AI 百宝箱——把分散的 AI 项目资产，沉淀为统一可复用的企业级能力平台
围绕公司内部 AI 建设初期的“烟囱式建设”问题，通过能力中台化、模型策略治理、能力产品化和 Agent 编排，构建统一的企业级 AI 平台，为办公提效、知识问答、投顾辅助、文档处理等场景提供标准化能力底座。
项目判断
我的核心职责
1. 业务背景：AI 建设初期，内部出现典型“烟囱式建设”
2023 年底大模型开始在公司内部落地，各业务线都在尝试建设自己的 AI 应用，但缺少统一底座，导致大量重复建设和资源浪费。
能力重复建设
不同团队重复接入模型、重复建设知识库、重复封装 Prompt 与工具能力，缺少统一标准。
资源与治理分散
算力资源、权限控制、日志审计、效果评估分别建设，导致成本高、治理难、数据难复用。
上线效率与产出受限
新应用上线周期长，通用能力无法沉淀，单点项目难形成复利，整体 AI 投入产出比不高。
2. 建设目标：把分散能力沉淀成统一、标准化、可复用的 AI 中台
平台建设不是简单做一个应用集合，而是为全公司建立可持续复用的 AI 能力底座，支撑应用快速搭建和后续专业智能体演进。
统一能力底座
统一沉淀模型、知识库、工具、Prompt、RAG、Agent 等 AI 能力，避免重复造轮子。
统一治理框架
统一权限、日志、审计、监控、模型路由和资源调度，满足金融场景对安全和合规的要求。
统一交付方式
通过标准 API、工具组件、技能中心和低代码能力，帮助业务方更快搭建应用和 Agent。
统一演进路径
让平台不仅支撑问答和办公助手，也能为后续专业智能体、超级智能体和多 Agent 协同提供基础。
3. 平台架构：从能力抽象到应用落地的企业级 AI 中台
我参与设计了“数据层、模型层、能力层、应用层”的整体能力框架，并结合记忆层、基础平台层和基础设施层，形成完整的平台型架构。
数据层
- 企业知识、业务数据、文档数据、用户数据
- 为知识问答、RAG、数据分析和个性化能力提供底层数据基础
模型层
- 私有化模型、第三方模型、业务专用模型
- 统一模型接入、模型路由、推理策略与成本控制
能力层
- 封装知识问答、文档处理、语音识别、数据分析、报告生成、Agent 等标准能力
- 通过 API、组件、工具和技能中心对外提供可复用能力
应用层
- 面向办公提效、知识问答、投顾辅助、文档处理等具体业务场景
- 在统一能力底座上快速搭建 AI 应用、专业智能体与超级智能体
🧭 AI 百宝箱应用架构图
该图展示了 AI 百宝箱从用户层、应用层、智能体层、能力中台层、记忆层到基础平台与基础设施的完整结构，也体现了外部系统、模型服务、向量库、MCP/工具网关等关键依赖。
4. 三个核心动作：能力架构、模型策略、能力产品化
我在这个项目中主要做了三类关键设计，让平台既能“搭起来”，也能“真正用起来”。
一、能力架构抽象
- 参与设计四层能力架构，对视觉、语音、大模型、知识库、Prompt、RAG、Agent 等能力进行分层解耦。
- 通过统一 API 和标准组件输出，解决不同应用重复接入和重复封装的问题。
- 让平台具备“底层可治理、上层可复用、场景可扩展”的结构基础。
二、模型与资源策略
- 采用“私有化模型 + 第三方模型 + 业务专用模型”的混合策略。
- 合规敏感场景优先走内部可控能力，通用办公提效类场景可接入外部成熟能力。
- 在安全、效果、成本与响应速度之间取得平衡，避免一刀切地依赖单一模型路线。
三、能力产品化
- 把底层能力封装成标准工具和技能，如知识问答、文档总结、数据分析、报告生成、语音识别等。
- 沉淀 50 多类 Prompt 模板与 RAG 组件，帮助业务方低代码快速构建 AI 应用。
- 后续进一步引入 Agent 编排能力，支持任务拆解、技能调用与结果汇总。
标准输出形式
统一 API、工具组件、技能中心、Prompt 模板、RAG 组件、Agent 编排框架。
典型工具能力
知识问答、文本生成、文档处理、数据分析、报告生成、语音识别、OCR 等。
平台治理能力
权限控制、调用监控、审计日志、效果评估、资源调度、技能管理、版本管理。
支撑场景
办公提效、知识问答、投顾辅助、文档处理、系统操作、企业服务协同等。
5. 超级智能体：让平台从“能力集合”升级为“任务执行入口”
在能力沉淀相对成熟后，我们进一步引入 Agent 编排能力，让系统不仅能回答问题，还能理解任务、拆解步骤、调用技能并组织结果。
为什么要做超级智能体
- 单一问答或单次工具调用，无法覆盖跨步骤、跨系统、跨技能的复杂任务场景。
- 企业内部越来越多需求不是“问一个答案”，而是“完成一项任务”。
- 因此需要让平台具备规划、执行、验证、反思和持续优化的能力。
它在平台中的位置
- 以平台沉淀的 Skills Hub 为工具底座，以短期/长期记忆为上下文支持。
- 由 Planner 负责任务理解与步骤规划，由 Executor 负责多 Agent 执行。
- 通过结果评估与反馈闭环，不断优化记忆、技能和执行策略。
🤖 超级智能体（Super Agent）流程图
该图完整展示了用户输入后，系统如何进行 Query 理解与重写、记忆读取、任务规划、技能调用、多 Agent 执行、结果生成与反馈闭环。
6. 业务成效：平台化之后，效率和复用价值开始显现
AI 百宝箱不是停留在架构设计层面，而是已经形成实际业务落地，明显提升了应用建设效率与业务使用效率。
平台层价值
统一沉淀能力之后，后续新应用不需要再从模型、工具、知识库、Prompt 开始重复搭建，真正形成平台复用效应。
业务层价值
办公提效、知识问答、投顾辅助、文档处理等场景都能复用底层能力，明显缩短交付周期，提高业务响应速度。
组织层价值
平台让 AI 建设从“各做各的”逐步走向“统一标准、统一治理、统一演进”，为公司后续 AI 建设打下更可持续的基础。
7. 项目核心价值：把 AI 从单点工具升级为企业级能力平台
我认为 AI 百宝箱真正重要的，不只是上线了多少个 AI 应用，而是它改变了公司建设 AI 能力的方式。
8. 我的贡献：产品规划、架构设计和落地推进
这个项目的关键不只是技术选型，而是需要把平台思路、业务落地和组织协同真正串起来。我在其中承担的是偏核心的产品与架构角色。
我重点负责的内容
- 完成企业级 AI 能力平台的产品规划，明确平台定位、建设目标和能力边界。
- 参与整体架构设计，推动数据、模型、能力、应用等多层能力解耦与统一封装。
- 制定模型与资源策略，兼顾金融场景下的安全、成本、效果和治理要求。
- 推动能力产品化落地，沉淀技能、Prompt 模板、RAG 组件和 Agent 能力。
- 推动平台从“能力中台”进一步演进到“超级智能体”阶段。