2026爱分析·央国企Agent实践报告正式发布1. 报告综述

央国企Agent建设正在从技术验证走向生产级落地。进入2025年以来，随着政策推动、模型能力提升、国产算力和行业模型建设加速，央国企开始将Agent纳入AI专项工作的重点方向，应用重心也逐步向生产、研发、安全、采购和经营管理等核心业务环节延伸。

Agent的价值判断标准已经从模型效果转向业务价值。过去，企业更关注模型回答是否准确、知识库检索是否有效、交互体验是否流畅。现在，央国企更关注Agent能否嵌入真实业务流程，能否提升经营和生产决策质量，能否降低安全合规风险，能否沉淀专家经验。评价标准变化的背后，是央国企Agent建设从技术试点项目向生产级项目转变。

央国企Agent建设正演变为集团级智能化基础设施。央国企组织层级多、业务链条长、数据安全要求高，单点应用难以支撑规模化落地。当前更可行的路径，是集团层面统建算力、模型、平台、安全治理和技术标准，二三级单位围绕真实业务场景开展应用落地，形成底座统建和场景自治并行的建设模式。统一底座解决安全可控、能力复用和重复建设问题，场景自治保证Agent贴近业务现场、解决真实问题。

未来央国企Agent的成功关键是进入核心业务流程，形成可复用、可治理、可持续迭代的能力底座。知识问答等通用场景，主要解决使用入口和组织信任问题；生产管理、安全合规、研发设计等专用场景，决定Agent的业务价值上限。只有当Agent能够嵌入流程，把分散在系统、文档和人员经验中的业务知识，转化为可调用、可沉淀、可运营的智能化能力。

未来五年央国企Agent建设将沿着三条主线展开。第一条主线是从应用试点走向平台化运营，形成统一入口、统一平台、统一治理和持续运营机制。第二条主线是从办公提效走向核心业务重构，推动Agent进入生产、研发、安全、采购和经营管理等核心环节。第三条主线是从模型调用走向数据、知识、流程和权限的系统化治理，使Agent具备长期迭代和规模复制能力。能够率先完成这三类转变的央国企，将在智能化转型中形成更强的组织效率、风险控制能力和业务响应能力。

2. 央国企Agent开启规模化落地，集团统建与业务自治并行推进

央国企Agent建设正在从早期技术验证进入体系化推进阶段。相比一般企业，央国企业务链条更长、组织层级更多、数据安全要求更高，Agent落地不能只看单个应用效果，更需要关注其所处阶段、建设模式和预算投入变化。

2.1 落地阶段：从观望学习走向规模化试点

央国企Agent落地已经进入明显提速阶段。

2025年，大多数央国企对Agent的认知仍停留在学习、调研和技术验证阶段，项目多以知识问答、智能助手、办公提效等轻量场景为主。这类场景流程相对标准，数据敏感度较低，系统集成难度不高，适合用于验证大模型能力、测试知识库效果、评估员工接受度。

进入2026年，央国企Agent落地开始从小范围试验转向大规模试点和小范围推广。政策推动、模型能力提升、国产化算力和行业模型建设加速，使央国企开始将Agent纳入AI专项工作的重点方向。场景也从知识问答和办公辅助逐步扩展到生产管理、安全合规、研发设计、采购供应链、经营分析等核心业务环节。

同时，央国企内部不同层级的建设分工逐渐清晰。集团层面主要是统一建设基础能力，包括算力资源、行业大模型、AI中台、智能体平台、安全治理体系和统一技术标准。二三级单位更贴近业务现场，围绕生产、经营、管理等具体场景开展应用建设，负责场景识别、数据准备、流程改造、业务验证和持续运营。

这种分工推动央国企形成底座统建和场景自治并行的落地模式。集团统一底座可以避免重复建设，提升安全可控和能力复用水平。业务单位自主落地可以保证Agent真正贴近业务问题，避免平台建设与场景需求脱节。随着这种模式逐步成熟，央国企Agent建设将从项目制试点走向体系化推进。

2.2 建设思路：形成“底座共用、场景自治”模式

央国企在Agent建设中逐渐形成了底座共用、场景自治的模式，确保统一能力与业务落地高效结合。

典型架构包含四个层级：算力底座、专属或行业大模型、AI中台与智能体平台，以及若干业务场景Agent。

算力底座提供高性能计算和存储能力，支撑模型训练和推理。行业或专属大模型针对央国企特定业务需求和专业知识进行定制，保证模型理解力和业务适配性。AI中台和智能体平台承担统一管理、模型调度、知识库管理和Agent开发运行的职责，形成可复用的技术基座。具体业务场景由各单位开发和应用，形成面向生产、管理和服务的多样化智能体体系。

集团层面主要关注基础设施建设和整体治理，包括算力资源配置、模型安全与可控性、平台统一标准和权限管理。集团统一底座确保技术能力可复用、数据可管控。二级三级公司等业务单位则重点关注如何识别高价值场景、准备和清洗数据、优化业务流程，以及智能体在日常业务中的运行和持续迭代。业务单位自主落地能够保证Agent真正解决现场问题，并快速反馈使用效果。

2.3 投入规模：AI预算占比提升

央国企IT预算整体保持增长，反映出智能化建设仍为战略重点。AI在央国企战略中地位提升，AI预算在IT预算中的占比持续上升，多数企业将20%到30%的IT预算投入到人工智能相关建设中。

部分重点企业设立百亿级专项资金，用于算力建设、行业模型训练、数据治理和智能体平台开发。中国移动、中国联通、中国电信、国家电网、国家能源集团等央国企已明确百亿级AI建设专项资金，主要用于万卡级智算集群、国产化底座、边缘计算节点、传感器改造、数字化总装线等。

3. 央国企Agent应用重心由通用场景向核心业务场景迁移

央国企Agent落地正在从通用办公提效进入主营业务重构阶段。早期项目多集中在知识问答、办公辅助、文档处理和数据查询等通用场景，主要目标是验证技术可用性、建立组织和员工对Agent的基本认知。随着模型能力、平台能力和数据治理能力逐步成熟，央国企开始将Agent引入生产管理、安全合规、研发设计、采购供应链和经营管理等核心业务场景。

这一变化意味着央国企Agent建设正在进入更深层次的价值阶段。通用场景的价值在于覆盖面广、上线速度快、使用频率高，可以帮助企业建立统一入口和使用习惯。专用场景的价值在于贴近主营业务，能够直接作用于生产效率、风险控制、知识沉淀和经营决策。未来央国企Agent竞争重点，不在应用数量多少，而在能否围绕核心业务流程形成可复用、可治理、可持续迭代的智能化能力底座。

从落地路径看，央国企Agent通常呈现先通用、后专用，先提效、后重构的建设思路。通用场景先解决使用入口和组织信任问题，专用场景进一步解决生产经营中的高价值问题。二者相互衔接，共同推动Agent从单点工具走向新型数字生产力。

