跳到主要内容
用 AI 重塑企业流程 · 智能组织的运行层操作系统 · V3.5

把重复性的工序
交给 AI 员工

WorkHand 是智能组织的运行层操作系统——不是又一个聊天框,也不止是智能体搭建平台。 它给企业装配有岗位、有技能、有知识的 AI 员工:质量工程师会写 8D, 工艺工程师会做 PFMEA,设备工程师会画故障树,计划员会排 APS; 再把人机协同、任务留痕、知识进化与价值核算,做成可运行、可核验、可继承的组织能力。

注册即生成企业画像,不推销,先给结论。

  • 企业 AI 开发底座 · 自生长平台
  • 智能组织 · 运行层操作系统
  • 数据穿透 Agent
  • 可装配件:技能 / 插件 / 连接器 / 专家
  • 安全内嵌 · 内容安全 · 数据脱敏
  • 7运营模块
  • 48数字专家
  • 5AI 岗位
  • 19内置技能
workhand · 工单流水 待派单
工单号—
来源—
优先级—
指派—
  1. 选一个场景,或直接描述问题 →
    AI 员工会输出处理过程、产出物和结论依据,每一步都留痕。

演示数据。本页展开的工单、指标与产出物均为演示基线值,用于说明 AI 员工的处理链路;真实数据需接入你企业的 MES / QMS / ERP 后生成。

AI-NATIVE SITE · 本站内容对 AI 抓取与 Agent 解析开放 · llms.txt · /ai/manifest.json · 结构化数据 schema.org
/ 01 — positioning

多数 AI 项目,缺的是「运行层」

企业 AI 体系分三层。模型层与执行层正在快速商品化,真正决定 AI 能否进产线、能否被审计的,是中间这一层「运行」。

LAYER 1

模型层

提供基础智能能力:模型接入、算力调度、词元供给。已有底座,不是差异点。

已商品化
LAYER 2

执行层

完成单点自动化任务:AI 岗位、数字专家、技能调用。行业纵深强,但只解决"一件事"。

已具备
LAYER 3

运行层

目标拆解、角色协同、状态流转、结果核验、成果继承——把智能变成组织可运行的日常。

WorkHand 主战场

可直接采用的定位:WorkHand 不是「智能体搭建平台」,而是智能组织的运行层操作系统——把人与智能体的协同、状态、成果与价值,变成可运行、可核验、可继承的组织能力。它同时是企业的AI 开发底座与自生长平台:客户可以在其上、按自身业务,自行搭建自己的 AI 工作台与 AI Agent——用得越久,越贴合这家企业自己的需求。无论软件开发商、制造业企业还是科技企业,都能在系统上自我迭代与升级,打造属于自己的企业 AI 系统。

不是

又一个智能体搭建平台、又一个聊天框,或一次性交付的项目。

而是

智能组织的运行层操作系统——把人与智能体的协同、状态、成果与价值,变成可运行、可核验、可继承的组织能力。

谁都能在它上面,长出自己的 AI 系统——

软件开发商制造业企业科技企业

V3.5 的七大模块(运营中心 / 生命周期 / 知识进化 / 任务中心 / FDE 交付 / Playbook / ROI)几乎全部落在运行层——这正是平台当前已建成的部分。

/ 02 — data foundation

数据穿透 Agent:让 AI 员工跑在真实数据上

官网展示的工单与指标是演示基线值。要真正进产线,必须先把真实系统的数据接进来。数据穿透 Agent 做两件事:穿透传统业务系统,并充当 AI 原生业务系统的底座。平台主张:数据治理、数据模型、知识治理、知识模型,全部 AI 化。统一口径后的业务数据指标进一步驱动场景——指标变化即推荐 / 触发对应场景(先上哪个岗位、先改哪条流程、先处理哪张工单),而不是靠人预设。

