智能體收入暴增68%！這家港股AI公司靠「關系」馴服企業龍蝦

Jay 發自 凹非寺
量子位 | 公眾號 QbitAI

港股超額認購5065倍的AI公司，交出了上市后的首份答卷。

一路猛漲：全年營收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，達到43.3%

而這一切的背后，都離不開一個核心引擎的驅動——Atlas智能體業務

這項業務正展現出強大的生命力：收入實現跨越式增長，達到1.457億元，同比激增68.4%

毛利率更是高達53.2%，成為拉動公司整體盈利水平提升的關鍵。

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「企業級AI」打造「操作系統」，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端已經被OpenClaw徹底引爆，一度催生出生態中的無數中間層，甚至連大廠們也爭相推出龍蝦部署方案。

而現在，B端企業級Agent基礎設施所蘊含的巨大價值，也隨著海致科技這份扎實的財報，清晰地浮出水面。

企業級AI落地，差點「關系」

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了，這一點毋庸置疑。

但一個尷尬的事實是：大量企業的AI項目，仍然停留在Demo階段。

搭個聊天機器人、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嵌入核心業務流程，賦予它真正的「執行權」，問題就來了——

根本不敢讓它干活啊！（小編已經深受其害。

前段時間，我給自己的龍蝦接入了公司內部系統。

本意是丟給它一篇同事的在線文檔，讓它幫我想幾個標題。

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……

后果難以設想。

畢竟，現在的AI在技術架構上壓根就沒有真正的約束。你費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，在長鏈路任務里，它轉頭就忘了。

只要底層還是概率模型，隨機性就永遠存在。

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的上限，但B端落地的門檻，是守住下限——

結論來自哪些知識和規則？任務執行走了哪些步驟？調用了哪些Skill？出錯了該回溯到哪一步？

按傳統的解決方案，這幾乎是個不可能完成的任務。

從第一性原理思考，隨著企業數智化進程加速，智能體在工作時會像滾雪球一樣，不斷積累Skill、任務、記憶……

這些一旦滾起來，可就很嚇人了。哪怕是C端，對于那些資產沉淀深厚的龍蝦發燒友，一句你好，可能幾萬Token就燒沒了。更別提企業級的數據資產規模。

成本還是次要。關鍵在于，光靠暴力擴充上下文并不能有效提升模型表現。

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尾，中間的內容基本是一團亂麻。

更何況，知識、規則、Skill、任務和狀態通常散落在不同系統里。規模一旦上來，想讓Agent干活時把這些約束全記住，無異于大海撈針。

歸根結底，Agent的執行過程，從來就不是一條流水線。

任務之間有依賴，Skill之間有前置條件，記憶之間存在因果……想要高效檢索，重要的不只是數據，還得記住數據之間的關系。

這正是圖數據庫的邏輯。

它是一種節點間相互連接的數據結構。各維度的數據不再是孤島，而是通過各種關系連在一起的「蛛網」。

以反走私為例。海關手里有案件記錄、物流信息、資金流水等多源異構數據，想揪出隱蔽的走私團伙，往往得把多類數據結合起來，才能連點成線。

而這一切，放在關系網里瞬間就清晰了。人、公司、銀行賬戶、物流集裝箱、走私案件，全變成了圖上的節點，它們之間的關聯，就是連接節點的邊。

研判人員想查隱藏團伙，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伙有來往，資金又是通過哪些賬戶層層轉給境外的。

對于深度與業務融合的場景而言，這種檢索邏輯能用「關系」這層信息替代掉龐大上下文，非常適合用來管理企業級數據資產。

RAG的出現，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依據。但當知識量持續膨脹時，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——讓兩者協同合作，各自發揮所長。

這就是海致所說的圖模融合

通過圖技術構建結構化的知識索引，再利用Skill與LLM進行對接，從而讓知識在圖與模型之間高效流轉，被精準解析與執行。

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

結果就是，AI得以蛻變為兼具領域專家智慧與高效執行能力的「超級員工」。

這，正是海致科技過去十余年持續深耕的壁壘。

做企業級AI的地基

海致科技的核心產品叫AtlasGraph，一個自研的圖數據庫。

但如果你只把它理解為一個數據庫，那就低估了這家公司的野心。

在海致的技術架構里，AtlasGraph的角色，更像是一個面向Agent的「操作系統」。

這個操作系統由五個核心模塊構成。

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

簡單來說，這就像是為Agent進行的一次全面的「入職培訓」，提供一份詳盡的業務白皮書。

它負責定義企業的業務世界，將設備、流程、概念和關系統一編碼成機器可理解的語義框架，確保AI與人類在同一套坐標系下進行高效對話。

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，堪稱2026年以來Agent產品化的最大功臣之一。它硬生生將AI做成了生態游戲，甚至一度干崩納斯達克一眾軟件股。

