从”模型调用”到”知识执行”，企业级AI Native系统的技术演进

《从”模型调用”到”知识执行”，企业级AI Native系统的技术演进》，作者：肖加森，上海千语创想科技有限公司创始人兼首席执行官，正高级工程师、人工智能领域技术专家、天使投资人。深耕人工智能、NLP自然语言处理、云计算与大数据领域十余年，兼具深厚技术研发积累与企业 AI 项目落地实战经验，是国内数字化科创领域代表性技术实践者，是国内顶级国防军工院校长期采购AI技术服务商。 兼任多省市科技智库专家，先后担任上海市科技型企业创新资金评审专家、上海市工程系列计算机与信息技术应用专业高级职称评审专家、上海市科技计划软科学重点项目AI评审专家、上海市科学技术委员会科技专家、浙江省科技专家、江西省科技专家、黑龙江省科技专家、黑龙江省自然科学基金评审专家，深度参与各地科创项目评审与行业标准建设，推动数字科技产业规范化、高质量发展。肖加森担任主编，联合高校资深教授共同编著《具身智能数据库技术与应用》、《Java Web应用开发》、《Java项目实战教程》等高校教材。肖加森曾获得CFS第十五届财经峰会2026“科技创新先锋人物奖”“人工智能先锋奖”，2026年9月作为科技领袖受邀出席《财富》世界500强论坛。

肖加森,上海千语创想科技CEO,AI人工智能领域科技专家

一、为什么”模型调用”不够了

2022年底，大语言模型以惊人的对话能力进入公众视野。企业迅速意识到，这项技术可以应用于客服、文档处理、代码生成、内容创作等场景。于是，第一波企业级AI应用几乎都采用了同一种模式：用户输入→模型处理→模型输出。

这种模式被称为模型调用。它简单、直接、见效快。开发者只需将用户请求封装成prompt，调用模型API，再将返回的文本呈现给用户。许多企业在几周内就能上线一个”智能问答机器人”或”文档助手”。

然而，随着应用深入，问题逐渐暴露。

模型不知道企业内部有哪些数据、哪些系统、哪些流程。它无法确认自己输出的内容是否正确，无法执行任何实际操作，也无法对结果负责。当用户问”帮我查一下上周的订单”时，模型只能回答”我没有访问您订单数据的权限”。当用户说”把这个配置改一下”时，模型只能给出操作建议，而无法真正执行。

更深层的问题在于：模型调用是无状态、无责任、无闭环的。每次调用都是独立的，模型不记得之前的交互，不关心执行结果，也不承担任何业务后果。这种模式适合作为起点，却不足以支撑企业级AI系统。

企业真正需要的，不是一个”会说话的模型”，而是一个”能做事的系统”。

二、第一阶段：模型调用——AI作为能力接口

2.1 核心特征

模型调用阶段的核心特征是：AI以API形式提供能力，人类负责所有上下文、逻辑和后续动作。

典型应用场景包括：

• 智能客服：用户提问，模型生成回答；

• 文档摘要：输入长文档，模型输出摘要；

• 代码补全：开发者输入部分代码，模型补全剩余部分；

• 内容生成：输入主题和风格要求，模型生成文章、邮件或营销文案；

• 翻译与润色：模型对文本进行语言转换或风格调整。

这些场景有一个共同点：模型的输出就是最终交付物。用户拿到文本后，自行判断是否可用、是否需要修改、是否需要进一步行动。

2.2 技术实现

模型调用阶段的技术栈相对简单：

1. Prompt工程：通过精心设计的提示词引导模型输出期望内容，包括角色设定、任务描述、输出格式、示例等；

2. 上下文管理：将对话历史、用户信息、相关文档等作为上下文送入模型，以提供必要的背景信息；

3. 输出解析：对模型返回的文本进行后处理，提取关键信息或格式化展示；

4. 安全过滤：对输入和输出进行敏感词过滤、内容审核等。

2.3 局限性

模型调用阶段存在以下核心局限：

这些局限决定了模型调用只能解决”信息处理”类问题，而无法触及”业务执行”类问题。

三、第二阶段：工具编排——AI开始连接业务系统

3.1 核心突破

当企业发现仅靠模型生成文本远远不够时，工具编排应运而生。

核心突破在于：模型不再只输出自然语言，而是开始输出结构化指令。模型可以根据用户意图，选择调用哪个API、执行哪个函数、查询哪个数据库，并将结果重新组织成可理解的回答。

