主营业务:
公司及其附属公司（统称‘集团’）主要在中国从事提供Atlas图谱解决方案及Atlas智能体业务。
报告期业绩:
集团于报告期内的收入为人民币295.6百万元，较截至2025年6月30日止六个月的收入人民币173.5百万元增加人民币122.1百万元（或约70.4%）。这主要是由于Atlas图谱解决方案及Atlas智能体产生的收入增加。
报告期业务回顾：
(1)公司经营质量稳步提升2026年上半年，公司净亏损人民币79.0百万元，同比收窄38.1%，经调整后净亏损较去年同期收窄
31.5%至人民币19.6百万元。与此同时，得益于公司Atlas智能体业务收入占比的持续提升，以及公司
解决方案在不同行业、不同场景的沉淀，报告期内公司整体毛利率同比提升6.2个百分点至44.7%，其中Atlas智能体毛利率同比提升4.8个百分点至52.9%。
(2)公司资本结构显著优化截至2026年6月30日，公司总资产较2025年末大幅增长至人民币1,626.6百万元，公司拥有人应占权益达人民币1,199.1百万元，较2025年末增加人民币2,650.5百万元；现金及现金等价物与以公允价值计量且其变动计入当期损益的金融资产合计超人民币971.7百万元，资金储备充裕；整体资产负债率为26.3%。整体而言，公司上市后资本结构实现显著优化，整体财务结构稳健，为长期健康发展提供了坚实支撑。(3)不断深化战略合作与技术突破报告期内，公司分别与算力领域核心企业，例如海光信息；大语言模型领域领先企业，例如智谱；以及场景应用领域的领先企业，例如宁波银行等，展开全面战略合作，贯通‘算力－模型－场景’的产业级AI体系。技术层面，公司在Harness与AI数据库基座方面均取得重要进展：Atlas Harness进一步从面向单任务的Agent编排框架向产业级智能体运行时（Agent Runtime）与标准化运行平台演进，使产业Agent升级为生产级系统；同时公司逐步推动Atlas Harness本身的平台化与标准化沉淀，使其从项目级工程能力演进为可复用、可管理、可持续进化的产业AI基础设施；在大模型时代的AI数据库基座方面，公司构建了多模数据库，实现了跨数据类型联合分析，以业务对象为核心组织不同形态数据，避免多数据空间的对象匹配、结果拼接和多轮数据搬运，使AI的长链条推理得以在同一计算体系中连续完成。图数据库从‘分析型基础设施’向‘智能体运行时记忆与推理底座’演进，进一步与本体和Harness形成上下贯通的技术体系，夯实产业级AI的全栈技术底座。
此外，公司于报告期间被正式纳入港股通及恒生综合指数，公司股票的交易可及性与市场流动性得到进一步提升，标志著公司机构投资者覆盖与市场认知度迈上新台阶。
...
II.技术及产品进展(1)行业趋势：以本体为核心的Harness成为AI产业化落地的主要范式2026年上半年，大语言模型与智能体技术进一步由能力探索走向产业化应用。随著国产大语言模型和开源模型能力持续提升，企业可选择的基础模型更加丰富，模型逐步成为基于性能、成本、安全和部署环境灵活选择的基础能力。与此同时，企业AI（‘Enterprise AI’）建设的核心矛盾亦同步转移：客户的关注重点正从模型自身的性能，延伸向模型对业务的深度理解进而流畅嵌入业务流程并可靠执行给定任务。这一变化推动AI应用从早期以提示词工程(PromptEngineering)、RAG和知识问答为核心，进入上下文工程(ContextEngineering)、驾驭工程(Harness Engineering)，进而延伸到循环工程(LoopEngineering)及图工程(GraphEngineering)阶段，其中上下文工程、循环工程和图工程等技术正逐步勾勒出企业AIHarness的清晰路线。产业级智能体不只是一个能够自主调用工具的大模型，而是一个需要持续获取业务上下文、管理任务状态、调用企业能力、执行多步骤流程，并能够对执行结果进行验证、追踪和治理的综合智能系统。这一整套支撑产业级智能体运行时的工程化能力，即称之为Harness。
其中，本体（‘Ontology’）正重新成为企业AI基础设施的重要组成部分。目前全球领先的企业AI解决方案供应商，已建立用本体联接业务语义和数字化生产环境的表达范式，AI与人的交互已经从相互理解语言，跃升到AI对数字世界的数据、计算、操作间形成复杂认知能力，为未来AI全面接管企业数字化生产环境打开了一扇崭新的窗口；多家头部科技企业及数据智能平台近期也相继强化本体和企业语义层建设，用于为Agent提供统一的业务对象、关系、规则和上下文。本体正从传统意义上的‘知识组织方式’，逐渐演进为连接企业数据世界和AI智能体之间的业务语义层。