面向传统业务系统

数据穿透

不替换现有系统,只做穿透:读得进、写得出、留得住。把 MES / QMS / ERP / WMS / PLM 的数据接进来,按业务语义对齐,而不是堆一张宽表。

  • 只读穿透:实时拉取工单、检验、设备、库存数据
  • 受控回写:结论与动作经人工确认后回写业务系统
面向 AI 原生系统

数据底座

面向 AI 原生的业务系统,数据穿透 Agent 直接充当数据底座:统一主体、指标与知识口径,供数字员工与 Agent 实时调用。

  • 主体与指标同源,避免「同一家企业多份记录」
  • 结论可回溯到数据来源,支撑可复算与验收
01

业务建模

客户、物料、工序、组织等业务对象与关系,建成统一语义层——AI 员工理解「业务」,而不是「表结构」。

02

数据建模 · AI 化

指标定义、计算口径、血缘与可复算。由 AI 辅助识别指标口径与数据血缘,每个结论都能回溯到来源数据。

03

数据治理 · AI 化

主体一致、口径一致、权限与质量规则。由 AI 自动查重、异常检测与口径冲突发现,而不是靠人工台账。

04

知识模型 · AI 化

把文档、对话与项目经验建成可检索、可推理的知识模型(实体 / 关系 / 规则),让每次结论都带上依据。

05

知识治理 · AI 化

知识的审核、版本、时效与冲突处理,由 AI 辅助完成——对应知识进化系统:知识随任务持续生长。

06

数字员工创建

在数据与知识模型之上创建数字员工:挂技能、绑数据源、配权限,即可在真实数据上运行与验收。

数据全生命周期管理

数据从进来到归档,每一环都管:采集 → 清洗 → 建模 → 血缘 → 治理 → 质量 → 归档。字段级血缘让每个指标都能追到来源;清洗与质量规则保证「同一件事只有一种算法」。

采集 / 接入 清洗 · 标准化 建模 · 指标口径 血缘 · 可追溯 治理 · 质量规则 质量监控 归档 / 销毁

业务系统对接:从企业真实使用入手

不推翻现有系统。以企业真实使用为起点,对接主流业务系统,并吸纳主流业务系统厂商「在存量系统上做 AI 转型」的经验与方法论——数据贯通、流程不改、渐进增强——内化到我们的数据底座与运行层。

ERPMESQMSWMSPLMEAM / CMMSSCADA / IoTCRM / SRMOA / BPMBI / 数据中台
MES / QMS / ERP / WMS / PLM 数据穿透 Agent 业务建模 / 数据建模 数字员工 真实数据运行与验收
MESQMSERPWMSPLM
业务 → 数据

业务数据化

把流程、工序、检验与经验,转成可计算的数据与模型——业务过程被记录、被结构化。

数据 → 业务

数据业务化

把数据与模型变成数字员工、结论与决策,回写业务系统——数据重新产生业务价值。

为什么必须有:业务建模、数据建模、数据治理、知识模型、知识治理、数字员工创建六项齐备,且数据治理、数据模型、知识治理、知识模型全部 AI 化,AI 才能真正跑在真实业务上——否则再好的推理也只能停在演示台。数据穿透 Agent 是这一切共同的入口与底座。

/ 03 — capability

七大模块,一条运营闭环

V3.5 从「企业 AI 能力建设」升级为「持续运营」:装配 → 运行 → 沉淀 → 交付 → 核算价值,每个模块都指向具体产出物,且全部跑在数据底座(真实业务数据)之上。七个模块合起来,就是智能组织的运行闭环。

