Jay 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

港股超額認(rèn)購5065倍的AI公司，交出了上市后的首份答卷。

一路猛漲：全年?duì)I收6.21億元，同比增長23.4%。凈利潤2414.7萬元，同比增長42.6%

更令人印象深刻的是，在營收擴(kuò)張的同時，其盈利能力不降反升，整體毛利率提升了7個百分點(diǎn)，達(dá)到43.3%

而這一切的背后，都離不開一個核心引擎的驅(qū)動——Atlas智能體業(yè)務(wù)

這項(xiàng)業(yè)務(wù)正展現(xiàn)出強(qiáng)大的生命力：收入實(shí)現(xiàn)跨越式增長，達(dá)到1.457億元，同比激增68.4%

毛利率更是高達(dá)53.2%，成為拉動公司整體盈利水平提升的關(guān)鍵。

海致科技（2706.HK），一家并不追逐底層大模型「軍備競賽」的公司，卻憑借為「企業(yè)級AI」打造「操作系統(tǒng)」，在激烈的市場競爭中，殺出了一條屬于自己的路。

Agent這個詞，在C端已經(jīng)被OpenClaw徹底引爆，一度催生出生態(tài)中的無數(shù)中間層，甚至連大廠們也爭相推出龍蝦部署方案。

而現(xiàn)在，B端企業(yè)級Agent基礎(chǔ)設(shè)施所蘊(yùn)含的巨大價值，也隨著海致科技這份扎實(shí)的財報，清晰地浮出水面。

企業(yè)級AI落地，差點(diǎn)「關(guān)系」

過去兩年，Coding Agent的迭代速度令人咋舌。Claude Code、Codex、Cowork……

模型干活的能力越來越強(qiáng)了，這一點(diǎn)毋庸置疑。

但一個尷尬的事實(shí)是：大量企業(yè)的AI項(xiàng)目，仍然停留在Demo階段。

搭個聊天機(jī)器人、做個文檔摘要、跑個知識問答，這些事員工自己Vibe Coding一下就能上線。

可一旦要把AI嵌入核心業(yè)務(wù)流程，賦予它真正的「執(zhí)行權(quán)」，問題就來了——

根本不敢讓它干活啊?。ㄐ【幰呀?jīng)深受其害。

前段時間，我給自己的龍蝦接入了公司內(nèi)部系統(tǒng)。

本意是丟給它一篇同事的在線文檔，讓它幫我想幾個標(biāo)題。

誰想到，它二話不說，直接上手要改人家的原文檔。

幸好那篇文檔沒開放編輯權(quán)限，它嘗試半天無果，最后灰溜溜地回來了。

但至今想起這一場景，我仍是一身冷汗。

要是哪天它在閑逛時，不知從哪讀到一串「刪除所有文檔」的提示詞……

后果難以設(shè)想。

畢竟，現(xiàn)在的AI在技術(shù)架構(gòu)上壓根就沒有真正的約束。你費(fèi)盡口舌囑咐龍蝦要注意安全，對AI而言不過是又一段上下文，在長鏈路任務(wù)里，它轉(zhuǎn)頭就忘了。

只要底層還是概率模型，隨機(jī)性就永遠(yuǎn)存在。

可這在B端語境中是不可容忍的。

模型廠商在不斷刷新技術(shù)的上限，但B端落地的門檻，是守住下限——

結(jié)論來自哪些知識和規(guī)則？任務(wù)執(zhí)行走了哪些步驟？調(diào)用了哪些Skill？出錯了該回溯到哪一步？

按傳統(tǒng)的解決方案，這幾乎是個不可能完成的任務(wù)。

從第一性原理思考，隨著企業(yè)數(shù)智化進(jìn)程加速，智能體在工作時會像滾雪球一樣，不斷積累Skill、任務(wù)、記憶……

這些一旦滾起來，可就很嚇人了。哪怕是C端，對于那些資產(chǎn)沉淀深厚的龍蝦發(fā)燒友，一句你好，可能幾萬Token就燒沒了。更別提企業(yè)級的數(shù)據(jù)資產(chǎn)規(guī)模。

成本還是次要。關(guān)鍵在于，光靠暴力擴(kuò)充上下文并不能有效提升模型表現(xiàn)。

已有研究表明，模型的注意力是有限的。哪怕能吞下1M的上下文，記得最清楚的也只有開頭和結(jié)尾，中間的內(nèi)容基本是一團(tuán)亂麻。

更何況，知識、規(guī)則、Skill、任務(wù)和狀態(tài)通常散落在不同系統(tǒng)里。規(guī)模一旦上來，想讓Agent干活時把這些約束全記住，無異于大海撈針。

