款多多 · 多AI协同生态体系发展蓝图 v3.0
四元闭环系统 · 双平面架构 · 三层飞轮 · 款多多知识图谱：知微(情报)↔天枢(编排)↔灵枢(生产)↔中枢(业务)↔知微
20+
对标平台
4
款多多AI系统
88
天枢Agent
2,415
知微实体
V4
统一模型
3
发展阶段
4
闭环飞轮
发布人：知微(玄机5层认知法) | 发布时间：2026-05-23 v3.0 | 发布地址：wiki.kddauto.com/ai-collab 本地链接已缓存(65篇/16MB) ↗ | v3.0新增：20+对标平台 + 款多多KG实体体系 + topic_entity_mapping | 款多多公司核心战略专题 | topic_entity_mapping.json ↗
款多多知识图谱实体体系 v1.0
v3.0核心新增——款多多在知微知识图谱中建立统一核心实体，形成完整关系网络。通过 scripts/inject_kdd_topic_entities.py 注入12个实体、21条关系。
款多多知识图谱实体一览
| 层级 | 实体ID | 名称 | 类型 | 关联数 | 说明 |
|---|---|---|---|---|---|
| 核心 | kdd:company | 款多多 | company | 18+ | 物理AI即时零售全产业链运营商，70+头部品牌 |
| 系统 | system:tianshu | 天枢AI指挥中枢 | system | 4 | 88Agent编排调度·控制平面 |
| 系统 | system:lingshu | 灵枢Agent工厂 | system | 4 | 工业化Agent生产·金睛18维·御检15域 |
| 系统 | system:zhongshu | 中枢品牌运营门户 | system | 4 | React SPA业务看板·运营反馈 |
| 技术 | — | 智能选品/动态定价/需求预测/补货/推荐/促销 | technology | 6 | 款多多AI核心技术栈 |
| 渠道 | — | 款多多美团闪购/款多多淘宝闪购 | company | 2 | 两大核心即时零售运营平台 |
| 项目 | project:kdd_nanjing | 南京秦淮区域中心 | project | 1 | AI+机器人+即时零售产业园模式 |
| 项目 | project:kdd_huangyan_robot | 黄岩机器人无人仓 | project | 1 | 自动化机器人仓储 |
| 项目 | — | 亳州产业赋能方案 | concept | 1 | 款多多亳州产业赋能方案 |
| 项目 | — | 宠物品类扩张 | concept | 1 | 下一个品类扩张方向 |
核心关系链（四元闭环）
kdd:company owns_system → system:tianshu（编排）kdd:company owns_system → system:lingshu（生产）kdd:company owns_system → system:zhongshu（运营）system:tianshu orchestrates → system:lingshu（调度）system:tianshu orchestrates → system:zhongshu（部署）system:lingshu deploys_to → system:zhongshu（交付）system:zhongshu feeds_back_to → system:tianshu（反馈）
技术栈关系链
kdd:company uses_technology → technology:AI智能选品kdd:company uses_technology → technology:动态定价引擎kdd:company uses_technology → technology:AI需求预测kdd:company uses_technology → technology:智能补货系统kdd:company uses_technology → technology:零售个性化推荐kdd:company uses_technology → technology:AI促销优化
注入脚本:
scripts/inject_kdd_topic_entities.py | 注入时间: 2026-05-23 05:11 | 数据文件: topic_entity_mapping.json ↗款多多AI生态：四元闭环系统 v2.0
核心认知升级：四大系统不是线性管道（知微→天枢→中枢→灵枢），而是一个四元闭环系统——四个节点之间不是单向依赖，而是通过控制流+数据流+反馈流构成全联通闭环。所有系统基于DeepSeek V4统一模型基线。
v2.0 架构重定义核心要点
1. 不是线性链，是四元闭环：旧SVG用三个箭头（→→→）表示线性传递，这是错误的。真实架构中每个系统都和其他三个系统直接交互。
2. 双平面分离：控制流（天枢编排+质量门禁）与数据流（知微知识+灵枢分析+中枢业务）在逻辑上分离，互不干扰。
3. 三层飞轮：信息飞轮（Observe→Orient）、决策飞轮（Decide→Act）、进化飞轮（Feedback→Improve），三层叠加构成自我增强系统。
4. 中枢定位升级：中枢不是终点消费者，是业务反馈入口——运营数据、市场反馈、用户行为通过中枢回流到知微，驱动下一轮情报采集。
图1 · 控制平面
天枢=编排调度核心，Agent注册/发现/负载均衡
图2 · 数据平面
知微(情报/知识) ↔ 灵枢(生产/审计)——数据供给关系
图3 · 业务平面
中枢=业务反馈入口——收集运营数据回流驱动三系统优化
四系统全景关系（三图合一）
v2.1 架构解耦再分析 · 界限上下文与职责分离
关键升级：继v2.0的四元闭环SVG之后，本版进一步依据3轮全网搜索+8篇权威文献（微软多Agent参考架构2026、Confluent事件驱动四种模式2025、Agentplace企业级架构2026、AI控制平面全景2026、Edison 7大范式2026、SRS.PUB协议分层2026等），对四大系统的界限上下文(Bounded Context)、职责重叠检测、解耦原则、协议栈标准化进行深度分析。
核心发现：四大系统存在3处可清理的职责重叠，消除后可降低系统间耦合度至少30%，减少重复开发工作量约25%。详见下表。
一、界限上下文（Bounded Context）—— 各系统的唯一职责域
依据DDD领域驱动设计(Evans 2003 → 2026 AI版) + 微软多Agent参考架构(Microsoft 2026.05)，每个系统必须拥有清晰的领域边界和无歧义的职责声明。以下是款多多四大系统的界限上下文定义：
| 系统 | 领域(Domain) | 核心聚合根 | 边界内职责(做) | 边界外职责(不做) |
|---|---|---|---|---|
| 知微 情报知识层 |
情报采集·知识管理·图谱推理 | Entity / Relation / Source / Inference | ①外部情报采集(13源+爬虫) ②知识图谱构建与维护(2325实体/37万关系) ③GraphRAG检索+深度研究 ④图谱L1-L5推理 ⑤知微内部工作流(采集→处理→同步三管线) | Agent生产(属于灵枢) 任务编排(属于天枢) 系统级审计(属于天枢) 品牌运营(属于中枢) Agent间协同(属于天枢) |
| 天枢 编排调度层 |
