§01企业自持的 AI 平台底座
让全员都用上 AI，而且你管得住
GestaWorks · 读作 JES-ta-works
企业不敢把 AI 铺给全员，多半不是不信有用，是管不住 —— 管不住模型选择、管不住数据流向、管不住谁花了多少、管不住输出的依据。GestaWorks 把这两层管理权完整交给企业：AI 本身怎么管，以及 AI 员工怎么管。
- 能力按需加载工具与数据源按任务语义检索后加载，几十个数据源共存也不撑爆上下文。
- 数据流向可判定每个数据源声明可见性与鉴权要求，安全基线在工具调用点硬拦，不靠提示词自律。
- 用过的东西会沉淀会话产生记忆，记忆沉淀为可复用技能，技能被评分与重铸。平台越用越厚，人走了，能力留下。
员工用得上
把事交出去，拿回能直接用的结果 —— 而不是一段还要自己排版的文字。
IT 管得住
模型、数据、权限与花费，都要有一个能解释、能拦住、能追溯的位置。
组织留得下
用过的经验不随人走 —— 知识、技能与轨迹都留在企业自己的边界内。
§03平台架构
三层能力，一个控制面
企业落地 AI 的实际状态通常是四个割裂的摊子：网关各接一遍、RAG 项目用完即弃、业务真相在 ERP 里碰不到、每个场景重写一遍流程。GestaWorks 做的是把它们统一起来、并交回企业自己管的那一层。
网关层
模型注册表与供应商适配、按延迟与成本选路、预算护栏、调用追踪与用量归集。密钥与配额在这里收口。
- 模型注册表
- 选路与适配
- 预算护栏
- 调用追踪
数据层
企业语境的两个来源，同一层里的两个并列面：内部知识库是「企业自己沉淀的」，外部数据链是「企业订阅或连接的」。二者互相消费，不存在一方建立在另一方之上。
内部知识库
Autonomous Knowledge
向量化完全在本地跑，embedding 不出机器。混合检索、经验沉淀、结构化数据代理，让知识留存而非用完即弃。
外部数据链
Industry MCP Mesh
声明式接入行业数据源与企业系统。每个源声明数据流向与鉴权要求，按需加载而非一次性全注入。
- 内部 ∥ 外部
- 本地向量化
- 按需加载
- 流向声明
AI 应用层
会话、专属 Agent、团队协作、自动化与产出物。业务部门在这里把能力用起来，而不是重写一遍 prompt。
- 专属 Agent
- 团队模式
- 自动化
- 产出物
控制面
横切三层而非第四层。策略下发、权限与审计、用量与成本、部署与升级、可观测性，全部运行时可编程。
- 四级能力开关
- 安全基线硬拦
- 用量与成本
- 可观测性
行业包
可签名分发的插件包：数据源声明、行业角色、工作流技能、安全策略。按产业线交付，而非交付一套裸平台。
- 可签名分发
- 行业角色
- 工作流技能
- 策略基线
§04部署形态
四种形态，同一套产品
从完全离线的单机，到自托管服务，到云端定时任务 —— 数据位置由你决定，不由我们决定。
桌面单机
全部数据在本地：关系库、向量索引、embedding 模型都在本机，可完全离线运行。适合个人与小组起步。
Headless 自托管
以服务方式部署在你自己的基础设施上，浏览器接入，企业 SSO 认证链 + 双 token 网关，数据不出你的网络边界。适合部门级推广。
远程接入
四种隧道方式抵达内网服务，配套自持鉴权网关 —— 隧道抵达时须命中凭证载体才放行，不留下鉴权空洞。
云端执行
定时任务在云端持续运行，关掉客户端不中断；结果投递到你指定的渠道。适合无人值守的例行作业。
§05差异化
与通用 AI 平台的差别在哪
同样叫「企业 AI 平台」，取舍可以完全不同。
| 维度 | 通用 AI 平台 | GestaWorks |
|---|---|---|
| 数据位置 | 数据上云 | 默认全本地：向量化与索引都在企业内，可完全离线 |
| 工具规模 | 一次性全注入，几十个就撑爆上下文 | 按需加载 + 能力检索，几十个数据源共存不撑爆 |
| 治理粒度 | 开关级 | 四级覆盖 × 四类对象，工具调用点硬拦 + 数据染色 |
| 组织级治理 | 多按个人账号与团队空间，审计依赖平台侧日志 | 多租户、组织级 RBAC、集中审计日志、配额计费，均在开放核实现 |
