一个比Anthropic更好的AI to B故事。。

定焦One（dingjiaoone）原创

作者 | 王汉星

编辑 | 魏佳

在美股，，，，有一家AI公司很纷歧样。。

它不训练大模子，，，，第一个付费客户是CIA，，，，以后二十年主要服务美国政府部分、FBI、军方，，，，也做能源、航空、医疗。。2020年上市时它险些被硅谷主流风投一致看空，，，，但随后近六年市值涨了20多倍。。仅2025年一年，，，，市值就从1700亿美元升至4200亿美元。。阻止2026年7月上旬，，，，其市值稳固在3000亿美元以上。。

它叫Palantir。。今年5月披露的Q1财报显示，，，，其单季营收16.3亿美元，，，，同比增速85%，，，，谋划利润率凌驾60%。。

在太平洋对岸，，，，一批中国公司正在瞄准这个位置。。

2025年11月3日，，，，“Agentic AI第一股”明略科技以141港元的刊行价挂牌，，，，开盘上涨117.73%，，，，市值直接突破400亿港元。。3个月后，，，，“AI Harness”海致科技上市首日开盘一度大涨260%，，，，市值一度触及390亿港元。。

再加上迅策科技、更早上市的第四范式等公司，，，，港股这一年多来接连迎来的“AI to B”新股，，，，险些无一破例都在讲统一个故事：中国的Palantir。。

用AI刷新企业生产流程，，，，是已往两年被重复押注的偏向之一，，，，但至今仍没有跑出真正的规；；；；；栈。。Palantir用二十年提前给出了一种谜底，，，，而它的“学徒们”，，，，正在赌自己能不可在本土市场跑通统一件事。。

01.CIA、FBI是客户，，，，撑起3000亿美元市值

Palantir建设于2003年。。它的手艺起点与硅谷主流的AI公司完全差别，，，，首创人Peter Thiel早先只是为了建设一家提前预判并资助攻击恐怖主义的大数据剖析公司。。

公司建设后的第一笔外部融资，，，，来自于CIA旗下的风险投资机构In-Q-Tel。。2005年，，，，Palantir获得了来自In-Q-Tel约200万美元的投资，，，，CIA也成为Palantir的第一个付费客户。。

早期的Palantir只做to G营业，，，，第一款产品是Gotham，，，，主要为政府、国防、情报和执法提供大数据剖析服务，，，，客户包括美国军方、CIA、FBI、NSA等等。。

在积累了一定的手艺能力后，，，，2016年前后，，，，Palantir又进入to B领域推出Foundry，，，，定位为“企业的中央操作系统”，，，，把政府场景中打磨过的能力搬到企业客户手里。。其中最典范的案例是空客与Palantir相助的Skywise平台，，，，对飞机的数百万个零件和重大的供应链举行数字化治理。。

它的服务底层逻辑是一个被重复讲述的看法——Ontology“本体论”。。简朴来说，，，，“本体”就是把一个特定行业内的所有知识举行语义统一之后的索引，，，，更通俗地讲，，，，是一个明确某个行业所有知识的“大脑”。。

这个看法听起来笼统，，，，放到详细场景里，，，，价值才华展现。。

海致科技CFO何飞宏告诉「定焦One」，，，，以电力行业为例，，，，通俗大模子面临“最近110千伏变压器故障本钱为什么上升”这个问题时，，，，往往会给出一段中性的剖析，，，，好比故障数目增添了18%，，，，抢修时长增添了6小时，，，，备件采购本钱上涨了12%等等。。

这是一个“看起来靠谱”的AI回覆，，，，但它无法告诉运维认真人接下来应该做什么。。而一套建设在“本体”之上的智能体则会像一个很是有履历的电力运维先生傅一样去思索：“我们这一波的变压器有问题了，，，，跟去年那波变压器是不是统一批？？？？？？是不是说明这波变压器的总体质量欠好？？？？？？若是是，，，，我们现在电网安排的尚有哪些是这个型号？？？？？？”