然而，Skill太多，又會有新的問題出現。

如何管理這些Skill？

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

但這些本質上只是「工具層面的升級」。即便用CLI+Skill替代了MCP+Prompt，節省了一定的上下文空間，本質上仍是杯水車薪，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之間的依賴關系會衍生出新的復雜度

以企業常見的「銷售報價」場景為例：

假設你讓Agent幫你生成一份客戶報價單，它需要調用這些Skill：

查客戶歷史訂單、查當前庫存、查產品定價規則、生成報價文檔。

表面上看，這是四個獨立的技能。但實際上：

「查定價規則」依賴「查客戶歷史訂單」，因為老客戶享有折扣，而新客戶沒有。

「查庫存」也會影響「查定價規則」，因為部分SKU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，文檔中需要自動標注備貨周期。

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

本質上，還是個高效管理企業資產的問題。這正是AtlasGraph在Skill層所做的事情：提供一套標準化、可管理的執行接口，將最優流程以圖的形式固定下來，而不用每次都重新規劃。

正所謂，大道至簡。

配備好Skill，結合已有上下文，Agent便可以正式開始工作了。

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

1、任務圖。

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

2、記憶圖。

鎖定客戶后，Agent順藤摸瓜，發現該客戶上個月曾詢價，當時因庫存緊張，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、狀態圖。

報價生成到一半，客戶那邊說先等等，任務暫停。

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

這就是「快照」留存的重要性。

三張圖協同工作，解決的是同一個問題：Agent無需將所有上下文都塞進一個超長的對話窗口里。任務結構、歷史經驗、當前進度，各歸其位，隨時可查、隨時可恢復。

最后，當然還有至關重要的安全邊界問題。AtlasGraph內置了一套規則引擎，將企業的制度、審批鏈、權限控制、風險要求、白名單和黑名單等數據全部寫入其中。

將這些連點成線，Agent便能清晰地看到各個業務場景的執行邊界，確保每一次操作都在合規的軌道上運行。

至此，海致科技的技術基座徹底形成，基于此，他們構建了一整套端到端的產品矩陣——

AtlasGraph圖數據庫作為底座，Atlas知識圖譜平臺負責知識建模，DMC數據智能平臺負責多源數據治理，智能體平臺則將這一切串聯成可落地的Agent應用。

從數據治理到知識建模，從智能決策到自動執行，形成了一個端到端閉環

當然，概念終究是概念，最終還是要用市場成績說話。

最新財報數據顯示，2025年，Atlas圖譜解決方案貢獻了4.753億元收入，服務172家客戶，平均客單價達到280萬元

與此同時，一條強勁的第二增長曲線同樣引人注目：

Atlas智能體業務貢獻1.457億元收入，同比增長68.4%，客戶數從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據庫這個基座上的深深扎根——

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

客戶并非單純被Agent的故事吸引，而是在已經驗證了圖譜價值的基礎上，主動追加了對其延伸產品的投入。

如今，海致科技已成功拿下六家大型國有商業銀行中的四家，連續三年獲得大型國有電信運營商的復購合同，在金融、能源、政務等核心場景中持續深化滲透。

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

深水區才是真正的賽場

2026年，Agent基礎設施類產品，已經開始席卷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、政務等企業級AI的「深水區」，模型必須是一個嚴守紀律、精準執行的「數字員工」。

在這個維度上，模型參數更大、跑分更高，并不等同于更好用。真正的決勝點在于，誰能更好地馴服模型，將其以一種穩定、可靠的方式，無縫嵌入到盤根錯節的企業業務中。

而這個趨勢只會進一步加速。

隨著大模型能力的持續迭代，Agent的自主性會越來越強，能夠獨立完成的決策與執行也愈發復雜。

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級上升。掌管銀行業務權限的Agent如果執行了一次錯誤的資金劃轉，后果是災難性的。

企業不再僅僅需要一個「更聰明的大腦」，更需要一套能約束、引導這名「超級員工」的部門架構與規章制度。

而海致做的正是這件事——

為整個企業AI時代修路架橋，為這場正在真實發生的波瀾壯闊的「數智化」革新，打下堅實的地基。

當行業里的大多數玩家還在追逐一個個轉瞬即逝的概念時，做基礎設施，無疑是件更艱苦的活。

但如今，憑借亮眼的財報表現，海致科技成功印證了其選擇的必要性：

在AI技術狂飆突進、上層應用護城河不斷被模型廠商蠶食的當下，中間層的落地基礎設施，反而會越發堅固。

而憑借這層中間層構筑的技術壁壘與生態占位，海致科技在向ToB產業級應用延伸時，已然占據了更有利的戰略高地。

圖模融合是這片數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用，共同構成一個繁榮的產業AI生態。

畢竟，當A2A（智能體對智能體）協作的時代真正來臨，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。

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

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