一、整體架構：不是一個模型，而是一個系統
你可以把整個系統理解成五層：
- Agent（入口）
- Planner / Executor（思考 + 執行）
- Workflow（決策策略）
- Skill（能力模組）
- Service（底層能力與安全）
這樣的分層不是為了好看。
是為了「可控性」。
二、Agent：把混亂收斂成一個入口
Agent 這一層其實沒有太多 AI。
它做的事情很工程：
- 提供統一 API
- 管理整個分析流程
- 控制狀態與上下文
- 統一錯誤處理
這層的價值在於：
讓一個不可預測的系統，變得「可觀察」。
三、Planner / Executor：把「思考」拆成兩件事
Planner（負責想）
Planner 會先做一件很關鍵的事：把問題拆成「可執行的計劃」
例如：「分析銷售下降原因」
會被拆成：
- 查看整體趨勢
- 分產品分析
- 分地區分析
- 找異常
- 產生洞察
這讓系統變成：
- 可預測
- 可檢查
- 可重現
Executor（負責做）
Executor 不是單純執行，而是一個控制器：
- 選擇適合的能力（Skill）
- 執行任務
- 自動重試與修正
- 必要時重新規劃（Replan）
重點是：允許失敗，並且能修正
四、Workflow：決定「思考方式」
我們沒有讓 Agent 隨便做。
而是先判斷：這個問題屬於哪一種類型？
不同類型，使用不同策略：
- 數據分析
- 文本分析
- 解釋型問題
- 開放探索
這帶來一個很重要的差異：你不是在寫 prompt，而是在選「思考模式」
五、Skill：能力模組化，而不是寫死流程
真正做事的是 Skill，例如：
- 計算
- 視覺化
- 數據探索
- 假設檢驗
- 機器學習
但我們做了兩個關鍵設計：
1. 固定執行流程
所有 Skill 都遵循：生成 → 執行 → 檢查 → 修正 保證一致性
2. 每個 Skill 都有品質標準
品質不是最後才驗，而是內建在能力裡
六、Service：限制 AI，換來可控性
我們讓所有代碼在沙箱（VM）中執行：
- 無法存取系統資源
- 無法任意連網
- 有執行時間限制
- 只能透過 API 存取數據
而且 AI 看到的是「數據摘要」，不是原始資料
我們刻意限制能力，換取安全與穩定
七、Quality Reflection：讓系統會懷疑自己
這是整個系統最核心的設計。
我們讓系統在兩個階段評估自己：
計劃階段
- 這樣拆合理嗎？
- 有沒有漏？
不夠好 → 重想
執行階段
- 結果合理嗎？
- 有沒有更好的方式？
不夠好 → 重做
系統不是在產生答案，而是在「追求答案品質」
八、技術設計背後的商業意義
如果你把 Agent 放進企業場景，真正的問題是：
- 做錯但你不知道
- 每次結果不一致
- 出錯無法追蹤
這套架構對應解法很直接：
- Plan → 可預測流程
- Workflow → 穩定策略
- Skill → 可擴展能力
- Sandbox → 安全
- Reflection → 品質保證
九、我們做的不是最自由的系統
我們沒有追求：
- 完全自由的 Agent
- 多 Agent 對話
- 無限制探索
我們選擇的是：結構、限制、品質
因為在數據分析場景：穩定，比聰明更重要
結語
我們其實不是在做一個數據分析工具。
而是在嘗試一件更底層的事情：
把「思考流程」變成一個可以被系統化的東西而數據分析，只是第一個落地場景。
如果你正在做 AI 產品，可以想一件事：
你的系統，是在幫人做事？
還是已經開始幫人思考？
