TIO AUTOPLAT · 智能层 · AIHub V1.6
AIHub企业级AI和知识底座
把分散在云模型、智能体平台、业务系统、文档与记忆中的能力，整理为企业可共享的智能供给。AI 一侧统一接入主流大模型、工业小模型、外部智能体与业务工具，并以认知体运行时编排执行；知识一侧以 Wiki 结构中枢 + RAG + 记忆组织企业知识。数字员工就建在这两个底座之上。
75%+
自主决策率
85%+
工具调用准确率
95%+
断点续跑率
99.99%
执行轨迹可溯率
AIHub
智能编排
拓扑 DAG、动态调度、HITL、子智能体
情境记忆
记忆树、信任治理、设备与客户履历
知识检索
Wiki L1/L2 先路由，Fusion RAG 再取细节
闭环执行
MES、小模型、微信/电话/邮件、MCP / Skill
执行证据回流记忆与 Wiki
* 以上为产品设计目标值，以正式发布版本与项目测评为准。
企业缺的不是又一个聊天模型，而是 AI 与知识的底座
真正的断裂点，是模型、知识、业务语义与执行动作仍散落在人、系统和渠道之间。
过去
人是中心
- · 翻 SOP 与工艺文件
- · 登录 MES / ERP / CRM
- · 电话催料、微信协调、邮件对齐
工作靠人串联，经验难复制，过程难追溯。
第一波
对话上屏
- · 能回答问题
- · 记不住设备履历
- · 看不懂产线结构，做不完跨系统工作
界面变了，岗位工作方式没有变。
现在
岗位级工作系统
- · 带着企业结构与岗位记忆
- · 自动组织多步协同
- · 在白名单内改系统、触达人，并将证据回流
从“能聊”走向“能做完”。
两个底座：AI 与知识
AI 底座回答“用什么能力、怎么做完”，知识底座回答“沿什么企业路径做”。没有知识，路径会漂；没有 AI 运行时，有图谱也只是静态档案。
AI 底座
- · 模型接入：支持主流大模型，以及工业视觉、声学、时序等小模型
- · 能力接入：外部智能体平台、MES / ERP 等业务系统经 MCP 工具可控接入
- · 认知体运行时：编排、记忆、执行，何时人审、失败如何换路
- · 开放与治理：OpenKey + MCP + Skill，能力白名单、租户限流与审计
知识底座
- · Wiki 结构中枢：企业业务如何组织，此刻应该走哪条路径
- · RAG 回答细节：L1 路由定位后再下钻文档与图谱
- · 记忆：设备、班次、岗位的情境记忆，带信任与纠错
- · 编译：执行证据驱动局部编译，提案审批后合图
数字员工 = 建在两个底座上的岗位配置
它不是一个大模型账号，而是带结构知识、记忆与执行边界的岗位单元。复制岗位时，只需更换 Wiki 绑定与工具白名单，无需重写人格。
数字员工 =
岗位目标
这类工作要达成什么结果
+
认知体拓扑
分几步、分支在哪、何处人审（HITL）
+
Wiki 绑定
此刻应沿哪条企业结构路径工作
+
记忆策略
这台设备、这个供应商已经知道什么
+
工具 / Skill 白名单
能改哪些系统、触达哪些渠道
可复制
岗位可复制到多工厂、多产线、多协同场景
可审计
从依据、判断到工具调用和系统改动逐步留痕
可迭代
成功与失败都沉淀为记忆、证据和结构提案
可治理
Wiki 提案与工具白名单共同控制上线边界
一次产线异常，数字员工如何做完
每一步都发生在“同一编排上下文 + 已载入记忆 + 已命中路径”之中。
1
告警触发编排
设备遥测事件触发岗位拓扑
2
载入记忆记忆
召回这台设备近 90 天告警与维保履历
3
命中路径知识
Wiki L1 定位设备族策略与备件 BOM
4
人审关键动作HITL
停线与换型决策经 HITL 确认
5
闭环执行执行
MES 冻结批次 → 微信通知班组 → 电话外呼备件商 → 邮件同步客户
6
证据回流回流
根因与处置时长写入记忆，缺口转为 Wiki 提案
变的不是界面，而是谁在组织工作
人从流程驾驶员转为关键节点的审批者；数字员工带着记忆与路径完成跨系统协同。
| 工作 | 传统方式 | 数字员工方式 |
|---|---|---|
| 产线处置 | 班长翻 SOP，再指导现场 | 载入设备/班次记忆 + Wiki 命中工艺路径 + 编排建议，必要时写 MES |
| 异常判读 | 工程师查履历后人工判断 | 记忆呈现历史告警 + 工业小模型判读 + 证据回流 |
| 跨系统排产 | 计划员在 ERP/MES/WMS 间切换 | 任务触发拓扑 + HITL 审批关键变更 + 全链可溯 |
| 工艺问答 | 新人问师傅、翻纸质 SOP | Wiki L1 定位工艺路径 + RAG 下钻，只读不误触工具 |
| 工业质检 | 目检、手工登记、班长复核 | 视觉小模型初判 + 分支复核 + 复检/自动过站 + 证据回流 |