这得益于大模型函数调用（Function Calling）能力的成熟。开发者可以将企业内部系统的能力封装成标准化工具，定义清晰的输入输出接口，然后让模型根据用户请求自动选择合适的工具。

3.2 技术实现

工具编排阶段的技术栈显著复杂化：

1. 工具注册与描述：将API、数据库查询、业务系统等封装为工具，并用自然语言描述其功能、参数和使用场景，使模型能够理解何时调用；

2. 意图识别与工具选择：模型分析用户请求，判断需要调用哪些工具，并生成结构化调用参数；

3. 工具执行与结果获取：系统执行模型生成的工具调用，获取返回结果；

4. 结果整合与响应生成：模型将工具返回的结果与用户请求结合，生成最终回答；

5. 多工具链式调用：对于复杂任务，模型可能需要依次调用多个工具，形成简单的调用链。

3.3 典型场景

• 智能查询：用户问”上周销售额最高的产品是什么”，系统自动调用数据库查询接口，返回结果；

• 工单处理：用户提交问题，系统自动调用工单系统创建工单，并通知相关人员；

• 数据报表：用户请求生成报表，系统调用数据接口获取数据，生成图表和文字分析；

• 代码操作：开发者请求重构某段代码，系统调用代码仓库API获取代码，模型分析后生成修改建议，再通过API提交代码变更。

3.4 局限性

工具编排虽然让AI开始”做事”，但仍存在明显边界：

工具编排解决了”连接”问题，但没有解决”自主”问题。

四、第三阶段：Agent工作流——AI成为系统默认组件

4.1 核心突破

当Agent loop工作流成为软硬件系统的默认机制，AI开始具备更强的自主性。

核心突破在于：AI不再只是响应一次请求，而是能够围绕目标进行规划、分解任务、调用工具、检查结果、修正错误，并在必要时继续执行下一步。

一个典型的Agent工作流包含以下环节：

1. 感知（Perceive）：接收用户请求或系统事件，获取当前状态信息；

2. 规划（Plan）：分析目标，拆解为子任务，制定执行策略；

3. 执行（Act）：调用工具、访问系统、执行操作；

4. 观察（Observe）：获取执行结果，判断是否达到预期；

5. 反思（Reflect）：分析执行过程中的问题和偏差，调整策略；

6. 迭代（Iterate）：根据反思结果，重新规划或继续执行，直到目标达成或触发终止条件。

这个循环可以运行多次，形成Agent loop。Agent可以在循环中持续学习、调整和进化。

4.2 技术实现

Agent工作流阶段的技术栈进一步复杂化：

1. 规划能力：包括任务分解（Task Decomposition）、路径规划（Path Planning）、优先级排序等。常用方法包括思维链（Chain of Thought）、思维树（Tree of Thoughts）、自我反思（Self-Reflection）等；

