1概述
领域大模型是一个可版本化的工作模型：基础模型提供通用智能，知识库决定它懂什么领域，领域中枢把两者组织成工作，并从反馈中升级知识。
它不在对话框里等人提问，而是在业务系统里运行：业务里发生的事触发一次工作；工作的结果写回业务系统；业务随后发生的事又回来评价这次工作。被评价出的差异，经过检验后沉淀为新版本的知识，下一次工作就照着做。
1.1系统组成
一个部署可以有多个办公室。每个办公室对应一个工作现场，加载一个领域大模型，里面有多个智能体，各自承担一类工作。
- 单据与流程
- 告警与运行数据
- 文档与工单
1.2平台总体架构
从平台的角度看：左边是客户现场的业务系统和底座平台；中间是办公室，里面是智能体、领域中枢、知识库、基础模型和技能，下方是模型管理、知识与经验管理和平台管理与运营；上方是行业应用；右边是两种交付形态，中间流转的是经验包。
1.3阅读路线
第 2 节介绍文中反复出现的对象；第 3 节用一个例子走完一次作业的生命周期，这是理解全文的主线；第 4 至 9 节分别展开接入、等级、知识升级、领域大模型、协同和指标；第 10 节说明平台部分：模型管理、技能引擎、平台管理与运营、底座平台和交付形态。
2核心对象
下面六个对象构成了整个系统的语言。其中作业和信号最重要：业务数据客户本来就有，知识库谁都能建，但「每一次工作的记录」加上「业务对它的评价」，只有让 AI 真正在业务里运行才拿得到。点卡片可以翻面，看判别方法和例子。
2.1信号的成立条件
一件事要算作信号，必须同时满足三个条件：
- 可关联：指向一次具体的作业。
- 有方向：肯定、否定或修改。
- 来自业务：真实发生的事，而不是事后请人打分。
信号主要有三种来源：业务事件被关联（驳回、改稿、处置结果），预期的事没有发生（告警未复发、没人提异议），以及交接回来的人工处理（人接手后实际怎么做的）。每个信号还带有方向、强度、时延和来源四个属性。
3一次作业的生命周期
本节用火电监测的一个例子，从头走到尾。
3.1触发
智能体订阅业务事件，不等人来问。事件可以是单据状态变化、告警、文件更新或定时。
3.2执行与记录
智能体读取干活需要的上下文（业务对象、关联数据、制度标准、历史作业），由领域大模型给出产出，同时生成一条作业记录。
| 字段 | 示例 |
|---|---|
| AI 进程 | 脱硝 |
| 触发 | SCR 入口 NOx 超限告警 |
| 输入 | 近 30 分钟运行曲线、负荷、历史处置 |
| 产出 | 指令：提高喷氨量 |
| 依据 | NOx 上升，氨逃逸偏低 |
| 知识版本 | v7 |
表 1 作业记录的字段
3.3写回
产出以业务系统能接受的形式写回：字段、批注、状态或工单。它是否直接生效，取决于这项工作所处的运行等级（见第 5 节）。示例中这项工作处于「代办」，常规件直接下发到值班工单。
3.4信号回流
作业之后，业务里随后发生的事被关联回这次作业。
3.5交叉审查
把作业和信号对照审查，讲清差在哪、应该怎样，这一步叫交叉审查。接着做归因：分清是知识缺了、知识错了，还是别的原因（见 6.1）。
3.6沉淀
该学的结论去标识后写成知识单元，声明运行方式，进入经验包，与其他结论合并、累积证据。
3.7发版
经验包攒够一批，用历史案例回放检验，通过后合入知识库，生成新版本。发版后继续观测，效果变差就退回上一版。
3.8同一结构，不同业务
换一个业务，事件、交叉审查和知识的内容完全不同，但作业记录和信号的结构完全一样。这是它能跨行业的原因。
| 环节 | 费用报销 | 需求分析 | 项目管理 |
|---|---|---|---|
| 事件 | 招待费报销单提交 | 需求文档定稿 | SOW 确认 |
| 作业产出 | 初审意见：通过 | 试写：用户权限分 3 级 | 「接口联调」估 3 人天 |
| 信号 | 财务复核驳回（否定） | 分析师改为两维授权（修改） | 实际 7 人天，含等待 3 天（否定） |
| 交叉审查 | 未注明客户名称，不应通过 | 遗漏了数据范围这一维 | 没有计入等待对方环境的时间 |
| 知识 | 招待费须注明客户名称 | 权限需求须确认功能权限和数据范围 | 外部联调单列「对方环境就绪」等待 |
| 运行方式 | 确定性执行 | 注入推理 | 注入推理 |
表 2 三个业务中的同一结构（示意数据）
4接入业务：运行五件事
智能体要真正在业务里运行，接入前必须做好五件事。前四件让它能干活、敢放手，第五件让它越干越好。
4.1接入：活怎么来、怎么交
