基于结构化身份的智能体及企业多域协作系统与方法与流程

摘要: 本发明涉及企业智能协作,具体涉及一种基于结构化身份的智能体及企业多域协作系统与方法。背景技术:1、随着大语言模型(largelanguagemodel,llm)...
基于结构化身份的智能体及企业多域协作系统与方法与流程

本发明涉及企业智能协作,具体涉及一种基于结构化身份的智能体及企业多域协作系统与方法。

背景技术:

1、随着大语言模型(large language model,llm)技术的迅猛发展,将人工智能能力嵌入企业日常运营与协作流程已成为数字化转型的重要方向。当前,业界已涌现出多种企业级ai辅助系统,然而,现有系统在架构设计与治理机制层面暴露出系统性缺陷,根源在于其对“企业级ai”的根本认知错位,即仍将ai定位为无状态的问答工具,而非受企业治理框架约束的虚拟协作智能体。具体缺陷如下:

2、一、ai角色定义粗放,缺乏结构化配置框架。现有系统仅依赖系统提示词的自然语言描述或简单标签分类来刻画ai角色,导致行为边界模糊。完整的智能体职能应由职责范围、回答边界、模型参数、知识库访问范围、工具权限、记忆层级、风险等级及动作确认规则等多个维度共同界定,而现有技术未建立任何多要素结构化配置体系。此外,当企业部署多个专业化ai后,系统缺乏基于用户意图的自动路由与跨领域协作编排能力,用户需自行判断向哪个ai提问,协作效率低下。

3、二、记忆管理缺乏层级化隔离与可信度过滤。现有系统将不同会话场景中产生的信息混合存储于统一记忆空间,检索时仅依据表面相关性排序而不考虑信息来源的权限边界,导致群聊中ai可能引用私人记忆、部门群中引用另一部门保密讨论等跨域泄露风险。同时,系统将所有对话历史不加甄别地持久化,未建立基于记忆状态的准入控制规则,导致未经核实或错误的信息一旦进入记忆库便可能被ai引用为事实,严重损害ai作为企业信息枢纽的可信度。

4、三、自动化执行缺少强制性人工确认节点。现有系统要么完全人工复制粘贴ai建议,要么完全自动执行业务操作,缺乏“动作草稿生成→多维度校验→人工确认→正式执行”的安全中间层。在高危操作场景下,现有系统无法在不显著牺牲协作流畅度的前提下强制插入人工审批。同时,ai生成视觉内容普遍存在文字错乱、logo变形等确定性错误,且缺乏将ai生成的“氛围背景”与品牌资产在服务器本地精确合成排版的能力。

5、四、权限治理体系存在架构性缺陷。ai调用的token消耗直接对应经济成本,现有系统通常仅设全局总额度,无法按部门、项目或群组独立配额。员工间ai辅助通信缺乏可动态调整、实时生效的策略配置,更无法在策略变更后对既有会话即时阻断。群组消息可见性策略单一,无法按群独立配置差异化可见性模式。此外,系统普遍采用"超级管理员"扁平化权限模型,违反最小权限原则,同时外部平台账号密码等敏感凭证缺乏"限时、限次、可追溯"的一次性查看机制。

6、五、多人协作任务缺乏可追责、可预警、可审计的执行闭环。现有任务管理工具在看板可见性控制、多维度关联过滤、唯一负责人强制约束、超期判断基准、双截止自动预警、审批链固化以及催办防滥用等方面均存在不足,难以实现ai辅助任务的闭环治理。

7、综上所述,现有系统在角色定义的结构化程度、记忆的分层安全治理、自动化执行的风险控制、权限模型的精细化设计、通信与信息可见性的动态管控、多人协作任务的可追责性以及视觉内容生成的可治理性等核心维度上均存在显著技术空白。因此,亟需一种将智能体能力完整纳入企业治理体系的系统性解决方案。