3.1 通用场景：从“提效工具”切入，建立Agent使用入口

通用场景一般是央国企最先落地Agent应用方向。这类场景数据敏感度相对较低，流程较为标准，用户覆盖面广，适合快速试点和规模推广。其核心价值不只体现在单个任务效率提升，更体现在建立统一AI入口、培养员工使用习惯、沉淀基础知识能力和应用治理经验。下面三类应用场景是央国企普遍选择的通用场景。

第一类通用场景是企业知识问答与智能助手。央国企制度体系复杂，业务流程长，员工在日常工作中经常需要查询制度、流程、标准、操作手册和历史资料。传统方式依赖人工检索、部门咨询和经验传递，效率低，口径也容易不一致。Agent可以基于企业知识库，将制度文件、业务文档、流程规范和常见问题进行统一管理，让员工通过自然语言完成查询和问答。

第二类通用场景是办公与内容生成。央国企日常办公中存在大量文字处理工作，包括会议纪要、公文写作、报告生成、材料识别、文档摘要和汇报材料整理。这些工作频率高、标准化程度较高，但占用大量员工时间。Agent可以基于模板、历史材料、业务数据和写作规范，辅助完成内容生成和材料整理，提升办公效率和材料质量。

第三类通用场景是数据问答与经营分析。央国企积累了大量经营、财务、生产、采购和运营数据，但业务人员获取数据往往需要依赖IT部门或数据分析人员。传统数据分析链路较长，从提出需求、确认口径、取数建模到生成报告，周期较长，难以满足业务部门实时分析和快速决策需求。Agent可以通过自然语言交互降低数据使用门槛，让业务人员直接完成指标查询、趋势分析、归因分析和报告生成。

3.2 专用场景：进入主营业务，支撑生产、研发、安全和经营决策

专用场景是央国企Agent产生高价值的核心方向。这类场景与主营业务、专业知识、业务系统和组织流程深度绑定，落地难度更高，对数据质量、模型能力、系统集成和业务协同提出更高要求。专用场景一旦落地成功，能够直接作用于生产经营核心环节，带来更强的价值回报。根据爱分析调研，下面四类场景是央国企Agent专用场景主要落地方向。

第一类专用场景是生产管理与生产调度。央国企大量分布在能源、钢铁、电力、交通、建筑等行业，生产流程复杂，设备种类多，安全要求高，现场决策依赖大量专业知识和经验。传统AI多用于局部识别、预测或优化，难以支撑跨系统、跨岗位和跨流程协同。Agent具备任务理解、工具调用、知识检索和流程编排能力，可以进入生产计划、工艺控制、设备管理、作业调度和现场辅助决策等环节。国家能源集团发布发电行业大模型擎源，围绕风电、火电等发电业务，融合运行监测、设备状态、气象环境等多源数据，构建模型、智能体和应用协同的产品矩阵，支撑多能协同动态优化和发电全流程智能优化。

第二类专用场景是安全合规与风险审查。央国企安全生产、审计监管、合规经营要求高。传统人工审查依赖专家经验，工作量大，容易出现漏审、误判和口径不一致。葛洲坝电力公司落地审核AI Agent，覆盖国标、行标、企业管理要求、项目管理要求、一二级违章、工艺和方案交底等审核内容，支撑技术方案从合规、安全、资源、工艺到交底的全流程智能化审查。

第三类专用场景是研发设计与专业知识推理。央国企拥有大量高知识密度业务，包括科研辅助、专业资料分析、工艺研发、材料设计、工程设计和技术文档理解。这些场景依赖行业知识、工程经验和专业规则，通用大模型难以直接胜任，需要行业模型、专业模型、场景模型和知识工程共同支撑。中国石化上海院开发分子筛材料合成系统，集成机器阅读理解、实验预测和全流程自动化能力，面向高温高压等严苛化工研发场景，辅助科研人员进行文献理解、实验预测和材料合成流程优化。

第四类专用场景是采购供应链与经营管理。央国企采购规模大、供应商体系复杂、资金管理要求高，经营管理链条长。传统模式下，招采评审、供应商管理、采购风险识别、资金计划预测和经营分析高度依赖人工经验和事后统计。Agent可以通过规则审查、历史数据分析、风险识别和预测模型，提升采购、资金和经营管理环节的智能化水平。中国华电建设华电智采智能体，将AI嵌入招标、投标、开标、评标、定标和监管全流程，支撑智能辅助评审、风险识别和全过程监管。

3.3 核心价值总结：央国企Agent成为数字员工

基于爱分析调研，央国企Agent正成为数字员工，在员工提效、流程重塑、知识沉淀、风险控制、决策增强等五方面发挥重要价值。

第一是员工提效。Agent可以减少重复性查询、写作、整理和分析工作，将员工从低价值、重复性任务中释放出来。知识问答、办公生成和数据问答等通用场景，能够覆盖大量员工日常工作，快速提升组织整体效率。

第二是流程重塑。Agent具备任务理解、工具调用、知识检索和流程编排能力，可以从单点辅助走向跨系统、跨角色和跨流程协同。在生产管理、信贷报告、招采评审等场景中，Agent已经开始嵌入业务流程，推动原有流程向智能化流程演进。

第三是知识沉淀。央国企拥有大量制度规则、工艺知识、专家经验和历史案例，但长期分散在文档、系统和人员经验中。Agent落地倒逼企业开展知识治理，将隐性经验和分散知识转化为可检索、可调用、可复用的企业知识资产。

第四是风险控制。央国企对安全生产、合规经营和审计监管要求高。Agent可以辅助开展安全审查、合规检查、招采风险识别、信贷风险分析和监管材料核验，提升风险识别效率和审查一致性，降低人工漏审和误判风险。

第五是决策增强。Agent可以将模型能力、数据能力和业务知识结合起来，支撑经营分析、资金预测、生产调度、采购管理和趋势研判等复杂决策。其价值在于提升决策效率、增强预测能力，并推动管理方式从经验判断向数据和知识驱动升级。

4. 数据、组织和治理能力不足，制约Agent从试点走向生产

根据爱分析调研，央国企Agent在实际落地过程中面临多方面挑战，很多问题是过往数字化建设阶段遗留下来的问题。

第一，数据与知识质量不足。央国企业务体系庞大，数据分散在各类业务系统、文档、人员经验和历史流程中，很难被Agent直接调用。非结构化数据治理不足，制度文件、图纸、案例等知识尚未完成结构化、标签化和知识化处理。数据碎片化、标准不统一以及缺乏高质量标注限制了Agent在高价值场景的精度和可靠性。

第二，模型能力与专业场景存在差距。通用大模型难以直接理解行业术语、专业知识和复杂业务约束。缺乏专业模型或知识工程支撑，Agent容易出现理解偏差或执行错误，降低业务应用价值。

第三，与既有IT系统集成难度高。央国企内部已部署大量ERP、财务系统和数据平台。Agent在落地过程中必须嵌入原有业务流程，实现跨系统调用和流程协同。然而，系统接口、权限体系、数据标准和业务规则不统一，增加了集成复杂性和工程化落地难度。若不能有效整合现有IT环境，Agent应用容易出现数据延迟、信息孤岛和流程脱节问题。

