SAP AI 圈子的 40 个黑话

最近和一个朋友聊起 SAP AI 解决方案和生态系统，这个朋友抱怨 SAP AI 发展太快了，每隔几天就有一些新名词冒出来，Joule、Agentic、A2A、RPT-1、ABAP-1，让学习者眼花缭乱。

这让我想起我 2007 年刚进公司实习时，第一天入职领到电脑，Mentor 发给我一个 PDF 文档，十多兆，SAP Business By Design Application Platform Development Guideline，六百多页的全英文。

我那会儿连一行 ABAP 都没写过，没有见过任何一个 SAP 系统的任何一个界面，这个 PDF 看得我脑子嗡嗡的。

才看了一两页，我笔记本上就记下来三十多个让我摸不着头脑的名词：Business Object,ESF,ESI,LCP,SOA......

我把这些陌生的名词记录在本子上，准备在每天 Mentor 和我答疑的时间统一去问。

虽然 Mentor 就我本子上这些名词逐一给我进行了解释，但我当时还是一个 SAP 小白，刚刚从一个学生的身份进入 SAP 实习，没有任何背景知识，所以我学得很吃力，很多概念都是死记硬背下来。

回到 SAP AI 圈子里不断出现的新术语，新概念，我觉得明智的做法，不在于记住它们的含义，而在于看清它们背后的一条线：SAP 想把企业从「人操作系统」，一步步变成「人定方向、Agent 干活」的自主企业。

