AI Native 系统构建 Skill

使用场景

• 试验展开已验证能力成立，需要转为可维护、可交付、可治理的产品系统
• 需要设计 AI Native 产品架构，而不是简单把模型 API 接入旧系统
• 需要判断实验代码中哪些可以继承，哪些必须重写

核心概念

• 系统构建（Building）：把已验证能力改写为可维护、可治理、可观测系统的阶段
• 能力系统：由智能体、技能单元、工具、模型、数据、记忆系统、上下文等共同组成的产品能力底座
• 实验代码：用于快速验证假设的短周期代码
• 产品代码：用于长期承载能力、支持治理和迭代的系统代码

系统构建流程

实验证据输入
  → 系统边界定义
    → 能力模块设计
      → 治理与观测补齐
        → 进入审计放行

第一步：实验证据输入

从试验展开阶段继承：

• 能力边界：哪些场景能稳定成立
• 产品形态建议：问答、Copilot、工作流、智能体
• 资料缺口：已解决和未解决的
• 风险边界：必须人工接管的动作
• 失败案例：已沉淀的失败模式和人工修正

第二步：系统边界定义

系统构建不是补工程细节，而是重写系统形态。需要回答：

• 这项能力如何被稳定调用
• 它如何与产品交互、工作流、知识系统和权限体系协同
• 它在失败时如何退回、解释、降级或交还给人
• 它如何被监控、被审计、被持续优化

第三步：能力模块设计

AI Native 架构的核心结构

User
  → Agent
    → Skill
      → Tool
        → System
          → Model
            → Data

这是一个多层能力系统：

• 智能体（Agent）：负责理解目标与编排任务
• 技能单元（Skill）：封装可复用能力
• 工具（Tool）：连接外部系统
• 模型（Model）：提供推理能力
• 数据（Data）：提供知识与记忆基础

传统架构 vs AI Native 架构

维度	传统软件架构	AI Native 架构
稳定中心	功能执行链	能力执行链
抽象单元	模块/接口	智能体/技能/工具
输入组织	数据库/表单	上下文/记忆/知识
失败处理	异常捕获	回退/降级/人工接管
治理重心	权限/审计	边界/观测/放行

第四步：治理与观测补齐

系统构建的目标不是尽快交付一个可演示版本，而是形成一个可被审计、可被维护、可被持续优化的系统结构。

必须补齐的治理能力

• 可观测性：系统如何被监控，关键指标是什么
• 可审计性：如何追溯输入、上下文、模型版本、工具调用、人工接管、最终结果
• 可回退性：失败时如何降级、回滚、交还给人
• 可更新性：模型、提示词、知识、工具如何独立更新

实验代码 → 产品代码的转换原则

1. 实验代码证明的是"能力在某些条件下可以成立"
2. 产品代码要解决的是"能力如何被稳定调用、失败时如何处理、如何被治理"
3. 很多团队失败不是因为模型不行，而是因为没有完成这次系统形态转换

输出物：系统构建方案

1. 系统边界：能力范围、用户角色、权限分层
2. 能力模块图：Agent → Skill → Tool 的层级结构
3. 失败处理策略：回退、降级、人工接管的触发条件
4. 治理与观测方案：监控指标、审计记录、异常处理
5. 进入审计放行的条件：什么条件满足后可以进入审计放行

使用方式

当用户提供实验结论报告时，自动执行：

1. 检查实验证据是否充分
2. 定义系统边界（能力范围、用户角色、权限）
3. 设计能力模块图（Agent/Skill/Tool 分层）
4. 设计失败处理策略
5. 补齐治理与观测方案
6. 输出系统构建方案

示例

示例：AI 客服系统从实验到产品

场景描述： 基于已完成的实验结论，将 AI 客服原型系统转化为可维护、可治理的生产系统。

用户输入： 实验结论报告：AI 客服 Copilot 能力验证

Skill 执行流程：

1. 实验证据输入

从实验阶段继承的证据:

能力边界:
  - 订单查询: 92%准确率 ✅
  - 物流解释: 85%准确率 ✅
  - 售后政策: 78%准确率 ⚠️（需改进）
  - 投诉处理: 不适合AI ❌

