AI CORE
Chat AI / 聊天机器人底座
负责理解自然语言、业务文本与企业知识，并完成判断、总结、推荐或回复。
LLMRAGTool CallingModel Routing
OVERVIEW
服务定位
帮助企业把现有数据、流程和系统逐步接入 AI，形成可运行、可验证、可维护的业务闭环。
ENTERPRISE AI APPLICATION DELIVERY
企业 AI 应用落地服务
从业务梳理、数据整理和 AI 接入设计，到 Workflow、系统集成、自动化、测试与长期维护。优先复用已经验证的通用能力，把新增研发集中在企业真正特有的业务逻辑上。
业务 / 数据 先梳理
AI / Workflow 再接入
真实数据 小范围验证
维护 / 扩展 持续迭代
01 · BUSINESS FIRST
业务优先先找真实经营问题和价值节点，不为了“上 AI”而上 AI。02 · REUSE FIRST
底座复用模型、Workflow、集成、状态、测试等通用能力不重复造轮子。03 · CONTINUOUS
持续交付一期项目跑通以后进入维护，再根据真实效果扩展新需求。CAPABILITIES
通用底座
下面是已经持续积累的通用能力层。客户项目真正需要重点讨论的，是企业自己的业务规则、数据质量、现有系统和最后一公里适配。
WORKFLOW
Workflow / 工作流底座
负责业务链路怎么流转：下一步做什么、谁来处理、何时转人工、失败如何恢复。
StateCheckpointHuman GateRecovery
INTEGRATION
API / 系统接入底座
把 AI 接进 CRM、ERP、数据库、第三方 SaaS 与企业现有系统，避免形成新的信息孤岛。
HTTP APIGatewayCRM / ERPConnectors
AUTOMATION
Automation / 自动化执行底座
把已经明确的重复动作自动完成：查询、整理、录入、通知、网页操作与任务执行。
BrowserSchedulerActionsJobs
DATA
Data / 数据底座
把散落的数据整理成 AI 和 Workflow 可以持续使用、回写和追踪的业务事实。
SQLiteStructured DataCleaningHistory
QUALITY
Quality / 测试与监控底座
AI 系统不是“能跑”就算完成，需要真实样本验证、错误处理、日志、回归与运行监控。
TestEvalCanaryLogging
INDUSTRY KNOWLEDGE
Industry Knowledge / 行业落地知识库
持续沉淀不同行业的典型场景、业务流程、数据要求、实施边界、常见问题和验收经验，让新项目更快判断怎么落地。
Industry PlaybookScenario PatternLessons LearnedAcceptance
项目原则：优先使用已有通用能力，把新增研发集中在客户特有的业务逻辑、数据适配和系统接口；具体复用比例需要在看过真实业务后再判断。
DELIVERY
服务流程
项目不是先选模型和框架，而是先确认真实问题、数据和指标。技术方案在业务边界清晰之后再落地。
业务诊断
梳理客户、人员、订单、沟通、审批和现有工具，找到最耗人、最容易丢失价值或最需要判断的节点。
Output · 业务流程图 / 候选 AI 接入点
数据确认
检查数据来源、历史质量、字段关联、系统权限和可导出性，避免方案建立在“理论上有数据”之上。
Output · 数据清单 / 可用性与缺口
AI 接入设计
语义理解交给 AI，明确规则交给程序，关键业务决策保留人工；再设计 Workflow 和系统集成方式。
Output · 方案边界 / Human Gate / 接口方案
Prototype
先证明核心判断、数据和接口跑得通，而不是一开始建设完整系统。
Output · 可运行原型 / 风险清单
MVP
让输入、AI 判断、Workflow、人工节点、自动执行和结果回写在真实业务条件下连续工作。
Output · 可验证 MVP / 真实业务样本
小范围上线
使用有限人员、有限客户或有限数据开始运行，观察业务指标与真实异常。
Output · Canary / 使用反馈 / 指标对比
稳定与成本校检
补齐测试、日志、恢复、权限、异常处理和监控，同时核算模型调用、Token、API、算力与自动化运行成本，确认系统在稳定性和成本上都适合长期运行。
Output · 测试体系 / AI 成本核算 / 运行与维护边界
持续维护
处理模型、接口、数据和业务规则变化；当新的高价值场景出现时，再单独扩展新的 Workflow 或自动化能力。
Output · 稳定维护 / 新需求迭代
WORK
已验证实践
目前只把真正做过、跑过的项目作为能力来源展示。商业案例与个人实践严格区分，不把未商业化项目包装成客户案例。
FLAGSHIP PRACTICE
More Job Auto · AI 自动化招聘工作流
把“从大量岗位中找到真正值得人工投入的机会”拆成完整系统：数据采集与去重、程序规则、AI 语义筛选、完整 JD 深筛、Human Gate、自动沟通、SQLite 状态与结果回写。
OPC AI 工作助手
已验证实践从自然语言目标出发，完成任务拆解、多 Agent 协作、状态跟踪、失败恢复与长期上下文管理。
AI Model Gateway
已验证实践把不同模型能力封装为统一 API，使上层业务、Agent 与 Workflow 不绑定单一模型入口。
学慧猫 · AI 学习助手
已验证实践把 OCR、LLM、多轮问答、学习诊断和 TTS 组合成一个完整可交互的 AI 产品流程。
资产化交付方法
持续沉淀把项目中重复出现的能力继续沉淀成 Skill、Workflow、Component、Pattern、Template 和 System，让下一次交付不再从零开始。
PRINCIPLES
交付原则
企业 AI 的难点不是 Demo，而是边界、风险、稳定性和真实业务结果。下面这些原则属于交付本身，而不是上线以后再补。
Scope Control / 范围控制
一期只做一个高价值场景，先明确目标、数据、边界和验收标准，不一开始建设“大而全 AI 中台”。
FOCUS · ONE VALUABLE LOOP FIRST
Human Gate / 人工确认
高价值客户、高风险外部动作、不确定判断等节点保留人工确认，让 AI 负责规模化处理，人负责关键决策。
CONTROL · HUMAN-IN-THE-LOOP
Test & Eval / 测试评估
用真实历史样本验证准确性、漏判、误判和稳定性。不是模型返回了结果，就等于业务可用。
QUALITY · REAL DATA BEFORE SCALE
Fail Safe / 异常保护
数据缺失、模型不确定、接口异常时，优先停止或转人工，而不是继续执行可能造成损失的动作。
SAFETY · STOP BEFORE WRONG ACTION
Progressive Automation / 渐进自动化
先辅助，再半自动，再根据真实效果扩大自动化范围。自动化程度来自证据，而不是预设。
SCALE · ASSIST → SEMI-AUTO → AUTO
Observability / 可观测性
关键状态、判断、执行结果、错误和人工反馈都应可追踪，方便复盘、调试、评估与长期维护。
TRACE · STATE / LOG / RESULT / FEEDBACK
CONTINUITY
长期维护服务
AI 系统上线以后，模型、接口、业务数据和企业规则都会变化。合理的合作方式是先跑通，再维护，再根据价值继续扩展新的需求。
运行监控状态、异常、执行结果
模型 / Workflow 更新能力变化与流程优化
数据与知识维护资料、规则、业务事实更新
安全与权限人工节点与操作边界调整
业务规则调整组织、流程和策略变化
新增场景老客户的新 Workflow / 新自动化
一期跑通 → 稳定维护 → 发现新的高价值节点 → 新需求重新评估与扩展