本文笔者把自己这一两年来接触过的 SAP AI 相关概念进行梳理，拼凑了 40 个出来，一个一个捋清楚。

一、顶层愿景与战略盘

1. 自主企业（Autonomous Enterprise）

这是 SAP AI 所有概念的总纲。

简单说，就是让 AI 助手和 AI 智能体去跑完整的端到端业务流程，而人不再事必躬亲，只负责把方向和边界定好。

注意「人依然掌控」这几个字很关键，并不是说让机器接管公司了，而是人当船长、Agent 当船员。

这个愿景决定了后面所有工具存在的意义。

2. SAP 自主套件（SAP Autonomous Suite）

如果说自主企业是愿景，这个就是落地的业务运营核心。

它把公司拆成一个个"自主域"，每个域里，人负责设定方向，智能体负责实际干活。

你可以理解成：老板画好每个部门的 KPI 和规矩，剩下的执行交给一群不知疲倦的 AI 同事。

它是把宏大愿景切成可运营单元的那一步。

3. SAP Business AI 平台（SAP Business AI Platform）

这是一个综合性平台，专门帮企业构建、扩展、部署和治理 AI 方案。

它最大的价值，是让你调用 SAP 应用、数据和业务上下文来做 AI，而不是拿一个啥都不懂的通用大模型硬套。

说白了，别人的 AI 是通才，SAP 想给你的是懂业务的专才，而这个平台就是把「懂业务」这件事标准化、可治理化的地方。

4. SAP Business AI（SAP Business AI）

这是 SAP 全套 AI 能力的统称，特点是嵌入在各个业务应用里，而不是单独摆一个 AI 产品让你去用。

这项能力的目标很务实：提升生产力、辅助决策。

你在用采购、财务、HR 模块时，AI 就在旁边默默帮你，而不需要你切到另一个系统。

理解它，你就明白 SAP 的思路是「AI 无处不在」，而非「AI 单独售卖」。

二、Joule 全家桶

5. Joule

这是 SAP 的 AI 助手，也是普通用户最先接触到的那张脸。

你用自然语言跟它说话，它帮你完成任务、查信息、把活干得更快。

可以把它类比成 SAP 世界里的 Copilot，但它更懂企业业务上下文。

后面一长串带 Joule 的名词，本质都是围绕它衍生出来的家族成员，先记住这个"总入口"，其余就好理解了。

6. Joule Studio

如果 Joule 是给用户用的，Joule Studio 就是给开发者用的。

它是一个 AI 优先的开发环境，专门用来构建自定义的 AI 智能体、应用和工作流。

换句话说，官方给你的 Joule 不够用？那就自己动手造一个。

它把「造 Agent」这件原本很硬核的事，变成了一个有专门 IDE 支撑的开发活动。

7. Joule Studio 运行时（Joule Studio Runtime）

造出来的 Agent 总得有地方跑。这个就是企业级的运行时环境，负责部署和运营你自定义的 AI 智能体。

它主打一个"快"和"省心"。

降低 IT 复杂度，让你不必操心底层基础设施。

Studio 负责造，Runtime 负责跑，一造一跑，构成了自定义智能体的完整闭环。

8. Joule Work

这是一个统一的工作空间，把人、应用、数据和 AI 智能体聚到一起协同干活。

你可以理解成 SAP 版的"数字工位"：需要的东西都在这一个地方，人和 Agent 在同一个界面里配合。它的意义在于，不再让你在几十个系统之间来回跳，而是把工作收拢到一个统一入口。

