版本 v2.4

杭州萌嘉网络科技有限公司 · TorchV

2026 年 8 月 2 日

文档说明

本白皮书用于介绍 TorchV AIS 企业级 AI 知识引擎的产品定位、能力体系、技术架构、应用方式、运营机制与部署模式。本次知识工程增强修订以企业知识工程和知识生命周期为主线，在保留产品定位与总体架构的基础上，进一步细化企业知识库、知识加工、知识准入、知识健康、检索问答、智能体、工作区、运营中心与系统治理之间的协同机制，并结合实际产品界面展示关键能力。

白皮书中的能力包括已经产品化的标准功能、可在项目中配置的工程能力，以及持续演进中的产品方向。涉及具体版本、部署环境、第三方模型和解析引擎支持范围时，应以项目合同、技术规格书和实际交付版本为准。

摘要

TorchV AIS是一套面向真实业务场景的企业级 AI 知识引擎。它以企业知识库为长期知识基座，以知识加工完成多源资料的解析、清洗、切片、结构化和自动入库，以知识健康保障知识长期准确、有效和可追溯，再通过混合检索、白盒问答、问答应用、Agent应用和 Agent工作区，将企业知识转化为可复用、可执行、可运营的业务能力。

TorchV AIS的核心价值不是简单地“把文件交给大模型”，而是建立一套能够持续运行的企业知识供应链：资料从业务系统、文件系统和数据库进入平台，经过加工形成标准知识对象，在权限和健康机制下持续维护，再被问答应用和Agent按需调用，并通过引用、反馈、日志和运营数据不断优化。

第一章 企业 AI 从模型能力走向知识与执行基础设施

大模型显著降低了自然语言理解、内容生成和任务规划的门槛，但企业 AI 的生产价值并不由模型能力单独决定。模型可以提供通用认知能力，却不了解企业内部制度、产品、流程、客户、项目和历史经验，也无法天然遵守复杂的组织权限、合规边界和审计要求。企业真正需要建设的，是一套把内部知识持续转化为 AI 可使用上下文，并把 AI 输出纳入可控业务流程的基础设施。

在试点阶段，企业常常通过上传少量文档、连接一个向量数据库和大模型，快速搭建问答演示。随着资料规模扩大和应用进入生产环境，问题会迅速暴露：文档解析质量不稳定，表格和图片内容丢失；知识切片缺乏业务结构；旧版本与新版本同时被召回；不同用户权限难以隔离；应用效果无法解释；问题出现后也不知道应修改知识、检索参数还是提示词。

因此，企业 AI 建设需要从“模型项目”转向“知识与执行基础设施建设”。知识基础设施解决知识如何进入、如何保持健康、如何被准确调用；执行基础设施解决 Agent 如何规划任务、调用工具、获得审批、保存状态和留下审计记录。TorchV AIS 正是围绕这两类基础设施展开。

TorchV AIS 不要求企业一次性完成所有数据治理，也不假设所有知识都能被自动处理。平台更强调把知识工程转化为可持续运行的机制：高频、标准化内容可以自动处理；复杂、敏感和高价值内容可以进入人工复核；知识质量问题可以被发现并分发给责任人；应用反馈可以回写知识库。由此，企业 AI 从一次性项目逐步升级为长期运营能力。

第二章 TorchV AIS 产品定位与总体架构

TorchV AIS 的定位是企业级 AI 知识引擎平台。企业知识库是产品的基础设施，知识加工和知识健康构成知识工程与知识治理主干，检索问答和应用平台负责让知识进入业务，Agent Runtime、技能和工具体系负责让 AI 从回答走向执行，运营中心与系统管理负责长期运行和企业级治理。

TorchV AIS 面向四类主要用户：

• 知识管理者（K0）：负责知识库分类、权限、版本、质量和生命周期；
• 知识生产者（K1）：负责文档、数据、FAQ、案例和经验的创建与维护；
• 应用建设者（K2）：负责问答应用、Agent、Prompt、工具和业务流程配置；
• 业务使用者（K3）：通过门户、应用、工作区或业务系统消费知识和使用 Agent。

为了避免把所有 AI 使用方式都归入一个模糊的“工作台”，v2.3 将应用侧明确划分为三种形态。三者共享企业知识库、知识检索、模型和权限能力，但在复杂度、交互方式和业务目标上不同。

TorchV AIS形成“接入—加工—入库—治理—检索—应用—反馈—优化”的完整闭环。

外部文档和业务数据进入知识加工流程后，被解析、清洗、切片、标注并写入企业知识库；知识健康持续发现质量问题；问答应用和 Agent 在权限范围内调用知识；用户反馈、问答日志、引用数据和任务结果进入运营中心，再推动知识补充、规则调整、Prompt 优化和应用迭代。

这一闭环使知识不再是一次性导入的静态数据，而是能够被生产、治理、调用、评估和更新的动态资产；也使 Agent 不再是独立于企业知识和制度的通用机器人，而是运行在可控知识边界和业务规则之内的数字执行者。

TorchV AIS 将企业知识建设拆分为两个相互连接的闭环。第一条是知识工程闭环，负责把原始资料转化为 AI 可用知识；第二条是知识生命周期闭环，负责知识在长期运行中的责任、状态和质量。

知识工程解决“如何把资料做成知识”，知识生命周期解决“知识如何长期保持正确”。二者缺一不可：只有加工而缺少生命周期，知识会在上线后逐渐过期和冲突；只有治理而缺少加工，原始资料仍然无法稳定支撑检索与 Agent。

TorchV AIS 明确区分“知识接入”和“知识准入”。知识接入代表文件、数据或内容进入平台；知识准入代表内容经过解析质量检查、敏感信息处理、结构化加工、元数据补充、权限确认、有效期确认以及必要的人工审核后，正式成为可被问答应用和 Agent 调用的知识。

对于普通内部资料，可以采用自动准入；对于对客、监管、合规、财务和关键生产资料，可配置人工审核或多角色会签。该机制避免“上传即生效”，使企业知识进入 AI 应用前拥有明确的质量和责任边界。

第三章 企业知识库：面向人和 Agent 的统一知识基座

企业知识库是 TorchV AIS 的基础模块，也是知识加工、知识健康、检索问答、问答应用和 Agent执行共同依赖的知识底座。它并不只是保存文件，而是将企业制度、流程、产品、案例、手册、台账、数据库记录、标准问答和在线沉淀内容，统一管理为可解析、可检索、可治理、可授权、可追溯的知识资产。

传统文档管理更关注文件是否被保存、是否能够下载；企业级 AI 知识库则需要进一步回答：文档中的内容能否被准确解析，知识单元是否适合检索，哪个版本当前有效，哪些用户和 Agent 有权调用，答案引用能否回到原文，知识发生变化后如何重新加工和更新。TorchV AIS 因此把原始文件、在线文档、结构化数据、知识切片、索引、标签、元数据、版本、权限和引用关系共同纳入知识对象体系。

企业知识库既服务于人，也服务于 Agent。业务用户可以通过目录、搜索、在线阅读和编辑使用知识；问答应用在权限范围内召回知识；Agent 可以把知识作为任务规则、判断依据、操作步骤和输出模板。由此，企业知识库成为多个部门、多个应用和多个 Agent 共享的统一知识源，而不是围绕单个应用重复建设的数据副本。

不同知识对象在结构、更新方式和查询方法上存在明显差异。AIS 将知识库划分为通用非结构化知识库、半结构化知识库和结构化知识库，并允许在一个业务应用中组合调用。

三类知识库不是相互隔离的功能。以产品咨询为例，产品说明和制度要求来自非结构化知识库，产品参数和费率来自半结构化知识库，客户当前状态和订单信息来自结构化知识库。问答应用或 Agent 可以根据问题类型选择不同知识源，再将结果组合为统一答案。

AIS 支持按集团、组织、业务域、场景、项目或安全等级规划知识库。知识库内部通过目录树组织文档和数据对象，可保留原有文件夹结构，也可以根据业务主题重新编排。对于跨部门项目，用户可在 Agent工作区中建立知识空间，从多个企业知识库选择有权限的知识，并补充项目临时文件，形成面向具体任务的上下文集合。

知识库的核心对象包括知识库、目录、文档、在线文档、数据表、标准问答、知识切片和附件。不同对象拥有自己的元数据、版本、权限和状态，并通过来源关系保持关联。例如，一个 Word 文件可以保留原始文件、在线转换版本、解析结果、切片列表和引用记录；当原始文档更新时，系统能够定位受影响的知识对象和应用。

