过去一年，人工智能行业最密集的叙事，大多围绕模型和应用展开。
今年3月，紫光云发布了垂类模型和智能体。半年之后，紫光云再次带来新产品，这一次却用了一个行业里还不算常见的名字“AI操作系统”。
从模型、智能体到AI操作系统，紫光云为什么又往下走了一步？这套AI操作系统究竟要解决什么问题？它和我们熟悉的PC操作系统、云操作系统，又有什么不同？
紫鸾AI操作系统其实并非凭空出现，2024年紫光云发布了紫鸾5.0，2025年发布紫鸾6.0，到了今年紫鸾也顺应人工智能的发展，进化为紫鸾AI操作系统。
推动这一升级的直接原因，是智能体进入生产环节后，底层基础设施面临的要求已完全不同。用紫光云总裁王燕平的话说，云到AI是顺势而为。
紫光云总裁王燕平
把复杂留在底层，企业只管应用
从2024年以来，AI技术快速演进，企业对底层智能平台的需求也在不断提高。回看AI过去几年的发展，大致经历了几个阶段。
第一阶段是“百模大战”。这一轮AI热潮首先由大模型带动，模型数量快速增加，参数规模、能力表现成为行业关注的重点。
第二阶段进入大规模训练、推理和智算中心建设期。随着算力需求快速增长，各类AI芯片密集进入市场，围绕算力基础设施的竞争也随之升温。
现在AI正进入第三阶段，也就是应用阶段。接下来的竞争会越来越集中在AI应用上，尤其是在政企市场，AI开始进入具体业务流程，并可能带来原有系统和工作方式的重新调整。
智能体正成为这一阶段重要的技术载体。过去一年，几乎所有厂商都在加码智能体，但智能体真正走进业务之后，也对底层平台提出了新的要求，模型、算力、数据、知识和应用如何统一承载，智能体如何持续运行和管理，都需要一套新的底座。
进入智能体时代，政企信息化建设也开始出现一些新的变化。
首先，底座的目标变了。过去，政企信息化底座更多承担的是稳定运行和IT支撑，到了智能体时代，底座需要进一步参与业务，成为企业生产力的一部分。
将这种变化类比为自动驾驶和辅助驾驶，辅助驾驶更多是在支撑人，自动驾驶则开始直接承担任务，成为生产力。紫光云认为，未来AI底层平台也将是为企业创造价值。
第二个变化来自智能体本身。目前智能体已经具备一定的自主规划和执行能力，可以根据任务自行拆解步骤、调用不同模块，并结合Skill完成任务。但能力越强，对安全、权限和可控性的要求也越高。
第三个变化发生在应用开发上。传统政企应用多是厚重的定制开发，OA、ERP以及各种审批流程，都需要围绕具体需求逐一设计。进入智能体时代，随着Skill等能力不断沉淀，应用本身可能会越来越轻，很多能力可以通过已有组件快速组合。应用开发周期也将从过去按年、按月计算，缩短到按小时计算。
这三个变化给AI厂商提出了一个共同问题，当智能体开始真正进入业务，底层平台应该怎样适配？
过去几年出现了提示词工程、上下文工程、MCP、Skill、知识体系、RAG、Harness Engineering、Ontology等一系列技术路线。“这些技术的出现都是在弥补大模型在真实生产环境中的不足。”紫光云首席技术官柳义利说道。大模型的基本机制决定了，其更擅长基于上下文预测下一个Token，但一旦进入复杂业务，对准确性、稳定性和可预测性的要求都会明显提高。
紫光云首席技术官柳义利
围绕大模型做的很多工程工作，本质上都是在提升这些能力，让模型能够真正进入生产系统，Harness Engineering就是一个典型例子。
因此，政企AI真正落地，需要的是一套完整的系统工程。
紫光云将其中的关键能力总结为六个方面。
第一是通用大模型能力，决定了系统基础的理解、推理和生成能力；
第二是Skill。通用模型并不了解每一个行业、岗位和具体工作方式，需要通过Skill补充专业能力，让模型能够完成具体任务；
第三是私域知识。每家企业都有自己的制度、流程、业务资料和经验，这些内容通常并不存在于通用模型中；
第四是工具集。企业内部已经存在大量业务系统、传统算法、流程规则和专业工具，智能体需要把这些已有能力调用起来，而不是重新建设一套系统；
