^{PIG™ AI Microservice Architecture}
系统白皮书
──


佩格科技
COPYRIGHT © PIG AI. ALL RIGHTS RESERVED.

PIG AI 是一款面向企业的大语言模型（LLM）应用开发平台，采用 Java 技术栈，提供模型接入、RAG 知识库、Agent 编排和业务系统集成能力。

开发人员可以通过界面或 API 构建智能客服、文档问答、业务助手等应用；产品和运营人员也可以参与应用配置、知识维护与效果评估。

产品定位

企业落地 AI 应用时，通常会遇到以下问题：

• 挑战一：Java 生态不足

不少 AI 框架优先支持 Python，Java 团队往往需要维护跨语言服务。PIG AI 将模型调用、知识库、工作流和业务接口统一在 Java 工程体系中，方便复用现有基础设施和开发规范。

• 挑战二：单纯工具的局限性

Spring AI、LangChain4j 等框架解决了基础模型调用问题，但企业应用通常还需要权限、租户、数据管理、流程编排和运行监控。PIG AI 把这些能力放在同一平台中管理。

• 挑战三：集成复杂性与管控难题

不同厂商的聊天、向量和视觉模型有各自的接口与参数，企业内部系统也存在权限和数据边界。PIG AI 提供统一配置、协议适配和规则控制，集中管理模型与业务接口。

核心定位

PIG AI 位于模型服务与业务应用之间，负责模型适配、知识检索、流程编排和接口调用。产品主要面向使用 Java 技术栈的企业团队，并保留可视化配置入口，方便业务人员参与应用维护。

在通用问答、知识库、业务联动和多模态能力之外，PIG AI 还提供面向企业内容生产的两类应用：

• AI 演示文稿：根据主题、补充说明或需求文件生成结构化大纲，选择视觉模板后生成可在线编辑、下载的 PPTX。

• AI 标书：围绕主招标文件完成招标解读、需求与评分项提取、标书大纲生成、章节撰写、废标风险检查和 Word 导出。

多模型支持

PIG AI 可以接入 Ollama、vLLM 等本地模型服务，也可以同时配置云端模型。

支持多种部署模式：

• 本地推理模式：直接调用企业内部已部署的 Ollama/vLLM 服务

• 混合调用模式：同时支持本地模型与云端模型的智能路由与负载均衡

深度推理

PIG AI 支持接入具备推理能力的模型，并展示模型返回的推理过程。

核心能力

相关能力包括推理过程展示、联网搜索和私有搜索服务接入。

全链路思维链保留

对于返回推理内容的模型，系统会分别展示推理过程和最终回答，便于用户了解模型的分析路径。展示内容取决于模型实际返回的数据，不能替代对结论的事实核验。

实时联网搜索增强

联网搜索可以在回答前补充公开网页内容，适用于新闻、产品动态和政策信息等时效性较强的问题。搜索结果仍需结合来源、发布时间和业务口径进行判断。

私有化搜索引擎集成

企业可以接入自建搜索服务，将索引和查询流量保留在内部环境，并按现有角色与业务权限控制搜索范围。

RAG 知识库

RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的技术范式。其核心思想是通过实时检索外部知识库获取与当前任务最相关的信息片段，将这些检索结果作为上下文输入给生成模型，从而提升生成内容的准确性和事实性。

多源知识融合

PIG AI 的 RAG 知识库会在模型回答前检索外部资料，并把相关片段作为上下文。资料可来自以下来源：

• 模型知识：模型训练阶段获得的通用知识，内容存在时间边界。

• 企业知识：产品规格、技术文档、内部流程和业务规则等内部资料。

• 公开资料：通过搜索服务获取的新闻、政策、论文和产品信息。

智能清洗增强

文档进入知识库前会经过解析、切分和清洗：

• 数据收集与标准化：支持 PDF、Word、Excel、PPT、图片和网页等来源，并转换为统一的文本与元数据结构。

• 文本切分与去噪：按段落、语义块或自定义规则分片，并处理页眉页脚、水印、乱码和重复内容。

• 知识标注与向量化：为分片补充主题、时效性和适用范围等元数据，再通过嵌入模型生成向量索引。

  

精准多路召回

检索阶段可以组合以下策略：

• 向量搜索：按语义相似度查找相关片段，适合概念关联和自然语言问题。

• 全文搜索：按关键词检索，适合术语、代码、人名和产品型号等精确内容。

• 知识图谱：使用实体与关系组织知识，用于查询人物、产品和业务对象之间的关联。

• 关系重排：对初步召回结果再次排序，可结合相关性、时效性和资料权重筛选上下文。

场景演示

知识库支持导入本地文件、网页和业务数据。系统完成解析与索引后，应用可以在客服、技术支持和内部知识查询等场景中引用这些资料回答问题。

知识库组织与配置

将数据上传到 PIG AI 知识库后，PIG AI 会自动将你的文档分割成内容片段进行存储，并通过向量搜索来检索最相关的内容来回答用户问题。

例如：

• 你可以将几十页的产品介绍文档导入知识库，当 Bot 使用了这个知识库后，你就可以拥有一个专属产品顾问 Bot。

• 你可以将常关注的资讯网站或在线论文导入知识库，通过知识库的自动更新能力，让 Bot 帮助你收集最新数据。

知识库支持 Word、PPT、Excel、TXT、图片、PDF、结构化数据和网页等来源。管理员可以查看和调整文本切片，配置召回数量、排序策略与权重，并保留回答引用的原文快照。