01

AI 运营中心

企业 AI 运营驾驶舱、Agent 运行监控、AI 使用统计与价值分析。运营者一眼看清谁在干活、干得怎么样、值多少钱。

驾驶舱 · 运行监控运营驾驶舱使用统计
02

Agent 生命周期管理

创建、版本管理、状态管理、能力评分。每个 Agent 有完整履历:谁建的、跑过什么、成功率多少、什么时候该下线。

版本 · 状态 · 评分能力评分版本履历
03

知识进化系统

文档知识沉淀、对话知识提取、项目经验沉淀、知识审核与更新。知识不是一次性上传,是随任务持续长出来的。

沉淀 · 提取 · 审核知识版本审核记录
04

AI 任务智能中心

任务创建、执行、反馈、价值评价。每一条任务都留下结果与反馈,形成可复盘、可追责的数据链。

创建 · 执行 · 反馈任务价值评价
05

FDE 交付工作台

客户管理、AI 诊断管理、项目管理、部署管理、验收管理。六阶段项目制,进度随交付物勾选自动重算。

fde_console · 六阶段验收报告项目进度
06

行业 Playbook 中心

行业模板管理、Agent 模板管理、方案复制。把一个行业跑通的成功配置,一键复制到下一个客户。

模板 · 一键复制行业方案包
07

ROI 价值中心

投入管理、效益统计、ROI 分析报告。把 AI 员工的产出折算成钱——停机少了多少小时、返工降了几个点、交付快了多少天。这是采购决策真正要看的那一页。

投入 · 效益 · 报告ROI 报告效益统计
/ 04 — digital experts

48 个数字专家,智能协同工作

下面四位是制造业最常用的:它们不是通用问答机器人,各自的推理框架就是制造业已经在用的那一套,输出物直接进你的质量体系。但远不止四位——平台现有 20 个部门 · 48 个数字员工(含人力 / 财务 / 法务 / 供应链 / IT-数字化 / 数据智能 / 投融资 / 能源 / 安全环保等),在智能组织里都可被按任务编队、协同执行。

质量工程师

QE-01

客诉、不良、偏差。先围堵再溯源,最后闭环到文件。

  • 8D 八步报告,含 D4 根因与 D7 预防
  • SPC 判异规则,区分偶发与系统性
  • 尺寸链 公差叠加校核
输出8D 报告SPC 判异

工艺工程师

PE-02

参数窗口、失效预防、试产验证。

  • PFMEA 严重度 / 频度 / 探测度打分
  • 参数窗口 给出上下限与监控频率
  • DOE 关键因子筛选建议
输出PFMEA参数窗口

设备工程师

EE-03

停机、故障、维护策略。

  • FTA 故障树与最小割集
  • MTTR / MTBF 量化停机代价
  • 预测性维护 保养计划与备件
输出FTA 故障树保养计划

生产计划员

PS-04

插单、齐套、产能。

  • APS 有限产能排产
  • 齐套性 缺料预警与替代方案
  • 产能核算 瓶颈工序识别
输出APS 排产齐套清单

FDE Agent(交付工程师 · 规划中):把 FDE 的重复性交付工作交给 AI Agent——客户诊断、方案设计、岗位装配、驻场陪跑、验收清单;人只在高风险判断与最终责任上把关。与「FDE 交付工作台」配套,让 FDE 的前期作用先跑起来。

指标看板当前为演示基线值,接入 MES / QMS 后自动替换为真实数据源。

/ 05 — extensibility

可装配件:技能 · 插件 · 连接器 · 专家

AI 员工不是硬编码出来的,而是由四类可装配件拼装而成:技能决定「会做什么」,插件扩展「还能做什么」,连接器决定「能跟哪些系统说话」,专家把它们打包成可复制的领域智能体。四者都在系统内统一登记、版本化与授权。这是智能组织能够自生长、并可被客户自行搭建的基础。

