自然语言 → SQL → 图表，五路召回 + 行列级安全注入 + 会话记忆；还能给出带引用、可追溯的决策证据链
结论的消费者的主战场：不写 SQL 也能干活，重要数字核对生成的 SQL
通用大模型不知道「销售额下降」在你的公司意味着哪张表、哪个字段。AIP 通过本体语义层与五路召回，让 AI 深度理解企业的数据结构与业务口径。
查数前注入行列级安全（注入失败直接拒绝执行）；写操作根本不走「LLM 直接生成 UPDATE」这条路——一切写回必须走 Foundry 的 Action 定义，AI 只能调用已定义好的动作，不能发明动作。
从一句话到一张图，中间每一步都可查证
| 召回通道 | 权重 | 作用 |
|---|---|---|
| 元数据向量 | 0.35 | 表、列、对象、属性的语义向量检索——主通道 |
| 知识库 | 0.25 | 你沉淀的口径文档、业务规则、操作手册 |
| 对话历史 | 0.15 | 最近 6 轮原文 + 更早轮次的 LLM 摘要，连续追问不「失忆」 |
| 少样本示例 | 0.15 | 历史成功查询对，教模型「这类问题这么答」 |
| 实体 | 0.10 | 从文档抽取的实体 + 别名 + 原文上下文，V5 新增的第五路 |
通用 RAG 把文档切成文本块喂给大模型；AIP 更进一步——AI 检索的是被治理的、带类型的、有权限的本体对象定义，连同它的属性结构、同义词、约束一起注入生成过程。这就是「本体增强生成（OAG）」：本体是 Agent 的大脑，不是 LLM。
面对「这个口径是什么、对业绩影响如何」这类决策问题，系统不再直接生成一段话，而是执行一条五步链
换句话说：AI 的每一次「动嘴」，都和「动手」一样留了案底。业务方不敢用 AI 查数，本质是两个问题——「它凭什么给出这个数」和「它错了怎么办」。证据链正面回答第一个，评测集与审计正面回答第二个。
文档抽实体和关系并接入检索通道——RAG 从四路变五路
PDF / Word 解析成「文档 — 章节 — 片段」三层结构，检索粒度可控，命中后能定位到具体章节而不是整篇文档。
从文档自动抽取实体与关系并入检索通道；字段语义标注把技术列名补成业务语义，提升 Schema Linking 命中率。
基于命名与取值分布推断表列关联，辅助手工建模；推断结果可核对、可修正。
拦截模型瞎编的表名列名——不在白名单里的标识符不会进入最终 SQL，从源头掐断「编造字段」类错误。
知识库目前作为检索通道喂给查数链路，暂无独立的「问文档」入口（标注为「部分实现」）。知识库独立问答在后续规划中。
编排、工具、流程、助手——把 AI 接进业务流程的四种形态
顺序 / 并行 / 主从 / 辩论四种策略，把复杂任务拆给多个专业 Agent 协作完成，结果回收到编排引擎统一组装。
Agent 可调用的工具需注册并鉴权；调用记录落审计，越权调用直接拒绝。
定时 / Webhook / 事件 / 手动四种触发方式。节点支持 call_api、条件判断、通知（站内 / 飞书 / 邮件，未配凭证则节点直接失败而非静默跳过）。
Copilot 能调的接口走白名单，写类接口限管理员——让 AI 帮配置，但不给它一把万能钥匙。
多供应商路由、熔断降级链、Prompt 版本化、评测集回归
熔断降级链透明可见，降级时明确标注 degraded=true——让人知道这次答案是「打折」给出的，而不是悄悄降质。
提示词可版本管理、可回滚；每次调整都有记录，效果变化可归因。
NLQ 回归测试用例随发布包分发，换环境也能验证「AI 还答得对不对」。调整模型、提示词或本体后跑一遍评测——让效果调优从玄学变成回归测试。
数据不出域：默认走你自己的 API 账号；要求更严的场景可切换到本地私有化推理服务（昇腾一体机 + 离线部署是已验证路径）。
每一层都可排查：查数日志记录实际执行的 SQL；SQL 错就查上下文（语义检索是否命中、元数据是否过期）；SQL 对但结果少就查权限裁剪是否过严；结果空就查数据源与同步链路。评测集则回答「整体效果有没有退化」。
这一条设计决定了「AI 能不能被信任去改生产数据」
连接器先做 SQL 规范化，再注入 RLS / CLS 权限裁剪——你无权看的行和列，生成对了也查不到。安全注入失败时直接拒绝执行，不静默放行。
参数 Schema、校验规则、逐动作授权，AI 只能调用已定义好的动作，不能发明动作。人和 AI 走同一道门。
AIP 把写请求交回 Foundry 的 Action，走和人完全相同的七道关卡。答案是能——因为它走的门和你一模一样，只是它不需要休息，而且记得更清楚。
想验证上面这些机制？从 30 分钟跑通最小闭环 的第 3 步（问出第一个问题）开始；也可浏览 LightAIP 界面介绍 或 场景故事站。