多知识库支持

PIG AI 支持同时管理和使用多个知识库，通过语义自动导航技术，系统能够智能识别用户问题的意图和领域，自动选择最相关的知识库进行检索。

当用户提问时，系统不需要手动指定使用哪个知识库，而是通过以下机制自动完成知识库匹配：

• 语义理解：分析问题的主题、领域和关键概念

• 知识库画像：每个知识库都有其特定的领域标签和内容特征

• 智能路由：根据语义相似度自动将问题路由到最合适的知识库

• 多库联合检索：必要时可以同时在多个相关知识库中进行检索，综合提供答案

企业可以按产品、技术或政策等主题拆分知识库。用户未指定知识库时，系统会根据问题匹配候选知识库。

丰富的知识库场景

知识库还提供答案标注、安全控制、富文本输出和引用溯源：

• 答案标注

对历史对话中的回答进行标注，系统会在未来遇到类似问题时复用这些标注答案，从而提高回答的一致性和准确性。通过不断积累标注数据，知识库的质量会持续提升。

• 安全控制

访问权限、敏感词和访问次数均可配置，不同角色可以访问不同范围的知识内容。

• 输出富文本

回答可以包含图片、表格、链接和代码块。

• 结果可溯源

回答可附带引用快照和原文位置，便于用户核对来源。

全局配置化

管理员可以在统一界面中配置模型、向量数据库、提示词和计费信息：

• 模型切换

支持在线配置不同厂商和类型的模型，应用可按配置切换模型，无需修改业务代码。

• 向量数据库

支持 Milvus、Qdrant、Chroma、Redis-Stack、PGVector 和 Neo4j 等向量存储方案。

• 提示词维护

提示词（Prompt）可以在线编辑、测试和维护，修改后无需重新部署应用。

• 账单管理

系统记录 API、智能体编排和批量任务的模型用量，并按租户或用户统计费用。

文档对话引擎

Chat2File 支持解析 Office 文档、图片和 PDF，并围绕上传内容进行对话。

• 识别文档结构、正文和表格，提取与问题相关的内容

• 支持中英文提问，可处理「第 3 章第 2 节中的数据」这类上下文指代

• 支持跨语言问答与文档翻译

• 回答关联原文位置，并保留引用快照

技术实现

PIG AI 使用 Java 实现文档处理、索引、检索和模型调用。

数据清洗与预处理

数据清洗管道包括：

• 识别并移除页眉页脚、水印和重复内容

• 基于向量相似度进行文档级与段落级去重

• 提取时效性、来源和适用范围等元数据

• 保留标题层级，将非结构化文本转换为可索引内容

混合检索与排序算法

系统可以组合稠密向量、稀疏向量和关键词检索，再对召回结果进行排序：

• 多路召回用于扩大候选范围

• 重排序可结合相关性、时效性和资料权重

Java 领域的技术重建

数据清洗、向量化和混合检索均在 Java 技术栈中实现。开发者可以复用 Spring 工程的配置、监控、熔断和流量控制能力，减少跨语言服务的维护成本。

业务联动

业务联动让 PIG AI 从对话能力延伸到真实业务执行，形成从自然语言理解到系统调用、流程触发和结果回写的完整闭环。

从对话到业务执行

业务联动允许模型在权限范围内调用 API、查询数据或触发流程。

Function Calling：智能与系统的深度集成

系统可以：

• 理解用户的自然语言指令，自动转换为结构化的 API 调用参数

• 智能识别需要调用的业务接口和数据库查询条件

• 提取对话中的关键信息，自动填充业务表单

• 复用业务接口的参数校验与权限控制

业务流程自动化

配置对应工具后，AI 可以执行以下操作：

• 客户服务自动化：AI 可以直接查询订单状态、修改配送地址、申请退款等

• 数据录入自动化：从对话或文档中自动提取信息，完成系统录入

• 审批流程触发：根据业务规则自动发起审批流程

• 跨系统协同：在多个业务系统之间自动流转数据和任务

业务联动机制

模型生成的调用参数仍需经过现有业务系统的身份认证、权限判断和参数校验。校验通过后，业务接口执行操作并将结果返回给模型或用户。

场景演示

Function Calling 将自然语言转换为 API 参数或数据库查询条件，也可以从文本中提取结构化数据。常见用途包括：

• 在进行自然语言交互时，可以通过调用外部工具回答问题（类似于 ChatGPT 插件）

• 将自然语言转换为调用 API 时使用的参数，或者查询数据库时使用的条件

• 从文本中提取结构化数据，实现 AI 表单

AI 智能表单

智能表单将自然语言中的姓名、手机号、部门等信息映射到表单字段。例如，用户输入「创建一个名为张三、手机号为 138xxxx、所属技术部的用户」，系统会生成对应字段，提示缺失或格式错误的内容，确认后再提交业务接口。

自然语言驱动的智能 RPA

PIG AI 将 AI 页面理解与 RPA 自动化执行结合起来，让用户通过自然语言操作已有的 Web 业务系统。用户只需描述目标，智能体即可识别当前页面中的表单、按钮、菜单和数据内容，并完成查询、填写、选择、跳转与信息汇总。

传统 RPA 通常依赖预先编排的固定步骤，页面结构或业务状态变化后需要重新维护流程。Page Agent 会根据当前页面和执行结果动态规划下一步操作，更适合 CRM 客户跟进、日志分析、经营数据统计和业务表单录入等多步骤任务。