技能 · Skill

作业技能

8D、SPC、PFMEA、FTA、APS 等作业方法。技能库可装配、可复制、可版本化——岗位能力由技能组合而成(V3.5 内置 19 项)。

插件 · Plugin

能力插件

给 Agent 加装的能力模块:报表导出、消息通知、审批流、外部工具调用。按需挂载,不侵入主流程,可独立升级与下线。

连接器 · Connector

系统连接器

连接外部业务系统的通道:MES / QMS / ERP / WMS / PLM。它是数据穿透 Agent 的接线端子,做到读得进、写得出、留得住。

专家 · Expert

领域专家

把技能、插件与连接器打包成可复制的领域专家(质量 / 工艺 / 设备 / 计划),一键装配进岗位——专家资产可跨客户复用。

员工自建技能:有手段、有措施

让一线把自己的经验变成技能,但不能失控。从提交到入库、再到被复用,每一步都有门槛与留痕。

提交与审核 权限与可见范围 准入 · 评测达标 版本与回滚 安全与脱敏检查 复用与推荐 责任人与留痕
/ 06 — operating model

从围着岗位转,到围着任务转

AI 组织最难的不是多几个岗位,而是让能力按任务流动、让经验沉淀成组织资产、让流程能自我优化。

装配态 · 静态

岗位 = 可复制的能力包

每个岗位是一组可复制的配置:技能包 + 知识资产 + 授权模板 + 评测集。客户易懂,行业方案能一键复制,上岗准入有载体。

  • 对外继续讲「AI 员工」,认知锚点不丢
  • 行业 Playbook 按岗位装配,复制到下一个客户
运行态 · 动态

任务 = 临时编队单元

按任务从多个岗位抽取能力,组成 临时混合编队(人 + 智能体);任务完成即解散,成功链路回沉为组织可复用的 Skill。

  • 实现「围着任务转」与动态生产网络
  • 不破坏岗位装配逻辑——岗位升级为能力包模板

运营机制 · 场景 · 人的培训 · 制造业 know-how 闭环

把「用 AI 重塑企业流程」落到可运行的四件事上:机制持续运营、场景由数据指标驱动、人在环并把能力反哺给人、制造业 know-how 形成闭环。

运营机制

持续运营,不是一次性上线

把协同、状态、成果、价值机制化:目标拆解 → 按任务编队 → 状态流转 → 结果核验 → 成果继承;用指标与留痕驱动下一轮(Loop 闭环)。运营者一眼看清谁在干活、干得怎么样、值多少钱。

场景

以真实场景为单元

质量 / 工艺 / 设备 / 生产 / 供应链 / 能源 / 安全等制造场景即作战单元;场景由业务数据指标驱动——指标变化触发 / 推荐先改哪条流程、先上哪个岗位,而不是靠人预设。每个场景可度量、可复盘。

人的培训

人在环,并把能力反哺给人

AI 员工是副驾:关键判断与最终责任仍在人(human-in-the-loop)。AI 的产出与依据反哺给人,配合岗位培训与评测(准入 / 在岗),让人的能力随任务成长——是人机协同,不是替代。

know-how 闭环

制造业 know-how 越用越值钱

老专家的隐性经验 → AI 对话 / 文档沉淀为知识 → 结构化(知识模型 / Playbook)→ 新任务中复用 → 复盘进化。形成「沉淀 → 结构化 → 复用 → 进化」的闭环,并可复制到下一个工厂 / 客户。

岗位 Agent 的演化

岗位不是写死的模板:AI 员工在运行中复盘、评测、沉淀,能力画像与岗位定义持续演化——从「预设岗位」逐步长成「按需能力画像」。平台因此是自生长的:越用越厚,越用越贴合企业自己的需求。

预设岗位模板 装配上线 任务运行 · 留痕 复盘 · 评测 · 沉淀 能力画像 / 岗位定义升级
能力画像 CapabilityProfile 按任务抽取能力 任务编队 TaskCrew 执行留痕 沉淀 Skill / 回写 Playbook

基于目标任务的 Agent 集群式工作模式

目标进来 → 拆成任务 → 按任务组建 Agent 集群(人 + 多岗位智能体)并行协同、状态互见 → 任务完成即解散,链路回沉为 Skill。

目标客户投诉 · 孔径超差
任务 · 围堵与全检 任务 · 根因分析 任务 · 措施验证
质量 QE 工艺 PE 设备 EE 计划 PS 人 · 裁决
①

打破岗位边界

从「围着岗位转」转向「围着任务转」:能力可跨岗位复用,任务不再绑定单一岗位。岗位不被删除,而是升级为能力包模板。

②

沉淀隐性知识

把每次任务的成功执行链路编译为可复用 Skill,经审核进入技能库;让组织经验不随人走,越用越厚。

③

流程闭环,持续进化

运行数据反哺流程设计:识别常返工步骤与瓶颈,输出改造建议,由流程 Owner 确认后回写编排——运行、衡量、优化、再运行。

边界说明:能力画像、任务编队、组织 Skill 自动编译、流程 Loop 回写属演进方向,随版本分阶段落地;V3.5 已建成的是任务留痕、知识进化与价值核算的运营闭环。我们不把方向写成现状。

