MatrixOne Intelligence 5.0正式进入 GA 阶段,构建面向企业的 AI 基础设施

人工智能正在改变企业开展业务的方式。从日常办公、客户服务,到数据分析、财务管理、研发和生产运营,越来越多的企业开始尝试将 AI 引入实际工作。大语言模型让 AI 能够理解和生成内容,智能体则让 AI 开始具备使用工具、处理任务和参与业务流程的能力。

但对于企业来说,让 AI 真正发挥价值,远不只是接入一个模型,或者创建一个能够聊天的机器人。企业每天产生和积累着大量数据。这些数据分散在数据库、业务系统、文件和各种应用中,承载着企业的业务知识、运营经验和经营信息。企业希望 AI 能够理解这些数据,熟悉自己的业务规则,回答真实的业务问题,甚至帮助员工完成实际工作。

然而,这并不容易。AI 可能很聪明,却不了解企业自己的数据;能够回答问题,却无法访问完成任务所需要的业务资源;能够完成一个简单的演示,却缺少在企业环境中持续运行所需要的权限管理、执行环境和运行管理能力。

企业真正需要的,不只是一个 AI 应用,而是一套能够支撑 AI 应用构建、运行和持续发展的基础设施。

今天,我们很高兴地宣布,MatrixOne Intelligence 5.0(简称MOI)正式进入 GA(正式商用)阶段。

MatrixOne Intelligence 是面向企业的 AI 基础设施平台,以数据智能为核心能力,帮助企业连接和管理数据、构建企业知识、开发 AI 应用与智能体,并让这些能力在企业的实际业务环境中运行。我们希望帮助企业解决一个更根本的问题:让 AI 了解企业,形成真正的生产力,并成为企业业务的一部分。

企业需要的,不只是AI模型,而是能够支撑 AI 的基础设施

企业使用 AI 的方式正在从“辅助聊天”转向“业务深水区”。如今,企业不仅需要 AI 写材料、答问题,更希望它深度参与经营分析、客户服务、财务审核与业务自动化。

这意味着 AI 必须融入企业现有的数据、系统与工作流。但在落地过程中,企业往往面临四个核心卡点:

  • 数据连不上:业务信息分散在数据库、PDF、Excel 和各类系统中,AI 既难获取,也缺乏权限边界。
  • 知识读不懂:原始文件并非可用知识,需要经过解析、清洗与业务语义定义,AI 才能真正理解。
  • 行动落不了地:企业需要的不是“问答机器”,而是能查数据、调工具、跑通工作流并交付结果的智能体。
  • 生产管不住:进入生产环境后,数据权限、工具调用边界、任务执行监控与资源管理都必须可控、可审计。

MatrixOne Intelligence 正是为此而生。它将企业数据、数据智能、工作流与智能体运行能力融为一体,帮助企业稳步构建安全可控的生产级 AI 应用体系。

MatrixOne Intelligence 5.0的产品架构及能力

MatrixOne Intelligence 由三部分构成:

AI Studio 是数据处理和智能体的统一工作台。用户可以用自然语言接入和加工数据、建立知识库,再把工作流、知识和工具组合成企业微信或飞书里的业务助手。

MatrixOne 是 MOI 的底层数据引擎,负责存储业务数据和加工结果,并提供数据处理与查询能力。工作流可以读写业务表,SQL 分析和知识检索也可以使用这些数据。

Genesis 是 MOI 的统一模型服务。用户可以选模型、在线调试、管理调用凭据和查看用量。它为 AI Studio 的工作流和智能体提供模型能力,企业也可以通过 API 将模型接入已有应用。

MatrixOne Intelligence 5.0 产品架构与能力全景图

围绕从数据接入到业务落地的全过程,平台提供五项核心能力:

  1. 统一的数据连接与目录(Catalog) 企业不用为了用 AI 而大动干戈迁移数据。AI Studio 支持本地文件上传,也能直接连通现有的 MySQL、Doris、S3、OSS 及各类 REST API。接入后,结构化数据入表,非结构化文档进“数据卷”。团队可以在统一的 Catalog 里直接浏览资源、预览数据,并按只读权限安全地共享给指定工作区。
  2. 可复用的算子与确定性工作流 文档解析、信息提取、向量化,以及企业原有的 SQL 和 Python 脚本,都可以封装成标准算子——明确输入输出,独立管理版本。在搭建工作流时,你可以用自然语言或模板让 AI 辅助设计,一旦确认,就能把步骤、条件分支、定时或数据触发规则“固化”下来,做到可重复执行、节点日志全可查(涉及大模型判断的环节仍可按需人工核对)。 这套机制的核心在于复用:一个算子能被多条工作流调用,一条工作流也能直接发布为 API,服务多个业务场景。
  3. 懂业务语义的知识库与 SQL 分析 知识库把文档和结构化表组织在一起,不仅存内容,还维护字段说明、业务规则和查询示例,帮 AI 真正听懂企业的“行话”。员工用自然语言提问时,文档问答会直接给出引用溯源,数据查询则会同时展示生成的 SQL 和结果,不玩“黑盒”。数据分析师也可以用 SQL 工作簿沉淀常用查询,直接生成工作区看板。
  4. 面向生产的智能体与运行管理 智能体不再只是陪聊,而是能带着模型、知识库、技能和业务 API 去实际干活。做好的应用可以发布为独立 Web 页面,也可以直接嵌进企业微信、飞书、Slack 等现有协作工具里。在后台,平台通过隔离运行环境、定时调度、成果归档,以及工作区与角色权限体系,把“谁能看什么数据、能调什么工具、跑出了什么结果”管得清清楚楚。
  5. 开放的 Genesis 模型服务与开发集成 开发者可以在 Genesis 里自由选型、在线调试模型,并通过兼容 OpenAI SDK 的接口快速接入自家应用,同时透明查看用量与请求记录。对于希望深度定制的研发团队,MOI 同样开放了完整的 API、SDK 和 CLI,方便把平台的数据处理与智能体能力无缝集成到现有业务系统中。

从数据到业务:把 AI 一步步接进核心流程

有了底层平台和工具模块,企业究竟该如何把 AI 真正用起来呢?

我们始终认为,决定企业 AI 成败的不是大模型有多聪明,而是它懂不懂你的数据、认不认你的业务规则、能不能在你的系统里干活。因此,MatrixOne Intelligence 提供了一条循序渐进的落地路径:

第一步:把分散的数据“连起来”,形成统一底座 企业上 AI 最怕“每个场景建一套烟囱”——为了做客服搬一次文档,为了做分析导一次数据。 依托 MatrixOne 的数据底座与统一目录(Catalog),企业无需改动现有信息系统,就能把数据库、对象存储和日常文档直接连通。从此,数据不再是散落在各处的孤岛,而是所有后续流程、知识库和智能体随取随用的公共资产,彻底告别跨工具反复搬运资料的折腾。

第二步:把原始资料“炼成知识”,让 AI 听懂业务行话 接通数据只是开始,原始的 PDF 合同、杂乱的业务表,AI 依然看不明白。 通过前文提到的算子与工作流,企业可以把“文档解析—字段提取—SQL/Python 清洗—向量化”串成标准流水线:非结构化文件沉淀为可溯源的知识库,结构化业务表则通过语义模型明确字段含义和指标口径。更重要的是,这些加工流程都能保存复用——业务越跑,沉淀下来的规则和知识资产就越厚实,AI 对企业的理解也就越精准。

第三步:工作流与智能体“双轮驱动”,让 AI 真正接手工作 当数据和知识准备就绪,AI 就可以从“聊天框”走进具体岗位了。在 MOI 中,企业可以根据任务的确定性程度,灵活组合两种执行方式:

  • 规则明确、步骤固定的事,交给工作流:像定期数据汇总、发票合规初审、项目周报生成,直接按配置自动化跑通,省人力且不出错。
  • 需要理解上下文、动态判断的事,交给智能体:比如研发人员查技术规范、管理者用自然语言问经营数据、财务排查报销异常,智能体会自动调用知识库和业务工具分析作答。

从“连数据”到“炼知识”,再到“跑业务”,MatrixOne Intelligence 让 AI 不再是一个孤立在业务之外的问答工具,而是真正融入企业毛细血管、能扛起日常工作的数字生产力。

每周订单汇总工作流示意

企业可以用 MOI 做什么?