歸根結(jié)底，Agent的執(zhí)行過程，從來就不是一條流水線。

任務(wù)之間有依賴，Skill之間有前置條件，記憶之間存在因果……想要高效檢索，重要的不只是數(shù)據(jù)，還得記住數(shù)據(jù)之間的關(guān)系。

這正是圖數(shù)據(jù)庫的邏輯。

它是一種節(jié)點(diǎn)間相互連接的數(shù)據(jù)結(jié)構(gòu)。各維度的數(shù)據(jù)不再是孤島，而是通過各種關(guān)系連在一起的「蛛網(wǎng)」。

以反走私為例。海關(guān)手里有案件記錄、物流信息、資金流水等多源異構(gòu)數(shù)據(jù)，想揪出隱蔽的走私團(tuán)伙，往往得把多類數(shù)據(jù)結(jié)合起來，才能連點(diǎn)成線。

而這一切，放在關(guān)系網(wǎng)里瞬間就清晰了。人、公司、銀行賬戶、物流集裝箱、走私案件，全變成了圖上的節(jié)點(diǎn)，它們之間的關(guān)聯(lián)，就是連接節(jié)點(diǎn)的邊。

研判人員想查隱藏團(tuán)伙，只需沿著這些邊快速走幾步，就能看清：張某控制著哪家公司，這家公司又和哪個物流團(tuán)伙有來往，資金又是通過哪些賬戶層層轉(zhuǎn)給境外的。

對于深度與業(yè)務(wù)融合的場景而言，這種檢索邏輯能用「關(guān)系」這層信息替代掉龐大上下文，非常適合用來管理企業(yè)級數(shù)據(jù)資產(chǎn)。

RAG的出現(xiàn)，反向說明了LLM本身是一個充滿不確定性的「混沌世界」，而RAG能提供更確定的事實(shí)依據(jù)。但當(dāng)知識量持續(xù)膨脹時，如果沒有高效的知識索引，RAG帶來的這些紅利會直線下降。

LLM無法解決所有問題，圖亦然。

更好的解決方案，或許是取平衡點(diǎn)——讓兩者協(xié)同合作，各自發(fā)揮所長。

這就是海致所說的圖模融合

通過圖技術(shù)構(gòu)建結(jié)構(gòu)化的知識索引，再利用Skill與LLM進(jìn)行對接，從而讓知識在圖與模型之間高效流轉(zhuǎn)，被精準(zhǔn)解析與執(zhí)行。

這樣，既解決了知識高效索引的問題，又保留了向量信息，從而能夠充分發(fā)揮LLM的推理與生成能力。

結(jié)果就是，AI得以蛻變?yōu)榧婢哳I(lǐng)域?qū)＜抑腔叟c高效執(zhí)行能力的「超級員工」。

這，正是海致科技過去十余年持續(xù)深耕的壁壘。

做企業(yè)級AI的地基

海致科技的核心產(chǎn)品叫AtlasGraph，一個自研的圖數(shù)據(jù)庫。

但如果你只把它理解為一個數(shù)據(jù)庫，那就低估了這家公司的野心。

在海致的技術(shù)架構(gòu)里，AtlasGraph的角色，更像是一個面向Agent的「操作系統(tǒng)」。

這個操作系統(tǒng)由五個核心模塊構(gòu)成。

首先是Ontology圖管理，這是整套AtlasGraph的語義基礎(chǔ)，其核心價值在于「對齊」。

簡單來說，這就像是為Agent進(jìn)行的一次全面的「入職培訓(xùn)」，提供一份詳盡的業(yè)務(wù)白皮書。

它負(fù)責(zé)定義企業(yè)的業(yè)務(wù)世界，將設(shè)備、流程、概念和關(guān)系統(tǒng)一編碼成機(jī)器可理解的語義框架，確保AI與人類在同一套坐標(biāo)系下進(jìn)行高效對話。

完成對齊后，接下來就該為Agent配備「辦公用品」了，也就是Skill

Skill的出現(xiàn)，堪稱2026年以來Agent產(chǎn)品化的最大功臣之一。它硬生生將AI做成了生態(tài)游戲，甚至一度干崩納斯達(dá)克一眾軟件股。

然而，Skill太多，又會有新的問題出現(xiàn)。

如何管理這些Skill？

Agent時代至今涌現(xiàn)了諸多范式革新，比如用CLI替代MCP，用Skill替代Prompt……

但這些本質(zhì)上只是「工具層面的升級」。即便用CLI+Skill替代了MCP+Prompt，節(jié)省了一定的上下文空間，本質(zhì)上仍是杯水車薪，并未真正解決「如何管理」的難題。