Agent编排·任务调度·质量门禁·身份管理 | Agent / Task / Kanban / Skill / Quality | ①多Agent任务编排(看板/@mention/接力链) ②88Agent生命周期管理 ③Ed25519+DID身份认证 ④Four Pillars 6维质量评分 ⑤技能市场(158技能) ⑥系统级审计(6759条史记) ⑦WebSocket Hub(26+并发) | 情报采集(属于知微) 知识图谱存储(属于知微) Agent内部训练(属于灵枢) 业务指标展示(属于中枢) 深度分析推理(属于灵枢) |
| 灵枢 Agent生产层 |
Agent工业化生产·质量审计·对抗训练·能力进化 | AgentTemplate / MoMA / 金睛 / 御检 | ①AI Agent容器化批量生产 ②MoMA路由+层级记忆系统 ③金睛18维代码审查 ④御检15域全量审计 ⑤红蓝对抗训练 ⑥37Agent批量升级管理 ⑦Agent能力进化与版本管理 | 外部情报采集(属于知微) 图谱存储(属于知微) 任务编排(属于天枢) 品牌运营(属于中枢) 业务KPI展示(属于中枢) |
| 中枢 品牌运营层 |
品牌运营·业务决策·反馈收集·可视化 | Dashboard / Metric / Feedback / Brand | ①品牌运营管理(React SPA) ②业务指标看板与决策支持 ③运营反馈收集与回传 ④用户行为数据采集 ⑤市场洞察的输入接口 ⑥知微情报的消费端展示 ⑦Agent业务表现追踪 | 知识图谱存储(属于知微) Agent生产(属于灵枢) 任务编排(属于天枢) 情报采集(属于知微) 审计门禁(属于天枢/灵枢) |
参考：DDD(Eric Evans 2003) + 微软Multi-agent参考架构2026(devblogs.microsoft.com + github.com/microsoft/multi-agent-reference-architecture) + Agentplace企业级架构模式(agentplace.io 2026.04) + 多Agent深度学习综述(arXiv 2601.13671)
二、职责重叠检测（需消除的重复建设）
依据事件驱动解耦原则(Confluent 2025) + 微服务单一职责原则，检测到以下3个重叠区域：
| # | 重叠功能 | 涉及系统 | 重叠说明 | 建议方案 | 参考依据 |
|---|---|---|---|---|---|
| O-01 | 审计/史记 | 知微(进化史记7表) + 天枢(6759条系统审计) + 灵枢(御检15域) | 三个系统各有审计，但审计对象不同却用的是相似技术栈(SQLite)。知微审计的是实体变更(知识层)，天枢审计的是系统操作(编排层)，灵枢审计的是Agent质量(生产层)。三家审计维度不同，但查询接口和展示互不认识。 | 统一审计索引网关：天枢维护审计索引(谁+何时+何事)，知微/灵枢各自维护详细审计内容。通过A2A协议的Agent Card统一暴露审计查询能力，而非各自实现完整审计系统。 | Confluent事件驱动4模式2025 — 黑板模式建议统一事件总线；微软参考架构2026 — 按层关注点分离建议"集成层只做转译不做存储" |
| O-02 | 工作流编排 | 知微(APScheduler 15+工作流) + 天枢(DAG图+接力链+4种任务模式) | 知微的工作流引擎(AI Agent :6003)负责情报采集管线的定时调度，天枢的DAG负责多Agent任务编排。两者有本质区别：知微是定时数据管道，天枢是动态任务编排。但当前两者无明确边界文档，导致新开发者容易混淆。 | 明确分层文档：知微工作流=定时数据ETL(固定频次的情报采集)，天枢DAG=动态任务编排(ASAP的条件触发的Agent协调)。两类工作流通过MCP协议的Resource原语交换状态，而不是各自实现调度器。 | Edison 7大架构范式2026 — 明确区分Pipeline(确定性链)和Supervisor(动态编排)；Agent控制平面2026 — 控制面≠业务数据面 |
| O-03 | MCP工具暴露 | 知微(MCP Provider+Consumer 12+4工具) + 灵枢(通过天枢暴露能力) | 知微的MCP工具(12个Provider+4个Consumer)是天枢Agent生态中最大工具供应商。但知微只暴露了1/12到技能市场。灵枢的Agent也需要调用外部工具时，又要走另一套机制。 | MCP网关统一化：所有系统的MCP工具统一注册到天枢的MCP网关(类似微软参考架构的Integration Layer)，任何Agent(不管来自知微还是灵枢)都通过同一网关调用工具。消除"同样工具不同入口"问题。 | MCP协议官方案例(37M+下载) — MCP Server作为统一工具访问层；SRS.PUB 2026 — 层次协议栈建议MCP固化在地层 |
预估收益：消除O-01可减少审计重复代码约15% / 消除O-02可减少工作流配置混乱约20% / 消除O-03可减少工具调用重复实现约30%。合计减少重复建设约25%。参考：Confluent事件驱动多Agent系统(falconer & sellers 2025.02) + 微软多Agent参考架构(github.com/microsoft/multi-agent-reference-architecture 2026.05) + 微服务解耦最佳实践(腾讯云 2026.01)
三、全局职责矩阵（含相互接口定义）
每个系统的能力分为三类：核心职责(必须自建) / 共享职责(通过接口对外暴露) / 消费职责(只调用不存储)。此矩阵确保无重复建设：
| 能力 | 归属系统 | 暴露方式 | 消费方 | 避免的重复 |
|---|---|---|---|---|
| 知识图谱存储与查询 | 知微(核心) | MCP Knowledge Resource | 天枢/灵枢/中枢 | 灵枢另建图谱 |
| 情报采集(13源+爬虫) | 知微(核心) | MCP Tool | 天枢(调度触发) | 天枢另建采集器 |
| 知识图谱深度推理 | 知微(共享) | MCP Tool → LayerChain | 灵枢(分析结果) | 灵枢重写推理 |
| Agent任务编排 | 天枢(核心) | WS+REST+看板API | 知微/灵枢/中枢 | 知微另搞调度 |
| Agent注册与发现 | 天枢(核心) | Agent Registry API | 灵枢(注册新Agent) | 知微维护Agent清单 |
| 系统审计索引 | 天枢(共享) | Audit Index API | 知微/灵枢/中枢 | 三家重复实现 |
| 技能市场 | 天枢(核心) | Marketplace API | 知微(发布)/灵枢(下载)/中枢(消费) | 灵枢自有市场 |
| Agent容器化生产 | 灵枢(核心) | Factory API | 天枢(发生产任务) | 天枢自建Agent |
| Agent质量审计(金睛/御检) | 灵枢(核心) | Quality Report MCP | 天枢(质量评分引用) | 天枢另建质量门 |
| Agent红蓝对抗训练 | 灵枢(核心) | Training MCP | 天枢(训练任务触发) | 知微来训练 |
| 品牌运营看板 | 中枢(核心) | React SPA | 最终用户(长庚总等) | 知微做SQL看板 |
| 业务反馈收集 | 中枢(共享) | Feedback API | 知微(调整方向)/灵枢(重训)/天枢(新任务触发) | 知微做用户调研系统 |
