AI进入紫光展锐，不只是做出Agent Demo，更要走向生产场景。
作为全球领先的平台型芯片设计企业，紫光展锐正一边推进Agent在研发、数据分析、项目管理等场景中的业务验证，一边补齐企业级模型能力底座，推动MaaS平台落地。芯片业务门槛高、数据敏感，无论是Agent应用还是模型平台，要进入生产都必须守住安全、稳定、可控的边界。
我们判断Agent能否进入生产有一套“4+1”标准：安全是第一要务，其次是稳定、可观测和可度量；“+1”则是人机协同。
——紫光展锐数智化部创新应用方案部高级总监王辉
在火山杯Agent创新大赛中，这套标准成为紫光展锐筛选和验证Agent作品的重要尺度，也延伸到其企业级AI能力落地的推进过程中。
在紫光展锐，Agent“能跑起来”只意味着完成了Demo。要进入试生产，还需通过稳定性、数据安全（885942）、过程追踪与结果可靠性等多重检验。
“AI能力很强，可以很快把Demo做到60分，但要在真实业务场景里面做到80分甚至90分，很难。达到90分左右，我们才会让它到生产环境里开展试生产。”王辉表示。
Android Camera内存智能调查Agent：让专家经验可复用、分析过程可复核
芯片影像研发中，Android Camera内存问题很“吃经验”，异常出现后，工程师要在多个调试工具间反复切换，排查链路长，也高度依赖专家判断。同时原始调试数据涉及敏感研发信息，既要查准又要守住安全边界。
紫光展锐基于火山引擎的Agent能力搭建Android Camera内存智能调查系统，把专家调查方法拆成可执行的流程与Skill：Local Lab在本地采集、整理、校验证据；MCP输出脱敏摘要；Agent工具按异常类型组织调查步骤、调用对应Skill，并判断证据缺口。
这套方案让更多工程师能够复用专家经验，使排查过程有据可查，同时将敏感原始数据保留在本地。
销售及供应链预测Agent：统一预测分析，辅助销售与供应链决策
对芯片企业来说，销售预测直接影响销售策略、库存和备货安排。随着产品和客户增加，预测数据每月持续更新，管理层、销售和供应链还需要从不同维度进行分析。业务人员因此要频繁在Excel和BI工具间整理、拆分和比对数据，难以及时识别偏差、风险与机会。
销售及供应链预测Agent把这套固定流程沉淀下来。业务人员通过Agent工具用自然语言说明分析目标，销售看具体产品或客户的预测偏差，管理层看整体预测质量，供应链据此判断安全库存与备货。
Agent数据分析演示
目前，这套Agent已在紫光展锐自有平台小范围试点，由数据分析团队使用。
项目风险进度追踪Agent：自动识别异常，让风险更早暴露
对研发项目密集的芯片企业来说，一个环节延期，往往会牵动后续协同和整体进度。但项目动态分散在邮件、群聊和会议中，仍需人工持续收集、整理和汇报。项目数量增加后，异常信息容易被日常沟通淹没，风险往往要到定期汇报时才被发现，留给团队协调处理的时间也随之缩短。
项目风险进度追踪Skill基于Agent工具和飞书多维表格搭建“展小财助理”，持续汇总项目负责人、对接对象、延期天数等信息，并按预设规则标记红、黄、绿风险。例如，公司级项目延期5天即被识别为高风险。发现异常后，Agent还会进一步了解延期原因和资源需求，为后续协同处理提供依据。
原来需要人工发邮件、整理PPT，再上会汇报，项目风险才能被集中呈现。现在我们希望把它做成自动化，例如每天早上10点自动生成高风险预警，直接在看板上呈现异常指标。
——紫光展锐财务数字化专家Flyyi
火山杯之后，紫光展锐持续围绕“4+1”标准，通过“芯点子”等内部创新机制收集一线需求，让有价值的创意先进入业务验证，再逐步沉淀为可复用能力。
在推动Agent落地的同时，紫光展锐也在同步建设AI基础建设（884067）架构，拉通从算力、模型、平台到应用的全链路AI能力，重点搭建了企业内部的UniMaaS模型服务平台。
该平台由数智化部牵头，采用“统一接入、分发使用”模式，整合内外部算力资源，集中对接火山方舟API，再作为统一模型货架分发给各业务线，既减少重复接入成本，也让模型权限、调用和管理有了统一底座。
这套平台的使用场景主要集中在芯片研发提效和日常办公两大方向：前者延伸到Spec到RTL、验证、调试等研发环节，后者覆盖文档处理、知识问答、数据分析等通用工作。
目前，该系统已经全面覆盖公司所有部门和全部网段，包含系统平台部、通信技术部和芯片技术部已成为这套平台的主要使用部门，极大支撑了“All in AI”的战略达成。
接下来，紫光展锐与火山引擎也将继续围绕芯片企业对数据与生产环境的要求深化合作，一边完善企业MaaS平台能力，一边推进私有化部署和芯片垂类场景的进一步落地。
