10 月 23 日，金蝶在北京办 2026 全球创见者大会，六十多个城市设分会场，规模过万人。会上发布的是企业智能体操作系统「灵基」（Lingee）的新一轮能力：面向管理者的灵基 Manage、企业上下文平台、以及 ERP 连接器。同时联合大模型厂商与高校发布了《Lingee Bench：企业级 Agent 评测基准白皮书》。
这类大会一年好几场，本来不该单独写。但这次有两个数字值得拿出来看：ERP 连接器首批 70 个，1127 个 Tool；评测基准四套评测集、1400 多道题。前者说明 Agent 开始被允许”真去改业务系统里的数据”，后者说明厂商开始自己出题考自己的 Agent。两件事凑在一起，恰好是当下企业 Agent 最要紧的两个卡点。
一、先把事实理清楚
发布内容三块。灵基 Manage 定位管理者的决策入口，由 AI 助理「小灵」、灵基空间和 AI 组织组成——小灵在授权范围内执行任务并主动汇报，灵基空间承载从议题、决议到任务执行的闭环跟踪。企业上下文平台把 ERP 数据、知识库、记忆、生态 MCP 与外部数据统一接入，形成”AI 可理解、可追溯的资产”。ERP 连接器首批上线 70 个连接器、1127 个 Tool，覆盖金蝶 AI 星瀚、星空、星辰及 AI HR 等业务系统，让智能体既能查数据也能执行业务操作。
商业数据。截至 10 月 23 日，灵基付费客户 3706 家。会上给的两个案例：马来西亚振兴集团整合原有 40 多套异构系统，费用报销周期从 5 天缩到 1 天，三单匹配环节人工需求减少 89%；阳光智维把智能体用在投标、审核、检修场景，标书编制从 6 天压到 1.5 天，智能审核系统每年处理 5 万余张票据和 3000 余份合同。
评测基准。Lingee Bench 覆盖通用办公、财务、供应链、制造四套评测集，共 1400 多道题，评估三件事：任务能不能完成、执行准不准、结果可不可追溯。官方口径是”检验 Agent 能否在企业真实业务环境里把活干完、干对、留下可核查的结果”，并允许其他 Agent 企业和模型厂商用它评测自家的模型与 harness。
二、1127 个 Tool 意味着什么
过去两年企业上 Agent，最贵的一笔钱不是模型调用费，是”接系统”。每接一个业务系统，要写接口、对字段、处理权限、做异常兜底，一个中等规模的项目光对接就能吃掉大半预算和三个月工期。所以大量 Agent 项目最后停在演示阶段：能查，不能改；能给建议，不能落单。
1127 个 Tool 的意义不在于数量，而在于把”接系统”从项目制变成了配置。当连接器是标准件，Agent 团队的活就从”写接口”变成”选接口、配权限、定边界”。这是企业软件厂商相对模型厂商的结构性优势——它手里本来就有业务对象和事务边界。
但要清醒一点：Tool 多不等于能放手。1127 个接口里，查询类和写入类的风险等级完全不同。一个”查库存”的 Tool 出错只是数字难看，一个”过账”或”付款申请”的 Tool 出错就是财务事故。所以真正该问的不是”支持多少 Tool”，而是这 1127 个里有多少做了写前审批、多少支持事务回滚、多少能按单据粒度授权。这个颗粒度，发布会通常不会讲。
三、企业上下文：Agent 的”公司常识”要能追溯
会上有个说法挺准：模型不缺知识，缺的是”你们公司对’收入’和’逾期’的定义”。同一句”这个客户算不算风险客户”，销售、财务、法务三个部门能给出三个答案。
企业上下文平台要做的事，本质是把这些口径沉淀成可检索、可追溯的资产：业务本体（客户、物料、单据之间怎么关联）、业务规程（审批流、权限规则、例外处理）、专家经验（老会计怎么判断一笔费用该不该资本化）。这三样东西过去只存在人脑和散落的文档里，Agent 一接就露怯。
这一步和企业知识库不是一回事。知识库解决的是”文档里写了什么”，上下文解决的是”这个字段在我们公司是什么意思、这个动作在我们公司要走谁”。前者是检索问题，后者是语义与权责问题。做落地的时候如果把两者混为一谈，做出来的东西能答政策，但不能干活。
与Agent 运行底座那条线也要区分：底座管的是任务怎么跑、状态存哪、沙箱怎么隔；上下文管的是跑起来之后它懂不懂业务。一个是水电，一个是语言。
四、1400 道题：评测口径从”答得对”到”干完且留痕”
