一个人走得快，一群人走得远。
这一次我们不谈单点功能，谈整套堆栈。
博威管理咨询公司 | 2026 年 10 月 | V1.0
过去两年，工业软件行业最常见的噱头，就是「接入大模型」。
演示都很漂亮：输入一句话，系统生成一份工艺路线；上传一张图纸，几秒钟抽出 BOM。但真正进入生产环境的项目里，能连续稳定运行三个月以上的并不多。
原因很少是模型不够聪明。更多时候是这些：图纸还散在共享盘里，BOM 有三个版本在同时流转，变更单靠邮件确认，ERP 里的物料号和 PLM 里的零件号对不上，MES 工单上的工序名是车间自己起的别名。模型再强，也只能在这些缝隙前面停下来。
所以我们把这件事重新定义了一次：AI 落地的瓶颈不在智能层，而在智能层下面的数据层。企业需要的不是一个更聪明的模型，而是一条从数据到知识、从知识到动作的完整通路——这条通路，行业里把它叫做全栈。
所以我们把博威的技术架构，明确拆成五层。这不是一张简单的架构图，而是一张给企业实施过程的交付路径：客户企业必须知道每一层该长什么样，以及它们之间怎么整合。
博威五层全栈交付地图：智能体层/知识层/治理层/工程层/底座层
从下往上看：
L1 底座层，负责算力、云、模型与数据的承载。它的关键指标不是性能跑分，而是「数据出不出域、模型换不换得掉」。
L2 数据层，是 PLM、3D、文档与图纸转换——工程师每天真正在用的那一层。它决定这套系统有没有人愿意用。
L3 治理层，处理跨系统的对象、关系与规则。它解决的是「同一个零件在四个系统里有四个名字」这件事。
L4 知识层，把图纸、文档、变更记录变成可检索、可引用、可推理的知识。
L5 智能体层，检索、推理、调用工具、回写系统——把知识变成动作。
上层决定体验，下层决定效果。这就是为什么我们花了一整年，不是在做功能列表，而是在做堆栈。
过去这一年，博威与多个 AI 专业伙伴共同研讨与开发。
合作阵容：四组能力、九家伙伴，收敛到同一个交付阵容里！
平台底座：Aras+紫光云。Aras是数字线程的内核，也是博威合作超过二十年的伙伴——我们是Aras***别合作伙伴，也是其OEM开发平台伙伴。紫光云提供算力底座与行业模型：三算合一的云平台、七十余种知识解析算子的紫枢知识平台，以及工业图纸大模型与配套智能体。
工程工具：山东山大华天+ONLYOFFICE+Neevia。SView负责3D，ONLYOFFICE负责文档，Neevia负责转换与水印。这三家实际上决定这套系统上的文档能不能被AI所使用的关键。
数据治理：博威OP-Link+Ontology。这是博威自研的部分，也是整套堆栈里最不像「产品」、却最影响成败的一层，因为数据治理决定了顶层AI智能体呈现的结果与效果。
智能层：腾讯WeKnora（维娜拉）+记忆张量+实在智能+微钉。这四家分工非常清楚：WeKnora管知识怎么被找到，MemOS管Agent怎么记住，实在智能管系统怎么被操作，微钉管数据如何分析与决策。
九个伙伴，四组能力，收敛到同一个交付团队里。博威的角色是指挥及资源整合：需求定义、架构整合、实施方法论、长期运维。
Aras Innovator在2026年8月发布Release 40。这个版本的改动，单独看都是「小功能」，放在AI的语境里看，全是地基。
Aras Innovator Release 40优化了搜索与过滤：高级搜索现在显示的是对象类的中文标签而不是内部名称，元数据改为异步加载，选对象类、加条件不再卡住浏览器；Where Used可以按对象类过滤，Type-Ahead支持管理员配置过滤条件。新增可配置的数值显示——管理员打开「使用千分位分隔符」后，整数、小数、浮点在搜索网格、关系网格、树形视图、经典表单、响应式表单里都会按浏览器区域格式化，输入时带不带分隔符都能正确解析。表单的手风琴区块可以各自设定默认展开、收起或**化。同时新增了风险管理模板，并包含多项管理后台更新、浏览器相关修复(XSLT问题)与报表功能调整。
