概念词典

会思考的大脑：知识渊博，但不了解你的公司。

大模型像一位知识渊博的实习生：什么都懂一点，反应很快，但不了解你的公司，也不能替你把事办完。在 AIDC 里，模型是可以更换的零件，由 Engine 按岗位派发。

会用工具的助手：能查资料，能把一件事从头做到尾。

智能体在大模型之上加了工具与行动能力，能查资料、用系统、把一件事从头做到尾。但它还只是临时的助理，谁都能雇一个；有了岗位、制度和工作记录，才成为数字员工。

有岗位的数字同事：职责明确，按公司制度办事，做过的事都有记录。

数字员工是坐在具体岗位上的智能体：职责写进岗位说明书，权限跟着岗位走，读的是公司自己的资料和制度。它在企业微信、钉钉、飞书或 Adis 里像同事一样被 @，由一位负责人持续训练，越用越懂这家公司。

员工入口：装在电脑上的数字员工工作台。

Adis 是 AIDC 的桌面应用，也是员工跟数字员工打交道的地方。新建一位数字员工只要一个名字和一段指令；本地的同事在你的电脑上工作，云端同事可以加进同一张团队地图。第一次打开时，输入公司发的 License 激活。

组织与治理：谁能干什么，在这里说了算。

Console 管组织、岗位、账号、License 与留痕。它不管数据内容，也不管执行，只回答一个问题：这件事，这个人或这位数字员工能不能做。只有管理员进得来，员工看到的是它的判断结果。

数字员工真正跑起来的地方，引擎名叫 AIDH。

Harness 是数字员工的运行层，引擎叫 AIDH。引擎常驻在机器上：每一轮对话都在本地计算，会话与记忆留在本机，登记设备和调度任务经过云端。一行命令装好，管理员在 Console 里指派和收回。

企业知识中枢：公司的数据聚到一处，长成不随人走的知识。

Nexus 把散在各个系统、网盘和聊天里的资料汇到一处，按公司自己的业务语言归位；数字员工照着它干活，管理者照着它决策。开发者发布的应用，成员也在 Nexus 上打开使用。

模型层：按岗位派模型，每一次调用都计量。

Engine 把模型单独做成一层：哪个岗位用哪个模型、模型跑在谁的机器上、每一次调用花了多少，都在这一层决定。换模型只换那颗「脑子」，岗位、流程、资料和权限一律不动。

角色、背景、任务、要求：把一件事交代清楚的四段。

随口一问，得到的是谁都能用的通用回答；按角色、背景、任务、要求四段写清楚，得到的是能直接用的产出。把「要求」写清楚的过程，就是把业务逻辑想清楚的过程。

回答所依据的那份文件或那条数据。

数字员工的回答附出处：依据的是哪份制度、哪张单据、哪个系统里的数。核对出处比盲信更快；答不上来的时候，它应该说「不知道」，而不是编一个。

写回业务系统之前，由人批准的那一步。

查询和写回不一样：数字员工可以查数据、出方案，但要改业务系统里的数据时，会先停下来等人批准。流程里必须由人批的环节叫断点，每个断点都有明确的负责人。

谁看了什么、改了什么的完整记录。

谁看了什么、改了什么、哪位数字员工动了哪个文件，都写进动作记录。出了事能倒查到具体哪一步，不靠回忆；账号收回或钥匙吊销之后，此前的记录也不会消失。

一家公司一张码：兑换即加入，设备拿到自己的钥匙。

License 是公司的准入。第一次打开 Adis 时输入公司发的 License，这台电脑就绑定到公司，拿到自己的算力钥匙；用量按设备计量，管理员随时看得见、收得回。客户侧只有两种角色：管理员与员工。

本地的用你电脑的算力，云端的用公司的。

在 Adis 里新建的本地数字员工在你的电脑上工作，会话、记忆与文件都留在本机。公司在 AIDC 上的数字员工是云端同事：粘贴一把钥匙，它就出现在你的团队地图里，和本地同事一起干活。