第四，组织协同与人才不足。Agent项目涉及业务、数据、IT等多部门协同。项目落地不仅需要技术支撑，还需要业务理解和流程优化能力。同时懂业务和AI的复合型人才稀缺，直接影响项目从POC验证走向生产环境的能力。同时组织认知差异和协作成本高也会延缓落地进度。

第五，安全、合规与可控要求高。央国企数据敏感、业务关键，监管要求严格，Agent必须保证国产化、安全可控和审计追溯能力。Agent在调用工具和执行业务动作时，需要建立完善的权限控制、审批机制、日志管理、风险控制和人机协同机制。任何安全、合规或操作失误都可能带来业务风险，因此安全治理和操作可控性是规模化落地的必要前提。

5. 规模化落地需要从单点应用走向统一底座和持续运营

相比一般企业，央国企业务体系更复杂，数据安全要求更高，组织层级更多，应用场景更专业。因此，Agent落地不能只依赖单个工具或单点应用，需要从战略、场景、底座、数据、组织和运营等多个维度同步推进。

从实践经验看，央国企Agent落地应遵循五个关键步骤：先做好顶层设计，明确建设目标和组织机制；再进行场景规划，筛选高价值、可闭环、可衡量的应用场景；随后建设统一技术底座，支撑模型、平台和应用协同；同时强化数据与知识工程，将企业经验转化为Agent能力；最后通过分阶段试点与推广，实现从示范应用到规模复制。

5.1 顶层设计：从战略目标出发，而不是从工具出发

央国企Agent建设首先要明确战略目标。Agent应用不能停留在技术展示和创新试点层面，需要服务于企业经营管理和主业发展。不同央国企所处行业不同，业务痛点不同，Agent建设目标也应有所侧重，但总体来看，都是服务于集团智能化转型的战略目标。

在顶层设计中，集团层面需要形成统一AI战略、组织机制、预算安排和建设路线图。AI战略明确建设方向，组织机制保障跨部门协同，预算安排保障持续投入，路线图明确建设节奏。对于大型央国企而言，Agent建设通常涉及集团总部、二三级单位、科技部门、业务部门、数据部门、安全合规部门和外部生态伙伴。没有清晰的组织机制，项目容易停留在局部试点阶段，难以形成规模化推广。

案例1: 电建财务公司建设财神大模型，实现AI技术应用落地 中国电建集团财务有限责任公司（以下简称“电建财务公司”）是中国电力建设集团有限公司的“内部银行”，成立于2015年12月，主要为集团成员企业提供资金集中管理、资金结算、信贷业务、外汇业务等金融服务。公司人员规模不足百人，却掌管数百亿资金，金融属性突出，业务专业性强。 在国务院国资委和电建集团数字化转型升级部署下，电建财务公司提出建设“司库型、数智化、行业一流”财务公司的发展目标，大力推动数字化、智能化建设。2024年起，公司开始规划AI大模型应用，因担心模型效果不达预期而一直处于调研阶段。2025年DeepSeek等开源大模型能力显著提升后，公司正式启动AI大模型应用项目，与中关村科金开展合作，实现大模型与智能体在电建财务公司内部落地。 01.聚焦三大战略目标，推动大模型落地应用 作为典型的央国企财务公司，电建财务公司落地AI大模型应用时，重点聚焦以下三大战略目标，用以更好地发挥“AI+财务公司”深度融合作用： 首先是工作效率提升。通过筛选出贴合业务实际的AI技术应用场景，助力工作效率提升，减少重复劳动。 其次是经营效能提升。通过充分发挥AI技术的海量数据分析能力、语言解析能力等专业优势，更好地为经营决策提供辅助支撑，提升业务经营效能。 最后是服务提质增效。借助大模型和智能体的拓展应用，践行立足集团、服务集团经营理念，打造全新的数智化金融服务生态，提升金融服务的能力与水平。 最终形成底层可扩展、场景可复制的AI应用范式，实现从技术能力到业务价值的闭环转化，为财务公司数智化转型提供核心驱动力，同时形成可借鉴、可复制的建设成果经验。 02.项目以双平台为核心体系，实现技术到价值闭环落地 整个大模型应用项目的技术架构分成四层，包括国产信创算力底座、多模态模型矩阵、大模型应用开发平台和大模型应用平台。 项目核心构建“大模型应用开发平台+大模型应用平台”双层体系，形成技术到价值的闭环落地。以中关村科金的得助大模型平台作为能力基座，集成模型全生命周期管理、场景Agent可视化开发、知识库智能管理、数据指标构建及应用多渠道发布等核心功能，实现AI能力的灵活配置与高效沉淀。 大模型应用平台则聚焦用户体验，结合财务场景操作习惯设计轻量化前端界面，通过调用开发平台输出的Agent能力，将知识问答、数据问答、资金计划预测、报告生成等场景应用以友好易用的前端方式呈现，让技术价值直达业务端。 03.夯实底层能力，试点四大高价值场景 在应用场景选择上，电建财务公司与中关村科金基于项目建设目标，结合业务部门当前需求，并参考市面上大模型成熟应用场景，评估出四大高价值场景，作为一期项目落地重点。 第一是企业级知识问答。构建覆盖制度、结算、信贷等专属知识库，支持电建财务公司内部查询，并面向集团成员单位提供业务咨询。 第二是资金数据问答。采用NL2Metric2SQL技术路线，通过企业数据库接入、指标构建、数据建模，结合大语言模型能力，实现高准确率数据问答，并可实现数据趋势、归因分析，生成数据总结报告。相比于常见的NL2SQL技术路线，具备跨表数据查询能力、准确率高等特点。 第三是资金计划预测。使用金融数据仓库中近3年的历史数据，运用时序大模型、回归预测模型、RNN模型等对其进行数据分析、训练，并通过预测结果整合、修正，输出预测结果，项目实现20余项数据指标的较高准确率预测。 第四是信贷报告智能写作。将整个信贷报告拆解为12个子章节，每个章节构建单独的子智能体模块，每个模块通过自动调用信贷数据、企查查等公域信息，生成高质量的信贷报告。 在一期项目建设过程中，电建财务公司同步开展了底层数据治理工作，对业务系统中的结构化数据和制度文件等非结构化数据进行了系统梳理、清洗、标注和知识化处理。 这一工作虽然并非一期的主要建设目标，但被明确列为重要配套举措，其核心目的是夯实AI应用的底层数据基础，为后续场景的深化与拓展提供高质量、可复用的数据支撑。 一期项目的落地实践，提升了业务部门对AI大模型的应用价值认知。过去业务部门人员普遍不清楚AI到底能如何与自身具体工作结合，经过亲身参与场景设计、智能体构建以及实际演示后，业务部门人员清晰地看到了AI的真实价值。这种认知飞跃直接引发了业务需求端的爆发式增长。 04.应用效果当前以工作提效为主，后续会挖掘业务增量价值 从落地效果来看，一期落地场景主要是通过工作效率、经营质效提升为核心维度。通过AI赋能，显著减少了业务人员的重复性劳动，大幅提升了工作效率。 从四大业务场景来看，企业级知识问答场景，知识获取效率提升85%以上，员工查询业务知识平均耗时缩短至分钟级。信贷报告智能撰写场景，信贷报告单份报告初稿生成时间缩短至2小时。资金数据问答场景，数据获取效率提升85%以上，跨系统数据汇总缩短至10分钟；资金计划预测场景，资金计划预测实现实时更新，部分重复性统计工作完全替代人工。 在后续项目场景建设时，收益评估维度进一步从降本提效转向业务增量价值。同时，后续项目还会构建了存贷联动、智能营销等场景，通过AI从海量历史数据中自动发现规律、洞察潜在贷款需求，并实现对成员单位的主动触达，真正实现了从被动响应到主动经营的转变，创造了显著的业务增量价值。 05.专班机制保证项目成功落地 大模型项目中普遍存在的业务协同难问题，即使有最高管理层挂帅，也经常会出现项目推进困难等问题。 电建财务公司专门组建了跨部门大模型AI应用专班的工作机制。专班实行“部门负责人+业务骨干”双人制，每个业务部门均选派1名负责人和1名熟悉一线业务的骨干员工共同参与。专班成员从项目前期厂家调研、需求收集梳理开始，全程深度介入项目实施的各个环节，包括每周例会、业务经验输入、阶段性成果评审以及最终的培训与验收，确保技术方案与业务实际需求实现真正的深度融合。 为保障专班成员真正发挥作用，公司同步建立了多层次的管理激励与约束机制。第一是将专班参与度明确纳入部门和个人KPI考核，成为硬性绩效指标；第二是制定内部规章制度，明确规定凡涉及本部门业务场景的周会，专班成员必须全程参加；第三是公司领导定期参加项目关键会议，亲自听取汇报并进行指导，极大提升了全员重视程度和执行力。 与此同时，公司还组织开展了系统化的全员培训与阶段性成果汇报活动，共举办约10余节专题培训课程，重点围绕低代码智能体构建、提示词工程等实用技能展开。培训贯穿项目始终，并设置了两次高规格阶段性汇报：第一次汇报要求专班成员结合自身岗位，制作PPT讲述AI在工作和生活中的赋能故事；第二次汇报则要求各业务部门在平台上独立搭建一个完整业务场景，并进行思路阐述、技术方案说明、难点分析以及现场演示。 通过制度保障、KPI驱动、培训激励与成果汇报的组合机制，电建财务公司项目成功实现了从“科技部门单兵作战”到“全业务部门主动参与”的根本转变，有效解决了业务协同难题，为项目高质量落地和持续迭代提供了坚实的组织基础。这一专班机制也成为电建财务公司在央国企AI落地实践中最具借鉴价值的成功经验之一。

