qyyfw/AiPaas

0 Fork 0

Files

T

2026-07-27 09:21:01 +08:00

86 KiB

Raw Blame History

AI PaaS 平台 · Starred 项目分析报告 + 落地可执行方案

文档用途：本文件为 AI PaaS 平台（技能市场 + Agent 编排 + 多租户 SaaS）的技术决策与落地执行手册。
包含：(1) Starred 项目分层分析矩阵；(2) Open WebUI 深度架构拆解；(3) dashi-ppt-skill 平台化改造方案；(4) 平台技能开发标准规范。
目标读者：平台架构师、后端工程师、前端工程师、技能开发者、产品负责人。
适用阶段：MVP 开发 → 内测 → 公测 → 规模化运营。

第一部分：Starred 项目分层分析矩阵

1.1 总览：项目分层地图

以下项目不在同一抽象层，需分层理解后才能正确使用：

┌──────────────────────────────────────────────────────────────┐
│  L4  平台级产品（可直接对标平台形态）                         │
│  · Open WebUI · Octop · StaffDeck · Langflow                │
├──────────────────────────────────────────────────────────────┤
│  L3  架构/模式参考（设计理念值得借鉴）                       │
│  · OpenWorker · Goose · EigenFlux · Loop Engineering        │
├──────────────────────────────────────────────────────────────┤
│  L2  能力组件（可嵌入平台的具体能力）                        │
│  · Meilisearch · FAISS · Semantica · txtai                 │
│  · TreeSearch · Agent-Reach · Next-AI-Draw-IO · HyperFrames │
├──────────────────────────────────────────────────────────────┤
│  L1  技能/Skill 模板（可上架到技能市场）                     │
│  · baoyu-skills · marketing-skills · dashi-ppt-skill       │
│  · equity-research-skill · hue · ai-job-search             │
├──────────────────────────────────────────────────────────────┤
│  L0  设计基础设施（UI 体系支撑）                             │
│  · Astryx · OpenCut                                         │
└──────────────────────────────────────────────────────────────┘

1.2 第一梯队：值得借鉴（架构/模式/产品哲学）

1.2.1 Open WebUI

链接：https://github.com/open-webui/open-webui
定位：本地优先、模型无关、多用户 AI 交互平台。146K+ Stars。
借鉴点：
- RBAC 用户组体系：角色分级（Admin/User/Pending），用户组权限继承，模型/技能按组分配。
- 9 种向量数据库可插拔：Chroma / PGVector / Qdrant / Milvus / Elasticsearch / OpenSearch / Neptune / GraphRAG / None。后端抽象统一，切换零代码。
- RAG 混合检索：BM25 全文 + 向量相似度 + Rerank 重排序，三阶段管线。
- Token 用量分析仪表盘：按用户/模型/时间维度的消耗统计，直接对应本平台的"Token 驾驶舱"。
- 模型 Arena：A/B 对比测试，用户投票选择最佳回答。
- 插件体系：Filters（请求/响应拦截）/ Actions（事件触发）/ Pipes（模型路由）/ Tools（函数调用）/ Skills（提示词模板），五类插件覆盖全链路。
- 企业认证：LDAP / SSO / SCIM / OAuth2，开箱即用。
对本平台的直接映射：本平台的后台管理、模型路由、知识库 RAG、技能插件、Token 计量几乎可以在 Open WebUI 的架构上做"减法 + 多租户外化"。

1.2.2 Octop（腾讯云）

链接：https://github.com/TencentCloud/Octop
定位：多用户、多 Agent 的自托管 AI 助手平台。
借鉴点：
- IM 集成架构：飞书 / 钉钉 / QQ / 企微 / Discord 的统一接入层，每种 IM 抽象为"消息收发器 + 事件处理器"。
- ACP 双向集成：既能被外部工具调用（作为 Agent），也能委派任务给 Claude Code / Codex（作为编排器）。
- 单进程部署：轻量启动，适合中小团队。
对本平台的直接映射：本平台的"IM Bot"模块（微信 Bot / 企微 / 飞书 / QQ / 悟空 IM）应直接参考 Octop 的 IM 抽象层设计。

1.2.3 StaffDeck（OpenBMB）

链接：https://github.com/OpenBMB/StaffDeck
定位：企业数字员工平台——把员工经验、业务流程、决策标准变成可复用、可演进、可追溯的数字员工。
借鉴点：
- 数字员工 = 技能包 + 知识库 + 工作流的三元组模型。
- 市场资源权限保护：技能上架后可设"复制绑定"，防止未授权分发。
- 可演进机制：数字员工在执行中积累经验，自动更新知识库。
对本平台的直接映射：本平台的"技能市场 + 知识库 + Agent 编排"三合一的产品形态，与 StaffDeck 高度一致。其"市场授权模型"可直接用于本平台的技能版权保护。

1.2.4 OpenWorker（Andrew Ng）

链接：https://github.com/andrewyng/openworker
定位：本地优先、模型无关、交付成品（而非聊天）的桌面 AI 同事。
借鉴点：
- 四级风险审批模型：read / write_local / exec / external，每级默认行为明确。
- 无人值守收件箱：Agent 遇到需确认操作时入队，等待用户回来审批，不擅自提权。
- aisuite 引擎：统一多厂商 chat-completions API，模型字符串即插即用。
- "要结果不要答案"哲学：产品设计核心是交付成品文件/邮件/日历变更。
对本平台的直接映射：本平台的 Agent 执行沙箱、敏感操作审批流、模型路由层应直接采用此设计。

1.2.5 Loop Engineering

链接：https://github.com/cobusgreyling/loop-engineering
定位：AI Agent 循环工程的模式库与 CLI 工具集。
借鉴点：
- 核心范式转变：从"写 prompt"到"设计 loop"——给 Agent 一个目标、一组工具、一个终止条件，让它自治运行。
- Verifier Skills：每个 loop 配一个验证器，判断目标是否达成。
- Goal Audit CLI：审计 loop 执行轨迹，复盘决策路径。
对本平台的直接映射：本平台的"Agent 编排引擎"应内置 loop 原语，技能开发者只需声明目标 + 工具集 + 验证条件。

1.2.6 EigenFlux

链接：https://github.com/phronesis-io/eigenflux
定位：Agent 间广播网络——Agent 既广播也监听，AI 引擎做治理和匹配。
借鉴点：
- 去中心化 Agent 通信：Agent 发布能力声明，网络自动匹配调用方与被调用方。
- 治理层：速率限制、权限校验、调用审计集中在网络层。
对本平台的直接映射：未来"技能间协作"和"Agent 市场互发现"的通信协议参考。

1.3 第二梯队：直接参考价值（能力组件）

1.3.1 Meilisearch

链接：https://github.com/meilisearch/meilisearch
定位：Rust 编写的闪电级搜索引擎，支持 AI 混合搜索。58K+ Stars。
参考价值：
- sub-50ms 搜索延迟，内置中文分词（jieba），BM25 + 向量混合搜索。
- 租户令牌（Tenant Tokens）：天然适配多租户数据隔离，可在令牌中嵌入过滤规则。
- 过滤 / 分面搜索 / 排序规则：完美匹配技能市场"按分类/场景/下载量筛选"。
落地建议：作为本平台技能市场搜索、应用服务检索、平台内容 SEO 索引的首选搜索引擎。

1.3.2 FAISS（Facebook Research）

链接：https://github.com/facebookresearch/faiss
定位：密集向量高效相似度搜索与聚类算法库。40K+ Stars。
参考价值：
- GPU 加速的十亿级向量检索。
- HNSW / IVF 多种索引算法可选。
局限性：只是"发动机"，不负责多租户、元数据过滤、事务、权限。
落地建议：当向量规模超过 PGVector/Meilisearch 舒适区（千万级+）时引入，作为底层检索引擎嵌入自建记忆服务。

1.3.3 Semantica

链接：https://github.com/semantica-agi/semantica
定位：图原生上下文 + 审计合规基础设施。1.4K Stars。
参考价值：
- W3C PROV-O 溯源：每次决策可追溯到数据来源。
- 决策生命周期管理：草稿 → 验证 → 生效 → 过期。
- 冲突检测与因果推理。
落地建议：当平台服务金融 / 医疗 / 法律等受监管行业时引入，作为"可解释 AI + 审计轨迹"合规层。

1.3.4 txtai

链接：https://github.com/neuml/txtai
定位：一体化语义搜索 + LLM 编排框架。12.7K Stars。
参考价值：
- Embeddings 数据库 = 向量索引 + 图网络 + 关系数据库三合一。
- 比 FAISS 更高层抽象，但仍需自行封装多租户。
落地建议：如需自建记忆/检索服务且团队 Python 技术栈强，可基于 txtai 快速搭建。

1.3.5 TreeSearch

链接：https://github.com/shibing624/TreeSearch
定位：零向量、零 API 的结构化文档树检索。FTS5 + 文档树解析。
参考价值：
- 毫秒级搜索万级文档，无 Embedding 开销。
- 适合代码仓库、结构化文档、平台帮助中心。
落地建议：作为平台"代码类技能检索"和"帮助文档搜索"的轻量补充。

1.3.6 Agent-Reach

链接：https://github.com/Panniantong/Agent-Reach
定位：给 Agent 装上互联网能力（Twitter / Reddit / YouTube / GitHub / B站 / 小红书）。60K+ Stars。
参考价值：
- 能力层路由设计：选型 / 安装 / 体检 / 路由分离。
- 零 API 费用（利用公开接口）。
落地建议：本平台"技能依赖管理"和"外部数据源接入"的架构参考。

1.3.7 Goose（AAIF）

链接：https://github.com/aaif-goose/goose
定位：跨平台桌面 AI Agent，Rust 编写，15+ 模型供应商 + 70+ MCP 扩展。51K+ Stars。
参考价值：
- 模型供应商抽象：统一接口适配多厂商。
- MCP 扩展机制：技能即 MCP Server，动态加载。
落地建议：本平台"模型路由 + MCP 技能扩展"的参考实现。

