Enterprise AI的三层架构

推荐语

企业AI落地的关键：三层架构如何系统性赋能业务全流程？

核心内容：
1. 企业AI的三层核心架构解析：数据层、逻辑层、交互层
2. 五大视角下的架构价值：传统架构/业务流程/企业赋能/决策智能/产品实现
3. 各层关键技术要点：AI-Ready数据构建、业务规则翻译机制、智能体交互设计

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

在AI开始走向产业落地的今天，企业面临的最大挑战不再是由于缺乏技术而无法使用AI，而是如何将AI技术系统性地融入企业复杂的业务流中。

宏观上来看，Enterprise AI核心可分为三层，底层数据、中间逻辑、上层交互；通过本体和AI把这些都贯穿起来了。

我们可以从多个不同视角来认知这三层。

（1）从传统架构的视角：

底层是数据。复杂、分散、动态、海量、企业的数据；

中间是模型。通用模型、专用模型、工具集

上层是应用。AI应用、UI应用

（2）从业务流程的视角：

底层是Dataflow；

中间是AI flow；

上层是Workflow；

（3）从企业赋能的视角：

底层是记忆、AI Data 赋予了企业记忆；

中间是思考、AI Logic 赋予了企业理智；

上层是行动、AI Agents 赋予了企业行动力。

（4）从决策智能的视角：

底层是决策对象，感知是什么

中间是决策逻辑，认知为什么

上层是决策执行，决策怎么办并办了

（5）从Palantir AIP产品视角：

底层是Datasets + Connector + Pipelinebuilder + Ontology + Object explore

中间是AIP Logic function + model

上层是Agent studio + Agent + Workshop + Widget + Variable + Action

这三层的具体内涵如下。

第一层：AI Data

AI Data不止于传统Data。对于企业而言，AI Data 不仅仅是传统的结构化数据库表，更多的是那些沉睡在文档、邮件、会议记录、代码库以及知识库中的非结构化数据。数据的结构化、语义化、向量化；企业拥有的私有数据成为了真正的差异化竞争优势。

有五个要点。

一是AI-Ready Data for pre-training或SFT，为训练而生的数据；

二是AI-Ready Data for reasoning，为推理（私域知识等）而生的数据；

三是AI-Based Data pipeline builder，用AI编排数据。

四是多模态数据Connector，接入五花八门的数据源。

五是在data之上构建语义本体层，为AI准备。

第二层：AI Logic

数据层提供了记忆，逻辑层则提供了思考能力。在早期的AI应用中，人们往往直接调用大模型的API，但在企业级应用中，直接的调用往往缺乏稳定性、可控性和业务适配性。因此，AI Logic层应运而生，它充当了企业业务规则与通用大模型之间的翻译官和指挥官。

有四个要点

一是Model，逻辑封装到模型中，通用模型，专用模型

二是Rules，逻辑封装到规则中

三是Tool，逻辑封装到函数中

四是Logic flow，逻辑经过AI进行编排

第三层：AI Agents

这是用户直接感知的界面，也是AI价值最终变现的地方。AI Agents 不再仅仅是被动等待指令的副驾驶（Copilot），它们正在演变为能够自主拆解任务、调用工具、执行操作的独立智能体。在Enterprise AI OS中，我们不会只拥有一个全能的Agent，而是会构建一个Agent团队，它们各司其职，拥有不同的人设和权限。这一层的未来趋势是多智能体协作。就像人类团队一样，一个复杂的项目可能由项目经理Agent拆解任务，分发给执行Agent，最后由审核Agent进行质量把控。

有两个要点

一是Agents，自然语言对话交互，Agentic自主推理，多智能体写作；

二是UI组件，人机交互界面交互和Agent组件混合使用；