第五是安全。当智能体具备更强的自主执行能力后，权限控制、数据安全和执行边界都会变得更加重要；
第六是持续进化。模型先天没有记忆能力，业务知识、岗位经验和工作方法都在不断更新，AI系统需要具备持续学习、沉淀和优化的能力。
这样一套系统工程，很难让企业自己从头搭起来。尤其对于更关注业务生产的企业来说，只靠开源组件或者部署一个大模型，很难直接创造业务价值。这也是紫光云提出“AI操作系统”这一概念的重要原因。模型、数据、知识、工具以及开发和运营能力，需要有人把它们统一整合起来，对外提供一套完整的能力集和更简单的使用界面。
把复杂性留在底层，把简单的交互和应用方式交给客户，是紫鸾AI操作系统的核心思路。
AI操作系统，要把六类能力接在一起
每个时代都有每个时代的操作系统，AI时代仅仅管理计算、存储和网络已经不够了。因为除了底层算力，还要把模型、数据、知识、Skill都管起来。
所以在紫光云看来，AI操作系统首先意味着管理对象发生了变化。过去无论PC操作系统还是云操作系统，最终服务的主要是人，包括普通用户、运维人员和开发者。但进入智能体时代，操作系统未来可能越来越多地直接服务于智能体。
当智能体的能力足够强之后，很多操作并不需要人逐个打开应用、寻找功能，再完成任务。智能体可以直接调用底层接口和能力，应用界面本身的重要性也会下降。过去一个终端上安装的几十甚至上百个应用，未来更可能成为智能体可以随时调用的能力集合。
企业里也是一样，未来企业内部的系统、工具和组件，都需要具备更强的可调用性。按照紫光云的设想，整个体系中的能力都应该进一步Skill化，让模型和智能体能够按需调用。
到了智能体时代，AI的底层平台也需要重新定义。从整体架构来看，紫鸾AI操作系统并不是一个从零开始的新产品，更像是紫光云过去多年能力的一次汇集和延伸。
底层算力层延续了紫光云原有的云基础设施能力，并针对AI场景加入无损网络等新能力，满足更低的时延；再往上是模型层，这是进入AI时代后新增的重要能力；再上面的数据和知识层，来自紫光云过去在数字化、智慧城市等领域长期积累的数据能力；最后应用使能层，承接紫光云原有的开发平台和开发管理能力。
除了四层核心能力之外，系统还包括安全保障、统一运营以及运维管理等横向能力。由此形成了紫鸾AI操作系统“四层三列”的整体架构，架构最上面承接的就是刚刚说到的现在最重要的智能体应用。
紫光云认为未来的智能体应用大致分为两类。一类是办公场景，包括WorkBuddy、千问办公等产品正在探索的方向。对于企业来说，关键在于这些办公智能体如何接入现有系统和工作环境，真正进入日常办公流程。
另一类是生产场景，生产环节更直接关系到业务产出，目前Coding已经成为较早进入生产场景的一类智能体应用，但落地仍旧是一个复杂工程，涉及到模型、开发环境、权限、工具调用等一整套系统能力。
未来不同行业还会出现越来越多面向生产环节的智能体，紫鸾AI操作系统做的就是为这些智能体提供统一的接入和调用能力，并通过Skill化的方式，把底层能力进一步封装出来，让不同智能体能够更顺畅地接入企业现有系统。
紫鸾AI操作系统主要从六个维度解决企业AI落地中的具体问题。
第一是算力调度。企业内部往往已经存在不同厂商、不同型号的AI硬件，紫鸾AI操作系统可以统一纳管多个算力池，根据模型和任务需求进行调度、弹性伸缩和配额管理，提高整体资源利用率。
第二是模型推理。企业实际使用AI时，往往需要同时调用内部模型和外部模型。尤其在AI Coding等场景中，模型效果、调用成本和数据安全需要同时考虑，多模型统一调度和推理成为一项基础能力。
第三是知识体系。企业多年积累的数据、制度、流程和经验，需要经过治理才能真正被大模型调用。紫鸾AI操作系统提供知识采集、非结构化数据治理、知识图谱和权限管理等能力，把企业私域知识沉淀成可供AI使用的知识体系。
