盗火者的新火种：EOA 范式下，中国一汽点燃企业智能体生命力

本文摘自《云栖战略参考》，这本刊物由阿里云与钛媒体联合策划。目的是为了把各个行业先行者的技术探索、业务实践呈现出来，与思考同样问题的“数智先行者”共同探讨、碰撞，希望这些内容能让你有所启发。

在长春，有一个不坐班的“调度员”，每天先读取订单、设备、物料与产能数据，形成生产态势；接着识别设备故障、物料短缺与交付延期风险；一旦发生变化，就围绕交付、成本、产能与安全做多方案推演，给出调度建议；建议被确认后，向相关系统和岗位分发任务并跟踪执行结果；最后把结果与偏差拿去复盘，成为下一轮决策的样本。

这样一个重要的岗位，却不是由人类员工担任，这是中国一汽七个“硅基员工”之一的产销平衡调度员工。中国一汽也给它建立了一套评价体系，关键标准不是看它 “像不像人”，而是看业务表现：业务产出的可量化价值、决策建议的采纳率、新增 Skill 与能力曲线反映的进化速度，以及人工干预率是否持续下降......它的“工作风格”，是由稳定、容错、连续生产这些业务目标塑形出的策略偏好，而非拟人化的表演。

这背后，是中国一汽用了五年时间，迈出了数智化重构企业管理范式从理念到实践的坚实一步。跨越的起点不是追逐某一轮技术热点，而是对两个问题的持续追问：业务中哪些问题真正值得用 AI 解决？核心能力能不能掌握在自己手里？

基于此，中国一汽提出了企业运营智能(EOA)理念，打造出了企业级智能体 OpenMind，并进行了 2.0 升级，基于千问大模型自研的汽车行业大模型正式入驻阿里云百炼平台，面向全行业开放。

真正的智能化不是“买几套 AI 系统” 这么简单

中国一汽很早就认识到，数智化转型不是采购几套软件、建设几个系统就能完成的。对于大型制造企业而言，只有把技术能力、业务知识和组织机制一起沉淀下来，AI 才可能从外部工具变成企业自身的能力。基于这一判断，中国一汽成立了前沿技术实验室，后命名为 2053 实验室，内部自称“盗火者”——名字取自建厂 1953 年与建厂百年 2053 年的愿景，聚焦智能制造与智能企业两个方向。

尽管目标很明确，但早期的探索并不顺利，有的应用准确率不够，有的响应速度不理想，有的与业务场景脱节。不过，随着不断试错，中国一汽逐渐沉淀下一条原则：技术不能停留在实验室，必须进入业务一线，在真实流程、真实数据和真实责任中接受检验。

这条路可以概括为四阶段：先用单点场景验证价值，2021 年，中国一汽从工厂视觉检测切入，用深度学习 识别零部件表面缺陷，验证了 AI 解决实际生产问题的可行性；之后逐步向大模型、智能办公和企业运营场景延伸；再训练汽车行业专有模型与企业级 AI 底座，最后把智能体嵌入生产经营主流程。2025 年 4 月，中国一汽正式发布企业级智能体 OpenMind，标志着此前分散的 AI 应用开始进入体系化建设阶段。

这背后的核心逻辑，是让“业务产生数据、数据训练 AI、AI 反哺业务”形成闭环——这不仅仅是一个应用平台，更是一次企业架构向 AI 架构的升级。

也正是这条先发路径，让中国一汽在与外部交流时常常被问同一个问题：你们为什么能持续转下来？

真正做过转型的企业都清楚，难点不在单个项目，而在于形成长期一致的目标、方法和组织能力。很多企业的顾虑集中在几个方面——从哪里切入、多久能看到成效、数据治理是否值得投入、业务与 IT 如何协同、人才从哪里来、一把手能否长期坚持。这些问题中国一汽早期同样面对过，“不同之处在于，我们较早把数智化转型看成企业经营方式的变革，而不是由 IT 部门独立完成的技术工程。”中国第一汽车集团有限公司体系数字化部总经理助理、企业运营总监孟祥月说。

范式重构：从 ERP 到 EOA，企业多了一层“神经”

从 ERP(Enterprise Resource Planning，企业资源计划 )、EBC(Enterprise Business Capability，企业业务能力) 到 EOA(Enterprise Operation AI Agent，企业运营智能)的范式迭代就是中国一汽数智化进程的缩影。

