• 把企业 AI 应用放成下面这张“总图”最容易理解。

  总架构图

  用户 / 渠道
  Web / App / IM / API / 企业微信 / 钉钉
          |
          v
  +-----------------------------+
  | 接入层                      |
  | API Gateway / Auth / Rate   |
  | SSO / 租户 / 审计入口       |
  +-----------------------------+
          |
          v
  +-----------------------------+
  | 应用层                      |
  | AI 助手 / 知识问答 / 客服   |
  | 工单助手 / 报告生成 / Copilot|
  +-----------------------------+
          |
          v
  +---------------------------------------------------+
  | 编排层                                             |
  | Workflow Engine / Policy Router / HITL / State    |
  | 重试 / 超时 / 审批 / 回滚 / 任务编排 / 成本控制    |
  +---------------------------------------------------+
          |
          +-------------------+-------------------+
          |                   |                   |
          v                   v                   v
  +----------------+  +----------------+  +------------------+
  | Agent Runtime  |  | RAG Service    |  | Tool/Skill Hub   |
  | 任务拆解        |  | 检索/召回/重排  |  | API/脚本/系统能力 |
  | 工具调用        |  | 上下文拼装       |  | ERP/CRM/DB/Git   |
  | 多步决策        |  | 引用来源         |  | 工单/测试平台     |
  +----------------+  +----------------+  +------------------+
          |                   |                   |
          +-------------------+-------------------+
                              |
                              v
  +---------------------------------------------------+
  | 模型服务层                                         |
  | LLM Router / Prompt Templates / Structured Output |
  | GPT / LLaMA / 小模型 / Embedding / Reranker       |
  +---------------------------------------------------+
                              |
                              v
  +---------------------------------------------------+
  | 数据层                                             |
  | 文档库 / 对象存储 / 向量库 / 业务库 / 缓存         |
  | 会话记忆 / 用户画像 / 历史工单 / 日志 / 反馈       |
  +---------------------------------------------------+
                              |
                              v
  +---------------------------------------------------+
  | 平台治理层                                         |
  | 观测 / Tracing / Eval / 安全 / 脱敏 / 权限         |
  | 内容审核 / 成本分析 / A/B / Prompt版本 / 审计      |
  +---------------------------------------------------+

  这几个东西怎么放在一起

  - 模型
    是底层智能引擎，负责理解、推理、生成、分类、embedding、rerank。
  - RAG
    不是单独替代模型，而是模型前的一层“查资料系统”。
    它负责把企业私有知识找出来，再交给模型回答。
  - Agent
    是执行者。适合处理“目标明确，但路径不固定”的任务。
    它会调用 RAG、Skill、工具和模型。
  - 工作流
    是骨架和总控。负责稳定流程、状态管理、审批、重试、回滚。
    企业系统里，通常应该由工作流来管主干，不要让 Agent 接管全部流程。
  - Skill
    是标准化能力包，比如“查订单”“分析日志”“生成测试报告”“查知识库”。

  一句话关系：

  Workflow 管主线，Agent 处理复杂节点，RAG 提供知识，Model 提供智能，Skill 提供动作能力。

  企业里最稳的摆法

  不是所有请求都直接进 Agent，而是这样分层：

  1. 先由 Workflow / Router 判断任务类型
  2. 能走固定流程的，直接走固定流程
  3. 需要知识支撑的，调用 RAG
  4. 需要复杂判断和工具协作的，进入 Agent
  5. 高风险动作经过 规则 + 人工审批
  6. 全程记录状态、日志、成本、效果

  两条典型链路

  1. 企业知识问答

  用户提问
   -> 权限校验
   -> 意图识别
   -> RAG 检索文档
   -> 重排
   -> LLM 生成答案
   -> 引用来源
   -> 审核/脱敏
   -> 返回

  这条链路通常不需要 Agent。
  RAG + Workflow + Model 就够了。

  2. 复杂业务助手
  比如：“帮我分析这次测试失败原因，并通知负责人”

  用户下达任务
   -> Workflow 创建任务状态
   -> Agent 拆解步骤
   -> 调日志系统 / 测试平台 / Git / 知识库
   -> RAG 查历史故障和 runbook
   -> 模型分析归因
   -> Workflow 判断是否需要人工确认
   -> 发送通知 / 创建工单
   -> 记录结果

  这条链路里，Agent 才有价值。

  建议你这样理解职责边界

  - Workflow
    负责“流程必须怎么走”
  - Agent
    负责“这件事怎么做出来”
  - RAG
    负责“去哪里找企业知识”
  - Model
    负责“怎么理解和生成”
  - Skill/Tool
    负责“真正去执行动作”

  企业级一定要补上的横向能力

  如果没有下面这些，就不算完整企业架构：

  - 权限
    不同用户只能看到自己有权看的知识和数据
  - 审计
    记录谁问了什么、系统用了什么资料、执行了什么动作
  - 观测
    看得见每一步耗时、token、失败点、工具调用链路
  - 评测
    不只是“能回答”，还要看正确率、幻觉率、命中率、人工满意度
  - 安全
    脱敏、提示注入防护、越权访问防护、内容安全
  - 成本治理
    简单任务走小模型，复杂任务走大模型，检索先于生成

  一个很实用的落地原则

  企业系统里，通常应该是：

  - 80% 用 Workflow + RAG + Rules
  - 20% 再让 Agent 出场

  因为大多数企业任务本质上是流程化的，不是完全开放式问题。

  如果你要落地，我建议的默认技术形态

  - 主干：Workflow
  - 知识问答：RAG + LLM
  - 复杂操作节点：Agent
  - 外部能力接入：Skill / Tools
  - 风险控制：Rules + HITL
  - 生产治理：Observability + Eval + Security

  一句总结

  企业 AI 架构不是“把一个大模型接上去”就完了，而是：

  用 Workflow 保证可控，用 RAG 接入企业知识，用 Agent 处理复杂任务，用模型提供智能，用治理层保证它能长期上线运行。