• 知识库：定义知识范围、管理责任、默认权限、解析策略、切片策略和索引配置。

• 目录（文件夹）：表达组织结构、业务主题和文档层级，可继承上级权限和标签。

• 文档与在线文档：承载原始资料和可持续编辑内容，保留版本与协作者记录。

• 数据表：承载半结构化和结构化数据，定义字段、数据类型、主键和查询规则。

• 标准问答：维护高频、确定性强的标准问题、标准答案、相似问法和适用范围。

• 知识切片：作为检索与引用的基本单元，保留页码、章节路径、来源和上下文关系。

企业知识通常分散在本地文件、NAS、对象存储（OSS）、办公协同平台、数据库和业务系统中。AIS 支持手动导入与自动同步两种方式：业务人员可以直接上传文件和文件夹，实施团队也可以通过知识加工、数据库连接、OSS同步配置、开放 API、Webhook 和系统适配器建立持续同步链路。

自动同步需要明确来源系统、权威性、同步范围、更新时间、删除策略和异常处理。对于业务系统中已经删除或失效的内容，平台可以配置同步删除、标记失效、保留历史版本或转人工确认，避免简单同步导致生产知识被误删。

文件被接入知识库后，需要经过解析才能进入检索和 Agent 上下文。AIS 支持 Text、Markdown、PDF、Word、Excel、PPT、OFD、EPUB、XMind、HTML、JSON、图片、扫描件、音频和视频等多类内容，并通过 OCR、版面分析、表格识别、ASR和多模态模型提取结构信息。

平台采用“解析引擎池 + 解析实例 + 解析策略”的方式管理能力。解析引擎可以来自TorchV自研组件、OpenDataLoader、Tika、MinerU、TextIn、PaddleOCR、千问（Qwen）视觉与语音模型以及客户已有解析服务。每个引擎声明支持格式、部署地址、质量特征、成本等级和特色参数，解析实例负责具体的服务连接与运行配置。

解析策略用于把不同文件类型路由到合适的解析引擎，并支持默认策略、知识库级策略和文档级策略。优先级为文档级高于知识库级，知识库级高于默认策略。普通办公文档可以选择成本较低、速度较快的引擎；扫描合同、复杂表格和图文混排资料可以选择高精度策略；音视频资料则路由到 ASR 或多模态模型。

• 结构识别：标题层级、目录、段落、列表、页眉页脚、脚注、表格和附件关系。

• 图像与扫描件：OCR、版面恢复、印章识别、切边矫正、去水印和图片描述。

• 表格处理：保留行列关系、合并单元格、表头层级和跨页表格上下文。

• 音视频处理：语音转写、说话人分离、时间轴、主题分段、摘要与关键事项。

• 质量与成本控制：策略测试、覆盖率、平均质量、调用耗时和高成本策略识别。

文档解析完成后，AIS 根据知识库用途选择固定长度、分隔符、按页、标题结构或语义切片。切片策略不仅决定文本长度，还决定是否保留章节路径、表格整体、前后上下文和图片说明。对于制度条款、操作步骤和产品参数，系统可使用更强的结构边界；对于长篇研究材料，则可以使用语义连续性和适度重叠。

每个切片同步记录原始文档、页码、章节路径、解析引擎、生成时间、摘要、标签、业务主题、适用范围和版本状态。系统建立向量索引、关键词索引和元数据索引，使后续检索能够同时利用语义相关性、显式词匹配和结构过滤。

标签可由系统自动生成，也可由维护者人工补充。常见标签包括知识类型、业务主题、产品、组织、流程节点、适用客户、质量状态、审核状态和安全等级。标签既用于浏览和统计，也可参与检索过滤、应用知识范围配置、健康巡检和权限控制。

企业知识并非一次导入后不再变化。AIS 支持把外部文档转换为在线文档，在平台内进行富文本编辑和类 Excel 编辑，处理图文混排、表格、公式、字段和附件。业务人员可以直接修正内容、补充说明、更新状态，而不必每次下载、修改再重新上传。

系统为文档保留版本号、修改时间、修改人、变更摘要和历史内容，支持版本对比与回滚。对于制度和产品资料，可以设置草稿、待审核、已发布、已失效等状态，并保留生效日期、失效日期和替代版本。应用检索可只使用已发布且当前有效的版本，降低新旧口径混用风险。

协作维护支持知识负责人、编辑者、审核者和只读用户等不同角色。文档评论、修改记录和任务通知帮助业务专家参与知识维护；跨部门知识可通过共同团队管理，员工岗位变化或离职时可执行资产交接，把知识库、文档、应用和工作区转移给指定人员。

AIS 的权限控制不是只在页面层判断用户能否打开文档，而是在检索前完成权限过滤。用户或 Agent 发起查询时，系统根据身份、组织、部门、团队、知识库授权和文档授权确定可检索范围，无权内容不会进入候选上下文，也不会通过摘要或模型回答间接泄露。

权限支持知识库、目录、文档和应用多个层级，可配置查看、编辑、下载、管理和授权等操作。知识库可以继承组织权限，文档可在继承基础上增加或限制授权；临时项目可以通过团队建立独立边界。对结构化数据，还可以在项目中结合字段、数据范围和查询接口实施更细粒度控制。

系统记录授权、取消授权、下载、导出、删除、发布和资产交接等敏感操作，为内部审计和安全追溯提供依据。

标准解析和切片能够处理大多数资料，但复杂合同、扫描制度、技术手册、BOM、跨页表格和特殊业务文件通常需要精调。AIS 提供文档级解析重跑、策略切换和切片可视化编辑，维护者可以查看每个切片的正文、来源、页码、标签和索引状态。

• 新增、删除、编辑、拆分、合并或禁用切片。

• 修正表格被拆散、条款条件分离、标题上下文缺失等问题。

• 补充切片摘要、关键词、业务标签和适用范围。

• 调整文档解析策略、切片长度、重叠和向量化配置后重新加工。

• 从检索调试、问答反馈或知识健康问题直接定位到相关切片进行修复。

知识精调把“问答效果不好”转化为可定位、可处理的知识工程问题。实施团队无需反复猜测模型原因，而可以沿着引用和检索过程回到具体知识对象，修正后重新评测。

企业知识并非只有“存在”和“不存在”两种状态。AIS 可围绕知识库、目录、文档、切片和标准问答建立状态管理，使知识在不同阶段进入不同的可见和可调用范围。典型状态包括草稿、处理中、待审核、已发布、临近到期、已失效、已归档和处理失败。

• 草稿和处理中内容不进入正式问答。
• 待审核内容仅向审核角色开放。
• 已发布且在有效期内的内容进入检索和应用。
• 临近到期内容触发提醒和有效性确认。
• 已失效内容停止进入当前业务应用，但可保留历史审计。
• 处理失败内容保留错误原因并支持重新加工。

状态与版本、有效期、权限和审核结果共同决定知识是否能够被人、问答应用或 Agent 使用。

AIS 支持为知识库及其内容明确所有者、维护者、审核者和使用者。知识所有者负责范围和权威性，维护者负责日常更新，审核者负责准入和发布，使用者在授权范围内消费知识。对于跨部门知识，可通过团队和共同审核机制建立协同维护关系。

知识责任信息还用于健康问题派发、到期提醒、反馈处理和人员离职交接，使知识从“无人负责的共享文件”转变为有明确责任边界的企业资产。

第四章 知识加工：面向知识工程的自动化生产系统

知识加工是 TorchV AIS 后续演进中承担作用最广的核心模块。企业知识工程中的大量工作——数据获取、格式转换、文档解析、内容清洗、结构化抽取、切片、标签、问答生成、审核、入库、分发和更新——都可以在知识加工中被编排为持续运行的流程。

它不是传统 ETL 工具的简单文本化，也不是一个只调用大模型的工作流。知识加工处理的对象既包括文件、文本、图片、音视频和数据库记录，也包括知识库节点、文档、切片、问答对、标签、权限和模型输出。流程可以同时调用解析引擎、检索、数据库、AI 模型、规则、外部接口和人工审核，从而形成企业内部的 AI 知识供应链。

在项目初期，知识加工可用于批量导入和清洗存量资料；系统上线后，它进一步承担增量同步、定时更新、知识重加工、健康问题修复、应用反馈回写和跨系统知识分发。随着企业 AI 应用增多，知识加工将从辅助工具升级为知识生产和流转的统一基础设施。

AIS 采用“知识流”作为知识加工的核心抽象。知识流以有向流程图组织触发节点、处理节点、逻辑节点、人工节点和输出节点。用户通过拖拽节点、连接输入输出和配置变量完成流程设计，无需为每个场景单独开发脚本。

每次流程运行生成独立上下文，节点输出可以被后续节点引用。例如，定时触发节点输出当前日期，参数提取节点得到业务主题，知识检索节点按主题查找资料，AI 节点生成摘要，写入节点创建在线文档，最后通过（钉钉、企业微信等）机器人通知责任人。变量可用于构造标题、SQL、检索条件、Prompt、HTTP 参数和文件路径。

