AI-CPQ · 信创算力 · 企业报价系统

在信创算力业务里，报价从来不是简单填一个价格。它背后包含客户需求、软硬件适配、国产化要求、供应商成本、交付周期、毛利策略、审批流程，以及最终交付给客户的报价文件。www.sat-cloud.com 航天智算 AI-CPQ 要做的，就是把这些分散在经验、表格和沟通里的信息，变成可计算、可校验、可协同的业务能力。

一、先说清楚：什么是 CPQ？

CPQ 是 Configure、Price、Quote 的缩写，中文通常可以理解为配置、定价、报价。它解决的是企业销售过程中的三个核心问题：客户需要什么配置，这些配置应该如何定价，以及如何快速生成一份专业、准确、可审批的报价。

对于标准化商品，报价可能只是选择一个 SKU、填一个数量、套一个折扣。但在信创算力场景中，报价往往不是单点产品，而是一整套方案：服务器、芯片、板卡、内存、硬盘、网卡、操作系统、数据库、中间件、服务内容、交付周期和后续扩展，都可能影响最终价格和项目风险。

所以，信创算力 CPQ 更像是一个销售、售前、供应链和管理层共同使用的业务中枢。它不仅要生成报价单，还要沉淀配置经验、控制价格边界、管理供应商成本，并让每一次报价都能被复盘。

图 1：AI-CPQ 从需求到报价的闭环

二、为什么信创算力更需要 AI-CPQ？

配置复杂

客户通常说的是业务目标，而不是完整 BOM，需要把场景拆成具体配置。

适配复杂

不同软硬件存在兼容关系，人工判断容易遗漏交付风险。

价格变化快

供应商报价、库存、服务内容和项目折扣都会影响最终报价。

经验难沉淀

很多报价能力依赖个人经验，新人上手慢，复盘也困难。

信创算力业务的复杂度，主要来自四个方面。第一是配置复杂，客户通常说的是业务目标，而不是完整 BOM；第二是适配复杂，不同软硬件之间可能存在兼容关系；第三是价格变化快，供应商报价、库存、服务内容和项目折扣都会变化；第四是经验难沉淀，很多报价能力依赖个人经验。

AI-CPQ 的价值，正是把这些复杂性放进一个可控流程里。AI 负责理解、提取、生成和提示；系统负责规则、价格、权限和审计。两者结合之后，业务效率会提升，但关键边界不会丢失。

三、整体设计：AI 不是外挂，而是流程中的协作层

图 2：信创算力 AI-CPQ 的系统分层

一个可靠的信创算力 AI-CPQ，通常可以分为客户与商机层、产品与物料层、配置与 BOM 层、供应商与价格层、规则与审批层、AI 编排层。这里最重要的原则是：AI 参与流程，但不绕过流程；AI 提供建议，但不替代规则、权限和审批。

大模型不是一个可以自由读写数据库的超级管理员，而是被放在业务系统边界内的协作者。它理解业务语言，连接系统能力，提升组织效率，但最终的价格、成本、审批和数据写入，仍然必须由系统控制。

四、大模型到底能做什么？

客户希望建设一套国产化 AI 推理平台，预算有限，希望交付周期短，后续还要支持扩容。

大模型最有价值的地方，不是会聊天，而是能把自然语言中的业务意图转化成结构化信息。客户可能只说一句话：客户希望建设一套国产化 AI 推理平台，预算有限，希望交付周期短，后续还要支持扩容。

传统流程下，销售需要手动拆解这句话，再去找产品、问售前、查库存、比价格。AI-CPQ 可以先把它解析成结构化字段，然后系统再调用产品库、规则引擎和价格模块，生成可比较的候选方案。

大模型可以做六类工作：需求理解、辅助选型、方案表达、风险提示、文档生成和知识沉淀。它不需要凭空编造配置，而是把客户需求翻译成系统能理解的语言，再把系统返回的结果组织成客户能理解的表达。

{
  "scenario": "AI推理平台",
  "localization_required": true,
  "budget_sensitive": true,
  "delivery_priority": "high",
  "future_expansion": true
}

