# AI 工单平台新版产品蓝图 日期：2026-07-10 状态：已确认 定位：新版唯一主蓝图（Blueprint V2） ## 1. 文档定位 本文以当前代码和已完成能力为新起点，重新规划后续产品阶段。此前的 Stage 0、Stage 1、Stage 1.5、Stage 1.6、Stage 1.7、Stage 1.8、Stage 2 和 Stage 2.5 文档继续保留，用于追溯设计与实施历史，但不再承担后续阶段排序职责。 后续新增设计、实施计划和进度记录统一引用本文。若旧路线图与本文冲突，以本文为准。 ## 2. 产品目标 建设一个面向单企业私有化部署的 AI 原生技术支持工单平台。平台以工单和业务知识为核心资产，以模型、智能体、技能和 MCP 工具作为能力放大器，以权限、人工确认和全量审计作为可信边界。 首个企业试运行版本必须覆盖： - 工单、解决方案和知识库业务闭环。 - 用户、用户组、角色、菜单权限和审计。 - 模型渠道、模型测试和模型选择。 - 建单智能体、支持分析智能体和知识沉淀智能体。 - 配置型技能与可追踪的智能体运行过程。 - 只读 MCP 工具接入、授权、风险控制和调用审计。 - Docker Compose 初始化、监控、备份、安全和试运行验收。 ## 3. 核心原则 ### 3.1 产品闭环驱动 实施顺序采用“先确定完整产品，再逐步替换真实能力”： ```text 当前基线 -> 全局产品原型 -> AI 平台底座 -> AI 工单闭环 -> MCP 可信执行 -> 企业试运行 ``` Stage A 先确定全平台页面、交互和数据契约。Stage B 至 Stage D 逐步将原型数据替换为真实 API 和运行能力。Stage E 不再增加大型模块，只解决试运行质量。 ### 3.2 业务资产优先 - 工单和知识库是核心业务资产。 - 解决方案是可复用知识，不与某次工单处理结果混为一体。 - 智能体生成建议、草稿和运行产物，不直接拥有工单或知识数据。 - 正式业务写入由对应业务服务完成。 ### 3.3 人工确认优先 - 建单、工单状态变更、解决方案发布和知识发布必须由用户确认。 - 授权后的只读 MCP 工具可以由智能体自动调用。 - 非只读操作不进入自动执行范围。 - 模型或智能体失败不能阻塞人工工单流程。 ### 3.4 中文企业产品标准 - 所有前端展示文字以中文为主。 - 技术术语仅在必要位置补充英文标识。 - 全站使用 shadcn/ui、Tailwind CSS 和项目自有 `App*` 组件层。 - 页面必须覆盖加载、空数据、错误、禁用、权限不足和确认状态。 - 原型页面必须明确标识演示数据，不能伪装成已经持久化或执行成功。 ## 4. 当前能力基线 以下能力视为新版蓝图的既有基础，不在后续阶段重复规划： - Django + Django Ninja 模块化单体后端。 - React + Vite + Tailwind CSS + shadcn/ui 前端基础。 - Docker Compose 本地部署基础。 - 登录、当前用户、用户、用户组、角色、菜单权限和审计基础。 - 亮色、暗色、系统主题及响应式导航基础。 - 工单创建、列表、详情、分类驱动流转、评论和事件记录基础。 - 解决方案维护、关联、采纳和关闭工单能力。 - 知识库、知识条目、切片、确定性向量和检索基础。 当前尚未完成： - 全平台前端产品原型。 - 模型网关与真实模型测试。 - 技能配置和版本管理。 - 智能体运行时、运行记录和执行轨迹。 - AI 建单、支持分析和知识沉淀闭环。 - MCP 服务、工具授权和可信调用。 - 企业试运行级监控、备份、安全和验收。 ## 5. 产品模块与导航 | 一级模块 | 二级页面 | 核心职责 | |---|---|---| | 工作台 | 业务概览、待办事项、风险提醒、运行状态 | 展示工单、知识、智能体和工具的统一运营视图 | | 工单中心 | 工单列表、创建工单、工单详情、我的待办 | 支持快速咨询与技术问题两类处理模式 | | 知识与方案 | 知识库、知识检索、知识编辑、解决方案、待审核草稿 | 管理文档知识、结构化知识和可复用方案 | | 智能体中心 | 智能体配置、运行记录、执行轨迹、效果统计 | 管理三类内置智能体及其运行情况 | | 技能中心 | 技能列表、模板编辑、输入输出结构、测试 | 管理配置型专业能力模板 | | 模型与工具 | 模型渠道、模型配置、模型测试、工具服务、调用记录 | 管理模型供应商和 MCP 工具 | | 系统管理 | 用户、用户组、角色、菜单、权限、审计、系统配置 | 提供企业治理和安全边界 | | 设计系统 | 组件预览、状态规范、主题规范 | 约束后续页面实现，不面向普通业务用户 | ## 6. 工单双流程 工单使用同一套核心数据模型，根据工单类型采用不同流转规则。 ### 6.1 快速咨询 适用于查询采集进度、配置确认、信息答复等短处理问题。 ```text 待处理 -> 完成 ``` 规则： - 创建后可直接执行“完成工单”。 - “开始处理”不是必经步骤。 - 用户填写简短结果，或采纳已有解决方案自动回填。 - 一次操作同步记录解决和关闭时间。 - 不重复要求解决说明与关闭说明。 ### 6.2 技术问题 适用于需要排查、协作、验证和客户确认的问题。 ```text 待处理 -> 处理中 -> 已解决 -> 已关闭 ``` 规则： - 开始处理时流转说明默认可选。 - 标记解决时必须存在解决结果。 - 已关联解决方案可以自动回填解决结果。 - 关闭时默认复用解决结果，不要求重复填写。 - 重新打开、转派和关键字段变更必须写入处理时间线。 ## 7. 智能体协作流程 ### 7.1 建单智能体 输入问题描述、截图和附件，输出字段草稿、缺失信息、分类建议、相似工单和可复用方案。用户确认后才创建工单。 ### 7.2 支持分析智能体 结合工单、知识库、解决方案和授权只读工具，输出可能原因、排查步骤、引用来源和客户回复草稿。技术人员选择采纳内容，智能体不直接改变工单状态。 ### 7.3 知识沉淀智能体 从已解决或已关闭工单生成解决方案草稿和知识条目草稿。知识管理员审核后发布。 统一数据链路： ```text 用户触发 -> 智能体运行 -> 模型、知识或工具调用 -> 生成 AI 产物和引用 -> 用户确认 -> 业务服务写入 -> 工单事件和审计日志 ``` ## 8. 技术架构 首个试运行版本继续采用模块化单体，不拆分微服务。 | 层级 | 技术与职责 | |---|---| | 前端产品层 | React、Vite、Tailwind CSS、shadcn/ui、`App*` 组件 | | 业务 API 层 | Django Ninja，承载业务接口和 AI 配置接口 | | AI 运行层 | 模型网关、智能体运行时、技能执行、知识检索、工具调用 | | 异步任务层 | Celery + Redis，处理文档解析、向量化和智能体运行 | | 数据层 | PostgreSQL + pgvector、MinIO、Redis | | 可信治理层 | RBAC、人工确认、操作审计、运行轨迹、工具调用日志 | 后端模块边界： ```text accounts tickets solutions knowledge modelhub agents skills tools audit system ``` ## 9. 数据所有权与关键实体 ### 9.1 业务实体 - 工单、评论、附件、事件和处理结果由 `tickets` 管理。 - 可复用解决方案及工单关联由 `solutions` 管理。 - 知识库、知识条目、文档、切片和向量由 `knowledge` 管理。 ### 9.2 AI 平台实体 - 模型渠道、模型配置和模型测试记录由 `modelhub` 管理。 - 技能、版本、输入结构和输出结构由 `skills` 管理。 - 智能体定义、运行、步骤和 AI 产物由 `agents` 管理。 - MCP 服务、工具、授权绑定、调用和确认记录由 `tools` 管理。 ### 9.3 数据安全 - 模型和工具密钥加密保存，前端只显示脱敏结果。 - 技能仅支持配置型模板，不允许执行任意 Python 代码。 - 每个工具必须具有风险等级、启用状态和授权范围。 - 模型调用、知识引用、工具调用和人工确认必须可追踪。 ## 10. 新版实施阶段 本文是跨阶段主蓝图，不作为一次性实施计划。Stage A 至 Stage E 必须分别建立独立设计规范和实施计划；当前阶段通过退出标准并完成文档同步后，才进入下一阶段。近期只为 Stage A 编写实施计划，不提前展开 Stage B 至 Stage E 的代码任务。 ### Stage A：全局产品原型 目标：先完整呈现产品最终形态，锁定页面、交互和数据契约。 主要交付： - 完整中文导航与响应式页面结构。 - 工作台和企业运营概览。 - 模型渠道、模型测试页面。 - 智能体配置、运行列表、执行轨迹详情。 - 技能配置、结构编辑和原型测试。 - MCP 服务、工具、风险和调用审计页面。 - 工单创建与详情中的 AI 辅助面板。 - 统一指标、风险、引用、轨迹、审批和状态组件。 - 生产式 TypeScript Mock 契约与演示数据标识。 退出标准： - 所有规划页面均可访问并具有真实交互状态。 - 桌面端和移动端导航完整。 - 亮色、暗色和系统主题均正常。 - 所有用户可见文案为中文。 - 尚未接入 API 的操作不会伪装成持久化成功。 - 类型检查、构建和关键前端流程测试通过。 ### Stage B：AI 平台底座 目标：用真实后端能力替换模型、技能和智能体原型数据。 