技术实现思路

1、本发明针对现有企业ai辅助系统在ai角色定义粗放、记忆管理缺乏层级化隔离与可信度过滤、自动化执行缺少人工确认节点、权限治理颗粒度过粗、员工间通信与信息可见性管控缺失,以及多人协作任务缺乏可追责执行闭环等方面存在的架构性缺陷,提出一种基于结构化身份的智能体及企业多域协作系统与方法。实现多人协作任务的可追责、可预警、可审计执行闭环;通过ai背景生成与确定性品牌资产本地精确合成的分工架构,实现视觉内容生产从不可控生成向可治理管线的升级。本发明将ai从通用的对话工具升级为企业治理框架下的受控智能体,为企业ai协作提供了可配置、可隔离、可确认、可计量、可审计、可治理的全链路技术解决方案。

2、本发明的发明目的是通过以下技术方案实现的:一种基于结构化身份的智能体及企业多域协作系统与方法,包括包括以下步骤:

3、s1:ai员工配置:服务端接收配置指令,从职责文本、回答边界、模型调用参数、知识库访问范围、工具权限、记忆范围、风险等级及关联动作列表八个配置要素中提取配置数据,将所述配置数据关联存储至ai员工配置表,完成ai员工定义;

4、s2:授权校验与额度预留:响应于用户发起的ai调用请求,查询ai授权表执行权限校验,校验通过后调用额度预留函数,基于授权记录的总额度l、已使用token数u和已预留token数p计算剩余可用额度r=max(0,l-u-p),并基于估算输入token数t_in和预设最小输出token预留值o_min执行预留条件判断;

5、s3:运行时上下文构建:构建对话上下文,根据所述ai员工关联的记忆范围检索有效记忆并根据相关性得分排序后注入上下文,根据所述ai员工关联的知识库访问范围执行权限过滤和文档检索后注入上下文;

6、s4:模型调用与用量结算:将构建后的上下文发送至所述ai员工关联的模型接口,接收模型返回的响应后,采用三级降级取值策略获取实际消耗token数u_actual并执行用量结算;

7、s5:分层记忆管理:服务端在组织记忆表中存储记忆记录,所述记忆记录至少包含记忆层级字段和状态字段,所述记忆层级取值包括私人、个人长期、群内、部门、公司,所述状态取值包括待确认、已确认、已更正、已失效;记忆检索时自动过滤状态为待确认或已失效的记录,群聊场景下自动过滤记忆层级为私人的记录;

8、s6:高风险动作拦截与人工确认:在所述模型返回的响应中识别出命中预设动作列表的高风险动作类型时,系统拦截该输出并生成对应的动作草稿记录,经人工确认通过并完成多重校验后方可执行业务操作;

9、s7:权限分级控制:服务端基于角色标识执行权限校验,对业务会话数据、ai用量数据和敏感凭证数据分别设置独立的访问权限,系统管理角色不具备业务数据访问权限。

10、作为优选,在步骤s1中所述从八个配置要素中提取配置数据具体包括以下子步骤:

11、s11:从第一输入指令中提取角色职责文本内容并存储至职责字段;

12、s12:从第二输入指令中提取回答边界文本内容并存储至边界字段;

13、s13:当解析到指令中携带继承全局模型配置标识时,建立该ai员工记录与全局模型配置记录的引用关联;当解析到独立指定标识时,从指令中提取独立的模型配置参数并存储;

14、s14:从知识库访问范围选择指令中提取被选中的目标分类标识,遍历知识库分类树获取该分类下的所有子分类列表,将各分类标识与该ai员工的访问权限标识进行关联存储;

15、s15:从工具权限勾选指令中提取被选中的工具权限选项列表并进行关联存储;

16、s16:从记忆范围勾选指令中提取被选中的记忆层级选项列表并进行关联存储;

17、s17:从风险等级选择指令中提取被选中的风险等级标识,从预设的风险等级配置表中查询对应的行为规则集合并进行关联存储;

18、s18:响应于所述风险等级标识,从预设的人工确认规则库中查询与该风险等级关联的动作列表并进行关联存储.

