EEP · Enterprise Experience Platform

01 ·场景

工具换了三轮,实际产出却越看越像同一家公司写出来的。

企业(制造、商贸)与公共组织(政府/国企/城市运行)当下 AI 落地的真实困境。

§1.1普遍现象

现象	实际场景
员工用 AI 写出的方案千篇一律	体现不了这家组织自己的经验和做法
事实错误、关键数据遗漏	管理层把时间花在审核修改上
多年积累的知识散落在各系统	AI 想调也调不出来
老员工离职、老师傅退休	组织经验跟着人一起消失
上了大模型却发现它不懂组织	「这工具跟百度有什么区别?」
数据治理做了几期,AI 还是用不上	治理和 AI 落地是两张皮

§1.2两类组织的真实画面

企业 · 制造 / 商贸

经验在人脑子里

一家中型制造企业:老师傅看一眼设备振动曲线,就能判断下周要不要换轴承;新人拿到同一条曲线,只能等真出故障再停机。十年老师傅退休那天,二十年积累的判断逻辑跟着人一起消失。

公共组织 · 政府 / 国企

经验在人际沟通里

一个地级市的城市运行中心:暴雨预警发布后,应急、城管、交通、水务四个部门需要临时建群同步,谁先发指令、谁负责处置,全靠人脑里那点经验。事件结束,群解散,经验没留下。

两类组织的共同卡点是同一件事:经验没有被沉淀成 AI 可调用的资产。

02 ·落地

真正能落地的形态——三层结构,层层递进。

通用方案失败的根本原因,是把「接入」「沉淀」「服务」三件事混在一起做。

01

接入层

数据进得来

零改造接入 ERP / MES / 微信 / PDF / PLC / 各委办局系统,不要求员工改变工作方式

02

沉淀层

数据留得下

业务发生时即沉淀经验,而不是事后让员工写文档

03

服务层

数据用得出

所有 AI 应用共享同一套组织经验(客服/销售/采购/生产/政务服务/应急指挥)

任何一层缺位,AI 落地都会卡住——接入了不沉淀 = 进来就走;沉淀了不服务 = 沉淀了没人用;服务了不接入 = 用起来全是错的。

§2.1通用 AI 工具 vs 组织级 AI 应用

维度	通用 AI 工具	组织级 AI 应用
数据来源	互联网公开语料	这家组织自己的经营数据
知识来源	通用大模型参数	组织真实流程 + 客户偏好 + 设备历史
输出形态	通用方案模板	体现这家组织做法的具体方案
维护方式	模型升级就行	业务发生时自动沉淀
长期效应	工具越用越钝	用得越久,AI 越懂这家组织

03 ·数据

真正决定 AI 能不能用的,不是模型。

模型能力这一项,过去两年从千亿到万亿参数已经迭代了好几轮。真正决定 AI 在一家组织里能不能用、好不好用的,是后面两项——组织数据和业务上下文。

AI 实际能力 ≈ 模型能力 × 组织数据可调用度 × 业务上下文完整度

§3.1数据不可绕开的三个原因

原因 1

没有数据就没有上下文

AI 不能凭空知道这家组织的客户偏好、设备历史、决策逻辑。

原因 2

事后整理成本远超事前捕获

让员工写文档、写流程、标注数据,组织成本比工具还高。

原因 3

数据本身在动态变化

设备数据、订单数据、客户互动、政务事件都是每天新增的,整理速度永远赶不上产生速度。

§3.2数据要整理成什么样子

数据结构

三类关系

实体图谱:客户 ↔ 订单 ↔ 产品 ↔ 供应商 ↔ 设备 ↔ 质检 ↔ 投诉 ↔ 维修
时间轴:把全部经营事件按时间串联
类别索引:五类 Memory 按类别召回

数据功能

四类接口

search() 语义检索
customer() supplier() equipment() 实体查询
timeline() 时间轴
query_graph() 图谱推理

04 ·业务产品形态

RTFlow 业务产品 = 平台 + 咨询 + FDE 组合形态

调研市面上已跑通的形态,平台型 / 数据中台型 / 数据咨询型各有侧重,EEP 选择组合而非只取一种。

§4.1三种可参考的业务形态

形态	代表	做什么	适用场景
平台型	Palantir Foundry / AIP、Glean、Microsoft Copilot	数据底座 + Ontology + AI 工具链	大型组织、政府、强安全合规
数据中台型	数澜、袋鼠云、百分点	采集、治理、可视化、应用编排	已有 IT 团队、需要可视化大盘
数据咨询型	国际四大、国内头部咨询、北美精品咨询	现场诊断 + 数据治理 + 落地陪跑	无 IT 团队或 IT 能力弱的中小企业