用户可以直接发出以下指令：

• 「统计今天的失败日志并总结原因。」

• 「将客户预算改为 8 万元，并安排下周二回访。」

• 「打开站点统计，汇总今天的关键数据。」

整个执行过程可见、可控：系统实时展示操作轨迹，遇到信息缺失时主动询问；涉及提交、删除、审批等高风险操作时暂停执行，等待用户确认。用户也可以随时终止任务。

PIG AI 将业务系统的使用方式从「查找入口、逐项操作」转变为「描述目标、监督执行、确认结果」，降低复杂系统的使用门槛，也让存量业务页面具备面向任务的智能操作能力。

扩展能力

开发者可以把现有业务逻辑封装为函数或服务，再通过 Function Calling 注册给模型调用。业务权限、参数规则和异常处理仍由原接口负责。

实际案例

以 CRM 为例，系统可以从对话、文档或截图中提取客户姓名、购买意向和产品偏好，生成结构化客户档案。档案提交后由 CRM 的分配规则选择销售人员，并创建跟进任务或提醒。

字段映射通过接口参数配置完成。对接 OA、ERP 等系统时，仍沿用目标系统的权限和数据校验规则。

智能体 Agent

智能体（Agent）会根据输入和工具结果选择下一步操作。PIG AI 提供流程编排、代码评审、系统巡检和技能管理等能力。

智能体编排

可视化设计器用于配置节点、分支、输入输出和执行顺序。

核心特征

• 原子化能力封装：将大模型能力封装为可复用的功能单元（LLM Function）

• 可视化流程编排：通过拖拽方式构建多步骤工作流，支持条件分支、并行执行等复杂逻辑

• 批处理：支持批量数据输入和并行任务

• 结果校验：可以增加校验节点，对上一步输出进行检查

适用场景

交互范式 单向任务流：指令输入 → 智能体执行 → 结果输出 的标准化流程

8
1
curl -X POST 'https://home.pig4cloud.com:38443/api/admin/aiFlow/execute' \
2
        --header 'Authorization: Bearer YOUR_ACCESS_TOKEN' \
3
        --header 'Content-Type: application/json' \
4
        --data-raw '{
5
          "id": "1896399681963388929",
6
          "params": {},
7
          "envs": {}
8
      }'

超级智能体

传统智能体编排依赖预设的节点、分支、输入输出和执行顺序。超级智能体（Super Agent）则围绕目标拆分步骤、调用工具，并根据执行结果调整后续动作，适合需要多轮处理的任务。

OpenClaw、Hermes、Codex、Claude Code 等工具可以读取项目文件、执行命令、操作浏览器、生成代码和修改文档。具体可用能力取决于运行环境、授权范围和已接入的工具。

与传统智能体编排的区别

核心能力

• 自主任务拆解：根据业务目标自动拆分步骤，识别依赖关系，并决定下一步执行策略。

• 长期运行与状态保持：支持跨阶段任务推进，能够在较长周期内持续执行、校验和修正。

• 工具与环境操作：可调用代码仓库、命令行、浏览器、接口、数据库和文档系统，用于处理企业系统中的具体任务。

• 反馈驱动优化：在执行失败、测试不通过或信息不足时，能够根据反馈重新规划，而不是直接终止任务。

• 端到端交付：从需求理解、方案设计、代码生成、文档更新、测试验证到结果总结，形成完整闭环。

PIG AI 可以向 OpenClaw、Hermes、Codex、Claude Code 等智能体提供模型、知识库、MCP 和业务工具。这些智能体可据此执行自动化研发、系统巡检、跨系统数据处理、业务流程修复和运维应急处置等任务。

AI 长期记忆

模型调用通常只能使用本次请求提供的上下文。长期记忆（Long-term Memory）用于保存需要跨会话复用的事实、偏好、决策和任务结果，并在后续对话中按需召回。

mem0 是面向 AI 助手和智能体的长期记忆服务，可将聊天上下文中的关键信息抽取为结构化记忆，并按用户、会话、组织等维度隔离存储。PIG AI 在自由模式下可以启用 mem0，完成记忆写入、语义搜索与提示词注入。

核心链路

• 上下文写入：用户在 PIG AI 自由模式中发起对话后，系统会对聊天上下文进行识别，将用户偏好、业务事实、任务结论、反馈纠正等高价值信息写入 mem0。

• 记忆分层：按用户记忆、会话记忆、组织记忆等维度管理上下文，既支持个人级个性化，也支持团队级知识复用。

• 记忆搜索：模型回复前，PIG AI 根据当前问题在 mem0 中进行语义检索，并结合用户、会话、业务空间等条件过滤相关记忆。

• 提示词注入：检索到的相关记忆会被注入系统提示词或任务提示词中，帮助模型理解历史背景、用户偏好和业务约束。

• 个性化回复：模型基于当前输入和长期记忆生成更连续、更贴合用户习惯的回答，减少重复说明和上下文丢失。

能力价值

安全与治理

PIG AI 接入 mem0 时，可以结合权限、租户隔离、审计和敏感信息保护策略，控制记忆的写入、检索和提示词注入范围。部署时还需明确记忆保留期限、删除机制与敏感数据处理规则。

企业可以组合使用知识库、mem0、AI Skills、MCP 和业务接口：知识库保存稳定文档事实，mem0 记录动态偏好与交互历史，AI Skills 和 MCP 连接可执行工具。各类记忆应按租户和用户权限隔离。

