# 金蝶云苍穹的企业 AI：大型制造集团的私有化做法

> Source: https://netray.co/zh/kingdee-cosmic-ai
> Language: zh
> Publisher: Netray (netray.co)

金蝶云苍穹是面向大型企业的云原生平台，星瀚等产品构建其上。要在其上做私有化 AI，应使用平台的开放接口和权限体系，在企业自有环境运行开源模型，查询只读、过程可审计，写入动作须人工审批。

金蝶云苍穹是一个面向大型和超大型企业的平台，采用微服务和容器化架构，金蝶面向大型企业的 ERP 产品（如金蝶云星瀚）构建在这个平台之上。使用者多为集团型制造企业，组织层级多、业务体量大、对自主可控和信创适配的要求更高。

这类企业往往同时面对三类需求：集团管控下的跨组织分析、工厂层面的运营问答、以及对数据位置和模型来源的严格要求。本文说明如何在这些约束下，给苍穹加一层私有的企业 AI。

## 集团型企业的典型场景

集团总部关心的问题通常是跨法人、跨工厂的：库存与周转对比、重点物料的供应风险、项目与订单的成本偏差、预算执行与资金计划。工厂关心的则是齐套、交期、质量异常。传统做法是提前开发报表，但新问题几乎每天都有，信息团队排队处理。

苍穹平台上还可能有大量企业自行开发的应用和自定义单据，这些没有通用的报表。用自然语言加平台权限来问答，可以显著降低临时取数的成本，但前提是取数通道可控、口径可核对。

- 跨法人、跨工厂的库存与周转对比
- 重点物料的供应风险与替代方案
- 订单、项目成本与预算偏差追溯
- 自定义应用数据的问答

## 对接思路：开放能力与权限

苍穹提供开放平台与服务接口，企业也可以在平台上开发自己的应用。对接 AI 时，首选是通过受控的 OpenAPI 或数据服务取数，并把可访问的对象范围写成白名单；如果企业有数据中台或数仓，也可以让 AI 访问其中已经治理过的主题域，这往往比直接访问业务库更稳妥，口径也更统一。

具体可用的接口、授权方式和版本差异，需要在评估阶段与金蝶或实施伙伴确认，我们不会假设任何未经验证的能力。用户身份通过单点登录映射到平台角色，保证看到的数据与在苍穹里看到的一致。

## 私有化、信创与算力

大型企业通常有信创要求。模型层可使用开源权重的 Qwen、DeepSeek 等，部署在企业自有机房或专有云；国产算力方面，可以评估昇腾等硬件的推理方案，但需要逐一验证模型版本、推理框架和精度的兼容性，这部分要做实测而不是假设。

ERPray 和向量检索服务可以以容器方式部署在企业已有的 Kubernetes 环境中，与苍穹同属内网。模型调用、业务数据、日志都在企业边界之内，便于纳入现有的安全运维体系。

## 合规与治理

大型集团的合规工作更复杂：数据分类分级、重要数据识别、等保测评、内部审计。AI 层需要配合这些制度，例如对敏感字段脱敏、按角色限制可问范围、保留所有提问和查询日志，并支持审计回溯。

涉及生成式人工智能的内部使用，企业应结合《生成式人工智能服务管理暂行办法》及行业主管部门的要求自行评估。Netray 不声明任何资质，只提供能让企业满足自身要求的架构。

## 起步方式与取舍

对大型企业，建议先选一个业务域和一个法人作为试点，例如供应链与库存，周期四到八周，包含取数通道验证、问题集建立、业务验收和安全评审。成功后再按业务域和组织扩展。

取舍方面：如果金蝶对苍穹的原生 AI 能力已能覆盖场景，并且符合企业的安全要求，应优先使用原生能力，减少运维负担。我们适合的是需要跨系统联合分析、需要自主选择和替换模型、或要求完全私有部署的情形。

## FAQ

### 苍穹和星空有什么区别，会影响对接吗？

苍穹是面向大型企业的平台，星空面向成长型企业，架构和接口体系不同，对接方式需分别评估，本页讨论苍穹。

### 星瀚是否也适用？

星瀚构建在苍穹平台上，思路类似，但具体接口与授权以您所购版本为准，评估时确认。

### 能用国产 GPU 吗？

有可能，但要实测。需要验证所选模型、推理框架和硬件的兼容性与性能，我们会在试点中给出实测结果。

### 数据会离开集团网络吗？

私有部署下不会。模型、检索、业务数据和日志都在企业边界内，不依赖外部模型服务。

### 能和数据中台结合吗？

可以，并且通常更推荐。让 AI 访问已治理的主题域，口径更统一，对业务库的压力也更小。