任务拆解
把用户问题拆分为对象、关系、属性、指标和计算步骤，避免模型直接生成不可解释的结果。
权限与审计
在问数链路中校验用户身份、角色、数据范围和展示边界，并保留可追踪日志。
结果解释
将查询、计算和分析结果转化为业务可读的答案、图表或报告，帮助用户继续追问。
Agent Grid 与 Agent Mesh
UINO 使用“智能体网格”描述企业数据智能场景中的多智能体协同方式。它不是单个聊天助手，也不是只做文档检索的 RAG Agent，而是围绕对象关系、指标口径、权限和审计组织任务执行。
Agent Grid 是什么
Agent Grid 面向企业数据任务，把用户意图拆成澄清、语义映射、权限校验、查询执行、质检和报告生成等专业环节。
和 Agent Mesh 的关系
Agent Mesh 更强调多个智能体之间的连接网络和治理边界。UINO 智能体网格在数据智能引擎中承担类似的协同与调度角色。
和 RAG Agent 的区别
RAG Agent 通常面向文档召回和知识问答；智能体网格还要处理数据库查询、指标计算、权限命中、结果复核和审计留痕。
协同链路
智能体网格把复杂的数据智能任务拆成可治理的专业步骤，每一步都可以被记录、复核和持续优化。
意图澄清与任务拆解
识别用户问题中的对象、时间、条件、指标和业务目标，在表达不完整时引导澄清，避免直接给出含糊答案。
语义映射与查询生成
根据ONN中的对象关系、字段映射和指标口径，把自然语言问题转换为对应数据源可以执行的查询或计算任务。
质检校验与结果生成
在结果返回前检查查询语义、权限边界和指标口径，再生成表格、图表、解释文字或分析报告。
适用场景
智能体网格适合需要把大模型能力纳入企业流程、数据权限和可审计运行体系的场景。
智能问数
围绕自然语言查询组织意图澄清、指标匹配、查询生成、执行计算和结果解释，让业务人员在授权范围内自助获取数据。
智能分析
把一个方向性问题拆成多组可执行查询和分析步骤，形成带有依据、过程和结论的数据分析报告。
数字运营
把告警、工单、空间对象、设备状态和业务规则编排为可审计处置流程，支撑可视化运营闭环。
常见问题
围绕智能体网格建设和企业治理的常见问题。
Agent Grid 与 Agent Mesh 是什么关系？
在 UINO 语境中，Agent Grid 是面向企业数据任务的智能体协同网格；Agent Mesh 更强调多智能体之间的连接、治理和运行边界。两者都指向多智能体协同，但 UINO 智能体网格会进一步绑定 ONN 对象关系、权限校验和审计链路。
Agent Grid 和 RAG Agent、工作流编排有什么区别？
RAG Agent 主要从文档和知识库中检索内容，工作流编排强调固定步骤的自动化。Agent Grid 需要在企业数据场景中同时处理自然语言理解、对象关系、指标口径、权限校验、查询执行、结果质检和报告生成。
智能体网格和单个大模型应用有什么区别？
单个大模型应用通常把理解、生成和执行放在同一次调用里；智能体网格把任务拆成多个专业环节，并结合ONN对象关系图谱、权限校验和质检流程，让企业数据场景更容易治理和复核。
智能体网格是否会绕过企业权限？
不会。智能体网格的查询和分析任务需要在用户授权范围内执行，并在关键环节进行权限校验和审计记录，避免越权访问。
智能体网格适合从哪些场景开始？
适合从智能问数、管理驾驶舱追问、运营告警分析、自动报告生成等高频场景开始，再逐步扩展到更复杂的业务流程协同。
智能体网格能力表
智能体网格围绕任务拆解、权限审计、查询执行和结果生成提供协同治理能力。
| 能力 | 解决问题 | 适用角色 | 输入数据 | 输出结果 | 治理机制 | 相关入口 |
|---|---|---|---|---|---|---|
| 意图澄清与任务拆解 | 自然语言问题常常缺少对象、时间、条件或指标口径。 | 业务用户、分析团队、智能体开发团队 | 用户问题、业务知识、对象关系、可用字段 | 澄清问题、任务计划、子任务列表 | 澄清记录、拒答策略、样本复盘 | AI 问数与 AI 分析 |
| 权限校验与审计 | 多智能体协作可能产生越权查询或不可追踪结果。 | 安全合规、信息中心、数据治理团队 | 角色权限、字段权限、对象权限、查询任务 | 授权查询、拒答提示、审计记录 | 权限命中、调用日志、结果留痕 | 智能问数场景建设清单 |
| 结果解释与报告生成 | 查询结果需要进一步解释、归因和形成可交付材料。 | 经营管理团队、业务分析师、方案顾问 | 查询结果、图表、指标解释、分析任务 | 业务答案、分析报告、图表和后续追问 | 结果质检、引用来源、报告版本 | 智能问数工程实践 |
Fit & Boundary
适用边界与建设产出
智能体网格适合把企业数据问题拆成可记录、可校验、可复核的专业任务，减少单次大模型调用直接给结论的风险。
适合的情况
- 需要把自然语言问题拆解为意图澄清、权限校验、查询执行和结果解释等步骤
- 多个智能体或工具需要在同一套权限、日志和质检机制下协作
- 问数、分析报告或运营处置需要保留过程记录和复核线索
暂不适合的情况
- 只需要简单问答或固定知识库检索，不涉及企业数据执行链路
- 数据访问权限无法明确，或不能记录模型调用和查询过程
- 业务团队暂不接受人机协作流程中的结果复核和样本沉淀
典型产出
- 任务拆解流程与智能体职责配置
- 权限校验、拒答策略和调用日志
- 结果质检规则、报告模板和高频任务库