新增度量:从「任务效率」到「组织智能」

与一次通过率、返工率、ROI 等既有指标并列,目标是构成「能力 / 治理 / 结果」三类评估维度(目标口径,非当前报表项)。

Skill 沉淀率

每百条任务新增的可复用 Skill 数,衡量隐性知识显性化的速度。

能力复用率

跨岗位 / 跨任务调用同一 Skill 的比例,衡量岗位边界是否真的被打破。

动态编队占比

由两个及以上岗位能力组成的任务占比,衡量「围着任务转」的程度。

Loop 闭环数

由运行数据触发、并经流程 Owner 确认完成的流程改造次数。

运行时治理覆盖率

被强制检查点与动态分级授权覆盖的任务比例。

WorkRun 可归属率

具备完整证据链、可复算指标与具名责任人的任务比例。

/ 07 — security & governance

安全与治理:进产线的前提

制造业的数据与动作低可逆、强合规。系统自带内容安全防护、大模型数据脱敏与多智能体上下文管理——安全不是外挂,而是运行的一部分。智能组织的治理,内嵌在每一次运行里。

内容安全

内置内容安全与防护

输入输出过滤、敏感与合规策略、越权副作用拦截、提示注入防护。策略前置到运行时,而不是事后抽检。

数据脱敏

面向大模型的数据脱敏

敏感字段自动识别与掩码,脱敏后再送模型;原始数据不出域、不外发,满足合规与保密要求。

上下文管理

多智能体协同的上下文管理

编队成员之间上下文隔离与选择性传递、按任务裁剪,关键上下文全程留痕、可回溯、可审计。

Agent 全生命周期治理

不只是「管理」,还要「治理」:覆盖全生命周期——需求与能力画像 → 准入 → 在岗 → 监控 → 下线退役 → 归档。每一步都有责任人、量化阈值与留痕;能力评分 ≠ 业务质量,两者都要管。

需求 · 能力画像 创建 · 版本 上线准入 · 评测达标 在岗 · 状态 / 评分 漂移监控 · 抽检 下线 · 退役归档 · 复盘

多智能体上下文管理:机制与方法论 核心

上下文不进对,协同就失真。以「任务」为边界组织上下文:三层隔离 + 显式契约 + 全程可回溯。

L1

组织层

长期上下文:企业知识、指标口径、权限与合规策略。跨任务复用,只读为主。

长期
L2

编队层

任务编队共享:目标、任务拆解、成员产出与状态。按任务创建,完成即归档。

任务期
L3

成员层

单个 Agent 的工作内存:只拿与自身任务相关的切片,不串味;产出经契约回写编队层。

按成员隔离
机制 · 怎么跑

运行时机制

  • 隔离:成员间上下文默认隔离,只按任务所需下发切片
  • 契约传递:以显式「上下文契约」传递——哪些字段、谁可见、何时更新
  • 按任务裁剪:摘要 / 引用 / 句柄三级压缩,控制 token 与噪声
  • 版本与血缘:上下文带版本与来源,结论可指回所用那一版
  • 生命周期:任务创建 → 成员变更增量更新 → 完成归档,过期回收
  • 过滤与脱敏:传递前按权限过滤 + 敏感字段脱敏
  • 接力不归零:任务在成员间流转时,上下文按契约交接——不断链、不重置
方法论 · 怎么设计

设计原则

  • 以「任务」为边界组织上下文,而不是维护一个全局大上下文
  • 三层切分:组织层 / 编队层 / 成员层,各司其职
  • 显式契约优先:谁在什么阶段需要什么上下文,写清楚
  • 可解释优先:重要结论必须能指回所用上下文
  • 冲突有仲裁:多来源上下文冲突时的优先级与裁决人
  • 可度量:命中率 / 冗余率 / 跨成员泄漏 / 复算一致率

要防的就是「上下文断链」:Agent 协同最怕前一个 Agent 的结论、约束与状态,到下一个 Agent 时丢了或对不上。机制上用「编队层」做共享总线 + 显式交接契约兜住——任务每流转一次,上下文带版本一起走,交接不归零、可复算。

