AIP 智能体 · 企业智能平台（Harness + DataHub + 业务系统三层） 方案版本：企业级交付版

一、方案概述

企业引入大模型的过程中，普遍遇到同一类问题：模型能回答问题，但接不进业务；能做一次演示，但跑不通一条流程；上线后需要人不断调提示词、盯过程、核结果。演示很惊艳，落地很骨感。

AIP 企业级 AI 智能体解决方案针对的正是这一段落差。方案的出发点不是"再做一个聊天机器人"，而是把智能体放进企业已有的业务系统、数据库和文档体系中，让它具备读取真实上下文、拆解目标、调用工具、交付成品并全程留痕的能力。

方案由四部分构成一条递进链路：以技术平台打底，以 AIP-Harness 运行智能体，以数据飞轮打通业务闭环，以 Harness-RSI 让系统在使用反馈中持续自我改进。四者依次承接，缺一环则落不成地。

方案的一句话表述：让 AI 智能体深度融合业务场景，自动完成事务闭环。

二、建设背景与问题定义

企业在 AI 智能体建设中通常面临五类具体障碍，本方案逐项给出对应设计。

此外还有两项隐性障碍值得关注：

一是能力不可复用，每个场景从零搭建，项目做完即作废；

二是效果不可控，上线后准确率随业务变化下滑，只能靠人工反复调整提示词。前者由 Harness 的"通用能力 + 扩展能力"分层与业务包机制解决，后者由 Harness-RSI 的观测—评估—优化闭环解决。

三、演进路径：从内部验证到企业级方案

本方案并非从概念出发设计，而是经过三个阶段逐步沉淀成型。

第一阶段：内部场景验证。 结合 Gemini 等模型，在本公司内部业务场景中验证智能体能力边界，目标是跑通最小闭环。该阶段形成了多智能体平台、AI 写作、AI 方案生成、AI 工作流与智能体应用等基础能力，确认了技术路线在真实事务中的可行性。

第二阶段：市场场景验证。 与合作伙伴共同将方案带入客户现场，完成初步 POC 与 PMF 验证。该阶段的价值在于把内部假设放到外部约束下检验：客户的权限体系、数据质量、审批流程与使用习惯，均在这一轮被纳入方案设计。

第三阶段：企业级方案成型。 整体升级架构，将项目经验沉淀为可复用的企业级 AI 智能体解决方案，完成从"交付项目"到"交付产品"的转变，形成 AI 产品能力、最佳实践、场景资产与企业级方案四层成果。

三个阶段分别对应"能不能做"、"客户要不要"、"能不能规模复制"三个问题。当前方案已具备第三阶段的可复制交付条件。

四、总体技术架构

企业 AI 智能体的建设横跨云计算、基础设施架构、容器化、持续集成、数据处理与人工智能多个技术领域，单一模块无法支撑。AIP 采用五层技术架构，自下而上分别解决数据、平台、模型、运行时与应用五个问题。

4.1 DataOps 数据管理层

该层为智能体提供数据基础，是"接进业务"的第一环。能力覆盖角色数据资产、知识库管理、数据采集、数据 Pipeline、数据探针、ETL、数据资产与数据服务。

在实施中，该层负责把角色数据资产与知识库纳入统一管理，通过数据探针持续校验数据质量，通过数据服务向智能体提供标准化的取数接口。智能体之所以能引用真实参数、真实条款、真实台账，依赖的正是这一层。

4.2 SaaS 基础平台层

该层提供工程底座，包括微服务架构、K8S 容器云、向量搜索、配置管理、Prompt 工程、工程自动化、租户管理与权限体系，并采用多边形架构、分布式部署、多租户隔离与 EDA 事件驱动机制。

多租户与权限体系是企业级方案与个人工具的分水岭。该层保证不同部门、不同团队、不同角色在同一平台上各自持有独立的数据边界与能力边界。

4.3 AI 与 LLM 整合套件层

该层承担智能推理能力与感知基础能力两部分。智能推理侧整合大模型接入、Gemini、CoT 思维链、ReAct 推理范式与多态输出，支持 LLM 推理调度；感知侧覆盖 YOLO 视觉、目标检测、NLP 解析、OCR 识别、流媒体处理与 HuggingFace 模型生态。

