源启如何在可靠运行中推进持续创新
新技术浪潮下,企业数智创新往往要在业务不间断运行中推进。如何平衡系统可靠与持续迭代,把个体工具提效转化为组织可复用能力,是众多行业面临的现实考题。
源启作为融合型数智基础设施,历经多年工程实践演进,以基础运行支撑平台与软件、数据、AI三大工厂,构建“1+1+N”架构体系。本文立足工程视角,解读源启如何依托系统工程和平台工程,支撑金融、能源、制造等关键行业业务稳定运行,沉淀知识资产,推动可持续的数智化创新。
一家银行更新核心系统,需要在架构变化中保持交易连续、账务准确,并为业务增长留出空间。一家能源企业引入智能应用,要先解决生产数据如何接入、行业规则如何表达、模型建议如何用于实际作业等问题。新技术带来更多可能,也对企业的建设与运行能力提出了新的要求。
对于企业而言,创新往往要在业务持续运行的同时推进。已有系统承载着多年投入,新的应用又需要及时响应业务变化。AI开始进入研发与业务流程后,企业还要回答一个更具体的问题:个人借助工具实现的提效,如何转化为不同团队都能持续获得的收益?这需要共同的业务依据、清晰的协作流程,以及可以验证的交付结果。
这正是源启持续建设的方向。“源启”是中电金信依托中国电子自主计算产业链与合作生态、结合长期行业实践建设的融合型数智基础设施。以基础运行支撑平台构建统一运行环境,保障关键业务;以软件工厂、数据工厂和AI工厂组成统一工程平台,组织软件、数据与智能能力的生产与交付,支撑智能能力在组织中持续应用,让技术投入留下可以复用的知识与工程资产。
单个产品通过测试,并不等于放进企业现有系统后就能可靠运行。一次交易响应变慢,原因可能在应用逻辑,也可能在数据库访问、操作系统调度或硬件资源配置。产品分别可用,组合起来仍需经过适配、调优和异常场景验证。
技术可以分项采购,业务却依靠整个系统共同运行。特别是面对跨厂商、跨层次的问题,企业需要从完整业务链路出发,协调相关方定位问题、形成方案并验证结果。
源启将这一能力落实到系统工程中:沿着业务处理过程追查性能、稳定性与安全问题,综合考虑基础软硬件和应用的调整,再按真实业务要求验证效果。全栈适配与跨层优化,将不同产品的能力组织为符合业务要求的系统方案,也为后续扩容、升级和技术替换提供依据。
一次工程的价值,也不应止于一次交付。配置方案、测试用例和故障处置经验,经过整理、验证和持续更新,可以沉淀为公共服务、标准规范和配套工具。平台工程由此把项目经验变成更多团队能够共同使用的能力。
这也是企业重新衡量基础设施投入的原因。采购之外,迁移适配、重复开发、长期运维和后续升级,同样影响总投入。企业能否积累并复用工程成果,影响着后续建设需要投入多少重复工作,也影响着能够把多少资源用于改善业务和探索创新。
源启的产品体系建立在长期工程实践之上。从分布式架构、云原生到人工智能,企业在不同阶段面对的建设任务不断变化,迁移、验证和交付中积累的方法,也逐步进入平台,支持更广泛的业务需求。
2013—2020年
分布式架构实践为后续产品发展积累了早期工程基础。服务器集群、分布式数据库与数据仓库进入生产环境,新旧系统如何并行、数据怎样核验、切换失败后如何回退,都需要在真实业务条件下验证。
2020—2022年
云原生架构与企业级数据平台建设进一步拓展了能力范围:资源与应用需要统一管理,数据则需要在企业范围内采集、加工与治理。
2022—2024年
源启从金融级数字底座向行业数字底座发展,逐步形成产品体系,并将AI融入行业应用。跨层适配、运行支撑与交付工具得到持续完善,项目中形成的工程方法开始服务更多团队和业务场景。
2025—2026年
源启进一步加大AI投入,将智能能力融入软件研发、数据处理与应用建设。2026年5月发布的源启4.0,以统一运行平台和工程平台,支持应用、数据、模型与智能体的建设和运行。随着知识工程与内部业务实践推进,产品建设更加关注行业经验如何进入具体任务、执行结果如何验证,以及如何在不同团队间复用有效方法。
可靠运行提供了业务发展的基础,持续创新还需要软件、数据和智能能力的共同支撑。源启4.0以“1+1+N”组织整体能力:一套基础运行支撑平台,一套由软件工厂、数据工厂与AI工厂组成的工程平台,以及面向具体场景的行业应用,企业可围绕具体业务需求组合使用相关能力。