1.3.8 Next AI Draw-IO

链接：https://github.com/DayuanJiang/next-ai-draw-io
定位：自然语言生成流程图 / 架构图，MCP 集成。33K+ Stars。
参考价值：
- draw.io XML 生成 + 多模型适配。
- 架构图 / 流程图 / 思维导图的自然语言驱动。
落地建议：本平台"可视化技能"（架构图生成、流程图生成）的实现参考。

1.3.9 HyperFrames（HeyGen）

链接：https://github.com/heygen-com/hyperframes
定位：HTML → MP4 确定性视频渲染。37K+ Stars。
参考价值：
- headless Chrome + FFmpeg 渲染管线。
- 支持 GSAP / Three.js / Lottie 动画。
落地建议：本平台"视频类技能"（短视频生成、课件录屏）的渲染管线参考。

1.3.10 Astryx（Facebook）

链接：https://github.com/facebook/astryx
定位：Meta 8 年沉淀、13000+ 应用验证的设计系统。10K+ Stars。
参考价值：
- 150+ 组件、品牌级主题引擎、暗色模式、AI Agent 友好。
落地建议：本平台 UI 设计系统的底座参考，尤其适合"科技感 + 护眼亮色"诉求。

1.4 第三梯队：可运行参考实现（可上架技能）

1.4.1 dashi-ppt-skill

链接：https://github.com/chuspeeism/dashi-ppt-skill
定位：AI 生成带浏览器编辑控制台的 PPT，支持 20+ 维度调节，一键导出 PPTX/PDF。4K+ Stars。
上架价值：本平台"办公提效"定位的标杆技能。详见第三部分完整改造方案。

1.4.2 baoyu-skills

链接：https://github.com/JimLiu/baoyu-skills
定位：20+ 内容创作技能合集（封面图 / 信息图 / SVG / 漫画 / 小红书卡片 / 幻灯片）。24K+ Stars。
上架价值：本平台"内容创作专区"的现成货架。其 SKILL.md 规范值得作为平台统一技能开发标准的参考。

1.4.3 marketing-skills

链接：https://github.com/coreyhaines31/marketingskills
定位：SEO / CRO / 增长营销技能集。41K+ Stars。
上架价值：包含 SEO 技能，直接对应本平台"全平台适合 SEO 和 GEO 搜索"的需求。

1.4.4 equity-research-skill

链接：https://github.com/rollingSirius/equity-research-skill
定位：九章个股研报 + 九章财报分析 + 脚本化 DCF/EPV 估值 + Beneish M-Score 财务质量核查。174 Stars。
上架价值："垂直专业技能"标杆——证明平台可承载高价值、可审计、可复算的专业技能。

1.4.5 ai-job-search

链接：https://github.com/MadsLorentzen/ai-job-search
定位：AI 求职框架——自评 / 搜职位 / 改简历 / 写求职信 / 面试准备，drafter-reviewer 双 Agent。26K+ Stars。
上架价值："工作流编排 + 多 Agent 协作"的参考实现，可改造成"职场提效技能包"。

1.4.6 hue

链接：https://github.com/dominikmartn/hue
定位：从 URL / 名称 / 截图学习任意品牌，输出完整设计系统。765 Stars。
上架价值：辅助本平台自身的 UI 设计系统生成与迭代。

1.4.7 OpenCut

链接：https://github.com/OpenCut-app/OpenCut
定位：开源版 CapCut。78K+ Stars。
上架价值：视频编辑能力的参考实现，可作为"视频创作技能市场"的技术底座。

1.5 落地建议总表

架构层（借鉴 + 参考实现）

本平台模块	参考项目	行动
整体架构对标	Open WebUI	深度研究 RBAC / 向量库可插拔 / RAG 管线 / Token 仪表盘
IM Bot 模块	Octop	参考飞书/钉钉/QQ/企微/Discord 集成架构
Agent 编排引擎	Loop Engineering + OpenWorker	把"prompt 工程"升级为"loop 工程"，加入四级风险审批
模型路由层	aisuite（OpenWorker 引擎）	模型无关的统一 chat-completions API
设计系统	Astryx	150+ 组件 + 品牌主题 + 亮暗双模

能力层（集成或自建）

本平台能力	技术方案
搜索 / SEO / GEO	Meilisearch（中文分词 + 混合搜索 + 租户令牌）
向量检索	PGVector（先上）→ Qdrant / Milvus（规模上来后）
知识图谱 / 审计	Semantica（受监管行业场景）
文档检索补充	TreeSearch（轻量、零依赖）
互联网数据源	Agent-Reach 的路由设计
可视化 / 视频	Next AI Draw-IO + HyperFrames

技能市场上架（第一批真实内容）

技能来源	上架为
dashi-ppt-skill	"AI 写 PPT"技能
baoyu-skills	"内容创作工具箱"技能包
marketing-skills	"SEO 优化助手"+"营销文案生成"技能
equity-research-skill	"AI 投研报告"专业技能
ai-job-search	"智能求职助手"工作流技能

第二部分：深度拆解 Open WebUI 架构

2.1 拆解目标与方法论

目标：将 Open WebUI 的架构逐层拆解，提取可复用于本 AI PaaS 平台的设计模式与代码范式。

方法论：

静态分析：目录结构、模块依赖、配置项
动态分析：请求生命周期、事件流、数据流
模式提取：认证、路由、插件、RAG、计量

2.2 整体架构拓扑

                         ┌───────────────────┐
                         │   用户浏览器       │
                         │  (Web UI / PWA)   │
                         └────────┬──────────┘
                                  │ HTTPS
                         ┌────────▼──────────┐
                         │  Nginx 反向代理    │
                         │  (TLS / 负载均衡)  │
                         └────────┬──────────┘
                                  │
                         ┌────────▼──────────┐
                         │  FastAPI 后端     │
                         │  (Python 异步)    │
                         └─┬──┬──┬──┬──┬──┬─┘
                           │  │  │  │  │  │
              ┌────────────┘  │  │  │  │  └────────────┐
              │               │  │  │  │               │
     ┌────────▼────┐  ┌──────▼──┐│  │  │  ┌──────────▼──────┐
     │ 认证模块    │  │ RBAC    ││  │  │  │ 插件引擎         │
     │ JWT/OAuth2 │  │ 用户组   ││  │  │  │ Filters/Actions │
     └─────────────┘  └─────────┘│  │  │  │ Pipes/Tools     │
                                │  │  │  └─────────────────┘
                       ┌────────▼──┐│  │
                       │ 模型路由  ││  │
                       │ Pipe/Proxy││  │
                       └────────┬──┘│  │
                                │   │  │
                  ┌─────────────┘   │  │
                  │                 │  │
         ┌────────▼────┐   ┌────────▼──┐
         │ 供应商适配  │   │ RAG 引擎  │
         │ OpenAI/     │   │ 混合检索  │
         │ Anthropic/  │   │ BM25+Vec  │
         │ Google/...  │   │ +Rerank   │
         └─────────────┘   └────┬─────┘
                                │
                  ┌─────────────┤
                  │             │
         ┌────────▼────┐  ┌─────▼──────┐
         │ 向量数据库  │  │ 文档存储   │
         │ Chroma/     │  │ SQLite/    │
         │ Qdrant/     │  │ S3/本地    │
         │ PGVector/...│  │            │
         └─────────────┘  └────────────┘

         ┌──────────────────────────────┐
         │ 持久化层                     │
         │ SQLite（默认）/ PostgreSQL   │
         │ + 可选 S3 兼容对象存储       │
         └──────────────────────────────┘

2.3 核心子系统逐一拆解

2.3.1 认证与多租户体系（RBAC + SSO）

Open WebUI 实现：

认证方式：
- 本地账号（bcrypt 密码哈希）
- OAuth2（Google / GitHub / Microsoft / 自定义 OIDC）
- LDAP / Active Directory
- SSO / SAML（企业版）

角色模型：

Admin（管理员）
  ├── 用户管理（创建/禁用/重置密码）
  ├── 模型管理（启用/禁用/配额）
  ├── 技能/插件管理（审核/上下架）
  └── 系统设置（全局配置）

User（普通用户）
  ├── 个人对话
  ├── 个人知识库
  ├── 个人技能库
  └── API Key 管理

Pending（待审核）
  └── 注册后等待管理员批准

用户组（Groups）：
- 用户可属于多个组
- 组级权限：可访问的模型列表、可使用的技能列表、知识库共享
- 组级配额：Token 上限、文件上传大小、对话轮次
关键代码模式：

# backend/open_webui/models/auths.py
class Auths:
    # JWT 签发
    def insert_signin_token(self, user_id: str, token_type: str = "access"):
        # 生成 JWT，包含 user_id + role + group_ids
        ...

