乾知智能推出可信业务Agents中枢：破解企业AI业务执行难题

这套产品以数据集为内核、业务流Harness为可信基座，目标是让通用智能工具与企业既有业务系统之间形成可评测、可复用、可进化的连接。

北京乾知智能技术有限公司（以下简称“乾知智能”）推出了核心产品“可信业务Agents中枢”。它盯住的是企业AI从对话辅助迈向业务执行之后的一个关键问题：Agent怎样才能真正读懂业务规则、调用既有系统，并且在结果可验证、过程可追踪的前提下，稳定、快速、省Token地跑起来。

企业Agent的准入门槛，正从模型能力转向业务可信。

通用智能体如今已经能读文档、写代码、调工具，可一旦进入真实业务场景，模型“会做”和企业“敢用”之间还横着一道沟。拿一笔采购合规审查来说，合同文本、供应商主数据、预算科目、审批记录、发票影像可能同时牵扯进来；一次财务稽核也不只是发现报表异常，还得弄懂报表之间的勾稽关系、会计制度口径和监管规则。

这类任务的难点，靠堆模型参数或者加提示词很难解决。企业的业务逻辑往往沉在数据库关联、既有系统规则和专家经验里，散落在ERP、财务、OA、采购等不同系统。通用Agent即便通过多轮对话把一次任务做完了，也难以稳定复现，多人多次执行下来，效果没法保证几乎一致。

乾知智能的做法，既不是替换企业原有业务系统，也不是让大模型把全部业务重新“硬算”一遍，而是在通用智能工具与业务系统之间加一层可信业务中枢，把AI探索规划出来的业务处理过程固化成业务流。平台依靠业务连接、本体自动化、Agents固化和RSI进化，把一次性的智能探索变成可复用、可评测、能持续改进的业务流程。说白了，就是把“定规则”和“用规则”分开：业务探索、流程规划、校验标准的制定，统一放到流程版本迭代时一次做完；日常业务处理只管执行，不再重复这些动作。运行时照样要校验，但校验维度和规则可以按场景配置，不必死守一套。企业级Agent一旦面对大规模数据，业务流固化就是硬要求：没有沉淀好的流程兜底，每次调用都得让模型现场推理，成本会以Token的形式不停泄漏，直接吃掉业务利润。

以数据集为内核，让Agent读懂业务关系。

这套中枢的核心，是乾知智能自研的“业务流Harness”。平台通过MCP连接器与技能包，对接主流编程与办公智能工具，以及企业既有的ERP、DRP和数据中台，让上层模型能调用底层业务能力，同时把企业现有系统中的规则与流程资产保留下来。

不少Agent平台主要靠变量或文件来承载业务，业务流Harness走的是另一条路——把数据集当作运行内核。流程节点之间，结构化数据和非结构化资料由ProtoDataSet负责传递；Proto原型则随时支撑业务语义层面的查询与溯源，本体对象、属性、规则，以及用其他方式定义的元数据都涵盖在内。联查、透视、分组、过滤、勾稽这些操作，由此可以直接做成业务流程里的节点，不必再拆成一堆一次性变量赋值或临时脚本。

在数据集内核之上，乾知智能把数据加工、大模型处理、机器学习以及API和MCP调用统一封装成可视化、可调试的处理节点。业务人员用智能工具做完一次审查或分析，就能把有效的路径固化为标准业务流Agent。流程里的确定性任务交给数据处理和规则节点，大模型则集中做规划、理解、抽取与生成，减少重复探索带来的不稳定。

业务语义这块，由本体开发引擎来补足。业务流Harness和本体引擎无缝对接，被乾知视为本体自动化执行的最佳底座。业务规则在乾知这里用接近自然语言的公式来表达，语法兼容财政与央企决算报表，表间自动关联、取数优化都支持，规则还能映射到数据库指令或接口API；有些图查询需求，交给关系型数据库查询也能接住。企业要搭业务语义层，实施成本因此降了下来…

