企业 AI 的难点已经变了！从四大 Hub 看 WPS Comate 如何把 Agent 接进真实业务

作者 | 小雨

Agent 终于不只是写周报的工具了——查经营数据、发起 OA 审批、更新客户信息，它都能上手。但真要把这些能力放进企业，CIO 们却头疼了：同一个指标三套系统三个数，API 密钥不敢交给模型，Token 花了多少算不清，出了问题连谁干的都查不到。于是，WPS Comate 甩出四大 Hub，把这些落地难题一次性打包解决了。

你的AI办公搭子，终于不满足于只写周报了。

过去两年，从查制度到整纪要，从做 PPT 到搜资料，Agent 在办公辅助场景里跑得越来越顺。但从 2025 年下半年开始，越来越多的企业开始把 Agent 推向工作流中：从查经营数据、发起 OA 审批、更新 CRM 客户信息再到处理更复杂的工作任务。

企业AI厂商也动作频频。豆包工作上线“无限画布”并接入豆包 2.1 Lite、Seedream 5.0；千问办公发布“企业上下文”、QwenNote 桌面机器人与“多人工作台”；WorkBuddy推出独立文件浏览器，企业版升级为统一 Agent 底座；WPS刚刚成为国内首个拿到“智能体身份码”节点资质的厂商。

AI办公搭子能做的事情越来越多。

然后问题就来了——

财务人员查询 Q2 毛利率，Agent 从三套报表中得出了三个结果，因为不同系统采用的统计口径并不一致；销售人员希望 Agent 自动发起 OA 审批，开发人员为了尽快跑通流程，把 API Key 放进了模型能够访问的上下文；月底结算时，Token 费用超过预期，却没人能够说清具体由哪些部门、哪些任务产生；Agent 如果修改了一条客户数据，企业事后还要查明任务由谁发起、使用过哪些数据、调用过哪些接口。

财务团队在处理指标口径，开发团队在处理接口和凭证，管理人员要核算模型成本，安全团队还要追踪 Agent 的操作记录。Agent 开始执行业务以后，原先分散在不同团队里的几类问题，也就集中到了同一项任务中。

企业 Agent 落地，必须跨过的几道坎

在大模型能力快速迭代的当下，企业 Agent 的落地却呈现出另一种节奏——Agent 开始真正进入业务流程，一系列此前被掩盖的工程问题便集中暴露。

第一道是语义坎。企业通常不缺数据，CRM 保存客户信息，ERP 记录库存和订单，财务系统保存收入与成本，各个部门手里还有大量 Excel 和业务表格。但同一个业务概念到了不同系统里，统计口径可能完全不同。销售额按照下单、开票还是回款统计？销售区域按照客户所在地划分，还是按照销售组织归属划分？前面财务人员查询 Q2 毛利率时出现三个结果，问题就出在这里。

员工长期在企业内部工作，会熟悉这些约定，Agent 拿到的却可能只有字段、表格和查询结果。即使 Agent 已经读取到数据，也可能误解企业采用的业务口径。能够访问数据，只解决了取数问题，业务语义还需要单独治理。

第二道是连接坎。Agent 只负责问答和内容生成时，一次错误通常还停留在结果层面。等 Agent 开始创建工单、调用 OA、更新 CRM 或写回 ERP，企业就要同时管理 API 凭证、身份认证、访问范围和调用限流。

Agent 需要知道当前任务应该调用什么能力，用于访问企业业务系统的真实凭证，则要继续留在企业既有的认证和权限体系中。这样既能让 Agent 调用业务系统，也能避免 API Key、OAuth 等敏感凭证进入模型上下文。

第三道是成本坎。少量员工使用 AI 时，模型选择更多取决于个人习惯。等 Agent 扩展到更多部门和业务场景以后，模型调用会成为一笔需要持续核算的成本。数据查询、数值计算、内容生成和复杂推理，对模型能力的要求并不相同。

所有任务都调用高成本模型，预算很难控制；持续降低模型规格，又可能影响任务质量。到了这个阶段，企业还要核算不同部门的 Token 用量、不同任务的调用成本，以及实际效果是否匹配相应投入。

