以数据集为内核、以业务流Harness为可信基座，让通用智能工具与企业既有业务系统形成可评测、可复用、可进化的连接。
北京乾知智能技术有限公司（以下简称“乾知智能”）的核心产品“可信业务Agents中枢”，瞄准企业AI从对话辅助走向业务执行后的关键问题：如何让Agent真正理解业务规则、调用既有系统，并在结果可验证、过程可追踪的前提下稳定、快速、省Token运行。
企业Agent的门槛，正在从模型能力转向业务可信
通用智能体已经能够读取文档、生成代码和调用工具，但进入真实业务后，模型“会做”与企业“敢用”之间仍有一道鸿沟。一笔采购合规审查，可能同时涉及合同文本、供应商主数据、预算科目、审批记录和发票影像；一次财务稽核，则不仅要识别报表异常，还要理解报表勾稽关系、会计制度口径与监管规则。
这类任务的难点，很难只靠扩大模型参数或增加提示词解决。企业的业务逻辑往往沉淀在数据库关联、既有系统规则和专家经验中，分散于ERP、财务、OA、采购等不同系统。通用Agent即使通过多轮对话完成一次任务，但难以稳定复现，无法保证多人多次执行效果几乎一致。
乾知智能的技术路径，不是替换企业既有业务系统，也不是让大模型重新“硬算”全部业务，而是在通用智能工具与业务系统之间增加一层可信业务中枢，将AI探索规划的业务处理过程，固化成业务流。平台通过业务连接、本体自动化、Agents固化和RSI进化，将一次性的智能探索转化为可复用、可评测、可持续改进的业务流程。把“定规则”和“用规则”分开：业务探索、流程规划、校验标准的制定，统一放在流程版本迭代时一次性完成；日常业务处理只负责执行，不重复这些动作。运行时仍需校验，但校验维度与规则可按场景配置，不必固守一套。企业级 Agent 一旦面对大规模数据，业务流固化就是硬性要求：没有沉淀好的流程兜底，每次调用都要模型现场推理，成本会以 Token 的形式持续泄漏，直接吃掉业务利润。
以数据集为内核，让Agent理解业务关系
这套中枢的核心，是乾知智能自研的“业务流Harness”。平台通过MCP连接器与技能包，连接主流编程与办公智能工具，和企业既有ERP、DRP和数据中台，使上层模型能够调用底层业务能力，同时保留企业现有系统中的规则与流程资产。
与以变量或文件为主要载体的Agent平台不同，业务流Harness以数据集为运行内核。其ProtoDataSet在流程节点之间承载结构化数据与非结构化资料，Proto原型随时支持业务语义查询与溯源（本体对象、属性、规则，或其他方式定义的元数据）。由此，联查、透视、分组、过滤、勾稽等操作可以直接成为业务流程中的节点，而不必被拆解为大量一次性变量赋值或临时脚本。
在数据集内核之上，乾知智能将数据加工、大模型处理、机器学习以及API和MCP调用统一封装为可视化、可调试的处理节点。业务人员借助智能工具完成一次审查或分析后，可以将有效路径固化为标准业务流Agent。流程中的确定性任务由数据处理和规则节点承担，大模型则集中处理规划、理解、抽取与生成，减少重复探索带来的不稳定性。
本体开发引擎进一步补足业务语义，业务流Harness与本体引擎无缝对接，是本体自动化执行的最佳底座。乾知用接近自然语言的公式（语法兼容财政与央企决算报表）表达业务规则，支持表间自动关联、取数优化以及规则到数据库指令或接口API的映射，并可用关系型数据库查询承接部分图查询需求，降低企业构建业务语义层的实施成本…
把“可信”变成一套可执行的发版机制
对于财务、采购、监管和审计等低容错场景，一次演示成功并不等于具备生产可用性。业务流Harness因此将自动化可信评测作为独立一层：在Agent发布前，调用历史数据或模拟数据进行运行评测，定位结果不一致的样本，再通过调整流程、优化提示词和补充样本库完成迭代，达到要求后再发布。
上线之后，平台还可将错误案例沉淀为负样本，通过差异归因、扩样和回归测试推动后续改进。乾知多智能体学习平台已为客户智能精筛、标注数百万语料，其能力全部以工具和技能的形式，接入业务流RSI（Recursive Self-Improvement）进化引擎。这里的改进对象并非基础模型参数，而是业务Agent的流程、提示词、规则与样本资产；每一次业务纠错，都有机会转化为下一次发版的测试依据，或下一次推理的参照样本。
这一机制把Agent可靠性从依赖个人调试经验，转变为可测试、可追踪、可回归的工程过程。对企业而言，可信不仅意味着答案更准确，也意味着发布之前有验证、运行之中有记录、出现问题后有定位与修正路径。
流程复用，同时回应准确率、速度与Token成本
业务流固化的另一项价值，是减少Agent在运行阶段的重复规划与探索。已经验证的数据关联、规则计算和系统调用可以直接复用，模型无需每次都从头理解流程、生成脚本并反复纠错。流程由此不仅承载业务知识，也成为提升运行效率的技术手段。
最近三年，乾知已完成数百万份报告（内控、财报、招投标等领域）、2亿份佐证文档审查，所有用到的智能体，发布时准确率均超过90%，一半达到95%（根据智能标注+业务专家复核语料集）。对比测试表明，业务流固化后，智能体运行速度提升10倍，Token消耗降至原来的十分之一（指标来自企业自身业务实践，具体表现与业务场景、数据基础和模型配置相关）。
准确率主要来自自动化评测、RSI迭代、可信发版与负样本学习；速度与Token成本主要来自AI的探索、规划、校验前置，转移到发版阶段（大量用本地开源模型）；开发效率则受益于本体语义、可视化编排与自动化验证。其目标不是用流程替代大模型，而是让模型能力在确定性的业务框架中发挥，用流程固化AI能力，而不是用具备较高不确定性的AI直接处理业务。
从一次性交付，走向可积累的组织智能资产
可信业务Agents中枢适用于数据量大，结构化数据与文档资料混合的场景。在这些场景中，大模型负责材料理解、要素抽取与归纳，业务流负责跨系统取数、规则执行、过程留痕和异常流转，两者共同完成从“读得懂”到“办得完”的闭环。
更重要的是，固化后的流程、语料、样本和技能可以继续沉淀为企业资产。业务专家的经验不再只存在于个人头脑或一次对话中，而能够通过流程和评测集被复用、分享与迭代。对于需要长期建设AI能力的大型组织，这种资产化能力比单次任务演示更接近生产系统的真实需求。
乾知智能表示，后续将围绕业务流Harness、本体自动化与可信评测体系持续投入，推动业务Agents在更多高规则密度场景中复制。随着通用模型和智能工具持续演进，乾知智能希望占据的不是又一个模型入口，而是AI大脑与业务系统之间的连接、理解、执行桥梁，可信AI中间件。
乾知智能成立于2022年，专注企业级可信AI智能体平台，和监督审查、穿透式监管智能系统研发，此前已完成天使轮融资，正在推进Pre-A轮融资。
此处所说的“智能系统”，是指基于同一套本体语义构建，同时提供 API、数字员工和 MCP 接口，能自主选择交互方式与呈现形态的系统。传统业务操作、自主 AI 与外部 AI 三类指令，共用同一套执行逻辑与校验规则，体验、便捷、效率与研发成本兼顾。