Orcha AI

0. 体验地址

🔗 在线体验：https://orcha.xuanmo.xin/

项目	信息
账号	test1
密码	test-orcha1

---

1. 项目概述

1.1 项目定位

Orcha AI 是一套面向企业级 AI 落地场景的 AI 执行编排平台。 它不是普通聊天机器人，也不是单一大模型问答系统，而是通过 AI 对话入口，把企业知识、业务系统、专业智能体、模型能力、工作流、任务中心、权限安全、日志审计等能力统一编排起来，让企业能够以自然语言方式安全、可控、可追踪地完成查询、生成、分析、调度和业务执行。

1.2 核心要解决的三大问题

问题	描述
会回答，但不会安全办事	大模型可以生成内容，但难以可靠调用企业系统、创建任务、触发流程或修改业务数据。
能接工具，但不可治理	单个 Agent / 工具调用可以跑通，但缺少权限、安全、确认、审计、重试、成本统计和跨系统追踪。
能做试点，但难规模化	企业知识、系统接口、模型、Agent、工作流、日志分散，缺少统一治理平台，导致 AI 项目停留在 Demo 或单点 Copilot。

1.3 解决方案：受控自主

Orcha AI 构建了一套 “AI 对话入口 + 能力治理 + 多智能体执行编排 + 知识中心 + 安全审计” 的企业 AI 操作系统级平台。

核心理念 —— 受控自主： AI 不是只能被动回答问题，也不是不受约束地自由操作系统，而是在平台允许的范围内拥有自主决策权。

• AI 可基于目标、上下文、能力、权限和运行状态，自主判断下一步应查询知识、读取已有系统、选择专业智能体、生成执行计划、调用能力或发起 Action Card。
• 所有写操作、敏感资源访问、外部系统调用和高风险动作 仍必须经过权限校验、确认和审计。

1.4 当前进展

项目已具备真实外部系统接入基础：探索云低代码平台 已作为 Orcha 的外部系统接入，目前已打通数据查询和图表统计能力，可作为首个“已有系统接入 AI 能力”的验证案例，用于支撑产品演示、意向客户试用和后续商业化样板。

---

2. 产品截图

---

3. 核心产品能力

Orcha AI 第一阶段形成 九个核心模块：

模块	核心职责
AI 对话	企业 AI 超级入口，支持问知识、查系统、生成内容、调用智能体、生成 Action Card
任务中心	管理业务任务、任务状态、执行记录、流转日志和成果物
流转中心	管理流程模板、React Flow 流程设计器、Runtime Graph、Execution 与队列
智能体中心	管理 Orcha 助手、专业智能体、模型绑定、执行方式、能力绑定和运行状态
知识中心	管理文件、知识资源、AI 成果、任务成果、知识检索、引用来源和上下文
能力中心	管理 Capability、Skill、Tool、Integration、MCP/连接器和已有系统接入
模型管理	管理模型供应商、模型配置、内部调用模型策略、Token 用量和价格规则
日志中心	聚合 AI 对话、模型调用、能力调用、Integration、任务、Execution、安全审计等日志
系统管理	管理用户、角色、权限、服务令牌、安全中心、密钥与系统设置

---

4. 技术可行性分析

用途	名称
产品品牌	Orcha AI
产品简称	Orcha
对外一句话	企业 AI 执行编排平台
技术定位	多智能体调度与执行编排平台

4.1 技术基础原理

Orcha AI 的技术基础由六层能力组成：

4.1.1 AI 对话入口层

AI 对话不是普通聊天页，而是企业已有系统接入 AI 能力的统一入口。 系统根据会话、权限、知识资源、已绑定能力和上下文，动态判断本轮应执行的操作：

• 自然语言问答与总结
• 文件、知识、系统记录的上下文组织
• @ 专业智能体与直接智能体运行
• 低风险内容直接生成 Artifact
• 写操作生成 Action Card 进行确认
• 必要时转入 Task / Workflow 执行闭环
• 展示“上下文与来源”，解释 AI 本轮回答依据

4.1.2 Orchestrator 执行编排层

Orchestrator 是平台执行核心，负责 Task、Execution、Queue、Runtime Node、ACK、Commit、Retry、Timeout、Pause、Resume、Cancel 等状态控制。

标准执行闭环：

1. Task 创建
2. 选择流程模板
3. 创建 Execution
4. 进入 Queue
5. 派发给 Agent / Executor
6. ACK 接单
7. running 执行中
8. Commit 提交结果
9. Orchestrator 决策下一步

关键概念说明：

概念	含义	示例
Agent	业务角色，表示谁来做	Orcha 助手、需求分析师、UI 设计师、测试智能体
Executor	执行方式，表示怎么做	LLM、OpenClaw、HTTP、Local、Manual、MCP
Model Provider	模型供应商	OpenAI-compatible、通义、智谱、本地模型
Model Config	某个模型调用配置	temperature、max_tokens、thinking、上下文长度等
Capability	系统声明出来能做什么	knowledge.search、document.generate、task.create
Skill	后端可执行能力实现	文档生成、流程草稿生成、知识检索、系统查询

该机制确保 AI 和智能体不是“自由执行”，而是在企业可管理流程中执行，每一次派发、接单、执行、失败、重试、成果提交都有记录。

4.1.3 Agent / Executor / Model 解耦层

Orcha AI 将 “谁来做”“怎么做”“用哪个模型” 拆开，带来以下优势：

1. 一个 Agent 可以更换模型而不影响业务流程
2. 一个能力可以绑定给多个智能体
3. 一个三方系统能力可以标准化为 Capability
4. 模型、工具、流程、权限、安全可以分别治理
5. 平台不会绑定某一个大模型或某一个 Agent 框架

4.1.4 能力中心与三方系统接入层

能力中心统一管理 Capability、Skill、Tool、Integration、MCP Server、连接器模板和已有系统接入。 MCP-First 策略：

1. 能用 MCP 接入的外部工具/资源/客户自定义系统，优先使用 MCP Server
2. 高频企业系统可使用官方连接器模板，如 Jenkins、Jira、GitLab、飞书、CRM 等
3. 简单 REST API 可用 HTTP 配置型连接器
4. 复杂系统可由客户或第三方部署 Remote Connector Service
5. 所有外部能力最终必须统一转为 Capability，并进入权限、安全、Action Card、日志和卡片协议治理

4.1.5 知识中心与 RAG 检索层

知识中心统一承载用户上传文件、AI 生成成果、任务成果、Execution 输出、已有系统查询结果等资源。

• chunk 是检索单位，不是回答单位
• 命中 chunk 后必须构建 Context Window
• AI 回答基于 Context Window，而不是孤立片段
• 用户侧展示 Citation 和资料来源，不展示 chunk、embedding、vector 等技术概念
• 检索结果必须经过权限过滤
• 引用来源可追溯到知识资源、文档位置、上下文窗口和查询日志

4.1.6 安全、权限与审计层

面向企业场景，必须解决 AI 执行中的安全问题：

机制	作用
RBAC 权限	判断用户能否进入模块、执行操作、调用能力
Policy Validator	在 AI 对话、Capability Run、Action Card 确认时统一裁决
Action Card	所有写操作必须用户确认，删除类操作使用危险确认
Sensitive Resource Policy	密钥、API Key、Token、凭证、连接串等敏感资源先拦截
SecretService	统一托管模型供应商密钥、Integration 凭证、Webhook Secret 等
Credential Resolver	运行时解析凭证，不让凭证进入 Prompt、Action Card、前端响应和日志
日志中心	聚合 AI 对话、模型调用、能力调用、任务执行、三方调用、安全审计等日志

---