AI 代码评审

AI 代码评审会分析提交内容，标记代码规范、运行时风险、性能和安全问题，并生成评审记录。结果用于辅助人工评审，不能替代测试和安全审计。

核心能力

• 代码规范检查：自动识别不符合编码规范的写法，包括命名风格、代码结构、注释完整性等

• 潜在风险提示：检测空指针、资源泄漏、并发安全等常见运行时风险

• 性能优化建议：识别低效算法、冗余查询、不必要的对象创建等性能瓶颈

• 安全隐患识别：排查 SQL 注入、XSS、敏感信息硬编码等安全漏洞

• 逻辑漏洞分析：分析业务逻辑的边界条件和异常路径，发现潜在的逻辑缺陷

功能特性

• 自动触发评审：可在代码提交后触发 AI 评审

• 历史记录追溯：完整保留每次评审的结果与建议，支持回溯和趋势分析

• 报告生成：生成结构化评审报告，便于团队协作和质量复盘

• 敏感信息脱敏：评审前屏蔽可识别的密钥和令牌

AI 智能巡检

AI 智能巡检支持任务管理、历史记录和实时分析，用于整理系统运行数据并给出健康度建议。

与传统巡检的区别

除固定阈值和静态规则外，系统还可以分析历史数据和指标变化：

• 异常波动识别：自动发现指标中的异常波动模式，识别传统规则难以捕捉的隐性故障

• 风险趋势分析：基于历史数据建模，预测潜在风险趋势，提前预警可能的系统瓶颈

• 历史事件关联：关联历史故障事件与当前状态进行综合判断，避免重复问题发生

• 健康度评估建议：综合多维度运行指标，给出系统健康度评分和针对性的优化建议

AI Skills 支持

AI Skills 模块提供技能管理、技能聊天和文件管理。

核心能力

• 技能管理：支持技能的创建、编辑、启用/禁用和版本管理，构建企业专属的技能库

• 技能聊天：通过对话方式调用已注册的技能，实现自然语言驱动的任务执行

• 文件管理：支持技能相关文件的上传、存储与调用，便于技能运行时引用外部资源

• 超级智能体联动：通过 ACP 协议调用本地开发智能体执行 Skills，并在沙箱中保障执行安全

接口自动转 Skill

「接口转 Skill」可以解析 GET、POST、PUT 和 DELETE 接口，将接口说明、参数与请求示例整理为 Skill 定义。

生成的 Skill 可供以下智能体调用：

• OpenClaw：通过消息转发与系统事件触发，自动完成接口回调、API 调用与数据查询

• Claude Code：在 Vibe Coding 场景中，智能体可直接引用 Skill 完成跨模块的代码生成与业务执行

使用时，在接口管理界面选择目标接口，再点击「生成 Skills」批量注册。

超级智能体联动（ACP）

除平台内技能聊天外，PIG AI 还支持与超级智能体联动：通过 ACP（Agent Client Protocol） 协议，将 Skills 的执行委托给本地已部署的开发智能体（如 Claude Code、Codex、OpenClaw、Hermes 等）处理。

这样可以复用企业已有的本地开发环境与智能体能力——读取项目文件、执行命令、调用工具、完成代码生成或业务操作——而无需把技能执行完全迁到远端环境。平台负责技能注册、路由与权限边界，本地智能体负责在受控沙箱中完成具体执行。

安全机制

技能无论由平台侧触发，还是经 ACP 交给本地开发智能体执行，均在沙箱（Sandbox）中运行，限制进程可访问的路径与系统资源。

技能执行进程的写权限严格限定在当前工作目录，无法触及 ~/.bashrc、SSH 密钥、系统二进制等敏感路径；读权限可通过配置显式拒绝特定目录，所有子进程（包括 npm install 等包管理操作）均继承相同限制。ACP 联动场景下，本地智能体同样受沙箱策略约束，避免 Skills 越权访问宿主环境。

AI 问数

PIG AI 问数将自然语言转换为 SQL，让业务人员可以直接用日常表达查询数据。系统会结合问题上下文和数据集信息匹配相关数据表，生成并执行查询语句，再以表格或图表返回结果。

运营、销售、财务等业务人员无需掌握 SQL，也能完成指标查询、趋势分析和分类对比；数据与研发团队则可以减少重复取数、编写查询和整理图表的工作，把更多时间用于业务分析。

智能图表生成

系统会结合用户问题与查询结果的数据特征，自动选择展示方式并配置图表：

• 数据对比与排名使用柱状图，例如各部门销售额对比、商品销量排名

• 时间变化与增长趋势使用折线图，例如月度收入变化、近半年用户增长

• 分类构成与占比分析使用饼图，例如渠道流量占比、产品销售构成

• 明细查询与多字段结果使用表格，保留完整的数据结构

从提问、SQL 生成到数据可视化都在同一次对话中完成，用户无需手动配置坐标轴、图例和数据系列。

AI 数据报告

AI 问数完成查询后，可以继续把多次分析沉淀为一份可编辑、可分享、可交付的数据报告。用户可从同一数据集中选择多个有效问数结果，设置报告标题、生成模型、视觉主题和补充分析要求，由系统在后台异步生成完整的 HTML 报告。

报告生成时，AI 会围绕已选数据提取核心指标，组织重点表格和既有图表，并补充分析说明与结论。系统也可在原始数据口径内计算求和、占比、排名、差值、同比或环比等派生指标，帮助用户把零散的查询结果整理成经营周报、专题分析和汇报材料。

