AI Factory - 零代码构建智能体，让每个团队都有自己的智能调度中心
💡 平台介绍
iBiz AI Factory 由 iBizLab 开源实验室 基于 iBizModeling 打造，面向企业AI 垂直应用场景，提供可本地部署、可二次开发的 AI 应用开发与编排平台。其设计宗旨在于通过零代码/低代码的方式，大幅降低大模型应用的构建门槛。充分汲取前沿多智能体Multi-Agent 以及 Skills 等技术精髓，采用创新的分层底座架构 + 云边协同工作机制，实现了“决策、能力、物理触手”的完美解耦、算力级联与精细化受控编排，助力企业以极低成本快速实现智能化转型。
🌐 在线体验
- 官方网站: https://aifactory.ibizlab.cn
- 代码托管: https://gitee.com/ibizlab/aifactory
- Demo 地址: https://aifactory.ibizlab.cn/demo/
- 用户名 / 密码:
demo_admin / 123456 - 技术资料: https://aifactory.ibizlab.cn/doc/
- ModelingIDE: https://aifactory.ibizlab.cn/modeling/
- 后台技术框架支持: https://gitee.com/ibizlab-cloud/ibiz-service-hub
- 前端技术框架支持: https://open.ibizlab.cn/apphub/
🎨 核心架构
🧩 服务层：受控智能体与分层调度模型 (Agents & Multi-Entry)
Agent 是执行意图的独立实体，支持 总线编排 与 自主作业 两种存在形态。
1️⃣ 角色化总线 (Hub-Agent)
作为“多专家调度官”，负责组织、团队或特定大场景的全局控制。
- 多专家隔离：系统支持根据组织架构或业务领域建立多个 Hub 实例。
- 定向支配：每个 Hub 挂载特定的角色 Prompt 及支配清单，决定其可调度的 Sub-Agent 以及 SKILL 范围。
- 意图分发：作为交互入口，负责将复杂需求拆解并分发给底层的专家单元。
2️⃣ 原子智能体 (Standalone/Sub-Agent)
作为“专项执行官”，专注于某一特定垂直领域。
- 双重生命周期：
- 从属模式 (Sub-Agent Mode)：由 Hub 激活，运行于临时沙盒，任务结束即销毁。
- 独立模式 (Standalone Mode)：拥有独立 URL/Token。支持 定时作业 (Cron Job) 或 批量流水线 (Pipeline) 直接驱动，无需交互式入口。
- 支配与配给制 (Resource Allocation)：
- 在定义阶段为 Agent 进行 能力配给。每个 Agent 仅能支配其清单内的基础 Skill 与扩展 Skill，实现最小权限控制 (PoLP)。
- 每个 Agent 都可以独立指定接入模型，实现算力的**“高低快慢”级联搭配**。如由长文本/强推理作为 Hub 负责高维决策；由低参数 Flash 模型绑定 Sub Agent 负责高频的局部执行与数据清洗。
🔧 能力层：解耦化技能总线 (Skill Bus)
技能（Skill）是对工具序列的逻辑封装。AI Factory 通过“多源寻址”机制实现能力要素的动态注入。
1️⃣ 多态供应体系
- Standard Skills 供应 (Global SkillHub)：系统监听外部 Git 仓库。通过 热加载 (Hot-Reload) 机制实现技能清单与 Git 提交同步，确保能力生产与消耗的解耦。
- Web-Defined Skills 供应 (Local Extension)：通过管理后台 UI 快速录入的业务规约。用于处理垂直度高、时效性强的业务逻辑（如：特定的工单分类算法、特定案件的特征提取规则、公司内部财务报销校验逻辑）。
2️⃣ 技能定义规范 (Standard Specification)
- 所有技能均遵循标准的 Input/Output Schema，支持技能间的级联 (Chaining) 与自动化探测。
- 特性：兼容市面主流 Skill 规范。支持 Git 自动刷新，仓库更新即系统能力更新。
- 范例：Jenkins 自动化、K8s 集群管理、标准 Excel 转换器。
⚙️ 基础层：原子工具集 (Kernel Tools)