• 流程分组与搜索：按业务域、部门、用途和状态管理大量知识流。

• 草稿、发布与版本：编辑过程不直接影响生产流程，发布后形成版本并支持回滚。

• 流程复制与模板：将成熟流程复制给其他知识库、部门或项目使用。

• 算子共享：通用清洗、抽取、写入和通知节点可沉淀为组织级资产。

• 权限控制：分别控制查看、编辑、运行、发布、复制和删除。

触发机制可与条件和人工审核组合。例如，系统接收到外部文件后先判断文件类型和安全等级，普通文件自动加工，高密级文件进入人工确认；内容审核不通过时停止入库并通知责任人，通过后再写入指定知识库。

知识加工提供统一文件对象，屏蔽不同来源的协议差异。流程可从本地上传、对象存储、NAS、网页、HTTP 接口、数据库查询和外部系统获得文件或数据，再进入下载、解压、格式识别、解析和路由节点。

• 文件获取：本地文件、OSS/S3/MinIO、FTP/SFTP、网络文件下载和预签名地址。

• 文件路由：根据扩展名、MIME 类型、来源、大小、命名规则和内容特征进入不同分支。

• 文件解析：调用知识库绑定策略或流程指定的解析引擎，输出结构化文本、表格、图片和元数据。

• 格式转换：HTML、Markdown、纯文本、JSON 等格式之间转换，统一后续处理输入。

• 批量与并行：同一批文件可并行处理，结果在后续节点汇聚并统一入库。

对于解析失败、文件损坏、密码保护、超限文件和外部服务异常，节点会输出明确状态和错误信息，可进入重试、人工处理或异常通知分支，而不是将失败文件静默跳过。

数据清洗的目标不是简单删除空格，而是把原始内容转化为适合检索和业务使用的标准输入。基础清洗包括乱码处理、无意义符号清理、全角半角转换、重复段落去除、页眉页脚去除、目录和正文识别、格式规范、日期和数字标准化。

内容审核与脱敏可识别身份证号、手机号、银行卡号、账户、地址、邮箱、客户名称等敏感信息，也可以检查色情、暴力、政治敏感、辱骂、广告和企业自定义违规内容。节点支持阻断、替换、掩码、标记、保留原文但限制权限或转人工复核。

行业项目可配置专属规则。银行场景关注账户、交易流水、客户身份和收益承诺；保险场景关注健康信息、保单和理赔材料；制造场景关注图号、零件号、BOM、供应商和版本；专业服务场景关注客户名称、底稿编号和项目敏感信息。每次清洗保留规则命中、处理动作和前后差异，便于审计和问题复现。

以下为表格：

内容完成解析和清洗后，流程可根据业务类型执行不同知识加工。对于文档问答，重点是结构切片、摘要、标签和索引；对于台账与业务表，重点是字段抽取、类型校验和入表；对于客服和培训资料，可生成标准问答和相似问法；对于报告和案例，可抽取主题、结论、风险、依据和建议。

AI 生成结果可以设置结构化输出 Schema，并通过规则校验、二次模型校验或人工审核后再入库。对于高风险知识，系统不建议将未经确认的模型生成内容直接作为正式知识发布。

知识加工并非单向导入流程。它可以读取既有知识库和数据库，把已有知识作为加工上下文。例如，新产品资料入库前，流程可检索同类产品和现有制度，检查是否存在冲突；合同审核流程可查询数据库中的供应商信息，再结合合同模板和法规生成风险清单。

• 知识检索：关键词、向量、混合检索、重排序和元数据过滤。

• 文档读取：读取指定知识库文档、在线文档和文件内容。

• SQL 查询：连接关系型数据库，使用固定 SQL、参数化 SQL 或受控自然语言查询。

• 参数提取：从自然语言和上游结果中提取日期、人员、主题、字段和检索条件。

• AI 大模型：执行摘要、分类、抽取、改写、审核、判断、生成和结构化输出。

• 多模型协同：针对 OCR、推理、生成、向量化和重排选择不同模型。

知识工程流程通常不是线性链路。AIS 提供条件分支、条件筛选、文件路由、并行分发、结果汇聚、变量创建和变量更新等逻辑能力，使同一输入能够按文件类型、风险等级、业务主题或模型判断进入不同处理路径。

人工节点用于处理无法由规则和模型可靠判断的事项。维护者可以查看原始资料、上游结果、模型建议和命中规则，选择通过、驳回、修改或转交。人工意见会成为下游节点输入，并保留在运行记录中。这样既能提高自动化比例，又不会牺牲高风险知识的准确性。

流程处理结果可以写入企业知识库、创建目录或在线文档、写入切片、更新已有文档、生成半结构化数据，也可以导出为文件并发送到对象存储。对于外部系统，流程可通过 HTTP、Webhook 或专用适配器回写状态和结果。

• 写入知识库：新建节点、写入文档、续写、覆盖、更新元数据和标签。

• 文件输出：生成 Word、Excel、Markdown、JSON 等成果并上传 OSS。

• 通知协同：钉钉、企业微信、飞书机器人和邮件通知。

• 业务系统回写：将审核结果、风险清单、摘要和处理状态回写 OA、工单或合同系统。

• 开放调用：通过 API 将知识流作为可复用服务提供给其他应用和 Agent。

知识加工要成为生产系统，必须具备与普通工作流不同的可观测和治理能力。AIS 为每次运行记录流程版本、触发来源、输入、节点状态、输出、耗时、模型调用、文件、错误码和异常堆栈。运维人员可以按流程、时间、状态和触发对象查询运行记录，并进入节点查看问题现场。

流程支持试运行和正式运行。试运行用于验证变量、Prompt、接口和输出结构，不写入正式知识；正式发布后，版本被锁定并进入调度。失败节点可配置自动重试次数、间隔和超时；仍然失败时进入异常分支或通知责任人。

API Key、数据库密码、模型密钥和 Token 通过凭据中心统一管理，流程只引用凭据标识。权限与审计记录覆盖流程创建、修改、发布、运行、复制和删除。对于高并发或高成本流程，可配置并发、批量大小和模型调用限制，避免自动化任务占用过多资源。

知识加工的最终目标不只是完成处理，而是形成可被正式使用的知识。AIS 可在写入或发布前配置准入检查单，对以下内容进行校验：

• 文件解析是否成功，正文、表格和图片是否完整；
• 知识切片是否满足长度、结构和上下文要求；
• 必填元数据、来源、责任人和有效期是否完整；
• 内容是否存在敏感信息、违规表达或业务禁用内容；
• 是否与现有有效知识重复或冲突；
• 权限和发布范围是否符合知识密级；
• AI 生成内容是否经过规则、模型或人工复核。

通过检查单的内容可以自动发布或进入审核；未通过的内容进入异常分支、退回加工或生成治理任务。

对于需要人工审核的知识流，AIS 将自动处理阶段与人工审批阶段通过持久化状态连接。流程到达审批节点后保存输入、上游结果、文件、变量、流程版本和待办信息，不需要让计算实例长期处于占用状态。审批通过、驳回或修改后，系统从持久化状态恢复并继续执行后续流程。

这种机制适合制度准入、对客知识审核、合同条款确认、报告复核和高风险数据写入等场景，既保证流程可恢复，也便于任务追踪、超时提醒和审计。

1. 定时检查制度来源目录或接收外部系统 Webhook。

2. 识别新增、修改和删除文件，下载并校验文件完整性。

3. 按制度解析策略处理正文、目录、表格和附件。

4. 清洗页眉页脚、提取生效日期、发布部门、制度编号和适用范围。

5. 检索现有制度，识别可能替代、重复或冲突的版本。

6. 生成更新摘要和影响范围，提交业务负责人审核。

7. 审核通过后发布新版本、将旧版本标记失效并重建索引。

8. 通知相关知识库维护者和应用运营人员。

9. 定时或手动读取会议录音、转写文本和参会信息。

10. 按发言人和主题分段，生成会议摘要、决议和待办。

11. 从企业通讯录或文本中提取责任人、截止时间和事项。

12. 创建会议纪要在线文档并写入指定项目知识空间。

13. 通过机器人向责任人推送待办，并在后续流程中检查完成状态。

第五章 知识生命周期与知识健康：让知识持续有效

企业知识库在初次建设时通常比较整洁，但随着制度更新、产品迭代、组织变化、自动同步和多部门维护，知识质量会持续发生变化。知识健康模块用于识别重复、冲突、过期、低质量、缺失和引用失效等问题，并推动责任人完成治理。