把“可信”做成一套可执行的发版机制。

财务、采购、监管和审计这类低容错场景，演示时成功一次，并不代表就能上生产。业务流Harness因此把自动化可信评测单列一层：Agent发布之前，先用历史数据或模拟数据跑一遍评测，找出结果不一致的样本，再通过调整流程、优化提示词、补充样本库来迭代，达标之后才发布。

上线以后，平台还能把错误案例沉淀成负样本，靠差异归因、扩样和回归测试推动后续改进。乾知多智能体学习平台已经为客户智能精筛、标注数百万语料，这些能力全部以工具和技能的形式接入业务流RSI（Recursive Self-Improvement）进化引擎。这里改进的对象不是基础模型参数，而是业务Agent的流程、提示词、规则与样本资产；每一次业务纠错，都可能变成下一次发版的测试依据，或者下一次推理的参照样本。

这套机制让Agent可靠性不再依赖个人的调试经验，而成为一个可测试、可追踪、可回归的工程过程。对企业来说，可信不只是答案更准，还意味着发布之前有验证、运行之中有记录、出了问题有定位和修正的路径。

流程复用，同时回应准确率、速度与Token成本。

业务流固化还有一项价值，就是减少Agent运行阶段的重复规划与探索。已经验证过的数据关联、规则计算和系统调用可以直接复用，模型不用每次都从头理解流程、生成脚本、反复纠错。流程因此不只承载业务知识，也成了提升运行效率的技术手段。

过去三年，乾知做完了数百万份报告，覆盖内控、财报、招投标等领域，还审查了2亿份佐证文档。用到的智能体在发布时准确率全部超过90%，其中一半达到95%，这一结果基于智能标注加业务专家复核的语料集。对比测试显示，业务流固化之后，智能体跑得更快，速度提升10倍，Token消耗只剩原来的十分之一。这些指标来自企业自身的业务实践，具体表现跟业务场景、数据基础和模型配置都有关系。

准确率靠的是自动化评测、RSI迭代、可信发版和负样本学习；速度与Token成本，则来自把AI的探索、规划、校验前置、挪到发版阶段，这一环节大量使用本地开源模型；开发效率的提升，受益于本体语义、可视化编排与自动化验证。目标并非拿流程取代大模型，而是让模型能力在确定性的业务框架里施展——用流程把AI能力固化下来，而不是让不确定性较高的AI直接去处理业务。

从一次性交付，走向可积累的组织智能资产。

数据量大、结构化数据与文档资料混在一起的场景，正是可信业务Agents中枢的用武之地。这类场景里，大模型管的是材料理解、要素抽取和归纳；业务流则负责跨系统取数、执行规则、过程留痕以及异常流转。两边配合起来，才能走完从“读得懂”到“办得完”的全程。

流程、语料、样本和技能固化下来之后，还能接着沉淀成企业资产——在乾知智能看来，这一点更关键。业务专家的经验从此不必只装在个人脑子里，也不会散落在一次对话中，而是借由流程和评测集被反复使用、分享和迭代。对要长期建设AI能力的大型组织来说，这种把能力变成资产的路子，比单次任务演示更贴近生产系统的真实需求。乾知智能表示，接下来会围绕业务流Harness、本体自动化与可信评测体系持续投入，让业务Agents进入更多规则密集的场景复制落地。通用模型和智能工具还在往前走，乾知智能想占的位置并非又一个模型入口，而是AI大脑与业务系统之间的那座桥——负责连接、理解、执行，也就是可信AI中间件。

乾知智能2022年成立，做的是企业级可信AI智能体平台，以及监督审查、穿透式监管智能系统的研发。公司此前已完成天使轮融资，眼下正在推进Pre-A轮融资。

这里说的“智能系统”，建立在同一套本体语义之上，同时提供 API、数字员工和 MCP 接口，交互方式与呈现形态由系统自主选择。传统业务操作、自主 AI 与外部 AI 三类指令，走的是同一套执行逻辑和校验规则，体验、便捷、效率与研发成本都能顾到。