第一章..迈进人与智能体协作新时代.................................................................... 03 1.1 从工业时代到数字时代再到 AI 时代的组织转型 .........................................................03 1.2 人与智能体协作新时代的智能体组织关键新特征 .........................................................................................26 迈进人与智能体协作新时代 第五章..流程变革：AI 驱动流程管理变革进化路径................................................. 33 5.1 渐进式流程优化：厘清流程体系、流程数据洞察、流程优化迭代 技术突破应用边界、大模型能力渗透业务全流程，商业世界正经历 一场远超数字革命的组织范式重构——这不再是“技术工具的补充”，而是“价值 创造逻辑的根本变革”。从工业时代的科层制、数字时代的平台化，到如今 AI 时代 的“人与智能体协作”，组织形态的每一次跃迁，都源于生产力底层逻辑的重构。 本白皮书基于国内外头部企业的数智化转型实践，提炼出智能体组织的核心特征、 价值导向与破局路径，旨在为企业高层提供“可落地、可验证、可复制”的转型指南，

从被动响应转向主动服务，智能体驱动人机交互范式变革 1.2 智能体爆发式增长，系统智能体和垂域应用智能体双轨发展，走向协同 1.3 一站式开发框架和技术标准化加速智能体构建和商用落地 3.1 智能体全新交互 3.2 智能体协议升级 3.3 智能体高效开发 3.4 智能体安全可信 02 04 06 13 18 24 28 - 1 - 行业趋势 Agent 时代 鸿蒙应用生而智能 ����� ����������������� AI 助手和大语言模型（LLM）虽能 执行文本生成、内容摘要或基础工具使用等任务，但无法基于 " 自主意识 " 采取行动。自主智 能体正在改变这一现状，现有及新兴 AI 技术（如智能体框架、多智能体协作、AI 安全护栏和 工具调用功能）正赋予基于 LLM 的系统更多的自主性，即在最少的人工监督下、适应环境并在 复杂环境中自主执行任务并实现目标，这将极大拓展 AI 的应用潜力。例如，Agentic 为 用户与智能体交互最直接的入口，其系统交互入口将演进为承接、理解和分发用户意图的关键 节点，本质是触发万千智能体协同工作的调度系统中枢。在这一架构中，系统智能体承担着“中 控大脑”的角色，需对用户意图具备极高的理解精度，能够将复杂任务合理拆解，并精准调度 下游的应用智能体协同完成各类子任务。根据华为实验室 2025 年 5 月评测数据，鸿蒙系统智 能体小艺在复杂任务规划与执行场景，基于

农业、医疗、交通等多个领域。然而，当前网络架构面临资源孤岛化、业务灵活 性不足、商业模式单一等严峻挑战，严重制约了网络性能的进一步提升和行业的 创新发展。在此背景下，联盟网络作为一种创新的网络架构应运而生，它通过多 主体协作与动态资源共享，旨在打破传统网络的局限，为通信技术的发展开辟新 的路径。 联盟网络通过重构资源分配模式、优化服务架构、革新协作机制，为行业带 来四大核心价值。首先，资源动态共享能够显著提升全局效率，实现频谱、算力 与智能体技术则为网络 的智能化运维与优化提供强大支持。 1 白皮书还结合具体实例，生动描绘了联盟网络在全域通感网络、全域应急通 信及 Web3 服务三种典型场景中的广阔应用前景。全域通感网络通过多主体协作， 构建未来智慧城市，实现对城市基础设施的智能化管理与实时监控；全域应急通 信整合卫星、无人机与地面基站，打造空天地一体化的应急通信系统，大幅提升 灾害救援效率；Web3 服务则推动去中心化存储与算力市场的发展，为用户与运 营商之间的频谱闲置与容量短缺并存，不同主体重复投资现象普遍。专用通信网 络的部署耗时数周且难以协同既有系统，凸显灵活性的不足。运营商依赖单一的 流量计费获取营收，盈利水平的增长难以为继。在此背景下，联盟网络通过多主 体协作与动态资源共享，成为突破移动通信网络瓶颈的关键路径。联盟网络即是 网络的联盟，其核心目标是通过开放架构与智能化管理，构建跨行业生态的网络 系统，适配各行业应用的多样化定制化需求，实现资源全局流动、业务无缝协同