模型接入采用多模型并存策略，除 Gemini 外同时支持 DeepSeek、通义千问、Kimi、智谱 GLM、文心一言、混元、豆包等主流模型，按场景选择推理成本与效果最匹配的组合。这一层的定位是"提供智能体角色的工具与感知基础"，不直接面向业务，而是为上层智能体岗位提供可调用的原子能力。

4.4 AIP-Harness 运行时层

该层是本方案的核心，负责把模型能力组织为可执行、可管控的智能体任务流程，具体内容见第五章。

4.5 智能体应用与业务场景层

该层为面向多场景、多角色、多团队、多能力的智能体平台，通过业务场景的逻辑推理形成数字员工、工作流与智能体岗位，完成对企业业务的切入与整合。

五层的分工可以概括为：下层保证智能体拿得到真数据、跑得稳服务，中层提供推理与感知能力，上层把能力封装为岗位与流程交付给业务方。

4.6 产品侧的四层视图

五层架构描述的是平台建设口径。在交付运行口径上，同一体系自上而下收敛为四层：L1 场景应用层（Cowork 桌面版、Agent 业务服务、Agentic 知识库）、L2 数据资产层（AIPDataHub）、L3 能力底座层（AIPHarness，含 SKILL、MCP、SANDBOX）、L4 模型层。两套视图描述的是同一件事：前者说明"要建哪些能力"，后者说明"请求从业务入口向下如何穿透"。

这一分层直接决定了扩展方式：换模型只动 L4，换业务场景只动 L1 的业务包，L2 与 L3 沉淀的资产持续复用。

五、AIP-Harness：智能体能力框架

AIP-Harness 是面向业务系统深度集成的智能体能力框架，采用"通用能力 + 扩展能力"分层架构。它解决的核心问题是：让智能体从"能对话"走向"能办事"。

5.1 通用层：12 项基础能力

通用层封装与业务无关的稳定能力，构成智能体的运行基座，共 12 项：

5.2 扩展层：9 项业务能力

扩展层来源于业务实践沉淀，是 AIP-Harness 的核心组成部分，共 9 项：界面交互、积分体系、交互模式、工具分层、SKILL 分层、认证系统、密钥管理、知识库管理、业务服务。

扩展层的价值在于复用。同一套能力在新场景中直接拼装，无需重复开发，是方案能够跨行业复制的技术前提。

5.3 框架特性

Harness 整体具备六项工程特性：

六、事务闭环与数据飞轮

6.1 四步事务闭环

方案对"能办事"给出了明确的执行定义，即每个任务都完整走完四个环节：

第一步，接进业务。 对接业务系统、数据库与文档，让智能体获得真实上下文，而不是基于推测作答。

第二步，自动拆解。 将用户目标拆解为可执行步骤，排定优先级逐项推进，无需人工分段下达指令。

第三步，调用执行。 调度多模型与多工具协同完成任务，执行过程不需要人盯守。

第四步，结果闭环。 交付可验证的成品，全程留痕，可回溯、可审计。

四步的判定标准很实际：任务结束时企业拿到的是一份可以直接入库、上报或归档的结果，而不是一段需要人工二次加工的文本。

6.2 AI 数据飞轮

AI 智能体协助管理整体服务，驱动全链路自主进化闭环，打通数据闭环，释放整体业务价值。

飞轮由两端构成。

一端是前端业务场景结合与数据沉淀。 智能体与业务系统在同一界面协同工作，Cowork 智能协作平台承接自然语言协作，传统业务系统提供数据与流程入口，两者结合后形成 Agentic 业务系统。智能体每处理一个业务问题，同步沉淀该场景的规则、数据与结果记录，同时具备智能理解、主动分析、智能执行、持续学习四项能力。

另一端是 AI 智能体结合数据资产服务。 沉淀的数据进入 AIPDataHub，按 INGEST（接入）、GOVERN（治理）、METRIC（指标）、ASSET（资产）四个环节加工为可用资产，再经 DataAgent 反向提供给智能体，提升检索精度、判断质量与流程合理性。