你想想，給一個員工塞幾百本操作手冊，他反而會陷入選擇困難。

AI亦是如此。當(dāng)Skill積累到一定量級后，它們也不再是孤立存在的個體，Skill之間的依賴關(guān)系會衍生出新的復(fù)雜度

以企業(yè)常見的「銷售報價」場景為例：

假設(shè)你讓Agent幫你生成一份客戶報價單，它需要調(diào)用這些Skill：

查客戶歷史訂單、查當(dāng)前庫存、查產(chǎn)品定價規(guī)則、生成報價文檔。

表面上看，這是四個獨(dú)立的技能。但實(shí)際上：

「查定價規(guī)則」依賴「查客戶歷史訂單」，因?yàn)槔峡蛻粝碛姓劭郏驴蛻魶]有。

「查庫存」也會影響「查定價規(guī)則」，因?yàn)椴糠諷KU可能不參與促銷活動。

而「生成報價文檔」必須等待前三個步驟全部完成，并且如果庫存不足，文檔中需要自動標(biāo)注備貨周期。

如果只是將它們羅列成一個清單，這些關(guān)系就會丟失。此時，一旦定價規(guī)則更新，根本無法知曉哪些下游Skill會受到影響。

本質(zhì)上，還是個高效管理企業(yè)資產(chǎn)的問題。這正是AtlasGraph在Skill層所做的事情：提供一套標(biāo)準(zhǔn)化、可管理的執(zhí)行接口，將最優(yōu)流程以圖的形式固定下來，而不用每次都重新規(guī)劃。

正所謂，大道至簡。

配備好Skill，結(jié)合已有上下文，Agent便可以正式開始工作了。

為了解決前文提到的企業(yè)內(nèi)部超長上下文問題，AtlasGraph同樣給出了精妙的解決方案——答案是三張圖。

1、任務(wù)圖。

你讓Agent做一份報價單，它先把這個目標(biāo)拆成不同的子任務(wù)。這些子任務(wù)之間存在依賴關(guān)系，有的可以并行處理，有的則必須等待前置任務(wù)完成。

2、記憶圖。

鎖定客戶后，Agent順藤摸瓜，發(fā)現(xiàn)該客戶上個月曾詢價，當(dāng)時因庫存緊張，最終給予了特殊報價。有了這個信息，就能不用再詢問客戶一次了。

3、狀態(tài)圖。

報價生成到一半，客戶那邊說先等等，任務(wù)暫停。

但等三天后重新啟動時，也不用再從頭生成，狀態(tài)圖能直接告訴系統(tǒng)：客戶信息已查完，庫存查了一半，定價規(guī)則還沒跑，從這里繼續(xù)就行。

這就是「快照」留存的重要性。

三張圖協(xié)同工作，解決的是同一個問題：Agent無需將所有上下文都塞進(jìn)一個超長的對話窗口里。任務(wù)結(jié)構(gòu)、歷史經(jīng)驗(yàn)、當(dāng)前進(jìn)度，各歸其位，隨時可查、隨時可恢復(fù)。

最后，當(dāng)然還有至關(guān)重要的安全邊界問題。AtlasGraph內(nèi)置了一套規(guī)則引擎，將企業(yè)的制度、審批鏈、權(quán)限控制、風(fēng)險要求、白名單和黑名單等數(shù)據(jù)全部寫入其中。

將這些連點(diǎn)成線，Agent便能清晰地看到各個業(yè)務(wù)場景的執(zhí)行邊界，確保每一次操作都在合規(guī)的軌道上運(yùn)行。

至此，海致科技的技術(shù)基座徹底形成，基于此，他們構(gòu)建了一整套端到端的產(chǎn)品矩陣——

AtlasGraph圖數(shù)據(jù)庫作為底座，Atlas知識圖譜平臺負(fù)責(zé)知識建模，DMC數(shù)據(jù)智能平臺負(fù)責(zé)多源數(shù)據(jù)治理，智能體平臺則將這一切串聯(lián)成可落地的Agent應(yīng)用。

從數(shù)據(jù)治理到知識建模，從智能決策到自動執(zhí)行，形成了一個端到端閉環(huán)

當(dāng)然，概念終究是概念，最終還是要用市場成績說話。

最新財報數(shù)據(jù)顯示，2025年，Atlas圖譜解決方案貢獻(xiàn)了4.753億元收入，服務(wù)172家客戶，平均客單價達(dá)到280萬元

