今天，特赞科技正式发布了企业级智能体系统 GEA（Generative Enterprise Agent），并同步推出了自研的发散推理模型 Creative Reasoning Model 以及企业上下文系统 Context System。
如果要一句话概括这次发布的核心观点，那就是：模型能力可以被快速复制，但企业上下文不可复制。
这句话，值得我们深入思考。
模型像电
特赞创始人范凌在发布会上打了个比方：“模型是公共基础设施，就像电力。没有企业会因为‘我们公司用的电更好’而赢得市场。”
这个比喻很形象。GPT、Claude、Gemini、DeepSeek、通义千问……你能用，你的竞争对手同样能用。过去两年，AI技术本身确实在飞速进步，新的基础模型不断涌现，能力也在不断提升。
写一篇文案、生成一张图片、做一份基础数据分析，这些任务已经变得相对容易。但如果我们把视角真正拉到企业日常的工作流程中，就会发现一个略显尴尬的现实：AI 可以做很多事，但企业真正的工作方式，并没有发生根本性的改变。
理解市场、定义产品、研究用户、制定策略、推动增长，这些核心业务环节很少是一个简单的 prompt 就能完成的。它们需要海量的信息、复杂的商业判断，以及跨部门、跨角色的深度协作。
数据显示，全球 AI 投资在 2025 年已经达到了 6,840 亿美元，但其中超过 80% 的投资未能交付预期的业务价值。换句话说，很多企业投入巨资购买了一堆先进的 AI 工具，却发现日常的决策与协作模式还是老样子，价值并未渗透到业务流程深处。
壁垒在哪
那么，在企业级AI的竞争中，什么才是真正的壁垒呢？
范凌的答案很明确：Context，上下文。
模型产生智能，上下文产生价值。同一个模型，给它公开信息，它给你一个通用答案。给它你企业独有的上下文，它给你一个只有你能得到的答案。
这个逻辑其实与吴恩达（Andrew Ng）最近的实践不谋而合。今年3月初，他发布了 Context Hub 开源工具，核心目标正是为了解决智能体（Agent）的上下文管理难题。风投机构 a16z 也撰文指出：“没有上下文（Context）的数据智能体（Data Agent）基本是没用的。”
行业的共识正在逐渐清晰：当基础模型的能力趋于同质化之后，企业真正的 AI 壁垒，将来自于自身长期积累、不可复制的上下文资产。
品牌调性、历史决策逻辑、真实的用户画像、项目经验沉淀、内部的业务规则……这些东西，每一家企业都截然不同，也无法从公开的互联网数据中学到。
GEA 长什么样
说回特赞这次发布的 GEA 系统。它的整体架构分为四层，范凌用了四个生动的比喻来解释每一层的作用。
意图层（Intent），这是起点。用户不再需要像使用Copilot那样，一步步告诉AI该怎么做，只需要输入一个商业目标。例如，“帮我找到下一个季度东南亚市场的增长机会”，或者“基于上个月的用户反馈，优化我们的产品定位”。这是一个目标指令，而非具体的操作步骤。
编排层（Orchestration），这是 GEA 的“大脑”。它由特赞自研的 Creative Reasoning Model（发散推理模型）驱动，负责把模糊的商业意图拆解成多条可能的执行路径，评估权衡，再将每个子任务分配给最合适的专业模型去完成。据称，该系统能协调调度 超过30个不同的基础模型。范凌对此有一个精妙的形容：“它是指挥，不是独奏。”
智能体层（Proactive Agent + Agent Skills），这是 GEA 的“手”和“脚”。这一层包含了 超过400个预制技能模块，覆盖从内容生成、数据分析到审核合规、创意评估等广泛领域。同时，它还通过 MCP（Model Context Protocol）和 APIs 与企业的外部业务系统（如CRM、ERP）进行连接，实现端到端的任务执行。
上下文层（Context System），这是 GEA 的“记忆”与“土壤”。企业的品牌资产、历史素材、项目文档、用户模型、业务话术、成功案例……所有这些独有的上下文都集中存储并结构化于此。它是横向贯穿的基础，确保每一个智能体、每一条工作流、每一个部门调用的都是统一、最新且权限受控的上下文信息。范凌强调：“没有这一层，上面所有的智能都是空中楼阁。有了这一层，GEA 才是一个真正懂你企业的系统。”
先发散，再收敛
在GEA的架构中，有一个组件值得单独深入探讨：Creative Reasoning Model（发散推理模型）。