5.2 场景规划：优先选择高价值、可闭环、可衡量场景

场景规划是央国企Agent落地的核心环节。Agent项目能否成功，很大程度上取决于场景选择是否合理。央国企场景数量庞大，但并非所有场景都适合优先建设。优先场景需要同时满足业务价值明确、知识密集、数据可用、流程可闭环、技术可实现和结果可度量等条件。

从路径上看，央国企可以先从通用场景切入，再向核心业务场景延伸。知识问答、办公生成、数据问答等通用场景上线快、风险低、用户覆盖广，适合建立员工使用习惯和组织信任。在此基础上，再逐步进入生产管理、安全合规、研发设计、采购供应链和经营管理等专用场景，释放更高业务价值。

场景规划还需要避免应用数量导向。央国企Agent建设不能简单追求场景数量，需要关注场景之间能否共用底层能力。多个场景如果能够复用知识库、模型能力、流程编排、权限体系和工具接口，就能形成平台化效应，降低后续运维和治理成本。

5.3 底座建设：构建“算力—模型—平台—应用”四层架构

央国企Agent规模化落地需要统一技术底座支撑。典型架构可以分为四层：算力层、模型层、平台层和应用层。这一架构能够兼顾安全可控、能力复用和场景扩展。

算力层是Agent建设的基础。央国企对安全可控和国产化要求高，算力建设需要满足模型训练、推理服务、数据处理和高并发访问需求。集团层面可以统筹建设算力资源，形成集中训练与分布推理结合的模式。集中训练适合行业模型和专业模型建设，分布推理适合二三级单位在本地业务场景中部署应用，兼顾性能、成本和安全要求。

模型层需要形成通用模型、行业模型、专业模型和场景模型协同的体系。通用模型提供基础语言理解、多模态处理和推理能力。行业模型面向能源、钢铁、电力、建筑、金融等行业积累专业知识。专业模型聚焦财务、招采、研发、设备、安全等专业领域。场景模型面向具体业务环节进行适配和优化。

平台层是规模化落地的关键。AI中台和智能体平台需要提供模型管理、知识库管理、低代码编排、工具调用、应用发布、权限治理、日志审计和运行监控等能力。平台层的作用在于降低Agent开发门槛，提高能力复用效率，并保证应用安全可控。对于大型央国企而言，统一平台还可以避免不同部门重复建设，形成统一入口、统一标准和统一治理。

应用层围绕具体业务流程构建Agent应用。应用不能孤立运行，需要与ERP、MES、SCADA、财务系统、采购系统、数据平台和协同办公系统集成。Agent只有嵌入原有业务流程，才能完成数据读取、任务处理、结果回写和流程闭环。应用层建设要关注用户体验，也要关注业务规则、权限边界和异常处理机制。

