ToB「零容错」场景下的 AI Agent 工程化落地实录与架构演进

会议: 产品力领航者大会 PM × AI · 2026 春季 | 讲者: 梅容（ToB AI 产品 / 工程实践者，专注法律/合规等”零容错”业务场景） | 时间: 2026-04-24 下午 · AI 重塑 ToB 产业应用分会场

副标题: 从合同审查到法律合规：用工程化确定性”驾驭” LLM 不确定性

一句话总结

ToB「零容错」场景的核心痛点不是模型不强，而是单体大模型的”事实/逻辑/遵循”三类幻觉无法满足”可复现的正确结果”——必须放弃 Prompt 单体路线，走 Agentic Workflow 工程化拆解：用「规则设计 / 流程搭建 / 评测演进 / 反思闭环」四步把 SOP 原子化、用多 Agent 解析-规则-裁判流水线把质量从 60% 拉到 90%+，并通过来源分层、置信度评分、HITL 拦截、Skill 化扩展把合同智能体演进为可信法律技能矩阵。

速览

1. ToB 要的是”可复现的正确结果”——B 端写错合同条款是百万级索赔风险，C 端写诗是创造力，模型强不等于产品能落地。
2. 法律场景的「三高」决定了对可控的极致要求——高专业性 / 高风险性 / 高组织性，确定性交付是唯一标准，不能满足确定性的 AI 无法被业务信任。
3. 旧范式的”三类幻觉”难题——事实性幻觉（编造法条）/ 逻辑性幻觉（多重嵌套判断时迷失）/ 遵循度波动（同一 Prompt 输出忽好忽坏）。
4. 单体「全能型」模型不适配 ToB——推理链越长，错误累积率越高（合同→提取→法规→漏洞→建议）；通用与发散的设计初衷不匹配 ToB 的专业与收敛。
5. 新解法：放弃 Prompt 单体，引入 Agentic Workflow——把 SOP 原子化拆解，让 LLM 仅在被严格限制的特定节点上做逻辑判断，并补齐确定性评测机制。
6. 核心方法 = 工程化框架 4 步——规则设计（标准化、知识结构化）→ 流程搭建（任务拆解、智能协同）→ 评测演进（交叉验证、持续优化）→ 反思闭环（专家介入、持续迭代）。
7. 法大大 iTerms AI 合同智能体落地——准确率从 ~60%（Demo 级）跨越至 90%+ 商用标准，目标向 95%+ 生产红线逼近；100+ 规则类型 × 单类合同 160+ 审查项；超长合同审查不丢内容、条款完整识别。
8. 关键架构：解析 Agent + 规则 Agent + 裁判 Agent 三段式——“并行审查 + 多重共识”流水线，用算力冗余换最终结果的极端稳定。
9. AI 演进 5 阶段（L1-L5）——辅助审查 → 标准核对 → 条件自动化 → 自主决策 → 战略智能；行业现状（2026）大多数企业卡在 L3 → L4 过渡期。
10. 架构跃迁三件套：Richee.ai + Harness + Skills 化——把”硬编码”场景升级为可插拔的能力模块单元，把法律工程转化为可评测、可复用的技能矩阵。

核心内容

Module 1：行业洞察——为什么 ToB 是「零容错」战场

B 端 vs C 端的根本差异：

• C 端：写诗（满满创造力），AI 是想象力的催化剂，开放场景中浪漫无限可能；
• B 端：错误合同条款（零容错场景的灾难），「采购合同（终稿）」一旦把”乙方未能完成约定的开发任务，甲方有权要求乙方支付 20% 违约金”改成”1,000 万”，会带来百万级索赔风险。

法律场景的根本特殊性——「三高」：

核心底线：确定性交付是法律场景的唯一标准，不能满足确定性的 AI，无法被业务信任。

Module 2：产品范式——从 Prompt 到 Agentic Workflow

旧范式下的「三类幻觉」难题：

1. 事实性幻觉——模型煞有介事地编造完全不存在的法条、条款或历史事件，带来直接的致命风险；
2. 逻辑性幻觉——在处理”违约责任不对等”这类需要多重条件嵌套判断的长文本时，模型极易在复杂逻辑中迷失；
3. 遵循度波动——同一个提示词，在不同时间或上下文中，输出忽好忽坏，无法形成稳定一致的 SOP 标准化作业。

