用Harness+Skill构建企业级ChatBI
基于Harness工具编排与Skill管理，携程构建了可落地的ChatBI方案。方案采用Multi-Agent协作框架，子Agent各司其职；引入记忆管理层区分短期上下文与长期偏好；通过Harness编排工具、Skill封装取数归因能力。底层建设指标引擎与主题治理体系，梳理知识文档与归因能力，解决指标识别、维度识别等核心问题。质量侧通过准确率评测、自动化测试、主动澄清机制和链路漏斗图监控，并对数据结果做可信度分级，确保输出可靠。
用Harness+Skill构建企业级ChatBI
基于Harness工具编排与Skill管理，携程构建了可落地的ChatBI方案。方案采用Multi-Agent协作框架，子Agent各司其职；引入记忆管理层区分短期上下文与长期偏好；通过Harness编排工具、Skill封装取数归因能力。底层建设指标引擎与主题治理体系，梳理知识文档与归因能力，解决指标识别、维度识别等核心问题。质量侧通过准确率评测、自动化测试、主动澄清机制和链路漏斗图监控，并对数据结果做可信度分级，确保输出可靠。
实现步骤
- 1
搭建Multi-Agent协作框架，定义各子Agent职责（如取数Agent、归因Agent）。
- 2
引入记忆管理层，区分短期上下文（当前会话）与长期偏好（用户历史行为）。
- 3
使用Harness进行工具编排，将取数、归因等能力封装为标准化Skill。
- 4
建设指标引擎与主题治理体系，梳理知识文档与归因能力，解决指标识别和维度识别问题。
- 5
建立质量监控体系：准确率评测、自动化测试、主动澄清机制和链路漏斗图。
- 6
对数据结果进行可信度分级，确保输出可靠，并持续优化Agent性能。
推荐工具栈
相关场景
本文基于企查查智能体数据平台的三层反幻觉工程（实体强锚定、强语义负向防御、上下文脱水）和蚂蚁集团等企业的数据架构选型经验，系统阐述如何通过工具层与协议层设计让大模型“不敢编、不能编、编了也露馅”。内容涵盖实体消歧、空数据强语义化、上下文精简、工具描述工程，以及多智能体风控、语义层标准化、自进化防退化等前沿实践，为企业AI Agent落地提供可复用的工程方法论。
本场景介绍如何基于RAG 2.0架构构建企业级问答系统，解决大模型幻觉、知识更新慢和数据安全问题。通过分层模块化设计，集成文档解析、混合检索、重排序和生成组件，实现“搜得更全、排得更好、回答更准”。使用RAGFlow进行文档智能解析，结合向量数据库和Elasticsearch实现混合检索，最终提升问答准确性和可解释性。
上传合同 PDF，AI 自动识别风险条款、不平等条款、缺失的关键保护性条款，输出标注报告，帮助法务人员提升合同审查效率 3-5 倍。
输入目标品类，AI Agent 自动爬取平台畅销排行、分析竞争格局、评估利润空间，并为选定商品自动生成多版本上架文案和主图描述。
本场景介绍如何结合文档智能解析、知识图谱与大模型构建多模态GraphRAG系统。通过OCR-PIPELINE（版式分析、表格解析、公式识别）将文档转化为结构化Markdown，提取实体与关系构建多模态图索引，并利用图检索增强大模型生成答案，解决传统RAG中chunk关联弱、细粒度问答难的问题。适用于企业级复杂文档问答场景，提升检索准确性与推理能力。
将公司财务数据接入 AI Agent，自动对比历史趋势和行业标准，识别异常指标（如应收账款暴增、毛利率骤降），并生成风险预警报告，辅助财务分析师决策。