2025/26 财年,联想集团乐享超级智能体较传统官网销售转化率提升 23%,中国区研发综合提效 30% 以上。联想以智能体重构自身运营,推进 AI 原生转型,中国区软件研发已采用“全栈工程师 + 五个智能体”的团队分工。DeepSeek 已将自家模型用于内部员工的编程任务;月之暗面的早期 K3 在该模型开发后期,承担了团队多数内核优化工作。
联想集团:乐享超级智能体提升客户直营效率
联想 9 月公布,乐享超级智能体月活用户达到 700 万,日均交互超过 100 万次,贡献的流水收入占联想官网总流水的 50%。在 2025/26 财年,乐享较传统官网销售转化率提升 23%。
乐享面向公众和客户,已经应用于超级咨询、线上导购、线下导购、客户经营、线索孵化和服务六类场景。客户提出需求后,总控 Agent 理解意图、拆解任务,专业 Agent 分别对接业务系统,接力完成各项工作。
任务执行采用串行与并行两种调度方式。总控 Agent 根据任务特点安排执行顺序,专业 Agent 对接各自的系统,依次或同时处理子任务。

乐享的自主进化采用记忆检索和 Skill 技能演化两项机制。联想研究团队将这些技术与多智能体协作能力应用于企业级 Agent Harness,即支撑智能体执行任务的运行层,处理链路较长、关联多个系统的企业任务。
乐享 4.0 已将 Harness 应用于企业级业务场景,擎天 5.0 混合式 AI 底座提供模型等基础能力。咨询、导购、客户经营和服务应用在业务端运行,底层通过智能体调度连接不同系统。
在 7 月介绍的上一财年业务结果中,联想披露,乐享与 46 个垂直领域场景智能体组成的协作体系,助力联想中国区客户直营营业额同比增长 33%。
联想集团的“全栈工程师 + 五个智能体”
联想中国区正在调整软件研发团队的分工。过去分属需求、架构、前后端、测试和运维等八类角色的工作,整合为“全栈工程师 + 五个智能体”的小团队。工程师围绕开发任务组织多个智能体,承担的角色由单一环节扩展到前端、后端、测试和运维。
2025/26 财年,联想披露中国区研发领域智能体综合提效 30% 以上,AI 代码贡献率超过 80%。9 月介绍岗位变化时,联想进一步表示,全栈工程师已在中国区全部软件团队普及。
围绕新的协作需求,联想新增前沿部署工程师、业务场景专家、AI 治理专家和 AI 交互设计师等岗位,并推进相应能力建设。
在电话销售团队,针对某类客户的线索到商机孵化,首轮工作由智能体完成,再由员工重点跟进。客服业务则由智能体承接更多服务任务。联想披露,2025/26 财年中国区服务领域硅基客服占比达到 75%,在不增加人力的情况下,承接的服务工单每年增加超过 25 万单。
这些调整涉及流程中的任务分配、交接和团队安排。2025/26 财年,联想集团梳理了 692 个四级以上业务流程,在不同领域推进重构;员工接收需求、查找信息、协调系统和汇总结果等工作,逐步由单个或多个智能体参与完成。
联想也建立了 AI 岗位序列,培养 AI 转型管理人才、AI 专业人才和能够与智能体协作的员工。过去一个财年,联想中国区开展 580 场培训,累计 10 万人次参加。员工培养涵盖基础 AI 工具、内部实践课程与行业实践,能力评测涉及提示词、上下文处理、任务分解和判断力。
面向员工的联想乐搭已沉淀上千个 Skills。联想中国区将乐享、同享和乐搭三个超级智能体,与 100 多个场景智能体及各类 Skills 组成网络,分别面向客户与公众、合作伙伴和员工。
联想集团 iChain 压缩供应链分析时间
在联想自身供应链中,AI 应用覆盖计划、采购、制造、物流和风险管理。自研 iChain 平台通过智能编排,支持风险识别、情景模拟和决策协同,已在多个真实业务场景中应用。
需求波动、供应中断或物流约束出现时,智能体识别变化,提出应对建议,并支持经确认的方案执行。业务团队据此调整计划和资源安排。原先按周期制定的供应链计划,增加了持续感知、实时协同和动态优化的工作方式。