| 多方协同 | 电话、微信、邮件反复对齐 | 系统动作与多渠道触达统一调度，同一 Trace 留痕 |
Wiki 回答路径，RAG 回答细节
Wiki 不是“更好的知识库”，而是企业知识的结构中枢与运行时路由面。员工做完一次，结构就更稳一次。
01
编译源
KB、会话摘要、高置信记忆、DataHub 目录契约
→02
局部编译
单源 WorkItem 增量编译
→03
提案闸门
无证据不固化，审批后合图
→04
运行路由
图谱健康走 Wiki，异常可回退
→05
执行回流
证据与失败继续进入编译
- 结构图谱
- L2 属性图承载实体、关系与证据，健康水位与导航下钻一目了然。
- 结构蓝图
- 蓝图定义类型、关系与谓词纪律，约束结构如何生长。
- 百科页面
- 知识库启用百科后编译出摘要页、实体页与概念页。
- 编译队列
- 按单源 WorkItem 增量编译，禁止整库一次性重写。
L2 属性图承载实体、关系与证据，健康水位与导航下钻一目了然。
| 传统 RAG | AIHub Wiki | |
|---|---|---|
| 怎么找 | 全文/向量检索命中片段 | L1 决策地图先指导调度，再按需下钻 L2 与文档 |
| 看见什么 | 若干命中片段 | 图谱上的决策路径、关系与结构健康水位 |
| 如何变准 | 继续灌入文档 | 执行证据驱动局部编译，提案审批后合图 |
控制台实拍
从岗位设计、上岗验收到运行审计，每一步都有可视化工作台。
- 拓扑编排设计器
- 分步、分支、人审、调度和执行都固化为节点。
- 智能体中心
- 一类工作一个岗位单元：分类、创建、启停与复制。
- 执行日志与 Trace
- 依据、决策、工具调用与系统改动全程可追溯。
- Skill Club
- 可装卸、可评测、可签名的岗位技能包。
- AI 仪表盘
- 上线后先看健康，再决定扩权。
分步、分支、人审、调度和执行都固化为节点。
五类能力，共同服务于员工上岗
01
工作一体
一类工作一个员工单元，固化在拓扑中，不再每次从零写 Prompt。
02
知识可路由
Wiki 路径 + RAG 细节，由调度在同一上下文中消费。
03
编排工程化
HITL 可打断，任务可断点续跑，调度失败可重规划。
04
执行可审计
从想了什么到调用什么工具、改了什么系统，逐步留痕。
05
开放可扩展
OpenKey + MCP + Skill；能力白名单、租户限流、Scope 隔离。
75%+
自主决策率
15+
背景记忆轮次
85%+
工具调用准确率
95%+
断点续跑率
80%+
重规划成功率
≤5%
幻觉率
99.99%
轨迹可溯率
95%+
长链路可解释率
* 设计目标值，以正式发布版本与项目测评为准。
差异不在模型品牌，而在 AI 是否带着企业知识去做事
成功进入结构，失败进入提案——这才是底座，而不是聊天套壳。
| 维度 | 传统智能体平台 | AIHub 企业级AI和知识底座 |
|---|---|---|
| 工作单元 | 一次对话 / 一次 Prompt | 可配置、可复制的数字员工，一类工作一个单元 |
| 记忆 | 会话历史堆砌 | 记忆树五层 + 信任 / 毒性 / 纠错，与执行同上下文 |
| 知识 | 单一向量库 RAG | KB 向量 + Wiki L1 路由 + L2 图谱，调度统一消费 |
| 执行 | 有限内置工具或外挂集成 | 统一调度 MES、小模型、微信、电话、邮件 |
| 模型 | 单一大模型 | 大模型编排 + 工业视觉/声学/时序小模型 |
| 编排 | 线性 Agent 或简单链 | 可视化拓扑 DAG + 动态调度 + 子智能体 |
| 恢复 | 重试或失败 | 断点续跑 + 重规划 + 失败转提案 |
| 飞轮 | 无闭环 | 执行证据回流记忆与 Wiki，越用越稳 |
四个一线场景
结构知识一直在工作；是否授予写权限，由岗位工具白名单决定。
MES 换型 / 停线
告警触发，关键参数经 HITL；记忆载入设备与班次；Wiki 命中换型工艺；MES 写单/冻批 + 多渠道通知。
工业质检
按置信度放行 / 复检 / 人审；视觉小模型 + MES 过站；缺陷证据回流知识库与 Wiki。
Andon 异常处置
远程复位 / 现场检修 / 换备件；召回近 90 天告警与维保；CMMS/MES + 多渠道协同。
车间只读助手
只读拓扑，沿工艺路线与 SOP 下钻；只输出路径与引用，未命中转知识缺口提案。
在 AUTOPLAT 中
AIDA 是企业每天使用的私有化智能体；AIHub 提供 AI 与知识；DataHub 供给已治理数据；AIBase 训练模型。
为企业建一个 AI 与知识的底座
预约演示，看模型、知识与智能体如何在同一个底座上运行，并把一类工作配置成数字员工。