痛点解析：单体”全能型”模型不适配 ToB：

• 推理链越长，错误累积率越高——阅读合同 → 提取实体 → 应用法规 → 发现漏洞 → 撰写建议，单体模型一口气完成，任何一个中间环节失误都会被放大并带入最终结果；
• 全能型路线不适配严肃业务——单体大模型的设计初衷是通用与发散，而 ToB 的要求是专业与收敛，指望黑盒处理高门槛专业决策不符合工程学的可靠性原则；
• 无法形成 SOP 标准化交付——输出无法稳定复现就意味着无法自动化质检、无法被整合进现有业务系统中成为生产力环节。

全球视野：法律 AI 正从通用大模型外壳演进为垂直领域智能体引擎：

• Harvey 法律界的”OpenAI”——以 Harvey 为代表的合同顾问崛起，估值达 80 亿美元，核心是 GPT-5 等模型的优先微调机制，并与法律界建立深度合作生态；
• Claude 打造新一代”商业智能平台”——Claude Coworker 从”工具”向”智能要素”平台转型，模块化智能体（MCP 协议与本地 MCP 执行）成为主流架构演化方向。

法律 AI 智能体进化路径分三阶段：第一阶段通用大模型 + 提示词调（低准确率、受限于上下文）→ 第二阶段基础 RAG + 向量检索（结合工程化、提高准确性）→ 第三阶段多智能体 + 法律本体（多智能体审查、法条溯源、合同要素映射）。

新解法：从 Prompt 走向 Agentic Workflow（PPT 给出 3 步骤）：

1. 新解法提出——放弃单体路线，引入 Agentic Workflow：不再追求一个庞大复杂的 Prompt 让模型完成所有工作，而是将整体流程拆解为多个独立的步骤；
2. 经验萃取——基于专家经验进行 SOP 原子化拆解：把复杂的企业标准作业程序（SOP）进行原子化拆解，让 LLM 仅在被严格限制的特定节点上（如信息提取、简单分类）做逻辑判断；
3. 关键补齐——确定性评测机制：建立可回归、可量化、可验收的评测标准，将每一步的输出约束在预期格式内，结合校验程序，从而锁死结果的下限。

Module 3：落地方法——法大大 iTerms AI 合同智能体

iTerms AI 合同智能体介绍——「拟·申请 → 签·履行 → 管·存」协议全生命周期闭环：

• 知识库：智能存储库并自动提取关键条款，将内容转化为可搜索的结构化数据，形成企业的「合同资产」（数据结构化、条款固化）；
• 工作流：工作流编排可实现无代码构建从审查、签署到履行的全部流程化工作，实现业务流程智能化（无代码、自动化）；
• AI 智能辅助：AI 助手自动识别条款风险、签署提醒与要素，跨他签后自动结入系统，提升 B 端用户的体验与使用效率（智能识别、降本增效）；
• 协议全生命周期闭环：合同起草/变更 → 协同拟审 → 合同审批 → 电子签署 → 合同履约 → 合同档案管理。

底层数据资产覆盖模板库、条款库、智能审查、相对方审查、身份认证、意愿校验、多端签署、多终端管理、合同修改、合同变更、合同解除、信息提取、报表分析、证据报告、合同归档、诉讼策略等环节。

运行机制：沉淀多年的合同条款 & 规则数据资产，叠加 Lawyer in the Loop 的 AI 自学习机制：

行业和私有数据的结合沉淀：

• 沉淀法律、合同知识库——外部法律法规、内建企业公司海内外资料、法律持续退化的样品资料；
• 法律专家顾问参与的持续优化——内部审查规则与场景动态依据结合，AI 法务系统持续升级。

AI 赋能的项目 SOP 体系：

• 健全的 SOP 体系——具备售前、售后、售后内容的标准化流程管理，构建 SOP 工序；
• 经验沉淀的 AI 交付助手——搭建了 AI 交付助手，覆盖合同任务下规则智能化、定义、规则定级，审查通过任务模板、服务报告自动生成。

在法律这一严肃领域，没有「人机协作」的 AI 是昂贵的玩具。Lawyer in the Loop 坚持「透明的人机协同」，确保 AI 的每个决策都可评测、可追溯、可调优。