案例2: 从“五个一”到百景千应用，中石油昆仑大模型的实践之路 随着大模型和智能体技术的爆发式发展，能源行业作为典型的数据密集型领域，天然具备构建行业大模型和智能体落地的条件。 中石油作为全球最大的能源化工企业之一，面临全球经济不确定性、勘探开发难度加大、成本持续升高以及传统生产方式效率瓶颈等多重挑战。同时，国务院和国资委多次发文，鼓励中央企业加快数字化、智能化转型。 在此背景下，中石油主动将人工智能纳入战略顶层设计，数字石油被确立为集团第五大战略举措，与人才强企、提质增效、低成本发展、文化引领并列，由董事长亲自担任领导小组组长。这一高规格定位充分表明，智能化是中石油的必选项，中石油要通过AI赋能实现企业高质量发展。 2024年5月28日，中石油联合中国移动、华为、科大讯飞四家企业在北京举行昆仑大模型建设研讨会暨合作共建签约仪式，正式签署《昆仑大模型合作共建协议》。这一节点标志着昆仑大模型项目全面启动，成为中石油数字石油战略的核心抓手。 01.“五个一”战略框架，打造人工智能基座 整个昆仑大模型项目覆盖算力基础设施、行业大模型、高质量数据集、AI中台、AI应用等，目标是打造以大模型为核心的人工智能基座，对内赋能企业员工，推动提质增效，对外带动产业升级，保持集团公司领先优势。 整个项目围绕着“五个一”重点工作展开，即一套国内领先行业大模型、一系列创新应用场景、一套高质量行业数据集、一个集中统一的AI中台、一个资源贡献的算力中心。具体工作内容包括： 昆仑大模型：构建一套具有语言、视觉、多模态等多种模态的昆仑大模型，提供对内、对外版本；构建示范场景所需的4个专业大模型（财务、代码、招采、营销专业大模型）及场景大模型。 100+示范应用场景：落地行业大家、员工助手、智能油伴、专业应用等4条产品线及示范应用场景，对内深度融合业务、智赋员工，推动生产力整体跃升；对外开放模型能力，智塑品牌，强化集团行业影响力。 高质量数据集：统一收集、管理用于模型训练的文本、图片等数据集，建立从语料收集、处理到标注的标准工作方法与流程，形成大规模、多样化、高质量的能源化工行业数据集。 统一AI中台：打造支持多参数大模型的集团统一AI中台，实现资源调度、服务管理及标准开发流水线平台的统一管理。 资源共享的算力中心：充分利用国家级智算中心资源，以租建结合方式构建算力体系，支持集中训练、分布推理、云端协同。 与其他央企相比，中石油昆仑大模型项目建设思路呈现出显著差异，具备以下四个特点： 第一是顶层设计最强，从战略高度将智能化纳入整体发展规划； 第二是组织力度最大，成立总体组、项目管理组、产品组、研发组、算法组、数据组等专业团队； 第三是平台化统建，避免各单位重复造轮子，实现底层能力共享复用； 第四是数据治理同步推进，将30多年信息化积累的海量分散数据转化为高质量资产。 02.“1+4+N”四层模型架构，训练60个大模型 整个昆仑大模型项目技术架构分成四层，构建出一套完整AI大模型落地架构。 底层算力基础设施，主要依托华为提供的国产算力平台，实现全栈国产化，确保安全可控，形成资源共享的算力中心。 模型层（昆仑大模型），不同于市面上场景的三层模型架构，采用“1+4+N”的四层架构，包括L0基础通用大模型、L1行业大模型、L2专业大模型、L3场景大模型。 中台层，建设统一AI中台/智能体平台，实现多模型、多工具、Agent的统一纳管，为上层应用提供标准化、复用化的开发和部署能力。 应用层，基于AI中台快速构建N个场景应用。 模型层是整个项目中最大创新之处。考虑集团公司产业规模和场景多样性，昆仑大模型设计为四层架构，相较业内常用的大模型架构，增加了行业大模型，向上专业聚焦、向下语料回流，逐步强化行业大模型泛化能力及油气上下游一体化、产研、产融等协同能力，收敛大模型数量。 目前已完成60个大模型训练，包括4个行业大模型、8个专业大模型和48个场景大模型。行业大语言模型覆盖勘探、炼化等6大领域，针对能源化工领域的行业知识理解及推理能力显著强于国内主流通用大模型。专业大模型中的物资招采大模型客观条款智能辅助评审准确率超过80%，问数大模型问数准确率超过90%。 2026年5月28日，科大讯飞深度参与构建的昆仑大模型国际版同步上线，支持中文、英语、法语、俄语、阿拉伯语、西班牙语、葡萄牙语7种语言，成为国内能源化工行业首个具备多语言工业智能服务能力的大模型。 03.152个应用场景，覆盖石油全业务价值链 中石油在项目推进过程中，系统梳理总结了大模型项目建设“三阶十步法”，将整个昆仑大模型项目的实施划分为顶层设计、实施和运营三大阶段，共十个关键步骤。 顶层设计阶段重点完成场景规划、模型规划和架构规划，为后续工作奠定坚实基础。实施阶段则围绕场景设计、方案设计、语料处理、模型训练和应用开发等核心环节展开，确保技术能力快速转化为业务价值。运营阶段聚焦模型运营与治理、应用运营，实现项目的长期稳定运行和持续迭代优化。 场景规划上，项目采取“场景驱动”策略，围绕“突出主业、体现价值、知识密集、语料丰富、技术可行”五个维度筛选典型场景，最终确定100个应用场景，其中生产与安全领域有69个，管理与服务领域有31个。 在2026年5月28日的发布会上，昆仑大模型展示了最新的落地成果：全产业链应用场景已从100个扩展至152个，围绕科技创新、产业发展、管理提升三大方向实现规模化落地，覆盖油气勘探开发、炼化生产、技术服务、资本金融等全产业链核心环节。 中石油与科大讯飞在32个场景有开展合作，重点集中在办公、科研、财务、采购供应链、装备制造、勘探开发与生产等领域。采购供应链领域，基于历史招标文件、评标记录、供应商档案和规章制度，构建智能问答系统。科研领域，数字文献管理员辅助文献调研和学术写作，油气领域专业翻译润色工具。装备制造领域，炼油化工设备运维助手，实现故障诊断与预诊；装备设计助手支持图纸编制与质检。 通过中石油与科大讯飞的两年合作，昆仑大模型项目迭代三次，场景数量快速扩展。所有场景应用均设定明确的量化KPI，实际落地效果全面超越预期。 办公领域，会议纪要效率提升70%以上，传统1小时会议过去需要人工整理2-3小时，现在通过语音转写与纪要自动生成，大幅减轻了行政负担；数字文书写作时间平均减少50%。 科研领域，数字文献管理员辅助科研人员开展文献调研，效率提升5-10倍；油气领域专业翻译润色工具的采纳率超过80%，有效解决了专业文献阅读与写作中的语言障碍，大幅缩短了科研周期。 装备制造领域，设备故障诊断准确率超过85%，故障预诊准确率超过70%，实现了故障发生前的预警，有效降低了设备停机损失；装备设计助手和售后知识问答准确率超过80%，显著提升了装备全生命周期的管理效率。 04.构建高质量行业数据集，支撑昆仑大模型训练和落地应用 中石油在昆仑大模型项目中高度重视数据治理工作，将其作为大模型建设的核心基础和关键抓手，系统建立了“行业-专业-场景”三级数据集管理体系。这一体系按需制定了73项数据采集与标注规范，实现了集团统一建设与应用单位个性化需求的有机结合。 目前，项目已储备规模达620TB的能源化工行业高质量训练数据，经中国电子技术标准化研究院权威测评，数据质量评分高达99.8分，为模型的稳定、高效、安全运行提供了坚实保障。 为进一步提升数据构建效率，中石油与科大讯飞共同探索出一站式自动化的数据蒸馏方法。通过自动化技术从海量数据中提取、生成关键信息，并结合大模型生成可直接用于行业模型训练的语料，提升了训练数据构建效率，降低构建成本降低。这一创新方法不仅大幅降低了人工依赖，还确保了语料的专业性和多样性，为模型的持续迭代提供了高效支撑。 在具体语料生产环节，中石油坚持“标准先行、工具赋能、人机协同”的工作机制，制定了涵盖采编-清洗-构建-标注的全流程工作标准，并依托AI中台语料标注模块不断完善工具功能。中石油与科大讯飞团队合作，人工生产25万+条文本语料，同时客户蒸馏文本语料的正确率稳定在较高水平，形成了高效、可复制的数据治理闭环。 05.四大成功经验，中石油昆仑大模型项目为央企AI落地提供可复制范式 中石油昆仑大模型项目为央国企大模型建设提供了可复制、可借鉴的范式，主要成功经验包括： 第一是战略引领。中石油昆仑大模型项目之所以能够在短时间内取得显著成效，最根本的原因在于坚持战略引领。中石油将数字石油确立为集团第五大战略举措，由董事长亲自担任领导小组组长，形成了强有力的顶层设计和组织保障。这一高位推动的模式，将人工智能上升为企业核心发展战略，而非单纯的技术项目，为项目顺利推进提供了坚实的组织和资源保障。 第二是场景驱动。项目始终坚持以业务场景为驱动，以实际价值创造为导向。每一个落地场景都设定了清晰的量化KPI，用数据说话，确保大模型能力真正转化为生产力和业务价值。这种场景驱动的建设思路，避免了技术与业务脱节的问题，使人工智能真正成为解决企业痛点、提升核心竞争力的有力工具。 第三是数据治理与自主可控。在建设过程中，中石油高度重视数据治理与自主可控。将30多年信息化建设积累的海量数据进行系统整合，建立了大规模、高质量的能源化工行业数据集，实现了数据从资源向资产的转变。同时，项目坚守全栈国产化技术路线，从算力、算法到数据全链条自主可控，切实保障了数据安全和用户权限，符合央企对信息安全的高标准要求。 第四是生态共建。开放生态共建是项目成功的重要保障。中石油与中国移动、华为、科大讯飞四家单位优势互补，形成了“场景+数据、算力+集成、视觉底座、语言模型+场景应用”的协同模式。在国际化和多语种能力方面，科大讯飞作为核心AI合作伙伴，提供了关键的技术支撑，助力昆仑大模型国际版顺利发布。 中石油昆仑大模型项目不仅为自身数字化转型注入了强大动能，更为广大央国企提供了可复制、可借鉴的实践范式，充分证明了在能源化工等传统行业中，大模型建设完全可行、有价值，且能够产生显著的业务效益。

