一、传统数字化平台模块割裂,AI时期对数据与应用的调用需求
1.1 割裂的代价:每新增一个AI场景,就多一层“翻译”
传统数字化平台的建设逻辑是按模块分工:数据中台管治理,低代码平台管开发,AI平台管模型。三者各有元数据标准、权限体系和交付节奏,集成靠接口,协同靠人工。在AI尚未进入核心业务流程时,这种割裂尚可忍受;一旦智能体需要实时调用数据、触发应用逻辑、回写执行结果,裂缝就暴露为硬约束——智能体拿到的特征与业务系统字段对不上,分析结论无法直接驱动业务动作,每一次跨模块调用都要额外维护一层“翻译”。全栈式数智化平台要解决的首要问题,不是把三个模块做得更强,而是让三者从一开始就不需要被“集成”。
1.2 AI时期的新调用需求:同一入口、同一语义、同一权限
AI进入业务后,对平台提出了三个传统架构难以满足的要求。同一入口:员工不应在数据门户、应用界面和AI对话框之间来回切换,自然语言应当成为查询数据、调用应用、执行任务的统一交互方式。同一语义:智能体理解的“工单完成”与MES、ERP中的定义必须一致,否则判断不可信。同一权限:智能体调用数据和应用时,必须继承员工本人的权限边界,而非拥有越权访问的“超级通道”。这三条要求指向同一个架构结论:数据、应用与AI不能是三套系统通过接口相连,而必须共享同一底座。全栈式数智化平台的价值,正在于以一体化架构原生满足这三重调用需求。
二、全栈平台一体化能力:从“模块拼接”到“同一底座”
2.1 一体化的三个检验标准
判断一个平台是否真正全栈,不应看功能清单的长度,而应看三个可验证的标准。数据能否直接成为应用构件:治理后的数据资产在应用搭建时能否拖拽即用,无需二次映射。应用能否被智能体直接驱动:智能体执行任务时能否调用应用逻辑并回写结果,而非仅输出文字建议。知识能否被三者共同消费:业务规则、指标术语、应用模板是否作为共享资产,同时为数据治理、应用开发和智能体运行提供支撑。三条标准同时满足,才构成“同一底座”;缺一条,就退化为“三套系统加接口”。
2.2 AI原生的含义:生成能力嵌入全链路,而非外挂一个窗口
全栈平台的“AI能力”不应是平台之上的独立模块,而应嵌入软件生产与业务运行的全链路:需求阶段辅助生成结构化文档,设计阶段产出原型与数据模型,开发阶段以自然语言驱动页面与逻辑生成,运行阶段由智能体承接查询、判断与执行。数睿数据smardaten将这一能力建立在自研九龙大模型与智算一体机之上,使AI算力、应用开发、数据治理、业务运行与知识沉淀被组织在同一体系中。一体化的最终检验标准是使用体验:一个业务人员能否在同一界面内完成取数、搭建、分析、调用智能体,而不需要协调三个部门。
三、三平台一中心:全栈式数智化平台的架构骨架
3.1 研发平台:让软件和智能体建得快
研发平台由APP Studio、Agent Studio及AI辅助软件工程能力构成,承担“把需求快速转化为应用与智能体”的职能。APP Studio以无代码/低代码方式支撑AI原生应用开发,将生成能力嵌入需求、原型、配置、测试各环节,业务人员经培训即可参与页面、流程与逻辑的搭建;Agent Studio支持企业基于私有知识库可视化构建业务智能体,无需底层模型研发;共享同一数据模型与权限体系,使“建应用”与“建智能体”不是两条独立产线,而是同一研发体系的两个出口。
3.2 治理平台:让数据可用、系统可管
治理平台将数据治理、组织权限、应用运维与运营管控统一起来。数据侧,平台内置行业专家库,基于行业模板主动建议数据模型与质量规则,使治理从“被动等标准”转向“主动给建议”;系统侧,应用从建设、上线到运营的全过程纳入统一管控,权限体系与数据资产、应用资产、智能体资产同源。治理平台的关键设计在于:治理动作嵌入研发与运行过程,而非独立于二者之外的前置工程——数据标准在建模时定义,质量规则在服务封装时校验,治理成果直接进入研发平台可调用的资产池。
