政企场景的可信 AI：业务语义、可控编排与运行隔离

个人创作场景通常允许模型先给出一个不完整答案，再由人修改；政企场景却经常涉及审批、资金、资产与监管责任。这里的关键问题不是模型“会不会回答”，而是系统能否说明使用了什么数据、为什么执行某一步、谁有权限确认结果。

久其女娲天工 AI 平台的公开材料把方向概括为懂业务、可信赖、好落地。拆开看，可以得到四层值得验证的产品结构。

业务语义层

同一个“部门”可能指使用部门、管理部门或归口部门，同一个“分类”也可能有多套口径。平台以本体节点和关系描述业务对象、属性、维度、指标、知识、技能与操作，让模型在具体组织语境下解释问题。

这类本体不是一次性知识图谱，而是语义层到物理字段的持续映射。自动识别可以降低建设成本，但最终口径仍需要业务人员确认和运营。

可控编排层

复杂任务被拆成多个步骤，每一步选择工具或技能、执行、校验并决定是否继续。与纯对话式智能体相比，关键差异是显式的步骤、验证点和恢复机制。

在资产入账等示例中，模型负责解析合同、识别要素和生成草稿，业务人员负责对照材料确认，确认后才写入正式系统。这种“AI 做事、人做终局”的设计比追求无人化更符合高责任场景。

权限与隔离层

智能体调用业务工具时，应继承当前用户的功能和数据权限，而不是因为进入大模型编排就绕过原系统边界。生成代码或脚本的执行环境还需要沙箱隔离，避免越权访问和不受控副作用。

权限控制解决“能看什么、能做什么”，运行隔离解决“生成的操作在哪里执行”。二者缺一不可。

技能与验证层

把稳定的行业流程沉淀为技能，比让模型每次临时规划更可复制。技能不仅包含输入和调用，还需要输出校验、失败处理与审计记录。业务经验由此从提示词转化为可管理的产品资产。

从厂商叙事回到验证

公开材料中的准确率、效率提升和自动化比例应当被视为待验证指标。PoC 需要拿真实权限、真实材料和失败样本测试：本体歧义如何处理、工具调用能否回放、校验失败是否停止、人工确认是否留下证据、沙箱与业务系统之间如何授权。

可信 AI 不是一个模型属性，而是一套围绕语义、权限、执行、验证和责任建立的系统行为。