二者的差别在于，，，，前者只处理了信息，，，，后者挪用了一整套沉淀下来的行业逻辑与流程。。

本体论解决的是好欠好用的问题，，，，而FDE则解决了怎么用的问题。。FDE的全称是Forward Deployed Engineer（前置安排工程师），，，，这是Palantir独创的一种交付方式。。FDE模式实质上是把咨询公司的服务能力产品化，，，，把工程师派驻到客户生产现场，，，，通常一待就是几个月，，，，资助客户把软件安排到营业的各个环节。。

这种模式前期投入极高，，，，一个资深FDE的人力本钱远高于通俗工程师，，，，但只要某个行业的“本体”沉淀下来，，，，服务第二个偕行业客户时本钱就会大幅下降，，，，边际本钱会随着客户的增添而趋近于零。。这也是为什么Palantir的毛利率恒久稳固在80%以上。。

在AI兴起之前，，，，Palantir这套商业模式已经稳固运行了多年，，，，但资源市场给它的估值上限不过是一家SaaS软件服务公司的水平。。

真正把这套模式的价值抬升到3000亿美元估值的，，，，是Palantir在2023年推出的AIP（Artificial Intelligence Platform，，，，人工智能平台）。。

AIP并不是一个自力的产品，，，，它是搭在Foundry的本体层之上的一层AI编排界面。。它做了两件要害的事：一是把大模子作为可插拔的能力接入进来，，，，企业可以选择GPT、Claude、Gemini或者开源模子，，，，AIP认真让这些模子的推理能力用到企业自己的本体上；；；；；二是把已往需要几个月定制相同的安排历程平台化，，，，企业可以在几周甚至几天内构建出一个能在自己营业流程里跑起来的AI Agent。。

这层意义远远凌驾提高效率。。它让Palantir从一家数据剖析公司，，，，酿成了企业接入AI的推理层入口。。

AIP上线之后，，，，Palantir的营收最先加速，，，，从2023年至今，，，，季度营收增速从10%出面一起爬到85%，，，，净利润率从2023年的约10%扩张到2026年一季度的54%。。

这套“FDE+本体+AIP”的组合，，，，最先成为AI真正进入企业生产流程的标准形态。。

02.海内四类公司，，，，对标Palantir

在中国市场，，，，“AI to B”和“Palantir”这两个词险些在统一时间被大规模讲述。。

这并非无意。。已往两年，，，，除了Coding以外，，，，险些没有任何一个AI应用能真正跑出严酷意义上的商业化闭环。。

海致科技战略生长副总裁张环告诉「定焦One」，，，，目今企业大部分需求都集中在Coding Agent主要是由于更多形态的Agent还没有生长起来。。但Coding也有适用界线，，，，它的主要作用是放大个人的能力界线，，，，是一个从个人需求自下而上生长出来的应用，，，，而超大规模企业需要的to B Agent更多的是一个自上而下更重大的系统化设计。。

别的，，，，Coding仅仅笼罩了写代码这一种高度标准化的B端生产场景，，，，算力消耗的本钱高，，，，并且客户粘低，，，，市面上的Coding产品许多，，，，企业客户在采购时通常只会思量谁的能力最强，，，，或者谁的性价比最高，，，，从一款Coding Agent迁徙到另外一款险些没有什么本钱。。

Palantir的客户则完全差别。。构建“本体”的焦点数据自己就是最大的迁徙本钱，，，，Palantir的头部客户，，，，一旦把营业逻辑所有跑在其平台上，，，，替换本钱高到险些不可能换供应商。。

这意味着，，，，若是某家中国公司能把这套高毛利、高留存、高定价、深客户关系的模式在海内跑通，，，，它的估值天花板将远远凌驾现在所有的对标者。。

眼下正在争取“中国Palantir”这个头衔的公司，，，，大致可以归为四类。。

第一类是大模子公司和云厂商。。其中以智谱、月之暗面、MiniMax等为代表的大模子公司，，，，严酷意义上并不算“中国Palantir”的直接竞争者，，，，它们的定位更靠近模子能力的供应商。。