2. 记忆机制：包括短期记忆（当前对话上下文）、长期记忆（向量数据库存储的历史经验）、工作记忆（当前任务状态）等；

3. 工具使用：在工具编排基础上，Agent能够更灵活地组合和调用工具，包括并行调用、条件调用、循环调用等；

4. 多Agent协作：复杂任务可以分解给多个专业Agent协同完成，例如一个负责规划，一个负责编码，一个负责测试，一个负责审核；

5. 人机协同：在关键节点引入人工确认，确保AI的自主执行在人类监督下进行；

6. 状态管理：维护Agent的当前状态、任务进度、历史决策等，支持断点续执行和异常恢复。

4.3 典型场景

• 智能研发助手：接收需求描述，自动分析技术方案，生成代码，运行测试，修复bug，提交代码审查；

• 智能运维Agent：监控系统状态，发现异常后自动定位根因，生成修复方案，执行标准化操作，验证修复效果；

• 智能业务助手：处理客户请求，协调多个业务系统，生成业务单据，推动流程流转，跟踪执行结果；

• 智能数据分析Agent：接收分析需求，自动获取数据，进行数据清洗和分析，生成可视化报告和文字解读。

4.4 局限性

Agent工作流虽然大幅提升了AI的自主性，但在企业级应用中仍面临关键挑战：

这些挑战指向一个核心问题：企业不能接受一个”会行动但不可控”的AI系统。

五、第四阶段：知识执行——AI在真实业务约束下行动

5.1 核心定义

知识执行是AI Native系统演进的下一阶段，也是企业级AI系统走向成熟的关键标志。

知识执行意味着AI系统不仅拥有模型能力，还拥有可管理的企业知识、可验证的业务规则、可追溯的执行记录和可度量的结果反馈。它回答的不再是”模型认为应该怎样”，而是”在当前业务事实、权限边界和流程约束下，系统应当如何执行”。