    # 权限校验装饰器
    def requires("role", ["admin", "user"]):
        def decorator(func):
            @wraps(func)
            async def wrapper(*args, **kwargs):
                token = kwargs.get("token")
                payload = decode_token(token)
                if payload["role"] not in roles:
                    raise HTTPException(403)
                return await func(*args, **kwargs)
            return wrapper
        return decorator

对本平台的映射：

Open WebUI	本平台对应
Admin / User / Pending	超级管理员 / 技能开发者 / 普通用户 / 待认证企业用户
Groups（用户组）	租户（Tenant）+ 工作区（Workspace）
组级模型配额	Token 驾驶舱的配额管理
LDAP / SSO	企业微信 / 飞书 SSO 接入

2.3.2 模型路由与供应商抽象层

Open WebUI 实现：

统一接口：所有模型供应商适配为 OpenAI 兼容的 chat-completions API
Pipe 机制：可编写自定义路由逻辑（如 A/B 测试、负载均衡、降级策略）
模型注册表：

# backend/open_webui/models/models.py
class Model:
    id: str           # 模型唯一标识
    name: str         # 显示名称
    base_model_id: str # 底层模型（如 gpt-4o）
    provider: str     # openai / anthropic / google / ollama
    context_length: int
    pricing: dict     # 输入/输出 Token 单价
    capabilities: list # tool_call / vision / streaming

Pipe 示例（模型路由）：

# 自定义 Pipe：按用户等级路由到不同模型
class TieredModelRouter:
    def __init__(self):
        self.free_tier_model = "gpt-4o-mini"
        self.pro_tier_model = "gpt-4o"
        self.enterprise_tier_model = "claude-3.5-sonnet"

    async def pipe(self, body: dict, user: dict) -> str:
        tier = user.get("subscription_tier", "free")
        model_map = {
            "free": self.free_tier_model,
            "pro": self.pro_tier_model,
            "enterprise": self.enterprise_tier_model,
        }
        body["model"] = model_map.get(tier, self.free_tier_model)
        return await self._proxy_to_provider(body)

对本平台的映射：

本平台的"模型路由层"应直接采用 Pipe 模式
结合 OpenWorker 的 aisuite，实现 13+ 供应商统一抽象
在路由层加入"Token 配额检查"和"成本控制"

2.3.3 RAG 管线与向量检索引擎

Open WebUI 实现（三阶段管线）：

用户提问
   │
   ▼
┌──────────────┐
│ 1. 查询重写   │ ← LLM 将用户问题改写为更适合检索的形式
└──────┬───────┘
       │
       ▼
┌──────────────────────────────────────┐
│ 2. 混合检索                          │
│   ├── BM25 全文检索（关键词匹配）     │
│   ├── 向量相似度检索（语义匹配）      │
│   └── 结果融合（RRF 倒数排名融合）    │
└──────┬───────────────────────────────┘
       │
       ▼
┌──────────────┐
│ 3. Rerank    │ ← Cross-Encoder 精排，Top K 重排序
└──────┬───────┘
       │
       ▼
┌──────────────┐
│ 4. 上下文组装 │ ← 将 Top N 文档拼入 Prompt
└──────┬───────┘
       │
       ▼
   LLM 生成回答

关键配置项：

# config.yaml
rag:
  enable: true
  embedding_model: "text-embedding-3-large"
  vector_db: "pgvector"  # chroma/qdrant/milvus/pgvector
  chunk_size: 1500
  chunk_overlap: 200
  retrieval:
    top_k: 10
    bm25_weight: 0.4
    vector_weight: 0.6
    rrf_k: 60
  rerank:
    enable: true
    model: "bge-reranker-v2-m3"
    top_n: 5

对本平台的映射：

知识库模块直接采用此三阶段管线
向量库首选 PGVector（与 PostgreSQL 统一部署）
重排序模型部署为独立微服务

2.3.4 插件/技能扩展体系

Open WebUI 的五类插件：

插件类型	触发时机	典型用途
Filters	请求发出前 / 响应返回后	敏感词过滤、Token 计量、日志审计
Actions	特定事件发生时	对话创建时通知、消息发送后存档
Pipes	模型调用时	模型路由、负载均衡、降级
Tools	Agent 调用工具时	搜索、计算、文件操作
Skills	对话中触发	提示词模板、工作流预设

插件目录结构：

open_webui/plugins/
├── filters/
│   ├── token_counter.py
│   └── content_moderation.py
├── actions/
│   └── notify_slack.py
├── pipes/
│   └── tiered_router.py
├── tools/
│   └── web_search.py
└── skills/
    └── code_reviewer/
        ├── SKILL.md
        └── prompt.txt

对本平台的映射：

本平台的"技能市场"对应 Open WebUI 的 Skills + Tools
本平台的"Filters"用于 Token 计量和审计日志
本平台的"Actions"用于 IM Bot 消息推送

2.5 Token 驾驶舱与用量计量

Open WebUI 实现：

实时计量：每次模型调用后，Filter 拦截响应，提取 usage 字段
存储：写入 chat_history 表 + 聚合到 usage_stats 表
仪表盘：按用户 / 模型 / 时间维度的消耗统计

# backend/open_webui/main.py
@app.post("/api/chat/completions")
async def chat_completion(body: dict, user: User):
    # 调用模型
    response = await provider.chat_completions(body)

    # Filter: 计量
    usage = response.get("usage", {})
    await log_token_usage(
        user_id=user.id,
        model=body["model"],
        input_tokens=usage.get("prompt_tokens", 0),
        output_tokens=usage.get("completion_tokens", 0),
        cost=calculate_cost(body["model"], usage)
    )

    return response

对本平台的映射：

直接复用此 Filter 模式
扩展为"实时配额检查"（调用前检查余额，调用后扣减）
仪表盘增加"近 30 天消耗趋势图""模型分布饼图"

2.6 管理后台与审计

Open WebUI 管理后台功能：

用户管理（列表 / 搜索 / 禁用 / 重置密码 / 调整配额）
模型管理（启用 / 禁用 / 编辑参数 / 设置可见性）
技能管理（审核 / 上下架 / 查看安装量）
系统设置（全局参数 / 认证方式 / 存储配置）
日志查看（对话日志 / 操作日志 / 审计日志）

对本平台的映射：

本平台后台"数据驾驶舱"在 Open WebUI 基础上增加业务指标（订阅收入、技能交易额）
审计日志增加"技能执行轨迹"和"Agent 决策路径"

2.7 对照映射：Open WebUI 模块 → 本平台模块

Open WebUI 模块	本平台对应模块	差异说明
用户管理	用户管理 + 会员订阅	本平台增加付费订阅体系
模型管理	AI 技能中心 → 大模型库	本平台增加模型标签体系
知识库（RAG）	知识库	本平台增加多租户隔离 + 企业知识库共享
技能/插件	技能市场 + 应用服务	本平台增加交易变现、分润、版权保护
Token 计量	Token 驾驶舱	本平台增加成本分析、预算告警
对话历史	AI 聊天 + 进化看板	本平台增加对话进化追踪
管理后台	后台全模块	本平台增加商业变现、运营推广
Pipe 路由	模型路由层	本平台增加技能路由
Filter 链	审计 + 风控	本平台增加合规审查

2.8 可直接复用的代码/模式清单

模式	来源模块	复用方式
JWT + 角色装饰器	`models/auths.py`	直接移植，扩展租户字段
Pipe 路由框架	`pipes/`	移植框架，重写路由策略
Filter 拦截链	`filters/`	移植框架，增加计量/审计 Filter
RAG 三阶段管线	`rag/`	移植管线，替换向量库为 PGVector
插件动态加载	`plugins/`	移植加载器，适配技能市场
Token 计量 Filter	`main.py`	直接复用
用户组权限	`models/users.py`	扩展为租户 + 工作区
模型注册表	`models/models.py`	扩展标签体系和定价

第三部分：dashi-ppt-skill 平台化改造方案

3.1 改造目标

将 dashi-ppt-skill（开源 AI 生成 PPT 技能）改造为符合本 AI PaaS 平台规范的平台原生技能，实现：

平台化接入：通过统一 Skill API 注册到技能市场
多租户隔离：每个用户的文档/模板/配置独立存储
配额与计费：按生成次数/Token 消耗计量，对接平台会员体系
浏览器端编辑：保留原项目的浏览器控制台编辑能力
可上架可交易：符合平台技能审核标准，支持订阅/单次付费

3.2 原项目能力盘点

能力	实现方式	平台化改造点
文档 → PPT 生成	LLM 解析文档 → 生成 HTML 幻灯片	接入平台模型路由层
20+ 维度样式调节	浏览器侧控制台实时修改 CSS 变量	改为平台统一编辑器组件
9 种切换动画	CSS animation + JS 控制	保留，封装为平台动画库
图表版式	Chart.js / ECharts 集成	接入平台数据可视化模块
分析模型版式	预置 SWOT/PEST/4P 等模板	扩展为平台模板市场
导出 PPTX	html2pptx 转换	保留
导出 PDF	headless Chrome 渲染	保留
浏览器内编辑	原地编辑 + 实时预览	集成平台编辑器

3.3 平台化改造架构

┌─────────────────────────────────────────────────────────┐
│  平台技能市场 → 用户点击"使用" → 创建技能实例            │
└────────────────────┬────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│  Skill Runtime（平台技能运行时）                        │
│  ├── 鉴权：验证用户订阅/配额                            │
│  ├── 计费：预扣 Token + 生成次数                        │
│  ├── 隔离：创建工作区（用户 ID + 技能 ID + 实例 ID）     │
│  └── 编排：调用 dashi-ppt-skill 的 API                  │
└────────────────────┬────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│  dashi-ppt-skill 适配层（改造后的入口）                  │
│  ├── /api/generate      POST 生成 PPT                   │
│  ├── /api/edit          POST 编辑幻灯片                 │
│  ├── /api/export/pptx   GET  导出 PPTX                  │
│  ├── /api/export/pdf    GET  导出 PDF                   │
│  └── /api/templates     GET  获取模板列表               │
└────────────────────┬────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│  存储层（多租户隔离）                                   │
│  ├── PGVector：幻灯片 Embedding（用于模板推荐）          │
│  ├── S3/对象存储：用户上传的文档/图片/生成产物          │
│  └── PostgreSQL：技能实例状态、版本历史                  │
└─────────────────────────────────────────────────────────┘

3.4 SKILL.md 规范定义

# SKILL.md — dashi-ppt-skill v1.0.0
name: dashi-ppt
display_name: "AI 智能 PPT 生成器"
version: "1.0.0"
author:
  name: "Dashibase"
  url: "https://github.com/chuspeeism/dashi-ppt-skill"
  license: "MIT"

description: |
  上传文档或输入主题，AI 自动生成可编辑的专业 PPT 演示文稿。
  支持 20+ 维度样式调节、9 种切换动画、图表版式、分析模型版式，
  一键导出 PPTX / PDF。

category: "办公提效"
tags: ["ppt", "presentation", "office", "文档生成", "可视化"]

