2026 年，企业级 AI 市场正在释放一个明确信号：企业不再是试用 AI，也开始持续为 AI 应用付费。
据 Anthropic 招股书披露，其年付费超过 100 万美元的客户已超过 1900 家，超过 1000 万美元的客户约有 250 家，这些客户正把 Claude 嵌入企业内部的关键流程。
但付费只是开始，企业 AI 落地，真正的挑战之一不是寻找更强的模型，而是打通连接 ——
模型决定 AI 能做什么，连接决定 AI 能不能真正做成。
滴普科技企业智能体平台 DeepWorks 正是围绕这一思路构建：
通过打通数据集 → 基础模型 → 垂直模型 → AI 应用的完整链路，让 AI 真正走入业务流程，在企业语境中可执行、可归因、可复用地完成工作。
从数据到模型：让 AI 既懂企业，也懂专业业务
连接的第一步，是让 AI 读懂企业“数据集”。
企业数据散落在文档、图纸、工单、业务对象和长期积累的流程规则中。传统 RAG 能够帮助模型检索资料，却难以充分呈现知识之间的关联。
要让这些分散的数据真正成为模型可用的业务知识，首先需要对其进行组织和治理。滴普科技的做法是，在 DeepWorks 平台内置 Deepology 语义底座，依托 Deepexi 大模型的多模态能力，将企业原始资料加工为 Wiki 知识、知识图谱和本体模型，分别实现知识沉淀、关系呈现和业务对象、规则的结构化表达，让企业知识成为 Agent 能够理解、引用和调用的语义资产。同时支持 RAG 检索、知识版本管理、数据血缘和权限治理，实现知识的持续维护与复用。
有了企业数据集，还需要基础模型提供通用智能。DeepWorks 支持 DeepSeek、Kimi、通义千问、GLM 等第三方基础模型接入，以及模型灵活切换和智能路由，让企业能够根据不同任务选择合适的模型。
但通用模型并不等于专业能力。面对具体场景，还需要进一步引入垂直模型和行业能力。
目前，DeepWorks 已部署 DataSense、DeepSense 和 FDESense 三大智能体，分别面向商业、工业和企业数据治理。滴普科技也在医疗科研、电网和具身智能等方向积极布局。
从企业数据集到基础模型，再到垂直模型，三者各有分工：数据集提供业务上下文，基础模型提供通用智能，垂直模型补充专业能力，共同构成 AI 应用理解和处理业务的基础。
从内部到外部协同：打通 AI 应用的执行链路
垂直模型解决的是 AI 懂不懂专业业务，而企业最终需要的，是能够承担具体工作的 AI 应用。
在 DeepWorks 中，专业能力可以进一步封装为一个个 AI 专家。例如，DataSense 经营计划专家、门店运营专家以及 DeepSense 设备故障诊断专家…… 每个专家都有明确的职责、边界和输出规范，用户不必直接面对模型，而是可以调用面向具体任务的 AI 员工。
要让 AI 顺利完成任务，除了专业能力，还需要企业内部知识和任务资料的支持。DeepWorks 打通了内部资源之间的连接，用户可以在对话中直接 @知识库、智能体（专家）、历史对话和文件，将分散的信息与能力引入当前任务。
内部资源打通之后，AI 还需要进一步连接外部工具和业务系统，才能真正进入业务流程。DeepWorks 通过 API、MCP、插件、CLI 等方式建立外部连接，并支持 Skill 扩展。例如，接入 CAXA MES 后，可在授权范围内执行设备告警查询、故障诊断和工单创建等任务。
连接能力也从软件延伸至硬件。DeepWorks 支持接入机器狗、桌宠等设备，并可连接 DeepSophon 本地算力盒或企业自有算力设备，满足本地运行需求。
与此同时，DeepWorks 提供算力调度、模型路由和模型服务能力，协同 Deepology、垂直模型及外部应用，让数据、模型、工具与硬件能够在统一平台上协同工作。
连接的终点，是让 AI 进入流程
从企业数据集到基础模型、垂直模型，再到 AI 应用，企业 AI 落地需要的是让每一环有效衔接。
滴普科技 DeepWorks 通过开放连接与统一协同，将企业已有的数据、模型、工具和业务资源组织起来，让 AI 从回答问题进一步走向理解业务、执行任务和交付成果。
模型能力的边界决定了 AI 的上限，而连接能力决定了 AI 能否真正走进企业。