智谱早期做过知识图谱，，，，知识图谱是一种“本体”的手艺蹊径，，，，但相比于自己下场做B端服务，，，，模子公司更愿意跟企业级AI服务公司举行深度相助，，，，理由也很简朴，，，，它们没有行业Know-how，，，，也没精神做B端的FDE。。

真正在Palantir这条路径上有全栈能力的，，，，是云厂商中的部分玩家。。百度、华为、阿里、腾讯有更周全的B端服务能力，，，，并且这些云厂商已经在为政府、公安、能源，，，，或是B端企业客户提供AI服务，，，，在营业模式上更靠近Palantir的Gotham或Foundry，，，，以及二者的连系体。。

第二类潜在的“中国Palantir”是咨询公司和古板SaaS公司。。

埃森哲、德勤、麦肯锡、毕马威在美国是实上与Palantir有一定的营业重叠，，，，它们同样都是以人力麋集型交付切入客户，，，，但这条路在中国很难走通。。

中国大型企业客户很少愿意为“咨询”直接付费，，，，项目化交付险些不爆发可复用的产品资产，，，，市场也不给这类玩家足够的估值溢价。。

第三类是数据治理型公司，，，，这类公司多从数据中台、实时数据处理赛道起身，，，，善于多源数据整合、洗濯、治理与可视化剖析，，，，底层数据集成能力突出，，，，也积累了一定的行业Know-how数据，，，，并且都有一套基于这些数据所开发的AI服务平台，，，，代表公司有第四范式、滴普科技、迅策科技等。。

一位行业内人士告诉「定焦One」，，，，这类数据治理公司为企业提供的服务与Palantir类似，，，，但它们配合的短板是“本体”较弱，，，，从数据到“本体”有较量大的手艺跨度。。“若是只做数据治理就足以倾覆一切，，，，Snowflake早就应该把Palantir干死了，，，，但它没有。。”

最后一类是工业级AI公司，，，，相较于数据治理型公司，，，，它们在“本体”能力上做得更深。。

在严肃的生产场景下，，，，企业端通常需要确定性的执行能力，，，，AI的整个推理历程需要可诠释、可追溯、可审计。。在这种要求下，，，，向量数据或者简朴的可视化数据往往无法准确地形貌企业的所有生产要素。。

好比去形貌一家公司的股权关系，，，，若是只有两个股东，，，，各矜持股50%，，，，那用简朴的一句话（向量数据），，，，或者一张图就能准确形貌，，，，但若是是20个股东，，，，各矜持股的比例差别，，，，再加上多层的股权架构设计，，，，用语言、或者简朴的图表就很难形貌了。。

行业内现在接纳的主流解决方案是知识图谱，，，，用图数据在向量数据和关系数据之上再举行笼统和建模，，，，手艺门槛比数据治理更高，，，，需要企业有较强的高性能盘算手艺储备。。

这条路径上的代表玩家，，，，包括“Agentic AI第一股”的明略科技、NLP起身并驻足笔直大模子的拓尔思、在金融领域深耕知识图谱多年的蚂蚁，，，，以及以政府服务起身，，，，在海内处于知识图谱第一梯队的海致科技。。这几家公司中，，，，除了蚂蚁外，，，，都曾被冠以过“中国Palantir”的头衔。。

它们同样也是营业逻辑更靠近Palantir的一类公司，，，，以海致科技为例，，，，它之以是被称为“AI Harness”，，，，主要是依附知识图谱和图模融合手艺来给通用大模子套上一层“Harness”，，，，让AI在一个严谨的架构下运行，，，，从而镌汰由于概率天生导致的AI幻觉。。

何飞宏告诉「定焦One」，，，，今天一个清华结业的硕士生已经相当于一个水平很高的AGI个体，，，，可是让他去到一个新公司依然很难在短时间内把活儿干好。。即即是给他下达清晰的指令，，，，或者让他读完所有的公司文档、聚会纪要，，，，他依然不可成为一个很好的一线员工。。