# 能力声明
capabilities:
  - text_to_presentation
  - document_to_presentation
  - template_based_generation
  - browser_inline_editing
  - chart_slide
  - analysis_model_slide  # SWOT/PEST/4P

# 输入输出规范
inputs:
  - name: "source_text"
    type: "string"
    description: "源文本内容（文档全文或主题描述）"
    required: false
  - name: "source_file"
    type: "file"
    description: "上传的文档文件（PDF/DOCX/MD）"
    required: false
  - name: "template_id"
    type: "string"
    description: "模板 ID，不填则自动选择"
    required: false
  - name: "slide_count"
    type: "integer"
    description: "目标页数，默认 10"
    required: false
    default: 10

outputs:
  - name: "slides_html"
    type: "html"
    description: "可编辑的 HTML 幻灯片"
  - name: "pptx_url"
    type: "url"
    description: "导出的 PPTX 文件下载链接"
  - name: "pdf_url"
    type: "url"
    description: "导出的 PDF 文件下载链接"

# 资源消耗声明
resource:
  model_calls: 3          # 生成一次 PPT 平均调用 3 次模型
  estimated_tokens: 8000   # 平均 Token 消耗
  storage_mb: 5           # 平均存储占用

# 权限声明
permissions:
  - read:workspace        # 读取用户工作区文件
  - write:workspace       # 写入生成的文件
  - exec:model_api        # 调用模型 API

# 依赖
dependencies:
  models: ["gpt-4o", "claude-3.5-sonnet"]
  libraries: ["chart.js", "html2pptx"]

# 定价
pricing:
  model: "subscription"   # subscription / pay_per_use / free
  tier_required: "pro"    # free / pro / enterprise
  pay_per_use:
    tokens_per_generation: 8000
    extra_storage_mb: 5

3.5 API 适配层设计

3.5.1 统一入口

# skill_adapter/app.py
from fastapi import FastAPI, Depends, HTTPException
from pydantic import BaseModel

app = FastAPI(title="dashi-ppt-skill Adapter")

class GenerateRequest(BaseModel):
    source_text: str | None = None
    source_file_url: str | None = None
    template_id: str | None = None
    slide_count: int = 10
    style_preferences: dict | None = None

class SkillContext(BaseModel):
    user_id: str
    tenant_id: str
    subscription_tier: str
    quota_remaining: int

@app.post("/api/generate")
async def generate_ppt(
    req: GenerateRequest,
    ctx: SkillContext = Depends(verify_skill_access)  # 平台鉴权
):
    # 1. 配额预检查
    if ctx.quota_remaining <= 0:
        raise HTTPException(402, "配额不足，请升级会员")

    # 2. 创建工作区
    workspace = await create_workspace(
        tenant_id=ctx.tenant_id,
        user_id=ctx.user_id,
        skill="dashi-ppt",
        instance_id=generate_uuid()
    )

    # 3. 下载源文件（如有）
    if req.source_file_url:
        file_path = await download_to_workspace(req.source_file_url, workspace)

    # 4. 调用原项目核心逻辑
    result = await dashi_generate(
        text=req.source_text,
        file=file_path,
        template=req.template_id,
        slide_count=req.slide_count,
        model=select_model_for_tier(ctx.subscription_tier),  # 按会员等级选模型
        workspace=workspace
    )

    # 5. 后处理：生成预览图、存储产物
    preview_url = await generate_preview(result.html, workspace)
    pptx_url = await export_pptx(result.html, workspace)
    pdf_url = await export_pdf(result.html, workspace)

    # 6. 扣减配额 + 记录计量
    await deduct_quota(ctx.user_id, tokens=result.tokens_used)
    await log_skill_usage(
        user_id=ctx.user_id,
        skill="dashi-ppt",
        tokens=result.tokens_used,
        duration_ms=result.duration_ms
    )

    return {
        "instance_id": workspace.instance_id,
        "preview_url": preview_url,
        "pptx_url": pptx_url,
        "pdf_url": pdf_url,
        "tokens_used": result.tokens_used,
        "slides_html": result.html
    }

3.5.2 模型路由集成

def select_model_for_tier(tier: str) -> str:
    """按会员等级选择最优模型"""
    tier_model_map = {
        "free": "gpt-4o-mini",           # 快速但便宜
        "pro": "gpt-4o",                  # 高质量
        "enterprise": "claude-3.5-sonnet" # 最强推理
    }
    return tier_model_map.get(tier, "gpt-4o-mini")

3.6 多租户隔离与配额

3.6.1 工作区隔离

/workspace/
├── {tenant_id}/
│   ├── {user_id}/
│   │   ├── dashi-ppt/
│   │   │   ├── {instance_id}/
│   │   │   │   ├── source/       # 用户上传的源文件
│   │   │   │   ├── output/       # 生成的产物
│   │   │   │   ├── preview.png   # 预览图
│   │   │   │   └── meta.json     # 实例元数据
│   │   │   └── {instance_id}/
│   │   │       └── ...
│   │   └── other-skills/
│   └── another-user/
└── shared/
    └── templates/                  # 平台共享模板

3.6.2 配额策略

会员等级	每日生成次数	单次最大页数	可用模型	存储空间
Free	3 次	10 页	gpt-4o-mini	50 MB
Pro	50 次	30 页	gpt-4o	2 GB
Enterprise	无限	100 页	全部	20 GB

3.6.3 数据库 Schema

-- 技能实例表
CREATE TABLE skill_instances (
    id UUID PRIMARY KEY,
    tenant_id UUID NOT NULL,
    user_id UUID NOT NULL,
    skill_name TEXT NOT NULL,       -- 'dashi-ppt'
    version TEXT NOT NULL,          -- '1.0.0'
    status TEXT NOT NULL,           -- 'generating'/'ready'/'failed'/'archived'
    input_meta JSONB,               -- 输入参数快照
    output_meta JSONB,              -- 输出产物路径
    tokens_used INTEGER DEFAULT 0,
    duration_ms INTEGER DEFAULT 0,
    created_at TIMESTAMP DEFAULT NOW(),
    updated_at TIMESTAMP DEFAULT NOW()
);

-- 配额表
CREATE TABLE user_quotas (
    user_id UUID PRIMARY KEY,
    skill_name TEXT NOT NULL,
    daily_limit INTEGER NOT NULL,
    daily_used INTEGER DEFAULT 0,
    last_reset DATE DEFAULT CURRENT_DATE,
    total_storage_mb INTEGER DEFAULT 0,
    max_storage_mb INTEGER NOT NULL
);

-- RLS 策略：用户只能访问自己的实例
ALTER TABLE skill_instances ENABLE ROW LEVEL SECURITY;
CREATE POLICY tenant_isolation ON skill_instances
    USING (tenant_id = current_setting('app.current_tenant')::UUID);

3.7 上架清单与验收标准

3.7.1 上架检查清单

SKILL.md 完整填写（名称/版本/作者/描述/输入输出/权限/定价）
通过平台安全沙箱扫描（无恶意代码、无硬编码密钥）
资源消耗声明准确（模型调用次数、Token 估算、存储占用）
多租户隔离验证通过（A 用户无法访问 B 用户的产物）
配额扣减正确（预扣 → 实际使用 → 多退少补）
错误处理完善（模型超时/文件过大/格式不支持）
导出功能正常（PPTX/PDF 格式兼容主流办公软件）
预览图生成正常
平台编辑器可正常编辑生成的幻灯片
审计日志记录完整（谁/何时/用什么参数/生成了什么）

3.7.2 验收测试用例

test_cases:
  - name: "基础生成-文本输入"
    input: { source_text: "介绍量子计算的基本原理和应用前景", slide_count: 8 }
    expect:
      slides_count: 8
      has_title_slide: true
      has_content_slides: true
      tokens_used: "<= 10000"

  - name: "文档上传-PDF"
    input: { source_file: "report.pdf", slide_count: 15 }
    expect:
      slides_count: 15
      content_from_pdf: true
      pptx_exportable: true

  - name: "模板选择"
    input: { source_text: "2026年营销计划", template_id: "business_blue" }
    expect:
      template_applied: "business_blue"
      style_consistent: true

  - name: "配额超限"
    setup: { daily_used: 50, daily_limit: 50 }
    expect:
      status_code: 402
      error: "配额不足"

  - name: "多租户隔离"
    setup:
      user_a: { tenant: "T1", generate: true }
      user_b: { tenant: "T2", try_access: "user_a_instance" }
    expect:
      user_b_status: 403

3.8 改造排期（2 周落地）

天数	任务	产出
D1-D2	原项目代码审计 + 依赖分析	审计报告 + 改造方案确认
D3-D4	搭建适配层框架 + 平台鉴权对接	可运行的 /api/generate 骨架
D5-D6	移植核心生成逻辑 + 模型路由集成	文本→PPT 端到端跑通
D7-D8	多租户工作区 + 文件存储隔离	隔离验证通过
D9-D10	配额系统 + 计量日志 + 计费对接	配额扣减正确
D11	导出功能适配（PPTX/PDF）+ 预览图	导出验证通过
D12	平台编辑器集成 + 样式调节适配	浏览器内可编辑
D13	测试 + 安全扫描 + 性能压测	测试报告
D14	上架到技能市场 + 文档 + 演示视频	正式上线

第四部分：AI PaaS 平台技能开发标准

4.1 设计原则

安全优先：所有技能在沙箱中运行，权限最小化
模型无关：技能不绑定特定模型供应商，通过平台路由层调用
多租户隔离：数据/文件/配置按租户 + 用户严格隔离
可观测：每次执行有完整日志（输入/输出/耗时/Token/错误）
可计费：资源消耗透明声明，精确计量
可进化：支持版本迭代、A/B 测试、用户反馈闭环
标准化：统一目录结构、统一元数据、统一接口规范