基础运行支撑平台承担关键业务的托底保障。它将基础软硬件、资源调度、中间件和公共服务组织为统一运行环境,并结合监控运维、安全管理与韧性设计,保障业务持续稳定运行。面对智能化应用,运行支撑也延伸到异构算力调度,以及模型、智能体的运行。
托底能力不只体现在日常运行,更要经受异常场景的检验。通过影子流量、混沌工程和可观测工具,企业可以回放业务行为、受控注入故障,检验系统响应、故障隔离与切换恢复能力。迁移、回退和容灾安排,也应当结合具体业务逐项确定。
工程平台上的三个工厂,分别组织软件、数据与智能能力的生产。软件工厂将智能研发纳入企业工艺与质量要求,数据工厂提供可信数据和明确的业务语义,AI工厂组织模型、知识与智能体的建设和运营。三个工厂与基础运行支撑平台共同支撑智能能力进入企业日常工作,已有的系统与工程积累也能继续发挥作用。
可治理的AI原生工程,体现在如何把这些工作组织起来:AI依据什么执行任务,生成成果怎样检查,关键操作由谁确认,异常如何处置,经验又怎样被后续项目使用。把这些要求落实到建设与运行全过程,企业才能逐步扩大应用范围,并在应用范围扩大后,仍能保障交付质量、明确责任归属。
企业可以根据自身基础和业务需求,选择先行建设的能力,也可以同步推进相关工作。三个工厂没有统一的建设先后顺序,具体项目中的接口、数据质量、权限和运行条件,则需要统筹安排。平台的价值,在于为不同建设路径提供可复用的工具、方法与运行保障。
软件研发是平台协同服务业务的一项具体实践。AI能够辅助编写代码、分析问题,要将这些能力用于企业交付,还需要贯通研发各环节。需求如何澄清,设计怎样评审,代码如何验证,发布如何受控,过程中的资产如何管理,这些问题决定了AI能否真正进入研发体系。
2026年10月,源启·AI原生软件工厂GienCoder发布新版本,进一步面向企业研发各岗位、覆盖需求、设计、开发、测试与发布全过程。通过统一研发工作台、可配置的研发工艺和多智能体协同,GienCoder将研发作业与管理活动连接在同一体系中。
在“四阶十二步”企业级研发工艺基础上,企业可以结合既有研发方式配置和编排敏捷、瀑布等流程。任务执行、进度管理和效能洞察可以在统一工作台中开展,研发团队也可以围绕同一套工艺开展跨空间协同。不同企业的研发基础和管理方式各异,工艺能够按需裁剪,才更容易融入既有工作方式。AI由此从“帮一个人完成一段工作”,逐步走向支撑团队协作和组织级生产。
这一过程仍离不开人的判断。GienCoder以Coder×Work多智能体协同支持不同工序,工程专家智能体承担具体执行,工程师负责结果确认和必要干预。需求、架构与权限等关键边界需要人工把关,任务执行和交付成果则纳入质量、安全和资产管理。企业工艺因此不仅约束交付过程,也为AI提供明确的工作依据,让不同岗位能够围绕同一套要求协作。
企业在长期经营、设备运行和系统建设中积累的数据,是业务分析、判断与行动的重要依据。在不少企业,同一个指标由不同部门计算,结果却不一致;一次分析完成后,下一项需求仍需重新取数、核验口径。数据已经积累下来,如何让它持续、可靠地服务业务,仍是一项系统工程。
源启数据工厂通过DataOps数据加工流水线,将集成、管控、开发、服务和运营贯通起来。数据标准与模型规范进入加工过程,来源、变更和质量问题能够追溯,经过验证的处理流程可以重复使用。这样后续需求便有了可以沿用的数据资产与加工方法,团队也能减少重复核验的工作。
数据标准、指标管理与分析决策相互支撑。标准明确数据的含义和处理要求,统一指标帮助各部门在共同口径下讨论业务,智能问数与决策引擎则让数据更直接地参与日常工作。企业可以围绕具体应用同步完善治理和服务,但问数结果必须能够追溯、核验,决策规则也需要经过验证。
面向复杂业务判断,数据工厂中的智能决策操作系统通过本体描述客户、订单、设备等对象及其关系,关联业务规则与可执行动作,使数据与具体业务含义相联系。这些语义和规则既可用于数据分析与决策,也可为知识工程和智能应用提供支持。数据工厂与AI工厂可围绕具体场景协同:前者提供可信数据与业务语义支持,后者组织模型服务、知识资源与智能体能力,共同服务业务任务。
对企业来说,数据资产的价值,要看不同团队能否理解和使用同一份数据,出现差异时能否找到原因,新的业务需求能否复用已有成果。随着AI参与分析与决策,数据口径、业务规则和适用条件更需要被明确记录并持续维护。它们既帮助人员核对判断,也为模型与智能体提供依据,使数据治理的投入能够在更多场景中发挥作用。