19、作为优选,在步骤s2中:调用额度预留函数,基于授权记录的总额度l、已使用token数u和已预留token数p计算剩余可用额度r,具体包括以下子步骤:

20、s21:从数据库授权记录中读取该用户授权的总额度值l、已使用token数u和已预留token数p,计算剩余可用额度r=max(0,l-u-p);

21、s22:调用消息token估算函数,遍历消息列表中的每条消息执行字符级估算:t_est=n_cjk+ceil(n_other/4)+c,其中n_cjk为中文字符数量,n_other为非中文字符数量,c为固定开销且取值为4,对消息列表中所有消息的t_est求和得到输入估算token总和t_in;

22、s23:检查剩余额度是否满足预留条件:r≥t_in+o_min,其中o_min为最小输出token预留值且取值为16;若不满足则拦截请求返回额度耗尽错误;

23、s24:计算可输出token数o=min(o_max,r-t_in),其中o_max为默认最大输出token值且取值为2048;计算本次预留token总量p_res=t_in+o,将数据库授权记录中的已预留token字段更新为p+p_res,同时启动超时定时器,超时时长d取十分钟;

24、s25:模型调用完成后,采用三级降级取值策略获取实际消耗token数u_actual,更新已使用token数为min(l,u+u_actual),将已预留token字段恢复为原值p。

25、在步骤s3中:根据所述ai员工关联的记忆范围检索有效记忆并根据相关性得分排序后注入上下文,具体包括以下子步骤:

26、s31:从所述ai员工配置表中读取关联的记忆范围列表,确定本次可检索的记忆层级集合;

27、s32:从组织记忆表中查询候选记忆记录,查询条件包括:记忆层级属于所述记忆层级集合,且状态字段不为待确认且不为已失效;

28、s33:对每条候选记忆调用权限校验函数:若记忆层级为群内,验证当前用户是否为来源群的成员;若记忆层级为个人长期,验证当前用户是否为该记忆的所有者;校验不通过的记录予以过滤;

29、s34:对校验通过的每条记忆计算相关性得分:将记忆的标题、内容和分类字段拼接为搜索源文本并转为小写,将查询文本按标点符号和空格等分隔符分割,过滤长度小于l_min的词(l_min取2),得到查询词列表,按公式m=i_norm×α+σs_i计算得分,其中i_norm为归一化重要性且取值范围为1至5,α为重要性权重系数且取值为0.4,s_i为第i个命中查询关键词的加分且s_i=min(l_i,5),l_i为命中关键词的字符长度;

30、s35:按得分降序排列,取前k条记忆的内容注入ai模型上下文,其中k为预设值且取5。

31、作为优选,在步骤s6中:经人工确认通过并完成多重校验后方可执行业务操作,具体包括以下子步骤:

32、s61:从动作草稿表中查询该草稿的来源标识字段值,根据该标识查询对应的ai简报记录是否存在且状态未被标记为撤回或删除;若查询结果为空或状态异常,则拒绝确认操作;

33、s62:获取该草稿的创建时间字段值,计算与当前时间的差值,若差值大于有效期阈值v天,则拒绝确认操作,其中v取7;

34、s63:从用户权限表中查询当前用户的权限记录,确认其具备执行该操作的操作权限;若权限已被收回,则拒绝确认操作;

35、s64:查询该草稿的状态字段值,若当前值已为已确认或已忽略,则拒绝操作,防止重复创建;

36、s65:上述校验全部通过后,执行业务操作并创建正式业务记录;

37、s66:将该草稿记录的状态字段更新为已确认,确认时间字段写入当前时间戳,确认人字段写入当前用户标识。

38、作为优选,还包括以下步骤:

39、s71:接收第一用户的审核批准操作,经过二次密码验证通过后,在查看资格表中创建一条一次性查看资格记录,所述记录包含授予对象标识、平台标识、过期时间字段和使用标记字段,所述使用标记字段初始写入未使用;

40、s72:接收被授予用户发起的查看密码指令,从查看资格表中查询授予对象匹配、使用标记为未使用且过期时间大于当前时间的有效记录;若查询到有效记录,继续执行;

41、s73:将所述查看资格记录的使用标记字段立即更新为已使用,所述更新操作在数据库事务中执行,通过行级锁防止并发重复使用;

42、s74:从密码库表中读取对应的加密账号、加密密码和加密备注字段值,调用解密函数解密后返回明文数据至客户端;

43、s75:客户端接收明文数据后启动倒计时器,所述倒计时器基于服务端返回的显示截止时间戳(当前时间加t秒)每秒检查一次,t取60,倒计时结束后客户端执行dom清除操作移除明文数据,并向服务端发送显示结束通知;