| 业务指标监控 | 中枢(共享) | Metrics API | 天枢(判断是否触发新编排) | 天枢做业务指标 |
参考：Agentplace微服务化Agent架构模式(agentplace.io 2026.04) — 每个Agent Service应有清晰的service boundary
四、协议栈标准化 —— 三层通信协议
依据SRS.PUB Agent交互协议深度调研2026 + A2A/MCP分层架构 + 微软参考架构Integration Layer，建议款多多四系统采用以下三层协议栈：
| 层级 | 协议 | 标准化组织 | 款多多现状 | 整改方案 | 参考来源 |
|---|---|---|---|---|---|
| 编排层 (Agent间任务协商) |
A2A v1.0 (Agent-to-Agent) |
Google → Linux Foundation AAIF | 天枢的WS+REST看板是半私有协议，未标准化兼容A2A | 天命看板API向前兼容A2A协议格式，新增`Agent Card`自描述(A2A v1.0 2026.03已发布) | A2A v1.0 Release(github.com/a2aproject 2026.03) | 150+合作伙伴 | v0.3→v1.0已GA |
| 工具层 (Agent调用外部服务) |
MCP v1.4 (Model Context Protocol) |
Anthropic → Linux Foundation AAIF | 知微已有MCP Provider+Consumer双向，但灵枢/中枢未统一对接 | 知微MCP Server升级为天枢MCP网关的Provider，所有系统通过同一网关调用工具。知微保留Consumer能力。 | MCP v1.4 RC 2026路线图(MCP Maintainer 2026.03) | 19,831+索引MCP服务器 | 97M SDK下载 |
| 事件层 (系统级状态通知) |
Event Bus (Kafka/RabbitMQ风格) |
Confluent/社区 | 无统一事件总线，靠WS直连+看板轮询 | 天枢引入轻量级Event Bus(或复用APScheduler的Job事件)，支持Pub/Sub模式处理状态变更通知(如"任务完成→触发下一任务") | Confluent文章(Falconer & Sellers 2025) — 4种事件驱动模式完全消除Agent间专用通信路径 |
以上协议栈分层参考SRS.PUB三协议分层(Symphony/A2A/MCP) 2026.05 + Confluent事件驱动Agent系统2025.02 + AAIF(Linux Foundation) 2026.05
五、解耦后通信拓扑图（系统间仅通过标准化接口交互）
基于上述解耦原则和协议栈，款多多四大系统的通信拓扑重构为：
| 接口 | 协议 | 调用方→提供方 | 数据格式 | 解耦效果 |
|---|---|---|---|---|
| 知识查询 | MCP Resource | 天枢/灵枢/中枢 → 知微图谱 | JSON-LD (Entity+Relation) | 知微存储更换不影响消费方 |
| 情报采集触发 | MCP Tool | 天枢 → 知微采集器 | QuerySpec JSON | 采集策略变更不通知调用方 |
| Agent生产 | REST + WS | 天枢 → 灵枢工厂 | AgentSpec JSON | 灵枢工厂升级不影响天枢编排 |
| Agent注册 | REST | 灵枢 → 天枢注册表 | AgentCard JSON | 灵枢可独立决定生产和注册时序 |
| Agent部署到业务 | REST + Webhook | 灵枢 → 中枢 | DeploymentSpec JSON | 中枢仅消费成品Agent，不关心生产过程 |
| 业务反馈 | REST (Event-Driven) | 中枢 → 天枢Event Bus | FeedbackEvent JSON | 中枢不知道谁消费反馈，由Event Bus路由 |
| 质量审计报告 | MCP Resource | 灵枢 → 天枢(审计索引) | AuditReport JSON Schema | 审计存储独立，仅通过索引关联 |
| 业务指标 | REST (Pub/Sub) | 中枢 → 天枢Event Bus | MetricEvent JSON | 天枢根据指标变化决定是否触发新任务 |
参考：微软多Agent参考架构2026 — 每个组件通过标准化接口通信，MCP为Agent-Tool接口，REST为Agent-Agent接口 | Agentplace消息接口定义(AgentMessage with correlationId + replyTo) 2026.04 | SRS.PUB三协议分层2026.05
六、闭环详解：四元系统的13条交互通道
| 编号 | 起点 | 终点 | 通道类型 | 协议/机制 | 示例 | 状态 |
|---|---|---|---|---|---|---|
| C1 | 天枢 | 知微 | 控制流 | WS+REST+MCP | 情报采集任务下发 | 已实现 |
| C2 | 天枢 | 灵枢 | 控制流 | WS+REST+看板 | Agent生产任务编排 | 已实现 |
| C3 | 天枢 | 中枢 | 控制流 | API+WebHook | 部署Agent到业务面 | 部分实现 |
| D1 | 知微 | 天枢 | 数据流 | 知识图谱MCP | 任务执行返回知识结果 | 已实现 |
| D2 | 知微 | 灵枢 | 数据流 | 图谱API+MCP | 供给Agent训练数据 | 部分实现 |
| D3 | 灵枢 | 天枢 | 数据流 | Agent注册API | 新Agent注册+能力声明 | 已实现 |
| D4 | 灵枢 | 中枢 | 数据流 | API+容器部署 | 成品Agent交付到业务系统 | 部分实现 |
| D5 | 中枢 | 天枢 | 数据流 | API+回传通道 | 业务执行结果、运行状态 | 部分实现 |
| F1 | 灵枢 | 知微 | 反馈流 | QA报告+图谱注入 | 审计发现的知识缺口→图谱补充 | 待构建 |
| F2 | 中枢 | 知微 | 反馈流 | 洞察回注API | 业务反馈→调整情报采集方向 | 待构建 |
| F3 | 中枢 | 灵枢 | 反馈流 | 性能指标API | Agent业务表现→重新训练 | 待构建 |
| E1 | 知微 | 中枢 | 间接流 | 百科卡+情报推送 | 行业情报直接推送到业务看板 | 部分实现 |
| E2 | 中枢 | 天枢 | 触发流 | 业务事件→触发任务 | 业务指标异常→触发情报任务 | 待构建 |
状态说明：已实现 = 已验证可运行 / 部分实现 = 有基础但未完全自动化 / 待构建 = 尚需开发。参考arXiv 2601.13671多Agent系统编排论文
七、三层飞轮 · 自增强循环
| 飞轮层 | OODA映射 | 起点 | 终点 | 循环路径 | 增益效果 |
|---|---|---|---|---|---|
| 信息飞轮 （3~5分钟） | Observe→Orient | 知微(情报) | 灵枢(分析) | 知微采集外部情报→天枢分配分析→灵枢深度分析→结论回注知微图谱 | 知识图谱越分析越丰富，每次分析产出回流为图谱新节点 |
| 决策飞轮 （5~30分钟） | Decide→Act | 天枢(编排) | 中枢(执行) | 天枢基于情报编排Agent→灵枢生产Agent→中枢部署到业务→业务结果回传天枢 | Agent生态越执行越精准，业务反馈修正Agent行为 |