第四是应用开发。围绕智能体应用，紫鸾AI操作系统覆盖低代码、高代码、零代码以及Workflow、MCP、Skill等开发方式，同时提供调试、发布、部署和生命周期管理，让企业能够更快开发和管理越来越多的AI应用。
第五是自主型智能体。当智能体从简单问答走向自主规划、调用工具和执行任务，底层需要提供模型、知识、Skill和工具等能力支撑，并对整个执行过程进行监测和管理。
第六是运营平台。随着企业内部模型、智能体和AI应用越来越多，需要看清资源、成本，并进行管理。紫鸾AI操作系统可以对算力、模型、数据、知识和应用进行统一计量，其中Token成为重要的计量方式。同时还可以按照部门、员工进行额度分配、预警和成本管理，把AI资源纳入企业运营体系。
先有AI操作系统，再长出行业应用
操作系统之上支撑的是智能体应用，紫鸾AI操作系统也在产品中内置了两类系统原生办公类应用。
一款是面向企业私域知识的智能问答。紫光云此前在知识萃取、知识整理和问答方面已经积累了较多能力，企业在把内部规章制度、报销流程、考勤制度、养老政策等知识接入之后，员工可以直接通过自然语言进行查询。
第二款是面向结构化数据的“紫鸾问数”。企业内部的ERP、销售、财务等系统沉淀了大量结构化数据，过去查看这些数据，往往需要进入不同系统。“紫鸾问数”可以直接连接这些业务系统，通过自然语言查询收入、毛利率、销售进展等经营数据，并快速生成相应结果。
除了办公类应用，紫光云也在生产场景中进行探索。今年3月，紫光云发布了面向工业场景的图纸识别和转化智能体。在半导体领域，紫光云也进一步将AI引入更完整的生产流程。未来更多行业应用也可以通过紫鸾AI操作系统接入底层能力。
柳义利以某市级卫健委项目为例，介绍了紫鸾AI操作系统在其中做的四件事。
第一件事，搭建统一的算力服务平台。AI应用要运行，首先需要有稳定的算力基础，因此先把底层算力资源统一建设、统一管理起来。
第二件事，建立全市卫健领域的知识体系。过去卫健系统已经积累了大量数据，但原始数据很难直接被大模型使用。紫光云要做的，是把这些数据进一步整理、治理和加工，形成大模型能够调用的知识体系。
第三件事，围绕Token建立新的运营方式。医疗数据本身具有较高价值，过去这些数据如何计量、如何提供服务，缺乏比较统一的方式。现在可以通过Token或者按次调用进行计量，把数据、知识以及模型调用纳入统一运营体系。例如个人健康档案等数据服务，就可以按照调用次数或者Token使用量进行计量。
第四件事，在底座之上孵化医疗AI应用。目前很多行业AI应用仍处在探索阶段，该项目的思路是先把算力、数据、知识和平台能力准备好，再让不同的应用厂商进入平台，基于已有的数据集和能力开发自己的产品。
紫光云对政企AI落地路径的一种判断是，不一定一开始就做大量分散的AI应用，先把底层能力建设完整，将算力、模型、数据、知识以及开发和运营能力搭起来。在这个基础上，再逐步生长出不同的行业智能体应用。
这也进一步明确了紫鸾AI操作系统面向的市场。紫光云产品与研究开发部副总裁唐元武表示，紫鸾AI操作系统主要面向政企客户的私域AI建设。如果只是调用公域模型，可以直接调用模型和Token。真正需要这套系统的，是那些数据、知识不能离开本地，又要部署智能体的客户。
紫光云产品与研究开发部副总裁唐元武
最终，紫鸾AI操作系统形成了四项统一的能力。第一是统一算力和调度，让企业内部不同厂商、不同类型的算力资源能够被统一管理和使用；第二是统一模型管理，让不同模型能够根据业务、成本和安全要求进行统一调度；第三是统一知识体系，把企业原本分散的数据、文档、制度和经验整理成可供大模型和智能体调用的知识；第四是统一智能体使能，为企业开发、接入和管理不同智能体提供统一的平台能力。
在这四个能力之上，则是全Token化的运营平台。算力、模型、知识、数据和智能体产生的调用和消耗，都可以进一步被计量和管理，从而把底层技术资源和上层业务使用连接起来。
这也构成了紫鸾AI操作系统今天的核心定位，帮助政企客户构建属于自己的智能化底座。