更好的步伐是给他安排一个有履历的先生傅来动态地指导他什么时间该怎么做，，，，这个先生刚府噬暇褪且桓觥氨咎濉，，，，而知识图谱是实现“本体论”的一种手艺载体。。

这里提到的四类公司各有优势，，，，同时也各有短板。。整体上看，，，，中国今天还没有真正意义上的Palantir，，，，只有Palantir的几种碎片化的对标者。。

03.中国的Palantir应该是什么样的？？？？？？

只管从2025年年底至今，，，，海内AI to B赛道热度攀升、资源大规模涌入、种种玩家一连加码结构，，，，但短期内依然难以降生全方位对标Palantir的千亿级巨头。。这一方面是由于Palantir的手艺壁垒短期内难以复制，，，，别的在差别的市场情形下，，，，中国也未必需要一个完整版的Palantir。。

Palantir的手艺壁垒最难跨越的一点是时间维度上的积累。。它的图盘算引擎在反恐、战场这类零容错场景里磨了20年，，，，这些场景里的Know-how无法通过资源或大规模盘算加速。。

客户付费能力则是另一个差别。。Palantir有政府百亿美元级的条约，，，，这种量级的订单能养得起顶级FDE工程师团队恒久驻场。。海内的政企市场也保存类似的付费逻辑，，，，恒久相助的政务、公安、能源类客户能支持较重的驻场交付，，，，例如海致科技已往十几年主要服务的就是这类客户。。

但一旦跨到企业客户，，，，尤其是民营企业客户，，，，中国市场的付费逻辑就与美国泛起显著分野。。

海内to B市场至今仍是以一次性交付为主导，，，，客户买的是验收通过的系统，，，，厂商赚的是当期的项目款，，，，双方都没有强动力做恒久的产品沉淀。。加上海内客户更愿意为硬件、为看得见的功效付费，，，，本体层这种看不见但决议恒久能力的价值，，，，很难卖出对应的价钱。。

这直接压制了Palantir模式在中国被完全复制的可能性。。

正因云云，，，，前述四类“中国Palantir”对标者，，，，短期内险些都难以以其现有形态跑通全栈路径。。大模子公司缺乏行业Know-how，，，，其主要精神仍在模子能力自己的迭代上；；；；；数据治理公司偏Foundry路径，，，，缺乏“本体”层，，，，从数据到知识这一步没人真正做出来；；；；；咨询公司偏项目化交付，，，，很难跑出Palantir式的产品沉淀；；；；；工业级AI公司则受限于规模，，，，商业化天花板还没翻开。。

这也是为什么“中国Palantir”这个位置至今仍然空缺，，，，差别类型的公司都在往这个位置迫近，，，，没有一家真正抵达。。

但这并不料味着本土AI to B赛道缺乏生长空间。。随着通用大模子手艺趋于同质化，，，，模子之间的能力差别一连缩小，，，，工业落地能力将成为未来行业竞争的焦点变量。。

在“中国Palantir”的竞逐中真正能跑出来的公司，，，，需要同时具备至少三种能力：懂底层的图盘算和漫衍式系统手艺、懂详细行业的营业逻辑、并且愿意沉下心做恒久的脏活累活。。没有捷径，，，，也没有资源市场热度能替换十年以上的履历沉淀。。

这与AI时代通常的“短平快”节奏恰恰相反，，，，Palantir实质上是一个更靠近古板重工业的恒久生意。。

AI to B的行业终局未必是通盘复刻外洋模式。。中国to B市场的付费结构、客户偏好、政策界线与美国显著差别，，，，本土化的路径可能孕育出更适配中国场景的头部玩家，，，，它未必看起来像Palantir，，，，甚至可能不再需要用Palantir作为参照。。

这一天何时到来，，，，取决于四类玩家中谁能先完成能力的融合。。现在来看，，，，四类玩家中已有公司走出各自的第一步，，，，它们最终可能不会长成Palantir的形状，，，，但同样值得下注。。