的商业价值与网络自动化的经济效益，驱动价值转化。 2.3 技术演进：多技术融合夯实 L4 实现基础 全行业推进自智网络从L3向L4阶段迈进，在开展L4规划实践和产业标准制定的同时，将 网络大模型、多智能体协作、数字孪生等几个方面作为重点投入方向，开展技术攻关以实现L4 价值场景的突破。 网络大模型：随着AI技术与网络的深度融合，利用网络高价值语料、知识图谱、专家技能 形成行业大模型应用/智能体 服务，通过模型库、工具箱和原生应用商店助力行业快速构建企 业大模型及专属应用。 多智能体协同：多智能体协作形成群体智能有望成为推动CSP数智化转型的关键技术之一， 5 未来的电信网络由多个专业化 AI 智能体组成，自主在环境中动态交互、拆解目标、寻找资源 和工具完成任务闭环，多智能体协同可突破单智能体的局限，具备良好的灵活性与扩展性，是 电信领域网络复杂场景端到端闭环提供了关键使能技术。中国联通牵头打造了“生成式 为实现L4目标，中国联通全栈引入Agentic AI，全新设计以智能体为中心的自智网络L4技 10 术架构，实现交互模式由“人+平台”向“人机（Copilot/Agent）协同”的转变，应用模式 由“应用+工具”向“多智能体协同”的转变，开发模式由“传统开发模式”向“智能体开发 生态”的转变。 图3 中国联通自智网络L4技术架构 3类智能体，分别为客户

化等能力，增强自然语言 UI、提示工程、RAG 检索增强生成、 预训练大模型、XPU 异构混合算力，集成知识库与外部工具等，演进为智能应用。各行各业的智能应用，借助 AI 实现 自运行、自学习与群体协作，大幅提升复杂任务处理能力，从“被动服务”进化为“主动智能体”。 智能应用以预训练大模型作为内生智能中枢，赋予系统自主理解意图、规划任务和协同执行的能力。这种变革不 仅是技术架构层面的升级，更 术，实现智能应用全自动驾驶与人机智能协作。 从智能应用场景上看，在 AI 数据与大模型技术和服务的驱动下，数据生产、模型训练、软件应用开发，类似汽 车的智能驾驶，实现 AI 驱动的多模态大模型、多智能体群体协作式的“应用智能驾驶”，包括：软件开发从“需求分 析、系统设计、代码开发、构建打包、测试验证”研发全过程的“应用开发自动驾驶”，真实数据与模拟数据的“数 据生成自动驾驶”，大模型开发微调的“模型 Agent。零码开发更是将开发门槛降至最低，非技术人员通过对话即可生成满足特定需求的智能 Agent，常见于办 公自动化场景，如对话生成自动回复邮件智能 Agent。 2. 多 Agent 智能体协同的崛起 在复杂研发场景中，单智能体的能力边界日益显现，多智能体协同正成为解决系统性难题的核心范式。以 Manus 为例，其通过多 Agent 协作的生态系统，实现了专业能力的模块化分工与动态协作，部分单元专注于数据收集与分析，

.....54 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 x 6.3.3 面向工程领域的多人多智能体协同机制..................................... 55 七 工程智能的核心趋势与未来展望...................................... 这些应用的实现基于数据处理、软件平台和虚拟仿真等技术。例如，鼎捷数 智的“智能数据套件”通过检查数据一致性、关联行业标准与历史数据等方式， 构建工厂的“工艺知识图谱”。在此基础上，其 MACP 多智能体协议可将复杂的 经营决策任务拆解给不同 AI 智能体协作完成。在研发端，荣耀的仿真实验室则 利用 AI 与超算服务器进行虚拟实验，将折叠屏手机铰链的设计周期从 6 个月缩 短至 2 个月。这种由数据驱动的智能最终会落实到生产现场，例如，系统不仅能 生模型与实体桥梁状态的实时同步，需配置专属的边缘计算节点，单节点年运维 成本（硬件折旧、网络带宽、技术人员薪资）较高，这种成本压力使得中小企业 难以负担 。 4.4 系统融合与协同挑战 工程活动是多环节、多主体协同的复杂过程，而工程智能的规模化需突破现 有系统孤岛与流程割裂的桎梏，这一过程面临多重融合与协同挑战。 首先是跨环节系统融合困难。工程全生命周期（设计、施工、运营、维护） 的工具与数据系统各自独立：设计阶段依赖

F 含 一 场景理解 物体理解 感知评估 协作决策 多机协同具身感知与推理数据缺乏 性 。模型 1 a 模型 2 能 群体协同规划冲突 群体感知不一致 协同 一、 低空研究背 景 二、 低空数据平 台 三、 低空感知大 脑 CONTEN TS 统计机器学习长期关注数据规模、 结构及分布与模型 泛化间规律 前提假设和静态度量失效 的 学 重 差 同 权 误 协 其 高 低 制 差 降 抑 误 体 会 体 个 习 个 协同性是群体协同的前提 ，低空协同学习能够降低贝 叶斯误差 里 joint= 里 modal 十里 task 十 里 model>0 低空协同学习 多维度群体协同 降低了贝叶斯误差 n 多维度与单维度的贝叶斯误差对比： n 低空场景复杂退化多模态数据严重制约感知效能 ， 导