底层内核由一套经过高度优化、不可随意更改的原子指令集。作为系统的“物理底座”。执行任务时，通过标准的 ToolCall 协议直接驱动这些工具。它们是 Agent/Skill 感知和改变物理世界的唯一触手。
- 命令：
execute_bash(系统级指令注入)、execute_cloud(微服务 RPC/REST 调用)。 - IO屏障：针对 OSS 或本地文件系统的封装，包括
read_file、write_file、apply_patch，确保文件操作的幂等性。 - 感知：
fetch_kbs(知识库路由)，fetch_kb_chunks(向量空间检索)，支持基于 Metadata 的前置过滤。 - 递归：
sub_agent。这是架构的精髓，允许 Agent 派生出一个逻辑隔离的任务副本（Sandbox），实现递归编排。
⚙️ 技术特性
| 维度 | 实现方式 | 目的 |
|---|---|---|
| 🤝 协同性 | Cloud-Edge Skill Runner | 云边协同，打破内网数据隔离 |
| 📚 知识性 | Deep KB Binding | 高精度召回与知识回填 |
| 🔗 可追溯性 | Anchor & Portal | 从AI结论到原始证据的一键回溯 |
| 🎛️ 灵活性 | Multi-Hub / Standalone | 覆盖人机问答与无人值守全场景 |
| 🧱 隔离性 | Context Sandbox | 子任务沙盒运行，用完即焚 |
☁️ 云边协同执行架构 (Cloud-Edge Runner)
这是 AI Factory 实现“物理落地”的重磅特性，通过 Skill Runner 实现云端大脑与本地触手的协同。
1️⃣ 异步消息驱动
云端（AI Factory）与边端（Skill Runner）通过高可靠的消息机制连接，实现跨网络环境的指令下达与状态回传。
2️⃣ 边端触手 (Skill Runner)
用户可在本地部署配套的 skill_runner 客户端，将 AI 的执行力延伸至私有环境：
- 本地执行权：支持在本地运行敏感的 Skill 代码、访问本地文件系统、驱动局域网内的程序。
- OSS 互动链路：云端知识库通过统一的存储协议（OSS）与边端 Runner 实时交换大文件，解决数据传输瓶颈。
- 弹性分配：对于无需本地执行权的用户，系统自动分配云端托管 Runner 运行任务。
3️⃣ 云边协同场景
- 云端大脑：负责高维思考、多 Agent 编排、跨知识库决策。
- 边端触手：负责落地执行（如：操作本地 K8s 集群、处理本地密级卷宗、驱动本地自动化工具）。
📚 深度绑定的语义仓库 (Knowledge Base Binding)
与通用工具不同，AI Factory 的知识库是原生资产，而非边缘插件。
- 语义拓扑绑定：Agent 与知识库并非简单的检索关系，而是“空间绑定”。Agent 在定义时即声明其知识边界，确保召回的上下文具有极高的业务相关性。
- 跨库动态路由：支持根据问题意图在多个垂直知识库（如：ERP项目、智慧水务、环境监管）之间自动切换或联合检索。
- 双向同步机制：知识库不仅供 AI 读取，执行过程中的分析结果（如：Agent 生成的审计笔记）可反向写回知识库，实现知识的动态生长。
- 非损还原：在输出结论的同时，利用 Skill 层捕获的文件锚点（Anchor），反向生成 Portal 链接，实现从 AI 抽象结论到原始物理证据的一键回溯。
🧹 上下文空间隔离 (Context Isolation)
这是解决大规模工程任务中“上下文坍塌”的核心方案：
- 逻辑快照：子任务分配独立的 上下文堆栈 (Context Stack)。其执行过程中的冗余推理、工具日志被锁定在沙盒内。
- 用完即焚 (Ephemeral Instance)：结论返回后，沙盒实例及其上下文立即销毁。Hub 仅记录结构化结论，确保主模型拥有极高的信噪比。
🔁 演示执行过程
| 阶段 | 实体 | 动作说明 |
|---|---|---|
| 1. 触发 | Hub/Standalone Agent | 用户在角色化 Hub 下达指令。或定时任务直接驱动 |
| 2. 编排 | Hub-Agent | 识别跨库需求，根据配给清单派生 Sub-Agent。 |
| 3. 执行 | Sandbox | Sub-Agent 结合多知识库驱动 SKILL 在各自沙盒中执行。 |
| 4. 路由 | Kernel Tools | tool_call 执行 fetch_kb read_file等原子工具。 |
