核心概念：点、面、Agent
定义
点：用户需求中具有明确指向性的内容——用户明确要求的、记忆体现的、持续追求的目标。每个点都带有向外的延展势能。
面：一个点向相邻知识域延展所形成的知识网络。面具有内部一致性（面内的知识相互支撑）和边界（面在何处停止）。
学术体系：多个学科面的组织结构化描述——每个学科域包含该领域的规则库、推演模式和边界条件。
Agent：多个面在同一点集上的收敛。一个Agent不是被"造"出来的，是从用户需求的点出发、逐步延展构建出来的。
流程：
Text
自然语言输入 → 规范化输出 → 点提取 → MOE学科路由 → 学术体系构建 → 点延展成面 → 多面收敛构成Agent
设计原则
第一原则：垂直，非通用。
通用Agent的缺陷在于：知识密度被摊薄。一个有100个点覆盖的Agent，在1000个维度上平均分布，每个维度只有0.1的密度；一个10个点覆盖的垂直Agent，在10个维度上集中分布，每个维度达到1.0的密度。
垂直Agent的"窄"不是缺陷，是深度的代价。垂直意味着：在这个域内，Agent能做到可验证的准确。
第二原则：生长定结构，工程定接口。
Agent的内部结构是从点出发有机生长出来的——这是认知科学的逻辑。但Agent的外部边界——数据接入方式、输出格式、协同协议——必须是精确的工程定义。
两者正交：内部可以生长，接口必须精确。
第三原则：规范化是信噪比控制的第一道闸门。
自然语言输入直接送入路由系统，误差会沿链条逐级放大。规范化的本质是信号重编码，有且只有一个目的：提高后续流程信噪比的确定性。
设计步骤（七步压缩）
① 任务定义与点提取
规范化用户输入 → 提取"点"（明确要求的/记忆体现的/持续追求的）→ 每个点标注来源和指向性
② 学术体系与MOE路由
点输入MOE → 路由到相关学科域 → 构建学术体系拓扑图（域间关系+边界定义）
③ 信息管道设计
为每个学科域设计数据接入方式（API/数据库/文件/传感器）→ 标注更新频率和可信度 → 建立元数据标记规范
④ 规则库构建与优先级编排
学科知识编码为规则（条件→结论）→ 规则库内优先级排序 → 跨库冲突时裁决机制
⑤ 推理链路与输出规范
定义推理路径节点（分类→规则匹配→冲突检测→裁决→结论）→ 每条路径标注推理类型（演绎/归纳）→ 设计结构化输出格式（含置信度评分）
⑥ 协同接口设计
定义本Agent的输入/输出边界 → 什么情况下调用其他Agent → 调用协议和错误处理规则
⑦ 验证与校准
独立验证回路（不同数据源+不同推理模型）→ 观测点部署 → 持续校准规则库和优先级
案例：业务数据分析Agent
下面用一个具体案例演示"点→面→Agent"的完整过程。
场景
某电商公司的运营负责人在周会上说：
"我需要一个能自动分析每日销售数据的Agent，帮我发现哪些品类的销量异常波动，并定位可能的原因——价格变动、竞品动作、还是供应链问题。"
第一步：规范化 + 点提取
自然语言输入被规范化后，提取出以下"点"：
点 来源 指向性
每日销售数据 明确要求 数据源指向：订单数据库、商品主数据
品类维度 明确要求 维度指向：按品类聚合
销量异常波动 明确要求 判断指向：什么算"异常"？需要阈值定义
原因定位 明确要求 输出指向：归因分析
价格变动 记忆体现（行业常识） 因素域：定价策略
竞品动作 记忆体现（行业常识） 因素域：竞争情报
供应链问题 记忆体现（行业常识） 因素域：供应链管理
隐含点：效率 追求体现（自动化需求） 设计约束：Agent需要按日频率自动运行
隐含点：可解释 追求体现（"帮我发现"=信任需求） 设计约束：输出需要附带推演过程
第二步：学术体系与MOE路由
基于点清单，MOE路由到以下学科域：
统计学（异常检测→定义"销量异常"的统计基准和阈值）
经济学（供需弹性→价格变动对销量的影响函数）
市场营销（品类管理→不同品类的销售规律和季节性）
供应链管理（库存与供给→缺货、物流延迟对销量的影响）
竞争情报（竞品监测→竞品价格变动、促销活动的信息源）
学科拓扑：统计学为核心（异常检测是中枢），其他四个学科从不同方向贡献因素分析。
第三步：信息管道设计
学科域 数据源 接入方式 频率 可信度
统计学 订单数据库 SQL直连 每日自动拉取 高（内部数据）
经济学 商品价格表 API 实时 高（内部数据）
市场营销 品类历史销售数据 数仓查询 每日 高（内部数据）
供应链管理 WMS库存数据 文件接口 每日 中（延迟1-2h）
竞争情报 外部价格监测平台 API 每日 中（公开数据）
第四步：规则库与优先级
每个学科域提取关键规则。规则冲突时，内部数据优先于外部数据。
示例规则：
统计学规则：{连续3日销量偏离移动平均线>2σ} → {标记为异常}
经济学规则：{价格变动>5%且销量波动>10%} → {价格是主要影响因子}
供应链规则：{WMS出货量<订单量80%且持续时间>2天} → {供应链是主要影响因子}
优先级规则： 当多个因素同时标记时，供应链数据（内部、可验证）优先级高于竞品数据（外部、可能有噪音）
第五步：推理链路
推理链路设计为三层：
异常检测层（统计学域）：每日数据 → 计算各品类移动平均线 → 判定哪些品类"异常"
因素匹配层（多域并行）：对每个异常品类 → 并行检索价格/竞品/供应链数据 → 各域独立给出归因判断
综合裁决层（优先级+冲突解决）：接收各域归因结果 → 按优先级裁决 → 输出最终归因
推理类型声明：
异常检测层：演绎型（统计阈值是确定的，输入→输出是必然的）
因素匹配层：归纳型（外部数据可能有噪声，输出附带置信度）
综合裁决层：演绎型（优先级表是确定的，裁决结果可重现）
第六步：协同接口
这个Agent不是孤立的。当它识别出由竞品动作导致的异常时，它需要将情报转交给另一个Agent——竞品监测Agent。
协同协议：
触发条件：归因结果中"竞品"置信度 > 70%
输出给下游Agent的格式：{品类ID, 异常幅度, 疑似竞品动作, 时间窗口, 置信度}
接收下游反馈：{情报确认/证伪, 附加信息来源}
第七步：验证与校准
验证回路设计：
每周人工抽样：从历史异常检测中随机抽取10%的案例，人工判断Agent的归因是否正确
验证Agent与主Agent共用订单数据，但竞品数据源使用不同API提供商
观测指标：
异常检测的精确率（标记为异常的品类中真正异常的比例）
归因准确率（归因判断正确的比例）
置信度校准偏差（Agent自评分 vs 实际准确率）
校准计划：
每月：根据观测结果调整异常检测的σ阈值
每季：更新竞争情报数据源的优先级