44、s76:当所述查看资格记录的使用标记已为已使用或过期时间已过期时,查询结果为空,服务端向客户端返回无有效查看资格的响应。

45、作为优选,还包括以下步骤:

46、s81:服务端接收策略更新指令,从指令中提取新的沟通模式值,验证当前用户具备用户管理权限后,将系统配置表中的沟通策略字段值更新为新模式值;

47、s82:更新完成后,服务端向所有在线客户端广播权限更新事件,事件类型为沟通策略变更,事件体中包含更新后的策略值;

48、s83:响应于用户发起的创建直接会话请求或发送消息请求,服务端调用私聊权限校验函数,从系统配置表中读取当前沟通策略字段值,根据所述沟通策略字段值进入对应的条件分支执行校验;

49、s84:若校验结果为禁止,服务端拒绝创建会话或拒绝发送消息,向客户端返回禁止访问响应;

50、s85:对于已存在的直接会话,在消息发送处理流程和会话历史消息加载流程中均调用会话读取权限校验函数实时校验权限,校验不通过则拒绝操作;

51、s86:所述私聊权限校验函数内置角色例外规则,当目标用户或当前用户角色为最高管理者时,直接返回允许通信,不受五档策略约束。

52、作为优选,还包括以下步骤:

53、s91:服务端接收为各群组提交的可见性策略配置指令,提取可见性模式值,将会话标识与模式值关联存储至会话配置表,所述可见性模式至少包括全员实名可见、全员匿名可见和隔离可见;

54、s92:响应于用户在群组中发送消息,消息分发模块从会话配置表中查询该群关联的可见性策略,调用消息可见性判断函数执行权限判断:若模式为全员实名或全员匿名,返回全员可见;若模式为隔离,进入分层权限判断逻辑;

55、s93:在全员匿名可见模式下,身份标签处理模块检测当前查看者与发送者的角色关系,若双方均为受控角色且非同一人,触发匿名处理,将发送人显示名称替换为脱敏后的部门名称标签;

56、s94:在隔离可见模式下,分层权限判断逻辑依次判断:查看者是否为发送者本人、查看者角色是否为最高管理者、查看者角色是否为部门管理者且该群开启了部门管理者特权;满足任一条件则返回允许查看,否则返回禁止。

57、作为优选,还包括以下步骤:

58、s101:接收用户在群组中发送的业务咨询消息,对消息文本执行关键词分析:遍历状态为已启用的ai员工的配置记录,获取各ai员工关联的关键词列表,在消息文本中匹配每个关键词,对命中的关键词按类型累计得分,得分为命中关键词的权重之和;

59、s102:汇总所有ai员工的得分,执行专业候选判定:判定条件为s≥s_min且(n_strong>0或s≥s_th),其中s_min为最低得分阈值,s_th为独立得分阈值;满足条件的ai员工成为专业候选;

60、s103:对专业候选列表执行多级排序:第一级按得分降序,得分相同按强匹配数降序,仍相同按路由优先级值升序;

61、s104:获取专业候选数量n_c,若n_c>1且满足跨领域阈值条件,则启动多ai协作,创建多个并行调用任务分别获取各ai员工的回答;

62、s105:获取路由优先级最高的汇总ai的配置信息,调用该汇总ai的模型接口,将各ai员工的回答作为上下文输入,附加汇总指令,生成结构化的综合回复返回至客户端。

63、作为优选,还包括以下步骤:

64、s111:服务端接收文档上传请求,提取文件数据、标题、分类和访问范围设置,将文件存储至安全存储路径,在知识文档表中创建记录,访问范围字段写入授权对象列表,并异步启动文档解析任务建立倒排索引;

65、s112:响应于用户的知识库检索请求,对查询文本进行分词处理后得到查询词列表,从知识文档表中查询该用户有权访问的文档列表,对每个文档在知识库索引表中查询命中情况,统计检索得分后按得分排序返回;

66、s113:响应于用户在ai单聊中的查询请求,在构建ai上下文时再次执行与步骤s112相同的权限过滤逻辑,同时校验当前ai员工自身关联的知识库访问权限范围,两阶段独立执行权限校验;

67、s114:接收文档版本更新请求,将新版文档存储并创建新记录,同时将旧版文档记录的状态字段更新为失效;知识库检索函数在文档遍历查询条件中追加状态字段为有效的过滤条件。