5.4 数据与知识工程：把企业经验变成Agent能力

数据与知识工程是央国企Agent落地的基础工作。央国企经过多年信息化建设，积累了大量数据和文档，但这些资产往往分散在不同系统、部门和人员经验中，难以直接支撑Agent应用。

数据与知识工程首先要开展语料收集和数据盘点。企业需要明确不同场景所需的数据来源，包括制度文件、流程规范、业务报表、生产记录、合同文本、招采文件、图纸资料、故障案例和专家经验。其次要进行清洗、标注和知识抽取，将原始数据转化为可理解的知识单元。对于专业场景，还需要构建知识图谱、本体和高质量数据集，支撑复杂推理和场景模型训练。

知识工程的重点在于把隐性经验显性化。央国企很多关键业务能力沉淀在专家经验、老师傅实践中，这些知识很难直接从系统中提取。Agent建设需要业务专家深度参与，通过访谈、规则梳理、案例沉淀，把经验转化为标准化知识，再通过知识库、模型微调形成可复用能力。

用户反馈机制同样关键。Agent上线后，应持续记录用户问题、模型回答、业务反馈和异常案例。这些反馈数据可以用于优化知识库、调整提示词、改进规则、训练模型和完善流程。没有用户反馈，Agent很容易停留在一次性上线状态，难以持续提升效果。建立用户反馈机制后，Agent才能在真实业务运行中不断优化，形成持续迭代能力。

案例3: 让万份施工方案“活”起来：某500强央企Agent落地全纪实

在“AI+”战略全面推进的背景下，央国企正从早期的技术试点阶段，逐步迈入规模化、体系化落地的新阶段。相较于通用办公、客服等通用场景，如何在复杂业务体系中实现大模型能力与核心生产要素的深度融合，成为当前央国企数字化转型的关键命题。

在这一过程中，Agent逐渐成为连接大模型能力与具体业务场景的重要载体。一方面，大模型提供了语言理解与生成能力的底座；另一方面，Agent通过对业务流程、数据资产与应用场景的封装，使AI能力具备可执行性与可落地性。然而，从行业实践来看，多数央国企仍处于探索阶段，存在“应用碎片化”“效果不稳定”“难以规模化推广”等共性问题。

一个尤为典型的现象是：大量央国企已完成知识库建设，沉淀了规模可观、质量较高的知识资产，但在实际业务中，这些知识并未被高效调用，难以转化为一线生产力。在AI技术浪潮下，如何激活存量知识资产、构建面向业务的智能知识服务体系，成为Agent落地的关键切入点之一。

本文选取某世界500强基础设施领域央企作为研究对象。该企业基于既有知识管理体系，引入Agent能力，对工程技术知识库进行系统性升级，不仅显著提升了一线人员的知识获取效率，更构建起企业级知识中枢，形成了可复制、可推广的央国企Agent落地路径。其价值不在于单一应用效果的提升，而在于验证了一条“以知识为核心载体”的AI规模化落地范式。

01.被低效利用的高价值知识资产

1.1 企业概况：典型的大型工程类央国企

该企业为世界500强央企集团，长期深耕基础设施建设领域，业务覆盖公路、轨道交通、水运等多个细分方向，项目分布广泛，组织体系庞大，具有典型的工程类央国企特征。

在长期发展过程中，企业围绕工程施工、技术管理等核心业务，积累了大量高质量知识资产，包括施工方案、技术交底文件、项目经验总结等，形成了较为完善的知识管理体系。

从数字化建设进程来看，该企业较早启动知识管理体系建设，已搭建覆盖知识门户、知识地图、专家网络、项目专辑等模块的知识库系统，在央国企中具备一定的先发优势。1.2 表层问题：知识可存储，但难以被高效使用

尽管企业已沉淀上万份工程技术文档，并构建了较为完善的知识库系统，但在实际业务中，知识利用效率仍然存在明显瓶颈，主要体现在以下几个方面：

首先，传统检索方式依赖关键词匹配，系统对自然语言的理解能力有限，难以准确识别用户真实意图，导致搜索结果与需求之间存在偏差；

其次，一线施工场景对知识获取的时效性要求高，但现有系统交互方式相对单一，难以支持语音、图片等更符合现场需求的提问方式，影响问题解决效率；

再次，知识库虽内容丰富，但缺乏对用户使用行为的数据分析能力，无法有效识别高频需求与知识盲区，导致知识体系难以持续优化；

此外，在引入大模型能力的过程中，还面临“幻觉风险”与知识安全合规的双重挑战，使得企业在技术应用上保持谨慎态度。

1.3 深层矛盾：知识规模增长与知识利用效率之间的结构性错配

从更深层来看，上述问题是源于知识管理体系在发展过程中逐步积累的结构性矛盾：

一方面，随着业务规模扩大与项目经验积累，企业知识资产呈指数级增长，内容覆盖多个专业领域，复杂度持续提升；

另一方面，知识的获取与利用方式仍停留在以人工检索与阅读为主的模式，效率提升相对有限。这导致企业面临一个典型矛盾：知识资产规模的快速扩张，并未同步转化为知识生产力的提升。