客户侧也能够观察到相同的变化趋势。一方面，随著AI深入行业进展所带来的快速认知觉醒，行业客户对本体概念的理解与需求，较之前均有显著提升，如已经历过数仓与数据中台建设的工业制造业客户明确把本体视为刚需列入与AI建设有关的项目范畴；公共服务与安全行业进一步要求固定+动态本体及A2A(AgenttoAgent)联算；政务行业要求涵盖政府所有部门业务的多领域本体+任务流执行+全链路可溯源；智能矿山正逐步实施业务本体设计对矿山运营的全面接管。另一方面，要实现智能体从‘知晓’到‘执行’的跨越，需要一种能贯穿‘数据－知识－业务规则－流程－工具’全链路的系统化框架，本质上是企业运行逻辑的抽象建模，而这恰恰是本体过去所承载并支持持续扩充的价值所在。以上两方面彼此强化，使本体在技术落地与客户认知两端同时成为了AI智能体时代的基座。
在模型发展尚未收敛而应用需求已大步踏入深水区的当下，企业在AI端真正需要长期沉淀的资产也正在发生变化。基础模型可以随著技术进步不断升级和替换，但企业自己的各类数据、计算、操作、术语、流程等基于业务本体所形成的知识网络已经成为了企业AI基建的核心内容，并通过模型上下文协议（MCP）、命令行接口（CLI）、技能（Skill）和循环（Loop）等智能体服务能力，焕发出不可替代、更可持续复用的价值，这正是企业在AI时代能够积累的AI资产。这部分资产需要与模型解耦，因此将资产积累在Harness层并持续构建，已逐步成为产业AI落地主流形态。这是主权AI在企业侧的具体实践：需要实现自主可控的不仅是模型、算力和数据，还包括企业自身的知识体系、业务语义以及AI的执行和治理体系。当前和未来，海致在企业AI体系中的价值是帮助企业全面建设模型之外的业务智能基础设施：以多模数据库为数据及计算底座、以本体为业务语义核心、以Harness为智能执行引擎的产业级AI基础设施。在此基础上适配持续演进的大模型，将模型能力转化为企业级业务生产力。(2)从Harness到Ontology：产业级智能体的企业侧落地(i)Harness：从模型能力走向系统能力随著大模型从内容生成走向任务执行，AI系统的瓶颈逐渐从‘模型是否足够聪明’转向‘模型能否持续、可靠地完成工作’。提示词工程解决如何向模型表达任务，上下文工程解决模型应该获得哪些信息；但当Agent开始处理多步骤、长周期任务时，仅依靠模型本身无法稳定完成状态管理、工具执行、失败恢复、权限控制和结果验证，由此推动了Harness的出现。
Harness的核心，是在模型之外构建上下文(Context)、工具(Tools)、状态(State)、记忆(Memory)、编排(Orchestration)、验证(Verification)、安全护栏(Guardrails)等系统能力，将概率性的模型智能组织为可控、可持续、可验证的执行能力。自此，AI工程的重心也由‘优化模型输入’进一步转向‘设计模型运行环境’。
(ii)Harness概念的扩张：从Agent可靠性走向运行环境以当前业界术语使用而论，Harness的概念已产生狭义广义之分。狭义Harness即Harness Engineering，主要解决单个Agent的执行可靠性，例如上下文管理、工具调用、执行循环、重试和验证；随著Agent任务复杂度提升，或Agent开始进入垂直产业场景处理问题，其范围逐渐延伸至工作流(Workflow)、多Agent协同、权限、安全、人在回路(Human-in-the-loop)和可观察性(Observability)。此时，Harness已经不再只是狭义的Agent可靠性工程，而开始承担模型与外部环境之间的运行和控制职能，即广义Harness的范畴。二者之间的区别是，前者使模型成为能执行的通用Agent，后者使AI能够在某个环境，通常是真实企业环境中可靠运行。