联想 9 月披露,iChain 网络模拟自动化率达到 90%,将原本需要两至三周的人工分析压缩至两至三个小时。平台承担风险分析与情景模拟,业务团队对方案作出确认后,再推进执行。
供应链智能体的应用还涉及跨区域管理。联想集团董事长兼 CEO 杨元庆 9 月介绍,公司在 2025 年 5 月上线自研供应链智能体,实现全链路多智能体协同与闭环管理。联想以“全球资源、本地交付”组织制造和供应链,在不同区域配置资源、安排生产并保障订单履约。
联想的全球制造网络包括 30 多个自营或合作基地,业务覆盖 180 个市场。
联想集团的三级收益管理与业务责任人
联想对 AI 项目的投入和收益,采用“场景、项目、项目集”三级管理。业务目标逐层拆解为应用场景,收益围绕收入增长、成本节约和效率提升三项指标衡量。联想把 AI 原生转型的第一阶段目标放在运营价值上,同时探索客户直达业务模式和新的增长业务。
AI 原生组织建设中的任务分工,也有明确的责任安排。规则清晰、重复高频、数据密集且结果可验证的任务由智能体承担;战略判断、复杂决策、价值权衡、沟通和重大异常处理由员工主导。
联想为智能体设立业务责任人,由人负责目标设定、权限授予、关键决策、异常处置和结果验收,并保留完整记录以便追溯。智能体执行哪些工作、以什么标准验收、异常如何处理,均纳入业务管理。
运行平台采用联想构建的凤凰架构,涵盖智能体的构建、治理、运行、观测和优化,统一承载和管理企业级智能体。业务团队定义场景目标、沉淀规则与经验、提出优化方向;IT 团队负责系统建设、接口集成、安全治理和运行保障。
业务规则的积累、系统接口的建设及运行反馈,由业务与 IT 团队共同推进,持续调整智能体能力。
9 月,联想将三年实践归纳为顶层规划、价值引领、硅基建设、碳硅融合和飞轮进化五项工作。中国人民大学世界一流企业研究院、中国人民大学商学院与联想集团联合发布《AI 原生组织转型指南》,总结流程、岗位、人才和治理方面的转型实践。
DeepSeek 以自家模型支持内部编程
DeepSeek 围绕模型研究和模型服务开展业务。4 月发布 V4 预览版时,公司介绍,DeepSeek-V4 已成为内部员工使用的 Agentic Coding 模型,用于编程任务。
V4 针对长上下文和智能体任务调整技术设计:在 token 维度压缩注意力,结合 DSA 稀疏注意力,减少长上下文处理所需的计算和显存。4 月发布时,DeepSeek 将百万 token 上下文作为官方服务的标配,还对主流 Agent 产品进行适配和优化,覆盖编程工具及任务执行框架中的代码、文档生成。
4 月的预览版分为 Pro 和 Flash 两种规格。Pro 侧重能力表现,Flash 的模型参数和激活更小,提供更快捷、经济的 API 服务。两种规格均支持思考与非思考模式,思考模式可调整强度。针对复杂 Agent 任务,DeepSeek 建议使用思考模式并提高思考强度。
当次模型通过对话产品和 API 供给,API 兼容两类接口协议,用户可以将模型接入已有应用。DeepSeek 在对主流 Agent 产品的适配中,分别处理代码任务和文档生成任务,公司员工也在自身编程工作中使用 V4。
DeepSeek 在 4 月同步开放了 V4 预览版的模型权重,提供本地部署入口。用户可通过网页对话、官方 App 或 API 使用模型,也可取得开放权重进行部署。
9 月 10 日,DeepSeek 发布 V4.1 Flash,采用输入与输出不对称的 Causal-Encoder-Decoder 结构,并调整预训练方式,开展更大规模强化学习后训练。公司介绍,结构设计着重提高推理速度、吞吐和扩展能力。
V4.1 Flash 还压缩了 KV Cache 缓存,减少运行所需的内存和存储资源。DeepSeek 指出,Agent 任务中缓存命中的费用往往占比较高,压缩缓存可以降低这类任务的使用成本。新模型同步上线 API,原生支持多模态视觉理解。
