Deepseep V4 + 迈富时知识中台：让AI说行业的话、做业务的事

知识中台的产业定位：为什么AI应用层需要知识中台

2026年4月16日，国家统计局披露的数据显示，中国日均Token调用量已突破140万亿，较上年末增长超过40%。Token正在取代流量，成为智能时代的产业计量单位。但Token消耗量的增长，并不天然等同于业务价值的增长。通用大模型可以输出标准化的“智能密度”，却无法天然理解一家企业的业务流程、行业术语和经营语境。AI应用层面临的真正挑战，不是“调用多少Token”，而是“让Token说行业的话、做业务的事”。

这一挑战的解决路径，指向一个被多数AI公司忽视的核心能力：行业知识的沉淀、治理与注入。Gartner预测，2026年采用AI知识管理系统的企业运营效率将领先竞争对手40%。而中国企业在知识管理上面临的困境是：数据分散、员工日均切换多个系统、重复劳动消耗大量资源、新员工达产周期长。这些问题的本质，是“通用AI能力”与“企业特有语境”之间的断层。

从企业AI部署的实际痛点来看，知识中台已经成为打通这一断层的关键基础设施。行业研究显示，2026年全球85%的大型企业将完成AI知识库系统的深度部署，其功能已从早期的信息存储与检索，进化为支撑战略决策、驱动业务创新的关键基础设施。

迈富时（02556.HK）早在多年前，便开始以“让AI说行业的话、做业务的事”为战略定位，布局这一能力，并通过KnowForce AI知识中台的发布，将其系统化、平台化。

KnowForce AI知识中台：场景Token的行业知识注入引擎

2026年第一季度，迈富时正式发布KnowForce AI知识中台，与GenAI OS、AI-Agentforce智能体中台3.0，以及AI员工矩阵中的Data-Agent经营分析大师共同构成公司AI原生应用平台的核心产品矩阵。根据公司业务更新公告，产品矩阵已涵盖企业级AI Agent应用集群与AI Agent开发管理平台，构建起从模型融合、算力调度、知识治理到智能体协同的全栈能力，覆盖营销、销售、客服、研发等企业核心业务场景。

在迈富时“智算+数据+模型+智能体”四层架构中，知识中台承担着一个不可替代的角色：以累计数据模型及行业知识，为“场景Token”的赋能。

具体而言，三个核心产品各司其职：

KnowForce AI知识中台：是智能体的“大脑图书馆”，存储行业知识、企业记忆与业务语境，包括“场景Token”语境的行业知识；

AI-Agentforce智能体中台3.0：被视为智能体的“生产车间”，负责调度、执行与协同管理，当然也包括“场景Token”的自动化生产；

AI原生操作系统GenAI OS：作为智能体的“操作系统”，负责底层资源调度与运行环境安全检测，是“场景Token”的运行底座。

三者的协同关系可以形象地理解为：

知识中台负责“装什么知识”，智能体中台负责“怎么干活”，GenAI OS负责“用什么工具干活”。没有知识中台，智能体输出的是通用回答，无法贴合具体业务；没有智能体中台，知识只是静态档案，无法转化为行动；没有GenAI OS，整个体系缺少底层运行框架。

因此，KnowForce AI知识中台，是“场景Token”发挥作用的燃料，储存并调用行业知识，让智能体作出行业专家级精准判断。

行业知识图谱：21万客户沉淀的资产

上千个可复用知识图谱——服务过21万客户沉淀的行业知识资产。知识中台的核心资产是行业知识图谱。迈富时的行业知识图谱，不是从公开语料中爬取生成的，而是来自长期服务企业客户的实践积累。公司的业务分析团队由来自消费零售、汽车、金融等行业一线的专家组成，他们的工作是与客户深度共创，将隐性行业知识拆解为原子要素，构建成可复用的知识图谱。迈富时将这一过程定义为“行业知识结构化”。

截至2025年末，迈富时已在消费零售、汽车、金融、医疗大健康、文旅、制造六大核心行业沉淀上千个可复用的知识图谱。每个知识图谱来自真实客户交付项目，涵盖业务流程规范、话术知识库、数据标准、行业术语与合规要求等多个维度的深度行业知识。

这种“从实践中来”的知识资产，与公开语料训练的大模型形成了本质区别。通用大模型可以解释“什么是汽车试驾”，却无法解释“某品牌在华东地区的试驾转化率为何低于华南”——后者的答案来自真实业务场景中的行业经验沉淀。知识图谱是迈富时场景Token能力的底层燃料——它将通用Token转化为贴合具体行业语境的精准解决方案，使AI输出不再是“通用的正确废话”，而是可执行的业务判断。