核心价值：以 15% 的精度跃升、10 类的广度覆盖、零丢失的稳定保障，解决业务与法务间「反复拉扯」的低效协同流程。

核心方法：工程化框架实现多层严格执行和验证

在专业法律场景中，为达到专业级的「最小可行信任」，必须采用将生成文本进行拆解、交叉验证的流水线式架构。

Step 1 规则设计——规则标准化、知识结构化：将模糊的专家经验固化成大模型能无歧义执行的「原子级判断条件」。输出：标准化规则库；底层支撑：企业级私有知识库提供确定性的规则来源（沉淀法律法规法、合同知识、历史案例、内部流程等，确定可执行性、可量化、可验证）。

Step 2 流程搭建——任务拆解、智能协同：将复杂任务拆解为可执行的子步骤，确保每个 Agent 顺利、可追溯。输出：标准化执行流程；底层支撑：权威可信、结构化管理。

Step 3 评测演进——交叉验证、持续优化：通过多重交叉验证与指标评测，持续迭代优化、识别错误与遗漏，提升验出风险的准确率。输出：可信赖测结果；底层支撑：安全和可控。

Step 4 反思闭环——专家介入、持续迭代：引入专家反馈反思闭环，持续模式化推进、流程与规则、模型系统的自我进化。输出：持续优化闭环；底层支撑：持续迭代。

方法一：规则设计——专家经验失效的破解之道

必须将高度主观的行业 Know-How，降维成大模型可遵守执行的绝对判断条件。

❌ 大白话提示词（低效）：模糊、笼统、缺乏结构，AI 难以精准理解。例如「帮我看看这个租赁合同有没有问题」。

✓ CoT 思维链拆解（高效）：结构化、可执行、可追溯，AI 精准理解并深度推理。Super Prompts（超级提示词）结构包含：

1. 提取要素：租赁期——从合同中提取「租赁期限」相关条款及数值；
2. 条件判断：是否 > 20 年——判断租赁期限是否超过 20 年；
3. 风险定级——若超过 20 年，判定为高风险；否则为低风险。

方案：将经验翻译成原子级可执行规则——3 个推进步骤：

1. 翻译专家经验——拆解为绝对判断：将模糊专家经验拆解为原子级可执行规则；原模糊版本（粗放陈述原有问题描述）→ 原子级新解（“租赁期超过 20 年”、“未明确起算日期”、“缺失支付时机”）；
2. 真实样本评测验证——清晰的边界等于高检出率：通过真实样本评测验证，从主观判断走向确定性结果（规则颗粒度越细、AI 的判断边界越清晰；边界清晰程度更高、覆盖率攀升下降；大模型微调更”是/否”的具象选择，而非主观判定）；
3. 跨领域复用性——提炼通用规则库：将规则结构化沉淀为可复用资产，跨领域快速适用（基于历史沉淀的专家经验，提炼出”原子化拆解”；可在相似业务场景中快速复用，大幅提升潜在效率）。

核心价值：经验结构化 → 规则可证验 → 能力可复用，从模糊经验到确定规则，从高成本试错到低成本迭代。

方法二：流程搭建——长路径导致稳定性崩溃

问题（PPT 用一张机械流水线插画展示）：百万复杂合同 → 精细化的提示词 → 算法侧理论瓶颈 → 单步推理路径长 → 上下文窗口内信息密度大 → 认知超载、注意力漂移 → 稳定性差、易翻车（标 Fail）。最后通过 AI 工程侧解法实现工程化解决。

方案：明确职责的多 Agent 协同工作流——机制重塑：并行审查 + 多重共识。不再让一个大模型「包打天下」，而是构建一条职责分明的流水线：

1. 解析 Agent——从合同条款拆分中，精准抠出结构化法律要素（如「租期：5 年」）；
2. 规则 Agent——拿着提取要素与原子化标准匹配对比，给初筛判定（如「租期不超过 10 年」，条款约定在规则内）；
3. 裁判 Agent——收集并行审查结果，取并集去重，输出最终漏洞报告（如「租期条款无风险」）。

方法三：评测演进——告别无休止的”人工纠偏”

痛点：如何由结果推导有问题的节点？在系统上线初期，虽然能够拦截风险，但法务专家需要花费大量时间去人工修改、剔除 AI 的”误报”或补齐”漏报”。业务效率提升感知不强。