| 5. 汇总 | Hub-Agent | 接收 Sub-Agent 摘要，生成比对表格，销毁沙盒，生成 Portal。 |
📌 01 · 企业级知识库与权限隔离
- 基于“组织-团队-个人”网格架构的原生知识库核心模块。支持压缩包与文件夹的目录递归入卷、全自动分目录建卷与自适应切片索引编译。知识资产在后续服务于大模型推理时具备严苛的物理与逻辑权限边界，防止非授权实体的跨库越权检索。 演示视频
🔀 02 · 跨知识库智能检索辅助对话
- 多知识库环境下的上下文动态路由机制。系统根据输入流的语义意图，在 ERP、智慧水务、环境监管等独立知识库之间执行自动命中的单库切换或双库并发检索。在输出最终结论的同时，内核反向生成的数据穿梭门，支持一键回溯至原始物理文件的具体文件位置。演示视频
🎛️ 03 · 多角色中控总线(Hub) 动态调配 Sub-Agent
- 基于角色（Role-based）的智能体管理总线调度架构。通过切换不同的总线智能体（如项目管理总线、辅助办案总线），动态挂载并隔离对应的垂直业务技能清单与 Sub-Agent 专家组。在激活具体任务时，驱动
sub_agent递归算子定向派生子任务流，实现最小权限原则（PoLP）下的受控运行。演示视频
⚡ 04 · 零门槛即时新建专属智能体
- 针对专项无预设工具场景的能力敏捷扩展。用户只需通过 UI 提交自然语言描述期望的功能，系统在线秒级编译并绑定运行一个新的专属智能体。智能体最终审查结论可通过 API 异步反向写入对应原始文件的评论区，形成文件历史审计笔记的动态沉淀，打造智能辅助的闭环体系。演示视频
🔌 05 · 按用户发布专属OpenAI接口，第三方客户端等价使用
- 系统能力的对外标准集成。网关层完全兼容 OpenAI 标准接口协议，支持用户自主分发 Token 令牌以无缝接入 CherryStudio、ChatBox等第三方客户端。该令牌在进入系统网关时强绑定用户的身份、存储权限与专属记忆仓，使其外部检索行为同样受内核的原生审计。演示视频
📊 06 · 对话式报表：AI自动写代码分析数据
- 解决大批量结构化（Excel/CSV）数据流场景下大模型“上下文坍塌”问题的工程实现。突破长度限制与幻觉问题。智能体不直接读取全量数据，而是激活文件分析技能，对目标数据进行采样并理解，随后在底层隔离的代码沙箱（Sandbox）内实时动态编写并编译运行 Python 脚本。输出标准结构化报告与可视化资产，对实时交互指令（如按日期追加趋势分析），动态执行二次计算并实时渲染生成对应的饼图与折线图看板。演示视频
🔗 07 · 记忆串联 特征提取/类案推送/规则推理 多任务
- 复杂长链路业务流下的技能级联（Chaining）技术落地。系统通过有向任务流，依次触发定制的特征提取、类案搜索、规则推理三大标准能力。执行过程中，上游提取的结构化特征被实时写入
Session Memory（会话级持久化记忆库），作为下游规则引擎计算的强类型入参。演示视频
🔬 08 · 深度研究 规划-执行-总结 多智能体联动
- 复杂长链路全局规划任务下的多 Agent 异步协同拓扑。系统引入深度研究（Deep Research）框架，将复杂意图拆解为：规划（投标策略规划智能体生成策略）→ 执行（定向检索信息并进行事实核验）→ 综合（投标任务书智能体收官）。多个智能体按照严格的依赖逻辑联合流式执行，最终输出高确定性的结构化任务书。演示视频
🧾 09 · 云边协同：云端决策本地执行，安全处理海量文件
- 长程大批量数据处理的工程耐受力与云边解耦架构。主智能体设置20 张发票一组分批解析，中间过程由
Sub-Agent在逻辑沙盒中并发处理，用完即焚，实现模型高低快慢的完美搭配。长程任务也可设定后台静默执行，由部署在本地内网的 Skill Runner 分布式挂载并执行本地文件操控与合并，实现“云端大脑决策，边端触手干活”。演示视频
🧩 10 · 标准化工作流作业以及可插拔的场景式智能核查套件
- 高确定性、长程质量评查作业的流程控制与应用市场套件微应用分发。系统通过确定性工作流（Workflow）强约束智能体的执行步骤，克服自由状态机的不确定性。同时支持将特定场景的“智能体 + 工作流 + 规则库”解耦打包为“场景核查套件”进行动态热插拔，并配置 Cron Job 实现无人值守的定时巡检与日志审计。演示视频
⚡ 快速上手
环境要求
- CPU ≥ 4 核， RAM ≥ 16 GB， Disk ≥ 50 GB，Docker ≥ 24.0.0， Docker-Compose ≥ v2.26.1