- 触发：订阅业务事件，不等人来问。
- 上下文：业务对象、关联数据、制度标准、历史作业；只读、按需、最小范围。
- 写回：以业务系统能接受的形式落地，同时生成作业记录。
- 标准化：一套「事件 + 上下文 + 写回」协议，靠连接器适配不同系统；没有接口的老系统用界面自动化兜底。
4.2身份：算谁做的、准不准做
- 账号：每个 AI 进程有独立账号，不借用人的账号。
- 权限：最小权限，按业务类型和运行等级授予；能写什么由确定性规则把关，不靠模型自觉。
- 留痕：谁、何时、依据哪个知识版本、做了什么，全部可查。
- 责任人：责任最终落到一个具体的人，运行等级的升降由他批准。
4.3交接：何时在人和 AI 之间转手
- 何时转：拿不准、超出权限、属于例外，或运行等级要求人审。
- 转给谁：进入对应人员原有的待办，不另开界面。
- 带什么：结论、依据、拿不准的地方，人不用从头看起。
- 转回后：人的处理结果自动成为信号。交接是信号最主要的产地。
4.4协同：多个智能体如何配合
同一办公室里的智能体围绕业务单据接力：上一个的写回就是下一个的事件，由领域中枢统一调度。协同的载体是业务单据和流程状态，而不是智能体之间的对话。详见第 8 节。
4.5学习：如何越做越好
作业和信号经交叉审查找出差异，沉淀成知识，改变下一次作业。来源只有作业记录和信号，不额外要人打分。详见第 6 节。
5运行等级
运行等级决定一项工作中谁干活、产出怎样生效、人做什么。等级的单位是「AI 进程 × 业务类型」，而不是某个智能体。
| 等级 | 谁干活 | 产出如何生效 | 人做什么 | 主要信号 |
|---|---|---|---|---|
| L0 伴随 | 人干活，AI 后台试做 | 不进入业务 | 照常干活 | AI 试做与人的结果之差 |
| L1 预处理 | AI 先做 | 人审过才生效 | 逐件审改 | 人的修改 |
| L2 代办 | AI 干活 | 常规件直接生效，例外转人 | 处理例外 | 例外的处理结果、抽查 |
| L3 自主 | AI 干活 | 全部直接生效 | 定期抽查 | 后果、抽查 |
表 3 四个运行等级
5.1按业务类型逐项设定
同一个 AI 进程，不同业务类型可以处在不同等级。切换下面的场景查看示例。
表 4 AI 进程 × 业务类型的运行等级（示意数据）
6知识怎样升级
交叉审查之后，并不是每个差异都应该变成知识。本节说明哪些会沉淀、沉淀成什么、怎样发版。
6.1归因：多数错误不该变成知识
| 原因 | 处理 | 是否沉淀为知识 |
|---|---|---|
| 知识缺失 | 新增知识 | 沉淀 |
| 知识错误或过时 | 修改或退役 | 沉淀 |
| 有知识但没用上 | 修匹配，不动知识 | 不沉淀 |
| 基础模型推理失误 | 加校验或换模型 | 不沉淀 |
| 输入有误、环境变化 | 不算 AI 的错 | 不沉淀 |
| 个案例外、人判错了 | 只记录 | 不沉淀 |
表 5 归因与分流
6.2知识单元与两种运行方式
每条知识是一个有结构的单元：适用条件、内容、理由、证据链接、证据等级、运行方式、状态、负责人。形态可以是约束、判断策略、审查要点、方法或范例。
- 确定性执行：能写成「条件 → 动作」的知识，由确定性程序匹配执行，结果稳定、可复现、可验证。例：招待费报销须注明客户名称。
- 注入推理：审查要点、工作方法这类知识，交给基础模型结合情境运用，并在产出里标明用了哪几条。例：权限类需求要同时确认功能权限和数据范围。
6.3经验包与发版
新结论先进入经验包。合并时去重、累积证据；意见不同常常只是适用条件不同，拆开即可；真冲突按后果裁决，裁决不了交负责人。完整流程如下：
| 步骤 | 做什么 | 产出 |
|---|---|---|
| 1 留痕 | 记录每次作业：触发、输入、产出、依据、知识版本 | 作业记录 |
| 2 捕获 | 从业务系统收集修订、驳回、结果、交接回来的处理 | 信号 |
| 3 解释 | 作业与信号交叉审查，讲清差在哪、应该怎样 | 交叉审查结论 |
| 4 归因 | 分清原因并分流，见 6.1 | 该沉淀的结论 |
| 5 提炼 | 抽象、去标识，写成知识单元，声明运行方式 | 候选知识 |
| 6 汇聚 | 进入经验包：去重、合并、处理冲突、累积证据 | 待发版知识 |
| 7 检验 | 历史案例回放、黄金样本对照、专家盲评 | 通过或打回 |
| 8 发版 | 影子试用后生效，生成新版本 | 知识库 vN+1 |
