旗舰案例研究
一个 ERP AI 层
为同一家企业级 ERP 客户构建的三套生产级 AI 系统 —— 一个运营 Copilot、一个自助式数据分析智能体与一个知识助手 —— 建立在同一套共享的安全与评测实践之上。各自独立部署，仅在存在真实依赖处彼此打通。
问题
ERP 承载着企业真正赖以运转的数据 —— 库存、订单、供应商、资金。把聊天机器人接上去很容易；难的是构建一个能够对其执行操作、却不会破坏状态或编造数字的系统。发布的门槛很具体：每一次写操作都经过人工审批，每一条分析查询从构造上就是安全的，每一个回答都带有可审计的溯源。
架构
运营 Copilot 是核心。它路由到角色约束的领域专家，并通过 MCP 调用受治理的工具 —— 包括可选的 NL2SQL 数据分析服务。知识助手是同一 ERP AI 层中的兄弟系统，并不由 Copilot 编排。
* 可选 / 只读路径。
工作原理
运营 Copilot
一个运行 DeepAgents 框架的 FastAPI 服务。路由器将每个请求分类到角色约束的专家，专家只拿到它需要的工具 —— 来自静态目录与标签，而非提示词猜测。回答依据捕获的工具追踪，被标注为权威、推导或未经核实。
受治理的工具与审批边界
一个 Spring AI / Java 21 MCP 服务掌管 MySQL 业务数据，并暴露 10 个读工具 + 4 个写工具。审批被刻意设计为非智能体工具：模型可以提出写操作，但执行要经过人工控制的 REST 路径，并绑定到一次性、载荷哈希、带 TTL 的审批。
数据分析智能体（NL2SQL）
面向数仓的自助式分析，由 Copilot 经可选 MCP 抵达。确定性 SQLGlot 护栏（仅 SELECT、范围/扇出校验、自动 LIMIT）与 Qdrant 语义层将提示上下文相较全量 schema 灌入削减约 73%；配有有界 SQL 修复与跨 DuckDB 和 ClickHouse 的结果等价性回归评测。
知识助手（RAG）
一个独立的、由 LangGraph 编排的企业文档 RAG 系统：Milvus 混合检索配合意图路由策略，引用溯源与严格证据拒答，RBAC，以及带查询级可观测性的 LLM 裁判 / 引用评测。
成果与证据
- 提示上下文削减约 73%，得益于 Qdrant 语义层（相较全量 schema 灌入）。
- 确定性 SQLGlot 护栏 —— 仅 SELECT、范围/扇出校验、自动 LIMIT；危险 SQL 在抵达数仓前即被拦截。
- 一次性、密码学绑定的审批用于每一次写操作 —— 执行前校验执行者/会话/工具绑定、载荷哈希、过期与一次性使用。
- 可溯源的回答，标注为权威 / 推导 / 未经核实，并附带来自工具调用的来源证据。
- 评测套件覆盖路由、工具选择、溯源、结果等价性与在线冒烟 —— 让智能体行为在发布前即可度量。