滴普科技赵杰辉：协同，企业级智能体的另一道工程题

滴普科技创始人、CEO赵杰辉发布系列第三篇产业观察，聚焦多个AI员工在企业中如何协同完成完整业务场景。文章提出三个核心判断：本体作为语义层承载业务语义Plan能力；从Skills到AI员工再到AI员工团队（企业领域智能体）；三者构成AgentOS产品品类。滴普的实现方案为DeepexiOS，由Deepexi企业大模型和FastAGI企业智能体平台组合。

两个真实场景：

• 制造业产线设备故障诊断：8个AI员工（对应产线工程师、运维工程师、运维主管等岗位）协同完成事件响应。巡检员关联多源数据（振动频谱、电流、班组群）产出事件报告；运维主管做语义化路由分发，使初判与根因诊断并行执行；根因诊断员基于设备本体节点（如#L-003）进行带置信度的根因分析；工艺影响分析员独立评估业务影响；处置方案生成员综合生成工单；验证员反馈闭环；复盘员沉淀故障案例至故障模式库。
• 零售业新品上市铺货：6个AI员工（商品企划、货品运营、电商运营、货品主管、数据分析、汇报材料）协同完成300+新SKU在800+门店和5个电商平台的首铺决策。商品企划调用数据分析拉取历史数据；货品主管分发线下/电商版本至两个运营AI员工并行处理；货品主管做冲突检测与合并；汇报材料组装交付物供品牌总监审核，决策结果回写为训练数据。

三个工程创新点：

1. 本体大模型作为语义记忆与Plan核心：Deepexi预先抽取企业本体，AI员工读取同一本体视图，Plan上下文携带本体节点引用（如“建议补货50件，基于门店本体节点#shop-W-0312历史动销分布，置信度0.78”）。
2. Skill的企业本体语境 + AI员工岗位映射：Skill嵌入本体的语义约束（如“门店聚类Skill”依赖门店本体定义），AI员工对应企业组织本体的真实岗位（如“大区货品运营”），权限和协同关系由本体自动推导。
3. 协同治理与编排的本体驱动：Trace记录带本体节点引用的业务级审计（如“货品运营AI员工对商品节点#A123在门店节点#shop-W-0312的铺货决策”）；并行/串行/升级策略由本体依赖关系自动决定（如故障诊断中初判与根因可并行，因输入不依赖；渠道分层硬约束强制冲突检测）。

Token协同机制：DeepexiOS采用“两层Plan架构”——Deepexi生成业务语义层token（高业务密度，指向企业本体节点），通用大模型生成通用执行层token（低成本，完成工具调用、SQL编写等）。两类token在FastAGI协同下完成长任务。企业级AI落地不需要自研更强通用模型，而应将通用模型能力与企业本体精确耦合。

总结：系列三篇文章分别对应——记忆（价值密度）、单体Plan（准确率）、协同（可靠性）。三者结合是Token经济下企业级AI落地的工程路径。