一、AI 落地的三个真实困境

困境一：模型碎片化。 同一种业务往往要在不同类型模型之间切换——有的场景用国内通用大模型，有的用国际通用大模型，有的用开源模型做私有化部署。年初对接一家主流厂商，到年底又要支持国产替代和开源部署，每接一家就要重写一次。

困境二：Agent 无法复用。 一个项目里写过 FAQ 检索，再做"查询订单"时发现：节点、提示词、工具、会话记忆这一整套又得重写。三个月下来，五个项目，五套代码，连公共类都没沉淀下来。

困境三：知识进得来，业务出不去。 知识检索做了向量库，但用户问"上个季度华东区销售额同比"，系统只会返回相似文档片段，不会真的去查业务库做计算。知识检索和业务调用之间缺少统一的执行通道。

这三个困境指向同一个结论：AI 应用需要一个 方法论 + 工程底座 + 应用形态都齐备的"框架"。

二、AIGS 方法论：把"猜答案"变成"一步步推理"

传统业务系统的执行路径是写死的——菜单点击 → 控制器 → 查库 → 渲染。引入大模型之后最大的变化是：执行路径变成由模型动态生成。AIGS（AI Generated Service）正是为这种新范式而设计的方法论。

AIGS 的核心思想是把系统能力抽象成"可被推理调用的服务"，让模型在每一步推理中决定调用哪一个、传什么参数。落到工程上，就是"推理 + 工具"双引擎：推理层让模型按"思考 → 行动 → 观察 → 再思考"的循环推进，工具层把业务接口、知识检索、数据库查询、文件解析都注册为标准服务，模型按需调用。

这种"推理驱动服务"和传统"流程驱动服务"的区别，可以用一张表对比：

维度	传统业务系统	AIGS 改造后系统
执行路径	硬编码在代码里	由模型推理动态生成
业务接口	与入口紧耦合	注册为可调用的标准服务
决策依据	程序员预设规则	模型按上下文判断
可观测性	日志 + 链路追踪	推理过程可视化 + 工具调用审计
改动成本	改流程要发版	改服务注册即可

把 AIGS 当成"方法论层"看，后面的工程底座和应用形态都是为了让它真正跑起来。

三、四层架构：把 AI 装进既有 IT 体系

方法论回答了"怎么做"，四层架构回答"放在哪里"。一套成熟的 AI 框架，通常会按下面四层组织代码和部署单元。

展示层 负责和最终用户交互。流式输出和会话状态在这一层完成，渲染交给前端框架。

服务层 是 AI 应用的"业务中枢"。一个 AI 应用对应一份应用配置，配置项用结构化方式存储，支持应用级、会话级、节点级多层覆盖。

核心层 是框架"发动机"。负责节点编排、上下文组装、治理平台落地。

数据层 收纳各类 AI 资产。缓存层支持多种模式组合，业务数据和 AI 检索共用同一份元数据。

四层之间只通过接口对话，不允许跨层调用。这是把 AI "装进"既有 IT 体系的关键——展示层不知道底层是 LLM 还是规则引擎，数据层不知道上层是 AI 还是普通业务。

四、模型适配与工程底座

在四层架构之上，工程底座由三件事决定：模型怎么接、流程怎么跑、资产怎么管。

模型适配 的关键是 统一抽象。框架通常会定义一个模型基类，把不同厂商的差异收敛到这一层。业务代码只调用标准方法，切换模型时改配置不改代码。

流程编排 的关键是 可复用节点 + 事件驱动。每个节点是独立单元，节点之间靠事件传数据，好处是任意节点可替换、可插拔。

资产管理 的关键是 五类资产可装配。新加一个 Function 不用改框架，只写一个标注的类即可。

五、三大应用类型：把方法论变成可装配的"积木"

框架全貌最终要落到 可交付的应用形态。通常会提供三种开箱即用的应用类型，覆盖 80% 的 AI 落地场景。

应用类型	适用场景	核心能力
智能问答	FAQ、客服、政策咨询	知识检索 + 单轮对话
智能问数	业务查询、报表、指标	自然语言查数 + 多源数据路由
智能编排	复杂流程、跨系统协作	可视化流程编排 + 自定义节点

三种类型在数据模型上同构，在节点装配上不同。

这意味着团队可以 先用智能问答跑通第一个场景，再平滑升级到智能问数，最后在复杂流程上启用智能编排——同一份框架底座、同一套接口、同一套治理体系。

总结

把上面的内容收束一下：AI 框架的全貌由三层构成——AIGS 方法论，即怎么让模型驱动服务；四层架构 + 工程底座，即怎么让方法论在既有 IT 体系里落地；三大应用类型，即怎么让框架能力变成可交付的积木。缺任何一层，AI 落地都会卡在试点阶段。

JBoltAI 通过 AIGS 框架把这三层串成一条主线。向量科技在框架里沉淀的"从项目化 AI 升级为工程化 AI"的工程纪律，是这套全貌能稳定复用的关键。

需要提醒的是，框架是工程纪律的载体，不是银弹。真正决定 AI 落地质量的，是团队对业务场景的拆解、对知识资产的管理、对服务接口的设计。框架能做的，是把"做对的事"和"把事做对"这两件事的成本同时降下来——但降下来的，是重复造轮子的成本，不是业务思考的成本。