PRODUCT MAP
所有产品，长在同一个底座上
Hummer 承载七类业务应用，经老板 AI、销冠 AI 与 AI 军团进入企业，由 FDE 灯塔项目完成交付。
01FOUNDATION底座
02APPLICATIONS业务应用
03ENTRY进入方式
EXECUTIVE
老板 AI
经营班子的决策入口
REVENUE
销冠 AI
销售团队的增长入口
AGENT OS
AI 军团
跨岗位的数字团队
04DELIVERY交付方式
FDE 灯塔项目
驻场做出第一个给全公司看的场景，按事先签订的指标验收。
WHERE TO START
智能可以采购，能力只能长出来
模型、算力和工具随时买得到，买不到的是一家企业对自己的理解。要判断的不是买哪一条，而是眼下过不去的是哪一关。
01LOCAL DEPLOYMENT边界
本地部署
先解决东西放在哪里。模型、知识与智能体都装在企业自己的机房，控制权不外借。
- 从这里开始，如果
- 合规与知识自主是不可让步的前提，任何方案先要回答数据在谁手上。
02BUSINESS SOLUTIONS证据
业务解决方案
先解决它到底管不管用。挑一件压了很久的事，做成能验收、能重复跑的流程。
- 从这里开始，如果
- 内部还需要一个拿得出来的结果，才谈得上更大的投入。
03ENTERPRISE TRANSFORMATION延续
企业 AI 转型
先解决第一个项目之后怎么办。留下的是方法、本体与评测集，不只是一套系统。
- 从这里开始，如果
- 转型已经是定下来的事，你要的是项目结束后由自己的团队接着往下走。
共用同一套底座与治理规则。从哪一条进来，都不妨碍后面接上其余的线，不必推倒重来。
LOCAL DEPLOYMENT · HUMMER
把企业智能，留在企业内部
Hummer 是汉兴的本地部署智能平台。模型、知识与智能体（Agent）都在企业自己的边界内运行，权限与停机由企业自己定义。
01WHERE
部署在哪里
模型、知识库与智能体运行时都装在企业自己的机房或专有云里。数据不出内网，能力留在企业内部。
02CONNECT
连接什么
连接业务系统、文档与实时事件，形成统一的事实入口；再由企业本体定义什么存在、彼此如何关联、什么规则决定行动。
03GOVERN
怎样治理
按角色、组织与场景约束每一次数据读取；关键读取、决策与执行全量留痕，可回放。高风险判断保留审批、复核与升级机制。
04EVOLVE
怎样持续升级
真实执行反馈回流成规则、评测集与可复用的技能包（Skills）；质量、成本与延迟进入季度复盘，能力最终移交给企业自己的团队。
重点能力
本地模型
按任务难度、成本与合规要求分派模型，全部在企业自己的边界内运行。
私有知识
把孤立记录转成可推理的关系网络，按业务含义命中并返回带出处的片段。
权限
按角色、组织与场景约束每一次读取；智能体只能触达岗位所需的数据与工具。
审计
关键读取、决策与执行全量留痕；事实从源系统到答案的链路完整可追溯。
智能体运行
把业务目标拆成可执行、可回滚、可观测的任务链，跨体交接带上下文与责任人。
智能体运维
推理用量（token）、调用与算力成本折算到场景与团队，每一次推理与失败原因都可观测。
底座解决的是部署形态与治理能力，经营收益取决于在它上面跑的场景。
BUSINESS SOLUTIONS
从一个关键场景，打开企业智能化的入口
不必一次改造整个企业。挑一件现在最卡的事，做成能验收、能重复跑的流程，跑通之后能力留在企业内部。
- 01GROWTH & SALES
增长与销售
营销与销售团队
获客成本上升、渠道分散，销售过程依赖个人经验，线索从发现到跟进没有可追踪的流程。
- 目标结果
- 找客户、筛客户、跟客户成为一条能管起来的流程，优秀销售的判断变成团队照着跑的动作。
- 核心工作流
- 公开数据匹配、线索筛选与去重清洗
- 客户画像与销售话术生成
- 线索池与多席位协同跟进
- 02GEO · AI VISIBILITY
GEO 引擎优化
品牌、市场与增长团队
