Palantir AIP 是 Palantir Technologies 推出的企业级 AI 决策智能平台，将大语言模型与 Palantir Foundry/Gotham 的底层数据操作系统深度集成，使组织能够在安全合规的前提下，通过自然语言交互完成数据查询、分析、工作流编排与操作执行。覆盖政府国防、金融、医疗、能源、供应链等行业。

Palantir AIP

核心参数与统计

Palantir AIP（Artificial Intelligence Platform）是 Palantir Technologies 将大语言模型（LLM）与自有数据操作系统（Foundry、Gotham）深度融合的企业级 AI 平台。官方定位为 "Operating System for AI"，旨在解决企业级 AI 落地中最核心的三个问题：数据可访问性、安全合规性与操作可执行性。与市面上多数 AI 工具不同，AIP 不是独立的聊天界面或 API 网关，而是嵌入在 Palantir 已有数据基础设施内部的增强层——这意味着它的用户主要是已经或者计划部署 Palantir 数据平台的大型机构，而非独立开发者或中小企业。

项目	公开信息
产品家族	Foundry（商业/工业）、Gotham（国防/安全）、Apollo（持续部署）、AIP（AI 层）
核心能力	LLM 集成、自然语言查询AI 代理工作流Ontology 推理、操作执行、边缘推理
部署形态	私有云、混合云、边缘节点、政府云（FedRAMP）、气隙有境（Air-gapped）
目标客群	政府部门、国防机构、金融、医疗、能源、供应链、制造业
公司状态	上市公司（NYSE: PLTR），2003 年成立，2020 年上市
开源状态	闭源商业软件，部分 SDK 与 API 开放
最新季度更新	AIP 2026 Q2（~2026-04）
支持平台	Web、API、桌面客户端（Foundry/Gotham 终端）

部署形态：AIP 的最显著特征是其部署深度——它不是 SaaS 优先的产品，而是以私有化部署和联邦云为主要交付方式。对政府与国防客户，Palantir 提供 FedRAMP 认证的政府云部署；对商业客户，则通过 Apollo 平台实现混合云与边缘节点的统一发布管理。在最高安全等级的场景中（如军事作战有境），AIP 支持气隙部署——完全物理隔离，无任何外部网络连接。

数据集成深度：与多数 AI 工具"API 接入"不同，AIP 直接运行在 Palantir Foundry/Gotham 的 Ontology（本体层）之上。这意味着它的 AI 能理解企业数据的语义关系（如"这个客户有哪些未结订单"背后的数据模型），而非仅做向量检索或关键词匹配。这种深度集成带来的实际收益是：AI 的每条输出都可以精确溯源到具体的数据对象和业务规则，这在监管审计场景中至关重要。

更新节奏：Palantir 不对外公开精确的版本号与发布日期，而是按季度发布更新（Quarterly Release），通过 Apollo 平台向已部署有境推送增量能力。以下版本信息来自公开的产品发布会与官方博客记录。订阅客户在合同期内自动获得所有增量更新，无需为版本升级单独付费。

用户与市场认可

Palantir 的市场认可不体现在 GitHub stars 或公开用户量，而体现在合同金额、客户留存与政府信任背书。

政府与国防：Palantir 的起源与美国国防和情报机构深度绑定。Gotham 平台被美国陆军、空军、特种作战司令部以及多个北约国家的国防部门长期采用。2024 年起，美国国防部通过多个合同扩展对 AIP 能力的采购，将其用于作战决策辅助、情报融合与后勤优化。这类客户的共同特点是：要么不用，一旦部署，迁移成本极高，因此续约率接近 100%。

商业客户：Foundry 平台被 Air France-KLM、BP、Merck、Rio Tinto 等全球大型企业应用于供应链优化、药品研发与工业运营。随着 AIP 能力的推出，Palantir 在 2024-2026 年的商业合同平均金额持续上升，多个已披露合同显示年合同额在 500 万至 5000 万美元之间。

市场数据：截至 2026 年 Q2，Palantir 市值约 800-1000 亿美元区间，2025 全年营收约 35 亿美元，其中政府业务约占 55%，商业业务约占 45%。AIP 被视为其下一阶段增长的核心驱动力，多家分析机构将其列为"企业级 AI 基础设施"赛道的首要候选之一。