日志与审计

每一次运行都留痕:任务链路、模型调用、权限动作、上下文流转全部落日志——可检索、可告警、可导出,满足审计与合规。

任务链路日志Agent 运行日志模型调用日志权限与审计日志上下文流转日志检索 / 告警 / 导出留存与合规策略

技术底座:基于主流开源技术栈构建

不绑定单一厂商:前端主流组件化框架、后端主流服务框架与开放 API、主流数据库(向量检索为规划方向)、容器化部署。本地化 / 私有化部署与云端 SaaS 两种交付模式都支持——数据可留在企业自己的环境内,也可走云端。

Vue / React Python / Java REST / OpenAPI MySQL / PostgreSQL Redis 向量检索(规划) 大模型接入 Docker / Kubernetes 本地化 / 私有化部署 云端 SaaS

模型接入:支持主流大模型接入(含开源 / 私有化模型),按词元(token)计量与计费;同时支持视觉 / 多模态模型(OpenAI 兼容 image_url),未配置视觉模型时如实提示、不臆造。

Windows 桌面客户端已上线(下载中心可下:20 部门 · 48 个数字员工、Agent 智能协同、智能问答 / 问数、L1–L6 流程建模、托管单元、贡献积分、安全合规…);移动端为后续规划(借鉴一流 AI 助手 / 办公产品范式,延续官网与工作台统一明暗主题)。

/ 08 — onboarding

五步上线

从注册到跑通第一个任务,不需要实施顾问常驻。V3.5 起,上线之后进入持续运营闭环。这五步,就是从单点 AI 走向智能组织的路径。

  1. 01

    注册并诊断

    回答一套结构化问题,系统生成企业画像与维度得分。

  2. 02

    看清短板

    画像指出最该先解决的岗位,直接给出 AI 员工推荐清单。

  3. 03

    装配 AI 员工

    选岗位模板、挂技能包、绑定知识资产,一键发布。

  4. 04

    灌入企业知识

    上传文档、图纸说明、经验记录,AI 员工的结论带上依据。

  5. 05

    运营与价值核算

    任务留痕、知识随任务进化,成功率与 ROI 自动核算——跑得不好的岗位回去调技能再训。

/ 09 — roadmap

能力演进:对标一流,再加 AI 创新

我们持续对标业界领先的 AI 助手与办公产品(AI 浏览器 / 文档助手 / 办公套件 / AI 搜索),吸收它们的强项,再叠加 WorkHand 的组织化创新。其中部分已上线(文档解析、多模态视觉、工作流 / 托管运行时、智能问答 / 问数),其余为规划方向。

检索

联网检索与深研

联网检索 + 多源聚合 + 引用可溯源,让 AI 员工带着证据回答,而不是凭记忆。

文档

长文档与多模态

长文档理解、表格 / 图纸 / 图片多模态解析、多文档对比;文档进来直接沉淀为知识模型。

办公

办公产物生成

一键生成 Word / Excel / PPT 等办公产物,并回写进任务与 Playbook——产物即交付物。

Agent

工作流与自动化

任务编排、定时 / 事件触发、并行编队;把「问一句」升级为「跑一条流程」。

AI 创新在哪:不是把别人的功能抄一遍,而是把「检索 / 文档 / 办公 / 自动化」装进智能组织的运行层——产物进任务、经验回沉 Skill、能力可被按任务编队、越用越贴合企业自己。这是通用助手做不到的组织化闭环。

/ 10 — pricing

定价:云端订阅按阶梯,模型调用按词元

云端 SaaS 按「组织规模 + AI 员工数」阶梯订阅;模型调用按 词元(token)计费,用多少算多少、账单可查。也支持 本地化 / 私有化部署。下列为参考价,最终以合同为准。

基础版 · Basic

先把一个岗位跑通

¥1,999/ 月

适合单团队试点,云端 SaaS,开箱即用。

  • AI 员工 ≤ 5 个岗位
  • 业务系统连接 ≤ 3 个
  • 知识库 10 GB
  • 出站脱敏 · 审计留痕
  • 词元按量计费(实时用量)
免费注册并诊断
旗舰版 · Enterprise