数据闭环一旦打通，业务价值随使用量累积释放。用得越多，场景资产越厚，智能体判断越准，这一效果不来自额外人力投入，而来自系统自身的沉淀机制。按方案材料给出的量化目标，场景成熟后可实现业务效率提升 3–5 倍、决策准确率提升约 65%、人工操作减少约 80%（具体数值随场景数据质量与流程复杂度浮动，以实际验收结果为准）。

七、行业场景实践

以下四个案例均为已落地的真实场景，分别对应运维、能源、零售与安全生产四类业务形态，用于说明方案在不同行业中的数据接入方式与交付形态差异。所附界面截图来自实际交付环境，客户标识与经营数据均已做脱敏处理。

7.1 AgentOps 对话式运维平台

基于智能体框架面向服务器资源与管理维护场景构建，功能定位类似 CMDB 的对话式演进形态。

平台覆盖六类运维资产与流程：

• • 服务器资源管理（资源清单、分组与维护操作）、
• • 中间件台账（消息队列、反向代理、K8S 等统一管理）、
• • 部署文档管理（部署材料与操作留痕归档）、
• • 巡检与工单管理（工单处理、过程归档与每一步操作留痕）、
• • 运维团队管理（人员管理与邮件通知汇报）、
• • DevOps 仓库台账（Jenkins、Git 等项目文档管理）。

平台采用"对话 + 工作台"分屏形态：左侧发起任务并接收智能体自动成文的报告（如 K8S 节点日常巡检报告，含巡检概要、总体结论与分类检查对比表），右侧 Dashboard 常驻展示会话数、定时任务、副驾规划与资源消耗，配每日趋势曲线；系统识别出的异常以规划列表呈现，运维人员可选择"采纳并执行"或"调整参数"。

该场景的落地重点在于操作留痕与决策权归属。运维任务风险高、责任重，智能体的每一步动作都有记录可查，同时执行动作保留人工确认入口，这是企业愿意把操作权限交给智能体的前提。

7.2 政策能源 Cowork 平台

面向能源行业构建具备自主规划、检索推理与多文档综合分析能力的 Agentic 能源知识库。

智能体可自动拆解能源业务问题，跨多份技术规范、项目文档、设备手册与方案资料并行检索，并溯源引用来源，精准定位电力、油气、新能源项目中的技术参数、服务条款、工程实施规范与交付要求，最终自动汇总、归纳并输出带参考原文的专业结论。

界面按"仪表盘 / 我的 / 接入 / 广场"组织知识库资产，正文区给出智能体汇编的结论，右侧固定"参考来源"面板逐条列出该结论引用的文档与章节位置，点开即回到原文语境。

该场景的关键设计正是这个"带参考原文"。能源行业的结论必须可追溯依据，只给结论不给出处的输出无法进入正式业务流程。溯源能力使智能体的产出具备被复核、被引用的资格。

7.3 门店数据分析汇报

面向多连锁门店的数据治理与指标分析场景，解决多平台数据分散、人工汇总繁琐、数据滞后且误差大的行业痛点。

系统汇聚全渠道平台数据源，完成多端数据的整合清洗与统一归集；依托标准化、可自定义的业务场景规则，每日自动完成全量数据统计核算，智能生成每日销售汇总报表与单门店精细化销售数据分析等核心数据文件，并自动生成标准化 Excel 数据报告，按预设时间定时推送至指定邮箱。

界面上，左侧展示智能体的完整执行流，每一步（深度思考、执行 Python 等）都带耗时记录，分析过程可逐项复核；右侧为产出文件预览，门店经营分析报告按表格与成本结构图表成文，可直接下载归档或上报。

该场景整合各门店营收经营数据，为日常运营复盘、业绩考核与经营策略调整提供数据支撑。交付形态是定时送达的标准化文件，业务人员不需要登录系统、不需要提问，数据按节奏自己到位。