68、一种多ai自动路由与跨领域协作编排方法,其特征在于,包括以下步骤:

69、s201:接收用户在群组中发送的业务咨询消息,对消息文本执行关键词分析:遍历状态为已启用的ai员工的配置记录,获取各ai员工关联的关键词列表,在消息文本中匹配每个关键词,对命中的关键词按类型累计得分,得分为命中关键词的权重之和,其中关键词长度属于强关键词范围(2至3个字符)的权重取2,关键词长度属于普通关键词范围(不小于4个字符)的权重取1.5;

70、s202:汇总所有ai员工的得分,执行专业候选判定:判定条件为s≥s_min且(n_strong>0或s≥s_th),其中s_min为最低得分阈值且取值为2,n_strong为强关键词命中数量,s_th为独立得分阈值且取值为3;满足条件的ai员工成为专业候选;

71、s203:对专业候选列表执行多级排序:第一级按得分降序,得分相同按强关键词命中数量降序,仍相同按路由优先级值升序;

72、s204:获取专业候选数量n_c,若n_c>1且满足跨领域阈值条件:s_b≥max(s_min,s_a×r),其中s_a为第一候选得分,s_b为第二候选得分,r为比例系数且取值为0.5,则启动多ai协作,创建多个并行调用任务分别获取各ai员工的回答;

73、s205:获取路由优先级最高的汇总ai的配置信息,调用该汇总ai的模型接口,将各ai员工的回答作为上下文输入,附加汇总指令,生成结构化的综合回复返回至客户端。

74、作为优选,在步骤s201之前还包括:若用户在消息中明确指定了ai员工,则跳过s201至s204的自动路由和协作编排流程,直接从ai员工配置表中读取被指定ai员工的配置信息发起单一ai调用;若用户指定的ai员工不在其授权范围内,则拒绝处理请求并返回权限错误响应。

75、与现有技术相比,本发明具有以下有益效果:

76、1、本发明通过职责文本、回答边界、模型参数、知识库范围、工具权限(s150)、记忆层级、风险等级及关联动作列表八个配置要素共同定义智能体的结构化身份,使结构化身份不同的ai员工在模型接口、知识访问范围、记忆层级和风险响应策略上完全独立,从根本上解决了ai能力与岗位职责脱节的问题。通过token额度预留、近期对话上下文构建、分层记忆检索及知识库权限过滤检索等子步骤,在受控、可追溯、资源可计量的框架下完成一次完整的业务协作,实现了ai员工从“通用对话工具”向“结构化身份实体”的根本转变。

77、2、本发明通过状态驱动的记忆准入过滤和层级维度的跨域传播阻断机制,从根本上隔离了不可信记忆和受保护记忆。系统将所有记忆划分为“待确认”“已确认”“已更正”“已失效”四种状态,检索时自动过滤非“已确认”状态,确保仅有经审核的事实信息进入ai上下文。同时,根据会话场景动态限制可检索的记忆层级(私人、个人长期、群内、部门、公司),私人层级记忆在任何群聊场景下均不可检索。该机制直接杜绝了ai员工基于未核实消息或他人隐私做出回答的可能性,从检索源头保障了记忆引用的可信性与合规性。

78、3、本发明构建了覆盖额度、通信和可见性的分层权限控制体系。在资源维度,系统建立全局授权与群组授权并行的双轨额度架构,群组消耗独立于个人全局额度,互不影响,同时支持按需清零、阈值修改和不限额豁免三种管理策略,直接实现了token成本的可控分摊。在通信维度,系统内置五档全局沟通策略(如“原则上不允许员工互相沟通”、“仅允许a和b私聊沟通,而不允许a和其他人私聊”),策略变更后所有新会话创建和既有会话的消息收发均实时受新策略校验,无需重启服务或重新登录,直接实现了员工间通信范围的集中动态管控,由此在诸如研发等场景中,部分高涉密人员可以受到系统性管控。在可见性维度,系统支持按群独立配置“全员实名/全员匿名/隔离可见”等策略,隔离模式下仅发送者本人、最高管理者和被授予特权的部门管理者可见,直接满足了同一用户在不同群组中的差异化信息接收权限。