客户、订单、项目、物料这类公司每天在处理的「东西」。

Nexus 按业务对象归位资料，而不是按谁建的文件夹。把「这是一张订单」「这是同一个客户」认出来，不同系统里的不同叫法就对上了号，谁来查都是同一个答案。

用业务语言描述公司数据的一层：对象、关系、动作。

语义层把数据变成有意义的对象：每类对象有自己的属性，对象之间有关系，改数据要走定义好的动作，带着校验、权限和留痕。应用和数字员工读写的都是语义层，ERP 这类数据源永远只读。

建在数据之上、不随人走的四样东西。

把数据汇到一处只是地基，真正值钱的是建在上面的四类知识资产：行业语言、流程模板、技能与标准、决策问题库。它们是这家公司做事的方式，写进系统就不会随人离开，用得越久越厚。

数字员工会做哪些事，做到什么程度算合格。

技能与标准是四类知识资产之一，记下数字员工会做哪些事、做到什么程度算合格。写进系统之后，新同事上岗即会，老同事的经验也不再只装在某个人的脑子里。

管理者反复要问的问题，存下来，答案随数据自动更新。

这个月哪里在亏、哪个客户要跟进、哪条线要补人，这些管理者反复要问的问题存进决策问题库，答案随数据自动更新。它是四类知识资产之一。

集团、公司、部门、岗位、场景：往下一层，边界更窄。

Console 用五层描述一家公司：集团在多家公司之上，公司是一张 License 的边界，部门是数据与权限的分区，岗位是人与数字员工共用的编制，场景是一件具体的事怎么做。每一层都是一道边界，越权在这套模型里根本配不出来。

人与数字员工共用的编制，权限挂在这里。

岗位是公司编制表上的一个位置，不是通讯录里的一个人。人和数字员工都坐在岗位上，权限挂在岗位上：换人不用重配，新人上岗即拿到这个岗位该有的边界。模型也可以按岗位来派。

公司在 AIDC 登记的名字或短码，装引擎时用它加入公司。

在电脑上安装 AIDH 只需要两个参数：公司码和你的姓名。公司码不对，安装脚本停在第一步、什么都不下载；对了，装完即在公司名下登记，屏幕上打印「绑定成功」。换一个公司码，同一台电脑还可以加入另一家公司。

由电脑主动发起、连向云端的连接；电脑不开任何入站端口。

装了 AIDH 的电脑只向云端发起出站连接：领取任务、回传结果、上报心跳。它不监听任何入站端口，防火墙不用改；云端只记谁、什么时候、用了多久这类元数据，不保存对话正文。

模型装在自己的机房或专属机器上，数据不出厂。

私有化部署把模型装在企业自己的机房或专属机器上，网络可以断开对外，审计由企业自己掌握，适合涉密、涉及客户隐私和受监管的岗位。它和公有云模型可以同时用，在同一层里按岗位派发。

每一次调用都记在具体的数字员工、设备与岗位上。

逐次计量让月底的账拆得到人：用量和成本可以按部门、岗位、设备分开看，哪一段贵、贵在哪、值不值，一眼看得到，而不是收到一个笼统的总数。公有云模型按用量计费，私有化部署按机器计费。

管什么、看什么、答什么，以及什么不归它管。

每位数字员工上岗都配一份岗位说明书，写清它管什么、看什么、答什么、什么不归它管，并由部门负责人评审。边界写清楚，行为才稳定；越界回答或者推诿，往往是说明书没写清。

用公司真实业务出的考题，考过了才上岗。

数字员工上岗前，用这家公司的真实业务出题考它，至少十道，覆盖主要做法和已知的边界情况；通过率达不到门槛就不上线。上岗后犯过的错回流进题库，考题跟着员工一起长。

观察、诊断、处方、复验：诊断先于处方。

训练循环让已上岗的数字员工持续变强：先收集它工作中的证据，把失败归到六种原因之一，开出明确的处方，再重跑考题确认改进。不允许「感觉不对就改提示词」，每一轮都登记，改了什么查得到。