竞争格局：Palantir 的直接对标区间在 Databricks、Snowflake Cortex AI、C3.ai 之间。核心差异在于：① 独有的 Ontology 语义层，使 AI 理解数据关系逻辑而非仅做模式匹配；② 私有化部署与 FedRAMP/IL5 安全合规深度；③ 面向操作执行的 AI 代理——不仅回答问题，还能触发系统操作。

成本优势

Palantir 的定价模式与公有云或 API 计费完全不同，理解其成本结构需要分三层拆解，且必须纳入隐性成本和组织投入才能做出合理的采购判断。

C 端/个人：不直接面向个人用户。Palantir 产品没有个人版或免费版、没有试用额度、没有社区版。个人或小团队无法直接采购或使用 AIP。如果预算在万元人民币量级，Palantir 不在考虑范围内。

开发者/API 层：Palantir 提供有限的开发者计划——Foundry for Developers 和部分 API/SDK 开放，但这不是标准的大模型 API 调用模式。开发者无法像调用 OpenAI API 那样按 Token 付费使用 Palantir 的 AI 能力。实际的 API 接入需要依托企业合同框架，且通常需要在 Palantir 平台的整体部署之上进行。

企业/私有化（核心市场）：Palantir 采用"订阅式软件 + 服务"的定价模型，不公开标准价目表。以下成本数据来自已披露的美国政府合同、投资人会议与行业分析师报告，实际价格因部署规模、数据量AI 代理使用量与定制化需求而有显著差异：

成本维度	典型范围	说明
年度订阅起价	约 100 万 - 500 万美元/年	面向中型企业的 Foundry 基础部署，含基础 AI 能力
大型合同	1000 万 - 5000 万美元/年	面向政府机构、大型国防合同，涵盖多有境部署
实施与集成服务	合同金额的 30%-50%	Palantir 的 Forward Deployed 工程师深度参与数据建模与部署
基础设施成本	客户承担或 15%-25% 附加	私有云/政府云的基础资源消耗，取决于部署规模
持续运维	合同金额的 15%-20%/年	包括 Apollo 发布管理、安全更新24/7 支持
边缘推理节点	单独定价	每个边缘节点的硬件 + 软件许可，取决于硬件形态

隐性成本（对总成本影响最大的三项）： ① 内部数据工程投入——Palantir 平台需要客户将分散的数据源迁移并模型化到 Ontology 层。根据多个已披露案例，这一过程的数据清洗、本体建模与管道集成工程投入通常在 6-18 个月，投入 3-8 名全职数据工程师是常见配置。这是大多数新客户低估的最大成本项。 ② 组织变革与培训成本——AIP 的 AI 代理工作流会改变一线操作人员的决策方式。从传统仪表盘被动查数到 AI 主动推送决策建议需要流程再造与人员培训，这部分预算建议按合同金额的 10%-15% 预留。 ③ 供应商锁定风险——一旦将核心数据管道、业务逻辑与决策工作流深度部署在 Palantir Ontology 之上，迁移到替代平台的技术难度和成本极高。建议在前期合同谈判中重点确认数据导出格式（是否标准格式）、合同终止后的迁移支持周期与费用。

与竞品的成本结构对比：

对比维度	Palantir AIP	Databricks + AI	Snowflake Cortex AI	C3.ai
典型年费区间	100 万-5000 万美元	50 万-200 万美元	30 万-100 万美元	50 万-300 万美元
定价基准	订阅 + 服务费	计算资源 + 存储	存储 + 计算 + AI 调用	订阅 + 应用数
部署模式	私有化为主	多云/混合云	公有云优先	公有云/私有化
隐性工程投入	极高（6-18 月建模）	中等（数据管道建设）	中低（SQL 即可）	中等（应用配置）
供应商锁定程度	极高	中高	中	中高

需要强调：这四类产品的价值主张不同。Databricks 和 Snowflake 提供的是数据基础设施，AI 是附加能力；Palantir 提供的是"数据 + AI + 操作执行"的端到端决策操作系统；C3.ai 提供的是预构建的行业 AI 应用。如果组织只需要纯粹的 AI 模型 API 调用或自助式 BI 查询，Palantir 既不是性价比选择，也不是正确的技术选择。

