中国基础设施工程正在进入一个微妙的阶段。新建项目的审批节奏趋于审慎，而存量交通网络、房屋建筑和高铁线路的服役年限却在持续累积。一个被反复提及却难以量化的矛盾是：一线工程师的能力方差极大，高水平工程经验往往随着资深工程师的退休而流失，但工程现场对风险判断、方案编制和图纸复核的要求并未因此降低。过去十年，建筑信息模型、智慧工地和各类管理软件试图把流程数字化，却始终没有解决一个更根本的问题——当一名年轻工程师站在施工现场，面对一张有争议的图纸或一处突发状况时，真正能替他做出专业判断的“经验”在哪里。
2024年在宁波注册成立的万卷智能试图用智能体回答这个问题。据公司披露，其核心产品是“卓越工程师智能体”，即基于顶尖工程师思维链训练出的数字工程师，能够自主规划、推理与执行专业任务。投资界8月18日消息，万卷智能近日完成超千万Pre-A轮融资，由天际资本领投，嘉涵实业跟投。这笔资金将用于加速研发、拓展市场及探索出海。对于一家成立仅一年多的公司而言，融资规模本身并不算大，但投资方的组合——一家跨区域科技投资机构加一家产业背景企业——指向了一个更值得关注的问题：工程师智能体究竟是一个可规模化的产品品类，还是又一个被大模型热潮推高的垂直概念。
| 字段 | 内容 |
|---|---|
| 公司 | 万卷智能（宁波）有限公司 |
| 轮次 | Pre-A轮 |
| 金额 | 超千万人民币（具体金额未披露） |
| 投资方 | 天际资本领投，嘉涵实业跟投 |
| 总部 | 宁波 |
| 创始人 | 李天翔（创始人兼CEO）、卢立群（联合创始人兼CTO） |
| 官网 | https://wanjuan.mereith.com/ |
“思维链”不是提示词技巧，而是把工程师的判断过程变成训练语料
万卷智能对其技术路径的描述是“基于顶尖工程师思维链的启发式训练”。这个表述容易让人联想到大模型领域的思维链提示，但两者并不在同一层面。大模型的思维链通常指让模型在推理时展示中间步骤，而万卷智能所称的思维链训练，据公司披露，是指用高水平工程师处理专业任务时的完整思考过程来训练智能体，使其能够自主读懂图纸与技术资料、完成推演计算并输出评审级成果文件。
从已披露的信息看，这条技术路线的核心难点不在于模型本身，而在于高质量思维链数据的获取与结构化。工程判断不同于通用问答，它涉及规范条文、地质条件、结构受力、施工工艺和现场约束之间的多重耦合。一个资深工程师在决定某段路基是否需要特殊处理时，其思考过程往往包含大量隐性知识——哪些规范条款在特定条件下可以突破，哪些现场信号意味着风险升级，哪些方案在纸面上成立但在施工组织上不可行。把这些隐性知识转化为可训练的数据，需要工程师愿意并能够把自己的判断过程显性化。万卷智能尚未披露其思维链数据的规模、来源和标注方式，这意味着其技术护城河的深度目前无法从外部验证。
联合创始人兼CTO卢立群的背景为这条技术路线提供了一定的可信度。据公司披露，卢立群博士毕业于伊利诺伊大学香槟分校，曾任阿里AI高级专家，具备大模型从0到1的工业化部署经验，历史项目实现供应链降本20%、实时追踪效率提升50%。工业化部署经验意味着他大概率清楚模型从实验室指标到生产环境稳定输出之间的鸿沟。但供应链优化与工程智能体是两类不同的任务，前者的容错空间和反馈周期与后者差异显著。供应链预测失误可以通过补货和调拨修正，而工程判断失误可能直接关联安全责任。这种差异对模型训练策略和产品设计的影响，目前公开材料中并未涉及。
“1+8+1”架构试图覆盖案头与现场，但硬件终端的真实使用频率存疑
在交通工程师赛道，万卷智能的产品架构被概括为“1+8+1”：1个基础的工程师超级助手，8个专业能力模块，包括风险专评、方案编制、图纸复核等，以及1个便携式智能硬件。公司称，针对工程师日常工作由50%案头内业与50%外勤作业构成的实际场景，这套“智能体+智能硬件终端”方案“可以实现工程全场景80%以上工作量的覆盖”。
这个80%的覆盖比例是公司口径，目前没有独立第三方验证。从产品逻辑上看，案头内业部分——方案编制、图纸复核、风险专评——相对容易被智能体承接，因为这些任务有明确的输入输出格式和可评估的质量标准。但外勤作业部分则复杂得多。据公司披露，硬件“口袋工程师Pocket Engineer”能让工程师手持终端在施工现场采集拍照、视频及语音，AI听取工程师意见并自主识别现场状况，随后调用专家级智能体，基于项目技术资料与现场信息进行计算分析，直接向现场工程师反馈综合分析结果，并自主完成台账整理。
