正在加载，请稍候
10 月 14 日数十家企业发起 Agent Computer 计划，桌面级设备本地跑 122B 模型已经实现。真正卡住企业智能体的不是模型，而是缺一个把文件、记忆、技能、进度与成本都隔离开的工作区。
2026 年 10 月 14 日，端侧 AI 大会把「能常驻干活的机器」推上台面；但让企业智能体跑不到长任务终点的，通常不是模型能力，而是缺一个隔离良好的工作区。
2026 年 10 月 14 日，后摩智能联合数十家企业在北京发起 Agent Computer「共创未来」计划，并启动同名产业实践白皮书的共创工作。
大会背景是「从芯出发，向端而生」大模型赋能智能终端创新实践大会。据光明网 2026 年 10 月 15 日报道，后摩 M50 芯片量产不到一年已获得 150 多个产品定点、服务客户超过百家；联想 AI 主机 P7 机身只有充电宝大小，搭载 M50 可本地运行 122B 参数大模型，主打本地可用、7×24 小时持续运行与数据本地安全；中电长城全栈自主笔记本 N90Pro 集成飞腾 D3000M 与 M50，整机 1 公斤，可流畅运行 35B 本地模型，AI 模块按需唤醒、待机功耗 0.35W，满足信创「数据不出机」要求。同场落地的还有商汤基于 M50 的 AI Box，面向街道办、中小企业财务法务等数据敏感场景，官方称输出精度 95% 以上，把原本 3–5 小时的分析工作压缩到 3–5 分钟。
这些数字说明一件事：端侧推理的算力供给已经不再是主要矛盾。当百亿参数模型能在桌面级设备上跑起来，企业智能体的短板就从「跑不跑得动」转向「跑不跑得完」。
因为对话式智能体把任务状态、记忆和成本全压在上下文窗口里，任务一长就必然漂移；工作区则把这些状态外置成可隔离、可复盘的工程对象。
这个判断不是纸面推演。OpenBMB/PilotDeck 的开源 README 把近年智能体工具的演进拆得很清楚：Claude Code / Cursor 把模型推理带进了编程 IDE，工作区仍以代码仓库为边界；Claude Cowork 把「项目级隔离」引入桌面知识工作；WorkBuddy 把智能体接进企微、飞书这类 IM。三类工具分别解决了「在哪推理」「如何隔离」「在哪触发」，但没有一个把三者合起来。
PilotDeck 由清华大学 THUNLP、面壁智能、OpenBMB 与 AI9Stars 联合研发，2026 年 5 月 28 日开源，定位就是以 WorkSpace（工作区）为核心概念的开源操作系统。它的做法很直接：每个项目拿到独立的文件系统、记忆库与技能集，并行任务互不干扰，检索有明确边界，技能随任务自然沉淀。README 把这条能力称为 WorkSpace-Level Isolation & Accretion，落到工程语境就是一句话——不再有全局上下文污染。
按 PilotDeck 的开源设计，一个项目级工作区至少要隔离五类状态：文件、记忆、技能、任务进度与成本记录，缺掉任何一项，长任务都会在某处失控。
| 维度 | 对话框式方案 | 工作区式方案 |
|---|---|---|
| 状态存放 | 上下文窗口，会话一关就丢 | 项目级 WorkSpace，可持久化 |
| 记忆 | 黑盒，混在对话历史里 | 白盒，可打开编辑与一键回滚 |
| 并发任务 | 串行排队或互相污染 | 项目隔离，可并行推进 |
| 长任务 | 越跑越漂，中途失控难定位 | 断点续跑，进度可查 |
| 成本可见性 | 只能事后看总账单 | 按任务、按项目记录 |
第一条底线是任务能否无人触发地常驻执行，第二条是每一分 Token 花在哪个项目上能否说清楚——这两条决定了它是演示品还是生产工具。
成本这块有第三方可核对的对照样本。DeepInsight AI 在 2026 年 5 月 28 日的 PilotDeck 评测记录了两组数据：程序员人格测试类应用不开路由花费 10.97 美元，开启路由后 1.42 美元，节省约 75%；小红书内容生成场景从 12.58 美元降到 2.83 美元，节省约 70%。同篇评测指出，PilotDeck 的路由发生在子智能体层级而非单次请求层级，一整段子任务固定用一个模型跑完，避免频繁切模型打断 KV-cache。要把账单拆到席位粒度，桌面端 AIcoding 的成本拆法可以借鉴。
口径说明：这是第三方对特定工作负载的小样本实测，不能外推成「企业都能省 70%」；可复用的是它的设计取向——按子任务而非按请求做路由。
再看一组我们自己的样本。截至今日，蓝曜炬辉已发布的 7 个交付案例全部落在 2026 年，行业分布为人工智能 2 个、企业服务 2 个、教育培训 2 个、文旅消费 1 个；其中填写了团队规模的 5 个案例，核心团队均为 3–4 人，常见配置是「产品设计 1 人 + 前端 1 人 + 后端 1 人 + AI 架构 1 人」。这个量级说明这类项目目前更像「小团队 + 短周期」的形态，而不是一次性投入几十人的大平台工程。
适合数据不能出机、需要 7×24 常驻、推理负载相对封闭的场景；不适合边界模糊、长尾极重的通用推理需求。
从 10 月 14 日公布的终端形态可以反推三类典型场景：一是信创与合规约束强的办公场景（N90Pro 的「数据不出机」、待机 0.35W）；二是数据敏感的中小组织（商汤 AI Box 服务街道办与中小企业财务法务）；三是需要长期在线的个人与团队助手（联想 P7 的 7×24 定位）。反过来，如果任务要跨大量外部工具、模型能力边界不固定，本地 35B–122B 模型仍会遇到能力天花板，端云协同依旧是主流解法。给端侧模型划预算与降级线，鸿蒙端 AI 的这一版做法是可以直接参照的样本。
问：企业智能体落地第一件事应该做什么？
答：先定工作区边界再挑模型，因为状态隔离、记忆治理与成本归属这三件事一旦在项目级缺失，后面换再强的模型也补不回来。
问：端侧跑 35B/122B 模型够企业用吗？
答：要看任务边界，封闭、重复、数据敏感的流程够用，开放式长尾任务仍建议端云协同，把强模型留给复杂子任务。
问：智能路由值得自建吗？
答：如果 Token 成本已经进预算表就值得，第三方实测的省钱幅度在 70% 上下，但前提是路由按子任务粒度而不是按请求粒度切。
问：广州的企业想启动这类项目，从哪里切入？
答：从一条边界清晰的业务流程切入，先跑通「工作区 + 成本可见」这两件事，再扩展到跨部门协同；需要的话可以先做一次流程与数据边界评估。我们此前也写过广州企业上 AI Agent 之前，先分清「能演示」和「能交付」，可以先看那篇。蓝曜炬辉在广州做 AI 转型咨询与软件定制，服务范围与方式见这里。