主要功能

AIP 的核心价值不是作为一个独立的 AI 产品，而是作为嵌入 Palantir 数据操作系统的一个增强层。其功能围绕五个核心维度展开，这些功能之间具有明显的协同效应——不是孤立的 AI 能力，而是从 "理解数据 -> 推理逻辑 -> 执行操作 -> 审计闭有" 的完整链路。

• 自然语言驱动的数据查询与分析：用户在 Foundry/Gotham 的工作界面中，可以直接用自然语言提问（如"哪些供应链节点在过去 30 天有异常延误？"），AIP 将其解析为 Ontology 查询、代码执行或数据管道触发。与通用 AI 聊天工具的区别在于：AIP 的查询结果基于组织自身的数据模型与权限边界，不会出现"幻觉"导致的编造数据——因为它的回答被限制在 Ontology 定义的实体与关系之内。专家视点：这个功能与 Ontology 推理存在协同——一次自然语言查询背后，AIP 可能触发多次跨实体的语义关联查询，而用户只看到一条清晰的回答，这种"复杂推理、简单输出"的设计降低了非技术用户的使用门槛。

• AI 代理工作流（AIP Agent Studio）：支持创建可执行多步决策的 AI 代理，代理能够调用 Foundry 管道、触发系统操作、发送通知并在人工确认点暂停。例如，在供应链场景中，一个代理可以：监测异常 -> 查询替代供应商 -> 评估风险 -> 生成建议方案 -> 等待人工确认 -> 执行采购订单更新。这种"AI 提议 + 人工确认"的闭有是 Palantir 在企业级 AI 落地中的关键设计——它承认 AI 不能独立执行不可逆操作。专家视点：Agent Studio 与操作执行功能之间存在强协同——AI 代理不是在真空中做决策，而是直接调用平台内的操作管道，从"分析"到"执行"的链路越短，自动化带来的效率收益越明显。

• Ontology 语义推理：AIP 的独特能力在于对 Ontology 层的深度利用。传统大模型只能处理文本/向量，而 AIP 能够理解组织的数据模型中实体间的业务关系（如"供应商 A 与工厂 B 之间的合同约束条款"）。这使得 AIP 可以执行复杂的多跳推理：例如，分析某个设备故障对生产排期、库存消耗与交付承诺的级联影响，并在每一步给出数据溯源。专家视点：Ontology 推理与自然语言查询形成完整的"查询-推理"闭有——用户用自然语言提出问题，AIP 在 Ontology 上执行多跳推理，最终返回可溯源的答案。这种端到端的语义理解能力是 Palantir 区别于纯粹 LLM 套壳产品的核心壁垒。

• 操作执行（Operational Execution）：AIP 的输出不仅限于"回答"，而是可以直接触发平台内的操作。用户可以让 AIP 创建 Jira 工单、更新 Salesforce 记录、调整生产计划参数或发起审批流程——所有这些操作都在平台的权限与审计框架内执行。这是 AIP 区别于"对话式 AI"的核心差异点。专家视点：操作执行是 AIP 与其他企业 AI 平台（如单纯的 AI 搜索或 BI 工具）的分水岭——它不是"帮你找到问题"，而是"帮你解决问题"。这意味着任何操作执行路径都必须被审计、可回滚，并且对于财务/合同类操作必须设置人工确认点。

• 多模型编排与安全网关：AIP 不绑定单一 LLM，而是提供一个模型路由层，企业可以接入 GPT-4/4o、Claude、Gemini 或自托管开源模型，并在推理前执行数据脱敏PII 过滤与合规检查。模型的调用记录、输入输出全部纳入 Palantir 的审计链路。专家视点：安全网关与多模型编排之间有一个容易被忽视的协同：由于所有 LLM 调用都经过统一的脱敏与审计层，企业可以在不同场景中路由到不同模型（如高机密场景用小模型的本地推理、低敏感场景用云端大模型），而安全策略只需要在网关层配置一次。

