
让企业数据能够被追问
企业的信息分散在 ERP、CRM、MES、设备系统和文档里。面对一个经营问题,团队常常需要跨系统找数据,再对齐字段、指标和时间范围。SebAgent 的设计思路是在已有系统之上建立一条从问题到依据的阅读路径。
这篇文章根据企业 AI 大脑资料整理,介绍数据接入、业务语义、问数与知识检索的组织方式。示例用于解释工作流程;能力范围、部署方式和性能应以实际版本与项目验证为准。
从数据资产开始
业务数据既包括订单、库存、应收和生产记录,也包括设备采集值、质量台账、图纸与维修手册。它们的结构、更新时间和访问权限不同,接入时需要分别确认来源、责任人和可使用范围。
在制造场景中,订单与工单帮助理解交付,设备与质量记录帮助追查异常,文档和工艺资料则为解释提供上下文。能关联哪些系统,以及是否可以跨源查询,取决于连接能力与授权。
五层架构:让问题抵达数据
资料将系统组织为从用户入口到数据源的分层结构。每一层都有清楚的职责,实际接入时可据此讨论数据在哪里、口径由谁确认,以及答案如何复核。
| 层次 | 关注点 |
|---|---|
| 交互入口 | 网页、企业应用或协作工具接收问题并呈现答案。 |
| 智能体与任务编排 | 理解意图,选择工具,并组织查询、检索与后续步骤。 |
| 语义与业务口径 | 用实体、关系、术语和指标描述业务对象,维护共同定义。 |
| 数据访问与执行 | 通过连接器访问授权数据,执行查询或检索,并记录来源。 |
| 企业数据与知识 | 数据库、业务系统、设备数据和企业文档留在各自的管理边界内。 |
一条自然语言查询如何形成答案
以“上个月哪些产品的销售额最高?”为例,系统需要先确认统计时间、销售额定义、产品范围和访问权限;数据源无法支持某一步时,应明确提示,而不是补出一个看似完整的数字。
- 识别问题与时间范围,必要时向用户澄清。
- 关联业务术语、指标定义与可访问的数据源。
- 规划查询或知识检索路径。
- 检查角色、字段、行级范围和数据源权限。
- 执行允许的查询,处理结果与异常。
- 组织结论、图表或明细,并说明单位和统计口径。
- 保留来源与可继续追问的上下文。
销售额可以回到订单记录,折扣例外则要回到生效的价格规程。即使它们出现在同一份回答里,核验时也要分别打开这两种依据。
本体、指标与规则:让团队说同一种话
同一个“销售额”可能对应订单、开票或回款。语义层将业务对象、关系、同义词和指标定义组织起来,让提问者与数据维护者可以讨论同一套口径。
产品设计还包括规则表达、版本记录和预览的设计:在规则生效前检查条件、影响范围与权限,变更后保留可审计的记录。具体规则能力与执行边界应在目标环境中验证。
把分析带回真实工作场景
以下问题围绕制造、供应链、设备与知识场景展开,用于说明提问方向;它们不展示任何客户的实际数据。
- 生产与质量:哪些工序的良率变化值得关注?可以继续查看对应的批次、设备与缺陷记录吗?
- 供应链与经营:订单、库存和应收之间有哪些需要核对的变化?统计期间和业务口径分别是什么?
- 设备与运维:某类停机告警出现后,相关设备记录与维修手册分别提供了什么线索?
- 研发与知识:某份图纸、工艺规范或设备手册的有效版本是什么?答案引用了哪一页?
知识检索与来源核验
数据库回答和文档回答需要不同的证据。前者要说明数据源、筛选条件和聚合口径;后者要标明文档名称、版本、位置与引用片段。图文知识库展示了把文字、表格与图解放在同一阅读路径中的思路。
文档内容与设备实时状态也应区分:手册可以解释操作方法,不能自动证明设备当前处于某个状态。权限变化、文档更新或来源失效时,读者需要看到明确提示。
从一次回答到持续工作
产品设计以技能、工具和任务编排组织智能体工作:围绕问题选择所需能力,读取授权信息,生成结果,并将需要确认的步骤交还给人。业务知识和经确认的规则可以作为后续任务的上下文。
分析、生成报告、发送通知和修改业务数据具有不同的风险。执行动作前应明确谁有权发起、哪些步骤需要审批、结果如何记录;具体动作以实际交付能力为准。
复盘时,预期与实际差在哪里?