9. Joule Work 移动应用（Joule Work Mobile App）

这就是 Joule Work 的手机版，用来随时访问 Joule、任务、应用、通知和业务内容。

有一点要特别记住：它是 SAP Mobile Start 的新名字。

所以如果你之前用过 Mobile Start，别懵，就是它换了个马甲，纳入了 Joule 大家族。

移动端的存在，说明 SAP 想让"随时随地干活"成为标配。

10. Joule Assistant

这是一个智能助手，特点是能理解业务上下文，并且能跨多个 SAP 系统去协调动作。

和基础版 Joule 相比，它更强调"跨系统协调"这个能力——不只回答你，还能替你把事情在不同系统间串起来。

理解它，你就抓住了 Joule 从"问答"走向"办事"的关键一跃。

11. Joule for Developers

这是专门聚焦开发场景的 Joule 能力，用来加速 SAP 各种技术栈上的开发任务。

写代码、查文档、理解项目，它都能搭把手。

对我们这些天天跟 ABAP、CAP、Fiori 打交道的人来说，这才是最接地气的一块。

它的定位，就是让开发者少敲点重复代码，多花点时间在真正有价值的业务逻辑上。

具体使用请参阅笔者的文章：

SAP Joule for Developers：为 ABAP 开发注入超强动力

SAP Joule for Developers 的定位和能力概述

12. Joule for Consultants

这是面向顾问的对话式 AI，专门在云转型这件事上给专家级建议，背后靠的是 SAP 庞大的知识库。

做过项目的都知道，云迁移最头疼的是"到底该怎么迁、坑在哪"。

它的价值，就是把 SAP 沉淀多年的最佳实践变成一个随叫随到的顾问。

对咨询顾问来说，这既是助力，也是某种压力：SAP Joule 在顾问与开发者场景的双擎定位：Joule for Consultants 全面解读。

13. Joule Skills

这是一个个具体的、任务级的能力，让 Joule 能真正去执行业务动作和工作流。

你可以把它类比成 App 里的"技能插件"：Joule 是大脑，Skills 是它会的一项项具体本事。

装的 Skill 越多，Joule 能干的活就越多。理解这个概念，你就明白 Joule 的能力不是天生的，而是靠一个个 Skill 拼出来的。

14. Joule Agent

这是一个 AI 驱动的"数字员工"，能执行业务任务、做决策、跑工作流。和只会应答的助手不同，Agent 强调的是"自己能干活"。

它是 Joule 家族里最接近"自主"这个词的成员——你交给它一个目标，它自己想办法完成。到这里，Joule 家族就从"帮手"进化成了"能独立做事的同事"。

三、智能体的底层逻辑

15. Agentic AI（智能体式 AI）

这是理解整套体系的核心词。

它指的是能推理、能规划、能采取行动去达成某个业务目标的 AI。

关键区别在"采取行动"四个字——传统 AI 给你答案，Agentic AI 直接帮你把事办了。

它是从"生成内容"到"完成任务"的分水岭，也是 SAP 这轮 AI 叙事里，最想让你记住的那个转变。

16. 多智能体系统（Multi-Agent System）

一个 Agent 能力有限，那就来一群。

多智能体系统就是一组 AI 智能体协同工作，每个负责一个大任务里的一小块。

就像一个项目团队，有人管前端、有人管后端、有人管测试。它的意义在于：复杂的业务流程，很难靠单个 Agent 搞定，必须靠分工协作。这为后面的"编排"埋下了伏笔。

17. 智能体编排（Agent Orchestration）

一群 Agent 各干各的会乱套，所以需要有人指挥，这就是编排。

笔者第一次接触到「编排」这个术语，还是 2018 年学习 Kubernetes 时。

它负责协调多个智能体、工具和系统，把活儿有序地完成。

你可以把它想象成乐队指挥或者项目经理——谁先上、谁后上、谁给谁传数据，都由它安排。

没有编排，多智能体系统就是一盘散沙；有了它，才叫真正的协同。

18. AI Agent（AI 智能体）

这是最基础的定义：一个能感知信息、做决策、并自主朝目标行动的软件。

感知、决策、行动，这三步是所有 Agent 的最小公约数。

前面的 Joule Agent、多智能体系统，本质都是这个概念的具体化。

把这个定义吃透，你再看任何带 "Agent" 的名词，都能一眼看穿它的本质。

19. 智能体间通信（Agent-to-Agent Communication, A2A）

既然要多个 Agent 协作，它们之间就得能"说话"，A2A 就是这套通信机制，让智能体互相交换信息、协同完成任务。

你可以类比成同事之间的沟通协议——大家用同一种"语言"对齐进度。

它是多智能体系统能真正跑起来的技术前提，也是当下整个业界都在抢着定标准的一块。

20. 协作智能体（Collaborative Agents）

这个概念和多智能体系统很像，强调的是多个 Agent 一起朝着同一个业务目标努力。

区别在于它更突出"协作"这层含义——不是各干各的，而是拧成一股绳。

理解它，重点抓住"共同目标"四个字：一群 Agent 有了统一目标，加上 A2A 通信和编排调度，才构成 SAP 想要的那种自主运转的业务体系。

四、让 AI 讲人话的数据地基

21. 文档接地（Document Grounding）

这是一种机制，让 AI 模型能把企业文档当作可信的上下文来用。

为什么重要？因为大模型爱"一本正经地胡说八道"，而 Grounding 就是给它拴上一根绳，让回答有据可依。

你的合同、手册、规范，都能变成 AI 回答问题时的依据。它是解决"AI 幻觉"这个老大难问题的关键一招。