收益：通过分工审查、交叉验证与共识裁判的机制，系统屏蔽了单次生成可能出现的概率性错误，结果相对稳定。

质的飞跃：跨越生死线：准确率从初期的 ~60%（Demo 级别）直接跨越至 90% 以上的可商用标准。目前的目标是向代表人类专家业务验收标准的 95%+ 生产红线逼近。

核心需求：建立 Workflow 上核心节点的评测标准，用可衡量的机制找出”有短板”的节点，有的放矢地优化。

执行方案 3 步：

1. 正确样本采集——收集过往审查批注过的合同样本，将修改前后的条款抓取标注上，映射到对应的审查规则中；
2. 规则答案标注——针对审查规则，由法务给出过往审查合同的条款上、植入陷阱条款用于 AI 评测质量的评估；
3. 批量样本测试——基于批量的真实合同进行审查，给出准确率评分，确保准确率不受样本差异的影响。
   • Recall（召回率） = （模型检出的风险点）/（合同实际存在的风险点）；
   • Precision（准确率） = （模型检出的正确风险点）/（模型检出的所有风险点）。

方法四：反思闭环——让 AI 能够”从错误中学习”

本质诊断（静态系统的僵局）：初期的 Agent 架构缺乏从专家的人工纠偏动作中”学习”的机制，导致每次回答错误，下一轮换个内容格式依然错误。主要表现：纠错依赖人工干预，无法持续优化；错误模式重复出现，改错成本高；缺乏概率评估，无法衡量正确性。

核心需求（自学习的能力）：解决方向——优秀的生产系统，必须把专家纠错的”沉没成本”，转化为大模型能力升级的”燃料”。关键能力：纠错反馈自动捕获与归因；概率评估与置信度动态更新；规则与模型策略持续优化迭代。

价值目标：持续学习 → 降低错误率 → 提升确定性 → 构建可进化的智能系统。

方案：构建「反馈-反思-优化」闭环（Lawyer in the Loop）：

四步纠错点捕获：当业务人员在界面上点击「反馈」：

1. 输入错误上下文——自动获取当前条款、错误原因及系统提示词；
2. 定位错误片段——系统自动检索相关条款片段与原判断逻辑；
3. 用户修正判断——业务人员给出正确判断与修改意见；
4. 更新知识与规则——系统沉淀为新规则，提升后续判断准确率。

AI 的反向推演迭代：针对错误问题反馈，自动调用推演模块分析溯源——这是因为提示词边界模糊？是底层知识库缺少某一条法规？还是原子规则本身的逻辑存在漏洞？

• 针对 Recall 不足：优化 RAG 召回阶段。检查 Chunk Size 是否过小导致上下文断裂，或引入”多路召回”策略；
• 针对 Precision 不足：优化 Prompt 策略。给出 good case 参考，或引入 Few-shot（思维链示例）。

落地成效：真实客户项目应用效果

核心价值：以 15% 的精度跃升、10 类的广度覆盖、零丢失的稳定保障，解决业务与法务间「反复拉扯」的低效协同流程。

适用性自评：AI 是否应用于零容错项目的评估维度

从四个关键维度进行自评：

1. 场景复杂度评估——你的业务场景是否存在高度主观、涉及多变量深度耦合的复杂决策环境？
2. 容错底线评估——如果 AI 模型出现错误输出，它是否会导致企业面临严重的经济赔偿或合规风险？
3. 知识壁垒评估——业务运作逻辑的核心，是否强依赖于那些高度垂直、未公开结构化的行业 Know-How？
4. 数据链路评估——在当前的数字化系统架构下，是否具备条件建立起「业务端专家反馈 → 模型层持续优化」的活水闭环？

评估目标：识别关键风险 → 量化评估准确性 → 确认应用可行性 → 建立可控的智能闭环。

评估决策：AI 工具和架构的升级，永远是为了业务的确定性服务。基于自评结果，合理规划 AI 落地的可行性：

• 在项目启动期，理性评估”AI 介入度”：如果对照前述四项维度，自查得分偏低（例如 < 60 分），强烈建议项目初期不要强行推进全自动化 Agent。先从提供线索的”辅助决策工具（Copilot 模式）“做起，稳步探索；
• 强制设立 HITL 关键拦截节点：针对”容错底线”极高（一旦出错即面临罚款/诉讼）的核心业务环节，无论模型评测表现多好，现阶段都必须在产品交互设计中，强制保留”人类专家复核（Human-In-The-Loop）“的关键节点。把风险管控权还给人。