知识健康不是上线前的一次检查，也不只是一个评分看板。它连接知识库、知识加工、检索问答和运营中心：知识库提供版本、来源和使用数据；知识加工执行自动修复和重新入库；问答反馈暴露低命中和错误引用；运营中心观察问题趋势和治理效果。

TorchV AIS 将知识生命周期划分为十个阶段：

1. 规划：定义知识范围、分类、责任人、权限、质量要求和更新周期。
2. 接入：从文件、数据库、对象存储、办公平台和业务系统获取资料。
3. 加工：完成解析、清洗、切片、抽取、标签、摘要和问答生成。
4. 准入：执行质量校验、敏感信息处理、权限确认和必要审核。
5. 发布：建立索引并进入指定应用和 Agent 的可用知识范围。
6. 使用：通过搜索、问答、引用、工作区和 Agent 任务调用知识。
7. 监测：观察访问、召回、引用、反馈、低置信度、异常和成本。
8. 维护：修订内容、重新解析、精调切片、补充问答和调整权限。
9. 失效：到期、被替代、撤销或因风险被限制使用。
10. 归档：保留历史版本、处理记录和审计证据，但不进入当前业务应用。

生命周期不是单向流程。使用和监测产生的问题会回到维护、加工和准入阶段，形成持续保鲜闭环。

不同知识库可设置差异化权重。例如制度库更关注新鲜度、版本和冲突；产品知识库关注参数一致性和旧型号；售后案例库关注故障描述完整性、解决方案采纳率和重复案例；标准问答库关注命中率、相似问法覆盖和负面反馈。

同一制度被多个部门重复上传、产品说明形成多个近似副本、同一 FAQ 以不同表述存在，都会增加检索噪声并稀释权威内容。系统结合文本相似度、文件指纹、标题、来源、版本和元数据识别完全重复和语义重复，并形成重复组供维护者合并、保留或设置主版本。

冲突可能表现为同一产品参数不同、同一流程时限不同、同一制度条款结论相反。系统先定位同主题、同字段或同业务实体的知识，再结合版本、生效时间、来源权威性和模型判断生成冲突说明。由于冲突裁决往往涉及业务责任，系统以提示和任务为主，不默认自动删除。

系统可以根据明确失效日期、版本替代关系、长期未更新、来源系统删除和业务规则识别过期知识。对于临近到期内容，提前生成提醒；对于已失效内容，可选择下线、降权、限制进入应用或保留历史归档。

低质量问题包括乱码、正文缺失、表格被拆散、标题与条款分离、切片过短或过长、上下文不完整、图片信息未提取等。系统结合切片长度、结构完整性、解析异常、检索表现和模型评价识别风险，并可触发重新解析或人工精调。

当原始文档被删除、目录变化、版本替换或页码结构改变时，历史引用可能失效。系统检查引用对象、原文定位和版本关联，并提示修复。对于没有明确来源、责任人或审核状态的知识，可限制进入高风险应用。

知识健康不仅检查已有知识是否有问题，也关注用户高频提问但知识库中长期没有答案的主题。运营中心中的无答案、低置信度、反复追问和人工转接数据，可以汇总为知识缺口，形成补充知识任务。

平台支持全局巡检、指定知识库巡检、手动巡检和事件触发巡检。维护者可设置检测范围、频率、执行时间、问题类型、阈值和责任人。大规模知识库可以采用分批、增量和重点知识优先策略，避免每次对全部内容执行高成本检测。

• 周期巡检：每日、每周或每月执行，观察知识健康趋势。

• 发布前巡检：新版本发布前检查敏感信息、冲突、来源和必填元数据。

• 变更后巡检：文档更新、权限变化或批量同步后检查受影响内容。

• 应用反馈触发：点踩、投诉、低置信度或错误引用达到阈值后自动检查。

• 专项巡检：针对制度换版、产品上线、组织调整或监管更新执行。

知识健康首页展示综合评分、问题总量、问题类型分布、趋势、治理进度和高风险知识库。管理者可以从集团和部门视角观察整体情况，也可以进入单个知识库查看质量度、新鲜度、检索力、结构性和可追溯性。

单库分析提供知识总量、健康等级、待处理问题、分块长度分布、低分文档、高风险文档和问题明细。维护者可按问题类型、风险等级、责任人、状态和时间筛选，快速定位需要处理的知识对象。

1. 系统巡检或应用反馈发现潜在问题。

2. 根据规则和模型生成问题类型、风险等级、证据和建议动作。

3. 问题进入治理工作台并分配给知识责任人。

4. 责任人确认问题，执行合并、下线、更新、重切片、补充标签或修复引用。

5. 可自动处理的问题调用知识加工流程完成重新解析、清洗和入库。

6. 修复后重新构建索引并执行检索或问答验证。

7. 复核通过后关闭问题，处理经验沉淀为规则或流程模板。

高风险问题在治理完成前可以临时禁用、降低召回权重或限制进入指定应用，避免问题内容继续影响对客问答、合规审核和关键业务决策。

知识健康需要明确维护责任。AIS 支持为知识库、目录、文档和问题配置负责人、协作者和审核者。治理任务包含问题描述、证据、建议、截止时间、处理意见和复核状态，并通过系统通知或机器人提醒。

对于跨部门冲突，可以指定牵头部门和会签人员；对于监管制度和产品参数，可以要求业务、合规和技术共同确认。通过任务化治理，企业能够把“谁发现谁处理”的临时方式升级为有责任人、有时限、有复核的日常机制。

知识保鲜强调在知识失效前主动维护。系统可根据生效日期、失效日期、更新周期、来源系统变更和外部监管文件更新生成提醒。对于需要定期确认的知识，即使内容没有变化，也可以要求责任人完成有效性确认并记录确认时间。

当新版本发布后，系统建立替代关系，更新有效状态和检索权重，必要时重新生成标准问答、摘要和标签。旧版本可以继续归档供审计查询，但不再进入当前业务应用。

RAG 效果下降往往不是模型突然变差，而是知识库中重复、过期、冲突和低质量内容持续累积。知识健康通过控制噪声、明确版本和修复结构，为检索提供更稳定的候选集合。Agent 在执行任务时依赖制度、步骤和参数，错误知识可能直接导致错误动作，因此知识健康也是 Agent 安全运行的重要前提。

健康治理形成的数据还可以影响知识排序：经过审核、来源权威、持续被采用且当前有效的知识获得更高优先级；长期低命中、负面反馈多或待治理的知识被降权或限制使用。

第六章 检索增强与白盒问答

企业问答不能只以语言流畅为目标。制度、产品、合规、售后和专业服务场景要求答案准确、完整、符合口径，并能够说明依据。TorchV AIS 的问答链路遵循“先确定权限和知识范围，再检索证据，最后受控生成”的原则。

系统并不要求所有问题都必须回答。当知识不足、问题超出应用范围、证据相互冲突或用户无权访问时，可以返回无答案说明、澄清问题、低置信度提示、免责声明或人工转接。可靠拒答是企业问答能力的一部分，而不是系统失败。

1. 识别用户身份、应用、会话和可访问知识范围。

2. 对用户问题进行规范化、错别字修正、查询重写和多轮上下文补全。

3. 执行意图识别，判断问题属于 FAQ、文档检索、数据查询还是复杂任务。

4. 在权限范围内进行关键词、向量、元数据和结构化数据召回。

5. 对多路候选进行融合、去重、文档聚合和重排序。

6. 根据相关度、质量、版本、来源和业务规则筛选上下文。

7. 调用模型按照系统指令生成答案，并进行合规、引用和格式校验。

8. 输出答案、引用、原文定位和必要的低置信度提示。

9. 记录全链路日志、反馈和耗时，供调试和运营。

关键词检索适合文件名、制度编号、条款、产品型号、专有名词和精确字段；向量检索适合用户口语化表达、同义问题和概念级匹配；元数据检索用于限定时间、部门、产品、版本和知识类型；结构化查询用于数据库和半结构化数据。AIS 将不同召回通道统一纳入检索策略。

混合检索可以配置召回数量、BM25 与语义权重、文档聚合、去重、重排序模型、相似度阈值和质量阈值。对于知识库规模大、文档类型复杂的场景，还可以先按知识库、标签或文档范围缩小候选，再执行片段召回。

高频、标准、风险较高的问题适合通过标准问答直接回答。AIS 支持维护标准问题、标准答案、相似问法、适用范围、有效期、审核状态和引用来源。用户问题与 FAQ 达到配置阈值时，系统优先返回标准答案；未达到阈值或答案不完整时，再进入文档 RAG。

FAQ 与 RAG 不是替代关系。FAQ 提供确定性和统一口径，RAG 提供长尾覆盖和多文档组合能力。对银行对客服务、保险产品、费用说明、业务办理和合规提示等场景，可以在标准答案中加入免责声明、禁止表达和转人工条件。