§4.2四类客户 × 四种交付组合

客户类型	典型规模	主交付形态	服务深度
大型企业(集团/上市公司)	≥ 1000 人	平台私有化部署 + FDE 团队驻场	12-24 个月陪跑
中型制造/商贸企业	100-1000 人	平台 SaaS + 行业模板 + 远程 FDE	6-12 个月陪跑
政府 / 国企 / 公共设施	委办局/区县级	平台政务专版 + 数据咨询 + 本地化交付	12-36 个月陪跑
小微企业 / 创业团队	≤ 100 人	平台轻量版 + 自助接入 + 社区支持	按需

§4.3三段式工作流 · Capture → Build → Serve

C

Capture · 自动采集

零改造接入

业务系统 / 文档办公 / 协作工具 / 设备生产 / 存储 — 5 类数据源全通道接入

B

Build · 自动整理

业务发生时即沉淀

分类、标签、去重、版本管理;构建组织知识图谱 + 时间轴 + 五类 Memory

S

Serve · 统一服务

MCP 协议统一接口

所有 AI 应用通过组织知识总线调用同一套经验,接口标准化

04.5 ·经验对象与知识演化架构

5 类经验对象 + Memory Merge—— EEP 的核心壁垒

传统 RAG 把知识当作文档,EEP 把组织学习沉淀为持续演化的 5 类经验对象,通过 Memory Merge 引擎形成「企业长期记忆」。

01

Action · 行动

下一步行动与负责人

Open → In Progress → Done

02

Knowledge · 知识

讨论中产生的可复用认知

Candidate → Confirmed → Best Practice

03

Issue · 问题

需要后续跟进的开放问题

Open → Investigating → Resolved

04

Decision · 决策

做出的选择及理由

Proposed → Approved → Superseded

05

Hypothesis · 假设

已提出但尚未验证的想法

Proposed → Under Evaluation → Verified

知识演化规则 · 状态迁移

问题 + 已验证假设

→

问题 → Resolved

假设 + 决策

→

知识候选

知识 + 反复使用

→

最佳实践

决策被替换

→

原决策 → Superseded

Memory Merge 引擎 · 核心竞争壁垒

输入

5 类经验对象
Meeting A→E

Issue / Hypo / Decis / Know / BestPr

→

Memory Merge

Engine

持续合并 + 状态机

→

输出

Enterprise Memory

Current View

History View

连续 5 次会议不应生成 5 条独立 Knowledge,而应逐渐融合成 1 条完整的 Enterprise Memory——保留演化历史(History),同时对外提供最新状态(Current View)。

RTFlow 流水线 · 端到端架构

01

AI 会议助手

meeting.summary.created

02

经验抽取服务

LLM Pipeline

03

5 类经验 Topic

action / issue / know / decis / hypo

04

RTFlow 流处理

Kafka / Flink / Spark

05

Iceberg Lakehouse

append-only 表

06

企业记忆表

MCP / REST / GraphQL

传统知识系统 vs EEP

维度	传统知识系统	EEP 企业经验平台
底层	文档集合	持续演化的组织学习图谱
流向	文档 → 索引 → 检索	会议 → 经验 → 企业记忆 → 知识演化 → 最佳实践
沉淀	依赖员工写文档	业务发生时即沉淀
长期效应	文档越多越乱	用得越久,AI 越懂这家组织
Agent 推理依据	孤立文档	组织经验 + 演化历史

05 ·真实场景案例(脱敏版)

6 个脱敏案例,覆盖企业 + 公共组织两类客户

以下案例基于行业公开信息梳理,不指涉任何具体客户,仅描述「这件事具体是怎么做的、解决了什么问题、怎么解决的」。

CASE 01 / 06

制造业 · 设备预测性维护

一家橡塑制品生产厂商,长期被设备突发故障困扰。每次停机损失数十万元,而老师傅只能凭经验判断何时该检修,经验很难传承。

采集	通过 OPC-UA / MQTT 把温度、振动、压力传感器数据接入,实时流入数据底座
转换	原始时序数据被自动加上设备编号、工序、班次、产线状态等业务语义
调用	预测模型基于历史故障模式做提前预警,关联类似设备的历史处置记录
效果	故障预警提前 24-72 小时;非计划停机下降;良品率提升

设备维护从「等故障」变成「等预警」——经验沉淀进图谱,新人也能拿到老师傅级别的判断。

CASE 02 / 06

商贸业 · 客户偏好沉淀

一家中型商贸企业,客户长期偏好(包装要求、付款节奏、特殊禁忌)散落在业务员个人微信和记忆中。新人接手客户总是踩坑,老业务员离职带走关键信息。

采集	企业微信聊天记录、订单备注、邮件往来源源不断接入
转换	AI 抽取客户偏好事件并自动归入 Customer Memory
调用	销售 Agent 在与客户沟通前,自动调出该客户过去三年的特殊要求和历史合作模式
效果	新人不再踩坑;客户体验稳定;组织经验不再随人流失