集团级治理与私有化

¥15,999/ 月 起

适合集团、多组织、合规要求高。

  • AI 员工 不限 · 多组织 / 多租户
  • 连接器 不限 · SSO · 权限矩阵
  • 知识库 1 TB · 数据血缘
  • 可选私有化 / 本地化部署
  • 专属成功经理 · SLA
联系并诊断

本地客户端 / 私有化部署 本地买断 · 数据不出内网 · 可接本地或私有模型

桌面客户端 · 本地版

单机 / 单团队

¥2,999/ 台 · 一次性

含 1 年更新与支持;数据不出本机,可接 Ollama / 私有模型。

  • Windows 桌面客户端(便携版,免安装)
  • 本地模型接入(Ollama / OpenAI 兼容)
  • 本地留痕 · 出站脱敏 · 启动访问锁
  • 任务 / 知识 / 交付 / ROI 全模块
  • 可选与云端工作台双向同步
下载客户端
私有化部署 · 企业内网

企业 / 专网

¥98,000起 · 一次性

含实施与 1 年服务;第二年起 ¥19,800 / 年。

  • 本地化 / 私有化部署(内网、可离线)
  • 对接企业自有模型与业务系统
  • 分级权限 · 审计 · 数据不出内网
  • 专属实施与培训
  • 可选离线运维包
联系并诊断
离线运维包

可选增购

¥9,800/ 年

专网 / 离线环境下的更新、巡检与支持。

  • 离线更新介质与版本管理
  • 定期巡检与故障响应
  • 私有模型适配支持
  • 安全合规自查协助
  • 优先工单通道
联系并诊断

按托管流程 / 运行量 业务流即托管单元 · 订阅买「轨道」、运行付「里程」

轻量流程

标准业务流程

¥399/ 条 · 月

对账 / 初筛 / 内容等标准流程;含每日运行配额与自主运行。

  • 每日运行 50 次
  • 声明式目标 · 自主运行
  • 全链留痕(观测)
  • 运行量按量计费
  • 可选治理增值包
免费注册并诊断
关键任务流程

低可逆 / 强治理

¥3,999/ 条 · 月

付款 / 上线 / 对外发布等关键流;运行前需人类授权(Touchpoint)。

  • 每日运行 500 次
  • 运行前需人类授权(Touchpoint)
  • 授权 / 否决 / 审计链
  • 专属配额 · 全链留痕
  • 运行量按量计费
联系并诊断

三种计费维度(可组合):① 云端 SaaS 按组织阶梯订阅(三档);② 模型调用按词元(token)计费;③ 按托管流程 / 运行量——业务流即托管单元,订阅买「轨道」、运行付「里程」,关键任务流程运行前需人类授权(Touchpoint)。本地 / 私有化按一次性授权 + 年度服务。以上均为参考价,实际价格以正式合同为准。

/ 11 — downloads

下载中心

云端工作台浏览器直接可用;需要本地留痕、离线与私有化模型时,用 WorkHand 桌面客户端。下载即解压可用,无需安装。

Windows 桌面客户端

便携版 · v0.7.2 · x64 · 约 110 MB · 免安装

下载 Windows 版(.zip)

解压后双击「WorkHand 客户端.exe」运行。首次使用在「设置」里选择本地 Ollama 或填入外网 API Key;配置与本机数据保存在应用数据目录。

SHA256 校验:下载校验文件

云端工作台(SaaS)

无需下载 · 浏览器直接用

打开工作台

注册即生成企业画像与诊断;桌面端与云端可双向同步任务 / 知识。

推荐:先免费注册并诊断

macOS / Linux / 移动端

规划中

先看使用手册

Windows 桌面端已上线(见上方下载);macOS / Linux / 移动端为后续规划。当前请用 Windows 便携版或云端工作台。

两种部署都支持:云端 SaaS · 本地化 / 私有化

先诊断,再决定怎么搭你的智能组织

注册即生成企业画像,看得见短板在哪、该先解决什么——从第一个 AI 员工,到属于你自己的智能组织。不推销,先给结论。