在中国一汽高管的公开分享中，这三步演进是企业数智化认知的三次递进：ERP 是让流程稳定地跑起来，通过标准化和集成提高运营效率；EBC 是把能力组织起来，让企业以可复用的业务能力应对变化；EOA 则关注更深一层——企业能否基于数据形成持续认知，能否让多个智能体围绕经营目标协同，并在运行反馈中不断进化。

这其中，EOA 不否定 ERP，也不是把既有系统推倒重来，而是重新激活企业已经沉淀的流程、数据和能力资产。流程提供秩序，数据提供事实，模型提供认知，智能体负责感知、判断、编排和执行。它推动企业从主要依靠人来驱动流程，逐步转向人在目标、规则和责任上主导，智能体在高频运行中协同的新形态。

这一范式落到架构上，使中国一汽实现了从 5A 到 6A 的升级。“5A 让企业稳定运行，6A 在此基础上增加了面向变化的认知和协同能力。”孟祥月说。

传统 5A 架构是业务与 IT 之间的桥梁，可以看作企业的骨架，把业务、应用、数据、技术和组织的基本关系固定下来，保证复杂业务在数字世界稳定运行。但面对快速变化和跨部门任务，静态架构往往需要大量人工协调。

新增的智能体架构更像“神经系统”——它不取代原有架构，而是在目标驱动下连接不同业务对象、数据和系统，完成感知、判断、编排和执行。它与业务架构、信息架构之间是双向互动的：业务架构提供业务单元、规则和责任边界，智能体据此形成可调用的 Skill；信息架构提供企业级数据本体，让智能体理解对象、属性、关系和状态；智能体运行中产生的新数据、反馈和能力沉淀，又反过来推动业务流程与信息架构持续优化。

OpenMind 就是 EOA 范式的核心载体，同时也是智能内核与执行引擎。

在打造这个企业级智能体的过程中，中国一汽定义业务对象、规则和本体，千问大模型提供模型底座，阿里云百炼平台承载调用——双方各管一端，让范式从架构图走向可运行的系统。

截至目前，中国一汽已标准化定义约 3.8 万个业务单元，覆盖七个产品链的核心业务。当然，业务单元并不等于 Skill，也不是所有业务单元都适合直接交给智能体执行。中国一汽的策略是选择数据条件更统一、可执行性和复用价值更高的场景优先 Skill 化。

以一体化 BOM(物料清单)为例，258 个业务单元由 20 多个 Skill 基本覆盖全场景。Skill 化之后最显著的变化，是把知识从写给人看的作业说明，变成了机器可以稳定调用的能力——传统业务单元更像菜谱，不同的人理解和执行会有偏差；Skill 则把输入、规则、工具、输出和校验条件封装起来，使执行标准化。

中国一汽用四年时间将研发、工艺、生产、售后四类 BOM 形态统一，建起全球首个全链条一体化的 BOM 架构。

在这个基础上，中国一汽提供 BOM 全生命周期的业务对象和关系，将其沉淀为数据本体；阿里云千问大模型则参与业务语义理解和能力构建，双方把跨域协同规则转化为可计算模型，再把作业模板逐步封装成智能体可理解、调用和反馈的 Skill。这里的关键不是给传统系统增加一个问答入口，而是让主数据、业务规则和智能体能力真正连接起来。

BOM 智能体打通了从 CAD 到 BOM 的数据链路，每份更改单处理时间缩短 60%以上，工艺路线自动赋值支撑 90%以上的 BOM 自动编制；投资决策智能体通过项目审查与优化，2026 年上半年节约超过 1000 万元；产销平衡智能体将月度平衡周期压缩约两周，计划调整频次下降 72%；金葵花客户运营场景的线索触达率由 25%提升至 30%；财务智能体在贸易风险分析中识别风险数据 405 条，金融市场分析场景日均节约 1 小时。

目前，OpenMind 已经进入战略管控、技术开发、产品诞生、订单交付、客户运营和平台运营等多个场景。

看得见的落地背后

尽管 BOM 成绩斐然，但中国一汽始终强调最重要的意义不是做了多少 AI 应用，而是智能体开始读取真实数据、进入正式流程、接受业务结果检验，并把经验沉淀为下一次可复用的能力。

而要让智能体真正进入业务流程，不仅要有技术支持，还需要一套与之匹配的组织机制。

中国一汽的做法是两条线并行：一条是与阿里云的技术咬合，让模型和智能体在真实场景中持续进化；另一条是自身的组织变革，重新定义人机分工、建立信任机制、让硅基员工真正融入生产关系。