当Agent所处理的问题从开放世界的探索项目转向约束世界的问题解决，当Agent所处的环境从由文件、网页和通用工具所构成的通用场景转变为真实企业业务场景时，其所面对的问题实际上发生了本质变化，因而Harness系统的架构和目标亦同步改变。(iii)产业级Agent：首先需要一个‘可计算的企业’通用Agent通常可以依靠语言知识和开放式推理完成搜索、研究、编程等任务；产业级Agent则必须在企业真实经营状态上形成量化判断。供应链、制造、能源、金融等领域的决策并不是单纯理解‘理论上应该怎么做’，而是需要知道当前库存、产能、订单、成本、可支配资源、风险和设备状态，并把这些变量代入业务公式、预测模型、优化算法和约束条件中进行计算。
因此，产业级Agent落地的第一个前提不是简单连接几个业务系统，而是先形成统一的企业数据与计算底座。这正是公司的DMC大数据平台所起的作用，其价值在于将散落于ERP、MES、CRM、数据库、传感器系统和文档中的结构化与非结构化数据统一接入、治理、转换和计算，并将其中的指标、模型和业务计算关系沉淀为可复用资产。
通用模型可以理解决策逻辑，但只有当逻辑作用于企业真实数据之上，才能形成可执行的量化决策。
(iv)Ontology：从‘可计算的企业’到‘可理解、可行动的企业’数据与计算解决了‘企业当前发生了什么、各种变量是多少’的问题，但产业Agent仍然需要理解这些数据在业务世界中的含义。Ontology的作用，就是在底层数据和计算之上，将企业进一步抽象为统一的业务对象、关系、逻辑和行动：供应商、订单、工厂和设备成为对象(Objects)，对象之间的依赖成为关系(Relationship)，业务规则、模型和决策边界成为逻辑(Logic)，而采购、调度、修改订单等现实操作则成为行动(Actions)。
简言之，Ontology为AI构建了一个可理解、可操作的企业世界模型。产业Agent与通用Agent的核心差异，并不首先来自模型能力，而来自所处环境。真实企业环境中存在明确的业务对象、流程、实时状态、角色权限、决策前置条件、合规要求以及特定的信息系统。Agent不仅要知道‘能够做什么’，还必须知道‘在当前企业状态下是否应该做、由谁批准、执行后会产生什么影响’。Ontology中则包含Agent所需的所有企业语义与运营建模，提供规则、权限和行动空间，因此也是产业AIHarness与通用Agent Harness的核心区别。Agent在这一业务抽象层上进行推理，同时调用底层数据、模型和计算能力完成量化判断，从而把自然语言推理真正转化为产业决策。(v)从Ontology到前线部署工程师（Forward Deployed Engineer,FDE）：把产业知识持续编译进Ontology但企业运行方式并不能仅从数据库中自动推导出来。大量关键知识存在于业务人员经验、跨部门协作、历史流程和隐性的决策惯例之中，例如哪些变量真正影响决策、什么情况下可以例外、哪些风险在数据正常时仍需警惕。这部分隐性知识(Tacit Knowledge)决定了Ontology是否只是一个数据模型，还是能够真正反映企业如何运行。
FDE的作用，就是深入真实业务现场，与客户共同发现这些关键对象、关系、逻辑、工作流、行动和决策边界，并将其持续沉淀到Ontology和平台能力中。其与传统B2B定制化的核心差异在于：传统定制开发的目标是‘为一个客户增加专属功能’，而FDE的目标是‘通过解决真实客户最困难的问题，抽象出可复用的产品能力并持续增强Ontology’。因此，数据平台沉淀企业事实，Ontology沉淀企业运行模型，FDE则持续把难以从数据中直接获得的产业经验编译进这一模型。
至此，产业级Agent的框架已完整确立，其核心能力不再是单一模型能力，而是一套完整的系统能力：模型提供通用智能，Harness将智能组织成可靠执行，数据与计算底座使企业现实可计算，Ontology将企业运行方式转化为AI可理解和可操作的世界，FDE则持续从产业现场更新这一世界。(3)Ontology建模范围进一步扩张，沉淀为标准化平台能力2026年上半年，公司进一步升级业务Ontology能力，推动其从传统以实体和关系为核心的‘数据语义模型’，向覆盖业务对象、状态、规则与行动的‘企业运行模型’演进。通过对象、属性(Property)、关系、动作等统一抽象，将客户、合同、帐户、设备、订单、事件等对象及其关系、状态和可执行动作纳入同一语义体系，并进一步将动作与工具、技能、工作流关联，使Ontology不仅描述‘企业中有什么’，还能够表达‘企业如何运行、可以采取什么行动’。
