内容来自演讲：包纪强｜衡阳星轨软件有限公司｜COO
声明：以下内容由AI生成，请注意甄别
摘要
衡阳星轨软件有限公司COO包纪强在分享中深入探讨了低代码平台与AI技术融合的趋势与实践。团队最初对低代码模式持观望态度，但经过多个行业项目验证后，确认其已成为企业数字化发展的必然路径。通过明道云平台，星轨软件成功推动了化工、建筑设计及半导体等行业客户的数字化转型，实现了高效的业务交付与可持续扩展。
同时，企业在AI技术应用方面积累了丰富经验，特别是在GPT与AI Agent结合、自动化工作流、招聘分析及数据治理等场景中展现出显著成效。总结指出，明确数据结构与业务需求，是企业落地AI与低代码技术的关键。
章节速览
明道云与AI Agent结合的企业转型实践
衡阳星轨软件通过明道云构建数字化中台，实现企业级应用的快速开发与灵活迭代。低代码平台帮助企业在化工、制造等传统行业中突破系统集成壁垒，提升研发与交付效率。
平台架构既服务于业务人员的可视化操作，也兼容开发团队的专业逻辑，从而在复杂项目环境中实现成本与效能的双重平衡。
AI与Agent在企业实践中的融合思路
企业将AI与低代码平台结合，形成一体化的智能应用体系。AI Agent承担了流程自动化与非结构化数据处理任务，而明道云提供稳定的数据承载与流程逻辑支撑。
这一组合使开发与业务场景实现协同进化，既保留了低代码的灵活性，也让AI的智能能力在具体场景中得到释放。
衡阳星轨软件认为，AI与低代码并非替代关系，而是相互补足的两种生产力形态。
数字化转型与AI大模型的应用框架
在企业数字化升级的过程中，星轨软件以数据闭环建设和AI能力构建为两大核心方向。通过优化数据定义与协作流程，企业建立了高质量的数据输入体系，为AI大模型的应用奠定了基础。
在实践中，团队总结出结构化文本数据对AI识别效果的决定性影响，并跟踪了主流大模型在上下文窗口与语义理解方面的持续进化趋势。
AI Agent在人力资源场景的创新应用
在招聘管理场景中，企业基于AI Agent实现了从简历解析到候选人筛选的全流程智能化。系统能够自动识别简历内容，执行粗筛与深评两级分析，并根据结果自动生成排序与风险提示。
仿真测试结果显示，AI与人工筛选的一致率已达到高水平，显著提升了招聘效率与决策质量。该实践验证了AI在企业管理中从辅助工具向决策智能体转变的潜力。
要点回顾
明道云在项目实施中的引入路径
衡阳星轨软件起初以实施交付为主，对低代码的采用较为谨慎。随着数字化转型的推进，公司在多平台测试后选择明道云作为核心技术底座。
明道云同时满足了开发与运营两类角色的需求，帮助企业在一年内完成多个行业项目的落地，实现了以更低成本达成更高交付密度的目标。
技术架构与数据层建设
星轨软件在不同规模项目中采取差异化的架构策略：
中小型项目直接基于明道云搭建全流程系统；大型企业则采用“数据库中间层 + 明道云前台”的复合架构。
通过与Flink、PostgreSQL等技术结合，实现数据沉淀、同步与反哺，构建出稳定的企业级数据体系。
AI与低代码的协同价值
AI Agent和低代码平台的结合形成了“智能化业务自动化”的新模式。
AI适合处理非结构化与逻辑动态的任务，如简历筛选、文本归类等；低代码平台则在流程编排、数据标准化和可视化展示方面具备优势。
两者的融合让企业既能获得快速开发能力，又能以低门槛接入智能能力，显著提升业务创新速度。
构建高效Agent的关键条件
要实现高效Agent系统，企业需具备完善的数据闭环能力，并形成跨部门的协同机制。
衡阳星轨软件提出的“无摩擦数据网”理念，强调在组织内部打通信息流、标准化接口与语义一致性，从而使AI代理在执行任务时能直接读取可信数据源，实现高效决策。
团队在数据建模与AI适配上的经验
团队通过标准化字段定义、统一数据命名规范、优化数据输入流程，使AI模型在训练与调用中保持稳定准确。
如在客户信息字段中引入拼写规范化机制，显著提升了模型在识别与语义匹配方面的精度。
模型底座的选型与对比
