交付
ContractDoc · delivery业务口径本示范企业所称“交付”,是指工厂完成生产并可交接;不含运输时长与客户验收。
所以“预计晚 2 天”是按这个口径作出的预测,不是已经发生的违约,也不自动计算罚款。
真实企业的交付口径,必须由自己的业务负责人确认。
DataFocus · 企业 AI 底座
连接业务数据库与企业文档,以业务本体统一组织知识,通过 MCP 等开放接口提供受控上下文,让企业知识的使用有依据、有边界、可追溯。
两个版本:OT Flash 与 OT Heavy9 月 28—30 日到期的华东订单,哪些可能延期?给我依据。不要改单,也不要发消息。
按本企业的交付业务口径本示范企业所称“交付”,是指工厂完成生产并可交接;不含运输时长与客户验收。这是示范企业的定义。,这是预测风险,不是已经发生的违约。
这不保证之后一定准时。
生产系统里还没有预计完成时间。暂时不能判断,也不应算作没有风险。
建议请生产计划补充 O-1004 的完工预计。O-1001 的跟进说明已起草,未发送。
S1 · 企业任务
订单在 ERP,生产进度在 MES,交付怎么算写在合同里。三处资料放在一起,才能判断风险;再按提问人的身份过滤,结果才能交给这位销售负责人。
问O-1003 能按时交付吗?
为什么接上数据库还不够
当企业同时使用几种 Agent,谁来管理它们拿到的业务知识?每个入口各配一份,定义和权限很快就会对不上。通用 Agent 很能干,但下面这几个问题,它自己答不了。
CRM、ERP 和合同里的“客户 A”,是同一家公司吗?
“交付”算工厂完工、发货,还是客户签收?
合同改过一版,现在该按哪一版?
华东的销售负责人,能看到西区的订单吗?
能连接,不代表理解;能查询,不代表有权访问。
企业自己的上下文,不只看服务器放在哪里,还要看企业能不能:
理解 · 业务本体
DataFocus 用业务本体组织对象、关系和定义:客户拥有订单,订单关联生产任务和有效合同。每个字段有来源,每条定义有负责人。Agent 不用猜表名,查定义就行。
点一个词条查看定义
客户 拥有 订单;订单 由…完成 生产任务;订单 受…约束 有效合同
本示范企业所称“交付”,是指工厂完成生产并可交接;不含运输时长与客户验收。
所以“预计晚 2 天”是按这个口径作出的预测,不是已经发生的违约,也不自动计算罚款。
真实企业的交付口径,必须由自己的业务负责人确认。
从连接到追溯
授权 · 追溯 · S3
售后规则从 24 小时响应改为 4 小时,新规则从 9 月 25 日零点起生效。负责人批准之前,Agent 仍按旧规则回答;批准之后,同一张工单的截止时间提前了 20 小时。
调用 · 多个入口
员工用哪个 Agent,可以随团队习惯变化。业务定义和访问规则留在企业这一层,每个入口都按同一套口径和权限调用。措辞可以不同,事实和范围应该一致。
入口 A
O-1001 预计比约定晚 2 天,按工厂完工可交接的口径判断。O-1004 缺少完工预计,暂时无法判断。
入口 B
有一笔订单可能延误:O-1001,约 2 天,口径是工厂完成并可交接。另外 O-1004 没有生产预计时间,需要补充资料。
按客户端版本、运行方式和企业权限准备接入。以下名称用于帮助你选择和评估,不表示官方合作。
建设 · S2
Codex 等 Coding Agent 可以检查来源、提出对象和关系、生成差异和测试。遇到说不准的口径,它应该停下来问;发布之前,由有权限的人批准。
通过模拟数据了解构建流程;连接自己的实例时,使用该版本开放的工具和已有授权。
CRM 客户 · ERP 订单 · MES 生产任务 · 合同文档
4 类对象 · 3 类关系 · 1 项口径待确认
“交付完成”指生产完成、实际发货,还是客户验收?这会改变风险判断,我不替你决定。
源数据写入 0 · 权限不扩大
+ Customer → Order + Order → ProductionTask + Order → ContractDoc
发布需要有权限的人确认。Agent 不能批准自己的变更。
发布后,另一个 Agent 用同一套定义执行 S1。
采用 · 两个版本
DataFocus OT 提供两个版本,都带本体管理。OT Flash 用 Apache Doris 同时做内存计算和数据仓库,部署轻、查询快;OT Heavy 沿用 Hadoop、Hive、Trino 与 Iceberg,另外提供 ETL 与 AutoML。无论哪个版本,都先挑一个有数据、有文档、有业务负责人、结果能验收的任务。
一个引擎,快速起步。
Apache Doris 作为内存计算引擎,同时充当数据仓库。
适合想先在一个业务域快速跑通,数据可以集中到一个分析引擎里的团队。
免费发行 查看发行与下载
完整的大数据底座。
沿用 Hadoop、Hive、Trino 与 Iceberg 架构,同时具备 ETL 与 AutoML。
适合数据量大、已经在用大数据平台,还需要数据加工和建模的企业。
免费发行 查看发行与下载
OT 指 Ontology(本体)。 根据数据规模、现有技术栈和建设需求选择版本。