图 3：大模型在 AI-CPQ 中的能力地图

五、关键边界：AI 不能直接操作数据库

AI-CPQ 最大的风险之一，是让大模型直接连接数据库，甚至直接生成 SQL 写入业务表。看起来这样很灵活，实际上风险很高。

模型可能误解用户意图，修改了错误的客户、商机或报价；也可能读取不该读取的成本和毛利数据；还可能绕过审批流程，把本应是草稿的数据变成正式报价。更麻烦的是，一旦出现问题，很难解释这个字段为什么被改了。

所以更稳妥的设计是：AI 与数据库隔离。AI 不直接读写数据库，只能调用 Python 服务层暴露出来的受控接口。Python 层负责权限、字段白名单、业务校验、事务、审计日志和人工确认。

图 4：用 Python 实现 AI 与数据库隔离

六、Python 隔离层怎么落地？

在 Python 服务层里，AI 能调用的不是 SQL，而是一组业务函数。比如查询产品、校验配置、生成报价草稿。这些函数要比数据库操作更高一层，因为它们表达的是业务动作，而不是表字段增删改查。

AI 可以创建草稿，但不能创建正式报价；AI 可以生成客户可见的配置说明，但不能修改成本、毛利、审批状态等敏感字段；AI 可以提出结构化请求，但最终是否写入数据库，必须由 Python 层做判断。

这一层至少要做好五件事：字段白名单、权限校验、业务校验、草稿机制和审计日志。它体现的是一种企业级 AI 应用的基本态度：大模型很强，但不能把核心业务控制权交给模型。AI 应该被放进规则之内，而不是放在规则之上。

def search_products(keyword: str, category: str | None = None):
    """查询产品，只返回报价所需的安全字段"""
    pass

def validate_configuration(items: list[dict]):
    """校验配置兼容性、供货周期和销售规则"""
    pass

def create_quote_draft(opportunity_id: int, items: list[dict], user_id: int):
    """创建 AI 报价草稿，不生成正式报价"""
    pass

• 字段白名单：AI 能读取什么、写入什么必须明确限制。客户可见配置可以辅助生成，内部成本和毛利不能随意暴露。
• 权限校验：所有 AI 调用都要绑定真实用户身份。AI 代表用户发起动作，因此必须继承用户权限。
• 业务校验：AI 提交的配置必须通过规则引擎，检查物料是否存在、数量是否合理、配置是否兼容。
• 草稿机制：AI 生成的内容先进入草稿状态，由人确认后再转为正式数据。
• 审计日志：记录输入、输出、调用人、时间、动作类型和影响对象，确保后续可追溯。

七、AI-CPQ 的远景：从报价工具到智能经营系统

AI-CPQ 的价值不会停留在自动生成报价单。当客户、产品、供应商、成本、配置、审批和成交反馈逐步打通后，它会成为连接销售、售前、供应链、财务和管理层的智能经营系统。

销售输入客户需求，系统可以自动生成初步方案；售前可以基于历史项目快速调整配置；供应链可以根据商机预测提前判断备货风险；管理层可以看到不同产品线、不同客户类型、不同价格策略下的利润变化。

更进一步，系统还可以从历史成交中学习：哪些配置更容易成交，哪些价格区间客户接受度更高，哪些供应商交付更稳定，哪些方案毛利更健康。每一次报价和成交，都会反过来成为下一次报价的依据。

八、结语

信创算力业务天然复杂，传统 CPQ 解决的是流程线上化，而 AI-CPQ 进一步解决的是需求理解、方案生成、经验沉淀和智能协同。

在这个系统里，大模型不是数据库管理员，也不是价格决策者，而是一个业务协作引擎。它负责理解客户语言、组织方案表达、辅助配置推荐和提示潜在风险。真正的价格计算、成本管理、审批流和权限控制，仍然必须由系统完成。

因此，AI-CPQ 的核心不是接入一个大模型这么简单，而是要设计好边界：通过 Python 服务层隔离数据库，通过权限、规则、草稿和审计机制保证系统稳定。这样构建出来的 AI-CPQ，既能释放大模型带来的效率提升，也能保留企业级系统必须具备的可靠性、可追溯性和可管理性。

从客户一句话，到一份可靠报价，再到可复盘、可沉淀、可进化的经营数据，AI-CPQ 代表的不只是工具升级，而是信创算力业务走向标准化、规模化和智能化的一条现实路径。