7.4 矿山安全业务系统

基于 RuoYi 系统集成 Harness 构建，面向矿山安全生产场景，融合自主任务编排、多工具调用与业务系统联动能力，打通矿山双重预防机制全流程业务。

智能体可自主拆解矿山安全业务任务，直接调用业务系统接口完成隐患排查治理、风险分级管控、安全检查执行、危险作业审批、三违举报、台账导出等操作，同时支持平台界面导航、系统配置查询、任务监控与数据统计。

智能体以业务系统内部角色的形态运行，而非外挂窗口：在对话区可直接询问能力边界，智能体返回双重预防平台的可执行功能清单与界面导航；业务系统侧的运行看板同步展示服务可用性、接入应用数、持续运行天数，以及待处理、运行中、今日完成、异常告警与自动化成功率，并给出近 7 天任务趋势与任务来源分布。

该场景完整实现了"自然语言提问 → 智能体规划执行 → 业务系统操作 → 结果反馈"的闭环。它的示范意义在于：智能体真正驱动既有业务系统完成操作，且运行状态以指标形式持续可见，安全业务的责任链条没有因为引入 AI 而变模糊。

7.5 四类场景的共性提炼

四个行业跨度很大，但都遵循同一条实现路径：先接入该场景的真实数据源与业务接口，再由 Harness 完成目标拆解与工具调度，最后以场景需要的形态交付结果（台账、报告、Excel、系统操作记录），并把全过程沉淀为数据资产。

差异只在业务包，不在底座。这正是"通用层 + 扩展层"分层架构带来的直接收益。

八、Harness-RSI：自进化架构

8.1 从人工调优到系统自改进

传统智能体上线后的效果维护高度依赖人工：发现问题、分析原因、修改提示词、重新测试、灰度发布。周期长、成本高，且随业务变化持续消耗人力。

Harness-RSI 参考 Google Harness2 自进化架构提出，目标是让系统基于使用反馈持续自我改进，而非每次人工调 Prompt。

8.2 观测—评估—优化闭环

RSI 架构由三个环节构成闭环：

• • 观测：记录每次智能体任务的执行过程、工具调用链与最终结果。
• • 评估：用 Rubric 评分标准对每次任务打分，量化任务完成质量。
• • 优化：将差例自动回流，针对性改进提示词与执行流程。

落到运行层面，自进化服务按五步推进：运行数据采集 → 效果评测 → Prompt 调优 → SKILL 沉淀 → 模型选优。其中 SKILL 沉淀这一步是把一次性调优结果固化为可复用能力，使改进不随人员变动而流失。

评估环节的 Rubric 机制是关键。评分标准显式化之后，"这次任务做得好不好"不再是主观判断，而是可量化、可对比、可追踪的数据。差例被自动识别并回流优化，系统随使用量提升持续变好。

8.3 AI 副驾（PersonAgent）

面向终端用户的智能副驾入口，在业务系统侧边栏随时唤起，理解当前上下文，主动给出建议并代执行操作。副驾承担三类动作：WATCH（监控业务运行）、GUARD（预警拦截异常）、ACT（代办推动闭环），从"看见问题"到"处理问题"形成递进。

上图完整呈现了方案的运行骨架：业务场景（Cowork 桌面版、Agent 业务服务、Agentic 知识库）执行四步事务闭环，AI 副驾在场景层做监控、预警与代办，数据在 AIPDataHub 完成接入、治理、指标与资产化，能力由 AIPHarness 底座（SKILL、MCP、SANDBOX）支撑，RSI 自进化服务持续回流调优。图中的连线区分了三类流动：数据在走、价值回流、底座支撑。

副驾的定位是"入口"而非"平台"。业务人员不必切换系统、不必学习新界面，在原有工作位置即可完成提问与操作。这一设计直接降低了企业内的推广阻力，员工的使用习惯不需要重建。