4.2 技能包目录结构（强制规范）

my-skill/
├── SKILL.md              # 技能元数据（必须）
├── README.md             # 用户文档
├── CHANGELOG.md          # 版本变更记录
├── LICENSE               # 许可证
├── manifest.json         # 机器可读清单
├── icon.png              # 技能图标（512x512）
├── preview/              # 预览图/视频
│   ├── preview-1.png
│   └── demo.mp4
├── src/                  # 源代码
│   ├── main.py           # 入口（必须）
│   ├── config.py         # 配置
│   ├── models.py         # 数据模型
│   └── utils/            # 工具函数
├── templates/            # 模板文件（如适用）
│   └── default.html
├── tests/                # 测试
│   ├── unit/
│   └── integration/
├── docs/                 # 开发者文档
│   ├── API.md
│   └── ARCHITECTURE.md
└── scripts/              # 构建/部署脚本
    ├── build.sh
    └── deploy.sh

4.3 SKILL.md 元数据规范（Schema）

# === 必填字段 ===
name: string                    # 技能唯一标识（小写+连字符）
display_name: string            # 展示名称（≤20 字符）
version: string                 # 语义化版本（SemVer）
author:
  name: string
  email: string
  url: string
  license: string               # MIT / Apache-2.0 / 商业授权

description: string             # 一句话描述（≤100 字符）
long_description: string        # 详细说明（Markdown，≤2000 字符）

category: string                # 一级分类
subcategory: string             # 二级分类
tags: string[]                  # 搜索标签（≤10 个）

# === 能力声明 ===
capabilities: string[]          # 能力标签
inputs:                         # 输入参数 schema
  - name: string
    type: string                # string/number/boolean/file/url/json
    description: string
    required: boolean
    default: any
    validation: object          # min/max/regex/enum
outputs:
  - name: string
    type: string
    description: string

# === 资源消耗 ===
resource:
  model_calls: integer          # 平均模型调用次数
  estimated_tokens: integer     # 平均 Token 消耗
  estimated_duration_ms: integer # 平均执行耗时
  storage_mb: integer           # 平均存储占用
  memory_mb: integer            # 运行时内存需求
  cpu_cores: number             # 运行时 CPU 需求

# === 权限声明 ===
permissions:
  - read:workspace              # 读用户工作区
  - write:workspace             # 写用户工作区
  - read:knowledge_base         # 读知识库
  - write:knowledge_base        # 写知识库
  - exec:model_api              # 调用模型
  - exec:external_api           # 调用外部 API
  - exec:terminal               # 执行终端命令
  - network:egress              # 出网访问

# === 依赖 ===
dependencies:
  models: string[]              # 需要的模型能力标签
  libraries: string[]           # Python/Node 依赖
  external_services: string[]   # 外部服务（如需要 API Key）
  skills: string[]              # 依赖的其他技能

# === 运行时 ===
runtime:
  language: string              # python3.11 / node20 / rust
  entrypoint: string            # src/main.py
  health_check: string          # /health
  timeout_seconds: integer      # 执行超时
  max_concurrent: integer       # 最大并发实例数

# === 定价 ===
pricing:
  model: string                 # free / subscription / pay_per_use / one_time
  tier_required: string         # free / pro / enterprise
  pay_per_use:
    price_per_generation: number
    price_per_1000_tokens: number
  subscription:
    included_in: string[]       # 包含在哪些会员套餐

# === 兼容性 ===
compatibility:
  platform_version: string      # 最低平台版本
  supported_models: string[]    # 经过验证的模型
  min_memory_mb: integer
  min_storage_mb: integer

# === 合规 ===
compliance:
  data_handling: string         # 数据处理说明
  pii_handling: string          # 个人信息处理说明
  output_filtering: boolean     # 是否过滤输出内容
  content_policy: string        # 内容政策声明

4.4 技能生命周期状态机

┌──────────┐    submit    ┌──────────┐   review    ┌──────────┐
│  Draft   │─────────────▶│ Pending  │────────────▶│  Review  │
└──────────┘              └──────────┘             └────┬─────┘
                                                      │
                    ┌──────────┐   approve   ┌─────────▼──────┐
                    │ Rejected │◀───────────│  Approved      │
                    └──────────┘            └────┬───────────┘
                                                │ publish
                                                ▼
                    ┌──────────┐   unpublish  ┌──────────────┐
                    │ Archived │◀────────────│ Published    │
                    └──────────┘              └────┬─────────┘
                                                  │ update
                                                  ▼
                                            ┌──────────┐
                                            │  Updated │
                                            │ (re-review│
                                            │  if major)│
                                            └──────────┘

状态	说明	可见性
Draft	开发者本地/沙箱	仅自己
Pending	提交审核	仅审核员
Review	审核中	仅审核员
Approved	审核通过待发布	仅审核员
Published	已上架	全平台可见
Updated	更新待审核	保留旧版本可见
Rejected	审核拒绝	仅自己+拒绝原因
Archived	下架归档	不可新安装，已安装可用

4.5 审核流程与质量标准

4.5.1 自动审核（CI 流水线）

提交技能
   │
   ▼
┌──────────────────┐
│ 1. 结构检查       │ → SKILL.md 完整性、目录结构、文件大小
├──────────────────┤
│ 2. 依赖扫描       │ → 检测恶意依赖、已知漏洞（CVE）
├──────────────────┤
│ 3. 代码静态分析   │ → 硬编码密钥、不安全反序列化、SQL 注入
├──────────────────┤
│ 4. 沙箱动态测试   │ → 在隔离环境中运行，监控网络/文件/进程
├──────────────────┤
│ 5. 资源声明验证   │ → 实际消耗 vs 声明消耗偏差
├──────────────────┤
│ 6. 输出安全过滤   │ → 检测有害内容、PII 泄露
└──────────────────┘
   │
   ▼
通过 → 进入人工审核
失败 → 返回报告 + 修改建议

4.5.2 人工审核标准

维度	标准	权重
功能性	核心功能可用、无严重 Bug	30%
安全性	无后门、无数据泄露、权限合理	25%
文档质量	README 清晰、参数说明完整、有使用示例	15%
用户体验	输出质量高、响应速度快、错误处理友好	15%
创新性	解决真实痛点、差异化价值	10%
资源效率	Token/存储消耗合理、不浪费	5%

4.5.3 审核 SLA

自动审核：≤ 5 分钟
人工审核：≤ 2 个工作日
紧急审核（安全补丁）：≤ 4 小时

4.6 评分与排行算法

4.6.1 综合评分公式

Score = 0.35 × 下载量分 + 0.25 × 评分分 + 0.20 × 活跃度分 + 0.10 × 质量分 + 0.10 × 收入分

下载量分 = log10(总下载量 + 1) / log10(全平台最高下载量 + 1) × 100
评分分 = 平均星级（1-5）× 20
活跃度分 = (近30天下载量 / 总下载量) × 100
质量分 = 审核得分（0-100）
收入分 = log10(总交易额 + 1) / log10(全平台最高交易额 + 1) × 100

4.6.2 排行维度

排行榜	排序依据	更新频率
热门下载	近 7 天下载量	实时
最高评分	平均星级（≥10 条评价）	每日
最新上架	上架时间	实时
编辑推荐	人工精选	每周
收入最高	近 30 天交易额	每日
分类排行	分类内综合评分	每日

4.7 安全与沙箱规范

4.7.1 沙箱架构

┌─────────────────────────────────────────────┐
│  平台技能运行时                              │
│  ┌───────────────────────────────────────┐  │
│  │  gVisor / Firecracker 微虚拟机         │  │
│  │  ┌─────────────────────────────────┐   │  │
│  │  │  技能进程                       │   │  │
│  │  │  - 只读根文件系统               │   │  │
│  │  │  - 临时工作目录（执行后清除）    │   │  │
│  │  │  - 受限网络（仅平台代理出网）    │   │  │
│  │  └─────────────────────────────────┘   │  │
│  │  ┌─────────────────────────────────┐   │  │
│  │  │  资源限制                       │   │  │
│  │  │  - CPU: 2 cores max             │   │  │
│  │  │  - Memory: 1GB max              │   │  │
│  │  │  - Disk: 500MB tmpfs            │   │  │
│  │  │  - Network: 仅平台 API + 白名单 │   │  │
│  │  │  - Timeout: 300s                │   │  │
│  │  └─────────────────────────────────┘   │  │
│  └───────────────────────────────────────┘  │
└─────────────────────────────────────────────┘

4.7.2 权限矩阵

权限	含义	默认	需审核
`read:workspace`	读用户工作区文件	✓
`write:workspace`	写用户工作区文件		✓
`read:knowledge_base`	读知识库		✓
`write:knowledge_base`	写知识库		✓
`exec:model_api`	调用模型	✓
`exec:external_api`	调用外部 API		✓
`exec:terminal`	执行终端命令		✓
`network:egress`	出网访问		✓
`read:other_users`	读其他用户数据		✓
`admin:platform`	平台管理操作		✓

4.7.3 安全红线（触发即下架）

未经声明收集用户数据
硬编码密钥/凭证
执行未声明的网络请求
生成恶意内容（病毒/钓鱼/诈骗）
绕过沙箱限制
未授权的跨用户数据访问

4.8 变现与分润模型

4.8.1 定价模式

模式	说明	适用场景
Free	免费使用，平台补贴成本	引流技能、基础工具
Subscription	包含在会员套餐中	高频使用技能
Pay Per Use	按次/按 Token 付费	高成本技能（如视频生成）
One Time	一次性购买永久使用	��板类技能
Freemium	基础免费 + 高级付费	大部分技能

4.8.2 分润比例

用户支付 100 元
├── 平台服务费：30%（基础设施 + 分发 + 支付）
├── 技能开发者：60%（创作者激励）
├── 推荐人/推广：5%（如有推广链接）
└── 储备金：5%（退款/争议处理）