最后一道是治理坎。Agent 获得业务执行能力以后，企业需要明确任务由谁发起、Agent 读取过哪些数据、调用过哪些接口、最终修改了哪些内容。如果执行结果出现异常，还要能够重新还原整个操作过程，检查是否发生过越权访问、异常调用或者错误修改。

到了生产环境，企业要管理的已经不只是一套模型。数据口径、系统权限、调用成本和操作审计，都必须进入日常管理体系。

从模型能力到组织能力：WPS Comate 的解题思路

面对这四道坎，换一个更强的模型并不能解决问题。数据口径需要治理，系统权限需要管控，模型成本需要核算，操作过程需要审计——这些本质上都是组织级的工程问题，而非单纯的模型能力问题。

金山办公在 2026 年 7 月发布了 WPS Comate，该产品是WPS 365的新组件，可作为统一的组织级AI入口，它给出的解题思路是将这些能力模块化。在其一站式企业 AI 开发平台 Comate Studio 中，数据、系统、模型和安全分别由 DataHub、APIHub、AIHub 和 TrustHub 四个模块管理，形成一套完整的组织级 Agent 落地架构。

DataHub 让 AI 真正理解企业数据

DataHub 负责企业数据接入和业务语义建模。企业可以连接 CRM、ERP、OA、WPS 365 等数据来源，再通过 ETL、数据集和业务语义建模整理原始数据。

例如 CRM 按订单金额统计销售额，财务系统按照开票金额统计收入。Agent 同时获得两组数字以后，需要先确认当前问题采用哪一种统计口径。不同岗位能够访问哪些数据，也不能因为加入 AI 就改变原有权限规则。

通过数据接入、ETL 和语义建模，DataHub 按照企业认可的业务口径组织和解释这些数据，并继续遵守既有权限边界。数据读对以后，Agent 可以生成经营分析。销售人员如果还想把分析结果直接送进 OA 审批，Agent 就需要开始调用企业业务系统。

APIHub 让 Agent 安全地“动手”

APIHub 负责把企业已有的系统能力开放给 Agent。企业可以通过 OpenAPI、MCP 等方式接入业务系统，并把具体能力封装成 Agent 可以调用的连接器，接口调用由网关统一处理鉴权、限流和调用记录。

API Key、OAuth 等敏感信息由服务端集中保存，接口执行时再由网关注入，无需进入大模型上下文。Agent 可以判断当前任务需要发起审批，用于访问 OA 的凭证仍然保留在企业自己的凭证体系中，身份认证和系统访问继续由企业的网关与权限体系负责。

接口能够安全调用以后，随着 Agent 使用规模扩大，模型该怎么分配、Token 费用该算到哪个部门，也会成为新的管理问题。

AIHub 把模型当组织资源管

AIHub 提供多模型路由，可以把 Token 消耗归因到部门、用户和场景，同时设置配额、限流和模型质量监控。简单查询可以使用轻量模型，复杂推理可以调用能力更强的模型。

进入生产环境以后，模型选型已经不能只看能力排名。企业既要评估任务效果，也要持续核算不同部门的 Token 消耗，同时考虑成本和运行稳定性。

模型账单能够算清楚，企业仍然需要控制 Agent 可以修改哪些数据、调用哪些接口，并保留完整的操作记录。

TrustHub 给 Agent 装黑匣子和安全带

TrustHub 分别在任务执行前、执行中和执行后处理权限、监控和审计。任务开始前，系统确认 Agent 可以访问哪些数据、调用哪些能力；运行期间监控越权访问、敏感数据风险和异常调用；任务完成后保留 AI 对话、业务操作和数据访问记录。

权限控制和运行监控用于降低执行风险，日志审计用于事后还原操作过程。如果 Agent 修改了一条客户数据，企业需要能够查明任务由谁发起、Agent 使用了哪些数据、调用过什么接口、最终执行了什么操作。在完全私有化部署模式下，企业还可以让数据留在内部网络环境处理，并接入自己的模型。