与之前的阶段相比，知识执行的核心差异在于：

5.2 五类知识能力

一个成熟的企业级AI Native系统，需要具备以下五类知识能力：

1. 事实知识

包括产品、客户、订单、设备、流程、制度等真实业务数据。这些数据必须来自可信来源，并能被持续更新。

技术实现包括：

• 企业知识图谱：将业务实体及其关系结构化存储，支持语义查询和推理；

• 向量数据库：将文档、FAQ、手册等非结构化知识向量化存储，支持语义检索；

• 实时数据接口：连接业务系统，获取最新的业务数据；

• 数据质量保障：建立数据清洗、校验、更新机制，确保知识的准确性。

2. 规则知识

包括审批权限、合规要求、安全策略、业务流程和异常处理机制。AI必须在规则边界内行动，而不是自由发挥。

技术实现包括：

• 规则引擎：将业务规则形式化表达，支持自动化校验和执行；

• 权限管理系统：定义不同角色、不同场景下的操作权限，确保AI不会越权；

• 合规检查模块：在执行前自动检查是否符合法律法规、行业标准和内部政策；

• 流程定义语言：用标准化方式描述业务流程，使AI能够理解和遵循。

3. 过程知识

包括任务如何分解、系统如何调用、异常如何恢复、结果如何确认。过程知识决定了AI能否稳定完成复杂任务。

技术实现包括：

• 工作流引擎：定义和管理复杂业务流程的执行；

• SOP知识库：将标准操作流程结构化存储，供AI参考执行；

• 异常处理库：记录各类异常场景的处理方法，支持AI在遇到问题时自主恢复；

• 执行日志系统：完整记录AI的每一步操作，支持问题排查和审计追溯。

4. 经验知识

包括历史案例、失败记录、最佳实践和人工反馈。经验知识让系统能够持续改进，而不是每次从零开始。

技术实现包括：

• 案例库：存储历史任务及其执行结果，供AI参考类似场景的处理方式；

• 反馈学习机制：收集人工对AI执行结果的评价，持续优化模型和策略；

• A/B测试框架：对比不同策略的效果，选择最优方案；

• 知识沉淀机制：将人工处理复杂问题的经验转化为结构化知识，供AI复用。

5. 责任知识

包括谁发起任务、谁批准执行、谁承担结果、如何审计追溯。没有责任知识，AI就无法进入关键业务环节。

技术实现包括：

• 身份与权限体系：明确每个任务的发起者、执行者、审批者和责任人；

• 审计日志：完整记录AI的决策过程、执行步骤和结果，支持事后追溯；

• 审批工作流：在关键节点引入人工审批，确保重要决策由人类把关；

• 责任界定机制：明确AI辅助决策和人类最终决策的边界，建立责任分配规则。

5.3 技术架构

知识执行阶段需要一套完整的技术架构来支撑。我们提出三层架构模型：

智能层（Intelligence Layer）

负责理解与规划，包括：

• 大模型引擎：提供自然语言理解、推理和生成能力；

• 检索增强（RAG）：从企业知识库中检索相关信息，增强模型输出的准确性；

• 记忆系统：管理短期记忆、长期记忆和工作记忆；

• 规划引擎：负责任务分解、路径规划和策略选择；

• 多Agent协调器：管理多个专业Agent的协作。

执行层（Execution Layer）

负责连接与落地，包括：

• 工具注册中心：管理和注册所有可调用的工具和API；

• 工作流引擎：执行定义好的业务流程；

• 数据访问层：连接数据库、数据仓库、业务系统等数据源；

• 系统集成适配器：与ERP、CRM、HRM等企业系统对接；

• 设备控制接口：与IoT设备、硬件系统交互。

治理层（Governance Layer）

负责控制与可信，包括：

• 权限管理：控制不同用户和Agent的操作权限；

• 合规检查：确保所有操作符合法律法规和内部政策；

• 风险控制：识别和防范潜在风险，包括安全风险、合规风险、业务风险；

• 审计追踪：完整记录所有操作和决策过程；

• 效果评估：评估AI执行的效果，收集反馈，驱动持续优化；

• 人工介入接口：在关键节点支持人工确认、干预和接管。

5.4 知识执行的闭环

知识执行不是一个线性过程，而是一个持续演进的闭环：

目标输入 → 知识检索 → 规则校验 → 规划执行 → 结果验证 → 反馈学习 → 知识更新

1. 目标输入：接收用户请求或系统触发的事件，明确需要达成的目标；

2. 知识检索：从企业知识库中检索相关的事实、规则、流程和案例；

3. 规则校验：检查目标是否符合业务规则、权限策略和合规要求；

4. 规划执行：制定执行计划，调用工具和系统，完成具体操作；