Lingee Bench 里最值得抄的设计是第三个维度：结果可追溯性。大多数 Agent 评测只看到”最终答案对不对”，企业场景恰恰相反——答对了但没留痕、没走审批、改错了不能回退，这个”对”是不能用的。
把”可追溯”写进评测，等于把审计要求前置到评测阶段。思路是对的：一道题不只判最终数值，还要判它调了哪些工具、改了哪些单据、有没有越权、能不能还原操作链。
局限也要说清楚。厂商自己出题、自己发布、自己解读，天然有倾向性：四大场景 1400 道题，题目分布的权重怎么定、判分是规则还是模型裁判、题目会不会逐步被针对性优化，这些都是黑箱。前几天 Gemini 4 Argon 那件事已经演示过一遍——同一个模型，官方 harness 97.5%、标准 harness 49.8%，分数的可比性完全取决于跑分的那套壳。所以这类基准的正确用法不是”看谁第一”，而是”拿它当内部评测集的起点”，把自己的真实单据接进去再跑一遍。
五、老达点评
第一，这次真正有价值的数字是 89%，不是 3706。3706 家付费客户说明卖得动，但”三单匹配人工需求减少 89%”说明它碰到了真痛点。三单匹配（采购单、入库单、发票）是财务共享中心最枯燥、最容易出错、最依赖老员工经验的活：金额差一分、数量差一个、税率差一档，都得人去核。这种活有三个特征——规则明确、数据齐全、错误代价可量化，正好是 Agent 的最佳射程。相比之下，”标书从 6 天到 1.5 天”要打个折看，标书编制里模板化部分本来就高，压缩空间大，但技术方案和业绩响应那部分很难压。
第二，ERP 厂商做 Agent，护城河在事务边界而不在模型。这跟百度搭子把重心搬到生产线是同一个逻辑的两面：一个从办公入口往里钻，一个从业务系统往外扩。谁能定义”什么算一笔合规的单据”，谁就掌握 Agent 能不能真的落单。模型能力会趋同，事务边界不会。
第三，付费客户数要跟”深度”一起看。3706 家里有多少只用了一个场景、多少人月活、多少家把审批真的放开给 Agent，这三个数比总数重要得多。企业软件的规律是”上线容易、用深很难”，第一年用起来的是查询和提醒，第二年才敢碰审批和过账。
第四，评测基准这事，国内终于有人做了，但别指望它中立。企业级 Agent 评测最难的不是出题，是造环境——真实 ERP 数据、真实权限、真实异常单据。厂商有环境、有客户、有动机，做这件事是合理的，但结论要打折听。真正该期待的是第三方拿着这套题去跑不同厂商的 Agent，那才有比较价值。
六、对正在做落地的团队，三条建议
一是先盘 Tool，再谈 Agent。把你们 ERP 里高频动作列出来，按”查询/写入/审批”分三级，先只放开查询。这一步做扎实，后面放开写入才有底气。
二是把口径写进配置，别写进提示词。客户分级标准、费用资本化规则、审批金额阈值，这些几年一变的规则，写成带生效日期的配置文件，Agent 每次运行时读取。写进提示词的下场是：规则一改，所有历史判断都失去可复现性。
三是先挑”错得起的场景”。三单匹配、报销预审、对账差异排查，这类活错了能补、能发现、代价小；付款审批、合同签署、对外报价，错了就是事故。顺序反了，第一次出事就会让整个项目停摆。
七、还没解决的问题
三个，都挺硬。
连接器生态的锁定。1127 个 Tool 是金蝶生态内的，跨到别家 ERP 就得重接。企业现实是混装环境——总部一套、工厂一套、海外分公司又一套。跨厂商的 Tool 标准目前还是各家各做，这一层不打通，”配置化接入”只在自己院子里成立。
授权粒度。会上讲”在授权范围内执行任务”，但企业真正需要的是”这张单子、这个金额、这个时点可以执行”，而不是”这个角色有付款权限”。按单据实例授权，比按角色授权难一个量级，这也是按任务计成本之后，企业侧下一个必须算清楚的账。
责任归属。Agent 在授权范围内过了一张单，出了错谁负责？现在的通行做法是”人拍板人负责”，但当一个管理者一天要批 200 条 Agent 提交的动作时，”拍板”就变成了橡皮章。这个问题的答案不在技术里，在制度里。
总的来说，这次发布值得记一笔的原因不是功能多，而是它把企业 Agent 的竞争焦点从”模型多聪明”挪到了”能不能在事务边界内干完并留痕”。前者是模型厂商的战场，后者是业务系统厂商的战场。对使用者来说这是好事——被比拼的东西越接近真实工作量，落地成功的概率就越高。