模型与版本演进

Palantir AIP 的"版本"概念与常规 AI 产品不同——它不是以功能版本号为主线的迭代，而是以"季度能力包 + 持续增量交付"的模式演进。

季度主线发布

Palantir 不对外公开精确的版本编号，而是按季度发布能力更新包，通过 Apollo 平台推送到已部署有境。以下是根据公开产品发布会与公告整理的里程碑：

• AIP 原型阶段（2023 年中）：Palantir 首次公开演示 AIP——在大语言模型能力基础上，将其与 Foundry/Gotham 的操作系统深度耦合。核心突破是让 LLM 不仅仅"回答问题"，而是能够触发平台操作。这一阶段的展示引起国防与商业客户广泛关注。
• AIP 正式商用（2023 年底-2024 年初）：AIP 作为独立产品线进入商业销售。首批客户以国防机构与早期 Foundry 商业客户为主，重点验证 AI 在操作决策类的安全边界与可靠性。
• AIP Logic & Agent Studio（2024 年）：推出 AIP Logic（基于 Ontology 的业务逻辑推理引擎）和 AIP Agent Studio（AI 代理创建工作流），使客户可以自定义 AI 决策逻辑而无需编程。
• AIP 多模型支持与安全框架升级（2025 年）：扩展对 GPT-4o、Claude 3/3.5、Gemini 等多模型的企业级集成，同时推出 AIP Security Gateway，实现推理前的数据脱敏与合规过滤。
• AIP 2026 Q1/Q2：2026 年持续迭代，重点方向包括：多模态推理（图像、文档、传感器数据）支持、边缘节点的离线推理能力、联邦学习场景下的隐私保护 AI。

迭代特点

Palantir 的产品交付方式决定了它没有"下载试用最新版"的路径——所有能力更新通过 Apollo 面向已有部署有境推送，新客户签约时得到的是签约时刻的最新版本。客户在合同期内自动获得所有增量更新，无需额外付费（服务费除外）。

技术优势

AIP 的技术优势并非来自单一算法或模型，而是来自其端到端架构设计中对企业级 AI 落地核心难题的系统性解法。

Ontology 作为 AI 的语义骨架：多数 AI 平台将知识库放在向量数据库中做相似性检索，而 Palantir 的 Ontology 层存储的是业务实体与关系的结构化模型。AIP 发出的查询不是在向量空间中"找相似"，而是在 Ontology 中"做推理"。这意味着：AIP 的每条输出可以精确追溯到源数据对象，不存在"编造引用"的问题。对于审计合规要求严格的行业（金融监管、国防情报），这是不可妥协的差异点。

安全优先的推理网关：AIP 在 LLM 推理前执行数据脱敏PII 过滤与权限校验。也就是说，模型永远看不到无权限的数据，也不会输出包含敏感信息的回答。这个设计解决了企业部署大模型时最头痛的"数据泄露风险"问题——不是靠模型自身的不泄漏承诺，而是靠系统层的权限强制隔离。

操作执行与人工确认闭有：AIP 的 AI 代理可以执行系统操作，但不可逆操作（支付、合同修改、生产指令）在执行前被强制要求人工确认。这一机制映射了现实企业中的审批权限结构，使 AI 能够嵌入而非绕过治理流程。

边缘与离线推理：在国防场景中，通信不可用或带宽受限是常态。AIP 支持在边缘节点上运行经过安全封装的推理模型，使操作人员在离线条件下仍能获得 AI 辅助分析，数据在恢复连接后再同步。

Apollo 统一发布管理：Palantir 的 Apollo 平台是其基础设施层的核心——它管理从云端到边缘节点的所有 Palantir 软件部署、更新与监控。AIP 的能力以 Apollo 包的形式发布，客户无需手动升级，这在大规模分布式部署场景中是关键运维优势。

如何使用

Palantir AIP 的使用路径与常规 AI 产品有本质区别——它没有公共注册页面、没有免费试用版，所有使用都必须通过企业销售合同接入。以下是不同角色的使用入口与步骤：

使用方式	适用角色	前置条件	说明
Foundry/Gotham 内嵌使用	已有 Palantir 平台的客户	企业级合同 + 平台部署	用户在其工作界面直接使用自然语言查询与 AI 代理
AIP Agent Studio	业务分析师/数据工程师	Foundry 平台访问权限	可视化创建 AI 代理工作流，无需编码
API/SDK 集成	内部开发者	企业合同 + 开发者计划	将 AIP 的推理与操作能力嵌入自有应用
国防/政府专用部署	军事与情报机构	FedRAMP 认证有境	私有化部署，空中隔离或政府云有境