5. 结果验证：验证执行结果是否达到预期，是否符合质量标准；

6. 反馈学习：收集执行结果和人工反馈，分析成功经验和失败原因；

7. 知识更新：将新的经验和知识沉淀到知识库中，供后续任务使用。

这个闭环使AI系统能够持续学习和进化，不断提升执行能力和准确性。

六、深度嵌入的三个方向

AI Native不是把大模型放进系统，而是让AI能力深度嵌入软件、组织和产业。

6.1 嵌入软件工程

AI正在重构从需求、设计、编码、测试、部署到运维的全链路。

需求阶段：AI可以分析用户反馈、市场数据和竞品动态，辅助产品团队识别需求和优先级。自然语言描述的需求可以被自动转化为结构化的用户故事和功能规格。

设计阶段：AI可以基于需求生成技术方案建议，包括系统架构、接口设计、数据模型等。AI还可以进行技术可行性分析和风险评估。

编码阶段：AI可以生成代码、补全代码、重构代码、编写单元测试。更先进的系统中，AI可以根据需求直接生成可运行的代码框架，开发者只需进行关键逻辑的调整和确认。

测试阶段：AI可以自动生成测试用例、执行测试、分析测试结果、定位缺陷。AI还可以进行模糊测试、安全测试等专项测试。

部署阶段：AI可以分析部署风险，生成部署计划，自动化执行部署流程，并在部署后监控系统状态。

运维阶段：AI可以监控系统运行状态，发现异常后自动定位根因，生成修复建议，甚至自动执行标准化修复操作。

未来的软件工程可能不再是”人写代码、机器运行”，而是”人定义目标、AI生成方案、系统验证执行、人类确认结果”。

这会带来新的工程规范问题：

• 如何评审AI生成的代码？

• 如何测试Agent的行为？

• 如何保证AI驱动的变更可追溯？

• 如何定义AI生成代码的知识产权归属？

• 如何建立AI辅助开发的效能度量体系？

6.2 嵌入系统运行

Agent loop将逐渐成为系统的默认运行方式。

主动感知：系统不再只等待人工操作，而是能够主动感知状态变化、识别异常、预测风险。

自主决策：在明确规则边界内，系统可以自主决策并执行标准化操作，无需人工干预。

人机协同：对于超出预设边界的场景，系统可以主动寻求人工确认，或将任务升级给更高级别的处理者。

持续优化：系统可以从历史执行中学习，不断优化决策策略和执行效率。

对于软硬件一体化系统，这意味着AI需要具备更强的实时性、可靠性和安全边界。任何自主执行都必须建立在明确权限和故障恢复机制之上。

6.3 嵌入组织流程

AI Native最终会改变组织协作方式。

流程驱动方式变化：过去，流程由人驱动，系统记录结果；未来，很多流程可能由AI驱动，人类负责目标设定、规则制定和关键确认。

岗位职责重新定义：重复性、规则明确的工作将越来越多地由AI承担，人类将更多专注于创造性、策略性和需要情感智能的工作。

决策模式变化：AI可以提供数据驱动的决策建议，人类负责最终决策和责任承担。人机协同决策将成为常态。

组织效能度量：需要建立新的度量体系，评估AI带来的效率提升、质量改进和风险变化。

这会带来新的组织问题：

• 哪些任务可以交给AI？

• 哪些决策必须保留人工审批？

• 如何重新定义岗位职责？

• 如何培养员工的AI协作能力？

• 如何衡量AI带来的效率提升和风险变化？

七、落地路径：企业如何走向AI Native

7.1 阶段一：能力探索（1-3个月）

目标：验证AI在特定场景中的价值，积累经验和信心。

关键动作：

• 选择1-2个高价值、低风险的场景进行试点，如智能客服、文档助手、代码补全等；

• 建立基础的模型调用能力，包括API接入、Prompt工程、安全过滤等；

• 评估效果，收集反馈，总结经验和教训。

成功标志：试点场景上线运行，获得正向反馈，团队建立对AI能力的信心。

7.2 阶段二：工具集成（3-6个月）

目标：让AI连接业务系统，实现从”说话”到”做事”的跨越。

关键动作：

• 梳理核心业务系统的能力，将常用API封装为标准化工具；

• 建立工具注册和管理机制，支持模型自动选择和使用工具；

• 在更多场景中应用工具编排，如智能查询、工单处理、数据报表等；

• 建立基础的安全和权限控制机制。

成功标志：AI能够调用业务系统完成简单任务，减少人工操作。

7.3 阶段三：Agent试点（6-12个月）

目标：在可控范围内试点Agent工作流，验证AI自主执行的能力。

关键动作：

• 选择1-2个适合Agent执行的场景，如智能运维、智能数据分析等；