一个意外的发现是：当 BOM 的本体构建出来后，智能体展现出超越人类认知的广度和深度——它甚至能发现过去人解决不了的问题，给出远超预期的方案。

通过实时感知 BOM 数据成熟度变化，智能体规划并调度全流程作业任务，实现高频作业场景的自动执行，持续沉淀企业业务知识、迭代高精业务规则，正在让这套系统变成一个可生长的循环。

智能“涌现”与中国一汽和阿里云“咬合式迭代”的合作方式不无关系：通用模型能回答一般性问题，但面对 BOM 结构、工艺路线等高精度任务，容易出现理解偏差或看似合理的错误。

为此，中国一汽提供真实场景、行业语料、业务专家和评测反馈，阿里云提供模型训练与调优、算力和推理架构优化、平台工具以及工程化保障，双方围绕“场景提出-数据治理-模型训练-评测验证-应用反馈-再次优化”持续循环，每一轮都必须回到业务结果中验证是否更准确、更稳定，是否减少人工干预，是否沉淀可复用能力......

行业大模型的价值不只是有更多知识，而且对企业业务理解得更准确、更稳定 - 它能正确理解“白车身”等专业概念，识别一次 BOM 变更涉及的对象、环节和角色，面对同一专业问题回答的一致性更好，在智能体场景中也更清楚何时调用什么工具、按什么顺序执行以及结果如何校验。这些差异直接决定模型能不能进入生产经营主流程。

智能体要跑起来，离不开算力，对中国一汽而言，研发设计、生产制造等核心数据不能脱离安全边界，如何在数据不出域的前提下获得足够的训练和推理资源，是一道必须解的题。

中国一汽与阿里云采用“云上训练、本地部署、统一评测”的组合方式：利用云上弹性算力提高训练迭代效率，模型成熟后部署到本地环境，再由双方统一评测验证效果。

技术侧的咬合提供了能力基础，但智能体最终要落到具体的岗位上，才能产生真实的业务价值。

七个硅基员工，则让这场变革更为具象：它们分别部署在七个产品链，在真实业务交互中沉淀记忆、能力与偏好，逐步形成有岗位身份、有能力边界、有进化轨迹的新型员工。

但这条路并非没有“翻车”。中国一汽曾把一个智能体封装了多个技能，让它感知、规划并向工程师派发任务，但由于对业务对象、规则和约束理解不够，产生了大量低质量任务，一线人员反而被 AI 派单淹没。

复盘后，中国一汽认识到，给 AI 增加工具并不难，难的是让它真正理解业务；于是团队回到企业级数据本体、业务规则和权限边界，重新补足认知基础。“不懂业务的智能体，能力越多，潜在风险可能越大。”孟祥月回顾说。

这也直接影响了中国一汽的人机分工原则，不依赖于人们希望 AI 做什么，而是 AI 在什么条件下能够可靠地接住需求。

这一原则核心有两个维度：数据是否足够可信，业务风险是否可以承受。

在此基础上分三类：高风险场景(如合同审批、财务付款)，AI 负责材料核验、风险提示和决策建议，最终决策由人确认；高精度场景(如产品开发、工程验证)，初期由专家带着 AI 工作，用明确样本和评测标准训练其能力，达标后再逐步扩大自动化范围；中低风险场景 (如文案生成、知识问答、一般客服咨询)，智能体承担更多全链路作业，由人抽样复核和异常处理。基本原则是：数据越可靠、风险越低、评测越充分、追溯越完整，AI 可获得的自主权越大；授权不是一次性决定，而是随表现动态调整。

为支撑这种动态授权，中国一汽给AI建立了工作日志，让它说明引用依据、调用哪些工具并保留完整记录；并采用分布式升级确定性的方式建立信任 - 初期 AI 给建议、人工逐项复核，中期低风险场景 AI 预审、人工抽查，只有评测充分、长期稳定才逐步扩大自动执行范围。

“信任不是一次性宣布出来的，而是在持续验证中建立起来的。”孟祥月说。在合规与责任上，审批类管理对象从单一单据升级为规则、数据、模型与授权边界的综合管理，高风险事项人工终审；AI 不承担管理责任，权责精准落地到人 - 规则部门负责合规完整、运营团队负责模型运维、数据主体把控数据质量、业务人员承担授权内最终决策，以全链路留痕平衡效率与风险。