用户问题可能包含省略、指代、口语、错别字和多重意图。AIS 可结合多轮上下文把“这个怎么办”、“上一条规定呢”等表达还原为完整查询，并通过意图识别选择知识库、FAQ、数据库或 Agent。

对于包含多个子问题的查询，系统可以拆解为独立检索任务，再汇总答案。例如“这张信用卡年费多少、有什么权益、机场贵宾厅怎么使用”可拆为费用、权益和使用方式三个问题，分别检索后合并，避免单次召回遗漏。

传统 RAG 通常在一次召回后直接生成，面对跨文档、跨章节、多条件和多跳推理问题时容易漏掉关键证据。Agentic RAG 在基础检索上增加问题规划、知识域识别、结构导航、循环取证、证据评价和答案校验。

系统可以先通过知识地图、标签和文档摘要判断应该查哪些知识库和文档，再沿目录或章节定位相关区域；如果证据不足，继续检索其他文档、数据库或工具；如果发现冲突，则比较版本、生效时间和来源，并在答案中明确说明。

• 规划：识别目标、子问题、所需知识类型和检索顺序。

• 导航：根据知识库、文档、目录、章节和元数据逐层缩小范围。

• 取证：多次调用检索、文档阅读、数据库和工具获得事实。

• 评价：判断证据是否充分、是否冲突、是否来自有效版本。

• 生成：按照证据组织答案，并对每个关键结论标注来源。

• 校验：检查引用覆盖、合规规则和答案是否超出证据。

Agentic RAG 根据问题复杂度按需启用。简单问题仍使用 FAQ 或混合检索，以控制响应速度和成本；复杂问题进入更深的取证流程。

AIS将一次问答拆解为可观察步骤，包括查询处理、FAQ 匹配、意图理解、知识召回、重排序、上下文、模型生成和引用校验。实施和运营人员可以查看每一步输入输出、耗时、候选知识和得分，判断问题出在哪个环节。

最终答案支持段落级或结论级引用。用户点击引用后可打开原始文档，并定位到页码、章节或高亮片段；对于表格和图片解析结果，可同时展示结构化内容与原文件。引用保留文档版本，避免后续文档变化后无法解释历史答案。

白盒机制服务于三类用户：

• 业务用户通过原文核验答案；
• 运营人员通过检索过程优化知识和参数；
• 审计人员通过会话、引用和版本记录追溯争议。

AIS 在知识库和应用层提供独立调试环境。实施人员可以输入测试问题，临时调整知识库范围、召回数量、混合权重、相似度阈值、重排序模型、上下文数量、系统 Prompt 和查询重写策略，实时比较结果。调试配置不直接影响已发布应用，确认后再生成新版本。

调试页面不仅显示最终答案，还显示召回切片、来源文档、相关度、重排序前后变化、引用覆盖和各阶段耗时。对于未召回、误召回和答案不完整问题，可直接进入文档精调或反馈处理。

系统可以综合 FAQ 相似度、召回分数、证据数量、引用覆盖和模型判断形成置信度。低于阈值时不直接给出确定结论，而是请求补充信息、提示未找到依据、推荐相关文档或转人工。

当不同来源存在冲突时，系统优先选择当前有效、权威来源和已审核知识；仍无法判断时，答案明确列出不同口径和来源，不擅自裁决。对于敏感词、越权请求、收益承诺、法律医疗结论等高风险内容，可在输入、检索和输出阶段执行拦截。

问答评测应区分检索、答案和业务结果。检索层关注正确文档和证据是否进入 Top-K；答案层关注准确性、完整性、合规性、亲切度和引用正确性；业务层关注问题解决率、人工转接率、平均处理时间和用户满意度。

实际准确率取决于知识范围、原始资料质量、测试集构成、问题类型、模型和参数。项目应明确标准答案、可接受答案、禁止表达、无答案处理和多文档组合答案的判定方式。对于对客服务，建议采用隔离测试集、盲测和合规审核，不以单一演示结果替代正式验收。

第七章 问答应用与智能体配置平台

问答应用是将企业知识库、检索策略、模型和交互界面组合为可直接使用的知识服务。它适合制度问答、产品咨询、客服助手、售后支持、培训问答和内部知识助手等一问一答或多轮咨询场景。

AIS提供创建、配置、调试、发布、授权、集成、运营、优化和下线的完整生命周期。应用配置被版本化管理，运营人员可以在不修改底层代码的情况下更新知识范围、Prompt、常用问题和界面，并在验证后发布。

创建应用时配置名称、图标、简介、分类、标签、负责人和访问标识。企业可以按行业、部门、对象或业务场景管理应用，例如员工服务、对客服务、销售支持、售后支持和合规审核。

应用负责人负责知识范围、标准口径和运营结果；技术管理员负责模型、接口和安全配置；业务专家可以拥有调试和反馈处理权限。应用资产在员工离职或岗位变动时可统一交接。

应用可绑定一个或多个企业知识库，也可以组合公共知识、部门知识和个人有权限知识。应用只负责定义可使用的最大知识范围，最终检索仍会根据当前用户身份执行文档级权限过滤。

对客应用通常只绑定经过审核、当前有效且允许对外使用的资料；内部应用可以在权限范围内使用更广泛的制度、流程、培训和案例。对于项目型知识，可将指定知识空间作为应用补充上下文。

页面配置可以形成模板，在集团内复制。对于嵌入外部系统的应用，可隐藏独立页面头部，仅保留问答区域和引用组件。

应用可从模型中心选择大语言模型或推理模型，并设置温度、最大输出、上下文长度、流式输出和结构化格式。高确定性问答通常采用较低温度和明确输出模板；研究分析和内容生成可以使用更具扩展性的模型配置。

模型配置与知识配置分离，企业可以在不迁移知识库的情况下替换模型，比较不同模型的准确性、速度和成本。对于高安全环境，可使用本地模型；对于混合部署，可在脱敏和访问控制前提下调用外部模型 API。

每个应用可以独立配置召回数量、上下文数量、关键词与向量权重、文档聚合、重排序模型、FAQ 阈值、知识质量阈值和多轮历史长度。制度问答强调精确条款和有效版本，售后场景强调故障现象与解决步骤，研究场景则需要更多上下文和跨文档信息。

多轮对话不是简单把全部历史消息发送给模型。系统会识别当前问题是否依赖上文，将必要实体和条件补全到检索查询，并对过长历史进行摘要或裁剪，避免无关对话干扰检索。

系统 Prompt 定义应用角色、知识范围、回答风格、输出结构和禁止行为。查询重写 Prompt 用于把用户表达转换为适合检索的查询，意图识别 Prompt 用于选择 FAQ、知识库、数据查询或转人工，回答 Prompt 用于要求模型只基于证据生成。

• 必须引用：关键结论需要对应来源，不允许仅凭模型常识回答。

• 禁止推断：证据未明确说明时，不替用户推断资格、收益、法律责任或最终结论。

• 低置信度兜底：知识不足时说明原因并推荐人工渠道。

• 合规表达：不得承诺收益、不得诱导消费、不得泄露内部信息。

• 输出模板：按步骤、条件、材料、风险、依据或表格结构输出。

• 免责声明：对客场景自动附加适用范围和最终以正式渠道为准等提示。

应用调试环境允许使用测试问题观察 FAQ 命中、知识召回、重排序、上下文、模型回答和引用。运营人员可临时调整参数并对比不同版本。对于批量测试，可导入问题集并输出命中、答案、引用、耗时和评分结果。

发布前可配置测试门槛和审核流程。新版本通过测试后发布，旧版本保留以便回滚。发布记录包含修改内容、发布人、时间和版本说明，避免线上应用在无记录情况下被直接修改。

问答应用可以通过独立网页、分享链接、iframe、JS SDK、API、钉钉、企业微信和飞书机器人发布。网页和嵌入方式适合企业门户与官网；机器人适合内部协同；API 适合客服、业务系统和移动端调用。

平台支持 OAuth2 和主流协同平台身份接入，将外部用户映射到 AIS 用户、组织和团队。免登录不代表绕过权限，用户身份仍会进入知识检索和日志记录。对于公众对客应用，可使用专门的公共知识范围和访问策略，不直接开放内部知识权限。

模板市场将成熟应用的页面、Prompt、参数、常用问题、知识类型要求和运营指标沉淀为模板。用户可以预览和试用，再一键创建副本。模板不直接复制客户敏感知识，而是复制配置方法和场景框架。