| 可编程性 | 行为由产品功能决定，改流程要等产品排期 | 运行时可编程：18 个 gql 域覆盖模型、MCP、认证、用量、会话与 Agent 等，AI 与脚本都能读写 |
| 沉淀方式 | 靠人整理提示词库 | 会话 → 记忆 → 技能 → 评分重铸，自动闭环 |
| 数据可携 | 数据在平台侧，导出取决于产品提供什么 | 会话 + 项目 + 设置打包成单文件，换机还原 |
| 行业适配 | 靠提示词工程 | 可签名分发的行业包：数据源 + 角色 + 工作流 + 策略 |
| 多 Agent | 编排 DAG | 共享 thread + @mention 调度，含对抗式复核范式 |
| 输出可信 | 模型自评 | 独立校验（非模型自评）+ 数据源分级 + 轨迹可复盘 |
| 成熟度 | 多为新造 | 289 个版本 / 2027 条新功能 / 5018 条修复，已在一家机构内部的生产环境日常使用 |
本表对照的是「通用 AI 平台」这一类目的默认形态，不是逐家产品的能力清单 —— 类目内各家取舍差异很大。以「数据位置」为例，「可私有化」并非独有能力：部分企业平台同样提供部署在客户自己 VPC 内的档位。此时这一行的差别收窄为是否可完全离线 —— 桌面单机形态下，关系库、向量索引与 embedding 模型都在本机。
表格可横向滚动查看完整对比。
§06产品生态位
先认清类目，再比细节
市面上叫「AI 办公」「AI Agent」的产品不在一个类目里。把不同类目放进同一张表比输赢，是最常见的选型错误 —— 它们解决的不是同一个问题，成本结构与风险承担方也不同。
SaaS 企业平台
4 个产品个人 Agent
3 个产品开源自托管框架
1 个产品§07行业包
按产业线交付，而非交付一套裸平台
行业包 = 数据源声明 + 行业角色 + 工作流技能 + 安全策略，可签名分发。首发三条线。
法律 / 合规
法规与判例检索、司法与经营风险扫描、合规变动追踪。每条结论标注数据源可信度等级并给出处 —— 这个场景不容许「AI 说了算」。
制造业
面向 ERP 的自然语言问答与质量追溯。靠 schema 目录、字段释义字典、数据模型文档三件套接地，让字段名不再是天书。
金融 / 投资
尽调、投资备忘录、投后复盘、竞品与市场研究。采用对抗式复核 —— 编排、复核、唱反调三个角色互搏，而非单 Agent 自评。
§08平台规模
不是 PPT 产品
它是一个已被长期使用、反复迭代过的系统的对外发行形态。以下数字取自产品定义文档，均可核查。
- 迭代记录
- 289 个版本
- 持续演进而非新造
- 模型注册表
- 120 个模型
- 覆盖 13 家供应商
- 开放核扩展
- 78 个†
- 已在生产运行
- 行业数据源
- 36 个‡
- 已接入
- † 该计数按旧发行边界算，待重新核计。
- ‡ 该数据源的商务分发方案待定。
§10选型问答
常见问题
选型时最常被问到的 7 件事。答案只写到能核查的程度，不铺开承诺。
- 能部署在哪里？
- 四种形态：桌面单机、Headless 自托管、远程接入与云端执行。桌面单机把关系库、向量索引与 embedding 模型都放在本机；Headless 形态部署在你自己的基础设施上，浏览器接入。
- 能完全离线运行吗？
- 桌面单机形态可以：关系库、向量索引与 embedding 模型都在本机，可完全离线跑本地模型。这是本产品形态之间的差别，不代表其他部署形态也离线。
- 支持哪些模型？
- 网关层集中注册了一批模型条目与供应商适配，服务端统一选路、做预算护栏并归集用量。桌面单机形态下也可以跑本地模型。
- 怎么接我们自己的系统？
- 外部数据源以声明式 MCP 注册：每个源写清可见性、鉴权要求与是否只给子代理，按任务需要加载。现成行业数据源已在开放核范围内接入并验证。
- 权限、身份与审计怎么管？
- 四级能力开关（全局、项目、会话、@mention）覆盖四类对象，安全基线在工具调用点硬拦；组织侧提供多租户、组织级 RBAC、集中审计日志与 SSO / SCIM。
- 和通用 AI 平台差在哪？
- 同样的名字，取舍可以完全不同。逐项差异在首页的差异化一节，每一行都能在产品定义文档里找到出处。
- 怎么报价？
- 三档形态：试用、企业自持、行业包。企业自持按部署位置与治理要求报价，不以席位计价。具体方案请联系我们。