做 MOI 的过程里,我们也是它的用户。研发和测试用它一起做版本,运营用它跑活动,管理团队想看经营数据时,就在企业微信里问。

我们自己怎么用 MOI

研发和测试用 MOI 一起做 MOI 拿数据导入来说,测试发现问题后,可以把样例数据、复现步骤和运行结果放进同一个 MOI 工作区。研发修完,测试再用同一批数据跑一遍。每个版本都要做的检查,就把样例和步骤一并留在工作流里。

运营把活动和推广做成定时任务 办一场活动,宣传只是开头。报名信息要汇总,推广渠道要跟进,活动结束还要做复盘。我们把其中重复的步骤做成工作流,再用定时任务触发。下一期换一批素材、改一下日期,流程就可以接着用。

管理团队在企业微信里问数 活动复盘前,想知道哪个渠道带来的报名多,管理团队可以直接在企业微信里问 MOI 助手。如果还想知道社群里哪些人没确认到场,就在同一段对话里接着问。问完报名情况,运营就可以拿待确认名单继续跟进。

在企业微信里查询活动数据的示例对话

客户怎么把 MOI 用到专业业务里

建筑与工业图纸 做新项目时,工程师常要找相似地质条件下做过的项目。一家工程勘察机构用 MOI 解析历年报告、扫描件和图纸,把跨页表格里的承载力等参数整理出来,保留它们和原始土层、原文位置的对应关系。参数有疑问,还能回到原页核对。

医疗病例 一家医院在做专科问诊时,需要先从历史病历里理清患者的症状和病程。团队用 MOI 处理脱敏后的病历资料,把主诉、病史等内容整理成结构化记录,用于病例分析和问诊准备。医生可以在这份资料上继续核对和判断。

生产质量与良率 一家冶炼企业把设备传感器数据、摄像头图像和历史作业记录放到同一套数据底座里,为炉况判断提供依据。换到离散制造的产线,质量团队也可以按工单和批次把工艺参数、检测结果对齐,追查良率波动。积累足够历史样本后,再用这些数据训练模型,提示哪些批次值得优先检查。

采购寻源与比价 一家企业做设备采购时,技术规范、历史成交价和供应商报价散在几套系统里。用 MOI 先把规格和数量提出来,由采购人员确认,再对照内部采购记录、供应商资料和外部市场信息。比价报告里的关键结论都带来源,审价时可以查回对应依据。

模型训练数据准备 一家智能座舱团队每天都收到来自车队的语音数据。他们在 MOI 里按统一格式整理原始音频、转写和标签,并建立向量索引。下次模型团队要补某类口令或特定驾驶情境下的样本,就能按条件从语料里筛选,少做一轮人工翻找和整理。

传媒与出版也可以从素材库做起

一家出版机构已经把教材语料、教学资源和出版素材的统一管理纳入项目,并计划开发内容创作与编辑校对助手。换到传媒编辑部,做一期老街改造专题也可以从类似的素材库开始。编辑用一句话找出往年报道、采访和原片,查看出处,确认哪些素材可以使用。运营接着用审定的专题稿准备公众号摘要、短视频预告,再放进推广排期。

从素材库到推广排期的传媒工作流程示意

如何体验MOI:从公有云免费起步,到企业级私有化落地

为了适配不同规模团队的技术架构、预算节奏与安全合规要求,MatrixOne Intelligence 提供公有云与私有化部署两种灵活的交付方式,支持企业从单点场景验证平滑演进至全业务规模化应用:

公有云在线版:即开即用,支持免费开始 无需购置服务器或部署运维环境,注册登录即可直接使用完整的数据接入、工作流编排与智能体构建能力。平台采用透明的 Credit 充值与按量计费模式,算力与模型消耗清晰可控,非常适合个人开发者、业务创新小组以及希望低成本试水 AI 的企业团队。目前平台正值限时推广活动期,新用户注册即可免费开始体验,快速跑通你的第一个生产级智能体。

企业级私有化部署:独立环境,深度集成 面向对数据敏感、内网隔离及合规审计有严格要求的中大型企业与政企机构,MOI 支持在企业自有云环境或本地机房进行独立部署。方案可与企业现有的身份权限体系(SSO)、核心业务数据库及内部审批流深度打通,并提供专属的架构咨询、定制开发与全生命周期交付服务,确保 AI 能力在安全可控的边界内长期演进。

试用时遇到问题,或有哪里希望我们改进,可以通过产品里的「反馈」入口告诉我们。提交有效反馈,我们会赠送 Credit,供你继续体验。

在线试用 MOI 5.0