集团企业可以建立内部模板库，例如制度问答、产品助手、售后助手、项目资料助手和对客服务模板。各部门在统一安全和运营规范下配置自己的知识范围，减少重复建设。

每个应用记录问题量、用户数、会话、满意度、无答案、低置信度、引用、响应时间和模型成本。运营人员可查看高频问题、问题分类、不满意原因和典型会话。

针对具体反馈，运营人员可以补充标准答案、增加相似问法、更新知识文档、调整切片或修改 Prompt。优化内容可直接写入知识库并进入审核流程，完成后重新测试和发布。应用由此形成“使用—反馈—定位—知识更新—重新验证”的闭环。

第八章 Agent 应用、Agent 工作区与技能库

问答应用解决“用户提出问题，系统基于知识回答”；Agent 应用解决“用户提出目标，系统调用知识和工具完成任务”；Agent 工作区解决“围绕一个项目或专题，在较长周期内组织资料、任务、会话和成果”。三者共享知识库、模型、权限和运营能力，但不应混为一个产品入口。

一个企业 Agent 应用通常由角色目标、知识范围、模型、技能、工具、任务规则、审批点、输出模板和交互界面构成。AIS 允许将这些配置组合为可发布应用，并为不同用户和组织授权。

• 角色与目标：Agent 负责什么、不负责什么，完成任务的成功标准。

• 知识：制度、流程、产品、案例和项目资料等受控上下文。

• 技能：专家方法、SOP、判断规则和输出结构。

• 工具：检索、文件、数据库、HTTP、业务系统、搜索和沙箱。

• 审批：高风险动作、关键结论和外部写入的人工作业点。

• 输出：报告、表格、清单、在线文档、消息或业务系统状态。

AIS 通过统一 Agent Runtime 管理任务生命周期。Runtime 接收用户目标和上下文，识别任务类型，选择 Agent、模型、知识和工具，生成或调整执行计划，并持续保存状态。不同业务 Agent 共享同一套运行保护、日志、审批和资源管理能力。

任务执行不是模型无约束地连续调用工具。Runtime 通过路由器判断下一步动作：继续规划、执行工具、请求人工审批、补充知识、生成结果或安全结束。系统设置最大执行步数、工具白名单、参数校验、超时和异常收口，避免无限循环、重复调用和高风险越权。

简单任务可以直接调用单个技能或工具；复杂任务先拆解为步骤，并根据执行结果动态调整。以合同审核为例，Agent 可以依次识别合同类型、读取模板与制度、抽取关键条款、查询供应商信息、执行风险规则、生成问题清单并等待人工确认。

计划不是固定脚本。若某一步缺少材料，Agent 可以请求用户补充；若外部接口失败，可以重试或进入降级路径；若发现高风险条款，可以提前进入审批。每一步的目标、输入、工具结果和状态都会被记录。

工具调用参数由 Runtime 和工具 Schema 校验，敏感凭据不进入模型上下文。高风险写操作默认需要显式授权或人工审批。

知识告诉 Agent“有哪些事实和规则”，技能告诉 Agent“应该按照什么方法做事”。技能库用于沉淀专家经验、业务 SOP、分析框架、判断规则、输出模板和示例，使同一方法可以被多个 Agent 复用。

技能可以在线创建，也可以由 AI 根据自然语言描述生成初稿。一个完整技能通常包括适用范围、前置条件、输入材料、步骤、工具、判断规则、异常处理、输出模板和示例。业务专家负责确认方法，技术人员负责工具和参数，平台记录技能版本和使用情况。

例如“制度差异分析”技能可以定义：识别两份制度版本，按章节匹配，列出新增、删除和修改条款，判断影响部门，引用原文并生成差异表。该技能可被合规 Agent、制度更新流程和项目工作区共同调用。

企业 Agent 不应追求所有环节完全自动化。对于向业务系统写入数据、发送外部邮件、删除文件、提交审批、生成高风险结论和执行命令等动作，Runtime 可以暂停任务并生成审批卡片。

审批人员看到待执行动作、参数、依据、风险提示和上游结果，可选择批准、拒绝、修改参数或补充意见。审批结果保存到任务状态，批准后从中断点继续，拒绝后进入替代路径或安全结束。

人在回路也适用于知识生产：Agent 生成制度摘要、问答对、风险标签或报告初稿后，由业务专家确认再发布。这样可以将人工精力集中在判断和责任环节，标准处理交给 Agent。

复杂任务会产生大量消息、工具结果、文件和中间结论。Runtime 对上下文进行分类：当前任务目标和关键约束长期保留；历史对话按需摘要；大文件和工具输出保存在外部对象中，只把必要摘要和引用放入模型上下文。

Checkpoint 保存任务计划、已完成步骤、工具结果、审批状态和中间文件。任务因用户离开、审批等待、模型异常或服务重启而中断时，可以从最近状态恢复，而不是重新执行全部步骤。系统还支持完成态清理、过期策略和存储配额，控制长期任务资源。

需要运行代码、处理大量文件、生成图表、转换格式或调用命令行工具的任务，可以在隔离沙箱中执行。沙箱由平台动态创建，限制 CPU、内存、磁盘、网络和运行时间，并在任务结束或超时后回收。

沙箱文件通过受控通道与知识库和工作区交换，执行日志、命令和输出文件可追溯。对于高安全客户，可关闭外网、限制软件包和命令白名单，并采用内部镜像和存储。

Agent 工作区不再强调 WorkStation 这一独立名称，而是作为 AIS 应用体系中的高级工作形态。用户按项目、任务、客户、专题或团队创建工作区，组织知识空间、上传文件、会话、Agent、技能、任务和成果。

知识空间可以从企业知识库引用有权限的知识，也可以保存项目临时资料。企业知识仍在原知识库中维护，工作区保存引用关系，避免复制后失去版本更新；项目上传文件则可以根据需要转为正式知识。

工作区适合研究报告、投标方案、审计、尽调、产品研发、事故分析和复杂售后等长期任务。用户可以在同一空间中查看文件、调用 Agent、编辑成果、追踪任务和复用历史上下文。

• 项目资料：上传文件、知识引用、在线文档和外部链接。

• Agent 协作：选择不同 Agent 和技能处理检索、分析、核验和生成。

• 任务记录：保存执行计划、状态、审批、异常和恢复点。

• 成果管理：报告、表格、PPT、清单、底稿和最终版本。

• 团队协作：成员、角色、评论、分享和权限。

• 资源统计：会话、模型调用、Token、沙箱和成本。

系统为每个 Agent 任务生成结构化 Trace，记录用户输入、规划步骤、模型调用、工具名称、参数、结果摘要、耗时、错误、审批和最终输出。Trace 可用于问题定位、效果评测、成本分析和安全审计。

运行保护包括全局并发控制、同一任务互斥、最大步数、工具超时、重试、外部依赖降级、上下文超限处理、模型不可用切换和异常安全收口。前端通过流式事件实时展示任务状态、当前步骤、工具调用和中间成果，避免用户面对长时间无响应的黑盒过程。

第九章 AI 与知识运营中心

企业 AI 上线后，需要持续回答四个问题：知识是否在增长且保持健康，用户是否真正使用，回答和任务是否有效，模型与资源成本是否合理。运营中心把知识资产、引用、问答、反馈、Agent、模型和费用数据集中呈现，为管理者和运营人员提供可行动的依据。

运营不是单纯看访问量。AIS 更关注数据能否推动知识和应用改进：高频无答案问题应形成知识补充任务，错误引用应进入健康治理，低满意应用需要检查知识、参数或 Prompt，模型成本异常需要调整路由和配额。

知识资产看板统计知识库、目录、文档、数据表、问答对、切片和存储规模，展示按时间、组织、知识类型和来源的新增趋势。管理者可以判断知识建设是否覆盖重点业务，哪些部门持续维护，哪些知识库长期没有更新。

• 知识库和文档总量、新增量、更新量和失效量。

• 按组织、业务域、来源系统和知识类型的资产分布。

• 在线文档、外部文件、标准问答和结构化数据比例。

• 知识负责人覆盖率、审核状态和待处理更新任务。

• 存储、索引和解析资源使用情况。

引用分析统计知识被检索和被答案引用的情况，包括累计引用次数、被引用文档数、文档引用率、引用趋势和排行榜。高引用内容通常是业务关键知识，应重点保障版本和健康；长期无引用内容可能是沉睡知识、低质量内容或应用尚未覆盖。

平台可进一步观察引用是否集中在少数文档、同一问题是否总引用旧版本、某知识库是否召回很多但最终未被采用。结合检索日志和反馈，可以识别误召回、低质量切片和知识缺口。

问答看板展示累计问题量、活跃用户、会话数、满意度、问题解决率、无答案率、低置信度率、人工转接率和响应时间。数据可按应用、组织、时间和问题类型筛选。

系统对用户问题进行主题聚类和标签化，识别高频问题、新出现问题和季节性问题。运营人员可进入会话明细查看提问、回答、引用、检索过程、用户反馈和模型信息，并将问题归类为知识缺失、知识错误、召回失败、回答不完整、合规风险或交互体验。