知识缺口、口径混乱、记忆问题、职责模糊、流程缺失、能力上限。

数字员工出错，原因可以归到六类，每类有对应的处方：缺材料就补录，口径冲突就指定权威文件，记忆出错就整理记忆，职责模糊就修订说明书，流程缺失就沉淀成 SOP，能力到顶就收缩任务边界。前五类当周就能修，只有最后一类要等平台升级。

一件具体的事怎么做：组织五层里最窄的一层。

场景是岗位上一件具体、反复发生的事，比如多家报价的对比、月度对账。每个岗位挑出最值钱的一到三个场景，写清输入、输出和完成的标准，先由人跑通一遍，再交给数字员工在真实任务上干。

一个场景的交代：输入、输出、完成长什么样、哪里必须人批。

场景卡把一个场景写成可以交出去的样子：用到哪些输入、产出什么、完成长什么样、哪一步必须由人批准、每个断点由谁负责。写清楚了，才交得出去。

自己反复发生的一件事：数据一变或到点就开始，每次交出一份结果。

Loop 把每天、每周或一有情况就要做的事固定下来，不再靠人想起来去交代。它有三个部分：触发（数据一变、到点，或有人点）、做事（查数据、计算、分析）、交付（报告、数据包、提醒，或写回语义层），每一次都存档。能由数据变化触发的，就不按时间跑。以前说的「Loop 系统」「定时任务」，统一叫 Loop。

发布在 Nexus 上、智能体和人都能用的一组能力：Skills 加 APIs，界面可选。

应用照 OpenAI 对插件（Plugin）的定义：Skills 教智能体把事做完，APIs 把数据和动作交给智能体与程序，界面只在人需要看和确认的时候才加。把应用页上的一句话复制给智能体，它就会用。应用不用安装，不存数据（删掉应用，数据还在），也不自己干活，自己反复做的事是 Loop。只读的看板也是应用。以前说的「插件」「Mini App」「小程序」「小工具」，统一叫应用。

写给智能体的一份做法（SKILL.md）：什么时候用、按什么步骤、调哪些 API、输出什么。

Skill 是应用的一部分，照 Agent Skills 的格式写成一份 SKILL.md：开头的 description 说什么时候用，正文写输入、步骤、输出和不能做的事。智能体读了就会做，不用另外训练。它和「技能与标准」不是一回事：后者是公司的知识资产，Skill 是应用教智能体怎么用它的那份说明。

场景沿业务流串起来：上游的产出自动成为下游的输入。

把部门里的场景沿业务流串起来，就是部门价值链：数据沿链流动，结果自动回流，人只管断点。再往前一步是跨部门连线：用数据的部门定标准与时限，卡在哪个部门，系统里看得见。

企业 AI 是公司战略，不是 IT 项目，由一把手亲自动员。

建设从一把手的动员会开始：宣布这是公司战略，不是 IT 项目；指定一名 IT 接口人，每个部门一名数据接口人。三个阶段的验收人逐级上升，最后一个阶段由一把手亲自签收。

按期交付、按标准签收：达标的签收，不达标的下期补上。

阶段一、二每两周一个交付期，阶段三每月一期；双方各自要做的事和期末的验收标准，都写在明面上。每期最后一天开验收会，达标的签收，不达标的项进入下一期补上，不悄悄滑过。

按泄露的后果和本来的读者，把数据分成对外、内部、受限、机密四级。

定级是每份数据的第一个决定：级别不清，放在哪、给谁、设什么关卡都没有依据。级别跟着数据走，不跟着部门走；拿不准标高一级，没定级的按最严处理。产品里落地为公司级、部门级、小组级。

数字员工的两种可见性：public 公司里所有人可用，private 只给管理员授权的人。

C-level、财务、人事岗位的数字员工，以及你在 Adis 里自己新建的本地数字员工，一般是 private。private 可以向 public 要资料，public 读不到 private 的。资料的 Public 是另一回事，指所有登录 AIDC 的账号。