这被认为是全球首个以“发散优先”为设计原则的商用级推理系统，并且已经完成了国家相关大模型备案。
传统的推理模型（如Chain-of-Thought）在面对复杂问题时，其思路是步步为营、层层收敛，目标直指那个“唯一正确的答案”。这在解答数学题或编写代码时非常有效。
然而，商业世界中的大多数问题并不存在绝对的最优解。
范凌举了一个例子：假设你是一家消费品品牌的CMO，需要制定一次新品上市的传播策略。如果使用常规的收敛式推理模型，它会基于过往的历史数据和行业最佳实践，给你一个“最合理、最安全”的方案。这个方案可能正确，但也可能平庸，难以脱颖而出。
但Creative Reasoning Model的工作方式截然不同。它会首先进行“思维发散”，将各种可能性铺开：如果不做传统广告，尝试全新的互动形式呢？如果我们的目标人群根本不是最初设想的那群人呢？如果竞争对手的策略本身是基于一个错误的行业假设呢？先发散，穷尽各种可能性（包括那些看似非常规的路径），然后再基于商业目标进行收敛，找到那条最具潜力和价值的执行路径。
那么，这种“发散”能力是如何训练出来的呢？特赞的方法很独特：他们召集了平台上真正拥有丰富商业决策经验的专家——包括策略顾问、创意总监、品牌专家和市场研究员。但训练任务不是让他们标注“答案”的对错，而是请他们评估 “思考路径”的价值：哪些探索方向值得深入？哪些可能性最容易被决策者忽略？哪些前提假设本身就需要被挑战和检验？
这种以“思维过程价值”而非“结果正确性”为核心的训练思路，让这个模型走出了一条与众不同的路。
你休息，它干活
GEA系统中还有一个关键角色：GEA Claw，即主动执行层。
传统的AI工具大多是Copilot模式：人类提问，AI回答，任务随即结束。这是一种被动的、按需响应的交互方式。
而GEA Claw则采用了Proactive Agent（主动智能体）模式：它不需要等待人类指令，而是能够主动监测、主动发现、主动采取行动。
例如，当它监测到销售数据出现异常波动时，会主动生成预警和初步分析推送给相关负责人；发现竞争对手发布了新的市场活动，它能在当天就整理出分析报告同步给营销团队；甚至在执行营销活动的过程中，发现某些渠道效果偏离预期，它能自动调整投放策略或生成优化建议。
结果是，每周一上午，上周所有市场活动的复盘报告已经静候在邮箱；新品上市前，所有宣传素材的品牌一致性与合规性检查已经自动完成。整个过程无需人工反复触发和跟进，智能体按照既定规则和节奏，实现7×24小时的持续运转。
更重要的是，GEA Claw并非一次性的任务执行器。它具备长期记忆、跨任务经验迁移和能力沉淀的机制。用范凌的话说，这实现了从“一次性的智能响应”到“可积累、可进化的组织智能”的转变。
巧克力的故事
理论或许有些抽象，发布会上展示的一个关于用户研究的Demo场景，能更具体地说明这套系统如何工作。
假设一家全球食品公司，希望为农历新年开发一款全新的巧克力产品概念。
项目团队很快意识到，这个问题的关键并不在于口味、成分或包装这些物理属性。作为节日礼赠产品，它真正售卖的是情绪、社会关系和身份认同。企业最想洞悉的是：消费者做出购买决策背后的深层动机是什么？
传统的用户研究方法——问卷调查、焦点小组访谈、用户测试——不仅样本有限、周期漫长，而且很难对同一批“用户”进行反复、多角度的验证。企业往往能看到用户“做了什么”，却难以真正理解他们“为什么这么做”。
在GEA的架构下，系统首先会通过 Memory Builder（记忆构建器），将企业散落在各处的历史访谈记录、用户反馈文本、过往研究报告等非结构化数据，清洗、分析并沉淀为结构化的“用户记忆”。
基于这些真实的“记忆”，系统能够构建出高度拟真的 AI Persona（AI用户画像）。这些Persona不再是简单的人口统计学标签，而是拥有具体背景、动机、偏好和决策逻辑的“数字用户模型”。产品团队可以直接与这些AI Persona进行对话，深度探究他们为何购买、为何犹豫、又为何拒绝某些产品概念。
更进一步，系统可以组织一场 AI Panel 讨论，让多个不同背景、不同价值观的AI Persona围绕一个初步的产品概念展开辩论，分析他们之间的决策逻辑冲突、权衡的关键因素以及可能达成共识的要素。
最终，企业获得的不仅仅是一份静态的调研报告，而是一组可以持续互动、反复验证、并随着新数据注入而不断更新的动态用户模型库。 而且，在整个研究过程中产生的所有新洞察和新数据，都会自动回流至Context System，成为企业未来可随时调用的核心用户资产。