实施策略：拆解关键节点的实现方案——4 个对策：

Module 4：迁移升级——从合同智能体到全场景法律技能

AI 演进之路：从工具到能力的 5 个进化阶段：

行业现状（2026）：多数企业卡在 L3 → L4 过渡期。

架构跃迁：从 AI 功能走向 Skills 能力扩展生态：

架构升级：应用于法规检索、法律研究、审核意见和文书生成类扩展场景——7 层架构：

升级方案一：从逻辑校验到来源分层的数据源可信机制

零容错的第一步：给 AI 的输出打上明确的来源「权威等级」标签，锁死事实幻觉。

核心价值：来源透明可追溯 → 可信度分层管理 → 降低事实幻觉 → 为决策提供可靠依据。

升级方案二：资源智能匹配与强置信度评分的技能构建机制

1. 逻辑迁移：意图识别与智能库匹配——面对跨境多法域问题（如越南海外业务），Skill 会通过意图识别，自动锁定针对”越南法域”的 L1/L2 资源池，而非盲目检索全文。并启动”中英/中越双语交叉验证”流，确保知识准确与合规。价值：更精准的资源命中率，更高的知识可量化性。
2. 闭环迁移：引入严苛的置信度评分系统——只有当 AI 提取到的信息源于 L1（官方版）且在 1 个月内更新时，系统才允许打上「✅ 确定」的标识。价值：可量化的置信度标准，减少误判与幻觉风险。
3. 对于模糊信息的”强制红线”——任何来自 L3/L4 或硬性久远的模糊检索，系统都会强制标黄「⚠️ 待核实」，并必须同时提供供手动查找的跳转指引，将决策风险显性化。价值：风险前置预警，决策链路可追溯。

核心目标：精准匹配资源 → 置信度可量化 → 风险显性可控 → 决策更可靠。

升级方案三：技能评测和可审计机制——基于风险分层的单次任务闭环逻辑：

发起任务 → 识别任务类型 → 风险分级分类器：

• 低风险：直接生成结果 → 强制记录来源 → OUTPUT
• 中风险：检索增强生成（RAG）→ 强制带依据展示 → OUTPUT
• 高风险：强制输出约束（规则+策略）→ 强调人工复核（人机共审）→ OUTPUT

操作日志 & 思考过程留痕，反馈知识与规则迭代。设计价值：风险分层处理保障安全可控 → 强制留痕可审计提升透明度 → 人机协同闭环降低误判风险 → 知识与规则迭代持续优化能力。

Module 5：总结与展望

零容错应用的六大核心能力——构建可信专业系统：

1. 专业正确性——在目标任务里能稳定产出可接受的专业绩效；
2. 责任可分配——系统边界、人工确认节点与责任归属清晰界定；
3. 来源可追溯——任何结论都能清晰回答”依据是什么”；
4. 输出可解释——透明呈现结论、依据、推理过程与不确定性；
5. 数据可控制——权限隔离、本地化部署与履行策略明确；
6. 流程可复核——支持批注、修改、审批流与版本管理。

构建零容错应用的四大工程化方法：

• 规则设计——将专家业务经验翻译、拆解成大模型能无歧义执行的”原子级判断条件”；
• 流程搭建——通过多 Agent”并行审查 + 多重共识”流水线，以算力冗余换取最终结果的极端稳定；
• 评测演进——通过分工审查、交叉验证与共识裁判的机制，形成可衡量的确定性交付结果；
• 反思闭环——构建”专家纠偏-AI 反思-规则优化”的闭环数据链路，让人在环路（HITL）真正起效。

零容错应用的产品演进路线图：

1. 定义可应用场景（找准切入点）——先定义高频闭环场景，而不盲目自由模型泛化能力；
2. 构建最小可信闭环（跑通闭环）——萃取专家经验，完善数据源、解释与复核机制，跑通发现业务可验证场景闭环；
3. 解决治理与风控（建立治理底座）——厘清权限界、数据备力与组织内部责任界，建立审核点和权限偶式（可信、安全、可追源）；
4. 核心业务流程融合（深度融合）——在可控边界内，将 AI 能力接入核心业务系统，将进化效果落实实现自治和自动化。