假设团队预计新渠道会带来更多成交,月底却只看到了更多询盘。复盘时,先写下当时的预期和实际结果,再关联用来判断的查询记录。
GET /api/ v1/ insights/ decisions/ {session_id}/ {seq}
读取指定会话中的一条决策记录。POST /api/ v1/ insights/ decisions/ diff-summary
生成预期与实际的差异摘要。传入决策 ID 时,摘要会写回对应记录。
预期、实际与关联查询使用的请求字段依次为expected_outcome、actual_outcome、query_record_ids。
权限、安全与审计贯穿全程
企业问数不是只在登录时检查一次权限。数据源、表、字段、行、文档、缓存和导出都可能影响可见范围;身份变化与多租户隔离也要纳入设计。
对连接凭据、查询执行和日志分别设置保护,并为关键操作保留审计记录。只读访问、脱敏、限制查询范围和生产资源隔离等措施应结合客户环境落实并验证。
开放集成与部署选择
产品设计涵盖 API、SDK、命令行、MCP、单点登录与协作消息等集成方向,目标是在已有业务入口中使用问数和知识能力。接口、支持的连接器和身份映射应以相应版本的正式文档与项目环境确认。
部署可围绕本地环境、虚拟机、容器或企业云的约束展开讨论,重点确认网络、数据位置、身份体系、运维与恢复方式。不同环境的实施周期和硬件要求需要单独评估。
与 Palantir AIP 的八个对照维度
原资料列出八个对照维度。下表中的竞品描述结合其公开文档整理,具体能力仍需在相同场景中验证。
| 维度 | SebAgent 资料所述 | Palantir AIP / 验证重点 |
|---|---|---|
| 规则与推理 | SWRL 风格规则、条件组合和实例级推理;规则可预览和审计。 | Foundry Rules 提供低代码规则;Functions 支持 TypeScript 与 Python。规则语义与执行方式需按实际场景对照。[1][4] |
| 自然语言本体建模 | 通过多轮澄清、草案与确认来组织本体与规则。 | Palantir AI FDE 文档描述了通过自然语言创建或更新本体;可用范围取决于产品配置。[3] |
| 访谈与字典 | 以问题访谈、置信度与人工确认完善业务词典。 | 对照应检查词条来源、确认流程与持续维护机制;相关实现需在双方环境中验证。 |
| 联邦与跨源 | 采用虚拟本体、映射和联邦查询,按授权访问业务源。 | Foundry 同时提供数据同步和部分来源的虚拟表,支持范围与下推能力因连接器而异。[2] |
| 受控指标 | 通过预览 SQL 与样本值、认证与版本管理,形成可复核的指标定义。 | 应比较指标如何定义、复用、认证和审计;不能仅凭单一界面判断平台是否具备指标治理。 |
| 自然语言问数 | 围绕数据源、业务术语、同义词和追问组织问答路径。 | 应以相同问题、权限、数据范围与基准答案进行试点比较。 |
| 本地化与触达 | 材料列出中英文界面及微信、飞书、Teams 等入口,具体通道依版本确认。 | 比较界面语言、授权方式、支持的渠道和各地区的交付能力。 |
| 部署与成本 | 材料描述私有化和不同规模的硬件方案;总费用需结合实际配置与报价。 | 按同等数据规模、许可、硬件、实施、运维和使用期限计算 TCO;不作缺少依据的数量级承诺。 |
与 WorkBuddy 的八个对照维度
原资料还从八个方面对照 WorkBuddy。腾讯公开文档介绍了连接器与 Skills,建议在相同数据和权限条件下验证工作流。
| 维度 | SebAgent 资料所述 | WorkBuddy / 验证重点 |
|---|---|---|
| 技能与智能体 | 材料描述技能包的创建、安装、更新及智能体任务编排。 | 腾讯文档列出 Skills 与 MCP 工具配合的方式;应比较授权、分发与维护流程。[6] |
| 交互网页与数据源 | 材料描述生成交互页面、连接企业数据源和配置访问权限。 | WorkBuddy 的页面产出与连接能力应通过相同场景实测,不将其概括为无法连接业务系统。 |
| 业务数据库问答 | 材料列出多种连接器及带来源的自然语言问数;具体支持范围按版本确认。 | WorkBuddy 官方文档介绍 MCP 连接器与数据查询;接入数据库需核对工具、权限与部署配置。[5] |
| 商业分析模型 | 材料列出定性框架、定量分析模型及场景组合,支持将专家经验整理为技能。 | 比较实际可用的技能、模型定义、输入条件与输出可核验性。 |
| 本体与规则 | 通过本体语义、规则表达和实例级推理组织企业业务知识。 | 比较语义定义、规则维护与跨系统上下文的实际配置方式。 |
| 受控指标 | 通过指标定义、预览和认证管理统一业务口径。 | 以同一指标核验定义、访问权限、版本与结果一致性。 |
| 私有部署与数据位置 | 材料描述私有化部署和联邦查询方案,具体边界按客户环境确认。 | 比较可选部署、网络边界、数据流与运维责任;费用以实际方案为准。 |
| 通道与模型选择 | 材料列出多种协作入口和可配置模型端点,支持范围需按版本核对。 | WorkBuddy 提供工具和连接器生态;模型与通道选项随版本及配置变化。[5][7] |
从一个可核验的问题开始
选择一个业务问题,列出需要的数据、期望口径、参考答案和访问角色;再检验来源是否可追溯、异常如何提示、权限是否按预期生效。
完成首轮验证后,再扩展数据源、场景和协作流程。这样可以让产品能力、业务定义与交付条件在同一份证据上讨论。