产品形态建议:
  - 类型: Copilot（人工确认模式）
  - 界面: 侧边栏候选回复
  - 关键交互: 一键采纳、快速编辑

资料缺口:
  - 需补充200条售后政策边界案例
  - 需建立敏感承诺规则库

风险边界:
  - 退款、赔付相关: 必须人工确认
  - 价格相关: 必须引用最新数据源
  - 情感升级: 自动转人工

2. 系统边界定义

维度	实验阶段	系统构建后
用户范围	内部测试客服	全部一线客服
能力范围	订单+物流	订单+物流+售后（80%+准确率）
权限分层	单一角色	专员/主管/管理员
可用时间	工作日白天	7x24小时
失败处理	直接报错	优雅降级+人工接管

3. 能力模块设计

# AI Native 架构：AI 客服 Copilot

系统边界:

  用户层:
    - 客服专员（主要用户）
    - 客服主管（审核/管理）
    - 系统管理员（配置/监控）

  产品层:
    - 客服工作台界面
    - 浏览器插件 / Web端

  能力系统层:

    Agent层（CustomerServiceAgent）:
      - 目标理解: 识别用户意图、情绪
      - 任务规划: 选择Skill、编排执行顺序
      - 结果组织: 组装回复、标记风险

    Skill层:
      - UnderstandIntent: 意图识别（92%准确率）
      - QueryOrder: 订单查询
      - TrackLogistics: 物流追踪
      - GenerateResponse: 回复生成
      - CheckRisk: 风险检测

    Tool层:
      - OrderSystem.query: 订单系统查询
      - LogisticsAPI.track: 物流API
      - KnowledgeBase.search: 知识库检索
      - CRM.getUserProfile: 用户画像

    Model层:
      - GPT-4o: 主推理模型（意图理解+回复生成）
      - text-embedding-3: 向量化（知识检索）

    Data层:
      - 知识库: 政策文档、FAQ
      - 案例库: 成功案例、失败案例
      - 记忆系统: 用户偏好、会话状态

  治理层:
    - 可观测性: 指标监控、日志审计
    - 权限控制: RBAC
    - 失败处理: 降级+人工接管

4. 失败处理策略

失败场景	触发条件	处理策略	人工接管
意图识别失败	置信度<70%	提示"请重述问题"	连续2次 → 人工
订单查询失败	API超时	提供自助查询链接	用户要求 → 人工
高风险内容	涉及赔付	只生成候选，不发送	必须人工确认
模型服务异常	API不可用	关闭AI建议，纯人工	自动
多轮对话失控	超过10轮	建议转人工	自动转人工

5. 治理与观测方案

可观测性:

  监控指标:
    - 采纳率: >60%
    - 修改率: <40%
    - 响应延迟: P95<2s
    - 服务可用性: 99.9%

  审计日志:
    - 每次请求: 输入摘要、模型版本、上下文
    - 每次输出: 建议内容、置信度、风险标记
    - 每次人工操作: 采纳/修改/拒绝 + 原因

可回退性:
  - 功能开关: 可关闭AI建议（5分钟内）
  - 模型降级: 主模型异常时切换备用模型
  - 人工接管: 指定场景自动转人工

可更新性:
  - 模型: 支持A/B测试切换
  - 提示词: 独立配置，热更新
  - 知识库: 增量更新，无需重启
  - 规则: 实时生效

输出结果:

# 系统构建方案：AI 客服 Copilot

系统边界:
  用户: 300名一线客服 + 30名主管
  场景: 订单查询(92%)、物流解释(85%)、售后咨询(78%)
  边界: 投诉处理、高风险承诺不在范围内

能力模块:

  Agent层:
    - CustomerServiceAgent
    - 负责任务编排、边界控制

  Skill层（6个）:
    - UnderstandIntent / QueryOrder / TrackLogistics
    - GenerateResponse / CheckRisk / SummarizeSession

  Tool层:
    - 订单系统、物流API、知识库、用户画像

  Model层:
    - GPT-4o（主）、Claude-3.5（备）

  Data层:
    - 知识库、案例库、记忆系统

失败处理:
  - 12种失败场景定义
  - 分级处理策略
  - 自动转人工机制

治理方案:
  - 7大类监控指标
  - 完整审计日志
  - 5分钟热回退能力

进入审计放行条件:
  ✅ 实验证据完整
  ✅ 系统边界清晰
  ✅ 失败处理策略完备
  ✅ 治理方案就绪
  ✅ 团队准备就绪（已培训）