AI Agent 治理：这件事到底在治什么
AI Agent 治理，是指对以大模型为核心、包含数据检索、工具调用与多步推理的复合系统，建立可观察、可追溯、可审计与可维护的管理方式，使其行为能够被解释、被复现、被约束，而不只是能够运行。
与传统机器学习项目相比，变化不在于模型更强，而在于系统形态从一条流水线变成了一张网。传统项目的链路是线性的，出问题时逐段排查即可。
组件多了之后，最先失守的不是性能而是可解释性。业务方问「这个结论怎么来的」，如果答案分散在几个脚本、几处配置和一段提示词里，回答这个问题本身就要花掉半天。在需要接受内部评审、审计或监管问询的行业，这不是体验问题，是能不能上线的问题。
关键事实表
| 治理对象 | 包含数据检索、模型调用、工具执行与多步推理的复合 AI 系统 |
|---|---|
| 核心诉求 | 可观察、可追溯、可复现、可审计，而不只是能跑通 |
| iModel 的承担范围 | 数据接入与准备、流程编排与可视化、执行记录与结果复现 |
| 实现方式 | 以可视化工作流表达链路，每个环节对应节点，中间结果可单独查看 |
| 脚本兼容 | 已有 Python 与 R 代码可通过脚本节点嵌入，不必推翻重写 |
| 模型接入 | 支持接入本地部署的开源模型，具体可用范围请与我们确认后写入方案 |
| 部署形态 | 支持完全本地离线部署，可运行于无外网连接的内网环境 |
| 已适配操作系统 | Windows、麒麟 V10 / V11、统信 UOS（均为 x86-64 版本） |
| 已适配处理器 | 海光 C86（x86-64），已完成测试并有实际部署 |
| ARM 架构 | 暂不支持，鲲鹏与飞腾在规划中，立项前请先确认服务器架构 |
※ 所列适配环境均为已完成测试并有实际交付的组合。涉及具体模型、具体业务系统的对接能力，需在评估后逐项确认，我们不在未验证的场景上做承诺。
AI Agent 治理：为什么纯代码实现会先失控
代码本身没有问题，问题在于代码不适合承担「向别人解释这套系统」的职责。下面四条是复杂度上来之后最先出现的症状，与团队水平关系不大。
多数 AI 项目卡住的地方不在模型能力，而在前面的数据环节：口径不统一、历史数据不可比、字段缺失严重。这种情况下无论换多强的模型，系统学到的都是噪声。
把数据准备这一层做扎实，往往比升级模型带来的改善更大，而这一层恰好是可视化工作流最成熟的部分。
AI Agent 治理：可视化工作流承担哪一段
说清楚边界比夸大范围更有用。iModel 不是要取代你现有的模型服务或 DevOps 体系，它承担的是数据到编排这一段，以及把整条链路变成一张能给人看的图。
核心的一点：Agent 本质上就是工作流
一个 Agent 做的事情，拆开看就是「取哪些数据、按什么顺序调用哪些工具、每一步的输出怎么流向下一步」。这正是工作流要表达的东西。用工作流来表达 Agent，不是把它硬塞进一个不合适的形式里，而是用它本来的形状把它画出来。
这样做的直接结果是：执行路径、依赖关系、数据流向和出错节点都摆在明面上。排查故障时能看到每个节点的中间结果，评审时可以顺着流程图一路讲下来，业务方有异议能当场指出是哪一步的规则需要改。
iModel 数据科学平台基于 KNIME 开源内核二次开发，增强部分为自主研发、源码可审查。可视化工作流是这套内核的核心表达方式，用它承载 AI 链路不是新增的能力，而是它本来就擅长的事。
iModel 在这条链路上做什么
- 数据接入与准备：从多个业务系统、数据库与文件取数，完成清洗、对齐与口径统一，为后续环节提供可信输入。这是全链路里最耗时也最影响结果的一段。
- 流程编排与可视化：把检索、调用、判断、输出这些环节表达为节点与连线，整条链路可读、可改、可复用，不需要为了看懂它去读代码。
- 执行记录与复现：工作流本身就是运行过程的记录，换数据重跑即可复现历史结果，向审计与评审提供的是可执行的证据而不是事后补写的文档。
- 与现有脚本共存：已有的 Python 与 R 代码通过脚本节点嵌入，特殊逻辑仍用代码实现，但整体链路保持可视化，两类人在同一份流程上协作。
数据不出内网。金融、能源、医疗与政务的数据通常不允许上传到外部服务处理。iModel 支持完全本地离线部署，安装与授权都在内网完成，不需要连接外部许可服务器。
国产化环境适配。已完成测试并有实际部署的是麒麟 V10 / V11 与统信 UOS 的 x86-64 版本，处理器侧支持海光 C86。ARM 架构目前不支持，立项前请先确认服务器实际架构。
哪些场景最需要这种治理方式
下面几类的共同特征是：结论要给人看、要能被质疑、要经得起事后追查。不具备这些特征的场景，直接用代码实现往往更快。
- 结论需要向非技术人员解释的：评审会、管理层汇报、跨部门对账，任何需要让不写代码的人认可结论的场合。
- 受监管或需要审计留痕的：金融风控、内部稽核、监管报送，事后需要说明某个判断是如何形成的。
- 需要定期重跑且不能依赖特定人员的：每日或每期的自动化任务，人员变动时不能中断。
- 数据来源分散、口径尚未统一的：这类情况下数据准备的工作量远大于建模，可视化流程的收益最明显。
一次性的探索分析、纯研究性质的实验、以及只有一两个人使用且不需要向外解释的工具型脚本，直接写代码通常更快。工作流的价值在协作、交接与解释，这些需求不存在时，它带来的收益也就不明显。