月之暗面 K3 参与研发后期的内核优化
月之暗面在 7 月介绍 Kimi K3 时披露,在该模型开发后期,早期版本 K3 承担了团队多数内核优化工作。研发团队实际使用 K3 完成自身模型开发中的工程任务。
K3 面向长程编程、知识工作和推理,采用 Kimi Delta Attention 与 Attention Residuals,改善长序列及跨模型层的信息处理,并配合训练和数据方法调整模型。月之暗面将正在开发的模型用于内核优化,也继续建设支撑训练运行的基础设施。
7 月 27 日的 K3 开放说明介绍了 MoonEP、FlashKDA 和 AgentEnv 三项训练技术。MoonEP 是针对细粒度混合专家模型的高性能通信库,支持通信负载不均衡情况下的专家并行;FlashKDA 实现 Kimi Delta Attention 高性能算子。月之暗面与 KVCache.ai 合作开发的 AgentEnv,为后训练提供隔离的沙箱环境,支持快速快照、恢复和分叉,用于并行 Agent 工作流和训练任务。
月之暗面同时公开了 K3 模型权重,并将 MoonEP、AgentEnv 开源;FlashKDA 此前已开放。模型权重与训练设施可由开发者取得,用于部署和训练工作。
月之暗面的内部知识工作评估,取自真实用户与智能体工作流中反复出现的问题和挑战。模型通过这些面向实际工作的评估接受检验,编程、知识工作等产品任务也纳入能力测试。
月之暗面展示的 Kimi Work 知识工作任务中,K3 将研究资料整理为可交互的报告,生成时间线、范围条形图、甘特图和演示文稿。模型还在视频剪辑演示中处理片段选择、画面衔接、音频处理和多轮修订,使用文字、图像和视频完成相关任务。
K3 应用于 Kimi、Kimi Work、Kimi Code 和 API 服务,分别提供对话、知识工作、编程及开发者调用入口。Kimi Work 中的 Widgets 可以生成交互组件,连接本地数据或外部插件并持续更新;Dashboard 将用户关注的组件集中展示,按主题、项目或目标组织。
在服务运行端,月之暗面 API 采用 Mooncake 分离式推理架构。
联想集团武汉基地:鲁班智能体助力基层生产管理
在联想武汉产业基地,班长每天打开产线操作终端,即可查看鲁班智能体主动推送的生产指南。昨日计划达成情况、当天开线安排、新员工操作规范和设备保养信息,集中显示在终端上。
过去,班长需要翻阅记录、逐个登录系统,核对当天的生产信息。鲁班智能体打通计划、人员、设备等 26 个独立业务系统,实时汇聚数据,围绕生产、质量、设备和人员分析展示。需要追溯时,班长可以查看业务看板,也可以直接询问工序标准、机型研发部门联系方式和岗位操作注意事项。
联想针对制造场景调优模型,将金牌班长十余年的实操经验和上千个历史异常处置案例沉淀到知识库。鲁班智能体从人、机、料、法、环等维度分析现场问题,提供操作建议和风险预警;生产发生异常时,匹配相应的标准处置流程。
联想公布,武汉基地班长每日核对信息、梳理生产现状的时间,从 35 分钟缩短至 5 分钟以内;万人优化排班的计算可在 8 秒内完成。鲁班智能体还可在 20 分钟内输出 4000 个工单的排产方案,30 分钟完成过去需要跨部门协作一整天的质量问题全链路追溯。
武汉基地新员工独立上手周期由 7 天缩短至 3 天,班长培养周期由一至两年压缩至 3 个月。鲁班智能体依托本地算力集群和制造知识库,即使在数百个终端并发访问的生产高峰,也能在 10 秒内给出决策建议。
免责声明:本文为本网站出于传播商业信息之目的进行转载发布,不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺,亦不构成任何购买、投资等建议,据此操作者风险自担。