安装步骤
bash
# 克隆项目
git clone https://gitee.com/ibizlab/aifactory.git
# 启动服务
cd aifactory/deploy/compose
docker-compose up -d[!CAUTION] 更详细安装说明参考 install
🛠️ AI功能启用前准备工作
📦 1. 模型初始化（示例占位）
系统安装完成后，会自动生成示例模型配置作为占位模板，展示各领域所需的模型类型：
| 领域 | 示例模型名称 |
|---|---|
| 🧠 主模型（Default） | Qwen/Qwen3.6-27B |
| ⚡ 快速模型（Flash） | Qwen/Qwen3.5-9B |
| 🎯 意图分析模型 | Qwen/Qwen3.5-9B |
| 🖼️ 多模态模型（VL） | Qwen/Qwen3.6-35B-A3B |
| 📊 Embedding 模型 | BAAI/bge-m3 |
| 🔁 Rerank 模型 | BAAI/bge-reranker-v2-m3 |
⚠️ 以上均为示例占位硅基流动平台里的模型，令牌未设置，不可直接使用，需修改令牌或替换为其他服务商的真实模型
🔧 2. 接入真实模型（必须操作）
步骤一：设置模型提供商
进入菜单：配置 → 模型服务
- 点击提供商名称（如硅基流动、火山引擎、阿里云百炼等）
- 填写：API密钥
📌 平台支持硅基流动、Ollama兼容模式、阿里云百炼、火山引擎等多种提供商。如果有其他平台可以点击「+按钮」添加模型提供商
步骤二：注册模型
在同一页面，点击「模型」标签下的「+添加」：
- 选中模型名称（如
qwen3.6-plusGLM-5.1）点击添加 - 添加好后在下方表格中设置模型类别（对话/向量/重排序/多模态）
- 设置模型能力（推理/工具调用/流式输出/长上下文等）
步骤三：设置默认模型并发布
进入菜单：配置 → 已接入模型
- 为每个领域分别选择已注册的真实模型：
- 主模型 / 快速模型 / 意图分析模型
- 多模态模型 / Embedding 模型 / Rerank 模型
- 点击「发布配置」，使设置生效
📌 以上步骤全部完成后，您即可开始创建专属智能体，使用 AI Factory 的 AI 功能。
🛠 定制开发
如果您需要在 AI Factory 的基础上进行 二次开发或行业定制，推荐使用 iBizModeling 在线实验室：
🔹 在线创建和编辑模型，无需本地安装
🔹 ModelingIDE中可视化建模配置，一键发布新模型
🔹 本地 AI Factory 系统自动加载模型变更，实时解释执行，支持快速验证
👉 点击这里申请在线实验室 免费使用
🎯 为什么选择 AI Factory
AI Factory 理念
- 有限自主编排：在明确边界和权限下，AI 自主执行边界明确的任务，避免底层错误决策。
- 分级调度架构：Hub-Agent → Sub-Agent → Skill → Kernel Tools，严格分层管理能力和权限。
- Skill 固化与定制化：核心技能通过 SkillHub 标准化，防止被修改或干扰，同时支持定制化扩展。
- 工具最小化：底层 Kernel Tools 化繁为简，只保留基础原子操作，降低 AI 底层决策风险。
- 政企落地优先：云边协同、沙盒隔离、低算力 + 短上下文 恶劣环境适配，保证可控、可复现、可审计。
- 创造力最大化：在可控和安全前提下，压榨 AI 执行任务创造力和业务价值。
主流产品对比
| 对比维度 | 早期 RAG 应用时代 代表 RAGFlow / Dify本地版 | 高度自主新时代 代表 Hermes-Agent / OpenClaw | AI Factory 企业级智能体操作系统 |
|---|---|---|---|
| 设计理念 | 以 RAG 和工作流为核心 | 以 LLM 自主工具调用为核心 | 稳定且安全的有限自主 AI 执行 |
| 产品定位 | 应用构建平台 快速构建 AI 应用与知识问答 | 智能体探索 最大化 AI 自主规划与执行能力 | 智能体操作系统 分级编排、可控可复现的企业级落地 |
| 架构范式 | 硬耦合结构 LLM + RAG + 工作流 + 插件 | 扁平化自主 LLM 自主解析任务、自由选择工具 | 分层分级架构 Hub-Agent → Sub-Agent → Skill → Tools |