九、安全、权限与合规设计

企业级方案的安全要求高于个人工具，本方案在四个层面设置控制点。

执行隔离。 智能体的工具调用与代码执行统一在 Harness 执行沙箱（SANDBOX）内完成，与生产环境隔离，避免非预期操作直接影响业务系统。

权限管控。 依托 SaaS 基础平台的多租户与权限体系，按租户、团队、角色三级划分数据边界与操作边界，智能体的可访问范围由授权决定，不由模型能力决定。

密钥与认证。 扩展层提供认证系统与密钥管理能力，业务系统对接凭据集中托管，不下沉到提示词与对话内容中。

全程留痕。 每一步操作、每一次调用、每一份产出均记录归档，支持事后回溯与审计。在运维与安全生产等强监管场景中，该能力是智能体获得操作权限的必要条件。

十、交付模式与实施路径

10.1 三种交付方式

10.2 实施步骤

推荐按四步推进，避免一次性铺开带来的风险：

1. 1. 选定切入场景。 优先选择数据源清晰、流程规则明确、结果可验证的场景（门店数据汇报、运维台账是典型的高成功率切入点）。
2. 2. 打通上下文与权限。 完成 DataOps 数据接入与权限边界配置，确认智能体拿得到真数据、越不了权。
3. 3. 跑通事务闭环。 在该场景上完整执行"接入—拆解—调用—交付"四步，验证交付物可直接入库使用。
4. 4. 沉淀与复制。 将验证结果整理为业务包与场景资产，向第二、第三个场景横向复制，同时启用 RSI 进入持续优化阶段。

10.3 关键卖点归纳

• • 架构底座：技术平台 + Harness 运行时，五层架构完整可用。
• • 行业复用：业务包可快速复制到新场景，边际成本随场景数量下降。
• • 自进化：RSI 闭环让系统越用越好，效果维护不依赖持续人力投入。

十一、选型答疑

问：方案是否绑定特定大模型？答：不绑定。AI 与 LLM 整合套件层与模型层（L4）采用可插拔设计，Gemini、DeepSeek、通义千问、Kimi、智谱 GLM、文心一言、混元、豆包等主流模型均已支持。模型换代时替换套件层配置即可，上层业务包与流程资产不受影响；RSI 的"模型选优"环节还会按实际效果自动调整模型组合。

问：已有业务系统（如 RuoYi 等自建平台）能否直接对接？答：可以。矿山安全业务系统即为基于 RuoYi 系统集成 Harness 的实例。对接方式是通过连接器与 MCP 协议将业务系统能力封装为智能体可调用的工具，无需重构原有系统。

问：智能体是否会执行越权或误操作？答：操作范围由权限系统定义，执行过程在沙箱中隔离，且每一步操作留痕可审计。企业可按角色配置智能体的可访问系统与可执行动作集合。在运维等高风险场景中，执行动作保留"采纳并执行/调整参数"的人工确认入口。

问：长任务执行失败或中断怎么办？答：Harness 通用层具备故障恢复能力，异常自动重试与恢复；上下文管理机制保证多步骤流程中前序结果不丢失。

问：上线后准确率下降，是否需要持续投入人力调优？答：Harness-RSI 的自进化服务会采集运行数据、按 Rubric 评测、自动回流差例并完成 Prompt 调优与 SKILL 沉淀。人工投入主要用于制定和调整 Rubric 评估标准，而非逐条修改提示词。

问：业务人员需要重新学一套系统吗？答：不需要。AI 副驾在业务系统侧边栏唤起，员工在原有工作位置即可使用，操作习惯无需迁移。

问：数据是否可以不出内网？答：方案支持私有化部署，SaaS 基础平台层基于 K8S 容器云，可在企业内网环境中完整部署运行。

十二、结语

企业 AI 落地难，难点不在模型能力，而在模型与业务之间那一段没有修好的路。数据接不进来，流程跑不下去，结果用不起来，过程查不清楚，这四件事任何一件没有解决，智能体就只能停留在演示阶段。

AIP 企业级 AI 智能体解决方案给出的答案是结构化的：用技术平台打底，用 Harness 跑智能体，用数据飞轮做闭环，再用 RSI 让系统自己越用越好。这是经过内部验证、客户现场 POC 与多行业场景打磨后沉淀下来的路径。

方案的目标始终明确：让 AI 深度融合业务场景，自动完成事务闭环。