*题图由AI天生。。文中配图均泉源于Palantir官网。。

移动适配与响应式排查：诊断与证据收罗页面的SEO判断线索

从SEO增添照料的视角看，，，，《移动适配与响应式排查：诊断与证据收罗》不是一篇只为笼罩要害词的文章，，，，而是一次围绕真实问题睁开的诊断、修复和复盘。。用户通常不是一最先就能说清根因，，，，他只会形貌页面打不开、收录异常、排名波动、咨询镌汰或内容看起来不可信。。专业处理要先把这种模糊感受拆成可验证的问题，，，，再决议是手艺修复、内容重写、结构调解照旧信任补强。。这个主题的焦点难点在于：手艺、内容、信任和转化之间保存断点，，，，单独修改问题或堆文章很难稳固解决。。若是团队只凭履历连忙操作，，，，容易泛起越修越乱的情形。。

更稳的做法是先建设证据表，，，，把征象、时间、URL、影响规模、工具泉源、日志位置、认真人和验证效果放在统一处，，，，确保每一次判断都能被复核处理时，，，，正文应让读者望见排查逻辑、修复行动和后续监控，，，，而不是只给结论。。

移动适配与响应式排查：诊断与证据收罗内容履历与证据补强

高端SEO内容要同时解决搜索明确和用户信任。。履历性来自真实场景，，，，专业性来自可执行要领，，，，权威性来自角色、审核和泉源，，，，可信度来自界线、更新和证据。。本文优化后会围绕搜索体现、会见日志、页面内容、用户行为、宣布纪录、咨询反馈和营业转化睁开，，，，不使用包管排名、包管收录、绝对有用这类不可证实的允许，，，，而是把问题、证据、行动和复盘写清晰

从根因到移动适配与响应式排查：诊断与证据收罗恢复

应优先执行：先界说问题规模，，，，再建设证据链，，，，最后以可回滚、可复盘的方式完成优化。。这让文章不但是说明问题，，，，而是把用户从履历、判断、处理到复盘的路径完整泛起出来。。先界定问题，，，，而不是先堆叠行动 手艺标记与渲染能力的目的，，，，是让页面的真实内容以稳固、可验证、可维护的方式被用户和爬虫明确，，，，而不是制造外貌信号。。关于“移动端内容缺失、结构错位或交互难题”这一征象，，，，建议先建设最小判断单位：明确目的URL或盘问、异？？？？？Ｗ钕仁奔洹⑹苡跋熳氨富虻厍⒂涤畔燃，，，，以及是否保存同期宣布、迁徙、模板调解或外部需求转变。。只有这些界线清晰，，，，后续数据才有诠释力。。

本主题的要害证据包括：viewport、DOM差别、媒体盘问、资源加载、可点击区域和表单。。这些证据不应划分由差别人生涯在各自工具里，，，，而应进入统一张排查表。。排查表至少包括征象、证据泉源、时间规模、可复现条件、假设、责任人、变换号和验证结论。。这样做的目的不是增添流程，，，，而是阻止“一个人看到排名、另一个人看到日志、第三个人看到投诉，，，，却没有人能把它们连起来”的常见失误。。问题履历：用可复核证据取代主观判断 一次典范排查履历是：某B2B站点在一次内容与模板宣布后的第7天，，，，内容认真人发明与“移动适配与响应式排查”相关的重点页面泛起移动端内容缺失、结构错位或交互难题。。

团队没有连忙大规模重写页面，，，，而是先冻结非须要宣布，，，，导出前后28天的搜索体现、会见日志、页面速率与转化事务，，，，并选取3个正常页面作为比照。。效果可能显示问题集中在某个模板、某类URL或某段用户路径，，，，也可能证实转变主要来自搜索需求和竞争效果。。这段履历的价值不在于给出某个牢靠结论，，，，而在于展示：任何优化都应建设在可复核证据上。。宣布时不要把履历写成“我们让流量提升X%”之类无法证实的效果。。更切合E-E-A-T的表达方式是说明视察到什么、怎样丈量、使用了哪些数据、做了哪些转变、哪些效果仍在视察，，，，以及哪些结论不适用于其他站点。。