與此同時，一條強(qiáng)勁的第二增長曲線同樣引人注目：

Atlas智能體業(yè)務(wù)貢獻(xiàn)1.457億元收入，同比增長68.4%，客戶數(shù)從19家躍升至40家。

而這個抽象層之所以能取得如此矚目的成績，同樣離不開海致在圖數(shù)據(jù)庫這個基座上的深深扎根——

2025年貢獻(xiàn)收入的Atlas智能體客戶中，有50%先前已經(jīng)部署了Atlas圖譜解決方案。

客戶并非單純被Agent的故事吸引，而是在已經(jīng)驗(yàn)證了圖譜價值的基礎(chǔ)上，主動追加了對其延伸產(chǎn)品的投入。

如今，海致科技已成功拿下六家大型國有商業(yè)銀行中的四家，連續(xù)三年獲得大型國有電信運(yùn)營商的復(fù)購合同，在金融、能源、政務(wù)等核心場景中持續(xù)深化滲透。

而就是在這么一路狂奔的情況下，其賬面上仍有超10億元的現(xiàn)金儲備，這也為后續(xù)的長跑儲備了充足的糧草。

深水區(qū)才是真正的賽場

2026年，Agent基礎(chǔ)設(shè)施類產(chǎn)品，已經(jīng)開始席卷B端。

對于C端用戶，模型或許是一個無所不知的聊天伙伴；但在金融、政務(wù)等企業(yè)級AI的「深水區(qū)」，模型必須是一個嚴(yán)守紀(jì)律、精準(zhǔn)執(zhí)行的「數(shù)字員工」。

在這個維度上，模型參數(shù)更大、跑分更高，并不等同于更好用。真正的決勝點(diǎn)在于，誰能更好地馴服模型，將其以一種穩(wěn)定、可靠的方式，無縫嵌入到盤根錯節(jié)的企業(yè)業(yè)務(wù)中。

而這個趨勢只會進(jìn)一步加速。

隨著大模型能力的持續(xù)迭代，Agent的自主性會越來越強(qiáng)，能夠獨(dú)立完成的決策與執(zhí)行也愈發(fā)復(fù)雜。

但這也帶來了一個棘手的悖論：Agent越聰明，越難管理。

與此同時，失控的破壞力也會指數(shù)級上升。掌管銀行業(yè)務(wù)權(quán)限的Agent如果執(zhí)行了一次錯誤的資金劃轉(zhuǎn)，后果是災(zāi)難性的。

企業(yè)不再僅僅需要一個「更聰明的大腦」，更需要一套能約束、引導(dǎo)這名「超級員工」的部門架構(gòu)與規(guī)章制度。

而海致做的正是這件事——

為整個企業(yè)AI時代修路架橋，為這場正在真實(shí)發(fā)生的波瀾壯闊的「數(shù)智化」革新，打下堅實(shí)的地基。

當(dāng)行業(yè)里的大多數(shù)玩家還在追逐一個個轉(zhuǎn)瞬即逝的概念時，做基礎(chǔ)設(shè)施，無疑是件更艱苦的活。

但如今，憑借亮眼的財報表現(xiàn)，海致科技成功印證了其選擇的必要性：

在AI技術(shù)狂飆突進(jìn)、上層應(yīng)用護(hù)城河不斷被模型廠商蠶食的當(dāng)下，中間層的落地基礎(chǔ)設(shè)施，反而會越發(fā)堅固。

而憑借這層中間層構(gòu)筑的技術(shù)壁壘與生態(tài)占位，海致科技在向ToB產(chǎn)業(yè)級應(yīng)用延伸時，已然占據(jù)了更有利的戰(zhàn)略高地。

圖模融合是這片數(shù)字新大陸的肥沃土壤。在這片沃土之上，大獲成功的Atlas智能體不僅是首個破土而出的碩果，更是對這套底層邏輯最有力的驗(yàn)證。

未來，這里必將生長出更多基于大語言模型延伸的殺手級應(yīng)用，共同構(gòu)成一個繁榮的產(chǎn)業(yè)AI生態(tài)。

畢竟，當(dāng)A2A（智能體對智能體）協(xié)作的時代真正來臨，如何高效地編排、管理與治理海量的智能體，將成為一個直觀且棘手的挑戰(zhàn)。

而Agent OS，多智能體架構(gòu)甚至AI自治架構(gòu)……這些都是海致正在落地進(jìn)行中的方案。

從構(gòu)建地基到定義上層建筑，這種在應(yīng)用層所展現(xiàn)出的無限想象空間，或許才是ToB AI最貴重的門票。