数据报告提供完整的成果交付能力：

• 数据快照：冻结所选问题、结构化结果和图表配置，后续预览、编辑、导出或分享时不会重新执行查询

• 专业呈现：支持商务灰、科技蓝和清新绿三套主题，可随时切换，无需重新生成正文

• 在线编辑：生成后可预览完整报告，并直接修改段落、表格等正文内容

• 灵活交付：支持导出可离线打开的完整 HTML 文件，也可生成无需登录的分享链接

• 分享控制：报告分享可随时关闭，关闭后原链接立即失效

MCP 能力

MCP（Model Context Protocol）定义了客户端发现和调用工具、资源与提示词的方式。PIG AI 既可以作为 MCP 客户端调用外部服务，也可以把现有业务接口发布为 MCP 工具。

官方 PIGCLOUD MCP 服务

PIGX MCP Server 由 PIGCLOUD 维护，内置产品文档和使用指南。

• 技术问答示例："PIGX 如何配置 OAuth2 认证？"

• 授权查询：输入账号与验证码即可查看授权详情与用户列表

• 版本速查：查询 PIGX、PIGX-Cloud、PIGX-UI 等版本信息

• 可通过 ModelScope 提供的 MCP 地址接入

快速接入配置示例：

8
1
{
2
  "mcpServers": {
3
    "pigx-wiki": {
4
      "type": "streamable_http",
5
      "url": "https://mcp.api-inference.modelscope.net/d6ad1fd2564b48/mcp"
6
    }
7
  }
8
}