检查清单 - 核对源代码、渲染后DOM与用户可见内容是否一致 - 验证要害资源、链接和接口在异；；；；Ｇ樾蜗碌奶逑 - 审查控制台过失、网络瀑布、缓存和服务端日志 - 确认标记数据与页面事实没有冲突 - 用差别装备和抓取方式举行比照测试 - 围绕“移动适配与响应式排查”确认页面角色、目的用户与优先级是否被写清。。- 纪录每次检查的日期、工具泉源、原始截图或导出文件位置，，，，阻止只保存口头结论。。操作方法 - 建设基线：导出异常前后相同时间跨度的数据，，，，阻止只看单日波动。。- 按viewport、DOM差别、媒体盘问、资源加载、可点击区域和表单分层收罗证据，，，，并标记缺失项。。

- 选择正常页面、异常页面和界线页面组成比照组，，，，验证假设是否建设。。- 把每条证据对应到一个可证伪假设，，，，阻止“看到异常就直接定根因”。。- 完成诊断摘要，，，，明确下一步是修复、视察、补数据照旧阻止无效行动。。验证要领与验收口径 诊断阶段的验收标准是：团队能在统一份质料中说明问题规模、证据强度、未知项和下一步决议。。- 复测初始HTML、渲染效果和要害交互 - 视察抓取、过失、速率与用户完成使命的转变 - 检查后续宣布是否仍切合模板规范 - 生涯验证证据用于下次审计 - 针对“移动适配与响应式排查”保存至少一份改动前后比照纪录，，，，并注明数据窗口。。

- 检查修复是否改善了用户路径，，，，而不是只改善了某个工具里的简单评分。。E-E-A-T宣布要求 正式宣布前，，，，请补齐作者角色、审核角色、更新时间、适用规模、数据泉源和变换纪录。。涉及真实客户、流量、排名、故障或转化的内容，，，，应使用已获授权且可复核的数据；；；；；无法果真的数据可以说明要领与规模，，，，但不要编造效果。。文章内的案例必需标明为“示例情境”或“经授权案例”。。引用第三方规范、平台说明或手艺文档时，，，，应保存原始泉源、会见日期和与本文结论的对应关系。。这样做不但能提高可信度，，，，也能让后续更新有依据。。手艺增补：阻止只修外貌信号 手艺类问题往往会跨越模板、缓存、网络、服务端和内容层。。

处理移动适配与响应式排查时，，，，建议把“用户看到什么”“爬虫拿到什么”“服务器现实返回什么”脱离纪录。。初始HTML、渲染后DOM、HTTP响应、缓存掷中、接口耗时与真适用户行为是差别层面的证据，，，，不可相互替换。。当问题只在部分地区、部分装备或部分时间泛起时，，，，更需要保存情形信息：网络运营商、浏览器版本、装备性能、请求头、缓存状态、CDN节点、宣布批次和过失追踪ID。。没有这些信息，，，，团队很容易在问题消逝后仍无法诠释原因。。手艺修复应优先思量可逆性。。先用小规模灰度、单页面验证或暂时开关确认偏向，，，，再扩大到全站。。把上线时间与监控图表对齐，，，，阻止把自然波动误判为修复效果。。

关于影响抓取和索引的变换，，，，还应预留视察周期，，，，由于搜索系统对页面转变的处理并不是即时完成。。结语 移动适配与响应式排查不应被当成一次性使命。。真正成熟的做法，，，，是把每次异常、优化和验证沉淀为可复用的判断框架：先界说问题，，，，再建设证据；；；；；先做小规模变换，，，，再检查用户路径；；；；；最后把履历写进内容、架构、监控或宣布流程。。这样页面质量、搜索体现和营业信任才会形成同向循环。。复盘与落地 文章宣布后，，，，不应只看是否被收录，，，，还要视察搜索展现、点击率、页面停留、咨询质量、客服追问和后续转化。。若是数据变好但用户仍然重复追问，，，，说明内容没有把界线和下一步讲清晰；；；；；

若是收录正常但转化缺乏，，，，说明页面可能只知足了搜索需求，，，，没有真正解决决议疑虑。。一连复盘这些信号，，，，才是E-E-A-T内容库能恒久施展价值的原因