企业在实践中验证了多种大模型底座：cloud性价比高但封号风险较高；codex迭代频繁，适合快速实验；Deep seeker成本低但上下文限制明显；千问3在企业内部多场景稳定运行；清华自补青年4.6版已具备商用潜力。
这一经验表明，企业在模型选择时应根据项目需求平衡性能、稳定性与数据合规性。
数据质量与模型偏好的研究结论
团队研究发现，大模型更偏好高质量的结构化文本，而非完全依赖RAG或向量数据库。
随着GPT系列模型的升级，token容量扩展至百万级，使得模型能够处理更大规模、多维度的数据输入。
在实践中，高质量数据成为企业提升AI效果的首要要素。
智能招聘场景的ETL与AI协作机制
衡阳星轨软件构建了基于procol A技术（cloud code能力）的智能招聘系统，通过ETL流程将PDF简历转化为Markdown格式的结构化数据，再由AI进行深度分析。
系统不仅能自动执行初筛，还能在深度分析阶段识别候选人的能力特征与风险点，帮助HR完成高质量的候选人筛选与排序。
该体系验证了AI与低代码结合在企业人力资源领域的落地价值。
演讲原文
衡阳星轨软件有限公司COO包纪强 00:05
很高兴在这里跟大家分享关于明道云和AI agent相关的一些结合。每次来到深圳这个地方，我都是感觉有点手忙脚乱，忙忙的来，急急忙忙的回上海当中搞得很累，但是每次来收获都很大。今天特别的感受，好像离我这个座位越近的人，演讲的内容收获就越大一点。这是我今天大概的一个目录，我尽量讲的快一点。
衡阳星轨软件有限公司COO包纪强 00:32
我们公司新轨是从上海开始创立，一直是做实施。上午何总说乙方是爸爸，那我们是乙方，孙子当了很多年了。我们一个整个team比较技术宅。我自己以前是做金融交易互联网的team里面一些做电商的。整个技术宅往往对低代码有一些天然的抵触，就觉得这个东西靠不靠谱。因为15年的时候我们就有机会来做用低代码来做一些实施。但事实上没办法，就是行业机会会倒推你的。
衡阳星轨软件有限公司COO包纪强 01:07
有的时候你的代码资产是base在某些行业的。其实我们自己做政务项目也做了很多年。像刚刚安老师那边说的智慧城市，我们在那个方向反而堆积了很多代码。但是像企业数字化机会来了，有这样的商务机会，但是没有代码资产，你去重新熟悉一个新的行业，重新去做它，那是很难的。
衡阳星轨软件有限公司COO包纪强 01:33
所以我们在这个过程中，其实跟何总刚刚一样，感觉何总也是之前有一个顾问型的人来引荐了明道云。我们也是一样，有一个这样的外部顾问，在他推荐下我们试用了很多低代码平台。当然明道云是我们最后的定下来的选择，原因也和何总前面聊的一样。
衡阳星轨软件有限公司COO包纪强 01:57
就我觉得对于业务人员来说，他是一更强大的exile。对于我们整个是开发团队为主的人来说，他好像又是一个很能够贴近你平时工作的数据库都是以表为一个基底来做呈现的。所以对业务人员来说也不陌生，对于开发人员来说也陌生，双方一起就可以一拍即合。
衡阳星轨软件有限公司COO包纪强 02:20
我们自己因为我自己做低代码算是小学生，我们刚做了一年多。一年内我们组建了一个小组，专门来实施低代码的明道云。仅仅五个人，我们一年完成了三个化工厂表面处理化工厂的项目。
衡阳星轨软件有限公司COO包纪强 02:36
一个上海也应该算是比较头部的建筑设计里领域的一个企业的企业数字化。还有一个是半导体行业的一个企业的数字化，做的面也是比较广的。虽然没有做到那种所谓超级APP的一个地步，但是基本上在一年内企业数字化当中，CIMHR财务还有一些轻度的merse相关的东西也都做了。我们自己在实施的过程中的经验，这是我们大概的一个技术上的架构。如果碰到前面比较大的，像类似于我们也合作过一些，比如说一线的头部的电子车的厂商，我们可能会考虑这样。包括一些上市公司，它本身的业务系统已经很多了。
衡阳星轨软件有限公司COO包纪强 03:23