4.8.3 开发者结算

结算周期：月结（每月 15 日结算上月收入）
最低提现：100 元
提现方式：支付宝 / 微信支付 / 银行卡
税务：平台代扣代缴（如适用）

4.9 技能 SDK 与脚手架

4.9.1 平台 SDK（Python）

# platform_sdk/client.py
from typing import Any
import httpx
import os

class SkillContext:
    """技能运行时上下文，由平台注入"""
    def __init__(self, ctx: dict):
        self.user_id = ctx["user_id"]
        self.tenant_id = ctx["tenant_id"]
        self.subscription_tier = ctx["tier"]
        self.workspace_path = ctx["workspace_path"]
        self.quota_remaining = ctx["quota"]
        self.skill_config = ctx.get("config", {})

class PlatformClient:
    """平台 API 客户端"""
    def __init__(self, base_url: str, api_key: str):
        self.base_url = base_url.rstrip("/")
        self.client = httpx.Client(headers={"Authorization": f"Bearer {api_key}"})

    def call_model(self, model: str, messages: list, **kwargs) -> dict:
        """通过平台路由层调用模型（自动计量）"""
        resp = self.client.post(f"{self.base_url}/api/v1/model/chat", json={
            "model": model, "messages": messages, **kwargs
        })
        return resp.json()

    def upload_file(self, path: str) -> str:
        """上传文件到用户工作区，返回 URL"""
        with open(path, "rb") as f:
            resp = self.client.post(f"{self.base_url}/api/v1/files", files={"file": f})
        return resp.json()["url"]

    def download_file(self, url: str, dest: str):
        """下载文件到工作区"""
        with self.client.stream("GET", url) as resp, open(dest, "wb") as f:
            for chunk in resp.iter_bytes():
                f.write(chunk)

    def log_metric(self, name: str, value: Any):
        """上报自定义指标"""
        self.client.post(f"{self.base_url}/api/v1/metrics", json={"name": name, "value": value})

    def check_quota(self) -> int:
        """检查剩余配额"""
        resp = self.client.get(f"{self.base_url}/api/v1/quota")
        return resp.json()["remaining"]

# === 技能入口模板 ===
def main(ctx: SkillContext, params: dict, platform: PlatformClient) -> dict:
    """
    技能主入口函数。平台运行时调用此函数。
    ctx: 运行时上下文（用户/租户/配额/工作区）
    params: 用户输入参数
    platform: 平台 API 客户端
    return: 输出结果（匹配 SKILL.md 的 outputs 声明）
    """
    # 1. 检查配额
    if platform.check_quota() <= 0:
        raise QuotaExceededError("配额不足")

    # 2. 调用模型（自动计量）
    result = platform.call_model(
        model="auto",  # 平台自动选择最优模型
        messages=[{"role": "user", "content": params["text"]}]
    )

    # 3. 处理输出
    output = process_result(result)

    # 4. 上报指标
    platform.log_metric("tokens_used", result["usage"]["total_tokens"])

    return {"result": output}

4.9.2 脚手架 CLI

# 安装脚手架
pip install platform-skill-cli

# 创建新技能
skill-cli create my-new-skill --template=presentation
# 交互式填写 SKILL.md
# 自动生成目录结构 + 示例代码

# 本地开发调试
skill-cli dev my-new-skill
# 启动本地技能运行时 + 模拟平台上下文

# 运行测试
skill-cli test my-new-skill
# 执行 tests/ 下的所有测试

# 打包提交
skill-cli package my-new-skill
# 生成 .skill 包文件（ZIP + 签名）

# 提交审核
skill-cli submit my-new-skill.skill
# 上传到平台审核系统

4.10 版本兼容与迁移

4.10.1 版本号规范（SemVer）

MAJOR.MINOR.PATCH

MAJOR: 不兼容的 API 变更
MINOR: 新增功能（向后兼容）
PATCH: Bug 修复（向后兼容）

4.10.2 平台版本兼容矩阵

技能版本	支持的平台版本	停止维护日期
2.x	≥ 1.5.0	TBD
1.x	≥ 1.0.0	2027-06-30

4.10.3 迁移策略

自动迁移：PATCH 版本自动更新，用户无感
提示迁移：MINOR 版本更新提示用户，可选跳过
强制迁移：MAJOR 版本更新需用户确认，旧版本保留 90 天
灰度发布：新版本先对 5% 用户开放，观察 48 小时无异常后全量

附录

A. 技术选型最终建议表

层级	推荐方案	备选方案	选型理由
前端框架	Next.js 15 + React 19	Nuxt 3 / SvelteKit	生态最丰富、SSR/SEO 友好
UI 组件库	shadcn/ui + Tailwind	Ant Design / Astryx	可定制性强、设计感好
状态管理	Zustand + TanStack Query	Redux Toolkit	轻量、React 原生
后端框架	FastAPI（Python）	NestJS（Node）	AI 生态最好、异步原生
数据库	PostgreSQL 17+	MySQL 8.4	向量/JSONB/RLS/图查询一体化
向量检索	pgvector + pgvectorscale	Qdrant / Milvus	与 PG 统一部署、运维简单
搜索引擎	Meilisearch	Typesense / Elasticsearch	中文分词、混合搜索、租户令牌
缓存/队列	Redis 7+	Dragonfly	缓存 + 消息队列 + 限流
对象存储	MinIO / S3	腾讯云 COS	文件/图片/视频存储
认证	JWT + OAuth2 + LDAP	Auth0 / Clerk	自托管、可控
模型路由	aisuite + 自研 Pipe	LiteLLM	13+ 供应商统一抽象
沙箱	gVisor / Firecracker	Docker seccomp	强隔离、轻量
监控	Prometheus + Grafana	Datadog	开源、成熟
日志	ELK / Loki	ClickHouse	结构化日志、可检索
CI/CD	GitHub Actions + Docker	GitLab CI	生态最好
部署	Docker Compose → K8s	腾讯云 TKE	从 MVP 到规模化的平滑路径

B. 数据库 Schema 草案（PostgreSQL）

-- === 租户/用户 ===
CREATE TABLE tenants (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    name TEXT NOT NULL,
    plan TEXT NOT NULL DEFAULT 'free',  -- free/pro/enterprise
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE users (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id UUID REFERENCES tenants(id),
    email TEXT UNIQUE NOT NULL,
    password_hash TEXT,
    display_name TEXT,
    role TEXT NOT NULL DEFAULT 'user',  -- admin/developer/user/pending
    subscription_tier TEXT DEFAULT 'free',
    subscription_expires_at TIMESTAMP,
    status TEXT DEFAULT 'active',
    created_at TIMESTAMP DEFAULT NOW()
);

-- === 技能 ===
CREATE TABLE skills (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    name TEXT UNIQUE NOT NULL,
    display_name TEXT NOT NULL,
    version TEXT NOT NULL,
    author_user_id UUID REFERENCES users(id),
    category TEXT NOT NULL,
    subcategory TEXT,
    tags TEXT[],
    description TEXT,
    long_description TEXT,
    icon_url TEXT,
    status TEXT DEFAULT 'draft',  -- draft/pending/approved/published/archived
    pricing_model TEXT DEFAULT 'free',
    tier_required TEXT DEFAULT 'free',
    download_count INTEGER DEFAULT 0,
    rating_average DECIMAL(3,2) DEFAULT 0,
    rating_count INTEGER DEFAULT 0,
    created_at TIMESTAMP DEFAULT NOW(),
    updated_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE skill_versions (
    skill_id UUID REFERENCES skills(id),
    version TEXT NOT NULL,
    skill_md JSONB NOT NULL,       -- 完整的 SKILL.md 内容
    manifest JSONB NOT NULL,
    package_url TEXT NOT NULL,      -- .skill 包下载地址
    is_current BOOLEAN DEFAULT false,
    created_at TIMESTAMP DEFAULT NOW(),
    PRIMARY KEY (skill_id, version)
);

CREATE TABLE skill_installs (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    user_id UUID REFERENCES users(id),
    skill_id UUID REFERENCES skills(id),
    version TEXT NOT NULL,
    installed_at TIMESTAMP DEFAULT NOW(),
    last_used_at TIMESTAMP,
    settings JSONB DEFAULT '{}'
);

-- === 技能实例（每次执行） ===
CREATE TABLE skill_instances (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id UUID REFERENCES tenants(id),
    user_id UUID REFERENCES users(id),
    skill_id UUID REFERENCES skills(id),
    version TEXT NOT NULL,
    status TEXT NOT NULL,  -- generating/ready/failed/archived
    input_params JSONB,
    output_result JSONB,
    tokens_used INTEGER DEFAULT 0,
    duration_ms INTEGER DEFAULT 0,
    error_message TEXT,
    created_at TIMESTAMP DEFAULT NOW()
);

-- === Token 计量 ===
CREATE TABLE token_usage (
    id BIGSERIAL PRIMARY KEY,
    tenant_id UUID REFERENCES tenants(id),
    user_id UUID REFERENCES users(id),
    skill_id UUID REFERENCES skills(id),
    model TEXT NOT NULL,
    input_tokens INTEGER NOT NULL,
    output_tokens INTEGER NOT NULL,
    cost DECIMAL(10,6) NOT NULL,
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE user_quotas (
    user_id UUID PRIMARY KEY REFERENCES users(id),
    daily_token_limit INTEGER DEFAULT 100000,
    daily_token_used INTEGER DEFAULT 0,
    daily_skill_calls INTEGER DEFAULT 50,
    daily_skill_used INTEGER DEFAULT 0,
    last_reset DATE DEFAULT CURRENT_DATE,
    total_storage_mb INTEGER DEFAULT 0,
    max_storage_mb INTEGER DEFAULT 100
);

-- === 知识库 ===
CREATE TABLE knowledge_bases (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tenant_id UUID REFERENCES tenants(id),
    user_id UUID REFERENCES users(id),
    name TEXT NOT NULL,
    description TEXT,
    visibility TEXT DEFAULT 'private',  -- private/shared/public
    document_count INTEGER DEFAULT 0,
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE documents (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    kb_id UUID REFERENCES knowledge_bases(id),
    filename TEXT NOT NULL,
    file_type TEXT,
    file_size INTEGER,
    chunk_count INTEGER DEFAULT 0,
    embedding_model TEXT,
    status TEXT DEFAULT 'processing',  -- processing/ready/failed
    created_at TIMESTAMP DEFAULT NOW()
);

