Type A
知识问答 Agent
基于企业私有知识库（RAG），精准回答员工/客户的专业问题，支持多轮上下文追问。
典型用例
内部 SOP 问答产品手册查询合规政策解读售后技术支持
面向药企 SOP + 法规文本知识问答场景，支持精准引用与多轮追问。
Solution · AI-Agent
企业级 AI-Agent
整体解决方案
以 Bookworm 智能路由底座为核心，四大 Agent 类型覆盖知识问答、流程自动化、 数据分析与多模态交互。POC 快速验证，支持 SaaS 托管或完全私有化部署。
●bookworm@xinlintech~ skills:94agents:18accuracy:100%v6.6
- 2周
- POC 交付
- 快速验证核心场景
- 94个
- 内置技能
- Bookworm 路由覆盖
- 100%
- 路由准确率
- v6.6 实测数据
- 40+
- Hook 节点
- 全流程质量门控
- 22个
- MCP 服务
- 浏览器/搜索/代码等
- 私有
- 部署可选
- 数据不出企业网络
Agent Types
四大 Agent 类型
覆盖企业 AI 应用最常见的四类需求，可单独部署，也可通过 Bookworm 路由引擎统一编排。
Type B
流程自动化 Agent
连接企业内部系统（ERP / CRM / OA），自然语言触发跨系统操作，替代重复性人工录入。
典型用例
采购申请自动填报工单自动创建派工数据提取录入日报周报自动生成
某制造企业生产日报自动化后，报表生成从 2 人/4 小时压缩到 Agent 全自动 <10 分钟。
Type C
数据分析 Agent
自然语言提问即可生成图表、趋势分析和归因解释，让业务人员直接与数据对话。
典型用例
销售趋势分析设备 OEE 归因库存异常预警财务多维钻取
销售总监用自然语言提问'上季度华南区Top 5 SKU 利润下滑原因'，30 秒内获得带图表的分析报告。
Type D
多模态 Agent
处理图片、文档、表单、音频的混合输入，适用于质检报告、合同审核、视觉检测等场景。
典型用例
产品缺陷图片判定合同条款比对表单 OCR 抽取结构化语音转会议纪要
质检现场上传缺陷照片后，Agent 自动分类、关联 SOP 处理规程并创建返工工单，全程无人工介入。
Architecture
五层技术栈架构
从交互接入到大模型底座，五层清晰分层，Bookworm 路由引擎居于核心，确保每个请求精准分发。
交互接入层
用户通过多种终端发起对话请求
- Web Chat / 钉钉 / 企微
- API 对接第三方系统
- 移动 App SDK
- 语音接入（ASR/TTS）
Bookworm 路由层
核心路由引擎，意图识别 + 技能分发
- BWR 路由决策引擎
- 94 技能 × 18 Agent 分发
- 40+ Hook 质量门控
- 置信度阈值自适应
Agent 执行层
四大 Agent 类型并行执行具体任务
- 知识问答 Agent (RAG)
- 流程自动化 Agent
- 数据分析 Agent
- 多模态 Agent
工具与 MCP 层
22 个 MCP 服务 + 企业内部系统集成
- 浏览器 / 搜索 / 代码执行
- ERP / CRM / WMS 接口
- 文件处理 / OCR
- 数据库查询工具
大模型底座层
多模型策略，公有云与私有化灵活切换
- Claude / GPT-4o（公有云）
- Qwen / Llama（私有部署）
- 向量数据库（Milvus / pgvector）
- 模型负载均衡 + Fallback
Deployment
三种部署模式
根据数据合规要求和预算约束，灵活选择 SaaS 托管、完全私有化或混合架构。
SaaS 托管版
最快上线- 7 天内完成接入配置
- 按 Token 用量计费，无固定成本
- 自动更新，无运维负担
- 数据加密传输，符合常规安全要求
适合：中小企业、POC 阶段、预算敏感场景
私有化部署版
数据合规- 部署在企业自有服务器 / 云
- 数据完全不出企业网络
- 支持离线大模型（Qwen / Llama）
- 满足金融、医疗、政务数据合规要求
适合：大型企业、数据敏感行业、二次开发需求
混合部署版
