AI 赋能层:叠加在既有平台上
平台已经有网关、授权、服务边界与数据归属,AI 赋能层不需要另起一套系统:把模型、知识与评测接进既有架构,按场景逐步开放。
本页是平台架构规划的延伸设计:在既有网关、授权与数据归属之上叠加 AI 赋能层,不另建一套平行系统。
方法与模型:用场景—能力矩阵匹配模型与业务,用 RAG 分层(检索、重排、生成)设计知识链路,用评测集、灰度与回退策略控制模型上线风险。
落点:叠加在既有架构的哪几层
| 既有层次 | 叠加内容 |
|---|---|
| 接入 | 模型网关:统一接入、路由、限额与降级 |
| 授权 | 模型权限:可访问的数据范围与可执行的操作范围 |
| 业务服务 | 场景助手嵌入流程节点,不另起入口 |
| 数据 | 知识库与检索、反馈数据,边界按业务域划定 |
| 监控与研发 | 调用日志、成本与评测指标纳入同一监控;研发侧按同一套评测口径回归 |
叠加原则:AI 赋能层通过接口与数据服务取数,不直接跨库读写;原有服务边界与授权模型不因引入模型而放宽。
场景与权限:先限定能做什么
- 场景清单:制度与文档问答、流程与报表解读、客户与订单查询、工单与异常分诊。
- 三档权限:建议(人工确认后执行)、确认(模型生成、人工核对)、自动(低风险只读)。
- 准入标准:没有评测口径与数据边界约定的场景不进入开发;每个场景有业务负责人。
复用平台,不另起一套
| 维度 | 设计要点 |
|---|---|
| 应用 | 助手按业务域拆分,共用一个模型网关;知识与检索回答带出处与版本;业务服务不直连模型厂商 |
| 数据 | 文档、工单、规程结构化入知识库;按场景建检索并保留来源;反馈数据回流;模型可用范围小于人可用范围 |
| 技术 | 多模型接入层支持路由、限额与降级;推理服务独立部署;提示版本化;密钥、内容过滤、越权检测与成本监控 |
一服务一库的边界不变:知识库与检索服务是新增的数据应用,通过数据服务或接口与业务域交互。
没有评测口径的场景不开发
| 治理项 | 做法 | 责任 |
|---|---|---|
| 评测集 | 每个场景维护问题集与期望结果 | 场景负责人 + 数据团队 |
| 回归 | 模型与提示变更后先跑评测再上线 | 研发 |
| 审计 | 调用日志、数据范围与操作记录 | 平台与安全 |
| 责任 | 出错时能定位到数据、模型还是使用方式 | 业务负责人 |
评测集与治理规则随首个场景一起交付,不后补。
落地顺序:先只读,再确认,后自动
- 只读场景起步:制度查询、报表解读,先验证检索质量与回答出处;
- 确认类场景:单据草拟、异常分诊,人工确认后执行;
- 自动类场景:低风险、可回滚的操作逐步放开;评测、审计与成本治理同步交付。
公开边界
本页只写 AI 赋能层的公开设计,不包含模型供应商合同、内部数据与调用凭据。