业务系统多的情况下，可能我们把明道云看成应用层HAP上。我们在这个时候的时候是应用层当中，我们用flink来做技术数据沉淀。在明道云的这一块专注于应用。那一些相对比较小的客户就用明道云搭了一些项目，那怎么办？其中毕竟我们明道云相对来说，它是一个OLTP的一个工具，它比较专注于业务某些数据分析类的东西，我们还是考虑当中抽了一个数据库存出来。但在这种情况下，我们可能不一定用dories这样东西了，可能用PG SQL这样的东西来处理一个中间层，然后把这个当中的数据服务再反哺回明道云。这个是我们现在的一个，如果用明道云来做一个数据架构，这一趴我尽量快一点。因为前面说的也很多了。
衡阳星轨软件有限公司COO包纪强 04:15
我不知道从2023年开始到现在，大家是不是都像我一样就要下GPT出来以后大家觉得这个东西好厉害，你要去学它。学的时候过程中发现，这功能怎么那么强，是不是我们程序二号没饭吃了，就开始慌了。你慢慢接受这件事情以后，你慢慢自己再去迭代，把AI能力赋到自己的一个工作当中去。这样的循环我可以说每年每几个月身上在我们团队上就会这样滚一次。像今年可能我相信类似于像crucial cross code已经比较成熟了。GPT也发布了codex这几个。
衡阳星轨软件有限公司COO包纪强 04:53
原来你的AI是辅助你开发的，现在AI似乎在某些场景上已经可以一口武器把一个应用搭出来了。当然回过来说，我非常认同任总上午说的低代码平台跟vive coding当中是各有自己一块业务的，互不干扰。从我个人角度来看，我觉得互不干扰一些应用上的快速迭代，用低代码仍然是最好的选择。
衡阳星轨软件有限公司COO包纪强 05:18
这个是我现在这个我们快点过，这个是分享给大家一些我的学习报告。这是之前anthropic的一个报告。一句话总结，现在AI的应用在相对比较发达的国家渗透率已经很高了，在所谓的南方国家相对渗透率比较低。我觉得我们中国可能在这之中，换句话说，我觉得agent的空间还非常大。这里我也尽量讲快点，这个跟前面的哪个厂商说的有点像，我也是这个认知，并不是所有的场景你一定要用agent再来干一遍的。关键一点，想清楚你的数据在哪儿，想清楚你的流程。有些流程适合用agent就用agent上。有的流程适合比如RPA或者别的一些方式，你就用别的方式上。
衡阳星轨软件有限公司COO包纪强 06:10
这是我们现在做过的一些场景。在这里面其实第一个场景是我们自己的客户，他在明道云上搭了一个相应的agent。当时也我们自己也很震撼，也告诉我的团队，现在就是这个时代，你不干总有人干，客户自己也会干。还有一个经验就是像比如说发票这样的，为什么我觉得他不是那么适合，其实发票还是一个比较规整的数据，所有发票数据差不多就那样。但是如果换到前面的简历筛选，那每个人的简历千奇百怪，排版格式不一样，有的信息是文字，有的信息是图片，这种情况就比较适合agent了。
衡阳星轨软件有限公司COO包纪强 06:54
最后一个，这个是有像个笑话，at talk查询你的项目，你的产品做了100个功能，客户老板今天要101个功能。这个是今年脱口秀上的，我觉得跟我们IT行业的一个有名的笑话。就说这个大哥他自己是在他们公司里面管IT的，他说我的领导现在也在跟风用LLM对吧？问题是你如果要把这个大模型的能力充分发挥出来，你要使用者能够说清自己的需求，能够把这个语言信息结构化的表达出来。他说这个往往是我们领导的短板，一模一样。
衡阳星轨软件有限公司COO包纪强 07:38
我的客户跟我说过，我做了一个at hook查询的POC给大家看。他说包老师这个东西做的还不错，挺好的。但我估计我们领导用不了，因为他最喜欢跟我说，小李小张，你把那个事处理一下。当然我觉得我们在座的企业家不是这样，但是我觉得我们国家还是有大量这样的企业家的。OK我们快速进到我自己这一段时间上，对agent的一个思考。其实我当时特别害怕，就是因为我知道明道云，我准备PPT的时候，咱们明道云还没发，我特别害怕我这个东西到时候准备的不好。这个明道云新的大版本发布，显得我的眼睛像个小丑的那还好。
衡阳星轨软件有限公司COO包纪强 08:19