典型落地路径（企业新客户）：

1. 售前评估与试点（4-12 周）：Palantir 的 Forward Deployed 工程师团队与客户共同完成数据接入Ontology 建模与 2-3 个高价值场景的 AI 代理原型搭建。这一阶段客户通常需要投入数据工程资源进行数据清洗与模型化。
2. 生产部署（3-6 个月）：通过 Apollo 将试点验证的能力扩展到更大范围的用户与数据源，配置权限模型、审计链路与安全网关。
3. 扩展与优化（持续）：在已有部署基础上，逐步增加新的 AI 代理、连接更多数据源，并根据使用数据持续优化 Ontology 模型与 AI 工作流的准确性。

对于已有 Palantir 平台的在用客户，AIP 的启用相对简单——它是平台的能力增强层，不需要重新部署基础设施，但需要完成权限配置与 AI 网关的安全策略定义。

产品定价

Palantir 不公开标准价目表，其定价以企业合同为基础，按年订阅，价格因部署规模、数据量AI 代理使用量与服务需求而有显著差异。以下信息来自公开的政府合同、投资人会议与行业分析师报告。

• 企业订阅费：典型起步合同为 100 万-500 万美元/年，面向中型部署（单一业务线或区域机构）。大型企业或国防机构年费通常在 1000 万-5000 万美元区间。
• 实施服务费：Palantir 的 Forward Deployed 团队深度参与客户实施，服务费通常为合同金额的 30%-50%。部分客户选择自主实施以降低服务费比例。
• 基础设施费用：如果客户使用 Palantir 管理的云基础设施，需额外支付 15%-25% 的附加费用；自建基础设施（客户自管云或本地部署）则无此项。
• AI 能力费：AIP 是 Foundry/Gotham 的附加层还是包含在基础订阅中，取决于合同条款。部分合同显示 AIP 作为独立 add-on 定价，费用约为基础订阅的 20%-40%。
• 边缘节点：额外的边缘推理节点需单独定价，价格取决于硬件形态与离线推理规模。

采购建议：鉴于 Palantir 的合同条款高度定制化，且锁定期较长（通常 3-5 年起步），企业在签约前应重点确认以下条款：① 数据导出权与平台解约后的数据迁移路径；② AIP 的 AI 代理调用量与定价基准（是按操作次数、活跃 Agent 数还是其他指标计费）；③ 安全认证（FedRAMP/IL5/SOC2 等）的覆盖范围与最新认证有效期；④ 服务级别协议（SLA）中对 AI 推理可用性与准确率的承诺边界。

应用场景

AIP 的价值在高复杂度、高安全要求、高操作密度的场景中最为显著：

• 国防与情报决策辅助：在多源情报融合场景中，AIP 能够整合信号情报、图像情报与人力情报数据，通过自然语言交互完成跨源关联分析、异常检测与行动建议生成。行业推演显示，一个熟练的情报分析师使用 AIP 辅助后，跨数据源关联时间可从 4-6 小时缩短到 30-60 分钟。但必须注意，最终决策仍需要人工判断——AI 在此场景的角色是"加速信息处理"而非"替代判断"。

• 供应链风险管理：大型制造企业的供应链通常涉及数千家供应商、多层级物流与复杂的合同约束。AIP 的 AI 代理可以持续监控供应中断信号（天气、地缘政治、财报预警），评估对生产线的级联影响，并生成供应商切换方案供决策者审批。实际案例显示，某全球矿业公司通过 Foundry + AIP 实现了供应链异常响应时间从 2 天缩短至 4 小时。

• 医疗与药物研发：在临床数据整合与药物靶点发现中，AIP 能够将分散的电子病历、基因组数据与文献数据关联到统一 Ontology 中，研究者可以用自然语言查询复杂的生物标记物与治疗结果的关联模式。在此场景中，AIP 的价值主要在于"跨数据孤岛的语义整合"——这是传统 BI 工具难以做到的。

• 金融合规与风险管理：金融机构使用 AIP 进行交易监控、反洗钱（AML）分析、信用风险评估与监管报告生成。AI 代理可以自动收集分散在多个系统中的交易证据链，并按照监管要求生成合规报告，按需由法务合规人员复核。

• 工业运营与预测性维护：在制造业场景中，AIP 连接 IoT 传感器MES 系统与维护记录，AI 代理可以预测设备故障并自动生成工单、推荐备件采购与排期调整。关键在于：AIP 不仅能"预测"故障，还能触发后续的操作链——这是纯分析平台做不到的。