3.3 运行平台:让AI真正被业务使用
运行平台以企业级数字助理“晓数”为统一入口,连接智能体、AI原生应用及第三方业务系统。员工以自然语言即可查询数据、调用应用、执行任务,无需知道背后是哪个系统在响应。这一层的价值不在于“多了一个助手”,而在于它把前两层沉淀的数据资产、应用资产和智能体能力转化为业务角色日常可触及的服务。没有运行平台,研发与治理的成果停留在建设侧;有了统一入口,AI才从“建好了”变成“被用上了”。权限体系在此继承员工身份,确保智能体的每一次调用都在合规边界内。
3.4 知识中心:让企业经验能够积累和复用
知识中心统一管理业务知识、研发知识与数据知识,沉淀业务规则、实体模型、指标术语、应用模板等资产,为后续开发与智能体运行提供支撑。它的作用是让平台“越用越厚”:前一个项目沉淀的模块成为后一个项目的起点,老师傅的判断被固化为智能体可调用的规则,指标口径在全组织内保持一致。三平台一中心由此形成闭环——研发平台生产资产,治理平台保障资产可信,运行平台消费资产,知识中心沉淀并反哺资产。
四、打通数据、知识、应用与AI的价值
4.1 从“三张皮”到“一条链”
模块割裂时代,数据治理的成果到不了智能体手里,智能体的输出落不了地,应用的运行数据回不到治理环节,三者是“三张皮”。三平台一中心的结构使四类资产进入同一条链:治理后的数据成为应用构件,应用运行结果成为智能体输入,智能体执行结果回写为新的数据资产,知识中心则为每一环提供语义与规则支撑。链条闭合后,每一轮使用都在为下一轮积累资产,平台价值随使用深度递增,而非随项目验收终止。
4.2 降低的是每一轮数字化的边际成本
打通四类资产的直接经济含义,不是某一次项目更便宜,而是企业每一轮数字化投入的边际成本持续下降。新应用不必从空白页面起步,复用知识中心的模板与组件;新智能体不必重新对接数据,直接调用治理后的资产;新数据源接入时,既有标准与规则自动适用。数睿数据2025年全年交付近120个项目,覆盖工业制造、能源、电力等十余个行业,平均交付周期缩短5倍,其效率来源正是这种资产复用而非单点提效。
五、制造业落地案例:全栈能力在工厂的验证
5.1 某核电集团:4人团队一年交付10余个系统
某千亿核电集团依托数睿数据全栈式数智化平台开展主动数据治理与资源对接,仅凭4人信息科团队在一年内自主交付10余个业务系统,数据分析决策效率提升80%,软件开发周期从半年缩短至1个月。这一案例的参考价值在于:全栈平台使小规模IT团队同时承担数据治理、应用开发与智能体建设成为可能,工厂的数字化能力从“依赖外部厂商”转向“内部自主构建”。
5.2 某化工企业:多个智能体上岗提高业务效能
某传统制造业基于数睿数据全栈式平台启动建设:先搭统一数据底座,沉淀 40 多条数据资产与处理任务,建成安全隐患、生产管理两块看板;再让物料编码匹配、安全隐患分析、文档审核、进项税核对等AI智能体上岗,接手人工逐条核对与汇总。IT 团队还两周自主开发出 "智联工单" 应用。企业由此从依赖外部开发转向自主响应业务变化,入选当地 12 个 AI 造船示范案例。
5.3 某大型造船企业:IT部门独立承担过半建设
某大型造船企业基于smardaten一体化平台打造数字化能力底座,率先落地设备管理与能源管理系统,覆盖用电、用气、用水综合监管及起重机、压力容器等特种设备全生命周期管理,IT部门独立承担50%以上的数字化建设,调研与开发周期缩短50%,组件复用率提升70%。当工厂IT团队从“运维值守”转向“自主构建”,全栈式数智化平台才真正完成了从工具到生产力基础设施的角色转换——数据、应用与AI在同一底座上被同一支团队持续使用、持续积累,数字化转型由此成为可负担、可掌控的日常实践。