这里存在一个关键的产品假设：施工现场的网络条件、光照环境、噪音水平和工程师的操作意愿，是否足以支撑一个需要实时调用云端智能体的硬件终端稳定运行。隧道内、桥梁下、高铁线路旁，移动网络覆盖往往不稳定；工地现场的语音采集会受到机械噪音干扰；而工程师在戴着手套、穿着反光衣的情况下，是否愿意频繁掏出终端进行语音交互，也是一个未被验证的行为假设。公司披露了硬件的功能描述，但未披露其在真实项目中的使用频次、故障率或用户留存数据。从已披露的“6个省份的数十个真实项目上投入使用”这一事实看，产品确实进入了真实场景，但“投入使用”与“高频使用”之间的距离，恰恰是智能硬件类产品最容易被忽视的鸿沟。
从交通到高铁再到房屋，三条赛道的客户逻辑并不相同
万卷智能在过去半年里发布了“交通工程师智能体”，并拓展至“高铁工程师”和“房屋工程师”两个新赛道。这三条赛道的共同点是都属于基础设施工程领域，但它们的买方结构、决策链条和付费逻辑差异显著。
交通工程师智能体面向的是公路、市政道路等交通基础设施项目，买方可能包括项目投资方、施工方和咨询方。这类项目的市场化程度相对较高，施工方和咨询方对效率和成本敏感，如果智能体能在方案编制和图纸复核上节省人力和时间，付费意愿相对容易建立。高铁工程师智能体则面向全国高铁基础设施长期服役的运维场景。高铁运维的买方高度集中，决策链条长，对安全性和合规性的要求远高于效率诉求。一个智能体要进入高铁运维体系，需要跨越的不仅是技术门槛，还有极其严格的准入和验证流程。公司称已拓展至高铁赛道，但未披露是否已进入实际运维项目，还是仅完成了产品定义和原型开发。
房屋工程师方面，公司披露目前主要功能为面向城市更新的房屋体检智能体与面向城市建设的合约与成本管控智能体。房屋体检是近年来政策驱动的增量市场，但付费方多为地方政府或国有平台，采购周期长且受财政预算约束。合约与成本管控则更接近企业内部的成本管理工具，与工程现场的技术判断关系较弱。三条赛道共享底层技术，但商业化路径并不共享。公司在Pre-A轮阶段同时铺开三条赛道，可以理解为用多场景验证产品通用性，但也意味着有限的研发和销售资源需要在三个不同的买方体系中分散配置。公司称预计今年下半年将形成10个左右的高水平工程师智能体集群，整体产品矩阵预计在2027年全面成型。这个时间表的前提是三条赛道都能按计划推进，而目前公开信息尚不足以支撑对这一节奏的外部验证。
投资方的产业逻辑清晰，但“全球稀缺”的判断需要更谨慎的标尺
天际资本在本轮融资中的表态相当明确。据投资方声明，天际资本在中外两地持续布局AI应用，认为“AI正从通用工具走向完整承接专业工作，垂类智能体是其中最具确定性的方向”。对于万卷智能，天际资本称其智能体“能自主读懂图纸与技术资料、完成推演计算并输出评审级成果文件，真正承担起一整项专业工作，并配合便携硬件覆盖案头与现场全场景——这样的产品能力在全球范围内都非常稀缺”。
“全球范围内都非常稀缺”是一个强判断。从公开信息看，全球工程软件领域确实存在将AI能力嵌入专业工作流的趋势，但并非空白地带。国际工程软件巨头在BIM和数字孪生领域积累多年，正在将生成式AI能力接入其产品体系；多家创业公司也在探索面向建筑和基础设施的AI助手。万卷智能的差异化在于其以“工程师思维链”为核心的训练方式和软硬件一体的产品形态，但这是否构成全球稀缺，需要放在具体竞争坐标中评估。天际资本作为投资方，其声明代表的是投资判断而非市场事实。编辑从已披露信息推断，万卷智能的稀缺性如果成立，更可能体现在中文工程规范语境下的思维链数据积累和现场硬件交互设计上，而非通用意义上的“全球唯一”。
嘉涵实业的跟投则带有更明确的产业协同色彩。据投资方声明，嘉涵实业认为“万卷智能的工程师智能体，第一次让我们看到把高水平专业能力沉淀为可复制、可规模化服务的可行路径”，并称万卷智能是其“重要的战略合作伙伴”。产业方用“第一次”这样的表述，更多反映的是其对自身业务场景中痛点的认知，而非对全行业的排他性判断。嘉涵实业的具体业务领域未在公开材料中披露，其与万卷智能的合作深度、是否已有实际项目落地、跟投金额占比等关键信息均未公开。从资本结构看，一家产业方在Pre-A轮跟投，通常意味着双方在业务层面已有一定接触，但接触的深度和转化率无法从现有信息中确认。
“数十个真实项目”是验证起点，但客户名称与续约数据缺失让商业化进度难以评估
万卷智能披露其产品“已在6个省份的数十个真实项目上投入使用”，客户类型包括项目投资方、施工方、咨询方、运维方、专业机构等。这是目前公开材料中最接近商业化验证的事实，但它的信息密度并不高。“数十个”是一个模糊区间，6个省份的地理分布说明产品不是单点试点，但客户具体名称、项目规模、使用时长、付费金额和续约情况均未披露。