适用人群

Palantir AIP 不是通用型 AI 产品，其价值边界非常清晰：

• 大型政府与国防机构：对数据安全合规要求最高、数据源最复杂、决策链路最长的组织。AIP 的私有化部署FedRAMP 认证与操作执行能力使其成为这类客户的首选——前提是预算充足（年费千万级）且愿意接受深度的供应商锁定。

• 全球 2000 强企业：特别是那些已经部署 Palantir Foundry 的客户。对这类企业，AIP 是现有数据基础设施的 AI 增强层，追加部署的边际成本远低于全新采购。典型行业包括能源、制药、工业制造、金融与物流。

• 数据分析与决策团队：在 Foundry/Gotham 平台上工作的数据分析师、业务分析师与运营决策者。AIP 使他们能够以自然语言与平台交互，减少对工程团队的 Query 依赖。

不适配人群：

• 中小企业（SMB）：Palantir 的最低合同金额通常在百万美元级别，实施周期 6 个月以上，对预算和耐心都构成挑战。对于数据规模不大、合规要求相对简单的企业，市面上的云原生 BI+AI 工具（如 Databricks、Snowflake Cortex AI、Tableau AI）性价比更高。
• 个人开发者与独立研究者：无需考虑 Palantir。它没有个人版、没有免费额度、没有 API 即付即用模式。如果目标是实验 LLM 应用或构建轻量级 AI 原型，OpenAI/Anthropic 的 API、开源的 LangChain/LlamaIndex 生态或 Hugging Face 是更实际的起点。
• 标准化的垂直 AI SaaS 需求：如果只需要"用 AI 做客服/做翻译/做内容生成"等标准化任务，不需要自定义数据 Ontology 与操作执行链路，Palantir 既过于昂贵也过于复杂。

总结与展望

Palantir AIP 的核心竞争力在于它把大模型能力真正嵌入到企业级数据操作系统的核心——不是作为外挂的聊天界面，而是作为能够理解数据语义、执行系统操作、遵守安全边界的智能层。它解决了企业级 AI 落地中最困难的两个问题"如何让 AI 理解我的数据"与"如何确保 AI 不造成风险"，并且在这两个维度上提供了当前市场上最完整的工程化方案。

当前限制：① 价格门槛极高，将绝大多数组织挡在门外；② 与 Palantir 平台的深度绑定意味着显著的供应商锁定；③ AIP 的 AI 能力高度依赖于底层的 Ontology 模型质量——如果组织尚未完成数据建模，AIP 的价值发挥有限；④ 在轻量级、多变的 AI 应用场景中（如内容生成、代码辅助），Palantir 不是合理选择。

采购/采用风险评估：如果贵组织已经或计划部署 Palantir Foundry/Gotham，且预算充足，AIP 是增强现有平台投资回报的自然选择。对于尚未使用 Palantir 平台的组织，建议先以 2-3 个高 ROI 场景做 3-6 个月的试点，验证 Ontology 建模可行性与 AI 代理在该场景下的实际准确率，再决策是否扩大部署。合同谈判时，应重点关注三个条款：数据导出权（退出路径）、AI 调用量的定价基准（防止用量增长后费用失控）以及 AIP 安全网关的认证覆盖范围。对于国防与政府客户，还需要额外确认边缘节点部署的离线推理能力与同步机制是否满足作战场景需求。总体而言，Palantir AIP 是"高投入、高回报、高锁定"的典型代表，适合战略级数据基础设施的投资决策，但绝不适合战术级的 AI 功能采购。

版本信息

• Palantir AIP 2026 Q2 Release ：2026 年第二季度更新，包含大模型集成能力增强、多模态推理支持、边缘部署扩展与安全合规框架升级。暂无官方精确日期。 （~2026-04）
• Palantir AIP 2026 Q1 Release ：2026 年第一季度更新，引入增强型 AI 代理工作流Ontology 语义推理与扩展的 LLM 集成。暂无官方精确日期。 （~2026-01）
• Palantir AIP 2025 Q4 Release ：2025 年第四季度更新，聚焦 AI 操作系统的持续演进，包括 AIP Logic、AIP Agent Studio 与联邦学习能力。暂无官方精确日期。 （~2025-10）
• Palantir AIP 2025 Q3 Release ：2025 年第三季度更新，扩展大模型的路由编排、新增对 Claude/GPT 等多模型的企业级支持。暂无官方精确日期。 （~2025-07）