滴普科技赵杰辉：企业智能体落地需分层Plan能力，本体大模型是核心

事件概述

滴普科技创始人赵杰辉发表长文，系统阐述企业级智能体落地中模型Plan能力的产品化思路。他指出，通用Agentic Model在公开领域（如编程、个人助理）表现良好，但延伸到B端深度业务岗位时，因企业本体知识缺失而失效。为此，滴普科技推出Deepexi本体大模型，在企业本体语义空间上构建业务语义层Plan能力，与通用执行层Plan协同，解决企业长任务推理中多跳因果链、规则冲突、推理终止等核心问题。

核心信息

企业级长任务的四个工程特征

• 多跳因果链跨数据源且动态生成：如某激光设备制造商与某新能源车企焊装线出现相同“伺服过载报警”症状，但根因分别指向谐波干扰和MES参数同步问题，路径不在任何SOP中。
• 跨SOP规则冲突需本体层级仲裁：如反洗钱合规与客户体验提速规则冲突时，需企业本体定义优先级。
• 推理展开的本体子图超token预算：一次长任务推理动态展开的相关子图可达几十万token，模型需内化本体结构以导航。
• “停止点”本身是推理动作：需根据边类型语义判断何时终止，而非简单依赖提示词。

通用Agentic Model在B端的四个失效条件

1. 业务对象不在训练分布内：模型不理解企业私有设备结构、工艺路径和因果链。
2. 业务目标是派生结果：如“销售额”是多个杠杆共同作用的结果，模型需沿本体反向追溯可执行杠杆。
3. 业务动作受多目标多规则约束：如零售促销可能拉高销量但压低毛利，需判断可行域。
4. 停止点由企业本体决定：通用模型无法稳定区分中间假设与根因确认。

分层Plan能力架构

Deepexi在同一模型权重内融合两层推理模式：

• 业务语义层Plan：输入“业务任务”，输出“业务意图序列”，语义底座是企业本体。内化四种推理策略：①识别派生量节点触发反向追溯；②识别约束等式触发多目标求解；③识别根因节点触发终止；④识别动态语境选择追溯路径。
• 通用执行层Plan：输入“业务意图”，输出“工具调用序列”，负责具体执行。

两层协作流程：业务任务→业务语义层在本体中定位→拆解子任务→形成业务意图→通用执行层翻译为工具调用→返回结果→业务语义层评估→决定下一步。高频交互中，同一模型共享内部表征，避免外部传递带来的语义损耗。

Deepexi产品形态

• 产业站位：不是通用大模型，也不是“通用模型+RAG”，而是企业级Plan能力的承载者，与通用模型协同。
• 组件：Deepexi Foil（本体记忆载体），承担非结构化知识输入、本体生成结果承载、FDE工程师持续工作存储。
• 训练数据：Deepology企业本体高质量数据集，已积累108个业务本体，包含三层范式：静态结构层（实体+关系Schema）、路径模板层（核心推理路径定义）、现象级实例层（层级化树状/图谱状结构）。
• 训练架构：三层分层——基础语言能力层（通用语义）、业务语义Plan能力层（本体推理策略）、执行层Plan能力层（工具调用）。训练优化目标：不仅要预测下一个token，还要触发正确的推理动作。

值得关注

• 滴普科技认为企业级Plan能力的核心不是模型参数量或上下文窗口，而是企业本体语义的内化。
• Deepology数据集基于近400家头部客户实践沉淀，本质是“企业推理策略”的结构化表示。
• Deepexi与通用模型（如GPT、Qwen、DeepSeek）是协同关系：通用模型负责公开语义执行，Deepexi负责企业语义规划。