ServiceNow今日宣布对其整个产品线进行大规模升级改造,称旗下所有服务、平台与产品均已完成"AI赋能",以全面增强企业级智能体自动化能力。
该公司表示,其目标是推动企业跨越AI附加功能的实验阶段,向"AI原生架构"转型——在这一架构下,企业所使用的每一套系统都内置了智能体能力、数据连接以及治理机制。
为实现这一目标,ServiceNow将其AI Control Tower与Workflow Data Fabric两项产品正式纳入整个产品线的核心组件。公司希望借助EmployeeWorks界面打造统一的使用体验,让每位员工都能借助自主运行的AI智能体开始实现工作自动化。
ServiceNow指出,目前大多数企业的AI推进工作都受制于严重的系统碎片化问题。当企业规模扩张到一定程度,必然面临数百个彼此孤立的应用系统,各自拥有独立的数据孤岛和安全协议,整体管理混乱无序。
这对任何试图整合AI的人来说都是一场噩梦,也导致大多数自动化项目最终以失败告终。尽管许多组织已经部署了具备对话和摘要能力的AI工具,但要让这些工具真正承担实质性工作,却是另一回事——负责执行任务的AI智能体往往缺乏准确完成业务自动化所必需的深层业务上下文。
针对这一问题,ServiceNow推出了全新产品Context Engine,近期将向部分客户开放预览。该产品旨在将企业内部分散的各类工具与应用系统有机整合,从而为AI智能体提供全局业务视图。它通过Service Graph与Knowledge Graph工具,理解各应用间的身份关系、资产依赖及策略管控。
这意味着当AI智能体需要做出决策时,其工作方式已不再局限于预测下一个Token,而是会主动检查相关资产是否涉及受监管流程,或在采取任何行动前确认是否存在特定审批流程。
与此同时,ServiceNow还通过ServiceNow SDK以及本月晚些时候即将上线的Build Agent Skills,进一步向开发者开放生态系统。从下周起,开发者将可使用Claude Code、OpenAI Codex、Cursor等第三方工具在ServiceNow平台上构建并部署应用,且这些应用将自动继承平台的安全与治理体系。
ServiceNow还明确表示,其目标客群不仅限于大型企业。通过推出全新的Enterprise Service Management Foundation,公司希望为中小型企业提供服务,帮助它们快速部署可自动化处理IT、人力资源及法律事务的AI智能体。
公司总裁兼首席产品官Amit Zavery表示,企业通常需要耗费数月时间来搭建企业级AI运行所需的各项基础条件,且往往以失败收场。"ServiceNow将一切整合为一体,让客户从一开始就拥有覆盖所有产品与套件的完整AI原生体验,而不是一个采购项目。"他补充道,"从Context Engine的企业智能,到数据连接、治理与执行,所有能力默认全部具备。"
Q&A
Q1:ServiceNow的Context Engine是什么?它能解决什么问题?
A:Context Engine是ServiceNow推出的全新产品,目前即将向部分客户开放预览。它的核心作用是将企业内部分散的各类工具与应用整合在一起,为AI智能体提供完整的业务全局视图。通过Service Graph和Knowledge Graph,它能够理解各应用间的身份关系、资产依赖和策略管控,使AI智能体在执行任务前能判断是否涉及受监管流程或特定审批链,从而提升自动化决策的准确性。
Q2:Enterprise Service Management Foundation适合哪些企业使用?
A:Enterprise Service Management Foundation主要面向中小型企业。ServiceNow推出这一产品,是为了帮助规模较小的组织也能快速部署AI智能体,实现IT服务、人力资源和法律事务等核心业务流程的自动化,降低企业AI落地的门槛,让中小企业同样能享受AI原生架构带来的效率提升。
Q3:开发者如何在ServiceNow平台上构建AI应用?
A:从下周起,开发者可以通过ServiceNow SDK以及即将上线的Build Agent Skills,使用Claude Code、OpenAI Codex、Cursor等主流第三方开发工具,在ServiceNow平台上构建并直接部署应用程序。这些应用部署后将自动继承ServiceNow平台的安全机制与治理体系,无需开发者单独配置,大幅降低了企业AI应用的开发与合规成本。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。