22. 检索增强生成（Retrieval-Augmented Generation, RAG）

这是这两年最火的技术之一。

具体做法是：AI 回答前，先从知识库里检索出相关的、实时的数据，再基于这些数据来生成答案。

相比让模型凭记忆瞎编，RAG 让回答更准、更新、更靠谱。

它和文档接地是一对好搭档——一个负责"从哪拿料"，一个负责"拿了料怎么用"。

企业级 AI 想落地，绕不开它。

23. SAP Business Data Cloud

这是一个统一的数据底座，把 SAP 和非 SAP 的数据连到一起，供分析和 AI 使用。

为什么单拎出来讲？因为 AI 再聪明，没有干净、统一的数据喂它也是白搭。

它解决的就是"数据散落各处、口径不一"这个企业顽疾。

可以说，前面那些花哨的 Agent 能不能靠谱，很大程度取决于这个数据地基打得牢不牢。

24. SAP 知识图谱（SAP Knowledge Graph）

这是一张"业务感知"的关系地图，描绘人、流程、系统和数据之间的相互关系。

普通数据是一张张孤立的表，而知识图谱把它们之间的关联也画了出来。

对 AI 来说，这意味着它不只知道"有什么"，还知道"谁和谁有关系"。这种关系感知，正是让 AI 真正"懂业务"而非"死记数据"的底层支撑。

关于 SAP Knowledge Graph 的细节，请参阅笔者之前的文章：为什么 SAP Knowledge Graph 能让 LLM 输出的内容更靠谱？

25. 行业 AI（Industry AI）

这个概念是在自主域模型上做了纵向加深，把特定行业的流程知识、数据模型和监管逻辑都嵌进去。

为什么需要它？因为制造业和零售业的玩法天差地别，通用 AI 很难两头讨好。

行业 AI 的价值，就是让 SAP 的智能体从"泛泛的通才"变成"某个行业的老法师"，尤其是那些强监管行业，这一层深度几乎是刚需。

五、开发者的 AI 工厂

26. SAP AI Core

这是构建、部署和管理 AI 模型与应用的运行时环境，属于最底层的发动机。

你所有跟 AI 相关的模型训练、推理、运维，最终都跑在它上面。

对开发者来说，它就像 AI 世界里的操作系统内核——平时不直接感知，但缺了它一切都转不起来。理解整套 AI Foundation，从这个运行时开始入手最扎实。

27. SAP AI Launchpad

这是一个中央工作台，用来监控和管理组织里各种 AI 场景。

企业里 AI 应用一多，就会面临"哪个在跑、跑得怎么样、谁在用"的管理难题。

Launchpad 就是那块统一的仪表盘，让管理员一眼看清全局。

它体现了 SAP 的一贯思路：能力可以百花齐放，但治理必须有统一入口，否则就是失控。

28. AI Foundation（AI 基础）

这是 SAP BTP 上一组服务的合集，为开发 AI 方案提供各种"积木"。

你可以把它理解成一个工具箱，模型接入、向量检索、编排服务等能力都在里头。

开发者不用从零造轮子，拿现成的积木拼就行。前面的 AI Core、Launchpad，以及后面要讲的 Gen AI Hub，其实都是这套 Foundation 里的组成部分。

29. 生成式 AI 中心（Generative AI Hub）

这是 AI Foundation 里的一项能力，让你在一个受治理的环境里，访问多个基础大模型。

重点在"受治理"三个字——你既能用上市面上各家的大模型，又不必担心数据合规和安全失控。

对企业来说，这解决了"想用大模型又怕出乱子"的两难。它是 SAP 把外部大模型能力"收编进"企业级框架的关键一环。

30. 提示词注册表（Prompt Registry）

这是生成式 AI 中心里的一项能力，让客户能对复杂的 AI 工作流连同提示词一起做版本管理和追踪。

别小看这个——当团队里提示词越写越多、越改越乱时，没有版本管理简直是灾难。

它把"写 Prompt"从一门玄学，变成了像管代码一样可追溯、可回滚的工程活动。这是 AI 走向工程化、规范化的一个信号。

31. SAP 领域模型（SAP Domain Models）

这是一个模型组合，既有 SAP 自家的，也有第三方的 AI 模型，共同点是都针对特定业务领域和行业做了优化。

它的思路和行业 AI 一脉相承：与其用一个啥都懂一点的通用模型，不如用一批各有专精的领域模型。

对开发者而言，这意味着选模型时可以更有的放矢，按业务场景挑最合适的那个。

32. SAP 预测模型（SAP Predictive Models）

这是专门为结构化业务数据打造的预测模型，主打三个词：准确、可解释、有据可依。

为什么单独造一套？因为大语言模型擅长文本，但对付财务、库存这类结构化数据的预测，往往不如专用模型靠谱。

它追求的是让 AI 的决策经得起追问——不只给结论，还能说清"为什么"。

代表作就是下面要讲的 SAP-RPT-1。

33. SAP-RPT-1

这是 SAP 专门为表格型和关系型业务数据开发的基础 AI 模型，参阅笔者的文章：SAP-RPT-1：业界首个专为企业关系型结构化数据打造的基础模型。

它是上面"预测模型"理念的具体落地。企业里绝大多数核心数据其实都躺在一张张表里，而通用大模型对这类数据并不擅长。

RPT-1 的意义在于，SAP 亲自下场，为"最懂表格数据的 AI"这件事立了个标杆。对做数据分析和预测的同学，这是个值得关注的信号。

34. SAP-ABAP-1

作为一个 ABAP 老兵，我对它格外有感触。

它是 SAP 首个完全托管的、专门为 ABAP 开发打造的基础模型。

以前我们总担心通用 AI 写不好 ABAP，因为语料太少、太封闭。

现在 SAP 亲自训练一个专精 ABAP 的模型，等于官方下场解决这个痛点。

SAP Joule 经过了超过 2.5 亿行 ABAP 代码的训练之后......