对 Token 与算力，中国一汽也将其作为与开发人力、数据资源同等重要的生产要素来管理，事前评估、事中监控、事后评价，让每一次消耗都对应业务目标与能力沉淀，而非鼓励多消耗。

持续进化，让智能体系化运行

当智能体跑进越来越多核心场景，一个新的问题开始浮现：每加一个场景就加一个 Agent，同类任务重复发生却要重新规划，经验没有沉淀下来。场景越多，这种“加法”的代价越明显。这正是 OpenMind 从 1.0 走向 2.0 要回答的问题。

中国一汽认为，最关键的架构突破，是从能执行转向能沉淀、能复用、能治理。

因此，OpenMind 2.0 建立了持久化记忆体系，把经过验证的上下文、反馈和经验跨任务保留；把能力从固定角色中拆出来，形成原子化、可组合、可独立评测的 Skill，并通过六层漏斗机制让业务单元经过分类、补全、适配度判断和编译后再进入 Skill 流程；再建立开发、验证、生产三环境隔离——开发环境允许生成和试错，验证环境负责去重、评测和审核，生产环境只能调用经过批准的 Skill，不能随意创建和修改。

以金葵花客户运营为例，OpenMind 在 1.0 阶段要分别配置客户问答、数据分析等多个 Agent，并且每次重新编排；2.0 阶段则把高净值客户首触话术、竞品对比应答等沉淀为可审核、可复用的 Skill，经验证后被更多销售顾问共享，相关场景的线索触达率由 25%提升到 30%。更重要的是，优秀实践开始从个人经验转化为组织资产。

目前中国一汽正处在从单点验证向体系化运行过渡的关键阶段：自感知上，越来越多业务对象、状态和关系可被系统识别；自决策上，OpenMind 2.0 已在规则和权限约束下支持任务编排与决策；自执行上，智能体进入多个核心场景、部分场景人工干预持续下降......

不过，自进化仍处早期，Skill 自动沉淀、效果归因与跨场景迁移还需打磨。技术上的两大挑战，一是复杂任务中的信用分配——一次成功或失败究竟应归因于数据、模型、规划、工具还是执行环节，归因不清系统就不知该优化哪里；二是异构系统与历史数据的贯通，几十年的信息化积累形成大量不同标准、接口和质量的数据，智能体要实现全域感知，必须先解决业务语义统一和数据可信，也就是给企业数据构建本体的过程。

与此同时，组织上的挑战更长期：传统组织强调层级、 流程和岗位边界，EOA 更强调围绕目标跨域协同，这会影响人的角色、授权方式、考核机制和责任边界。

这些挑战，本质上定义了 OpenMind 下一阶段的进化方向：当智能体能够自主归因、跨系统协同，企业智能运营才能走出单点跑通，实现体系运转。

往更远处看，中国一汽对未来三到五年的期待有两个方向：一是智能体从单点助手走向自主协同生态—— 不同产品链的智能体围绕同一经营目标交换状态、分解任务和协同决策，形成企业级智能网络；二是具身智能——让数字世界的判断通过工业设备和机器人转化为实际动作。

而这条路上，中国一汽与阿里云并肩前行。双方构建的 “数据 - 训练 - 评测”持续迭代体系，使中国一汽行业大模型能够快速吸收最新基座能力、保持更新节奏。

2026 年 7 月，中国一汽行业大模型以标准化服务形式入驻阿里云百炼平台，面向全行业开放。开放的原则不是简单复制中国一汽内部能力，而是在数据安全、知识产权、权限管理和商业合规的前提下，把可标准化、可复用的行业能力提供给产业链伙伴——企业无需自建推理集群即可低门槛调用中国一汽沉淀的汽车行业 AI 能力，目前已触达 10 余家生态伙伴、20 余家潜在客户。

中国一汽把这定义为从“使用 AI”到“输出 AI”的跨越——把制造业龙头盘活自身产业数据、沉淀技术资产、对外输出标准化 AI 能力的路径跑通。

回头再看整个中国一汽转型历程会发现，打好基本功是每个企业行稳致远的前提。正是一次次验证场景、一次次解决问题，才形成了今天对业务单元、数据本体、6A 架构和 OpenMind 的认知。“大型企业的转型没有一步到位，每一步试错、治理和沉淀，最终都会成为下一阶段的基础。”孟祥月说。

本文摘自《云栖战略参考》总第22期

扫码查看最新杂志