以上四个模块分别解决了数据语义、系统连接、模型成本和安全治理的单点问题。但在真实业务场景中，员工提交给 Agent 的往往是一件完整工作——比如"生成 Q2 华东区经营简报并提交审批"，这一句需求背后，需要数据取数、模型调用、OA 审批和操作审计多个环节协同完成。

从单点能力到协同执行：四大 Hub 的完整链路

Agent 收到经营简报任务后，DataHub 先确定华东区对应的组织范围，并识别营收、毛利率、客户数等指标，再从 CRM、ERP 和财务数据中获取对应数据。

随后，AIHub 为任务分配模型。数据查询和数值计算可以使用轻量模型，自然语言生成简报可以调用能力更强的模型，同时把 Token 消耗归入对应部门和业务场景。简报生成以后，Agent 发起 OA 审批，APIHub 调用审批接口，真实凭证继续留在网关侧处理。

任务运行期间，TrustHub 记录任务发起人、数据访问、API 调用、审批发送对象和最终简报内容。如果简报后来出现数据问题，管理员可以根据日志重新检查整个过程。

DataHub 负责看得懂，AIHub 负责用得对，APIHub 负责动得了，TrustHub 负责管得住。

企业 AI 的下半场：竞争的核心正在从模型转向组织能力

当四大 Hub 的协同链路跑通之后，企业关心的问题就从"能不能做"变成了"能带来多大价值"。树可家居的案例，提供了一个可量化的参考样本。

这个管理着 7000 多个 SKU、覆盖十多个电商平台的家居品牌，过去完成一次进销存月度分析需要两天——大量时间消耗在跨平台数据清洗和人工整理上。通过 WPS Comate 统一业务数据口径后，销售、库存和产品数据得以持续用于经营分析。

在此基础上，采购团队将销量趋势、库存水平、货期和采购经验纳入 AI 辅助判断，推动库存周转周期从约 90 天缩短到 45 天左右，进销比逐步接近 1:1。

树可家具并非孤例。10月12日，金山办公宣布与中公教育共建的公考AI备考平台上线，赶在“国考”报名前向学员开放试用。平台基于WPS 365与WPS Comate打造，学员登录后即可跟随AI助教学习、刷题、模考，由AI判卷并给出个性化复习建议。

学员登录后可选择时政、言语理解、数量关系等方向的“Agent老师”，也能自己创建专属学习Agent；套卷和刷题做完，AI即时判卷、归集错题，记录每个人的薄弱知识点，再据此安排复习；岗位筛选、复习资料、班级群里的考题推送和考试通知，同样放在这一个入口里，不必在多个应用之间切换。

值得注意的是，AI 在这里扮演的是“放大器”的角色，前提是组织先把数据和流程的基础打牢。

从更深层面来看，这一判断正在得到更多验证。国际权威研究机构 Omdia 近日发布《Global Enterprise-Grade Agentic Worker–China Market 2026》报告，将 WPS Comate 列入中国"通用型"企业级办公智能体代表厂商名单。"通用型"指能够处理开放式、跨领域办公任务的智能体，也是能力要求最综合的一类。报告认为，办公套件正成为智能体进入日常办公的核心入口。

此外，市场份额也印证了这一位置：2026 年第一季度，按终端用户授权数测算，金山办公以 32.1% 的份额位居国内第一，超越微软。

随着大模型能力的快速迭代，头部模型之间的性能差距正在收窄，企业能够选择的模型越来越多。但模型无法替企业定义业务口径，无法决定哪些系统权限应该开放，更无法替代企业完成组织层面的流程重构。

Token 预算怎么分配、Agent 操作怎么审计、数据权限怎么管控——这些本质上都是组织级的工程问题，而非单纯的模型能力问题。更强的模型可以提高 Agent 的能力上限，但生产环境的落地质量，最终取决于企业的数据治理、系统集成、成本管理和安全控制能力。

从这个意义上来说，企业 AI 的竞争正在进入一个新的阶段：比模型更重要的是组织能力，比技术更关键的是工程化落地。谁能先把分散在不同 IT 系统和团队里的数据、接口、模型和安全能力整合成一套可复用的组织体系，谁就能在 Agent 时代占据先机。