| 进化飞轮 （24小时+） | Feedback→Improve | 中枢(反馈) | 知微/灵枢(优化) | 中枢业务洞察反馈→知微调整采集方向+灵枢重训Agent→新Agent部署→更高执行质量 | 系统整体自进化，无需外部干预即可适应市场变化 |
参考：OODA循环(John Boyd) → OODA-AI改编(Gartner 2026) + ESAA事件溯源架构(arXiv 2601.13671) + Agent控制平面(AI Master 2026.05) — 控制面与数据面分离后三种飞轮并行不悖
八、3轮全网搜索参考来源
| # | 来源标题 | 发布者 | 日期 | URL |
|---|---|---|---|---|
| 1 | Multi-Agent LLM 系统架构全景调研（7大架构范式/9框架对比/MCP+A2A协议栈） | Edison Tech Blog | 2026-04-19 | 原文 |
| 2 | Multi-Agent System Architecture: Design Patterns for Enterprise Scale | Agentplace Editorial Team | 2026-04-08 | 原文 |
| 3 | Four Design Patterns for Event-Driven Multi-Agent Systems | Sean Falconer & Andrew Sellers (Confluent) | 2025-02-19 | 原文 |
| 4 | Microsoft Multi-agent Reference Architecture (GitHub) | Microsoft | 2026-05-06 | GitHub / 文档 |
| 5 | AI Agent 交互协议深度调研报告2026（Symphony/A2A/MCP三协议分层） | Reddish (SRS.PUB) | 2026-05-17 | 原文 |
| 6 | Agent 控制平面架构：从单层Agent到多层Agent管理的架构演进 | AI Master | 2026-05-18 | 原文 |
| 7 | The Orchestration of Multi-Agent Systems: Architectures, Protocols & Enterprise Adoption (arXiv 2601.13671) | Adimulam, Gupta, Kumar | 2026-01-20 | 原文 |
| 8 | 面向规模化应用的多 Agent 系统架构设计：微服务化与弹性调度 | 腾讯云开发者社区 | 2026-01-03 | 原文 |
| 9 | AI Agent 互联双协议解析：A2A与MCP的技术演进与实践 | 百度智能云 | 2026-01-05 | 原文 |
| 10 | Multi-Agent Architecture: 8 Coordination Patterns | TacNode | 2026-01-28 | 原文 |
以上为3轮集中搜索中筛选出的10篇核心参考来源，涵盖学术论文、企业参考架构、协议标准、实践指南。
款多多vs全球平台定位
| 平台类型 | 代表平台 | 款多多对标系统 | 差异化优势 |
|---|---|---|---|
| 零售全链路AI | invent.ai / intelo.ai / OODARIS / questt.ai | 知微(情报)+天枢(编排)+灵枢(Agent生产) | 款多多有四体合一生态，但缺少库存/定价/促销等零售执行层Agent |
| AI基础设施 | Hanzo AI（390模型/260MCP工具） | 知微(12MCP工具)+天枢(19技能) | 款多多有行业知识图谱优势，但工具生态广度不足 |
| 多Agent编排框架 | CrewAI / OpenHands / AutoGen | 天枢(88Agent编排) | 天枢有企业级看板/质量评分/审计，但缺少开源SDK |
| Agent BI/分析 | SmartBI白泽 / Databricks Genie | 知微(知识图谱+情报) | 知微有行业深度但缺少自助BI查询能力 |
| AI员工/组织 | Buda.im / Multica / Paperclip / Mindra | 灵枢(Agent工厂)+中枢(品牌运营) | 灵枢有工业化Agent生产，但缺少AI员工管理 |
发布人：知微(综合分析) | 发布时间：2026-05-23 | 发布地址：本页面
invent.ai — 全球零售多AI协同第一平台
核心信息
| 维度 | 内容 |
|---|---|
| 英文名 | invent.ai (曾用名: Invent Analytics) |
| 官网 | www.invent.ai |
| GitHub | 未公开开源（闭源SaaS平台） |
| 核心定位 | 零售全链路多AI自动决策平台 |
| AI-AI协同度 | 92%（零售AI领域全球最高） |
| 人工干预率 | 8%（仅关键决策点需要人） |
| 落地规模 | 全球300+大型零售企业，管理超1000万SKU |
| 代表性客户 | 沃尔玛、塔吉特（Target）等全球顶级零售 |
| 权威认证 | 被Gartner Market Guide收录(2026-03-25) |
| 数据处理能力 | 每秒10万+数据点，决策延迟小于1秒 |
| 技术架构 | 多Agent架构：共享知识图谱+事件总线+全局目标函数 |
| 核心创新 | 全局目标函数：所有AI代理围绕"最大化净利润"统一目标自动解决跨部门冲突 |
| 零售覆盖 | 预测→库存→定价→促销→商品运营→财务全链路闭环 |
| 长周期任务 | 支持最长30天任务，具备断点续跑能力 |
款多多的学习价值
Stage 1（即时零售）最核心对标。 具体要学习：
(1) 全局目标函数机制：如何让所有AI代理围绕统一业务目标自动权衡冲突。这是知微+天枢当前最缺的能力。
(2) 零售全链路Agent拆解：预测Agent→库存Agent→定价Agent→促销Agent的职责划分和协作文档。
(3) 断点续跑+长周期任务：最长30天任务状态管理，对于即时零售的季节性促销和大促场景至关重要。
Hanzo AI — 开源AI云基础设施王者
核心信息
| 维度 | 内容 |
|---|---|
| 官网 | hanzo.ai |
| GitHub | github.com/hanzoai (Techstars'17) |
| PyPI包 | pypi.org/project/hanzo/ |
| 平台定位 | 完整的开源AI云基础设施 |
| 开源协议 | MIT（完全开源） |
| 模型支持 | 390+模型，完全模型无关，避免厂商锁定 |
| MCP工具数 | 260+ MCP工具，自动发现+自定义工具 |
| 入口方式 | CLI / IDE插件 / 浏览器插件 / Web / API / Slack/Teams |
| 核心技术 | 统一内存总线(Agent间通信)、多模型竞速模式(准确率高30%)、LLM网关、向量数据库、IAM/KMS |
| 安全治理 | 完整审计日志、IAM/KMS、RBAC、数据加密、合规检查 — 企业级 |
| 通信架构 | 统一内存总线 + 点对点 + 广播 + 事件驱动 |
| 协作模式 | 并行竞速 / 顺序 / 层级 / 混合 — 四模式全覆盖 |