知识中台：让智能体“能落地、能治理、能复制”

价值一：行业知识的体系化沉淀与持续迭代。通用AI工具输出的是“通用知识”，而企业级AI需要的是“行业专业知识与经验沉淀的经验形成的定制化解决方案”。

更重要的是，知识中台的知识图谱不是静态的。客户每天产生新的业务交互数据，知识中台持续进行知识抽取、关系识别与语义理解，不断更新图谱内容。

智能体中台消耗Token，Token驱动智能体进化，进化的智能体服务更多客户，更多客户带来更多交互数据，更多数据又需要更多Token来沉淀为新知识——一个正反馈循环就此形成。

价值二：智能体从“通用”到“专用”的核心赋能。

没有知识中台的智能体，输出的是通用答案——可以回答“什么是CRM”，却无法回答“我们公司上周华东区的线索转化率为什么下降”。知识中台为每个智能体注入行业知识、企业记忆与业务语境，让AI输出从“泛泛而谈”走向“精准制导”。

在迈富时的全场景AI员工矩阵中，营销智能体、销售智能体、经营分析智能体等数十个智能体的每一次输出，都离不开知识中台的知识支撑——知识中台决定了智能体的“智商”能用到什么水平。

价值三：交付效率的显著提升。知识中台带来的最直接的商业价值，体现在交付效率上。知识图谱的可复用性，使得新客户专属智能体的上线周期从三个月压缩至三周以内。这背后是行业知识的结构化沉淀与标准化调用，让AI应用的部署从“从零搭建”变为“即插即用”。同时，知识图谱还降低了模型调用的Token消耗——通过检索增强生成（RAG）等技术，智能体优先从知识图谱中检索已有知识，避免重复调用大模型进行冗余生成，实现了成本与效果的动态平衡。

知识中台与AI原生平台：四层架构的知识枢纽

迈富时的AI原生应用平台以“模型+数据+平台+场景”四层架构运行。在迈富时2025年度管理层讨论与分析中，这四层被清晰地界定为：数据层负责行业资产的结构化沉淀，平台层（即AI-Agentforce智能体中台）负责智能体的治理中枢，模型层负责多模型融合的灵活调度，最后都落到了场景层的行业知识显化。具体而言：

知识中台在四层架构中占据“场景+数据”两层的交叉位置——它既是行业知识的结构化载体（场景层），也是数据资产的核心管理枢纽（数据层）。具体而言：

数据层：知识中台将隐性行业知识拆解为原子要素，构建可复用的知识图谱。业务分析团队与客户深度共创，将一线运营经验、行业术语、业务流程规范等内容结构化沉淀。

平台层：知识中台对客户行为、对话记录、转化路径等数据进行清洗与结构化处理，沉淀为行业知识图谱的组成部分，为大模型训练和智能体调用提供高质量的数据基础。

模型层：知识中台在四层架构中占据“场景+数据”两层的交叉位置——它既是行业知识的结构化载体（场景层），也是数据资产的核心管理枢纽（数据层）。

场景层：最后，前三层将行业知识、专业经验进行体系化，形成知识谱图，并赋予AI场景化应用的能力，让AI的能力根据不同场景，调动不同模型、能力来适配场景，从而实现从技术到落地的全链条的闭环。因此，也可以被理解为“场景Token”的输出，因此，这一层也是真正决定AI员工价值的关键。

四层协同形成增长飞轮：场景产生需求，需求定义数据边界；数据喂养模型，模型赋能智能体；智能体服务更多场景，更多场景带来更多数据。不难看出，知识中台作为链接数据与模型的接口，称得上是这一飞轮的核心枢纽。

在AI应用从“能用”走向“好用”的过程中，行业知识的沉淀与注入正在成为决定胜负的关键变量。通用大模型可以输出标准化的智能，但无法天然输出行业专属的判断；算力Token可以无限扩张，但无法天然转化为业务结果。

因此，在行业走向规模化、普及化，地方、国家政策都强调AI+的落地的当下，迈富时KnowForce AI知识中台的价值，正在逐步走向兑现的过程。而它将分散的行业经验系统化、将隐性的业务知识显性化、将静态的知识资产动态化，最后将所有的这些以知识谱图形式工程化储存，使Token从“算力消耗”变成“业务结果。让每一枚Token，都带着场景化、专业性的理解，最终成为看得见的数据、价值。

基于这一角度，迈富时作为知识中台的供应商，其潜力也不可小觑。