上下文系统的核心
既然上下文如此重要，特赞的 Context System 究竟是如何构建的呢？
简而言之，它脱胎于特赞深耕多年的 DAM（数字资产管理）系统。DAM 本身是企业所有内容资产的“唯一真相来源”，管理的正是企业中最丰富、但也最难被机器理解的非结构化数据：图片、文案、设计稿、视频、3D模型等。
AI时代的到来，释放了一种前所未有的能力：对非结构化数据的深度理解与处理。
过去，对于机器而言，一张海报只是一堆像素的集合，一段视频只是一条按时间排列的帧序列。机器能存储它们，但无法真正“读懂”其中的含义。现在，多模态大模型使得机器能够解读一张海报背后的品牌调性，理解一段用户访谈视频中流露出的情绪，甚至从上百份项目总结文档中提炼出团队惯用的决策逻辑。
范凌将这种转变称为：非结构化数据从“被存储的文件”变成了“被理解的上下文”。
Context System 在此基础上做了几件关键的事：首先是自动构建企业上下文图谱（内容资产进入系统的那一刻，就自动进行识别、打标、并构建语义关联）；其次是企业级精细化的权限控制（确保不同角色、不同部门的员工和智能体只能访问其权限范围内的上下文）；第三是上下文压缩与渐进式披露（在调用大模型时，只提供与当前任务最相关的上下文片段，避免信息过载并保障数据安全）。
此外，它还内置了 Contextual Retrieval（上下文检索） 能力，可以理解为一个专属于你企业的“内部版Perplexity”。它不从公共互联网搜索答案，而是从你的品牌资产库、历史项目文档、内部知识库中精准检索信息并生成回答。
三个阵地与三种服务
范凌在发布会结尾指出，企业要真正进入Agentic AI时代，需要在技术、业务和组织三个阵地上进行系统性的建设。围绕这三个阵地，特赞也形成了相应的三类服务体系：
技术阵地，提供 GEA 企业级智能体系统 作为核心引擎。
业务阵地，提供 AI Fullstack（全栈AI） 服务，通过专业顾问团队与GEA系统的结合，从业务诊断、场景共创到持续运营，将AI深度嵌入真实的业务流程，并持续交付可量化、可验证的业务结果。
组织阵地，提供 ABC+（AI Builders & Creators +） 人才与组织升级体系，通过研发的数十门系统化课程与实践方法论，帮助企业构建能够使用、理解并持续演进AI能力的组织肌体，让AI从“少数技术专家的能力”，转变为“整个组织的核心能力”。
据悉，目前 GEA 系统已在全球超过 180 家企业客户 中部署应用，其中包括 60 余家世界500强企业。
写在最后
AI Agent 市场正处在一个爆发式增长的拐点。数据显示，2025年全球市场规模约为76亿美元，预计2026年将增长至109亿美元，而到2033年，这个市场预计将膨胀到 1,830亿美元。
在这条宽广的赛道上，已有众多玩家从不同垂直领域切入：Sierra 聚焦客服、Harvey 深耕法律、Glean 专注企业搜索。特赞的差异化优势在于，其长期扎根于企业内容与品牌营销场景，在服务大量企业的过程中，天然积累了对海量非结构化数据的处理和理解能力。这条从 DAM（数字资产管理）到 Context System（上下文系统），再从 Context System 到 GEA（生成式企业智能体）的演化路径，是其多年实践经验与技术沉淀的自然延伸，而非凭空构想。
范凌在发布会上的一句话，或许可以看作是对 GEA 时代企业AI需求的总结：
过去十年，企业买的是软件。过去三年，企业试的是模型。从今天开始，企业需要的，是一个从意图出发、理解你的上下文、拥有独立判断力、并且能够持续进化的智能系统。
企业级AI的竞争焦点，正在从单纯的“模型能力”竞赛，转向更深层的“上下文能力”构建。 未来，谁能更高效地构建、管理和利用自身独有的上下文资产，谁就能孵化出更强大、更贴身的业务智能体，从而建立起真正的竞争壁垒。
对于Transformer、NLP及深度学习等技术如何在实际业务中构建这样的上下文能力，欢迎在云栈社区的人工智能板块深入探讨。企业智能体的落地，不仅关乎模型选择，更依赖于对业务数据的深刻理解与系统工程能力，这背后需要的强大计算力与系统的模型训练知识，也是智能数据云领域持续关注的核心议题。
发表于 5 小时前
|
查看: 3|
回复: 0