-- 向量表（pgvector）
CREATE TABLE document_chunks (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    document_id UUID REFERENCES documents(id),
    chunk_index INTEGER NOT NULL,
    content TEXT NOT NULL,
    embedding vector(1536),  -- text-embedding-3-large 维度
    metadata JSONB DEFAULT '{}'
);

CREATE INDEX idx_chunks_embedding ON document_chunks
    USING hnsw (embedding vector_cosine_ops)
    WITH (m = 16, ef_construction = 64);

-- === 订阅/计费 ===
CREATE TABLE subscriptions (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    user_id UUID REFERENCES users(id),
    plan TEXT NOT NULL,  -- free/pro/enterprise
    status TEXT NOT NULL,  -- active/cancelled/expired
    started_at TIMESTAMP DEFAULT NOW(),
    expires_at TIMESTAMP,
    auto_renew BOOLEAN DEFAULT true
);

CREATE TABLE payments (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    user_id UUID REFERENCES users(id),
    amount DECIMAL(10,2) NOT NULL,
    currency TEXT DEFAULT 'CNY',
    payment_method TEXT,
    status TEXT,  -- pending/success/failed/refunded
    description TEXT,
    created_at TIMESTAMP DEFAULT NOW()
);

-- === 审计日志 ===
CREATE TABLE audit_logs (
    id BIGSERIAL PRIMARY KEY,
    tenant_id UUID,
    user_id UUID,
    action TEXT NOT NULL,  -- login/skill_execute/model_call/...
    resource_type TEXT,
    resource_id TEXT,
    ip_address INET,
    user_agent TEXT,
    request_body JSONB,
    response_code INTEGER,
    duration_ms INTEGER,
    created_at TIMESTAMP DEFAULT NOW()
);

-- === RLS 策略 ===
ALTER TABLE skill_instances ENABLE ROW LEVEL SECURITY;
CREATE POLICY tenant_isolation ON skill_instances
    USING (tenant_id = current_setting('app.current_tenant')::UUID);

ALTER TABLE documents ENABLE ROW LEVEL SECURITY;
CREATE POLICY tenant_isolation ON documents
    USING (tenant_id = current_setting('app.current_tenant')::UUID);

ALTER TABLE token_usage ENABLE ROW LEVEL SECURITY;
CREATE POLICY tenant_isolation ON token_usage
    USING (tenant_id = current_setting('app.current_tenant')::UUID);

C. 术语表

术语	定义
PaaS	Platform as a Service，平台即服务
RAG	Retrieval-Augmented Generation，检索增强生成
MCP	Model Context Protocol，模型上下文协议
Pipe	模型路由管道，拦截并改写模型请求
Filter	请求/响应拦截器
Skill	平台上的可安装 AI 能力单元
Tenant	租户，平台上的独立组织/公司
Workspace	工作区，用户个人的文件/配置空间
Token 驾驶舱	平台上的 Token 消耗监控仪表盘
Loop Engineering	设计 Agent 自治循环而非写 Prompt 的工程范式
aisuite	吴恩达团队的统一多厂商 LLM API 库
gVisor	Google 的轻量级沙箱运行时
Firecracker	AWS 的微虚拟机技术
SemVer	Semantic Versioning，语义化版本规范
RLS	Row Level Security，行级安全策略
HNSW	Hierarchical Navigable Small World，向量索引算法
BM25	经典信息检索排序算法
Rerank	对检索结果用精排模型重新排序
FTS5	SQLite 全文搜索扩展
GIN	Generalized Inverted Index，PostgreSQL 倒排索引

第五部分：七虎AI PaaS 平台 · 全面分析评估

被评估对象：七虎AI（qihuyun.com）ARCHITECTURE.md v2.0
评估方法：「自家架构 vs 外部参照系」差距分析法
参照系：本文件前四部分（Open WebUI / Langflow / MemPalace / LiteLLM 等）+ Starred 28 个项目
评估日期：2026-07-27

5.1 评估方法论

评估采用"自家架构 vs 外部参照系"的差距分析法，覆盖 8 个维度：

维度	权重	主要参照
多租户与隔离	12%	Open WebUI RBAC + PG RLS + Casdoor
模型路由与 Failover	14%	LiteLLM + OpenWorker aisuite + StaffDeck
记忆/知识库/RAG	14%	MemPalace + PGVector + Meilisearch
Agent 编排	12%	Langflow DAG + Loop Engineering + Octop
技能市场与生命周期	14%	StaffDeck + dashi-ppt 改造方案 + baoyu-skills
搜索/SEO/GEO	8%	Meilisearch + TreeSearch
安全与沙箱	14%	Open WebUI Filter + OpenWorker 四级审批 + Semantica
运维/可观测/变现	12%	Prometheus + Langfuse + 分润模型

每个维度给出：现状 → 参照系最佳实践 → 差距 → 改进建议。

5.2 逐维度差距分析

5.2.1 多租户与隔离（权重 12%）

现状：

Casdoor 统一认证（OAuth2/OIDC），JWT Bearer 认证
角色仅 user / admin 两级
PG18 + pgvector，67 张表按域分组
RLS 策略未明确启用

参照系：

Open WebUI：Admin/User/Pending + Groups + 组级配额 + LDAP/SSO/SCIM
Casdoor v3.119：支持 RBAC + ABAC + Casbin + Agent-first IAM + MCP 网关
PG RLS：行级安全策略，租户隔离在数据库层强制实施

差距与风险：

🔴 角色模型过粗：只有 user/admin 两级，无法支撑"技能开发者/企业管理员/普通用户/审核员"等细分角色
🔴 RLS 未启用：token_usage_logs、skill_instances 等表若无 RLS，应用层 bug 即可越权
🟡 Casdoor 能力未充分释放：2026 年的 Agent-first IAM 和 MCP 网关能力未被利用
🟢 Casdoor 选型正确：支持 OAuth2/OIDC/SAML/LDAP/SCIM/MFA，是最全面的开源 IAM 之一

改进建议：

优先级	行动	工期
P0	启用 PG RLS，所有业务表加 `tenant_id` 隔离策略	3 天
P0	角色扩展为 5 级：super_admin/admin/developer/user/guest	5 天
P1	用户组（Groups）机制，组级模型配额和技能可见性	5 天
P1	利用 Casdoor 的 Agent-first IAM 做 MCP 工具鉴权	3 天
P2	SCIM 同步（企业用户生命周期）	5 天

5.2.2 模型路由与 Failover（权重 14%）

现状：

OpenAI 兼容协议接入 4+ 厂商（SiliconFlow/MiMo/AGNES/DeepSeek）
手动 failover：try → except → continue 下一个模型，最多 5 个备用
自建 build_openai_client，支持 auth_header 自定义
计划中：LiteLLM 集成

参照系：

LiteLLM（27K+ Stars）：统一 100+ 供应商，OpenAI 格式一行切换，内置负载均衡、RPM/TPM 限流、虚拟密钥、成本追踪、自动 failover、Redis 缓存、Langfuse 日志。Netflix、Stripe 已在生产使用
aisuite（OpenWorker）：模型字符串即插即用，13+ 供应商

差距与风险：

🔴 自建 failover 是"穷人的 LB"：顺序 try-except，没有 RPM/TPM 限流、没有加权负载均衡、没有按延迟路由。厂商部分降级时不会切流
🔴 成本追踪缺失：记了量但没按模型单价自动算钱，多模型混合场景下真实成本是一笔糊涂账
🟡 auth_header 适配：为 MiMo 写的自定义认证头思路正确，但 LiteLLM 已原生支持多种模式
🟢 已识别到 LiteLLM：路线图已列入，方向正确

改进建议：

优先级	行动
P0	引入 LiteLLM Proxy 模式作为统一 AI 网关（客户端零改动）
P0	启用虚拟密钥（Virtual Keys），按租户/用户分发，精确追踪花费
P1	启用 RPM/TPM 限流 + 加权负载均衡，替换 try-except failover
P1	启用 Redis 缓存（相同 prompt 不重复计费）
P2	接入 Langfuse/Arize 做全链路可观测

💡 关键判断：模型路由是技术护城河的一部分。当前是"手动挡"，LiteLLM 一步升级到"自动驾驶"，开源自托管零抽成，与"平台不赚差价"定位完全契合。

5.2.3 记忆/知识库/RAG（权重 14%）

现状：

PG18 + pgvector 统一存储
混合检索（BM25 + vector）
知识图谱节点/边表已建
结构化记忆抽取（实体/事实/偏好/决策/待办五类）
上下文压缩（后台异步递归压缩）

参照系：

MemPalace v3.6：原文逐字存储、Wing→Room→Drawer 分层、BM25+语义+结构混合、LongMemEval R@5 96.6%（raw）/ 98.4%（hybrid）
Meilisearch：sub-50ms、TinySegmenter 中文分词（0.2ms，比 jieba 快 25 倍）、租户令牌、混合搜索
Semantica：图原生 + W3C PROV-O 溯源 + 决策生命周期 + 冲突检测

差距与风险：

🟡 pgvector 检索质量未量化：没有公开 benchmark。建议跑 LongMemEval 或 BEIR 拿到 R@K
🟡 记忆分层缺失：五类结构化记忆有了，但缺 Wing(人/项目)→Room(主题)→Drawer(原文) 的空间索引。长期运行会串味
🔴 搜索体验是短板：架构文档未提 Meilisearch，中文分词用 PG 的 ts_zh 效果远不如 Meilisearch 的 TinySegmenter
🟢 统一 PG 选型正确：主库+向量+图谱同集群，零网络延迟、事务一致
🟢 结构化记忆抽取是亮点，比大多数平台超前