| 记忆系统 | 统一向量数据库、跨Agent知识共享、全局上下文 |
| 任务规划 | 递归分解、自动依赖分析、多Agent竞速模式自动选最优解 |
| 部署方式 | 公有云 / 私有云 / 自托管 / 混合云 — 四模式全覆盖 |
| AI协同度 | 90% |
| 市场认可 | Techstars'17入选，开源社区活跃 |
款多多的学习价值（Stage 3通用平台化的核心对标）
Stage 3（通用平台化）核心对标。 在核心能力做到国际领先后，参考Hanzo AI：
(1) 统一内存总线：知微的37万关系和天枢的88Agent编排可以借鉴Hanzo AI的Agent间通信方式。
(2) MCP工具生态：知微目前12个MCP工具，目标先扩展到50+（Stage 1），再对标Hanzo AI的260+（Stage 3）。
(3) 多模型无关架构：当前用DeepSeek V4统一模型，Stage 3领先后可参考Hanzo的模型无关设计。
(4) IAM/KMS安全体系：天枢的Ed25519+JWT可对标Hanzo AI的企业级安全治理。
CrewAI Enterprise — 多Agent编排框架GitHub第一
核心信息
| 维度 | 内容 |
|---|---|
| 官网 | crewai.com / crewai.org.cn（中文站） |
| GitHub | github.com/crewAIInc/crewAI |
| PyPI包 | pypi.org/project/crewai/ |
| 开源协议 | MIT（核心框架）+ Enterprise版 |
| 定位 | 最流行的开源多Agent编排框架 |
| 核心架构 | 4大组件：Agent / Task / Crew / Process |
| AI协同度 | 86% |
| 协作模式 | Crews自主协作(角色驱动) + Flows确定性编排(事件驱动DAG) |
| 内置工具 | 75+内置工具 + LangChain集成 + MCP支持 |
| 企业版功能 | Web Studio可视化、生产部署、监控、SSO+RBAC、合规报告 |
| 记忆系统 | 向量数据库集成、跨会话记忆、共享上下文 |
| Python生态 | 完全自研，不依赖LangChain或其他框架 |
发布人：CrewAI官网/GitHub/腾讯云 | 发布时间：2026-02~05 | 发布地址：GitHub / crewai.com
款多多的学习价值（Stage 2+3）
(1) Flows事件驱动DAG：天枢当前基于APScheduler定时触发，可对标CrewAI Flows的事件驱动编排。
(2) Agent SDK：知微和天枢应考虑推出Python SDK，降低第三方Agent开发门槛（CrewAI已证明开源SDK的可行性）。
(3) Web Studio：天枢的管理后台可借鉴CrewAI Enterprise的Web Studio设计。
OpenHands — 开源AI软件工程师（70K+ GitHub Stars）
核心信息
| 维度 | 内容 |
|---|---|
| 官网 | github.com/OpenHANDS |
| GitHub Stars | 70,000+（AI编程领域第一） |
| 开源协议 | MIT |
| 前身 | OpenDevin（2024年发布） |
| 核心定位 | AI驱动的全流程软件开发平台 |
| 工作模式 | AI Agent自主完成：需求理解→代码编写→测试→Debug→部署 |
| 入口方式 | CLI / VS Code插件 / JetBrains插件 / Web |
| 工具集 | 代码编辑/调试/终端/浏览器/Git/Docker — 完整开发环境 |
| 协作模式 | 主控-从属 / 并行编码 / 代码评审 |
| 角色划分 | 开发/测试/运维/架构 — 编码专用角色 |
| 任务规划 | 迭代规划、代码任务拆分、CI/CD集成 |
| 结果验证 | 单元测试自动运行、代码审查、CI/CD验证 |
| 安全 | 操作日志、RBAC、VPC部署、数据隔离 |
款多多的学习价值
灵枢（AI Agent批量生产平台）可对标OpenHands的Agent Canvas架构。具体学习点：
(1) Agent Canvas的自我托管模式和工具注册机制。
(2) AI全流程软件开发的角色划分（开发/测试/运维/架构）。
(3) CI/CD集成和代码质量自动验证。
其他重点平台
intelo.ai — 高端零售多AI团队
| 维度 | 内容 |
|---|---|
| 官网 | intelo.ai |
| GitHub | 闭源SaaS，部署在Microsoft Azure Marketplace |
| 定位 | 奢侈品/专业零售商品运营多AI平台 |
| AI协同度 | 88% |
| 核心模式 | 5个AI代理团队（分析/财务/商品/运营/定价）组织成完整商品运营部门 |
| Agent数量 | 16个专业AI代理（覆盖C级高管到分配者） |
| 落地规模 | 150+高端零售品牌，覆盖20+国家 |
| 获奖 | Just Style Excellence Awards 2025 |
| Stage价值 | Stage 2（全部零售）核心对标—品类专业化AI团队组织模式 |
发布人：intelo.ai官网/Microsoft Azure/LinkedIn | 发布时间：2025-12~2026-04 | 发布地址：intelo.ai
OODARIS — 自主零售多AI操作系统
| 维度 | 内容 |
|---|---|
| 官网 | oodaris.ai |
| GitHub | github.com/oodaris（开源） |
| 定位 | 自主零售多AI操作系统 |
| AI协同度 | 85% |
| 核心架构 | Broker+Blackboard黑板模式（经典多AI通信架构） |
| 技术特点 | 边缘优先架构（支持门店本地AI决策）、内置因果推理引擎 |
| 落地规模 | 欧洲200+连锁超市，日处理1亿+交易 |
| Stage价值 | Stage 2核心对标—Broker+Blackboard架构和边缘计算能力 |
发布人：OODARIS官网/GitHub/LinkedIn | 发布时间：2025-11~2026 | 发布地址：oodaris.ai
SmartBI白泽 — 国内Agent BI领导者
| 维度 | 内容 |
|---|---|
| 官网 | smartbi.com.cn/agentbi |
| 公司 | 思迈特软件（广州），十余年BI技术积累 |
| 定位 | 企业级Agent BI数据决策分析平台 |
| AI协同度 | 82% |
| 最新版本 | 白泽V5（2026-05-22发布） |
| 核心架构 | 指标体系驱动+Agent BI工作流+自动分析报告 |
| 落地规模 | 500+中国大型企业，零售占比40% |
| Stage价值 | 全阶段核心参考—中文场景深度适配+指标体系语义底座 |
发布人：思迈特软件官网/CSDN/知乎 | 发布时间：2025-10~2026-05-22 | 发布地址：smartbi.com.cn
Databricks Genie — 湖仓一体数据分析
| 维度 | 内容 |
|---|---|
| 官网 | databricks.com |
| 定位 | 对话式数据分析Agent，湖仓一体架构 |
| AI协同度 | 83% |
| 数据能力 | 万亿级数据实时处理，NL查询+自动分析 |
