图模融合驱动企业智能体增长68%，海致科技财报揭示AI基础设施价值

港股市场上一家AI公司，以其IPO时超额认购5065倍的热度引人注目，如今交出了上市后的首份年度成绩单。

这份财报数据表现强劲：公司全年实现营收6.21亿元，同比增长23.4%。更值得关注的是其盈利能力，经调整净利润达到2414.7万元，同比大幅增长42.6%。在收入规模扩张的同时，公司的整体毛利率提升了7个百分点，达到了43.3%。

2025年财务数据摘要

这一切增长的背后，一个名为 Atlas智能体 的业务线成为了核心引擎。这项业务展现出了惊人的爆发力：2025年收入飙升至1.457亿元，同比激增68.4%；其毛利率更是高达53.2%，显著拉高了公司的整体盈利水平。

Atlas智能体业务收入明细

海致科技（2706.HK），这家并未卷入底层大模型“军备竞赛”的公司，选择了一条不同的路：为 企业级AI 打造“操作系统”。如今看来，这条路径已在激烈的市场竞争中走通了。

当“智能体（Agent）”的概念在消费端被引爆，催生出无数中间层生态时，企业级Agent基础设施所蕴含的庞大规模和价值，也随着这份扎实的财报清晰地显现出来。

企业AI落地，关键在“关系”治理

过去两年，各类Coding Agent迭代神速。模型执行任务的能力越来越强，这已是不争的事实。

然而，一个普遍的尴尬现状是：大量企业的AI项目，仍然停留在演示（Demo）阶段。搭个聊天机器人、做文档摘要、跑知识问答，这些轻量应用员工自己尝试就能上线。可一旦需要将AI深度嵌入核心业务流程，赋予其真正的“执行权”，问题便接踵而至。

根本原因在于“不敢让它干活”。试想这样一个场景：你让接入内部系统的Agent帮忙为一篇在线文档起几个标题，它却可能直接试图修改原文档。即便因权限阻拦未能得逞，这一行为本身已足以让人惊出一身冷汗。如果AI在复杂的任务链路中，偶然执行了一段“删除所有文档”的指令，后果将不堪设想。

当下的AI在技术架构上缺乏真正的硬性约束。苦口婆心的安全嘱咐，对模型而言只是又一段上下文，在长链路任务中很容易被遗忘或忽略。只要底层仍是概率模型，不可预知的随机性就永远存在。这在要求绝对稳定与可控的B端场景中，是不可接受的。

模型厂商在不断突破技术的上限，但企业级AI落地的真正门槛，在于如何守住安全、可靠、可追溯的下限。结论依据哪些知识和规则？任务执行走了哪些步骤？调用了哪些工具？出错了该回溯到哪一步？这些在传统解决方案下近乎无解。

从第一性原理思考，随着企业数智化深入，智能体在工作时会像滚雪球一样，不断积累技能（Skill）、任务、记忆……这些“资产”一旦滚动起来，规模将非常庞大。即使在消费端，对于资深用户而言，一次简单的交互也可能消耗数万Token。企业级的数据资产规模更是几何级增长。

成本尚在其次，关键在于，暴力扩充上下文窗口并不能线性提升模型表现。研究表明，模型的注意力是有限的，即便能处理极长的上下文，其记忆清晰的部分往往也只在开头和结尾。更何况，企业的知识、规则、技能和任务状态通常散落在不同系统中。规模上来后，想让Agent在执行时记住所有约束，无异于大海捞针。

归根结底，Agent的执行过程从来不是一条简单的流水线。任务之间存在依赖，技能之间有前置条件，记忆之间存在因果关联……想要高效检索与调用，重要的不只是数据本身，更是数据之间的关系。

这正是图数据库的核心逻辑。它将数据组织为节点和边相连的网络结构，让各维度的数据不再是孤岛，而是通过各种关系紧密连接的“蛛网”。这种基于关系的检索，能用“关系”这层高阶信息替代臃肿的原始上下文，非常适合管理复杂的企业级数据资产。在云栈社区的数据库技术讨论中，图数据库因其在处理关联关系上的独特优势而备受关注。

图结构示意图

以海关反走私场景为例，办案人员手握案件记录、物流信息、资金流水等多源异构数据。要揪出隐蔽的团伙，必须将这几类数据关联起来，连点成线。在图数据库中，人、公司、账户、集装箱、案件都成为节点，它们之间的关联就是边。研判人员只需沿着边快速遍历，就能清晰看清“张某控制A公司，A公司与某物流团伙有交易，资金经B、C账户流转至境外”的全貌。

RAG（检索增强生成）技术的流行，从侧面印证了大语言模型本身是一个充满不确定性的“混沌世界”，需要外部知识提供确定性依据。但当知识量持续膨胀时，若没有高效的索引结构，RAG的收益会急剧下降。