| 9 观测 | 看效果，变差就退回，过时就退役 | 下一轮信号 |
表 6 从信号到新版本的九个步骤。第 3、4 步最难，也最有价值。
发版遵循两条规则：
- 两种速度：高风险错误走快通道，先生效、后补检验；一般知识攒批发版。
- 专家不多干活：交叉审查依据的是本来就要做的工作，只有归因拿不准时才问一句。
6.4归属
业务数据归客户，留在客户现场。经验包去标识、加密后可以带走，合并进下一版知识库。知识库按版本存档，随时可查、可比、可退回。
7领域大模型的组成
| 组成 | 作用 | 是否随领域变化 |
|---|---|---|
| 知识库 | 领域的标准、方法和经验，持续生长，按版本发布 | 随领域变 |
| 领域中枢 | 组织工作、吸收反馈、管理知识 | 不变 |
| 基础模型 | 通用理解和推理，可替换，不改权重 | 不变 |
表 7 领域大模型的三层组成
7.1对外的三个动作
反馈(作业, 信号) → 交叉审查 → 候选知识
发版() → 知识库 vN+1（可检验、可退回）
7.2固定的与加载的
领域中枢的内核固定不变：工作循环与留痕、归因、知识的生命周期、检验与发版和退回。适配一个具体业务，靠加载四样东西：
- 知识库：这个领域怎么想，什么算好。
- AI 进程说明：接什么活、交什么、多大权限、什么算反馈。
- 连接：活从哪来、结果写到哪、反馈从哪取。
- 能力：能力模组和工具。
8办公室与多智能体协同
一个办公室只加载一个领域大模型。协同指的是办公室里多个智能体之间的协同，不是领域大模型之间的协同；需要另一个领域，就是另一个办公室。
- 接力：上一个的写回，是下一个的事件。
- 并行：各工位同时处理，互不等待。
- 升级：智能体拿不准时交给领域中枢；中枢依据知识库分派，仍拿不准就交给人。
9指标与边界
9.1北极星指标
同样多的工作，交叉审查发现的差异持续下降。它比「越用越准」适用面更广，软硬领域都适用，但必须有抽检保证它是真的。
| 层面 | 目标 | 观察项 |
|---|---|---|
| 业务 | 同样的错不犯第二次 | 重复错误率、一次通过率、节省工时 |
| 知识 | 专家离职、换模型都不丢 | 可追溯比例、单条知识贡献、退役率 |
| 系统 | 学得快，也学得对 | 交叉审查到生效的时长、每版净效果、回退率 |
| 运行 | 运行等级逐级提升 | 各 AI 进程 × 业务类型的等级变化 |
表 8 目标与观察项
9.2边界与风险
- 假收敛：人不改了，可能只是开始懒得看。必须有抽检和盲评，差异下降才可信。
- 知识膨胀：知识总量不是目标，没贡献的要退役，否则互相干扰。
- 错误传染：智能体共用知识库，一次错误的结论会影响所有智能体，所以需要证据门槛和退回。
- 数据外泄：交叉审查结论里常带原始业务内容，进入经验包前去标识是硬要求。
- 长周期归因：回款、诉讼这类结果隔得太久，只能作为统计性的弱信号，不能用来修改单条知识。
10平台能力
前面各节讲领域大模型怎样干活、怎样学习。本节说明支撑它的平台部分，对应图 2 中的模型管理、技能引擎、平台管理与运营、底座平台和两种交付形态。
10.1模型管理
模型管理面向两类模型。对基础模型，平台负责接入、切换和本地化部署，不改它的权重：领域能力在知识库里，换模型不丢知识。对能力模组这类专用轻量模型，平台负责用现场数据训练、调优和压缩，并按版本下放给智能体。
| 对象 | 平台做什么 | 不做什么 |
|---|---|---|
| 基础通用大模型 | 接入多家，按业务选择，随时切换 | 不训练，不改权重 |
| 多模态引擎 | 读图片、曲线、扫描件等非文字材料 | 不单独承担判断 |
| 能力模组 | 用现场数据训练、调优、压缩，按版本下放 | 不替代知识库里的规则 |
| 本地化模型 | 在客户内网运行，满足数据不出现场 | 不把客户数据带出现场 |
表 9 模型管理的对象与边界
10.2技能引擎
技能是智能体干活时调用的具体能力，分两类：
- 通用技能集：检索、计算、文档解析、表格处理、消息通知等，各行业共用。
- 专有技能集：某个行业专用的能力模组和工具，例如脱硝的 NOx 预测、制粉的堵磨预警。
每次调用都记在作业记录里：用了哪个技能、哪个版本、得到什么结果。技能和知识的区别是：知识回答「该怎么判断」，技能负责「把这件事算出来、做出来」。
10.3平台管理与运营
| 功能 | 说明 |
|---|---|
| 智能体管理 | 创建、配置、停用智能体；查看每个 AI 进程的运行等级和作业记录 |