首先一点很像前面这个哲明老师说的，一个企业你如果要把agent做好，那肯定是你要准备这些东西了。你这个数字化转型要非常的完整，你的agent有自己的闭环数据OK你通过AI能把自己企业的护城河做起来。但问题是可能很多，就像刚刚说的，企业数字化按照国家标准有五阶，我觉得很多企业一阶都没做好，那怎么办？你怎么去处理这个所谓的没有摩擦的数据网呢？就是想要什么数据就有什么数据。而且这样的人似乎是招不到的。你又开发很强，又很懂明道云的事，是他对企业产品业务流程也能够定出来。我觉得这样的一个能人其实是很难招的那更好的方式也许是团队更好的配合。
衡阳星轨软件有限公司COO包纪强 09:11
我们团队里面有这样的一个配合流程，我们现场实施来定哪些数据，maybe以后需要做OAP做分析的具体定的时候的数据的字段的定义，让开发来定义。开发可能知道你怎么去定义这个字段，大模型更容易认得出来。比如说你如果客户名称，你用中文拼缩写可能就有问题。如果你换成另外一种形式，可能就要好很多。
衡阳星轨软件有限公司COO包纪强 09:40
OK接下来是我们自己团队内部用各种各样模型底座的一些不一样的心得。我们自己开发最喜欢用cloud还不错，性价比其实也还不错。如果你包月，但是众所周知原因比较容易被封号，我们现在团队也大量在用codex，但codex他也疯狂的在迭代，但总感觉不如claud。它比较像职场新人，其实能力很强很聪明，但是你要把规则讲多一点给他。
衡阳星轨软件有限公司COO包纪强 10:08
Deep seeker当然token比较便宜，但是它上下文的窗口限制还是有1点千问3。这个是我好大哥在阿里的好大哥推荐给我的。以前我这个人有点小小崇洋媚外，觉得国产大模型不好用。但他告诉我千问三在阿里内部已经跑通非常多场景了。我试了一下，其实千问3 code plus去对接crowd已经很不错了。最后一个是清华大学的那个自补青年，我很早就用了它，但当时他跟GPT差距很大。我要说的是他们现在对标cloud以后，现在这个版本的自主青年4.6已经相当可用了。所以我说这个东西不至于离现在太远了，因为这篇论文是10月1号刚刚发的。
衡阳星轨软件有限公司COO包纪强 10:54
我前段时间我的代码团队在做一个德国的rug的一个项目。现在我们中国有很多出口的货物要到欧盟去，要交碳税。那怎么去计算？怎么去算这些碳税？那些用户怎么去问问题？
衡阳星轨软件有限公司COO包纪强 11:09
我们在做一个rog的项目，但是这篇文章当时看到就比较震耳欲聋。他说这个rug已经不行了，已经kill by agent very accounts windows。就是说他这个东西已经他他他已经被大厦下文窗口干掉了。他在下面写了一个理由。
衡阳星轨软件有限公司COO包纪强 11:25
另外一边他说为什么co co特别好用？它不是因为它rag做得好，恰恰是因为它没有rag。基于这个理论，我马上也要求团队来做一些迭代，今天来给大家做一些分享。
衡阳星轨软件有限公司COO包纪强 11:41
这个是支撑他前一篇文章的数据，他告诉我们一个什么样的事实，为什么这句话本身比较可信？因为刚刚那篇文章的作者就是欧洲最大法律rag库的作者创始人。所以他告诉我们一个什么道理？就是大模型在目前这个阶段最喜欢吃的是什么数据？他最喜欢吃的是高质量的有结构的文本，而不一定是rog，不一定是向量数据库旁边那个红的就是rog传统的rug，因为我自己做rug切分数据切分的要死要活的。他告诉我们为什么现在能够做到这一点，是因为右边的原因。右边就是说现在的从原来GPT four只有8k token的这个时代，现在已经发展到200K了，gma已经到了一照了，group for fast已经到两兆了。我下面也列了一些国产的，我们DC deep six是128KG2M4.6是200K千问3 code plus也达到了一兆，它能够比较大的吃多一点文本，如果你的文本的结构化够好的话，效果就会比较好好。
衡阳星轨软件有限公司COO包纪强 12:48
