智能推荐
算出这个客户此刻最可能要的面料和款式，而不是把全库倒给他自己翻。
织锦 · 中枢
演示界面，数据为示例。真实产品的功能比这里多。
现状
这门生意的数据，
从来没在一个地方待过
款号在款式系统，报价在 Excel，客户偏好在业务员脑子里，趋势报告躺在某个人的桌面。没有一个地方能同时回答「这个客户该推什么」。
数据底座
建一次，
之后每个新功能都直接用
什么货配什么客户、什么时候该推什么——这套判断原来只活在几个老员工脑子里。织锦把它变成系统的一部分。
十四个能力挂在同一个底座上。每加一个，底座一行不改——下面这张，是其中「面料推荐」跑起来的样子。
能力
同一个底座上，智能体已经在跑的三件事
文档协同
报价单、规格书、外文订单，传进同一个对话框：合并、摘要、翻译各自走完自己那条路，原来这些是人一行行做的。接着问，它还记得上一轮算了什么。
三维工坊
把库里的面料贴到三维版型上当场看效果，不用等打样。
技术架构
九样东西，六样今天就能演
撑着上面那些能力的，是这九样。实心的现在就能打开给你看，空心的还在规划里——图上不写我们还没有的东西。
已落地 6 · 规划中 3
产业本体
它知道什么
业务关系图谱
面料、款式、客户、订单、趋势各有定义，关系写在一处
拍照搜面料规划中
手上有块布，拍一张就能找出库里最接近的几款
出口合规溯源规划中
欧盟的数字产品护照大约 2028 年落到服装上，届时一件衣服要能查到布是谁织的
智能体运行时
它怎么动手
工具白名单
模型不写数据库语句，只能调注册好的十四个工具；每个工具还带一份谁能看的名单
固定打分公式
检索和打分是写死的规则，一个分怎么来的，能拿公式重算一遍
跨天任务托管规划中
现在问一句答一句就结束；将来能接要跑很多天的活
企业级保障
凭什么敢用
答案带出处
每个数字标着来自哪张表、算了几条、数据截到哪个月
上线前的固定考题
每个能力至少三道固定考题，答错率跌破线就提交不上去
私有化部署
整套装在客户自己的服务器上，连模型也能换成客户机房里那一个
平台分层
拆开看，它是三层叠起来的
01
本体层：定义与关系
每样东西有自己的定义，彼此的关系被写下来，而不是留在某个人的经验里。这一层不为任何单个功能服务——它上面的每一个场景，共用的都是同一份定义。
02
智能体层：在图上行动
推荐、取数、清洗、翻译各是一个有边界的智能体，读的是同一张图。取数走白名单，答不上来就拒答；换掉其中一个，另外几个不受影响。
03
场景层：推荐是第一条
面料与款式推荐是第一个跑通的场景。订单、应收、客户、趋势、预测接的是同一层本体——新场景不重建底座，只接上已经有的关系。
问答
常被问到的三件事
我们的数据很乱，这套东西能用吗？
能，但要先过一轮清洗，而且清洗要做在入库这一侧、不是留给模型去猜。真实项目里遇到过四分之三的款式没有价格、金额字段混着 0 和空值——这类问题不处理掉，后面每一个维度都在拿脏数据算。
智能体会读到我们哪些数据？
取数走白名单查询：模型只能读被明确授权的表和字段，读到什么、从哪张表读的，答案里带着来源。问到白名单之外的，它拒答，不会编一个看起来很像的数字给你。
推荐得不准怎么办？
每一次推荐都能展开看依据——命中了哪些硬条件、哪一维把分数拉低了。不准的时候能定位到是数据缺了还是权重错了，而不是只能说一句「AI 就是这样」。