MCP 与现有系统集成

MCP 为智能体调用外部能力提供统一协议，但不会替代现有的 B/S、C/S 或 REST 架构。

传统架构的局限性

传统系统通常需要为每个集成目标单独维护接口和适配代码：

• 接口的参数、鉴权和错误处理方式不统一

• 新增工具时需要同步维护说明和客户端适配

• 跨系统任务需要额外编排

MCP 提供的能力

MCP 服务端公开工具描述和参数结构，客户端可以在运行时发现并调用：

• 根据工具描述选择可用能力

• 在运行时发现工具和资源

• 在一个任务中组合多个 MCP 服务

实际应用场景

桌面应用：通过对应的 MCP 服务操作日历、邮件等应用，例如创建会议。

第三方服务：调用服务商提供的 MCP 工具；未提供 MCP 的系统仍需适配。

内部系统：把 ERP、CRM、OA 的指定接口发布为 MCP 工具，再按权限编排跨系统流程。

MCP 客户端能力

PIG AI 提供 MCP 客户端，用于接入兼容服务。

支持以下接入方式：

• SSE 长连接：基于服务器推送事件的实时通信

• NPX 包管理：通过 npm 生态快速部署 JavaScript MCP 服务

• Docker：以容器方式部署 MCP 服务

• UVX：运行 Python MCP 服务

• Java：接入 Java MCP 服务

• 集中管理 MCP 服务地址和连接配置

• 发现服务端公开的工具和资源

• 根据任务选择并调用多个 MCP 服务

• 记录工具名称、输入、耗时和结果状态

MCP 服务端能力

PIG AI 也可以把现有业务接口发布为 MCP 工具。

rest2mcp 自动化转换工具

rest2mcp 读取 REST 接口定义并生成对应的 MCP 工具描述。

• 识别接口参数和返回值结构

• 根据 JavaDoc 生成工具说明

• 支持按服务批量转换和规则过滤

使用限制：原有接口的注释需完整满足 JavaDoc 标准，包含完整的方法描述、参数说明和返回值定义。

common-mcp 注解式集成

引入 common-mcp 依赖后，可以用注解标记需要公开的业务方法。

• 使用 @MCPTool、@MCPParam 等注解标记业务方法

• 由适配层处理参数转换和结果封装

• 可配置工具访问权限与调用频率

AI 信息图

AI 信息图会从输入文本中提取层级、流程、对比和数据关系，再生成相应的视觉方案。

核心功能

生成过程包括内容分析、版式选择和视觉渲染。

智能语义理解

系统分析文本结构和内容关系：

• 自动内容分析：智能识别文本中的核心观点、数据关系、层级结构

• 关键信息提取：自动标记重点内容，区分主次信息

• 逻辑关系识别：理解因果、对比、并列、递进等逻辑关系，选择最合适的视觉表达方式

• 场景适配：根据内容类型（报告、演示、社交媒体等）自动调整设计风格

生成多种方案

系统基于同一份内容可生成多种视觉方案，满足不同场景需求：

• 流程图方案：适合展示步骤、流程、时间线等顺序性内容

• 对比图方案：突出差异、优劣对比、前后变化

• 层级图方案：展示组织架构、分类体系、知识框架

• 数据图方案：将数字、比例、趋势转化为图表

• 概念图方案：呈现抽象概念、理论模型、思维导图

专业视觉设计

系统会为方案配置颜色、图标、字体和连接关系：

• 配色方案：根据内容主题和情感基调智能选择色彩搭配

• 图标匹配：从海量图标库中自动匹配最贴切的视觉符号

• 字体层级：自动设置标题、正文、注释的字体大小和样式

• 视觉引导：通过箭头、连线、高亮等元素引导视线流动

生成后可继续调整设计元素，使其符合企业 VI 或具体使用场景。

AI 审校

AI 审校用于检查中文文档中的错别字、语法、标点和表述一致性，并给出修改建议。

核心能力

系统支持通用差错、政务用语和企业自定义规则。

智能差错检测

• 政务性差错：识别政务公文中的规范性问题，如领导人姓名、职务表述、政策术语等敏感内容的准确性校验

• 一般性差错：检测常见的文本质量问题，包括错别字、语法错误、标点符号使用不当等

• 自定义差错：支持企业根据自身业务需求定义专属校验规则，检测行业术语、企业标准用语等

• 疑似差错：对存在争议或需人工确认的内容进行标记提醒

深度纠错引擎

可按不同维度运行审校：

智能修改建议

每条问题包含位置、原因和建议修改：

• 问题定位：精确标记文档中的问题位置，支持点击快速跳转

• 原因说明：详细解释差错原因，如"中文序号后应使用顿号而非逗号"

• 建议修改：提供具体的修改方案，如将"逗号"改为"顿号"