既然cross code那么厉害，我就在想我们的一些agent能不能直接用procol的A技术来做。而恰好大家看一下时间，其实这个时间仅仅在一个月前，点crock，crock放出了它的agent SDK，就是cloud code能力，你可以直接用它，你把SDK装好，你就可以用它了。我们想用的迭代的第一个场景是前面说的简历分析的那个场景，这是我做的ETL做的ETL从零到云里面来做的ETL。大家想一个人事总监他如果要去塞人，他应该看哪些数据？他是不是要看一个人的大概的工作经历？他可能要细看，他要看一个人的简历，要好好的看。但是如果一下子他要招好几个人，他可能又有一个像比较粗略的先初筛一部分的这样的一个需求。而且在这个过程中他可能是互相的，他可能先看五份差不多像样了，我在当中再挑两个人，我把这些能力写成了一个ETL。
衡阳星轨软件有限公司COO包纪强 13:53
当然我觉得今天看到的分享，上午说明道云以后的ETL这一块会更好的发挥，也可以开源。我相信以后这一块儿不用那么累，但其中有一块还是挺累的，你毕竟PDF要降下来。既然AI最喜欢结构化文本，我还需要一些云服务把它转成markdown对不对？所以这个过程还是要自己少不了一些开发。
衡阳星轨软件有限公司COO包纪强 14:18
这一块我用web coding，这么复杂的ETL，当然的佘老师在这里不敢说复杂。相对比较复杂。我觉得你让一个开发来做，以前再怎么干干这个东西，干好几天还是需要的那起码vive coding做这件事情一天就可以，这可能是比较适合vive coding的场景。
衡阳星轨软件有限公司COO包纪强 14:39
回过来说，这里是我跟我团队去定义agent的一个点。我们说我的团队内部是这样的，像明道云的agent的节点，我们称之为AI能力或AI函数。因为不要这也agents那也agent，有时候沟通起来会出现歧义，那我们觉得的agent是起码要有一个循环。不管是react架构也好，还是像claud这样说的，你总要有个收集信息，做出行为人或者别的agent能够去验证你的worker。这样的一个循环，我们内部团队才称之为agent。
衡阳星轨软件有限公司COO包纪强 15:15
有了准备好数据以后，那我们现在应该要有开发agent了。这个也是vive coding用pro的AGSDK来做的。我们可以看一下这个小demo，不知道能不能放视频，这个比较极客一点了。
衡阳星轨软件有限公司COO包纪强 15:30
大家可以看整个pipeline是比较复杂的，你要去搞这些数据，你要从零到云里拉，根据这些东西再去7788抽这个东西，是一个很复杂的一个过程。还要去下载这个，那的不占用大家太多时间，我直接放下去。那这边就是一个我们的招聘agent，你会看到这个输入不是一个好输入，这个输入有点太模糊了，就像那些提不出好问题的领导一样。好的agent我觉得应该能够引导用户一步一步的把这个数据往下走，然后告诉他用什么方式。当你说了深度以后，他就会一个人去看他们的简历，他会初筛好几个人在，一个人能看他们的简历是不是符合这一块。我能给大家报告的是这一块仿真数据，我们跟客户有一些沟通。
衡阳星轨软件有限公司COO包纪强 16:24
基于仿真数据客户的人士告诉我，AI最后选出来的人跟他选出来的人是一样。其实这还没完，这边其实还没完，我快一点就把它过去。可以，所以我截个图，我们快一点。比如说一开始你问他怎样，然后比较深度的部分以后，他列了一个张表出来。其实如果往回看AI初筛的时候，这个候选人并不是第一名的。但是他深度分析以后，他就变成第一名了。这个第一名就跟人分析出来第一名是一致的了。甚至于他会主动的，比如说你问他这人薪资怎么样，他会给你细一步的分析，然后他甚至会给你做一些风险提示。
衡阳星轨软件有限公司COO包纪强 17:05
这里其实我我想特别想跟大家分享的就是这个agent背后的模型，就是自古清妍的GM4.6。因为我觉得它对标claud，对标cloud这个模型，因为它比较严格，它是一个开发相关的，它天然对风险这一块就敏感一些。我们测了一些模型，我发现这个场景core最合适。OK在这个找到答案AI maybe可以帮你找的年代，可能问出好问题更重要。这里是我的三个问题分享给大家，我很希望有机会能跟大家一起探讨。很明显这三个东西都没有一个特别标准的答案。但是我希望能够跟大家一起慢慢的在不一样的场景找到相应的答案。好，谢谢大家，可以加我微信，大家一起交流，感谢分享。
