摘要
开源项目伏羲智能决策平台发布 v1.0.0。该版本升级多智能体编排与知识检索,完善测试提案、历史回归、业务结果回传、偏差归因、漂移监测和优化评估流程,尝试把自然语言建模、确定性决策执行与发布后运营连接起来。平台采用 Rust 技术栈,支持标准 DMN 决策模型和项目级治理。
正文
伏羲智能决策平台发布 v1.0.0。项目面向需要持续维护业务规则的团队,提供从自然语言需求、决策模型生成、规则校验、业务验收到服务运行和反馈分析的工作台。
伏羲不是让大语言模型直接替代业务规则作出生产裁决。用户以自然语言描述业务目标和规则后,平台通过多智能体工作流协助完成需求分析、澄清、方案规划和模型生成,将结果整理为结构化决策 DSL,并编译为 DMN 1.5 XML。模型随后经过 DSL 结构、FEEL 表达式、决策依赖和测试契约等检查;最终的业务判断由确定性的 DMN/FEEL 引擎执行。业务人员仍需确认规则口径、验收案例和发布结果。
v1.0.0 的一项重点升级是多智能体协作编排。Analyst、Architect、Engineer、Tester 等角色参与不同工作阶段,编排过程支持并行执行、状态持久化、心跳监控、失联恢复、重试记录、取消传播和事件流回放,便于团队查看任务进度并定位失败步骤。
知识检索也从全文注入扩展为分块和混合检索。平台可结合关键词检索、向量检索与 RRF 融合,从知识库中取回与当前建模任务相关的内容;也提供检索诊断和评测工具,方便维护者检查召回结果。检索内容用于补充业务上下文,仍需要业务人员核对其适用范围和有效性。
质量保障贯穿模型生成与发布流程。Tester Agent 可根据需求条目和约束生成测试提案,AI Judge 提供辅助复核;提案转为正式验收用例后,仍需人工审阅和批准。平台还提供 FEEL 与依赖校验、规则冲突和覆盖缺口分析,以及基于历史成功运行的版本行为对比和回归检查。有历史基线的版本可按发布门禁要求执行回归;历史输出是行为参考,不会自动成为业务真值。
在生产运营环节,业务系统可以对决策运行记录进行对账并批量回传实际结果,每批最多 100 条。平台据此生成规则级偏差归因候选,展示相关证据和置信度,再由人员标记正确、错误或不确定。归因结果帮助调查差异,不会自动修改模型。
平台支持按项目配置漂移监测规则,并对失败率、偏差率、输入分布和规则命中等信号进行每日扫描。扫描会记录窗口和事件;符合配置条件时,可准备优化提案并通过 Webhook 通知下游系统。运营 Copilot 提供受支持项目指标的自然语言查询,例如运行量、成功率、失败率和偏差率;对含义不清的问题会提示澄清。
优化建议可以基于运行分析生成,并使用历史样本或已确认的业务案例模拟候选版本。符合条件的项目还可以进行 Shadow 资格评估。Shadow 和自动创建草稿受到配置、样本门槛与项目白名单约束;无论评估结果如何,候选方案都不会直接替换线上模型,正式变更仍需重新验收和审批。发布后的效果可以继续跟踪,为后续规则调整提供依据。
除决策工作流外,v1.0.0 还完善了提示词版本注册、Golden 评测、激活回滚和审计记录,并增加运行记录分区、日粒度统计和生产数据库权限隔离等能力。提示词版本管理和生产数据库初始化需要按部署文档配置,适用于自行部署和运维的团队。
平台采用 Rust、Axum、Leptos、PostgreSQL 和 pgvector 等技术。DMN/FEEL 决策执行由平台提供,不依赖 JVM。伏羲希望以明确的模型结构、确定性执行和人工治理,降低业务规则从需求传递到工程实现、再到长期运营之间的维护成本。
项目信息
-
当前版本:v1.0.0
-
许可证:MIT
建议标签
开源项目、Rust、DMN、决策自动化、多智能体、RAG、业务规则