• 接受修改：支持单条或批量应用修改建议

审校词库与规则配置

系统提供灵活的词库管理和规则配置能力，支持企业按照业务场景持续优化审校效果。

词库管理

• 白名单管理：将特定内容（如企业专有名词、技术术语）加入白名单，避免误报

• 黑名单管理：定义禁止出现的敏感词汇，如涉密信息、不当表述等

• 批量导入：支持 Excel 批量导入词库数据

• 领导人信息维护：维护领导人姓名、职务等关键信息

• 自动校验：自动检测文档中领导人相关信息的准确性

• 变更同步：支持及时更新人事变动信息

规则配置

• 维度启用：每个校对维度可独立启用或禁用

• 权重设置：为不同校对维度设置权重，影响差错排序

• 规则扩展：支持新增自定义校对维度和规则

• 提示词管理：为每个维度配置专属提示词，优化检测效果

应用场景

• 公文审核：政府机关、企事业单位的公文、通知、报告等正式文档的质量审核

• 合同审查：法务合同、协议文本的规范性检查和术语一致性校验

• 新闻稿件：媒体机构新闻稿件的文字质量把控

• 学术论文：科研论文、学位论文的语言规范性检查

• 技术文档：产品手册、技术规范等文档的专业术语校验

AI 视觉

AI 视觉能力围绕多模态生成、OCR 识别与安全监测展开，覆盖内容生产到行业监管的多个业务场景。

多模态

多模态模块提供视频、音频、图片和海报的生成与转换能力。具体效果取决于所选模型。

AI 视频

• 文生视频、图生视频（Text-to-Video、Image-to-Video）：根据文本或参考图片生成视频，支持画面尺寸和反向提示词。

AI 音频

• 文生音频（Text-to-Audio）：支持发音人、语种、语调和 SSML 配置。

• 音频转文（Audio-to-Text）：将语音转为文本，可按模型能力处理标点、术语和背景噪声。

AI 智绘

• 文生图片、图生图（Text-to-Image、Image-to-Image）：根据文本或参考图生成图片，支持风格与部分生成参数配置。

AI 海报

• 文生海报（Text-to-Poster）：根据文本生成海报，支持模板选择以及文字、颜色和元素位置调整。

AI 多模态搜索

AI 多模态搜索使用文本与图像向量查找相关图片，支持「以文搜图」和「以图搜图」。

核心能力：

• 以文搜图：用户通过自然语言描述（如"蓝色天空下的海滩"、"现代简约风格的办公室"）即可搜索到语义相关的图片，无需依赖文件名或标签。

• 以图搜图：上传一张参考图片，系统自动检索视觉特征相似或语义相关的图片，适用于找相似设计、同款产品等场景。

• 跨模态检索：使用文本或图片作为查询条件，在同一图库中检索相关内容。

应用场景：

• 设计素材管理：设计师可以通过描述快速找到所需素材

• 产品图库检索：电商平台实现智能商品图片搜索

• 知识库增强：将图片内容纳入知识检索范围

AI 公文

AI 公文根据用户输入生成公文草稿，并套用已配置的文档格式。

核心特性：

• 根据主题和要求生成结构与正文

• 支持通知、请示、报告和函件等类型

• 根据模板应用红头、标题和正文格式

• 成品可继续编辑，正式使用前需要人工校对

开发者也可以通过 API 在业务系统中调用这些能力。

AI OCR

AI OCR 从图片中提取文字、表格和指定字段，并以 JSON 返回结果。

1. 结构化 JSON 输出

• 识别结果以 JSON 输出，可包含文字、表格、段落和标题。

2. 灵活的内容提取

• 支持提取发票号码、日期和金额等指定字段。

• 可配置字段规则，方便业务系统解析。

3. 多语言支持与扩展性

• 支持多语言文字识别。

• 可按场景增加字段解析规则。

4. 业务集成与调用

• 业务系统可通过 API 调用 OCR，并读取 JSON 结果。

AI 安全监测

AI 安全监测结合 OCR、图像识别和模型分析，将监控画面中的对象与文字转换为结构化结果，再按规则触发风险提示。

核心特性

• 识别图像中的文字、对象和部分场景关系

• 输出结构化数据和风险判断结果

• 支持按行业配置识别字段与判断规则

业务场景

工地施工安全：检测安全帽、防护绳索和危险区域闯入等情况。

工业生产监控：识别火源、泄漏、违规操作和设备异常等风险。

企业园区安防：识别禁区闯入、设备未关闭和可疑行为。

公共安全监管：用于交通枢纽、商场等公共区域，识别潜在危险事件（如遗留物品、人群聚集、异常行为等），辅助公共安全管理。

矿山监管：用于车辆合规、超载超速和作业区域检查。

技术优势

监测结果可以通过业务接口推送到告警和处置流程。识别结果受画面质量、模型和规则配置影响，仍需人工确认高风险事件。

实际案例

矿山场景可以组合车辆识别、运行数据和业务规则：

• 车辆合规检测：自动识别矿区内车辆的牌照、运输证明、安全标识等信息，结合历史数据进行多维度合规性判断

• 风险预警评估：分析车辆轨迹、载重、速度等运行数据，结合天气、路况等环境因素，实时生成风险评分和预警建议

• 违规行为识别：通过监控图像识别超载、超速、未按规定路线行驶等违规行为，自动记录并推送至管理系统

系统将识别结果转换为结构化数据，再推送给预警或处置流程。实际识别率和人力投入变化需要以项目现场测试为准。

智能提示词

智能提示词能力帮助企业持续优化模型输出质量、稳定性与业务适配度。

提示词的重要性

提示词工程（Prompt Engineering）用于明确任务、输入、输出格式和限制条件。提示词质量会影响模型输出，但不能消除幻觉，也不能替代结果验证。

实现路径与技术架构

提示词可以按以下步骤迭代：

1. 明确任务目标、使用模型和输出格式。

2. 写出包含输入、约束和示例的初版提示词。

3. 使用真实样本测试，记录错误类型。

4. 针对遗漏、格式偏差或事实问题修改提示词。

5. 用固定测试集复测，确认改动没有引入新的问题。

AI 编辑器

PIG AI 编辑器提供创作、润色、扩写、缩写和内容提取等写作辅助功能。

核心功能

• 根据选中文本执行润色、扩写或缩写

• 生成大纲、摘要并提取要点

• 根据上下文补全文本

• 使用内置或自定义模板创建文档

交互体验

编辑器采用分栏布局：左侧是功能导航，中间是文档，右侧是 AI 辅助面板。

编辑器支持多种交互方式：

• 直接在文档中选中文本触发智能助手

• 选中文本后右键调用上下文菜单

• 使用快捷键组合快速访问常用功能

• 通过自然语言指令控制编辑器行为

AI 演示文稿

PIG AI 演示文稿将主题、补充说明和需求文件转化为结构化大纲，再结合视觉模板生成可继续编辑的 PPTX。用户可以控制生成语言、内容风格和正文页数，也可以从空白大纲开始编排，兼顾 AI 生成效率与人工创作的可控性。

大纲驱动的内容生产

系统先生成章节、内容页和页面要点，用户确认内容结构后再生成演示文稿。大纲工作区支持修改、增删和拖动排序，避免在 PPTX 生成后反复调整整体结构。

内容页可根据材料和页面语义选择文字、数据图表、流程图、时间线、层级关系或多维对比等表现形式。主可视化支持生成前审阅与重新生成，便于在进入正式排版前校正内容表达。

模板生成与在线编辑

确认大纲后，用户可选择平台视觉模板并预览封面，系统自动组装封面、目录、章节过渡页、正文页和结束页，生成完整 PPTX。生成后的文稿会进入 ONLYOFFICE 在线编辑器，可继续调整文字、图片、版式和动画，并支持重新设置封面和下载 PPTX。

演示文稿以项目形式保存，支持按标题和状态检索，也可以继续编辑、复制、下载或删除，适合产品介绍、项目汇报、培训课件和方案演示等内容生产场景。

AI 标书

PIG AI 标书围绕招投标文件建立完整的辅助编制流程。从招标文件解析、条款提取到章节撰写和 Word 导出，各阶段成果都可以人工确认与修改，帮助投标团队把分散的阅读、响应、撰写和检查工作集中到同一个工作台。

六阶段编制工作台

工作台按照固定阶段推进：

1. 招标文件：上传并解析主招标文件，保留原文与解析快照

2. AI 解读：整理项目概况、采购范围、交付要求和关键约束

3. 需求与评分：提取响应要求、评分标准和废标条款，形成可编辑的响应矩阵

4. 标书大纲：结合已确认条款生成目录，并检查章节与评分项的覆盖关系

5. 专业撰写：支持逐章生成或批量撰写，正文可直接编辑、保存和重新生成

6. 废标检查：对照招标文件与已写正文，给出风险等级、原文依据和处理建议

企业资料与自动配图

除主招标文件外，项目还可以选择企业知识库或上传项目专属资料，为大纲和章节撰写补充产品能力、技术方案与实施经验。主招标文件始终是招标解读、评分项提取和废标检查的依据；补充资料不会覆盖其中的刚性条款。

开启自动配图后，系统会识别正文中的流程、对比、层级、指标和时间线等结构化内容，为适合的章节生成 Infographic。信息图可以预览、下载、停用或删除，单张图片生成失败不会阻塞正文撰写。

风险复核与 Word 交付

正文完成后，系统可根据主招标文件检查无效投标条款、参数响应、承诺内容、证明材料和签章要求，输出带原文依据的风险线索。完成检查和人工复核后，可按当前大纲顺序组装正文，将已启用的信息图一并导出为 Word。