由机密原件处理出来、去掉敏感内容、经人批准才上云的结论或汇总。

原件留在本地，派生品（汇总的数字、去掉名字的结论、只留区间的价格）经负责人批准后放上云端，让云端的数字员工随时可答。拿不准够不够干净，就当原件处理。

让人在关键位置把关的一道手续：定级、放行、批准动作。

关卡不在多，在该在的地方。伤害小、能收回的，让数字员工直接办或办完抽查；伤害大、收不回、波及外部的，先批再办；战略、资金、法务、人事、客户承诺、生产系统变更这六类决定，最终拍板永远在人手里。

能指向具体某个人的信息：客户的电话住址，员工的证件、薪酬、健康状况。

个人信息除了要保密，还受法律管。通行的底线是：最小必要、目的限定、保存有限、个人的权利、出境要评估。涉及个人信息时，公司是处理者，AIDC 是受托方。这不是法律意见，具体以适用的法规和合同为准。

每位数字员工都有的、随时能按下的开关：让它立即停止工作。

上线八条底线之一：负责人可以随时暂停一位数字员工，不用重启整个系统。出了事，先按开关，再查记录。一个停不下来的自动化，不管表现多好都不该上线。

公司原有的系统：ERP、MES、OA、表格。永远只读。

数据源是公司本来就在用的系统。AIDC 不改它们，应用和智能体也不直接连它们：数据由连接只读地带进来，改数据走语义层里的动作。

把数据源的变化带进 AIDC：变了才推，不轮询。

数据源旁边装一个发布端，它只有一把只能往一条数据流发布的 Key，发现变化才推一批上来。AIDC 按顺序落账、保存最新状态，几秒内通知所有订阅方。没有变化就什么都不发生，也不会有十几个看板各自去查同一个 ERP。

进到 AIDC 的业务对象和它们的当前值，每次变化都有记录。归公司，不归应用。

数据从数据源经连接进来，落在数据层，再由语义层起好业务名字。所有应用和智能体读的是同一份数据：删掉一个应用，数据还在；换一个应用来看，看到的还是同一份。

改数据的唯一入口：参数、校验、谁能做、留痕。

动作是语义层里事先写好的一次修改：要哪些参数、改哪些属性、哪些角色能做，以及写进日志的一句话。应用上的按钮、工作流里的写回、智能体的一句「帮我登记」，执行的都是动作，所以一条规则只写一次。代码和命令里叫 Action。

一个 Loop 什么时候开始：数据一变、到点，或有人点。

先问：是不是数据一变才需要做？是，就用数据变化触发，没有变化时不花钱；只有时间本身就是条件的事，比如日报、月底对账，才按时间跑。每天一次是常态，比每小时还密会被提醒。

把各部门应用的能力、计算和 AI 分析串成一条流程。

各部门的应用发布之后，工作流把它们对外提供的查询和动作连成流程，比如报价：询价、材料清单、行情、工艺、核价，最后生成报价草稿。它可以手动运行、预演，也可以在数据一变时自动运行，属于 Semantic 的自动化（Automate）；带触发条件的工作流，是开发者写 Loop 的常用方式。

人看到、点到的那一层：应用的页面。永远是最后一层。

界面只负责呈现和交互，不存数据、不写规则，调的也是和智能体同一套 API。所有应用共用界面 SDK 的按钮、表单、卡片和表格，所以看起来一致，也最容易换。

怎么算、怎么改的规则。在 AIDC 里分在动作、工作流和智能体三处，不写进应用。

传统软件把规则写在软件内部。AIDC 把它拆成三类：改数据的规则写成动作，多个步骤的流程写成工作流，需要判断的事交给智能体。这样同一条规则只写一次，按钮、表单和智能体执行的都是它。

能力之间说话的约定：发什么、回什么、出错时回什么。

AIDC 的每个能力都先有 API，再有命令行，最后才有界面，界面也只调同一套 API。所以每个能力都能被发现、被测试，也能被智能体直接调用：人能做的事，智能体一定也能做。

API 的命令行形态：aidc，人和智能体都能用。

在终端里打 aidc 命令，就能开发、测试、发布。每条命令都能输出 JSON、有稳定的退出码、不会停下来等人输入，有副作用的命令都能先用 --dry-run 预演，所以智能体用起来和人一样顺手。

