用自然语言构建企业级 Agent 应用

大模型能力突飞猛进，但真正落到企业业务里，大多数团队却卡在同一个难题上：没有算法团队，业务同学不会调模型，Token 成本和权限也没人管。AI 灵枢正是为破解这一困局而生——作为新一代企业智能体编排平台，它支持接入企业内部数据源与知识库，无需 AI 工程师，也无需新增团队，业务人员只需用自然语言描述需求，AI 便会自动生成完整的 Agent 应用即时使用，省去复杂的研发流程；同时提供私有化部署方案，确保数据安全可控。

关键词：#AI #Agent编排 #RAG #私有化部署 #企业AI转型

产品说明：

当企业想落地 AI 时，缺的不是模型，而是一套"编排系统"：聊聊 AI 灵枢的架构设计

AI 灵枢主视觉

写在前面

过去两年，大模型的能力突飞猛进，但真正要把 AI 落到企业业务里，大多数团队卡在三个地方：不会建（没有算法团队）、不会用（业务同学不懂怎么调模型）、不会管（谁来统计 Token 成本、谁来管控权限）。

我们做的 AI 灵枢（ailinshu.com），定位很直接——企业级 AI 智能体编排平台，一句话标语叫"万智互联，一枢统编"。它要解决的，就是让企业"零代码接入 AI、快速落地业务场景"，并且支持完全私有化部署。

这篇文章从工程视角，把它的核心能力、技术栈和部署方案拆开讲清楚。

---

一、整体架构：6 个微服务 + 统一前端

平台后端是 Go + Gin 实现的微服务架构，按职责拆成 5 个服务，前端用 Next.js 16 + React 19 统一入口，通过 rewrites 代理到各后端：

服务	职责
Auth Service	认证（JWT 双 Token + RSA 加密）、用户/角色/权限/租户管理
Agent Service	Agent、拓扑编排、统计执行、调度 Worker、模型配置、AI 检索
Execution Service	调度管理（CronScheduler）、执行记录、通知通道/规则
Knowledge Service	知识库、文档上传/分块/向量化、向量检索
Skill Service	技能 、分类/类型管理、链接注册、调用记录
前端（Next.js）	统一入口，代理各后端服务

配套基础设施：

• PostgreSQL
• Redis
• Milvus
• MinIO

多 Agent 协作架构

---

二、核心能力一：可视化 Agent 编排

这是平台的构建核心。Agent 编排器提供可视化拖拽式 DAG（有向无环图）拓扑编辑器，支持 10 种节点类型：

节点	说明
Supervisor	全局协调者，流程控制与子任务分配
ReAct	推理-行动循环，动态决策下一步
DAG	按预定义流程顺序执行
Parallel	并行执行多个子任务后汇总
HITL	人工审批，暂停等待人工确认
RAG	知识库检索增强
WebSearch	联网搜索
MCP	连接外部 MCP Server 工具
Condition	条件分支
Loop	循环执行

此外还有通知节点与数据库查询节点两类辅助节点，可对接 PostgreSQL / MySQL 执行 SQL。

编排完成后，每个应用关联一个系统提示词，支持自动生成 / AI 优化 / 手动编写三种方式。

智能体编排引擎拓扑

---

三、核心能力二：AI 工厂，自然语言到拓扑

更低门槛的入口是 AI 工厂。用户用自然语言描述业务目标即可，例如：

"统计每天订单数据，按类别分组，生成趋势图表，并推送到管理群"

平台会做关键词分析（订单/统计 → 数据库查询节点，推送/通知 → 通知节点），再用 LLM 编译生成差异化拓扑；LLM 失败时降级为规则编译。预览确认后即可生成可运行的 Agent。

---

四、核心能力三：知识库与 RAG 链路

知识库模块提供企业文档全生命周期管理：创建 → 上传 → 分块 → 向量化 → 检索。

• 支持 PDF / Word / TXT / Markdown
• 上传后自动：解析 → 语义分块 → Embedding 向量化 → 写入 Milvus
• Embedding 模型支持 OpenAI / DashScope / 自定义，Collection 维度自适应
• 异步处理架构：立即返回文档 ID → 后台最多 5 并发处理 → 前端轮询进度

检索时，查询文本经 Embedding 生成向量，Milvus 相似度检索返回 top_k 分块，并标注来源文档与相关度分数。

---

五、核心能力四：三源智能检索

首页仪表盘的全局 AI 检索，融合三种数据来源生成综合报告：

1. 企业知识库（RAG）：向量检索相关文档片段
2. 网络资料（Web Search）：联网搜索公开信息
3. AI 深度分析：大模型汇总多源资料，生成结构化报告并标注引用来源

三源融合智能检索

---

六、调度、执行与成本管控

调度管理支持三种触发方式：

• Cron 定时：如 `0 9 *` 每天 9:00
• Webhook：`POST /api/v1/webhook/trigger/{token}` 外部触发
• 手动：页面点击触发

执行监控对每次执行保留完整快照（指标、图表、AI 分析），历史可回看。通知通道覆盖企业微信 / 钉钉 / 邮件 / Webhook，消息含关键指标摘要、AI 结论与"查看详情"链接。

成本分析模块做 Token 计量与预算告警：按应用、按模型统计消耗，月度预算达到 80% 触发告警。

调度执行架构大致是：Execution Service 的 CronScheduler 每分钟扫描到期 schedule 并建执行记录，Agent Service 的 Worker 每 2 秒扫描待执行任务，跑 SQL + LLM 分析（30–120s），写快照并回写状态，最后推送通知。

---

七、私有化部署：数据不出企业边界

这是 AI 灵枢的重点能力。支持三种部署形态：

• 物理机部署：企业内部物理服务器，完全离线
• 私有云部署：VMware / OpenStack
• 容器化部署：Docker / Kubernetes

安全上做了四重防护：

• 数据传输加密（SSL/TLS + RSA-2048）
• 数据脱敏展示（敏感字段自动脱敏）
• 操作审计日志（全链路可追溯）
• 细粒度访问控制（API 级 + 按钮级）

还有几个工程亮点：2 核 4GB 即可运行、云端 SaaS 与私有化同库同构（44 张表）可 pg_dump 迁移、只要模型端点可达即可运行、不强制依赖外网。

私有化部署全景

---

八、上手成本与效果

官方给出的上手路径：30 分钟首个 Agent 上线，30 天内实现可量化 ROI。

典型企业（100 人团队）效果估算：

指标	使用前	使用后
知识检索耗时	30 分钟/次	3 秒/次（600×）
客户响应时间	4 小时	15 秒
报告生成周期	3 天	10 分钟
人工处理成本	¥50 万/年	¥8 万/年
年节省工时	—	2400 小时

3 年 ROI 约 520%，投资回收期约 3 个月（总投入 ¥130 万 → 总收益 ¥463 万）。

效率提升对比

结语

AI 灵枢不是又一个聊天框，而是一套把"模型能力"组装成"可运行业务应用"的编排系统，同时把权限、成本、调度、私有化这些企业真正在意的事都管了起来。

• 官网：ailinshu.com
• 定位：企业级 AI 智能体编排平台
• 核心卖点：零代码构建 · 多模型接入 · SaaS + 私有化部署

如果你也在做企业 AI 落地，欢迎在评论区聊聊你们踩过的坑。

平台能力全景