| 最新动态 | 2026-05-21新增零售个性化分析能力 |
发布人：Databricks Blog/Microsoft Learn | 发布时间：2026-05-21 | 发布地址：Databricks Blog
Buda.im — AI员工平台
| 维度 | 内容 |
|---|---|
| 官网 | buda.im |
| 定位 | AI员工招聘/管理/考核平台 |
| 核心特色 | AI员工档案、绩效考核、技能成长记录、员工间聊天、主管指令、公告、三级权限（操作日志/权限分级/隔离沙箱） |
| 入口方式 | Web / API / Slack/Teams/WeChat |
| Stage价值 | Stage 3通用平台化的参考—以AI员工为核心的组织管理模式 |
questt.ai — 消费零售AI决策
| 维度 | 内容 |
|---|---|
| 官网 | questt.ai / questt.com |
| 定位 | 消费零售企业AI决策系统 |
| AI协同度 | 80% |
| 核心能力 | AI代理覆盖供应链/销售/规划/企业智能，共享业务知识协调 |
| 部署速度 | 6周内可部署 |
| 解决5大问题 | 库存采购量/清仓策略/定价优化/降价时机/跨店调拨 |
| Stage价值 | Stage 1核心参考—即时零售AI Agent的设计模式 |
发布人：questt.ai官网/LinkedIn/KPMG报告 | 发布时间：2026-01~03 | 发布地址：questt.ai
Kore.ai — 综合AI Agent平台（2026零售AI TOP1）
Sierra AI — 对话式商务Agent平台
Algolia — AI驱动的产品发现平台
核心信息
| 维度 | 内容 |
|---|---|
| 官网 | algolia.com |
| 定位 | AI驱动搜索+产品发现+个性化推荐 |
| 核心能力 | AI搜索/个性化推荐/预测性商品陈列/AI商品发现 |
| 零售场景 | 智能搜索→推荐→商品排列全链路AI化 |
| Stage价值 | Stage 1参考—款多多品牌旗舰店的智能搜索/推荐能力 |
发布人：Algolia官网/img global infotech | 发布时间：2026-04~05 | algolia.com
差距分析
| 维度 | 款多多现状 | 全球最佳 | 差距 | 阶段 |
|---|---|---|---|---|
| AI-AI自动协商 | @mention+接力链(需预定义) | invent.ai全局目标函数自动权衡 | 缺少跨Agent自动冲突解决机制 | S1 |
| 统一模型策略 | DeepSeek V4全系统一 | —（款多多明确决策） | 已决策：先统一再多元化 | 已定 |
| WS连接稳定性 | 228次重连/14h(502错误) | 天枢WS Hub 26+并发 | 知微WS连接不稳定 | S1 |
| 零售全链路AI | 知识图谱+情报(前端) | invent.ai预测→库存→定价→促销全闭环 | 缺少零售执行层Agent | S1 |
| MCP工具生态 | 12个 | Hanzo AI 260+ | 工具数差距20倍 | S1 |
| 长周期任务 | 无明确支持 | invent.ai 30天断点续跑 | 缺少长周期任务管理 | S1 |
| Agent SDK | 无 | CrewAI Python SDK | 缺少第三方开发SDK | S2 |
| DAG工作流引擎 | APScheduler定时触发 | CrewAI Flows事件驱动DAG | 编排灵活性不足 | S2 |
| 低代码Agent构建 | 全代码 | CrewAI Web Studio | 缺少可视化Agent构建器 | S3 |
| 多模型无关架构 | DeepSeek V4统一 | Hanzo AI 390+模型 | 领先后再考虑 | S3 |
发布人：知微(综合分析) | 发布时间：2026-05-23 | 发布地址：本页面
三期发展战略
| 阶段 | 定位 | 时间 | 核心任务 | 关键目标 | 对标 |
|---|---|---|---|---|---|
| S1 | 即时零售行业 （DeepSeek V4 + 零售AI闭环） | 立即→6个月 | 1.修复WS502 2.全局目标函数 3.MCP工具50+ 4.需求预测/库存/定价AI Agent 5.长周期任务+断点续跑 | 即时零售全链路AI闭环 AI协同度65%→85%+ | invent.ai / questt.ai |
| S2 | 全部零售行业 （品类扩展+四体融合） | 6→12个月 | 1.品类扩展(食品/日化/美妆/医药) 2.知微Agent SDK 3.天枢DAG工作流 4.四体深度融合 5.多Agent自主协商 | 覆盖零售全品类 AI协同度85%→92%+ | intelo.ai / OODARIS / CrewAI |
| S3 | 通用化平台化 （开放生态+全球对标） | 12个月+ | 1.低代码Agent构建器 2.技能市场100+ 3.外部开发者生态 4.多模型无关架构 5.Agent SDK对外开放 | 平台对外开放 对标全球顶级 | Hanzo AI / Buda.im |
发布人：知微(综合分析) | 发布时间：2026-05-23 | 参考：商务部研究院《即时零售行业发展报告》2026-03-03 / NVIDIA AI零售报告2026
DeepSeek V4 统一模型策略
决策：款多多全部AI系统统一使用DeepSeek V4作为思维基础模型
为什么统一模型？
(1) 思维基线一致：知微/天枢/中枢/灵枢四系统使用同一模型，确保所有Agent的决策逻辑、推理风格、价值观一致。避免多模型带来的"思维冲突"和结果不一致问题。
(2) 开发和维护成本：单一模型大幅降低Prompt调优(只需维护一套System Prompt体系)、接口维护(统一API接入)、成本控制(批量调用优惠)的工作量。DeepSeek V4作为国产开源模型，自托管部署成本可控。
(3) 聚焦核心差异化能力：不在模型层面多花精力，集中资源构建款多多独有的竞争优势——知识图谱(2,325实体/37万关系)、情报采集(13源+SpiderEngine)、多AI协同(88Agent)、Agent批量生产(灵枢)。
(4) V4性能已至国际前沿：根据BentoML 2026-04-24评测和FutureAGI 2026-05-20评估，DeepSeek V4在多项基准测试中表现已比肩或超越GPT-4o和Claude 3.5 Sonnet，足以支撑款多多当前全部AI场景。
何时考虑多模型？
当款多多AI生态实现Stage 3目标（通用平台化、国际领先）后，再参考Hanzo AI的390+模型无关架构，引入多模型竞速机制。当前阶段（Stage 1~2），DeepSeek V4完全够用。
发布人：DeepSeek官网/BentoML/FutureAGI | 发布时间：2026-04~05 | 发布地址：deepseek.com / BentoML Guide / FutureAGI Evaluation
对标学习路线
Stage 1：即时零售行业（立即→6个月）
| 优先级 | 学习目标 | 对标平台 | 核心借鉴 | GitHub/官网 |
|---|---|---|---|---|
| P0 | 全局目标函数+自动冲突解决 | invent.ai | 所有AI代理围绕"最大化净利润"统一目标自动权衡 | invent.ai |