还有一个核心的变化：从 R39 起，Aras Innovator已全面转向 .NET 10——服务器、客户端、OAuth、Vault、转换服务与Agent端点都在范围内。这意味着未来两年的运行时基座是稳定的 LTS，客户升级路径可预期。
Aras 保持着大约每13周一个版本的发布列车。可预期的交付，比一次性的功能爆发更有价值。
这一层的目标只有一个：让工程师感觉好用。
ONLYOFFICE Docs10.0，2026年10月发布。这是一次相当大的迭代：在线、桌面、移动三端编辑器同步升级，累计约50项新功能、超过1000项细节修复。AI工具被直接放进编辑器——文档、表格、演示、PDF 里都有一个独立的 AI 标签页，可以做摘要、翻译、清理与格式化，支持快捷操作、自定义 AI 助手与提示词模板，还支持 MCP 服务器与联网搜索。
SView 企业版 8.0.1，2026年10月更新。这个版本更换了64位软件包，重做了字体库与渲染逻辑，文字显示更清晰。面向企业级 3D 数据协同场景，它支持近 30 种 3D 格式的轻量化浏览，把 NX、CATIA 文件转成 SVLX 后，300MB 以上的大模型可以在几十秒内打开；提供多角色权限管理与安全分享机制，访问留痕；并带来多模型的对比功能，同时加载变更前后两个模型，自动识别并高亮差异，几分钟内完成比对并导出报告。支持完全私有化部署，数据不出厂。
Neevia Document Converter Pro 7.7， 300多种格式的批量转换、OCR识别、PDF/A归档、加密与合并拆分，支持多线程与集群，可作为 Windows 服务在后台跑。汽车行业的 DWG 图纸、供应商的 Word 规格书、客户的邮件附件，**都要变成一份可被索引、可被引用的标准文件。
再加上各类 CAD 集成与 Office 工具集成，这条工程文档数据链条就算闭合：从设计工具产生的原始文件，到可被检索的工程文档，中间不需要人工搬运及转换。
PLM里的零件、ERP里的物料、MES里的工单，本质上常常是同一个东西的三张脸。但过去我们做的治理，是把数据搬到同一个库里；搬完之后，关联关系丢了，语义丢了，责任也丢了。
OP-Link这次增加的是跨系统对象类视图：可以同时展现多系统间的数据关联，并在同一个界面上执行治理动作。四个方向——
OP-Link跨系统对象类视图与四大治理方向
1.数据结构可视化：系统 → 对象类 → 物件，三层展开。一个零件下面挂着哪张图纸、哪张变更单、哪张工单，一眼看完。
2.数据标示新增与维护：在视图上直接补关键属性，不必切回源系统。缺一个ERP物料号，就在这里补，补完立即参与校验。
3.跨系统校阅与关联校验：规则化比对键值、层级、状态与版本。BOM在PLM是12 层、在ERP是11层，系统会把它列成一条待处理的差异，而不是等人员发现。
4.数据内容同步多系统：变更一次，按规则下发，并保留可回滚的执行记录
要做到这四件事，光有接口不够，还要有语义。所以我们引进了Ontology的核心思想，把四件事明确定义下来：对象——产品数据到底是什么；关系——谁和谁相连、是哪种相连；规则——什么情况算异常；Action——异常之后该执行什么动作。
这四件事定义清楚，AI才知道该「看懂」什么。否则你给模型再多的数据，它也只能猜。
我们引进了腾讯微信AI团队开源的WeKnora（中文名「维娜拉」）。它在2025年8月开源，采用MIT***，是当前国内最受关注的开源LLM 知识管理框架之一。
选它的理由很实际，不是因为它热度高：
第一，模型中立。它有独立的模型抽象层，OpenAI兼容协议、Anthropic、Gemini等数十家厂商的模型都能接，本地Ollama也能接。企业的模型策略会变，但知识库不该跟着重做。