在这一背景下，引入具备语义理解与推理能力的大模型，并通过Agent形式与知识体系深度融合，成为破解上述矛盾的重要路径。但如何在保障准确性与安全性的前提下，实现规模化落地，仍是摆在多数央国企面前的现实挑战。

02.战略驱动：AI不是尝试，而是必须完成的任务

从该企业的推进路径来看，其Agent建设是业务与战略双重牵引下的必然选择。

2.1 战略层：从数字化要求到AI落地指标

近年来，央国企普遍将数字化转型纳入核心考核体系，“AI+”更成为新阶段的重要抓手。对于该企业而言，AI应用是需要在明确时间窗口内实现落地的战略任务。

与部分企业“先试点、再扩展”的路径不同，该企业在推进过程中体现出更强的目标导向——不仅要求“有应用”，更要求“见效果、可推广”。这使得其在项目初期即对应用价值、准确率、安全性等关键指标提出了较高要求，并在推进过程中持续校准。

这是一种典型的央国企推进逻辑：以战略目标为牵引，将新技术转化为可考核、可交付的工程任务。

2.2 业务层：一线场景对高质量知识服务的迫切需求

相较于通用办公场景，该企业的核心业务——工程施工与项目管理——具有明显的特殊性：

• 强实时性：施工现场问题需要快速响应，延迟直接影响工程进度；
• 强专业性：涉及轨道、桥梁、隧道等多专业领域，知识门槛高；
• 低容错要求：错误信息可能带来安全风险或经济损失。

在这一背景下，传统知识获取方式（人工检索+文档阅读）难以满足实际需求。一线人员更需要的是一种能够“直接给出可用答案”的知识服务形态，而非“提供一堆文档”。

2.3 技术路径选择：前瞻布局而非被动跟进

值得关注的是，该企业在时间窗口上的选择具有一定前瞻性。早在2024年，即行业尚未全面爆发大模型应用浪潮之前，企业便已启动相关探索，并持续推进至2025年进入稳定运行阶段。

在技术选型上，其路径也体现出较强的工程理性：

• 初期选用支持私有化部署的大模型（满足安全合规要求）；
• 随技术演进逐步引入更高性能模型（如DeepSeek）；
• 构建多模型接入能力，避免单一模型依赖。

这一策略使企业既能在早期快速落地应用，又能在后续技术演进中持续优化系统能力。

03.Agent落地路径：从知识库升级到企业级知识中枢构建

如果说战略与业务需求回答了“为什么做”，那么该企业的实践更具价值的部分在于：如何将大模型能力转化为可规模化落地的业务系统。

其核心路径可以概括为：以知识体系为基础，通过引入蓝凌智能的LanBots.AI智能业务中台，构建企业级Agent能力层，实现知识服务模式的系统性升级。

3.1 架构思路：增强而非重构

在系统建设初期，企业没有选择推倒原有知识库体系，而是基于既有基础进行能力增强，在原有知识管理系统之上叠加AI能力层。

整体架构可以理解为三层结构：

• 知识层：既有工程技术知识库（近万份高质量文档）
• 模型层：大模型能力（支持多模型接入与切换）
• 应用层（Agent层）：面向具体场景的智能问答、搜索能力

蓝凌平台在其中主要承担两类角色：一是提供标准化的Agent开发与运行框架；二是打通知识数据与大模型之间的连接路径。

这一架构路径具有重要的方法论意义：不仅降低实施成本与组织阻力，也确保了既有知识资产能够被充分复用。

3.2 核心能力设计：围绕业务场景构建Agent体系

在具体能力设计上，该企业围绕一线施工与管理场景，构建了多个具备明确分工的Agent能力模块。

（1）智能问答Agent：从检索结果到可用答案

系统通过融合知识库内容与问答语料，实现对用户问题的直接回答，并引入多源答案机制，对不同来源信息进行优先级排序，有效降低大模型“幻觉”风险。

相较传统知识库，这一能力的核心变化在于：不再依赖用户自行筛选信息，而是直接输出结构化、可使用的答案。

（2）语义搜索Agent：从关键词匹配到意图理解

基于向量检索与语义理解能力，系统能够支持自然语言查询，准确识别用户意图。例如，当用户输入模糊或口语化问题时，系统仍可关联到最相关的专业文档与知识内容。

同时，通过关联推荐与内容总结能力，系统实现了从“信息检索”向“知识服务”的延伸。

（3）多模态交互Agent：贴合施工现场的真实需求

针对一线施工场景中“难以打字、问题表达复杂”等实际情况，系统支持语音与图片输入，使用户可以通过拍照或语音提问获取答案。

这一能力的引入，使AI应用从办公室场景真正走向生产现场，显著提升了系统的实际使用价值。

3.3 技术与工程策略：构建企业级AI应用的基础能力

在能力实现背后，该企业构建了一套较为完整的AI工程体系，以支撑系统的稳定运行与持续优化：

• 私有化部署：确保数据安全与合规，满足央国企要求；
• 多模型架构：支持不同模型接入与切换，提升系统灵活性；
• 数据处理机制：对知识文档进行切片与向量化处理，提升检索效率；
• 知识安全体系：通过敏感词库与权限控制机制，保障信息安全；

可以看到，Agent只是表现形式，其背后是数据、模型与系统能力的协同工程。

3.4 从工具升级到中枢构建的关键跃迁

在上述能力基础上，该企业实现的并不仅是知识库的智能化升级，而是构建了一个面向全组织的“知识中枢”：

• 对内：统一承载知识资产与知识服务能力
• 对外：为后续更多业务场景提供能力支撑

这一中枢化能力，为企业未来构建“1+N”智能应用体系奠定了基础，使Agent不再是孤立应用，而成为企业AI体系中的核心基础设施。

04.规模化落地的关键：组织与数据工程能力

在多数央国企的AI实践中，技术能力往往不是主要瓶颈，真正决定项目成败的，是数据基础与组织协同能力。该企业之所以能够实现Agent的规模化落地，其核心在于构建了一套“数据+组织”双轮驱动的推进体系。

4.1 数据工程：决定AI效果上限的核心变量

在本项目中，企业需处理的是上万份覆盖轨道交通、公路、隧道等多个专业领域的工程技术文档。这些文档具有专业性强、表达不统一、结构复杂等特点，对AI应用提出了极高要求。为此，企业在蓝凌平台支持下，重点开展了系统性的数据工程工作，包括：

• 文档切片与向量化处理：将长文档拆解为可被模型理解的最小单元，并构建向量索引体系；
• 行业语料构建：围绕不同专业领域，补充标准术语与表达方式，提升模型理解能力；
• 问答语料沉淀：将典型问题与标准答案结构化，形成高质量问答库；
• 敏感词与安全语料管理：确保模型输出符合企业安全与合规要求。