对于一家Pre-A轮公司，不披露客户名称并不罕见，尤其在工程领域，客户关系往往涉及商业敏感信息。但“投入使用”与“付费使用”之间的区别值得关注。一个智能体产品可以以试点、免费试用或项目合作的方式进入真实项目，这能验证产品可用性，却不一定验证付费意愿。公司称将“寻找更多区域型销售合作伙伴，将智能体推广至国内外核心买方”，这意味着其销售模式可能包含渠道分销，而非完全依赖直销。区域型销售合作伙伴的引入可以加速覆盖，但也会摊薄单客户收入，并对产品标准化程度提出更高要求。如果智能体在不同项目中需要大量定制化适配，渠道模式的规模化效率将受到制约。
从资金用途看，公司披露本轮融资将用于“加速研发、拓展市场及探索出海”。超千万人民币的Pre-A轮融资，对于一家需要同时推进三条产品线、硬件终端研发和区域销售网络建设的公司而言，资金体量并不宽裕。出海探索在现阶段更可能停留在市场调研和早期接触层面，而非实质性的海外业务落地。天际资本称将“以全球资源与视野，支持公司在国内规模化落地和全球化拓展上同步发力”，但全球基建市场的买方结构和合规要求与中国市场差异巨大，工程师智能体出海面临的第一道门槛不是技术，而是不同国家和地区的工程规范、执业资格制度和数据合规要求。这些壁垒在公开材料中未被讨论。
风险不在技术能否跑通，而在责任边界与验证路径是否清晰
万卷智能在融资报道中列示的风险提示相当克制：行业竞争加剧可能影响其市场拓展，技术研发进度或不及预期。这两条风险适用于几乎所有AI创业公司，并未触及工程师智能体这一品类特有的深层问题。
更值得审视的风险在于责任边界。一个能“自主规划、推理与执行”的数字工程师，当它输出的风险专评或方案编制出现错误时，责任由谁承担？工程领域的安全责任有明确的法律和合同框架，工程师签字意味着个人执业资格和职业声誉的背书。智能体输出的成果文件如果被直接采纳，签字工程师是否需要对智能体的判断负责？如果智能体被定位为辅助工具，其“自主执行”的能力边界又在哪里？这些问题不解决，智能体在工程核心环节的渗透将始终面临制度性阻力。公司披露其智能体能“输出评审级成果文件”，但未说明这些成果文件在真实项目中是否经过人工复核、复核的工作量有多大、以及客户对智能体输出的信任程度如何。
另一个待验证假设是思维链数据的可持续获取。如果万卷智能的训练数据依赖顶尖工程师的显性化输出，那么随着产品使用范围的扩大，这些工程师是否愿意持续贡献自己的核心判断过程？在工程行业，资深工程师的经验本身就是其职业竞争力的来源。把经验转化为可复制的智能体，对行业整体有利，但对个体工程师而言，存在一种微妙的替代焦虑。公司未披露其思维链数据的获取机制、工程师参与激励以及数据更新频率。如果思维链数据是一次性采集后静态使用，智能体的能力天花板将受限于初始数据集的覆盖范围；如果建立了持续的数据回流机制，则需要回答工程师为何愿意持续贡献的问题。
从已披露的创始人背景看，李天翔的学术训练和产业经历兼具结构工程与人工智能的交叉属性，这为公司在工程领域建立初始信任提供了基础。但一家公司的产品能否从“数十个项目”走向规模化收入，取决于其能否在工程行业的保守文化与AI产品的效率承诺之间找到可验证的平衡点。目前公开信息显示，万卷智能已经完成了从0到1的产品定义和初步场景验证，但从1到10的路径——哪些客户会为哪个具体功能持续付费、硬件终端的使用频率能否支撑其作为独立产品的价值、三条赛道中哪一条能率先跑通——仍然需要更具体的数据来回答。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：万卷智能的融资故事里，最值得关注的不是“超千万”的金额，而是一个被行业反复讨论却鲜有产品真正回答的问题：工程师的经验能否被结构化为可训练、可复制、可部署的智能体。从已披露的信息看，这家公司至少把这个问题推进到了真实项目验证阶段，6个省份数十个项目的落地密度在同类公司中不算单薄。但“投入使用”到“持续付费”之间的距离，比“思维链训练”到“产品发布”的距离更长。工程智能体的真正对手不是其他AI公司，而是工程行业对责任、安全和制度惯性的坚守。在这个领域，技术演示能赢得关注，但只有可追溯的判断依据、清晰的责任边界和客户愿意续约的付费记录，才能赢得行业。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。