第二，私有化彻底。Docker Compose、Helm、Kubernetes、单二进制、桌面应用都能部署，敏感凭证以AES-256落盘加密，多租户隔离加RBAC角色鉴权。数据完全自主可控。
第三，三种能力共享同一个知识库。查资料用 RAG（向量加关键词混合检索、RRF 融合、Rerank 重排，可选 GraphRAG 与 Wiki 导航），处理多步任务用 Agent（ReAct 多步推理、MCP 工具、技能沙箱），整理知识用 Wiki（自动生成互相链接的页面与知识图谱）。回答附带原文引用，可以点回原文核对——这一条对工程场景是决定性的，工程师不接受「没有出处的答案」。
但只有知识还不够。Agent还需要记忆——记得住这个项目的成本基线、这家客户的审图习惯、上一轮为什么否掉了这个方案。这正是记忆张量在做的事：MemOS把记忆分成参数记忆、激活记忆与明文记忆三类统一调度，解决「知识更新成本高」和「每次对话都从零开始」这两个老问题。
还差**一公里：执行。实在智能的路线是「API优先、GUI兜底」——有接口就调接口，没有接口就用屏幕语义理解像人一样操作界面。这一点在中国的制造业特别重要，因为车间里跑着的系统，很多是十年前上的，永远不会给你开放 API。
知识、记忆、执行——三块合起来，才是一个能站在产线上的实用智能体(Agent)，而不是一个只能用于聊天的智能体。
技术堆栈解决「能不能实现」，方法论解决「多快能实现」。过去一年，我们帮助企业规划并实施AI，**要的一条经验是：找到清晰的边界与场景。
PLM负责数据治理——**真相、版本可追、变更闭环、权限与追溯。它保证数据是对的。
AI负责知识转化与行动——解析、检索、推理、执行、回写。它让知识是活的。
这条边界不清，项目一定失败。只做AI不做治理，答案没有出处，越用越不敢用；只做治理不做AI，数据很健康，但没有人能用。
在此基础上，PLM团队与AI团队共同组成项目组，形成一套可复制的实施方法论：
第1个月，定场景、通数据。只选1–2个高频、可量化的场景，把对象建对、把接口接通。这个阶段刻意不碰模型——因为模型不是瓶颈，数据是。
第2个月，建知识、立评测。文档入库、切分、索引，设定引用与权限边界，用真实问题建一套评测集。没有评测集的AI项目，**一定会变成「感觉还行」。
第3个月，上岗位、见数字。Agent落到具体岗位与流程，开始产出可对比的工时、周期与准确率。
这套方法的价值在于它让企业不用在错误的路线上交学费。最快的项目，在前三个月就能产生可衡量的效果——这件事的意义不只是省钱，而是让企业推广AI时有方向、有底气。有了第一个可验证的成果，第二个、第三个场景的推动成本会下降许多、企业推动AI也会更有底气。
在工业软件场景中，WeKnora可以与Aras Innovator、SView、ONLYOFFICE以及博威自研的OP-Link集成，打通分散在PLM、ERP、MES与设计图纸中的工业知识。知识不再锁在某个系统里，而是成为一层可以被任何岗位调用的能力。
博威做PLM超过二十年，服务过五百多家客户，团队来自IBM与PTC等大厂。这些年我们见过太多「买了一套系统，**变成一套台账」的案例。在智能化推动上，我们选择了一条更慢、更笨的路：把堆栈一层层搭起来，跟伙伴一个个密切合作，把方法论一次次验证过。
一个人的确走得快。但工业软件这个行业，从来不是短跑——它是一场需要有人陪企业走完整个产品生命周期的长期长跑。一群人，才走得远。
如果你正在思考AI该从哪里开始，我们的建议始终是同一句：不要从模型开始，从你的数据底座开始。
关于博威
博威管理咨询公司深耕PLM领域二十余年，是Aras***别合作伙伴与OEM开发平台伙伴，服务客户超过500家，覆盖半导体、电子、装备制造、汽车零部件与医疗器械等行业。以「咨询→云平台→AI」三引擎模式，帮助企业实现从数据治理到智能制造的完整路径。
冀公网安备13010402003046号