• 建立Agent工作流框架，包括规划、执行、观察、反思等核心能力；

• 引入记忆机制和反馈学习，让Agent能够持续改进；

• 建立完善的审计和人工介入机制，确保可控性。

成功标志：Agent能够在监督下自主完成复杂任务，显著提升效率。

7.4 阶段四：知识执行（12-24个月）

目标：构建企业级AI Native系统，实现AI在真实业务约束下的稳定执行和持续进化。

关键动作：

1. 构建企业知识底座

◦ 梳理企业核心知识资产，包括产品知识、流程规范、制度文档、历史案例等；

◦ 建立统一的知识管理体系，包括知识采集、清洗、分类、存储和更新机制；

◦ 构建企业知识图谱，将业务实体及其关系结构化，支持语义查询和推理；

◦ 部署向量数据库，实现非结构化知识的语义检索；

◦ 建立数据质量保障机制，确保知识的准确性、完整性和时效性。

2. 建立规则与权限体系

◦ 梳理核心业务流程和审批规则，将其形式化表达并纳入规则引擎；

◦ 建立细粒度的权限管理体系，明确不同角色、不同场景下的操作权限；

◦ 建立合规检查机制，确保AI的所有操作符合法律法规、行业标准和内部政策；

◦ 定义AI操作的边界和禁区，建立”白名单”和”黑名单”机制。

3. 完善执行与治理架构

◦ 部署工作流引擎，支持复杂业务流程的自动化执行；

◦ 建立系统集成适配器，实现与ERP、CRM、HRM等核心业务系统的深度对接；

◦ 建立完整的审计日志系统，记录AI的每一次决策和执行；

◦ 建立效果评估体系，量化AI带来的效率提升、质量改进和风险变化；

◦ 建立人工介入机制，在关键节点保留人类审批和接管能力。

4. 构建反馈与进化闭环

◦ 建立反馈收集机制，收集用户对AI执行结果的评价；

◦ 建立案例库，将历史任务及其执行结果结构化存储；

◦ 建立知识沉淀机制，将人工处理复杂问题的经验转化为结构化知识；

◦ 建立A/B测试框架，对比不同策略的效果，持续优化；

◦ 建立模型和策略的迭代更新机制，让系统持续进化。

5. 组织与文化建设

◦ 设立AI治理委员会，负责AI战略、规范和风险管控；

◦ 建立跨部门的AI协作团队，包括技术、业务、法务、合规等多方角色；

◦ 开展全员AI培训，提升员工的AI协作能力；

◦ 建立AI应用的激励机制，鼓励业务部门积极探索AI应用场景；

◦ 建立AI伦理和安全文化，确保AI应用始终在可控、可信的轨道上运行。

成功标志：

• AI系统能够在业务规则约束下自主完成复杂任务，显著降低人工干预；

• 形成完整的知识管理、执行治理和反馈进化闭环；

• AI深度嵌入核心业务流程，成为企业运营的基础设施；

• 建立完善的AI治理体系，确保AI应用的可控性、可信性和可持续性。

八、挑战与应对

尽管AI Native的前景令人振奋，但企业在落地过程中仍面临诸多挑战。

8.1 技术挑战

8.2 安全与合规挑战

8.3 组织与文化挑战

九、从”用AI”到”是AI”

回顾AI Native系统的演进路径，我们可以看到一条清晰的脉络：

• 模型调用阶段，企业”用AI”——AI是一个外部工具，被调用、被使用；

• 工具编排阶段，企业”连AI”——AI开始连接业务系统，能够执行简单操作；

• Agent工作流阶段，企业”管AI”——AI具备自主性，但需要人类监督和管理；

• 知识执行阶段，企业”是AI”——AI深度嵌入业务，成为企业运营的内在组成部分。

“是AI”并不意味着企业变成了AI，而是意味着AI能力已经成为企业的原生能力，就像计算能力、网络能力、数据能力一样，成为企业基础设施的一部分。员工不再需要刻意”使用AI”，因为AI已经嵌入到他们日常工作的每一个环节中；系统不再需要额外”接入AI”，因为AI已经是系统设计的默认考量；决策不再需要单独”参考AI建议”，因为AI的洞察已经融入决策流程的每一个节点。

这正是”AI原生，深度嵌入”的终极含义。

2026年，我们正站在这个转折点。那些能够率先完成从”模型调用”到”知识执行”跨越的企业，将获得显著的竞争优势：更高的效率、更好的质量、更快的响应速度和更强的创新能力。而那些仍然停留在”模型调用”阶段的企业，可能会发现自己使用的只是一个”聪明的玩具”，而非真正的”业务引擎”。

从”模型调用”到”知识执行”，不仅仅是技术架构的演进，更是企业认知、组织能力和运营模式的全面升级。这条路不会轻松，但方向已经清晰。现在的问题不再是”要不要做”，而是”如何开始”和”如何走稳”。

AI Native时代已经到来。深度嵌入，正在发生。