灵活均衡- 敏感数据走私有化，通用能力走公有云
- 路由层自动判断数据分级
- 成本与合规最优平衡
- 弹性扩容，流量峰值应对
适合：集团企业、多子公司场景、混合敏感度数据
Case Studies
三大行业落地案例
覆盖生物医药、智能制造、医药流通，验证四种 Agent 类型的实际落地效果。
生物医药Type A · 知识问答
GMP 合规知识问答系统
挑战
研发和质量部门每天面对大量 GMP 法规、内部 SOP、检验标准查询，人工翻阅耗时且存在理解偏差风险。
方案
将 SOP 与法规文本入库，部署 RAG 知识问答 Agent，支持精准引用原文段落、多轮追问、答案置信度标注。
3天→3秒
咨询响应时间
显著下降
人工工单
>97%
答案准确率
智能制造Type C · 数据分析
生产异常智能分析助手
挑战
生产线异常停机后，根本原因分析（RCA）依赖有经验的工程师人工查阅多套系统数据，平均 4 小时出报告。
方案
数据分析 Agent 接入 MES、IoT、质量系统三路数据，自然语言描述异常现象后，自动关联历史记录，生成 5-Why 分析报告。
4h→15min
RCA 出报时效
-52%
重复性停机
-70%
工程师分析负担
医药流通Type D · 多模态
合同审核多模态 Agent
挑战
法务部门每月审核 300+ 份采购合同，核查条款合规性、价格合理性和风险条款平均需 2 人 × 3 天。
方案
多模态 Agent 读取 PDF / Word 合同，自动对比企业合同模板，标注风险条款，生成差异摘要报告供法务终审。
+400%
初审效率
→ 0%
风险条款漏检率
显著下降
法务人力节省
POC Process
2 周 POC 交付流程
从签约到首个可演示成果，最快 2 周完成，降低决策风险，数据见效后再推进全量实施。
W1
需求 & 数据准备
- 明确核心场景 1–2 个
- 数据收集与脱敏处理
- 确定集成系统清单
- 技术选型评审
W2
POC 快速交付
- 知识库入库 & 索引
- Agent 配置与调优
- 系统集成联调
- 用户验收演示
W3–4
反馈 & 正式立项
- 用户反馈收集
- 效果数据验收
- 全量方案设计
- 商务合同签署
POC 交付承诺
2 周 POC 阶段固定报价，若核心场景验证未达预期 KPI，提供延期补充调优， 不额外收费。签约前提供参考客户联系，支持实地拜访验证。
FAQ
常见问题
Bookworm 路由底座与 LangChain 等框架有何区别？
Bookworm 是自研路由决策引擎，核心差异在于：① 94 个预置技能 + 意图置信度评分，路由准确率 100%（v6.6 实测）；② 40+ Hook 节点实现质量门控，任何输出都经过安全与质量审查；③ 不依赖特定 LLM 厂商，多模型热切换；④ 专为中文企业场景调优，避免通用框架的幻觉和路由混淆问题。
私有化部署需要什么硬件配置？
最小化部署（单机模式）：32 核 CPU + 128GB RAM + NVIDIA A10 GPU（24GB VRAM），支持 Qwen-14B 私有推理。生产级集群：推荐 3 节点 K8s，每节点配置同上，支持万级并发会话。向量数据库（Milvus）可与应用节点共置或独立部署。
企业已有 RPA 工具，Agent 能与之共存或替代？
两者可共存互补。RPA 擅长固定规则、固定界面的操作自动化；Agent 擅长理解非结构化输入、处理例外情况、跨系统协调。典型架构是 Agent 处理意图理解和决策，RPA 执行具体操作步骤，通过 MCP 工具层集成调用。
知识库的数据安全如何保障？
私有化部署时，向量数据库和原始文档均存储在企业内网，不经过任何外部服务。公有云模式下，知识库数据经过 AES-256 加密存储，传输层强制 TLS 1.3，企业可随时导出或删除全部数据。支持按部门隔离向量索引（RBAC 权限控制）。
2 周 POC 后，全量实施大约需要多长时间？
典型全量项目：单场景深化约数月，多场景平台通常半年起；具体周期以方案调研为准。采用 Sprint 迭代交付，每 2 周有可演示成果，避免大爆炸式交付风险。
Related Tech
底层技术支撑
AI-Agent 方案以 Bookworm 路由为核心，融合 AI 平台多项专项能力。