把 IT 系统,
变成 AI agent。
Biz AI Agent 是一个完全开源的 AI agent 框架:一个业务系统 + 一个 DSH = 一个 AI 员工。只要说出你需要的业务,Claude Code、Codex 等 AI 编程工具就会按仓库自带的 skill 把 agent 开发出来并验证好。
# 1. 获取开源仓库 git clone https://github.com/ITC-cloud-soft/biz-ai-agent.git cd biz-ai-agent && npm install # 2. 打开 AI 编程工具(skill 已经带好) claude # 或者 codex # 3. 用平常的话说需求 > 用 agent-builder skill 帮我造一个"出差报销"的 AI agent
agent 首先是一个普通的 IT 系统。
没有拖拽式的流程编辑器。业务系统是数据正本,流程是代码,由 manifest、一致性测试、业务测试、评测和日志守护。
业务系统是数据正本
数据、角色、谁能看什么、谁来决定,全部在业务系统里。
AI 只读和提案
以提问员工本人的委托读取;能做的写入只有提案,人采纳后才执行。金额由人决定。
业务系统决定通知谁
通知、审批卡片、报告的接收人由业务系统决定,和网页画面用同一个规则。
事件不带个人信息
只有 ID、数值、日期、状态。姓名、理由、金额在网页上确认权限后显示。
权限优先
每一次检索、每一个图谱回答,都先按提问者的权限过滤再排序。你看不到的,AI 也看不到。
一个业务 = 一个 agent
一个业务系统加一个 DSH,就是一个 AI 员工。整套 Biz Assistant Framework 和 agent 层(知识、图谱、设置)都在一个仓库里。
只要说出业务,
AI 编程工具来开发。
不用从零写 agent。AI 按仓库自带的 agent-builder skill,从业务系统到知识、评测、设置画面、DSH 设置全部做好,并用命令验证。示例 equipment-loans 就是 AI 只按这个 skill 从零造出来的。
Claude Code
在仓库根目录启动 claude。skill 在 .claude/skills/agent-builder/,自动加载;输入 /agent-builder 可直接调用。
Codex
在仓库根目录启动 codex。skill 在 .agents/skills/agent-builder/,自动发现;用 $agent-builder 可直接调用。
其他 AI 编程工具
告诉它"先完整读 skills/agent-builder/SKILL.md,按它的步骤做"即可。
用 agent-builder skill 帮我造一个"出差报销"的 AI agent: - 员工在 LINE 上问报销规定、查自己的申请进度 - 经理审批本部门的申请,超过 10 万日元的还要财务批准 - 财务每月收到件数报告 - 报销规定的文档在 <你的文档路径>(日文和中文各一份)
AI 会做什么
- 先问你要决定的事,写进 AGENT_PLAN.md 并等你回答(没人回答时用推荐值并标"待确认")
- 复制参考实现,写业务系统和 manifest,跑到一致性测试 52 / 52
- 接知识和图谱,在调参之前写评测,再做设置画面、SNS 审批和报告、DSH profile
- 每一步都用命令验证,报告结果、未验证的和待确认的
你要做的:回答决定 · 提供文档 · 看计划和报告 · 在本机试用 · 发布
造出来的是一个普通的 Node.js 项目。
全部生成在 examples/<system-id>/ 里,都是进 git 管理的文件。
| AGENT_PLAN.md | 决定和证据:谁决定了什么、哪些待确认、数字 |
| bridge.manifest.yaml | 系统的自我介绍(本体):角色、实体、事件、AI 的工具、画面路由 |
| src/app.mjs | 业务系统本身:数据、登录、业务规则(hooks)、业务 API、设置插件、知识、图谱、DSH 网关 |
| src/server.mjs | 启动入口:从环境变量读端口、密钥、数据目录 |
| knowledge/*.md | 公司文档(可见范围写在文档里) |
| evals/ | 评测题和运行脚本 |
| test/*.test.mjs | 业务规则、一致性、知识权限、图谱、评测下限、设置插件的测试 |
| dsh-profile/ | AI 面(DSH)的产品 profile |
发布和普通网站一样。
浏览器 · IM:员工打开画面/LINE 等的 webhook
HTTPS 反向代理:nginx、Caddy 等,你的域名
业务系统(Node.js 网站):node src/server.mjs,内含 DSH 网关
AI 面(DSH):同一台机器上的另一个进程,只监听 127.0.0.1
- 业务系统就是普通的 Node.js 网站:
npm install后用NODE_ENV=production node src/server.mjs启动(用 systemd、pm2、Docker 等常驻) - 密钥只用环境变量给,数据目录放在持久的磁盘上
- DSH 只由网站里的网关访问,IM 的 webhook 填网站的公开路径
- 另外只需要模型的 API。数据库只在用 pgvector 时才需要
你看不到的,AI 也看不到。
一次提问 ── 员工在 LINE 上问休假规定
发消息:dsh-im 收到,确认是连携过的员工
调用工具:以这个员工的委托做知识检索
按权限检索:业务系统只返回他能看的段落和出处
守卫:出处守卫补上出处,链接守卫删掉外部链接
回答:带业务画面的链接发回 LINE
一次审批 ── 管理员上传公司文档
先做个人信息检查,在事务里写入 approval.requested
审批卡片发到另一个管理员的 LINE(不发给上传者)
按「承認」后,用和网页同一个 mayDecide 判断并发布
重建索引后,只有件数的报告发给报告角色
三种检索方式,都是权限优先。
向量和图谱只在提问者能看的块里比较。模型出错时退回 BM25F,并在画面上显示错误码。
| 方式 | 需要 | 做法 |
|---|---|---|
| BM25F | 无(默认) | 按标题、关键词、节标题、正文加权;同义词可调 |
| RAG | embedding 模型 | BM25F + 向量(RRF 融合),存在 pgvector 或文件里,不存正文 |
| 知识图谱 | 基础模型 | 把文档抽成实体和关系存成 JSON;检索时 BM25F + 图谱 |
管理员:/agent-settings
模型(key 只填环境变量名)、文档上传和审批、检索方式、组织的 IM 机器人(13 种 SNS + 邮箱)、审批和报告设置。日文、英文、中文,浅色和深色。
员工:/me/sns
发行连携码(6 位、10 分钟有效),在单独聊天里给组织的机器人发「連携 123456」即可。只能看到本人的连携,通知种类和免打扰时间也由自己设置。
要守的规则,写在代码和配置里。
AI 只读和提案
写入 API 对委托返回 403,AI 不决定金额。
接收人由业务系统决定
逐人确认"他在网页上能看到吗",确定不了就不发。
只由本人连携
在业务系统自己的登录下由本人完成,管理员也不能代办。
不放密钥
仓库、配置、日志、聊天里只写环境变量名。
发送设置保持关闭
要打开只能显式修改并写明理由,由检查脚本确认。
用虚构数据测试
测试只用虚构数据和隔离的 DSH home。
评测先于调参
每种语言至少 20 题,hit@3 ≥ 80 %,泄漏 0。
没验证就写"未验证"
一切用命令确认,没跑的写进报告。
先在本机跑起来。
需要 Node.js 24.9 以上和 npm,端到端测试另需 pnpm。不需要数据库、API key 和聊天账号。
git clone https://github.com/ITC-cloud-soft/biz-ai-agent.git && cd biz-ai-agent npm install npm run vendor:install # 只在第一次 npm test # 约 900 个测试,0 失败 npm run e2e # 真实 DSH + 假模型 + 假 LINE:15 / 15 PASS