用户可以点赞、点踩、选择不满意原因、提交补充说明或发起人工反馈。反馈明细记录应用、用户、问题、答案、引用、时间、状态和处理人。运营人员可筛选未处理、高风险和重复反馈，避免问题长期积压。

1. 查看原问题、答案、检索链路和引用。

2. 判断问题属于知识、切片、检索、Prompt、模型或合规规则。

3. 补充标准答案、相似问法、知识文档或修改应用配置。

4. 将知识修改写入指定知识库并进入审核。

5. 重新执行测试问题，确认修复效果。

6. 发布应用新版本并关闭反馈。

系统可以根据反馈生成 AI 优化建议，但最终修改由运营或业务人员确认。

Agent 运营关注任务量、任务完成率、平均步骤数、工具成功率、审批次数、人工接管率、中断恢复率和执行时间。运营人员可以查看失败集中在哪个工具、哪个模型或哪个业务步骤，并优化技能、接口和审批规则。

对于工作区，还可以统计项目数、活跃成员、知识引用、文件产出、模型和沙箱消耗。企业可以评估 Agent 是否真正缩短处理时间，而不只看生成了多少文本。

模型中心记录各类模型的调用次数、输入输出 Token、缓存、成功率、延迟和费用。数据可按模型、应用、组织、用户和行为类型分析，帮助企业判断哪些场景需要高能力模型，哪些场景可以使用轻量或本地模型。

平台可设置模型和应用配额、并发和预算告警。对于批量知识加工，可在非忙时运行；对实时对客应用优先保障低延迟资源；对复杂 Agent 任务可根据步骤选择不同模型，避免全流程使用最高成本模型。

不同角色关注的指标不同。管理者关注资产增长、应用覆盖、业务价值和总成本；知识负责人关注健康问题、更新任务和引用；应用运营关注问题、满意度和反馈；技术管理员关注模型、接口、并发和异常。运营中心可以按角色提供不同视图和权限。

运营数据通过四条路径回到产品闭环：问答和 Agent 反馈推动知识补充；引用和低命中推动知识健康检查；模型和成本数据推动路由、参数和资源调整；高频场景沉淀为应用模板、技能和知识加工流程。

长期运行后，企业积累的不只是文档，还包括问题集、评测集、Prompt、技能、流程模板、治理规则和运营数据。这些资产使后续应用建设速度更快、效果更稳定。

第十章 安全、系统治理与开放集成

TorchV AIS 面向复杂组织和高安全行业，系统治理覆盖身份、权限、数据、模型、解析引擎、凭据、内容安全、日志、资源和开放接口。核心原则是最小权限、全链路审计、敏感数据受控、关键动作可审批、外部调用有边界。

平台支持同步或维护企业组织架构，管理用户、部门、岗位、角色和团队。RBAC 用于定义平台功能权限，例如系统管理、知识库管理、应用发布和运营查看；团队用于支持跨部门项目和矩阵式协作，同一用户可以加入多个团队。

知识权限和系统角色相互独立：拥有应用配置权限不代表可以读取应用绑定的全部知识；最终知识检索仍按用户身份过滤。员工离职或岗位变化时，资产交接工具可以转移知识库、文档、流程、应用、技能和工作区，并回收原权限。

模型中心统一管理大语言模型、推理模型、多模态模型、Embedding、Rerank、OCR 和 ASR。管理员配置供应商、服务地址、密钥、模型参数、上下文限制、费用和可用范围，并可执行在线连通性和能力测试。

不同应用、流程和 Agent 可以选择不同模型。平台可限制某些模型只供指定组织或场景使用，并通过配额、并发和成本控制避免滥用。对于本地模型，可记录部署实例、算力资源和健康状态；对于外部 API，可配置代理、超时、重试和数据发送边界。

解析引擎中心维护引擎类型、支持格式、服务实例、密钥、状态、限流和特色能力。解析策略将文件类型与引擎实例绑定，并支持测试、复制、启停和知识库绑定。

平台可以使用主解析引擎和兜底引擎组合，提高稳定性。例如标准文档优先使用 OpenDataLoader，解析失败时由 Tika 兜底；扫描件优先走 OCR 或多模态策略。管理员可以观察引擎调用量、失败率、耗时和成本，及时调整路由。

模型 Key、数据库密码、对象存储密钥、机器人地址和第三方 Token 统一保存在凭据中心，应用和流程只引用凭据标识，避免敏感信息出现在 Prompt、日志和流程配置中。凭据支持授权范围、到期时间、轮换和使用审计。

外部连接配置包括服务地址、网络区域、超时、重试、代理和证书。生产环境可限制只有特定服务和工具允许访问外网，Agent 和沙箱不能任意建立连接。

数据在传输过程中使用加密通道，在存储层根据项目要求使用数据库、对象存储和备份加密。平台通过组织、知识库、文档、应用和工具多层权限控制访问，并记录下载、导出和删除等敏感操作。

知识加工可在进入模型前执行敏感字段识别和脱敏。混合部署场景中，可以将知识库、检索和 Agent 部署在本地，只把经过筛选和脱敏的必要上下文发送给外部模型；高敏感场景则使用本地模型完成全部处理。

具体密码算法、密钥管理、日志保留、等保等级和数据出境要求应结合客户安全规范和部署环境确定。

敏感词和内容规则可以作用于用户输入、知识加工、联网内容、模型上下文和最终输出。系统支持阻断、替换、脱敏、告警、记录和转人工等动作，并可按应用设置不同规则。

对客应用可以配置不得承诺收益、不得诱导消费、不得替代正式合同或专业意见等规则；内部应用可以限制泄露客户、财务、研发和人事信息；Agent 的高风险工具调用可以在执行前进行规则检查和审批。

平台支持全局或场景化水印，可组合账号、姓名、工号和时间信息，用于页面、预览和导出文件的泄露追溯。下载中心统一管理异步生成和导出的文件，记录生成来源、下载人、有效期和状态。

知识库可以分别控制查看、下载和导出权限。敏感文件可禁止下载，仅允许在线预览；外部分享可设置有效期、访问次数和身份验证。

平台提供全局 Prompt、Prompt 模板、文档模板、标签中心和系统通知。全局 Prompt 定义默认角色、安全边界和回答原则；应用和 Agent 可以在允许范围内继承或覆盖。

文档模板用于统一日报、周报、制度更新、运维计划、会议纪要和项目报告结构；标签中心统一维护业务分类、产品、组织和质量标签，避免不同知识库重复创建近义标签。系统通知向用户推送知识更新、治理任务、应用发布和安全事件。

AIS 记录登录、用户和组织变更、知识库和文档操作、权限变化、知识加工运行、应用发布、问答会话、模型调用、Agent 工具调用、审批和外部接口等日志。日志包含时间、用户、对象、事件、结果和必要上下文。

对于问答争议，可以回溯用户问题、当时的知识版本、召回片段、Prompt、模型和答案；对于 Agent 任务，可以回溯计划、工具参数、返回结果、审批和最终动作；对于知识更新，可以回溯来源、清洗、审核和发布过程。

插件中心统一管理搜索、天气、文件处理和企业自定义工具。工具通过 Schema 描述输入输出，由管理员配置凭据、使用范围和风险等级。Agent 只能调用已授权工具，工具更新和下线不会要求每个 Agent 单独修改连接信息。

原子命令将知识库中的检索、阅读、创建、编辑和发布等操作封装为标准化、可组合的基础命令，为 Agent 自动发现知识、理解知识结构和动态编排任务提供支撑。相比为每一种业务任务单独开发接口，Agent 可以根据任务目标选择并组合原子命令，逐步完成知识查找、内容读取、结果加工和知识回写。

平台内置的原子命令分为 READ、WRITE 和 EDIT 三类，覆盖目录查看、知识搜索、文件读取、摘要获取、Skill 发现、内容渲染、文件创建、复制、移动、发布和编辑等操作。命令具有统一的参数规则、输入输出结构和执行机制，便于 Agent 识别命令能力、生成调用参数并处理执行结果。

在实际运行中，Agent 可以先通过目录和搜索命令发现相关知识，再读取正文、摘要或 Skill 说明，根据任务需要调用写入或编辑命令生成结果。各类命令仍需遵循用户身份、知识权限和操作授权，涉及新增、修改、删除和发布的命令应配置更严格的审批、审计与风险控制机制。