在此基础上，公司进一步将Ontology的搭建、配置、管理与复用能力平台化，逐步形成标准化、自动化的Ontology构建与运营工具，将原本分散在项目中的数据映射、业务语义、专业经验和流程能力沉淀为可复用资产。由此，Ontology从面向数据理解的语义层，进一步升级为连接企业数据、业务逻辑与Agent行动能力的统一业务能力层。
需要特别指出，面对中国大型企业倾向于私有化部署环境的长期习惯，基于图的本体管理技术，在面对企业复杂知识和统一语义的构建运营方面有著更加稳健的表现，这是中国企业在本体构建实践中区别于美国企业标准商业化软件和SaaS化环境最大的不同，可以预见，基于企业全域、全流程、全场景的统一语义本体运营和本体自动化解析构建，以及基于本体从知识网络向复杂决策网络升级的三大变化趋势将日渐明显。未来企业以本体为核心的知识中台将有机会全面取代数据中台，统一运营的IT架构服务对象也会从企业员工全面转向企业AI。(4)Harness向产业级智能体运行时与标准化运行平台演进2026年上半年，公司Atlas Harness进一步从面向单任务的Agent编排框架向产业级智能体运行时与标准化运行管理平台演进，围绕上下文构建、长任务状态管理、工具╱技能╱工作流调度、链路追踪(Trace)、执行重放(Replay)、运行指标(Metrics)、效果评估(Evaluation)及运行隔离等能力持续完善，使Agent从‘能够执行任务’升级为‘可观测、可诊断、可评估、可持续优化’的生产级系统。
在此基础上，公司Atlas Harness正进一步推动相关能力的平台化与标准化沉淀，逐步形成覆盖任务配置、工具管理、运行观测、效果评估及持续优化的统一工程底座。未来可结合企业自身技术体系和业务复杂度，由客户技术团队与公司FDE团队协同进行配置、运维和迭代，使Harness逐步从项目级工程能力演进为可复用、可管理、可持续进化的产业Agent基础设施。
(5)从图数据库到多模数据库：构建产业Agent的统一数据计算底座2026年上半年，公司在持续迭代AtlasGraph图数据库核心引擎的基础上，进一步推进面向图、时序、向量的新一代多模数据库建设，推动底层数据能力从以复杂关系计算为核心，向覆盖关系、状态与语义的统一数据计算底座演进。图数据描述业务对象之间的关联与依赖，时序数据记录对象状态及事件随时间的变化，向量则承载文档、文本等非结构化知识的语义表示。随著AI应用对跨数据类型联合分析的需求提升，底层数据基础设施也逐步呈现由单一模型向多模融合演进的趋势，其核心并非增加数据库种类，而是围绕同一业务对象统一组织不同形态的数据，使对象的关系、状态与知识能够在同一计算体系中被关联和理解。这一升级相比传统图数据库的关键变化，是从单一关系计算进一步走向跨数据模型的融合计算。以设备故障分析为例，如果分别使用图数据库、时序数据库和向量数据库，系统需要先在三个独立数据空间中分别识别设备关系、运行指标和维修知识，再依靠应用层完成对象匹配、结果拼接和多轮数据搬运；而在统一多模体系下，设备可以成为三类数据共同指向的业务对象，系统能够围绕同一设备连续完成故障知识召回、上下游影响分析和异常指标追溯。
由此，分析不再是三个数据库结果的简单汇总，而是基于统一对象上下文形成‘关系－状态－知识’之间的联合计算，降低跨系统关联复杂度，并为更长链条的机器推理提供一致的数据基础。
更重要的是，多模数据库正在进一步与Ontology和Harness形成上下贯通的技术体系。底层数据库负责保存和计算企业真实世界中的关系、状态和知识，Ontology进一步将这些数据映射为统一的业务对象、关系、状态及可调用能力，使底层图查询、时序分析和向量检索不必直接暴露给Agent，而能够被封装为具有明确业务语义的工具或动作；Harness则根据任务目标、上下文和业务约束选择并组织这些能力。由此，多模数据库解决‘企业现实如何被计算’，Ontology解决‘这些计算在业务上意味著什么’，Harness进一步解决‘Agent如何在具体任务中可靠使用这些能力’，共同构成产业Agent从底层数据计算到业务理解、再到决策执行的完整技术链条。