79、4、本发明通过引入动作草稿中间层与多维度校验机制,在ai生成与实际业务系统之间构建了强制性的人工确认节点。系统将ai响应中涉及日程创建、通知发布、配置修改等操作意图全部转化为草稿记录,而非直接调用业务接口。所有草稿在执行前均须通过来源有效性、时效性、用户权限和幂等性的四项联合校验,校验通过后方可转换为正式业务实体。该中间层架构将ai从“操作执行者”降级为“建议提供者”,确保了代码合并、版本发布、全员通知等高风险操作在执行前必须经过具有相应权限的人工审核,直接消除了自动化执行带来的误操作和合规风险。

80、5、在上述基础上,本发明通过基于角色的访问控制模型将基础设施管理职能与业务数据访问职能彻底解耦,从权限定义层面实现了运维权限与数据权限的刚性隔离。系统明确界定系统运维者仅具备用户管理、部门结构维护、客户端配置更新等管理类操作的权限,而对会话消息、用量仪表盘和加密密码库等业务数据,其角色标识不在任何合法访问者列表中。所有越权请求在权限校验中间件层即被拦截,并触发审计日志记录。该设计直接保障了即使运维人员拥有数据库服务器的高权限,在应用层也无法获取任何业务明文数据,从根本上消除了内部人员越权窥探或泄露企业敏感信息的可能性,满足金融、政务等高合规要求行业的部署条件。

81、6、本发明建立了多ai自动路由与跨领域协作编排机制,解决了用户在多专业ai员工之间“不知道该问谁”的协作效率问题。系统对用户消息执行多关键词加权计分,从已启用的ai员工中筛选专业候选,经多级排序后自动确定主答ai;当第二候选得分满足跨领域阈值条件时,系统并行调用多个ai员工分别获取回答,并由路由优先级最高的汇总ai生成结构化综合回复。该机制将用户从“手动选择ai”中解放出来,实现了复杂跨领域问题下的多智能体协同作答。

82、7、本发明通过任务看板三维权限管控、唯一负责人强制约束、双截止时间监测与红黄绿自动预警、催办冷却防滥用以及串行审批快照固化机制,构建了可追责、可预警、可审计的任务执行闭环。系统将看板可见范围拆分为全公司、部门、仅本人三个层级,并结合负责人、发布人、执行成员、审批人四类关联关系实现精确过滤。多人任务唯一指定负责人且最终成果仅限负责人提交,直接厘清责任归属。系统同时监测最终截止时间和最多12个阶段节点,自动将超期任务从绿转黄实现主动预警。审批快照固化提交时的审批人列表,确保历史审批链不受人事变动影响。超期以成果实际提交时间而非审批完成时间与截止时间比较,避免因审批冗长误判超期。

83、8、本发明通过ai背景与确定性排版分工合成、模型白名单求交、请求指纹幂等保护及方案谱系追溯框架,将视觉内容生产从不可控的ai黑盒升级为可治理的企业级生产管线。系统将ai能力限定于生成背景和氛围,logo、标题、价格、声明等确定性元素在服务器本地精确排版合成,直接消除ai生成错字和假logo风险。模型有效性取系统目录、公司白名单和供应商可用模型三者的交集,实现集中管控。请求指纹与幂等键双重校验从协议层杜绝重复计费。所有资产保存完整追溯字段并形成有向图结构,可查看从原始生成到成品的完整演化链路。

84、9、本发明的动作草稿确认机制与现有工作流审批系统的本质区别在于:现有系统仅依赖静态的“节点-角色”预设规则,而本发明的拦截规则与s17中的风险等级标识动态关联,同一动作类型在不同风险等级下触发不同的确认策略(高风险强制确认、中风险附带来源引用、低风险自动执行),且s61至s64的四重校验(来源有效性、时效性、权限、幂等性)为ai场景特有,非通用工作流引擎所能覆盖。本发明的请求指纹幂等保护与现有api幂等设计的本质区别在于:s5320至s5330将请求指纹与s5400的图片额度原子预留绑定在同一数据库事务中执行,指纹命中时不仅不重复调用供应商接口,且不重复扣减图片生成额度,实现了“计费”与“调用”的解耦幂等,这是针对ai生成场景成本敏感特性的专有设计,非通用幂等方案的简单套用。