平台提供系统级开放 API 和应用级 Access Token，可对知识库、文件、检索、问答、知识加工、应用和 Agent 能力进行调用。管理员可以创建、禁用和删除 API Key，并通过在线文档查看接口、参数和示例。

系统集成的前提是外部平台提供稳定接口、授权方式、数据权限和技术文档。项目中应明确双方责任、数据口径、性能指标、异常补偿和版本兼容。

生产环境可根据用户量、知识规模、检索并发、模型调用和 Agent 任务配置服务集群、数据库、对象存储和检索组件的高可用。平台提供运行指标、服务状态、日志、Trace 和资源使用监控。

模型和知识加工任务可以设置并发、限流、批量和调度策略；高成本批处理可安排在非忙时，实时问答优先保障低延迟。系统升级应包含配置与数据备份、兼容检查、迁移、验证和回滚方案。

第十一章 部署架构与技术适配

• 模块化：知识库、知识加工、检索、应用、Agent 和运营能力可独立扩展。

• 容器化：支持标准容器部署，便于环境复制、升级和弹性伸缩。

• 高可用：关键服务、数据库、对象存储和检索组件可按项目要求配置集群与备份。

• 多模型：兼容本地模型和外部 API，降低对单一厂商依赖。

• 开放性：通过标准接口与现有业务系统、门户、协同平台和数据平台集成。

• 可观测：统一采集日志、指标、Trace 和资源消耗，支持问题定位。

TorchV AIS 采用企业级 Java 技术体系，支持在国产服务器、操作系统、数据库、中间件和模型环境中进行适配。具体兼容范围需根据客户技术栈、性能要求和项目版本进行验证，必要时通过 POC 完成兼容性和性能测试。

生产环境应根据用户量、知识规模、模型并发和 RTO/RPO 要求设计高可用架构。知识文件、数据库、向量索引、流程配置和应用配置需要分别制定备份策略。版本升级应包括环境检查、配置备份、数据迁移、兼容验证和回滚方案。

第十二章 典型行业与业务场景

TorchV AIS 的行业价值来自统一知识基座与可配置应用能力，而不是为每个行业开发完全独立的产品。以下场景用于说明平台的典型使用方式，实际项目需结合知识范围、流程规则、系统接口和验收口径进行设计。

从产品形态看，高频标准问题适合问答应用；需要调用工具和执行规则的任务适合 Agent 应用；周期较长、资料不断变化、需要多人协作的复杂事项适合 Agent 工作区。企业可以从一个高价值问答场景开始，再逐步扩展到知识加工、知识健康和 Agent 执行。

第十三章 建设方法与落地路径

企业不宜先建设一个包罗万象的知识库，再寻找应用。更有效的方法是从业务目标出发，明确用户、问题范围、知识来源、责任人、更新机制、权限边界和验收指标。知识库可以按组织、业务、场景或安全等级划分，Agent 工作区再按项目和专题聚合所需知识。

1. 盘点数据源和文档类型，识别权威来源、重复来源和更新频率。

2. 设计知识库、目录、标签、元数据、权限和版本规则。

3. 选择解析引擎和切片策略，对重点文档进行样本验证。

4. 配置清洗、结构化、QA 生成和入库流程，明确人工审核节点。

5. 建立测试集，进行检索和问答调试。

6. 上线应用并收集反馈，建立知识健康和运营机制。

评测应区分检索、答案和业务结果。检索关注是否找到正确依据；答案关注准确、完整、合规、表达和引用；业务结果关注解决率、人工转接率、处理时间和用户满意度。

对于对客服务等严谨场景，建议采用隔离测试集和盲测机制，明确标准答案、可接受答案、禁止表达和免责声明。多文档组合生成不应简单要求与某一段原文完全一致，但必须能够由引用证据支持。

项目建设不仅需要功能上线，还需要明确生命周期责任。建议至少建立知识所有者、知识维护者、知识审核者、应用运营者和平台管理员五类角色。

长期运营通常需要平台管理员、知识库负责人、业务专家、应用运营人员和技术支持共同参与。平台负责提供工具和数据，业务部门负责知识口径和更新判断，技术团队负责系统集成、性能和安全。通过任务化和数据化机制，知识维护逐步从临时工作变成组织能力。

第十四章 产品设计原则与能力边界

TorchV AIS 的产品设计首先关注知识是否可靠、是否具备清晰来源、是否在用户权限范围内，而不是单纯追求调用参数规模更大的模型。对于多数企业场景，模型能力决定回答上限，知识质量、检索链路和业务规则决定可用下限。只有先建立稳定的知识供给，模型升级才能真正转化为业务效果。

因此，平台允许企业为不同知识库选择不同解析、切片、Embedding 和检索策略，也允许不同应用选择不同模型。模型可以替换，企业知识、权限体系、加工流程和运营数据则作为长期资产保留。这样的设计能够降低模型快速变化带来的重复建设风险。

知识工程中存在大量可自动化工作，例如格式转换、基础清洗、切片、摘要、标签、问答对生成和规则检测；但制度生效判断、冲突裁决、业务口径和高风险内容审核仍需要业务专家参与。AIS 不把“全自动”作为唯一目标，而是支持在流程中设置人工复核、审批、异常分支和责任人。

对于低风险、高频和规则明确的知识，可以通过知识加工实现自动入库；对于高风险、高价值和复杂资料，可以先自动生成候选结果，再由维护者确认。知识健康同样支持模型识别与人工确认结合，避免误判直接影响生产知识。

TorchV AIS 提供企业知识库、知识加工、知识健康、检索问答、应用平台、Agent Runtime、运营中心和系统管理等标准能力。企业业务系统接口、行业清洗规则、专属流程、复杂页面和特定验收指标，通常需要在项目中结合客户环境进行配置或开发。

在项目启动阶段，应明确哪些能力属于标准产品配置，哪些属于第三方系统配合，哪些需要定制开发。例如，对接 OA 或 CRM 的前提是对方提供稳定接口和数据权限；解析特殊工程图纸需要明确样本与识别目标；对客问答的合规规则需要由业务和法务提供正式口径。清晰的边界有助于控制项目风险和验收争议。

知识问答和 Agent 的效果不是一个固定产品参数。它受到原始资料质量、知识覆盖率、版本管理、切片方式、测试集结构、模型能力、检索参数、Prompt、用户表达和运营投入等多种因素影响。平台提供调试、评测和运营工具，但项目仍需要建立明确的数据准备和持续优化机制。

对于准确率目标，应同时定义问题范围、知识范围、测试集构成、评分规则、无答案处理和多文档组合答案的判定方法。对于 Agent 任务，还应评估任务完成率、工具成功率、人工接管率、异常恢复和业务处理时间。

企业通常从一个问答或报告生成场景开始。平台化建设的关键，是让首个项目沉淀的知识库结构、解析策略、加工算子、Prompt、应用模板、技能和评测集能够被后续场景复用。否则每个部门都从头建设，既增加成本，也会形成新的知识孤岛。

AIS 通过共享企业知识库、算子、技能、模板和模型资源，使不同应用在统一治理下复用能力。部门仍可保留自己的知识边界和业务配置，但底层安全、日志、成本和运营机制保持一致。

生产级 AI 不能假设每次都能正确完成任务。问答系统需要在证据不足时给出澄清、拒答或转人工；Agent 需要在工具失败、审批拒绝、上下文超限和外部服务异常时安全结束或恢复。AIS 将可解释、可回退和可接管作为产品设计原则。

白盒检索和引用帮助用户判断答案；人工审批控制高风险动作；Checkpoint 支持任务恢复；异常日志和 Trace 支持定位问题；知识健康和反馈运营则推动问题不再重复发生。

结语

企业 AI 的长期竞争力，不只来自采用了哪一个模型，而来自企业是否能够把自己的制度、经验、流程、数据和方法沉淀为高质量知识，并让这些知识被人和 Agent 安全、稳定地调用。

TorchV AIS 以企业知识库为基座，以知识加工建立持续的知识生产能力，以知识健康保障知识长期可靠，再通过可信问答、问答应用、Agent 应用和 Agent 工作区，把知识转化为业务生产力。运营中心、安全治理和开放集成则保证这套体系能够在复杂组织中长期运行。

v2.3 所呈现的，不是一个单一知识库产品或聊天工具，而是一套围绕企业知识与智能执行构建的 AI 基础设施。企业可以从一个场景开始，但最终形成的是能够支撑多个部门、多个应用和多个 Agent 共享的统一知识与执行底座。

附录 A：TorchV AIS 核心功能索引

附录 B：术语说明

本文所示产品截图用于说明 TorchV AIS 的产品能力与交互机制。不同部署版本、权限角色、客户配置、模型与解析引擎接入情况可能导致界面或选项存在差异，具体以项目合同、技术规格书和实际交付版本为准。