大语言模型无法解决所有问题，图技术亦然。更优的解决方案或许是寻找一个平衡点——让两者协同，各展所长。这就是海致科技提出的 “图模融合” 思路：通过图技术构建结构化的知识索引，再利用技能（Skill）与大模型对接，让知识在图与模型之间高效、精准地流转与执行。这既解决了知识的高效索引问题，又保留了模型的推理与生成优势，最终将AI塑造成兼具领域智慧与执行力的“超级员工”。

构建企业级AI的“操作系统”

海致科技的核心产品是 AtlasGraph，一个自研的图数据库。但如果仅将其视作数据库，则低估了其定位。在海致的架构中，AtlasGraph更接近于一个面向智能体的 “操作系统”。

这套操作系统由五大核心模块构成，共同确保智能体在企业环境中安全、高效、可控地工作。

AtlasGraph五大核心能力模块

1. Ontology图管理：这是系统的语义基础，核心价值在于“对齐”。它如同为智能体进行的全面“入职培训”，将企业的设备、流程、概念和关系统一编码成机器可理解的框架，确保AI与人在同一套话语体系下对话。

2. Skill图管理：技能（Skill）是Agent产品化的关键，但技能过多会带来管理难题。技能之间并非孤立，存在复杂的依赖关系。例如“销售报价”场景，涉及查询客户历史、检查库存、获取定价规则、生成文档等多个技能。其中，“查定价规则”依赖于“查客户历史”（老客户享折扣），“查库存”也影响定价（部分商品不促销），而“生成文档”必须等待前三步完成。AtlasGraph将这些技能及其依赖关系以图的形式固化、管理起来，提供标准化、可治理的执行接口，而非每次从头规划。

3. 任务图与执行图：将复杂目标拆解为具有依赖关系的子任务网络（DAG），明确哪些可并行，哪些需串行。

4. 记忆图与状态图：记忆图关联历史经验（如客户上月询价记录），避免重复工作。状态图则记录任务执行的快照（Checkpoint）。当任务因故暂停（如客户要求等待），重启后可从中断点继续，无需重头开始。这三张图协同工作，核心解决了一个问题：Agent无需将所有上下文塞进一个超长的对话窗口。任务结构、历史经验、当前进度各司其职，随时可查、可恢复。

5. 规则图与治理中心：将企业的制度、审批链、权限控制和风控要求全部图谱化，为智能体的所有操作划定清晰的合规边界，确保其每一步都在受控的轨道上运行。

基于AtlasGraph这一技术底座，海致构建了端到端的产品矩阵：Atlas知识图谱平台负责知识建模，DMC数据智能平台处理多源异构数据治理，智能体平台则最终串联起可落地的Agent应用，形成了从数据到知识，再到智能决策与执行的闭环。

“超级员工”与“自豪的老板”

市场验证与未来展望

概念需要市场检验。财报显示，2025年海致的Atlas图谱解决方案贡献收入4.753亿元，服务172家客户，平均客单价达280万元。

与此同时，其第二增长曲线——Atlas智能体业务增势迅猛：贡献收入1.457亿元，同比增长68.4%，客户数从19家跃升至40家。值得注意的是，这些智能体客户中，有50%先前已部署了Atlas图谱解决方案。这表明客户是在验证图谱价值后，自然延伸至智能体应用，形成了强大的产品协同与升级路径。

目前，海致已成功拿下六家大型国有商业银行中的四家，并连续三年获得大型国有电信运营商的复购，在金融、能源、政务等核心领域持续深化。公司账上仍持有超10亿元现金储备，为长期发展备足粮草。

深水区的竞争壁垒

2026年，Agent基础设施产品正在加速渗透B端市场。在金融、政务等“深水区”，AI必须是一个严守纪律、精准执行的“数字员工”，而非仅仅是一个聊天伙伴。这里的决胜点不在于模型参数大小，而在于谁能更好地“驯服”模型，将其稳定、可靠地嵌入复杂业务。

随着模型能力增强，一个悖论显现：Agent越聪明，越难管理，其失控的潜在破坏力也越大。企业不仅需要一个“更聪明的大脑”，更需要一整套约束和引导这个“超级员工”的“企业规章”。

海致科技所做的，正是为整个企业AI时代修筑基础设施。当多数玩家追逐易变的应用概念时，深耕底层无疑更为艰苦，但其构筑的壁垒也更为坚固。在AI技术飞速迭代、上层应用护城河可能被基础模型侵蚀的当下，扎实的中间层落地基础设施价值反而愈发凸显。

图模融合为企业级AI提供了肥沃的土壤。Atlas智能体的成功，是对这套底层逻辑的有力验证。未来，在这片土壤上，必将生长出更多基于大模型的杀手级应用。当智能体间协作（A2A）成为常态，如何高效编排、管理与治理海量智能体，将成为一个核心挑战。而Agent OS、多智能体架构等，正是海致已在布局的答案。

从构建地基到定义上层建筑，这种在应用层展现的无限可能性，或许正是打开ToB AI广阔市场的贵重门票。对于关注人工智能前沿落地的开发者和技术决策者而言，海致的路径提供了一个重要的观察样本。