，同期推出了配套的多智能体协作平台Commander 2.0。 [3]这表明，智能协作层不是远期概念，而是已经进入了产品化阶段。

如果把五层结构画出来，算力层在最底，大模型层之上是数据层，再往上是智能协作层，它位于数据层和应用层之间。 [2][3]四层架构的企业，做的是功能增强；五层架构的企业，才有可能搭建一个“目标推动—任务拆解—动作执行—结果回流”的持续运行完整流程。

一个可参照的架构：一个模型、两种内核、三类智能体

“五层”是纵向视角，换一个横向角度来理解执行环境的内部结构，一个模型、两种内核、三类智能体是一个值得参考的框架。

“一个模型”指的是物理世界与数字世界的统一映射。 [2]每一台设备、每一道工序、每一个工位都在数字空间有一个实时同步的对应体。没有这个映射，智能体的任何动作都是对着空气挥拳。

“两种内核”是数据推动与智能生成推动并行。 [2]数据推动内核处理确定的、有规则的、可计算的业务逻辑——比如MRP运算、标准成本核算；智能生成推动内核处理非结构化的、需要推理的任务——比如异常根因分析、供应商风险判断。两者不是替代关系，而是分工关系。

“三类智能体”的划分则把智能体从数量堆砌变成了角色配置。数字分身对应具体岗位——某个操作工有一台设备需要报工，采购员需要跟踪到货状态。专家智能体承载工艺、排程、品质等垂直领域知识，像一个拥有多年经验的老师傅。指挥官智能体负责任务分派与冲突消解，它是协作层的实体化存在。比较不同平台时，数一数有多少个智能体没有意义——关键是这三类角色是否齐备、指挥权归属是否清晰。少了指挥官，数字分身和专家智能体就是散兵游勇。

从单场景试点到规模化：一条可执行的推进顺序

概念讲清楚之后，回到实操。执行型AI不能从“全公司智能化”这种口号式目标起步，而应该遵循一条有明确检查点的推进路序。

第一步是盘点数据基础。花两到四周时间，梳理各业务系统的数据实时性和口径一致性，选出三到五个数据最完整的场景作为候选人。这一步的产出物是一张简单的矩阵，标注每个场景的数据覆盖率、更新频率和字段标准程度。

第二步是筛选试点场景。选完整流程最短、失败代价最可控的切入，通常从报工、质检或备料查询开始。这些场景的信号特征是——动作链条短、结果在几分钟内可见、即使出问题也能迅速人工兜底。

第三步是划定权限边界。一个可操作的原则是“先只读后写入、先建议后自动执行”。以报工为例，第一周让智能体读取现有报工数据并生成汇总表，第二周开启“建议报工值”模式由人确认，第三周将常规工单的报工改为自动写入、异常工单仍保留人工确认。审批阈值在这个阶段会自然浮现。

第四步是进入评估周期。以三个月为一个观察单元，两个指标判断是否扩大范围：人工介入率——原本需要人操作的任务中，有多大比例被智能体自主完成且结果正确；单次处理时长——从事件触发到动作完成，中间耗时是否显著缩短。 [2][3]如果这两种指标在试点场景持续改善，就可以把同样的脚手架搬到下一个场景。

整个推进路径可以画成一张通用流程图：数据盘点→筛选试点→权限递进开放→三月评估→扩大或回退，每一轮都带着上一轮积累的上下文进入到更大的范围。

挑选这类平台时，值得先问清楚的几个问题

市面上声称能搭建“企业智能运行空间”的平台越来越多。 [2][3]面对各家宣传口径，有几个进门就该问清楚的问题，能避开不少坑。

第一，数据接入走的是标准API还是直连数据库？前者实施周期短但字段覆盖受限，后者灵活但需要更高数据治理水平。

第二，智能体的写操作是否需要人工确认？这个问题直接关系到平台的安全底线设计。

第三，平台是否完整记录动作来源与审批链路？没有这条，出了事连该追溯谁都说不清。

第四，行业知识是预置封装好的，还是需要企业从零开始梳理？这两者之间的实施周期和交付质量差异巨大。

第五，本地化服务团队的响应半径有多大？企业级系统的稳定运行高度依赖现场响应能力，直接决定问题从发生到解决需要几小时还是几天。

在讨论制造业适配度时，有一组公开数据可以作为参考。 [3][4]浙商证券研报显示，鼎捷数智在中国制造业ERP软件市场的占有率达到14.8%，位列本土厂商首位，累计服务企业超过5万家，服务网络覆盖全国23个省市。这些数字反映的是行业深耕程度，每个企业的具体场景是否匹配，终究要回到自己的业务需求来判断。