API 的代码形态：在页面里 import 就能用。

SDK 把 API 包成现成的代码，从界面、视觉、语音，到数据平台语义（Semantic）与发布。应用用到哪个，就在清单里登记哪个；用了没登记的，部署时直接拒收。

调用 API 的凭证。开发者 Key 只放在命令行和服务端，绝不写进页面。

不同的 Key 做不同的事：开发者 Key 给命令行和服务端，Agent Key 用来调用智能体，发布端的 Key 只能往一条数据流发布。页面里的应用不用 Key，用平台发的短时票据，只能做清单里声明过的事。用完的 Key 及时吊销。

用标准叫法写的需求：数据、动作、Loop、应用、权限、完成的样子。

一句「做个看板，有问题能处理」，谁都没法照着做。需求卡把它拆成六格：读哪些对象、要哪些动作、有没有 Loop、应用给谁看和改、谁能打开、怎样算做好。写清楚之后，开发者和智能体都能照着做，也能照着验收。

智能体开发引擎：九个 SDK、一个命令行、开箱即用的模型。

在 AIDC Developer 里用 SDK 和 aidc 命令行开发应用，先在 test 通道预览，确认后原样发布到 Nexus 给全公司使用。每个能力先有 API、再有命令行、最后才是界面，所以智能体能做的事，人也能做。

描述企业数据的一套语言：名词（对象、属性、关系）加动词（动作）。

本体把一家公司的数据分成两半：语义部分说有哪些东西、各有什么属性、彼此什么关系；动力部分说能对它们做什么。Semantic 用本体描述数据，人、应用和智能体按同一套名字读写。

一类业务对象：主键、标题和带类型的属性。

对象类型描述一类东西，例如客户公司、订单、工单。属性有类型，写入时检查；有些属性不存，读的时候沿关系算出来（派生属性）。代码和命令里叫 Object Type。

几个对象类型共有的形状，让它们能被当成一组来用。

模型用量和云费用是两类对象，但都有月份和费用。它们实现同一个接口之后，就能一起查询、一起按月汇总。接口可以继承另一个接口。

带约束的类型：规则写进类型里，写入时校验。

「公司 ID 必须以 cell- 开头」「客户阶段只能是试点、付费、暂停之一」「金额不能小于 0」，这些规则写成值类型，用到它的属性和动作参数都会在写入时检查。

一组对象：筛选、沿关系走、并交差，每一步都是业务语言。

「座位数超过 30 的付费客户的全部智能体」就是一个对象集：先筛客户，再沿关系走一步。对象集可以取回、可以聚合，也可以临时加上派生属性。

智能体改本体的唯一方式：在分支上改，带证据提案，由人逐项批准。

智能体不能直接改大家正在用的本体。它在分支上改、自测，开一份提案，附上触发原因、改动、校验、影响面和破坏性改动。人在网页上逐项批准，全部通过才合并，发一个新的语义版本。批准不接受任何 Key。

看对象的表格：筛选、排序、分组计数；点开一行是 Object View。

在 /semantic 左栏点 Objects，选一个对象类型就打开 Object Explorer：一列一个属性，一行一个对象。点开一行是 Object View，能看到这个对象的属性、关系、编辑历史和可以执行的 Action。表格只用来看，改数据走 Action。

用 SQL 只读地查本体：表名是对象类型，列名是属性。

每个组织在 Semantic 里有一个自己的 Postgres schema：一个对象类型一张表，多对多关系、接口也各一张，直接读对象的当前值。只收一条 SELECT，最多 10,000 行、20 秒。本组织的开发者还能轮换口令，用 psql 或 BI 工具只读直连。

一个资源的开放程度，从窄到宽四档：只有 Owner、指定的人或部门、所有登录账号、任何人。

Private 只有 Owner，可以有多个。Group 是指定的人、部门或整个本组织，邀请链接也属于它。Public 是所有登录 AIDC 的账号（跨组织），只读，不含匿名访客；授予对象叫 Everyone，授予了 Everyone 的资源都列在 /semantic/public。Open to Internet 是任何人，不用登录，只读；默认关闭，只有 Owner 能开，开启要二次确认，目前只有文件支持。每一档都比上一档更开。