。 面向中远期，以“异构 CPU+智算 AI 芯片”一体融通、支撑训推一体的泛 AI 业务为目标，探索虚拟指令集等深度算力抽象技术，形成即插即用的统一 XPU 算力底座与工具链，释放多样算力整体协同效能，推动智算应用生态繁荣发展。 2.2 存储技术 随着智算业务的爆发与模型参数量的增长，智算应用在训练、推理等阶段对 9 存储服务提出了更为严苛的需求，如何对海量复杂的数据进行存储、调度、高效 度策略的潜在冲突，构建多元算 力池的弹性容灾体系。 2.5.4 智能体生成 智能体生成面临模型幻觉频发、自主规划能力有限及多智能体协同不足等问 题。未来智能体技术将通过检索增强、智能体自适应决策与多智能体协作三大方 向演进，形成任务执行可解释、多智能体协作高可信的智能体系统，加速行业智 能化升级。 2.5.4.1 检索增强生成 增强检索生成（RAG）技术面临多源知识库管理复杂、动态场景下知识更新 优。 面向中远期，实现智能体驱动的复杂任务处理。通过 LLM 与智能体协作，自 主完成从需求分析到代码生成、测试验证全流程自主完成，推动 AI 从工具向协 作伙伴的角色转变。 2.6 模型服务 MaaS 平台通过汇聚九天系列大模型和主流模型、整合多样化大模型和智能体， 以算网大脑为载体，实现智能体编排调度、多智能体协同，赋能各行各业多样化 场景。打造端到端模型交付能力，为用户提供算力、模型、数据、应用、安全、

级，联邦学习、可解释AI（XAI）等技术大规模应用，推动智能体误判 率显著下降。二是攻防对抗进入智能体博弈时代，攻防双方将围绕智能 084 中国工业和信息化 发展形势展望系列 体展开技术竞赛：防御端，多智能体协同防御体系广泛落地，通过分工 协作实现威胁预警、攻击拦截、溯源反制的全流程闭环；攻击端，AI生 成式攻击手段将更隐蔽，针对智能体的投毒攻击、逃逸攻击技术迭代加 速，推动安全企业加大对抗性训练技术研发投入。2025年4月，美国麻省 智能体可进化性带来不可 逆持续运行风险。2025年5月OpenAI的推理模型在安全测试中拒绝执行关 机指令，并在篡改代码后主动清理操作痕迹。三是多智能体协作的级联效 应使安全风险指数倍放大。2025年微软Copilot与Teams智能体协作时，攻 击者通过邮件触发Copilot漏洞，利用其协作权限窃取Teams加密信息。 （四）新兴技术融合应用带来全新安全挑战 数字化技术集群式爆发、融合发展，5G、物联网、人工智能、智

要说明. (1) 互动与呈现类智能体. 图表智能体: 支持自然语言生成图表, 自动查询并可视化展示数据, 适 用于 MES, APC 等系统. 具备查询解析、数据处理与图表渲染能力, 可与其他智能体协同展示分析 结果. 低程式码智能体: 响应用户的低代码开发指令, 自动调用控件构建报表、控制器等, 提升定制开发 效率. 依赖 LLM 理解意图并操作底层平台接口. (2) 数据处理与感知类智能体 能显著提升故障定位与根因分析的准确性; 分析智能体可针 对复杂系统进行因果分析与因素贡献度识别; 而决策优化与控制智能体则支持基于知识与数据双驱动 的参数推荐与策略选择, 有效提升工艺控制与运行优化的决策质量. (4) 智能体协同机制支持多层级自动化与智能化运行. 体系于业务应用层部署多种类型的工业智 能体, 包括图表智能体、感知智能体、分析智能体、诊断智能体、决策优化智能体与控制智能体等. 这 些智能体不仅具备独立任务执行能力 体, 软件能够感知数据变化并 自动调整参数, 实现优化操作流程与灵活的客制化功能, 推动工艺流程全面自动化. 此外, 为进一步探讨智能体协同机制的实现方式与潜在演进路径, 本文也对当前系统所采用的函 数调用机制 (function call) 与主流的智能体协同架构如 MCP (multi-agent collaboration protocol) 与 A2A (agent-to-agent)