企业引入模型与智能体,需要关注它们能否理解具体业务,并在持续使用中保持可靠。知识问答能否找到现行制度,专业模型能否适应业务变化,智能体是否在授权范围内执行任务,都影响着智能应用能否进入日常工作。
源启AI工厂围绕模型供给、知识工程与智能体应用,组织智能能力的生产和运营。从数据集加工、模型训练调优、评估发布,到版本管理与运行监控,平台支持模型全生命周期管理。其中,GienWork智能体平台承担智能体构建、使用与管理等工作,是AI工厂能力体系的重要部分。
高质量数据集建设,需要结合行业任务明确数据选择、加工和质量要求,为模型训练调优与效果评估提供依据。知识工程是连接行业经验与模型能力的重要环节。一套知识问答服务,表面上是便捷的交互入口,背后却需要明确知识从哪里来、如何加工、由谁审核和维护、规则变化后怎样更新。分散在文档与专业人员经验中的知识,经过整理、审核和持续维护,才能成为模型与智能体可以使用、能够追溯来源的知识资源。
智能体承担具体任务,还需要与企业流程和管理要求相适应。查找资料、生成建议与修改业务记录,应采用不同的授权和确认方式。任务要有清晰的执行范围,关键操作要有审核与追溯依据,异常和不确定结果要有暂停或转交人员处理的路径。模型、知识或业务条件变化后,还应重新检验效果。治理由此进入日常工作,支持智能应用在扩大使用范围的同时持续改进。
知识生产力的价值,体现在专业经验经过整理和验证,能够被更多岗位理解和使用;业务中的问题与反馈经过分析和审核,又能帮助团队完善知识与服务。行业经验、数据与知识质量、模型适配以及工程与运行管理,共同影响智能应用的实际效果。源启通过平台将这些工作衔接起来,帮助企业在持续使用、验证和改进中,积累适合自身业务的智能能力。
从运行保障到软件、数据与智能能力的生产,各平台的价值最终都要在工程实践中接受检验。不同企业的存量系统、业务负载、权限边界和运行要求并不相同,方案能否落地,不能只看产品清单,还要看问题能否被查明、异常能否恢复、调整是否留有空间。
平台能力进入行业,还需要与具体业务相结合。行业知识帮助团队理解业务规则与判断依据,应用场景明确需要解决的问题,工程实践则将这些要求落实到方案、验证和交付中。依托高质量数据集建设、中试验证与专业交付,源启帮助企业减少重复建设和应用试错,提升研发与交付效率,并在持续使用中完善业务能力。
源启提出“真全栈、真兜底、真开放”,对应的正是这些工程要求。全栈能力,要看跨层问题能否被组织解决;托底保障,要落实到数据一致性、迁移切换、恢复时间和回退安排;开放选择,则要让企业能够根据需要选择技术路线,并为后续调整保留空间。
在源启参与的一项基础设施论证项目中,曾涉及27种技术组合和64个关键技术验证场景。它说明开放选择背后,离不开扎实的适配与验证。相关结论也有其适用条件:配置、负载或业务要求发生变化后,仍需重新检验。真正可供后续项目参考的,既包括验证结论,也包括得出结论的过程。
项目中发现的异常,可以成为新的测试用例;反复出现的需求,可以提炼为共用组件;经过验证的方法,可以纳入交付工艺。软件工厂的数字分身能力支持工程师经验的复用与持续完善,逆向软件工程则帮助团队梳理存量代码中的技术结构与业务逻辑,为后续改造提供依据。统一的数据口径、可复用的加工流程,以及持续更新的行业知识,同样是工程留下的重要成果。工具、知识和方法得到持续管理,项目经验才能服务更多团队和新的建设。
企业期待的技术进步,最终要体现在日常工作中:关键业务运行更有保障,新应用建设少一些重复,积累多年的数据、知识和经验能够继续发挥作用。
从可靠运行到持续创新,源启与企业共同探索的,是如何让每一次建设既回应当下的业务需要,也增强面向未来的自主发展能力。系统会迭代,技术会更新,经过实践检验的方法、持续完善的数据与知识,以及团队共同掌握的工程能力,应当成为企业可以长期依靠的积累。
这也是数智化建设值得共同追求的价值:在变化中保障业务可靠运行,在持续建设中拓展创新空间,通过知识工程将实践经验转化为可复用、可持续完善的知识资产,让企业面对新的业务需求与技术变化时,有能力应对,也有底气选择。
浙公网安备 33010602011771号