资源上的三种角色：改分享、改内容、查看和使用。

Viewer 查看、使用：对智能体是对话，对 Ontology 是查询和 SQL 读。Editor 还能改内容：对 Ontology 是执行 Action 改数据，对文件是编辑；但不能改分享，也不能改 Object Type 的结构（结构走提案，智能体起草，开发者审核、合并）。Owner 还能改分享与访问设置、添加其他 Owner、删除，可以有多个。只有 Owner 能改分享；Public 与 Open to Internet 只能给 Viewer。Object Type 继承 Ontology 的访问：只能跟随 Ontology，或单独设为 Public。

持链接的人先登录，兑换成一条 Viewer 授予；属于 Group。

Owner 在 Share 里生成邀请链接，只有 Viewer，缺省 30 天有效。拿到链接的人先登录 AIDC 账号，链接兑换成一条给他本人的 Viewer 授予，再跳到资源。撤销链接后不能再兑换；已兑换出的授予要单独撤销。

Action 执行前逐条核对的检查：拿参数和对象当前的值比，不满足就返回事先写好的那句话。

参数限制只看参数自己，提交条件要拿参数和对象当前的属性值比，比如「申请的座位数要比现在的多」。每一条配一句失败信息；执行时只报第一条不通过的，「只校验」会把每一条都列出来。条件在执行的那一刻按当前的值核对，所以过时的申请也拦得住。

把参数和提交条件逐项检查一遍，什么都不写。

只校验（API 里的 VALIDATE_ONLY，命令行的 --validate-only）返回每个参数、每条提交条件的结果，一个字也不写，也不留 Action Log。界面用它在人确认之前把问题摆出来，脚本用它预检。校验不通过时命令行退出码是 2。

数据一变就执行：条件加效果，不轮询。

自动化由条件和效果组成：条件是某类对象新建或修改并满足过滤（trigger.change 加 when），效果是执行 Action、模型分析或通知。它读 Semantic 的变化账，不轮询、不写定时任务。它以「提供方应用 × 成员角色」执行，不会越权成开发者，所以要给它一个把策略写进提交条件的专用 Action。

Action 在规则之前调用外部系统；失败则整个 Action 不生效。

要真的改外面的系统——关一台服务器、回写一张单据——就给 Action 配一个 writeback webhook。它在校验通过之后、规则之前调用：外部系统接受了，语义层才记这一笔；被拒绝或超时，一条都不改，原因还给执行的人。只校验和预演不会真的调用。目前能用的数据源只有 AIDC 平台的 aws，只给 AIDC 自己的组织。

不管有没有变化，每隔一段时间去问一次。

轮询的成本只看次数，不看数据有没有变：每 5 分钟一次的任务，一个月要跑 8,640 次。AIDC 的做法是数据一变才触发，把定时留给「时间本身就是条件」的少数事。

数据源在 Semantic 里的只读映像：原件留在原地，读的人都读镜像。

发布端把数据源的变化按顺序推进 Semantic，就形成了镜像。应用、智能体和 SQL 读的都是这一份，数据源不再被一堆脚本轮流查询；数据源断了，数据流带着的健康状态会让页面看得见。

同一个对象两次运行之间，至少隔多久。

数据变化触发里的 cooldown 让同一个对象在冷却期内只运行一次，告警类的工作流一定要写；否则同一个物料会反复提醒。通知另有去重和冷却，每天还有数量上限。

专门检查「数据该来却没来」的定时检查。

数据不来，就没有变化可以触发，所以要靠一个固定时间的检查去问一句：数据多久没更新了？它是定时最正当的用处之一。

放在机器拦得住的地方的限制，不靠自觉。

网络、凭证、引擎配置、部署检查、运行上限、巡检和变更审核，是统一平台里的七层护栏。它们让「直连数据源」和「随手建定时任务」这两条路不再走得通。