客户不再只搜关键词，开始直接向 AI 提问；答案里没有你的品牌，传统搜索优化又管不到大模型。
- 目标结果
- 当客户向 AI 提问，品牌成为可信答案：被理解、被引用、被推荐。
- 核心工作流
- 品牌 AI 可见度诊断
- 权威内容与语义资产建设
- 主流大模型引用追踪
- 03AIGC CONTENT
AIGC 文案创作
市场、品牌与内容团队
内容依赖人工排期，周期长、口径不一；知识散在各处，同一件事每个人写出来都不一样。
- 目标结果
- 从选题到发布走同一条流程，稿子引用的是企业自己的知识，发布前由人审定。
- 核心工作流
- Brief 与选题立项
- 接入企业知识库撰稿，逐句带出处
- 人工审核后发布并归档
- 04TALENT
人才与招聘
人力资源与用人部门
候选人分散在多个账号与渠道，筛选难以统一；简历原件又必须留在企业自己的存储里且可审计。
- 目标结果
- 招聘全流程收在一个系统里，匹配逐条对齐岗位说明书（JD），原件不外流，用人判断仍由人来做。
- 核心工作流
- 多渠道候选人汇集与多维筛选
- 逐条对齐 JD 的匹配、评分与约面推进
- 原件归档到企业自己的存储，库里只存文件指针
- 05SUPPLY CHAIN
供应链与运营
供应链与运营部门
需求波动大，库存周转慢，缺货与积压并存；预测靠经验，补货跨部门协调成本高。
- 目标结果
- 预测结果能解释，补货与调度走人机审批，改善方向在验收时和业务方一起认下来。
- 核心工作流
- 建立商品与库存本体
- 训练需求预测模型
- 上线补货协同 Agent 与人机审批
- 06KNOWLEDGE & RESEARCH
复杂知识与研究
研究、知识与创新团队
知识体系庞杂、口径不一，难以结构化；涉及照片这类敏感输入，还要有独立的同意流程。
- 目标结果
- 复杂知识可结构化，每条解释都能顺着证据倒推，隐私同意独立于主流程之外单独成立。
- 核心工作流
- 知识模块的结构化与多模型编排
- 可追溯的评分依据与个性化解释
- 图片与多模态输入的独立同意流程
- 07QUANT TRADING
量化交易
量化研究与投资决策团队
行情、研究与策略判断散落在多个工具里，一个判断做完，半年后没人说得清当初凭什么这么定。
- 目标结果
- 每条信号都挂着自己的证据，结论可以顺着链条倒推；下单与否显式留在人手里。
- 核心工作流
- 行情与研究数据进入指标本体
- 策略信号生成与证据链复核
- 风险阈值、人工复核与全程留痕
用的是同一套底座与同一套验收方式，差别只在先做哪一件事。
找到最值得先做的场景ENTERPRISE AI TRANSFORMATION
从第一座灯塔，到企业自己的 AI 能力
一家制造型集团完整走过的一段路：先立底座，再进现场，最后把能力留在自己手里。
01CONTEXT
企业原有的环境与约束
一家制造型集团要的不是一次模型演示：数据合规、知识自主、能力专属是硬约束。而数据与知识散落在多个系统里，撑不起任何跨系统的智能应用。
02FOUNDATION
为什么先做本地底座
先把本地模型与私有知识库装进企业自己的机房，建立私有大脑与权限审计体系，再连接内部业务系统的数据。底座定了，后面每一个智能体都长在同一套安全边界里。
03FIELD
FDE 如何进入现场
FDE（驻场工程师）进现场，先签价值契约：目标、指标、责任、边界写在纸上；再建最小业务本体，跑通第一个场景，最后由业务方按契约指标验收，而不是以演示效果结项。
04SCALE
如何长出可扩展的 Agent 能力
把跑通的做法留下来：本体与知识资产、Skills 与评测集、可复制的场景模板都沉淀在企业内部。下一个场景不必从零开始，这才是转型和一次项目的区别。
05RESULTS
已经证实的与仍在推进的
底座已经交付，能力开始在企业内部沉淀。
已证实
- 数据不出内网
- 知识自主可控
- 能力在企业内部沉淀
仍在推进
- 后续的 Agent 应用在同一套安全边界内继续长出来
NEXT STEP
从最卡的那件事开始
30 分钟诊断，判断先做哪一条线、第一步做什么。