客户关系从「在人脑子里」变成「在组织图谱里」——员工流动,经验不流失。

CASE 03 / 06

公共设施 · 城市运行实时感知

某地级市的城市运行管理,涉及交通、城管、应急、气象等多个部门的数据,过去各系统独立运作,应急事件发生时靠人工拉群对接。

采集	各委办局业务系统、视频监控、IoT 传感、12345 热线工单统一接入
转换	跨部门数据按事件、地点、责任部门、时间自动对齐到统一图谱
调用	应急 Agent 在暴雨等事件发生时,自动拉出历史类似事件的处置流程、责任部门、关键资源
效果	应急响应从小时级压缩到分钟级;处置经验持续沉淀

应急协同从「建群拉人」变成「调经验」——事件结束,经验留下。

CASE 04 / 06

政务服务 · 政策执行与反馈闭环

某区级政务服务平台,大量政策文件与执行反馈分散在不同业务系统。市民咨询时工作人员需要跨系统查找,执行后的效果也缺乏统一沉淀。

采集	政务系统工单、政策文件、办理记录、反馈评价统一接入
转换	自动构建政策 ↔ 业务事项 ↔ 办理结果 ↔ 群众反馈的关联图谱
调用	政务 Agent 在市民咨询时自动匹配政策依据 + 历史相似办理案例
效果	工作人员回答更准确;政策迭代有真实反馈支撑

政策执行从「各做各的」变成「完整闭环」——执行有依据,反馈有沉淀。

CASE 05 / 06

能源基础设施 · 长距离管线监测

某长输能源管道,沿途地理环境复杂,传统点式传感器覆盖不全,异常事件发现滞后。

采集	分布式光纤传感(DAS)沿管线持续采集振动、温度信号
转换	原始信号被自动加上事件类型、位置坐标、严重等级等语义标签
调用	监测 Agent 实时识别第三方施工、泄漏、车辆碾压等异常模式,自动定位到 ±50m
效果	异常发现从小时级到秒级;误报率显著下降

长输管线从「抽样巡检」变成「连续感知」——异常秒级发现,定位精度到米。

CASE 06 / 06

国企集团 · 多业态经验沉淀

某省级国资集团下属多个产业板块(制造、商贸、服务、园区),集团总部难以看清各板块的经营全貌,板块之间的经验也难以互通。

采集	各板块 ERP/财务/项目/合同/客户数据统一接入
转换	按板块、业务线、项目、客户多维度构建集团级经验图谱
调用	集团决策 Agent 自动调出类似项目的历史经验;板块间经验可横向调用
效果	集团从「看报表」升级到「调经验」;板块间经验互通

集团管控从「看数字」变成「调经验」——板块之间不再各做各的,经验横向流动。

06 ·价值

RTFlow 解决的不是单一问题,而是一整条链路。

§6.1RTFlow 解决的四类问题

问题 1

数据散落在各系统

湖仓一体统一接入,数据不再孤岛

问题 2

数据喂给 AI 太慢

实时流式处理,业务发生时即沉淀

问题 3

AI 看不懂原始数据

语义层编码 + 知识图谱 + 五类 Memory

问题 4

设备/系统不会「说话」

PLC/IM/邮件/文档/政务系统全通道采集,事件自动转化为 Memory

§6.2一整条链路 · 有 EEP vs 没有 EEP

链路环节	没有 EEP 时	有 EEP 后
经验沉淀	依赖员工写文档	业务发生时自动沉淀
经验检索	字段查询 / 关键词搜索	语义检索 + 图谱推理 + 时间轴查询
AI 输出	通用模板、千篇一律	体现这家组织做法
经验流失	老员工离职带走	图谱越完整、时间轴越长,AI 越懂
多 Agent 协作	各 Agent 重复建设、数据割裂	共享同一套 Enterprise Experience

§6.3产品路线图 · Know → Do → Trust

Phase 1

0 – 24 月

企业经验平台(Know)

多源 Connector / Metadata Catalog / Enterprise Graph / 五类 Memory 模型 / 组织时间轴 / 组织知识总线

Phase 2

24 – 36 月

Workflow Intelligence(Do)

流程推理 / Runbook 智能 / 工具调用与异常处理

Phase 3

36 月+

Trust & Governance(Trust)

引用溯源 / 置信度 / 可解释性 / ACL / 审计合规 / Agent 可观测

把组织的经验沉淀成 AI 可调用的资产