| P1 | 即时零售AI Agent（预测/库存/定价） | invent.ai / questt.ai | 需求预测→库存管理→动态定价全链路Agent | questt.ai |
| P1 | 长周期任务+断点续跑 | invent.ai | 最长30天任务+错误恢复 | invent.ai |
| P1 | MCP工具扩展至50+ | Hanzo AI (260+) | 扩展知微MCP工具生态 | github.com/hanzoai |
Stage 2：全部零售行业（6→12个月）
| 优先级 | 学习目标 | 对标平台 | 核心借鉴 | GitHub/官网 |
|---|---|---|---|---|
| P1 | 品类专业化AI团队 | intelo.ai | 5个AI团队组织成完整运营部门 | intelo.ai |
| P1 | Broker+Blackboard架构+边缘计算 | OODARIS | 多AI通信经典架构+门店本地决策 | github.com/oodaris |
| P2 | Agent SDK + DAG工作流 | CrewAI Enterprise | Python SDK + Flows事件驱动DAG | github.com/crewAIInc/crewAI |
| P2 | 国内企业Agent BI落地 | SmartBI白泽 | 指标体系驱动+中文场景适配 | smartbi.com.cn |
Stage 3：通用化平台化（12个月+）
| 优先级 | 学习目标 | 对标平台 | 核心借鉴 | GitHub/官网 |
|---|---|---|---|---|
| P2 | 统一内存总线+安全治理 | Hanzo AI | IAM/KMS/RBAC+多模型无关架构 | github.com/hanzoai |
| P2 | 低代码Agent构建器 | CrewAI Web Studio | 可视化Agent编排降低门槛 | crewai.com |
| P2 | AI员工+组织管理模式 | Buda.im | AI员工档案/绩效考核/技能成长 | buda.im |
| P2 | AI全流程软件开发 | OpenHands (70K+ stars) | Agent Canvas+CI/CD集成 | github.com/OpenHANDS |
多AI协同全球追踪
36
总追踪条目
8
论文/学术
6
评估方法论
8
标准/治理
14
产品/平台
覆盖组织：AAIF(Linux Foundation) / NIST CAISI / W3C ANP / Singapore IMDA / ISO/IEC / OWASP AOS / Anthropic / OpenAI / Google Cloud / Microsoft / Salesforce
发布人：知微(持续追踪) | 最后更新：2026-05-21 | 数据源：36个一手来源已本地化
arXiv论文/学术 8条
▼
| # | 内容摘要 | 发布人 | 时间 | |
|---|---|---|---|---|
| 1 | MCP v1.4 RC 路线图：四大优先领域——传输演进/Agent通信(SEP-1686)/治理成熟度/企业就绪 | David Soria (MCP Lead) | 2026-03-09 | 🔗 |
| 2 | MCP v1.4 RC 生态：19,831+ 索引服务器，v0.1→v1.4 RC 完整协议演进 | Tokenmix AI | 2026-04-25 | 🔗 |
| 3 | A2A v0.3.0：Google Agent-to-Agent 通信标准，Apache 2.0，Agent Card 机制 | Google / a2aproject | 2026-03-12 | 🔗 |
| 4 | A2A 核心原理：Agent Card 能力声明→匹配→委派→流式推送，跨厂商/跨框架 | Google / A2A WG | 2026-05-14 | 🔗 |
| 5 | arXiv 2512.12791：Agentic AI 4柱评估框架(LLMs/Memory/Tools/Environment) | Akshathala et al. | 2025-12-30 | 🔗 |
| 6 | arXiv 2601.13671：多Agent编排架构、协议与企业采纳，MCP+A2A完整堆栈 | Adimulam et al. | 2026-01-20 | 🔗 |
| 7 | Multi-Agent LLM 7大架构范式全景(Supervisor/Chain/Flat/Adaptive/Handoff/Platform/Consensus) | Edison | 2026-04-19 | 🔗 |
| 8 | arXiv 2510.25445：Agentic AI综合综述，神经AI→符号AI全覆盖 | arXiv Authors | 2025-10-29 | 🔗 |
标准/治理 8条
▼
| # | 内容摘要 | 发布人 | 时间 | |
|---|---|---|---|---|
| 1 | W3C ANP 白皮书：DID去中心化身份，三层架构(身份加密/元协议/应用协议) | W3C AI Agent Protocol CG | 2026-05-13 | 🔗 |
| 2 | AAIF(Linux Foundation)：托管MCP+Google A2A，Anthropic/OpenAI/Block创始捐赠 | Linux Foundation / AAIF | 2026-05-12 | 🔗 |
| 3 | NIST CAISI：全球首个国家级智能体标准倡议(身份认证/安全评估/互操作) | NIST CAISI | 2026-02-17 | 🔗 |
| 4 | 新加坡 IMDA：全球首个Agentic AI治理框架(风险预评估/问责/管控/赋能) | Singapore IMDA | 2026-01-22 | 🔗 |
| 5 | ISO/IEC 42001:2025：全球首个可认证AI管理系统标准 | Lorikeet Security | 2026-04-29 | 🔗 |
| 6 | 多Agent跨模型漏洞继承：环境塑造+叙事侵蚀，单轮基准完全看不出来 | Adrian Wedd | 2026-02-05 | 🔗 |
| 7 | Prompt注入攻击激增340%，端到端威胁模型覆盖30+攻击技术 | AImagicX | 2026-04-12 | 🔗 |
| 8 | EU AI Act 2026合规指南：风险分类/高风险义务/GPAI规则 | Legiscope | 2026-03-27 | 🔗 |
评估方法论 6条
▼
| # | 内容摘要 | 发布人 | 时间 | |
|---|---|---|---|---|
| 1 | Anthropic Evals 2026.1：Task/Trial/Trajectory框架，4种Agent类型评估 | Anthropic | 2026-01-09 | 🔗 |
| 2 | OpenAI AgentKit：Dataset→Trace Grading→Prompt Optimization 端到端 | OpenAI | 2026-04-12 | 🔗 |
| 3 | Claude Opus 4.6：1M上下文(Beta)、Agent Teams、Effort控制、128K输出 | Anthropic | 2026-02-11 | 🔗 |
| 4 | AI Agent评测三层金字塔：任务层→决策层→生产层 | PengJiyuan | 2026-03-25 | 🔗 |