主要交付： - OpenAI-compatible 模型渠道适配层。 - 模型配置、默认模型、用途绑定和连通性测试。 - 配置型技能 CRUD、版本和输入输出结构校验。 - 智能体定义、模型选择、知识范围和技能绑定。 - 智能体运行、步骤、产物、耗时和失败记录。 - Celery 异步运行、超时、有限重试和幂等控制。 - 前端模型、技能和智能体页面接入真实 API。 退出标准： - 可配置至少一个真实模型渠道并完成测试。 - 可运行测试智能体并查看完整执行轨迹。 - 失败原因、调用耗时和引用信息可追踪。 - API、任务和供应商适配器测试通过。 ### Stage C：AI 工单闭环 目标：让三类智能体在人工确认边界内服务真实工单和知识业务。 主要交付： - 建单智能体的字段草稿、追问、分类和相似工单推荐。 - 支持分析智能体的原因分析、排查步骤、方案和回复草稿。 - 知识沉淀智能体的解决方案与知识草稿。 - 知识检索、引用来源和相似度展示。 - 快速咨询和技术问题两套正式流转规则。 - AI 产物采纳、拒绝和人工修改记录。 退出标准： - 三类智能体分别完成一条真实业务闭环。 - 所有业务写入均经过用户确认。 - 引用能够追溯到知识、方案或工单来源。 - AI 失败时人工流程继续可用。 - 双流程、AI 采纳和失败降级端到端测试通过。 ### Stage D：MCP 可信执行 目标：让智能体在明确权限和审计边界内使用外部只读工具。 主要交付： - MCP 服务注册、认证配置、连接检查和工具同步。 - 工具描述、输入结构、风险等级和启用状态。 - 智能体与工具授权绑定。 - 只读工具自动调用。 - 非只读及高风险操作的阻止或人工确认机制。 - 工具调用输入摘要、输出摘要、耗时、状态和审计记录。 退出标准： - 授权智能体可调用至少一个真实只读 MCP 工具。 - 未授权工具无法调用。 - 高风险或非只读调用不能自动执行。 - 工具权限矩阵、确认边界和审计测试通过。 ### Stage E：企业试运行 目标：将完整产品提升到单企业私有化试运行标准。 主要交付： - Docker Compose 全新环境初始化。 - 数据库迁移、初始管理员和基础角色初始化。 - 日志、任务状态、服务健康和关键指标监控。 - 数据备份、恢复演练和升级回滚说明。 - 权限矩阵、安全配置和敏感信息检查。 - 关键页面和接口性能优化。 - 试运行验收清单、运维说明和用户操作说明。 退出标准： - 新环境可以按文档一次完成部署和初始化。 - 权限、审计、备份恢复和安全检查通过。 - 关键业务和 AI 流程通过端到端验收。 - 已知限制、运行风险和回退方式有明确记录。 ## 11. 异常与可信边界 - 模型、知识检索或工具失败时，展示统一中文错误状态和可重试入口。 - 智能体运行失败不回滚或破坏已经存在的业务数据。 - 异步任务必须记录等待、运行、成功、失败和取消状态。 - 工具调用失败不得自动改变工单状态。 - 权限不足时前端隐藏无权入口，后端仍必须执行权限校验。 - 高风险操作必须展示操作对象、影响范围和确认结果。 - 所有 AI 建议必须区分“系统生成”和“用户已采纳”。 ## 12. 测试与阶段完成标准 前端： - TypeScript 类型检查。 - 生产构建。 - 公共组件和关键交互测试。 - 登录、导航、双工单流程、AI 采纳和工具确认端到端测试。 后端： - pytest 自动化测试。 - Ruff 代码检查。 - 数据库迁移检查和全新数据库迁移验证。 - 模型适配、异步任务、权限和工具风险测试。 跨端： - OpenAPI 与 TypeScript 数据契约保持一致。 - 前端原型字段与后端正式接口语义一致。 - 每个阶段完成后同步 README、设计系统、接口说明和本文进度。 - 不能用“页面存在”代替“功能已经真实持久化”的完成声明。 ## 13. 首个试运行版本之外 以下能力进入试运行后的独立规划，不阻塞 Stage E： - 历史工单批量迁移和清洗。 - 大规模历史工单向量化。 - 自动派单和复杂 SLA。 - 可视化流程设计器和 BPMN。 - 多智能体自主协作。 - 代码型技能和任意代码执行。 - 非只读 MCP 工具自动执行。 - 多租户 SaaS。 - 高度自治的自动解决和自动关闭。 - 高级经营分析和模型效果评测平台。 ## 14. 最终成功定义 首个企业试运行版本完成时，普通建单人可以快速提交咨询或技术问题；技术支持可以在一个工单工作区内完成处理、检索、方案复用和 AI 辅助分析；知识管理员可以审核沉淀内容；系统管理员可以配置模型、智能体、技能、只读工具和权限；审计人员可以追溯每次业务变更、AI 运行和工具调用。 系统的 AI 能力应当缩短建单和排查时间，但不能牺牲人工控制、来源追溯和企业治理。