它可能会实实在在地改变我们这些 ABAP 开发者未来写代码的方式，值得每一个 ABAPer 认真关注。

六、把 AI 装进代码里

35. SAP MCP Server

这是给 AI 编程智能体用的一个"接口"，让它们能结构化地访问 SAP 项目上下文、元数据、文档和开发知识。

说白了，以前 AI 写 SAP 代码像盲人摸象，因为它不了解你的项目。

有了 MCP Server，AI 就能读懂你的工程全貌。它是让外部 AI 编程工具真正"懂 SAP"的桥梁，也是这两年 MCP 协议热潮在 SAP 世界的落地。

笔者之前写过的文章：Visual Studio Code + MCP Server + Claude Code 三件套进行 ABAP 开发

36. SAP HANA Cloud 向量引擎（HANA Cloud Vector Engine）

这是 SAP HANA Cloud 里原生的向量能力，用来支撑语义搜索和各类 AI 负载。

前面讲 RAG 时提过要"检索相关数据"，而检索靠的正是向量。它的价值在于：你不用再单独搭一套向量数据库，HANA 自己就带了这个能力。数据和向量放在一起，既省事又高效。

这是 SAP 把 AI 能力沉到数据库层的一步好棋。

更多细节请参阅笔者的文章：SAP HANA 家族到底都有哪些成员？

37. SAP Cloud SDK for AI

这是 SAP 官方的 SDK，专门用来对接 SAP AI Core、生成式 AI 中心和编排服务。

对开发者来说，它就是把那些底层 AI 服务封装成好用的接口，让你少踩坑、快上手。与其自己吭哧吭哧调 API，不如用官方封装好的 SDK。

它面向的是在 BTP 上用主流语言（如 JS/Java）开发 AI 应用的那批人。

38. ABAP AI SDK这个是专门给 ABAP 开发者的，背后由 SAP ISLM 驱动，本质是一个 ABAP 复用库，支持直接和托管在生成式 AI 中心上的大模型交互。

这个 SDK 的意义很直接：让 ABAP 也能优雅地调用大模型，而不用绕一大圈。对我们这些主战场在 ABAP 的人来说，它意味着不必离开熟悉的环境，就能把 AI 能力接进传统业务代码里。

39. SAP Build Code

这是一个 AI 驱动的开发环境，面向在 SAP BTP 上构建应用的专业开发者。

它把 AI 辅助编码的能力，融进了正经的开发流程里——不只是补全代码，还能帮你搭框架、写测试。

对专业开发者而言，它代表了 SAP 对"AI 时代该怎么写代码"这个问题给出的正式答案。它和 Joule for Developers 相辅相成，一个偏对话，一个偏环境。

40. SAP AI Agent Hub

压轴的这个，是一个"指挥中心"，让你对每一个 AI 智能体、每一个大模型、每一个 MCP Server 都拥有完整的可见性和控制权。

当企业里的 Agent、模型、Server 越来越多，最怕的就是失控和黑箱。Agent Hub 的价值，就是把这一切收拢到一块统一的面板上，看得见、管得住。

它呼应了开篇那句话：人依然掌控——这，正是 SAP 整套 AI 叙事的落脚点。

结尾

走马观花地聊完讲完这 40 个概念，你会发现它们其实不是零散的、各自为战的概念。

从"自主企业"的愿景，到 Joule 家族的一线执行，到智能体的底层逻辑，再到数据地基、开发工厂、代码集成，SAP 想干的事其实很清楚：让 AI 从"帮你想"，一路走到"替你干"，同时牢牢把握住"人掌控方向"这条底线。

对于 SAP 从业者来说死记硬背这些概念不是明智的选择，更有价值的是 SAP 把它们串在一起的背后那条主线。

SAP AI 这盘大的棋局最终能下成什么样，我们一起拭目以待。