| 身份与权限 | 每个 AI 进程独立账号、最小权限，责任落到具体的人（见 4.2） |
| 应用中心 | 按行业和场景浏览、启用智能应用 |
| 技能中心 | 通用技能和专有技能的目录、版本和调用说明 |
| 能力订阅 | 客户按需订阅应用、技能和行业知识库 |
| 用量计量 | 按办公室统计模型调用、Token 用量和服务次数，用于计费和成本控制 |
表 10 平台管理与运营的功能
10.4底座平台
- 物联网平台：采集设备和传感器数据，产生告警等事件。
- 大数据平台：存放运行曲线、作业记录和信号，供交叉审查和回放检验使用。
- 快速开发平台：为没有现成系统的业务快速搭建单据和流程，让智能体有活可接。
- 连接器：对接客户已有的业务系统，用一套「事件 + 上下文 + 写回」协议；没有接口的老系统用界面自动化兜底（见 4.1）。
10.5交付形态
平台有两种交付形态：
- 自营公有云服务：行业通用的 AI 应用，使用我方数据和行业公共知识库，开通即用。
- 大 B 客户内网部署：场景化的 AI 应用，模型和知识库在客户内网本地运行，客户私有数据不出现场。
两者之间流转的只有经验包：内网现场的交叉审查结论去标识、加密后形成经验包，经回放检验合入行业公共知识库；公共知识库的新版本再以经验包的形式下发到各现场，同样检验后合入（见 6.4）。
11附录：中英文对照
本文概念与英文名称的对应关系，按出现顺序排列。
| 中文 | English | 说明 |
|---|---|---|
| 领域大模型 | Domain Large Model (DLM) | 基础模型 + 领域中枢 + 知识库，可版本化的工作模型 |
| 基础模型 | Foundation Model | 通用理解与推理，可替换，不改权重 |
| 领域中枢 | Domain Hub | 组织工作、吸收反馈、管理知识 |
| 知识库 | Knowledge Base | 领域的标准、方法和经验，按版本发布 |
| 作业 | Task | 人或 AI 完成的一次工作，连同记录 |
| 作业记录 | Task Trace | 触发、输入、产出、依据、知识版本 |
| 信号 | Signal | 业务里能对应并评价某次作业的事实 |
| 事件 | Event | 业务对象的一次状态变化 |
| 交叉审查 | Cross-review / Cross-validation | 把作业和信号对照，讲清差在哪 |
| 归因 | Attribution | 分清原因，决定是否沉淀为知识 |
| 知识 | Knowledge | 脱离个案、能指导下一次作业的判断依据 |
| 经验包 | Experience Pack | 尚未合入知识库的新经验，可带走 |
| 发版 | Release | 检验通过后生成知识库新版本，可退回 |
| 能力模组 | Capability Module | 专用的轻量模型 |
| 业务对象 | Business Object | 业务中流转、状态会变化的东西 |
| 运行 | Run | 智能体在业务系统里干活 |
| AI 进程 | AI Process | 一个智能体承担的一类工作 |
| 运行等级 | Run Level | 伴随 · 预处理 · 代办 · 自主 |
| 伴随 · 预处理 · 代办 · 自主 | Shadow · Pre-process · Delegate · Autonomous | L0 – L3 |
| 接入 · 身份 · 交接 · 协同 · 学习 | Integration · Identity · Handoff · Collaboration · Learning | 运行五件事 |
| 办公室 | Office | 一个工作现场，加载一个领域大模型 |
| 技能引擎 | Skill Engine | 通用技能集与专有技能集，由智能体调用 |
| 多模态引擎 | Multimodal Engine (MLLM) | 读图片、曲线、扫描件等非文字材料 |
| 过程归纳引擎 | Process Induction Engine | 把作业和信号的差异归纳成知识单元 |
| 本地化模型 | Localized Model | 在客户内网运行的模型 |
| 用量计量 | Usage Metering | 按办公室统计模型调用与服务次数 |
| 智能体 | Agent | 执行作业的 AI，共用领域大模型 |
表 11 中英文对照