结语：用严谨的工程架构”驾驭”大模型的不确定：

关键金句

「ToB 要的是『可复现的正确结果』——模型强不等于产品能落地。」——梅容

「在法律这一严肃领域，没有『人机协作』的 AI 是昂贵的玩具。」——梅容

「优秀的生产系统，必须把专家纠错的『沉没成本』，转化为大模型能力升级的『燃料』。」——梅容

「2026 年，AI 产品的核心壁垒早已不是底层模型参数的较量，真正拉开差距的，是对垂直业务 SOP 的理解深度，以及打磨『工程化确定性』的落地能力。」——梅容

「将 1 个复杂决策强制拆解为至少 5 个独立的单点逻辑判断。」——梅容（实施策略）

可行建议

• 入场前先做四维自评：场景复杂度 / 容错底线 / 知识壁垒 / 数据链路。得分低于 60 分先做 Copilot，不做全自动 Agent；
• 强制 HITL 关键拦截节点：高罚款/诉讼风险的核心环节，模型再好也保留人类复核；
• 复杂场景原子化：1 个复杂决策强制拆为至少 5 个独立单点判断；
• 多 Agent 三段式标配：解析 Agent + 规则 Agent + 裁判 Agent，并行审查 + 多重共识；
• Super Prompts 替代大白话提示词：「提取要素 → 条件判断 → 风险定级」结构化思维链；
• 评测指标双轨：Recall（召回）+ Precision（准确），批量真实合同跑评分；
• 反馈闭环要落地：四步纠错（捕获上下文 → 定位片段 → 用户修正 → 更新规则）+ AI 反向推演（针对 Recall 优化 RAG，针对 Precision 优化 Prompt）；
• 来源分层 L1-L4：法条原文 100% / 权威指南 / 专业评论 / AI 辅助待核实，置信度阈值 ≥ 85%；
• 架构跃迁三件套：Richee.ai 桌面智能体（经验沉淀） + Harness（能力模块化） + Skills 化（技能矩阵）。

关键数据/案例索引

核心产品/品牌：

• 法大大 iTerms AI 合同智能体
• 睿契（Richee.ai）桌面智能体
• Harness 工程能力重构
• Lawyer in the Loop（人机协作机制）

全球同类标杆：

• Harvey（法律界的”OpenAI”，估值 80 亿美元）
• Claude Coworker（商业智能平台、MCP 协议）
• 智谱、豆包、DeepSeek（推理引擎层模型）

关键数字：

• 准确率从 ~60%（Demo 级）→ 90%+（商用标准）→ 95%+（生产红线，目标）
• 复杂合同 85%、标准合同 95%（相比大模型 70%-75%）
• 领先 15%+ 的精度跃升
• 10 类审查规则 × 单类合同 160+ 审查项
• 1 个复杂决策 → 至少 5 个独立单点判断
• 来源置信度阈值 ≥ 85%
• 自评得分 < 60 分建议不要做全自动 Agent

核心架构组件：

• Agentic Workflow（替代单体 Prompt）
• 解析 Agent + 规则 Agent + 裁判 Agent（三段式工作流）
• Super Prompts（提取要素 → 条件判断 → 风险定级）
• HITL（Human-In-The-Loop）关键拦截节点
• RAG（多路召回策略）+ Few-shot（思维链示例）
• CoT 思维链拆解
• KV-Cache、向量数据库、法律知识图谱

评测指标：

• Recall（召回率）= 模型检出的风险点 / 合同实际存在的风险点
• Precision（准确率）= 模型检出的正确风险点 / 模型检出的所有风险点

AI 演进 5 阶段：L1 辅助审查 / L2 标准核对 / L3 条件自动化 / L4 自主决策 / L5 战略智能（行业现状卡在 L3 → L4）

来源分层 4 级：L1 法条原文 / L2 权威指南 / L3 专业评论 / L4 AI 辅助待核实

零容错三高：高专业性 / 高风险性 / 高组织性

三类幻觉：事实性幻觉（编造法条）/ 逻辑性幻觉（多重嵌套迷失）/ 遵循度波动（输出不稳）

工程化框架四步：规则设计 / 流程搭建 / 评测演进 / 反思闭环

适用性自评四维：场景复杂度 / 容错底线 / 知识壁垒 / 数据链路

六大核心能力：专业正确性 / 责任可分配 / 来源可追溯 / 输出可解释 / 数据可控制 / 流程可复核