废标检查用于辅助发现遗漏和冲突，不能替代投标团队的最终审查。正式提交前仍需逐项核对名称、数值、日期、资质、承诺、目录页码和签章要求。

AI 报告

AI 报告根据用户需求和输入内容生成报告结构与正文，并应用已配置的 Word 模板。生成后仍可在 Microsoft Office Word 中修改。

规则引擎增强

规则引擎将内容检查、访问限制和业务判断从代码中拆分出来，管理员可以通过规则节点调整执行条件。

安全控制

安全规则包括：

敏感内容防护：

• 识别并拦截配置的敏感词

• 支持动态配置敏感词库，实时生效无需重启

• 按配置执行内容分类检查

访问控制与边界管理：

• 限制允许回答的知识范围和话题

• IP 地域限制，支持黑白名单机制

• 用户级别的访问频率控制和 tokens 流量管控

审计与调整：

• 通过可视化编排调整审查规则

• 规则修改后可动态生效

• 记录规则执行和处理结果

规则扩展

• 提供规则扩展接口，新模型可以复用现有规则组件

• 业务人员可在可视化编排器中调整条件和处理动作

业务决策与代码解耦：

• 将原本硬编码在业务逻辑中的风控规则抽象为独立可配置的规则节点

• 部分业务规则调整无需修改核心代码

• 支持规则热更新，运维人员可在不停服的情况下实时调整策略

规则复用与组合：

• 预定义语义模块承载业务规则，支持规则的组合和复用

• 通过规则链路实现复杂业务逻辑的灵活编排

• 支持条件分支、循环等高级流程控制

Java 技术栈

PIG AI 的服务端使用 Java，模型适配、知识库和业务编排可以直接集成到现有 Spring 项目。平台支持公有模型与私有模型，并通过 Java SDK 和 API 提供二次开发接口。

服务端技术栈

• 编程语言：Java17/21

• 开发框架：Spring Boot 4.1 + Spring Cloud

• 大模型开发：DeepSeek4J、Spring AI、LangChain4j

• 安全框架：Spring Security + Spring Authorization Server

• 任务调度：Quartz、XXL-JOB

• 流程编排：LiteFlow

• 持久层框架：MyBatis、MyBatis-Plus

• 数据库支持：MySQL、Oracle、SQL Server、PostgreSQL、达梦、TiDB

前端技术栈

• 框架：Vue 3.5、TypeScript

• CSS 框架：Sass、TailwindCSS

• 组件库：Element Plus

• 打包构建工具：Vite

• 状态管理：Pinia

配置要求

本节介绍平台在线配置界面与私有模型部署所需的基础条件。

配置说明

私有模型

• 72B 模型对显存要求较高，具体资源取决于量化方式、上下文长度和并发量。普通 CPU 通常无法提供可用的在线推理速度。

• 下图为双 A6000（48 GB）部署示例。

产品形态

PIG AI App：企业智能移动助手

PIG AI App 提供微信小程序入口，连接 PIG AI 服务端与已配置的 Agent。

• 语音输入和语音识别

• PDF、Word、Excel 等文件解析

• 图片理解与结构化输出

• 带权限控制的企业知识库问答

• 多轮对话与上下文保持

PIG DOC SKILL（文档技能）

PIG DOC SKILL 面向 Claude Code、Cursor 等编码工具，把 PIG 官方文档和项目约定作为开发上下文提供给 AI。

核心能力主要体现在文档检索与 AI 辅助开发增强两个方面。

官方文档智能检索

通过 /pigdoc，开发者可以直接查询 PIG CLOUD、PIG AI 及相关扩展模块的官方文档内容，快速定位：

• 多数据源配置与动态切换方式

• 权限认证、注解能力与网关接入说明

• 微服务模块约定、接口规范与组件集成方式

• AI、RAG、MCP、Skills 等新能力的配置方法与示例

检索结果会直接进入当前任务上下文，减少手工复制文档内容的步骤。

AI 辅助开发增强

引用 /pigdoc 返回的上下文后，AI 可以按项目约定生成代码或解释配置，例如：

• 按照 PIG 规范生成模块代码、接口代码和配置代码

• 参考现有鉴权体系扩展自定义 Token 发放逻辑

• 结合框架注解、数据源切换与服务拆分方式给出实现方案

• 在排查问题时，基于官方说明解释“为什么这样设计、应该怎么改”

PIG AI CODE（Vibe Coding 工具）

PIG AI CODE 基于 Claude Code，面向 PIGX 微服务项目。它可以读取表结构截图、SQL 或自然语言需求，并结合 Skills 与 Sub-Agent 完成代码生成。

• 支持表结构截图、SQL 和自然语言输入

• 可同时生成 Java 后端与 Vue 3 前端代码

• 多种生成模式：单表 CRUD 及主子表（一对多）建模

• 检测项目结构并配置路径与依赖

• 按 PIGX 项目约定生成代码，提交前仍需评审和测试

PIG AI SDK（开放生态）

PIG AI SDK 兼容 Java 8，用于第三方系统调用 PIG AI 的聊天和 RAG 接口。

特性

• Token 管理：基于 OAuth 2.0 缓存并刷新 Token

• 双模式响应：支持流式（回调）和阻塞两种响应模式

• 流式输出：支持 SSE（Server-Sent Events）实时消息流

• 异常分级：按异常类型提供错误信息

• 线程安全：支持多线程并发使用

• Builder 模式：通过 Builder 配置客户端

• 重试机制：网络错误自动重试（指数退避）

附录：详细功能清单

以下表格汇总了全文涉及的主要功能能力与平台支持情况。

功能清单总览