| AI自主能力 | AI 受限自主 工作流/Prompt 约束，AI 自主性有限 | AI 高度自主 AI 自主规划、选择工具、执行任务 | 有限自主（受控编排） 在明确的任务步骤和约束内 由 AI 自主编排 |
| Tool/Skill 边界 | 依托插件 工具更强调 MCP 或脚本代码包装 | 工具极度开放 Skill动态发现，AI 自由选择，粒度细 | 层层解耦，严格分离 最小内核工具（Tool）+ 标准固化 Skill 为主 谨慎少量定制业务专项 Skill |
| 可控性与安全 | 中等 依赖工作流和权限控制 | 弱 AI 自由度高，难以预测和复用 | 强 最小权限、沙盒隔离、可追溯、可复用 |
| 复现与稳定性 | 中等 工作流可复用，但变更影响大 | 弱 结果不可预测，复现成本高 | 强 分级编排 + 稳态执行 + 结果可追溯 |
| 适用场景 | 通用场景 知识问答、客服、内容生成等 | 研究探索/创新场景 需要极致自主性和创造性的任务 | 政企关键业务场景 合规、保密、繁琐、可复现的业务流程 |
| 记忆实现 | 无 | 完备记忆功能 过渡依赖记忆，深绑定执行过程 | 完备记忆功能 和执行过程解耦，仅用于多任务衔接 防止过分参与带来的不确定性 |
| 上下文隔离 | 无 | 部分隔离，依赖脚本，缺乏完整沙盒 | 沙盒快照 + 用完即焚 保证信噪比 |
| 知识库绑定 | 原生资产 单知识库交互 | 本地文件/数据库手动管理 | 原生资产 跨库动态路由 |
| 任务调度 | API 触发 | 简单队列 / 手动或本地脚本 | Cron Job + 场景化调度 Hub 自主调度 Sub-Agent |
与 RAGFlow 等工具的区别
从技术演进的角度来看，像 RAGFlow、早期的 Dify（特别是开源或本地化版本）都属于“上一个时代的生成式 AI 编排工具”，它们的特点主要是：
- 以检索-生成 (RAG) 为核心: 本质上是把文档检索 + 大模型生成结合起来，形成问答或助手系统。技术栈上偏重向量检索、prompt 构造、embedding 管理。
- 缺少显式 Skill 层: 没有完整的技能/工具总线概念，更多依赖调用 MCP 或插件简单脚本代码包装，难以形成“多智能体+技能级联”的企业级流水线。
- 借助工作流调度: 对长链路、多库、多技能任务支持弱，企业落地复杂场景时容易出现上下文坍塌和权限边界不清。
总体来说这类生成式助手亮点在于快速整合检索 + LLM，但在“Skill 可复用性、企业多智能体调度、沙盒隔离”上未凸显。AI Factory 则是把这些能力系统化、标准化、可扩展化，更贴近企业落地需求。
与 OpenClaw 等新一代扁平化工具的区别
OpenClaw 和 Hermes-Agent 等在定位上属于轻量化 + 扁平化架构，本身具备充分自主决策能力，技能通常不是完全固定的，适合快速实验和敏捷迭代，它们的特点主要是：
- 无序性: 由于更倾向 AI 驱动工具面向目标求解，虽然带来了更灵活更动态的体验，代价就是因求解随意性带来的无序和安全风险。在政企环境下难以保证合规性和可复现稳态运行，甚至同一问题求解也经常被抱怨“二对一错”。
- 环境要求高: 对模型能力要求极高，模型不仅要聪明且拥有长上下文强推理 + 代码编写能力，而政企客户仅一个数据不出网要求就基本和互联网顶级闭源模型无缘了，内部网可用算力普遍为 30B 参数模型、40k 上下文长度规模，连正常的 OpenClaw 工具调用链都不一定能运转起来。
AI Factory 底层只保留最基础的原子工具集（如文件操作、RPC/Bash、知识库访问），限制了 AI 基础能力的同时也防止 AI 在底层做出错误决策。 在 Skill 层严格隔离并固化为标准 SkillHub ，仅允许少量 Web 定制扩展技能，保证业务能力不被干扰，用匠心换取执行的确定性。分角色多级装配机制 + Sub-Agent沙盒隔离执行降低长链路任务上下文开销要求。
核心总结：“在政企复杂与受限环境下，AI Factory 通过分级可控架构、Skill 固化、最小化工具和云边协同，实现安全可追溯的自主 AI 执行”
📞 联系我们
- 官方网站：https://aifactory.ibizlab.cn
- 博客：CSDN
- 关于我们：https://modeling.ibizlab.cn/development.html
- 开源实验室官网：https://www.ibizlab.cn
- 开源社区：https://open.ibizlab.cn
- 微信公众号：iBiz开放平台
- QQ交流群：1067434627