值得注意的是，上述工作是需要深度结合业务语境进行“再加工”。在实际推进中，企业组织了跨专业专家参与数据标注与规则制定，确保知识表达的专业性与准确性。从结果来看，系统最终能够实现接近96%的回答准确率，其背后更依赖于数据工程能力，而非单一模型性能。

4.2 组织机制：支撑复杂系统落地的关键保障

在组织层面，该项目呈现出典型的高规格推动特征。

首先，在顶层设计上，由集团层面设立专项领导小组，并由总工办牵头推进，确保项目具备足够的资源与决策支持；

其次，在执行层面，组建了由30余名专家构成的跨专业团队，负责知识标注、语料构建与效果校验；

再次，在协同层面，项目覆盖集团及数十家二级单位，需要在多层级组织中实现统一推进。

这一组织体系的核心价值在于：将AI项目从“IT部门任务”上升为“全业务参与工程”；通过专家参与，弥补模型在专业理解上的不足；通过统一机制，避免各单位各自为政，确保系统标准一致性。

4.3 推进机制：以“试点-反馈-迭代”驱动持续优化

在具体推进方式上，企业采取分阶段试点与持续迭代，实现系统能力的逐步完善。项目初期，企业选取9家单位作为试点，建立了高频反馈机制：

• 一线用户每日反馈使用问题；
• 项目团队每周召开例会，集中分析问题并制定优化方案；
• 专家团队对低质量回答进行修订，反向优化模型表现。
• 同时，系统内嵌“点赞/点踩”机制，将用户反馈数据化，并通过蓝凌平台进行统一分析与处理，形成闭环优化路径。

这一机制的关键在于：将AI系统从交付型项目转变为持续演进系统。

05.应用成效与业务价值：从效率提升到能力重构

在系统上线并稳定运行后，该企业的智能知识系统已在多个维度产生显著价值，其影响不仅体现在效率提升层面，更体现在知识利用方式与组织能力的重构。

5.1 直接价值：效率与体验的显著提升

在最直观的业务层面，系统带来了明显的效率改善：

• 知识检索与问答响应时间由原有的分钟级缩短至秒级；
• 多模态交互能力，使一线人员知识获取便捷性显著提升（提升幅度达90%）；
• 员工对知识服务的满意度提升至98%以上。

对于施工现场而言，这意味着问题可以在第一时间得到解答，从而减少等待时间与沟通成本，提升整体作业效率。

5.2 能力提升：知识资产的系统性激活

相比效率提升，更具长期价值的是知识资产利用方式的改变。通过Agent能力的引入，原本分散在各类文档中的知识，被转化为可被随时调用的服务能力。系统不仅能够回答问题，还能够持续沉淀新的知识与经验，形成动态演进的知识体系。

具体表现为：

• 近万份工程技术文档实现精细化管理与高效复用；
• 项目经验与技术成果持续沉淀，避免重复试错；
• 知识从静态存储，转变为主动服务。例如，发现用户频繁询问关于某一工程技术的问题，可针对性地加强相关知识的整理和推送。

这一变化的本质在于：知识从资源，转变为生产要素。

5.3 风险控制：在可用性与安全性之间实现平衡

在央国企场景中，大模型应用的关键挑战之一在于幻觉与安全风险。该企业通过多重机制实现了风险可控：

• 多源答案机制，降低模型生成不准确信息的概率；
• 专家参与与反馈机制，持续修正模型输出；
• 敏感词库与权限控制体系，确保知识安全合规。

在此基础上，系统实现了约96%的回答准确率，并保障了企业知识“零泄露”。

5.4 长期价值：从单一应用到AI能力底座

从更长周期来看，该系统的价值并不局限于知识管理场景。

基于蓝凌平台构建的Agent能力与知识中枢，该企业已具备向更多业务场景扩展的基础条件，例如：

• 延伸至项目管理、运营分析等场景；
• 支撑更多业务系统接入AI能力；
• 构建“1+N”的智能应用体系。

这意味着，当前项目不仅是一次应用升级，更是企业AI能力体系建设的重要起点。

5.5 试点与推广：从示范应用到规模复制

央国企Agent落地适合采用分阶段推进方式。第一阶段选择成熟场景开展试点，重点验证技术可用性和业务价值。第一阶段的关键不是覆盖场景面广，而是形成可验证的业务价值和可复用的建设方法，增强企业内部建设Agent的信心。

第二阶段围绕核心业务流程扩展场景，打通系统。经过第一阶段验证后，央国企可以将Agent逐步引入生产管理、安全合规等高价值场景。此阶段需要更强的系统集成、流程改造和组织协同能力。项目重点从单个Agent开发转向业务流程重构，需要明确Agent应用定位，如何与现有系统融合。

第三阶段形成统一入口、统一平台、统一运营和统一治理，实现规模化推广。统一入口降低员工使用门槛，统一平台提高开发和复用效率，统一运营保障应用持续迭代，统一治理保证安全、权限、合规和审计可控。在这一阶段，央国企可以建立Agent应用目录、场景评估机制、开发规范、运营指标，对不同场景Agent进行持续管理。

6. 央国企Agent未来趋势

随着平台能力、模型能力和数据治理能力的成熟，Agent正在成为支撑核心业务流程和决策的重要基础设施。爱分析认为，央国企Agent未来发展呈现出以下趋势。

第一，建设重心将从单个应用试点转向平台化运营。单点应用验证了Agent技术可用性，但难以形成跨部门、跨业务流程的整体效益。平台化运营能够将算力、模型、智能体平台、知识库和工具接口统一管理，形成可复用、可治理的能力底座，为更多业务场景提供支撑，并降低重复建设成本。

第二，场景重点将从通用办公向生产经营主流程转移。通用场景为Agent建立使用入口和组织信任，但核心价值在于生产管理、研发设计、安全合规、采购供应链和经营管理等关键业务环节。未来，Agent应用将直接嵌入业务流程，通过流程重塑、知识沉淀和决策增强提升企业整体运营效率和管理能力。

第三，通用大模型与垂直模型将深度融合。单独的大模型难以支撑复杂业务场景。将行业知识、专业模型与通用大模型结合，可以实现专业化、场景化和可复用的能力输出。模型与平台深度整合后，Agent能够在不同业务环节进行自适应推理、规则执行和流程优化。

第四，数据与知识工程是关键基础。高质量、结构化的数据是Agent持续运行和优化的前提。通过语料收集、清洗、标注、知识抽取、知识图谱建设，企业经验和专家知识可以转化为可复用的智能体能力。没有可靠的数据和知识支撑，Agent将难以在高价值场景中稳定发挥作用。

第五，人机协同将成为规模化落地的必要条件。央国企业务数据敏感、流程关键，对Agent落地可靠性要求很高，人机协同机制能够确保在异常情况下人工干预和决策校验，降低潜在风险。安全、合规和可控性建设是Agent大规模推广和持续运营的前提。

综上所述，央国企Agent建设将沿着平台化、场景聚焦、模型融合、数据驱动和人机协同的方向发展。Agent作为央国企智能化升级的重要抓手，会是未来五年央国企智能化建设最重点方向。