| 5 | Agent Benchmark 2026 H1：SWE-bench/OSWorld/WebArena/SWE-Lancer横评 | Diors Tech | 2026-04-08 | 🔗 |
| 6 | Agent评测基准完整指南2026：SWE-bench/WebArena/AgentBench/GAIA | Benchmarking Agents | 2026-05-13 | 🔗 |
产品/平台 14条
▼
| # | 内容摘要 | 发布人 | 时间 | |
|---|---|---|---|---|
| 1 | OWASP AOS：Agent可观测性标准(OpenTelemetry)，Observed→Guardian架构 | OWASP Foundation | 2025-06-06 | 🔗 |
| 2 | SITS2026可观测性：双轨Trace ID(trace_id@intent+@decision)，Agent Runtime强制注入 | SITS WG | 2026-04-15 | 🔗 |
| 3 | 15个Agent可观测性平台横评：Braintrust/LangSmith/Langfuse/Phoenix等 | AIMultiple | 2026-01-29 | 🔗 |
| 4 | Google Gemini Enterprise Agent Platform：Vertex AI全栈，支持Gemini 3.1/Claude | Google Cloud | 2026-04-22 | 🔗 |
| 5 | Microsoft Copilot Studio 2026.4：多Agent编排GA，Fabric/M365 SDK/A2A三大支柱 | Microsoft | 2026-04-01 | 🔗 |
| 6 | OpenAI Agents SDK 2026.4：沙盒执行/Harness/记忆+Codex工作流 | Winzheng Lab | 2026-04-17 | 🔗 |
| 7 | Salesforce Agentforce 2026.1：单Agent→多Agent编排，360 GA，Summer'26自助服务 | Salesforce Monday | 2026-01-29 | 🔗 |
| 8 | LangChain 135K Stars：LangGraph/CrewAI/AutoGen/Google ADK生态全景 | Scopir | 2026-02-25 | 🔗 |
| 9 | Shopify MCP：6周替代6个月集成，解决时间-45%，人工客服-60%，满意度78%→92% | Juan A. Meza | 2026-05-16 | 🔗 |
| 10 | Replit MCP：代码补全+3倍，AI使用率34%→78%，零安全事件，12语言 | Juan A. Meza | 2026-05-16 | 🔗 |
| 11 | Block MCP金融合规：欺诈检测+34%，误报-87%，年省$12M，100%通过审计 | Juan A. Meza | 2026-05-16 | 🔗 |
| 12 | Google ADK 1.0开源：多Agent+A2A+MCP，Python/TS/Go/Java四语言 | Google Cloud | 2026-05-19 | 🔗 |
| 13 | CrewAI 2026企业级：Crews(自我协作)+Flows(事件驱动), 30K+ Stars | crewAIInc | 2026-05-21 | 🔗 |
| 14 | 2026 AI Agent框架横评：LangChain/Dify/OpenClaw 三大框架决策树 | 虾窝 | 2026-04-08 | 🔗 |
灵枢Agent工厂实装 v1.0
v3.0核心新增——灵枢Agent工厂 v1.0已于2026-05-23实装，实现工业化Agent生产基础设施、5种编排模板和18维质量门禁。
5
编排模板
18
质检维度
790
代码行数
100%
stdlib
5种Agent编排模板
| 模板 | 模式 | 代码 | 示例场景 |
|---|---|---|---|
| Sequential | 顺序链 | template_sequential.py | 情报分析流水线：采集→分析→报告 |
| Concurrent | 并发收集 | template_concurrent.py | 13源情报并行采集后合并 |
| GroupChat | 制衡辩论 | template_group_chat.py | 投资决策委员会多角度评估 |
| Handoff | 动态转移 | template_handoff.py | 智能客服升级系统 |
| Supervisor | 主协调者 | template_supervisor.py | 市场调研项目经理协调多Agent |
金睛18维质量门禁
参考微软Agent Factory质检体系，走零成本开源路线。18维检查覆盖：准确性(12%)、事实性(12%)、幻觉检测(10%)、完整性(10%)、技术正确性(7%)、相关性(10%)、一致性(8%)、清晰度(8%)、简洁性(6%)、时效性(6%)、来源标注(6%)、可操作性(5%)、安全性(5%)、偏见检测(3%)、格式合规(3%)、语气恰当(2%)、法律合规(2%)、交叉引用(3%)。
实现方式：Python dataclass Schema → 正则/启发式检查 → 加权总分(≥0.8通过) → JSON报告
集成路径：MCP协议输出天枢DAG兼容配置 → 天枢编排引擎执行
实现文件:
scripts/ling_shu/ 目录(6个模块) | 蓝图: lantu.html v9.0 ↗专题映射与实体关系 v2.0
v3.0核心新增——所有专题已建立知识图谱实体映射。通过 data/topic_entity_mapping.json 实现专题↔实体关联。
8
活跃专题
12+
款多多核心实体
21
款多多关系链
50+
亳州关联实体
专题↔实体映射列表
| 专题 | KG核心实体 | 关联数 | 来源文件 |
|---|---|---|---|
| 亳源·商业可行性报告 | kdd:company + bz_款多多亳州赋能 | 50+ | mapping ↗ |
| 亳州中草药产业链 | 待注入 | 0 | — |
| 中草药产业对标分析 | 部分 | 5 | mapping ↗ |
| 亳字商标专项盘查 | 待注入 | 0 | — |
| B站干杯基金·美妆投资 | 待注入 | 0 | — |
| 亳源·政府BP | kdd:company + bz_款多多赋能 | 50+ | mapping ↗ |
| 技术发展蓝图 v8.8 | kdd:company + 四大系统 | 20+ | mapping ↗ |
| 本页面·多AI协同 v3.0 | kdd:company + 四大系统 | 20+ | mapping ↗ |
注入脚本:
本页 wiki.kddauto.com/ai-collab 为款多多公司核心战略专题，2026-05-23更新至v3.0
scripts/inject_kdd_topic_entities.py | 映射文件: data/topic_entity_mapping.json | 专题元数据: zhiwi-frontend/data/topics.json v2.0本页 wiki.kddauto.com/ai-collab 为款多多公司核心战略专题，2026-05-23更新至v3.0