(6)产学研及技术生态合作：院士工作站升级，大语言模型生态协同在产学研与标准话语权方面，公司持续夯实技术底座。院士专家工作站于报告期内完成战略升级，研发重心从高性能图计算领域全面升级至‘知识图谱与大模型融合’领域，由公司首席科学家郑纬民院士领衔，聚焦大规模分散式系统与图模融合前沿，标志著公司在筑牢大模型可信应用底座上迈出了关键一步，将为图模融合技术的持续创新提供更强的科研支撑。此外，公司全资子公司北京海致星图科技有限公司作为核心起草单位，深度参编的《信息技术神经网路表示与模型压缩第3部分：图神经网路》、《智能计算图计算性能测试方法》等国家标准于报告期内正式发布，公司正将自身多年的技术实践经验，逐步沉淀为可复用、可推广的行业规范，为大模型时代的图智能技术构建统一的‘技术语言’，助力行业实现技术研发、产品互通与工程落地的高效协同。在技术生态合作方面，目前公司Atlas智能体可相容超过100个大语言模型。报告期内，公司与北京智谱华章科技股份有限公司（‘智谱’）订立战略合作框架协议；根据战略合作框架协议，公司与智谱将在模型训练、应用场景落地等领域开展战略合作，凭藉双方各自的技术优势、行业经验及市场资源，实现资源互补与协同发展。此外，2026年6月，公司与海光信息技术股份有限公司（‘海光信息’）正式签署战略合作协定，双方聚焦公共服务和安全等行业，联合打造‘国产算力+图模智能’全栈解决方案，推动国产化AI技术在重点行业规模化落地。未来，公司将持续深耕‘图模融合’与AI智能体相关技术，加大底层技术研发投入，不断迭代全栈自研产品体系，加速可信产业智能服务在金融、能源、政务等关键领域的规模化落地，持续深耕产业智能化建设，为投资者与合作伙伴创造可持续的长期价值。
业务展望：
伴随著基础模型参数的不断升级，模型能力的提升也给了人们更高的期待。但在严肃复杂的企业和公共服务应用场景中，有一点已经变得清晰：一套以‘本体’为核心的Harness系统，在企业AI应用的过程中，其作用与模型能力同样重要。公司将持续深化产业级智能体在各行业的应用落地，推进以下方面的能力建设：
(1)持续构建跨行业、跨领域的核心技术底座世界是复杂关系之和，而图谱是对这种复杂关系进行准确描述的载体，因此也是大规模复杂本体系统的底层架构。在制造、金融、能源等对人类社会影响巨大、知识高度复杂而严肃的行业中，AI应用需要构建这一套人机共融的体系，即本体—这是连结AI基础设施、大语言模型能力建设、AI产业应用等多个万亿级市场的锚点。沿此方向，公司将持续投入底层核心技术研发，在产业Harness与多模数据库两大层级上迭代全栈自研产品体系，使核心技术具备跨行业、跨领域的通用与复用能力。在行业拓展方面，公司将在金融、政务、能源等优势行业稳步深耕的基础上，加快向智能制造、矿业、电信、医药等多行业与多场景延伸－报告期内公司在上述领域的标杆项目实践，已初步验证公司平台的跨行业复制能力。
(2)强化AI原生人才及行业专家型人才储备人才方面，公司将持续引进和培养AI原生（AINative）人才，打造能熟练运用本体建模与智能体工程方法的复合型研发队伍，为技术体系的持续演进提供支撑。公司将同步加大多行业人才的引进力度，吸纳具备垂直领域知识背景的专业人才，将行业知识转化为本体模型、技能库与解决方案的持续沉淀，支撑新行业拓展从‘单点突破’走向‘体系化覆盖’。
(3)以头部客户标杆案例沉淀行业标准化产品，逐步完成向规模化增长的切换产业侧与场景侧，公司通过服务标杆客户，持续沉淀有行业特性的标准化产品与模组－将行业交付经验固化为可复用的本体模型、技能库与场景元件，推动收入增长模式由‘人数与人效驱动’逐步切换为‘产品及服务的规模化复制’，并积极探索在成熟行业、成熟场景实现快速上量的机会，以更优的边际成本结构支撑收入规模与收入质量的同步提升。(4)持续提升管理层学习能力与组织运行效率随著业务规模与组织复杂度的提升，公司管理层将持续加强自我学习能力，既保持对新技术、新事物的敏锐认知与快速吸收，亦同步构建与更大规模企业相匹配的体系化管理能力；通过优化管理流程与组织机制，持续提升管理效率，为公司规模化发展提供坚实的组织保障。
在仰望星空的同时，脚踏实地在AI技术的快速迭代一次次让公司仰望AGI星空之时，公司坚信：产业级人工智能之路在生产线，在矿洞深处、在荒原上默默运行的油井与管道，在城市低空的规划与利用，在公共安全的高效而无声的保护。科技是阶跃的，而企业的智能发展则是渐进而曲折的，它需要公司尊重和敬畏行业知识的复杂和人类所未能触及的未知，需要坚持从实际出发、从现场出发，以解决问题为‘第一性原理’。
在此信念之下，公司将在持续探索前沿技术边界的同时，坚持以经营质量为本，推动收入规模、交付效率与盈利能力的同步提升，力争在巩固技术领先性的基础上实现规模化盈利；依托长期稳健经营，为股东创造可持续的长期价值。
查看全部