改进建议：

优先级	行动
P0	引入 Meilisearch 做技能市场搜索 + 平台内容索引
P1	引入 MemPalace 的 Wing/Room/Drawer 分层模型，叠加到五类结构化记忆
P1	跑 LongMemEval benchmark，量化 RAG 真实召回率
P2	评估 Semantica 做决策溯源 + 冲突检测（金融/医疗客户刚需）

5.2.4 Agent 编排（权重 12%）

现状：

DAG 图引擎 + YAML 定义 + Kahn 拓扑排序 + 分层并行
节点类型：llm / local / external / reduce
失败隔离（per-node on_error=halt|continue）
外部 Agent 远程调用（Dify/n8n/Coze）
计划中：LangGraph 集成、Supervisor 多 Agent

参照系：

Langflow：400+ 内置组件、18 个 Service、React Flow 画布、SSE 事件流、MCP Composer
Loop Engineering：从"写 prompt"到"设计 loop"，Verifier Skills + Goal Audit
Octop（腾讯云）：IM 集成 + ACP 双向
EigenFlux：Agent 间广播网络

差距与风险：

🟡 缺可视化编排 UI：有 DAG 引擎但用户需要画布（像 Langflow 拖拽连节点），否则只是工程师玩具
🟡 Loop 原语缺失：DAG 是有向无环图，但 Agent 自治需要循环（retry、self-refine、verifier-revisor）
🟢 外部 Agent 远程调用是差异化亮点
🟢 失败隔离 + 并发安全实现正确

改进建议：

优先级	行动
P0	前端加 Agent 可视化编排画布（基于 React Flow，参考 Langflow 交互）
P1	引入 Loop 原语：循环边 + 终止条件 + Verifier
P1	接入 Langfuse/LangSmith 做 Agent 执行轨迹追踪
P2	评估 EigenFlux 的 Agent 广播模式做技能间协作

5.2.5 技能市场与生命周期（权重 14%）—— 核心差异化

现状：

Skills 上架-搜索-安装-执行闭环，14 个能力分类
完整生命周期表：market_apps/versions/purchases/reviews/installations/publish_records/evolution_*
进化机制：evolution_skills/events/trajectories
"Skill 真实执行器"进行中（当前是 LLM 转发模拟）
计划中：技能 SDK 发布工具

参照系：

StaffDeck：数字员工 = 技能包 + 知识库 + 工作流，市场资源权限保护 + 复制绑定
dashi-ppt-skill 改造方案（本文件第三部分）：完整 SKILL.md Schema、API 适配层、多租户隔离、配额、上架清单
baoyu-skills：20+ 技能、统一 SKILL.md 规范
Open WebUI 插件体系：Filters/Actions/Pipes/Tools/Skills 五类

差距与风险：

🔴 技能执行仍是"模拟"：当前是 LLM 转发提示词，不是真实可执行的能力单元。用户发现"技能=换了个提示词"后信任会崩塌
🔴 SKILL.md 规范未标准化：技能的元数据 Schema（输入输出/权限/资源/依赖声明）还没有统一规范
🟡 进化机制需验证：evolution_* 设计超前，但需证明"技能真的越用越聪明"
🟢 生命周期闭环比 Dify/Coze/FastGPT 都完整
🟢 14 个分类覆盖面广

改进建议：

优先级	行动
P0	落地"真实执行器"——先改造 3 个标杆技能（dashi-ppt/SEO 优化/投研报告）跑通端到端
P0	发布平台统一 SKILL.md Schema（本文件 4.3 节 9 大区块规范）
P1	发布技能 SDK + 脚手架 CLI（本文件 4.9 节代码）
P1	技能审核流水线（自动 CI + 人工，本文件 4.5 节）
P2	进化机制可视化：技能详情页展示"这个技能最近学会了什么"

5.2.6 搜索/SEO/GEO（权重 8%）

现状：架构文档未明确提及平台级搜索基础设施，技能市场搜索依赖 PG 全文检索（推测）。

参照系：

Meilisearch：sub-50ms、TinySegmenter 中文分词、混合搜索、租户令牌、过滤/分面
TreeSearch：零向量零 API，FTS5 毫秒级
平台定位强调"适合 SEO 和 GEO 搜索"

差距与风险：

🔴 架构文档最大空白：强调 SEO/GEO 却没有搜索基础设施设计章节
🔴 PG 全文检索做技能市场搜索是错的：中文分词弱、排序不灵活、无法分面筛选
🟢 方向已识别，只差落地

改进建议：立即引入 Meilisearch。投入产出比最高——单二进制部署、零依赖、中文分词开箱即用，同时解决技能市场搜索 + 平台 SEO 索引 + GEO 富摘要三个问题。

5.2.7 安全与沙箱（权重 14%）

现状：

_check_tool_policy() 三层防护：白名单/预算/每轮上限
代码执行：独立 executor 容器沙箱
密钥管理：credential.py 加解密
认证：Casdoor + JWT

参照系：

OpenWorker 四级审批：read/write_local/exec/external + 无人值守收件箱
Open WebUI Filter 链：敏感词/Token 计量/审计统一拦截
Semantica：W3C PROV-O 决策溯源 + 冲突检测
沙箱选项：gVisor / Firecracker（比 Docker 隔离更强）

差距与风险：

🟡 工具策略够用但不细：缺 OpenWorker 的按风险等级分级审批和无人值守收件箱
🟡 沙箱强度未说明：executor 容器是 Docker 还是 gVisor/Firecracker？前者逃逸风险更高
🟢 Casdoor + JWT 选型正确
🟢 密钥加解密存储正确

改进建议：

优先级	行动
P1	工具调用升级为四级风险分类（参考 OpenWorker），external 级必须显式确认
P1	executor 容器评估升级到 gVisor 或 Firecracker
P2	引入 Semantica 的 PROV-O 溯源做决策可解释（企业客户刚需）

5.2.8 运维/可观测/变现（权重 12%）

现状：

Prometheus + Grafana + Alloy + node-exporter
应用日志 → docker logs / Alloy
CI：pre-push hook 跑 pytest + vitest
计费：Token + 会员
28 个 pytest + 15 个 vitest 用例

参照系：

LiteLLM 成本追踪：按 key/user/team 自动算钱、虚拟密钥预算上限
Langfuse/Arize：Agent 执行轨迹可视化
本文件 4.8 节分润模型（平台 30%/开发者 60%/推荐 5%/储备 5%）

差距与风险：

🟡 Token 计费是"批处理"不是"流式"：记的是调用后 usage，用户用超了才发现
🟡 变现模型未文档化：架构文档没提分润比例、开发者结算周期、提现方式
🟢 监控栈选型标准、CI 门槛正确
🟢 测试覆盖存在

改进建议：

优先级	行动
P0	接入 LiteLLM 成本追踪，实现流式扣费 + 实时余额
P1	落地分润模型（本文件 4.8 节）+ 开发者结算后台
P2	Agent 轨迹接入 Langfuse，做"对话可回放"

5.3 综合竞争力评估

5.3.1 护城河再评估（修正自评）

护城河	自评	修正	理由
多模型协议适配层	🔴 高	🟡→🔴	引入 LiteLLM 后才能算"高"
Skill 全生命周期	🔴 高	🔴 高	真实差异化，但需落地真实执行器
Agent DAG 编排	🟡 中	🟡 中	缺可视化画布和 Loop 原语
工具调用标准化	🟡 中	🟡 中	基础正确，缺分级审批
PG 统一数据层	🟡 中	🔴 高	被低估——PG18+pgvector+JSONB+RLS 是杀手锏
IM Bot 多平台	🟢 低	🟢→🟡	统一消息网关有壁垒，尤其微信生态
安全沙箱	🟡 中	🟡 中	基础够用，沙箱强度待升级

5.3.2 竞品对比修正

Dify（75K+ Stars）：RAG 可控性和知识图谱 2025 已补强，是最强开源对手
FastGPT：私有化零抽成定位一致，但平台化/Skill 市场/Agent 编排远不如
Coze Studio：已开源（Apache 2.0），字节生态渠道分发能力是短板

5.3.3 总评

七虎AI v2.0 方向正确、骨架完整、关键肌肉待练。

最该立刻动手的三件事（按 ROI 排序）：

引入 LiteLLM + Meilisearch——各 1-3 天，补上模型路由和搜索最大短板

落地技能真实执行器 + SKILL.md 规范——差异化护城河核心，从模拟变真实

启用 PG RLS + 角色扩展——多租户安全底线

5.4 落地优先级总表

序号	行动	维度	优先级	工期	依赖
1	引入 LiteLLM Proxy 做统一 AI 网关	模型路由	P0	3 天	无
2	引入 Meilisearch 做技能市场搜索	搜索	P0	2 天	无
3	启用 PG RLS + tenant_id 隔离	多租户	P0	3 天	无
4	角色扩展为 5 级 + 用户组	多租户	P0	5 天	#3
5	落地 3 个标杆技能真实执行器	技能市场	P0	2 周	无
6	发布统一 SKILL.md Schema	技能市场	P0	3 天	无
7	流式 Token 计费 + 实时余额	变现	P0	5 天	#1
8	Agent 可视化编排画布	Agent	P1	2 周	无
9	引入 Loop 原语 + Verifier	Agent	P1	1 周	#8
10	工具调用四级风险审批	安全	P1	3 天	无
11	executor 升级 gVisor	安全	P1	3 天	无
12	跑 LongMemEval 量化 RAG	RAG	P1	2 天	无
13	引入 MemPalace 分层记忆	RAG	P2	1 周	#12
14	技能 SDK + 脚手架 CLI	技能市场	P1	1 周	#6
15	技能审核流水线	技能市场	P2	1 周	#6
16	分润模型 + 开发者结算	变现	P1	1 周	#7
17	Langfuse Agent 轨迹	可观测	P2	3 天	#1
18	Semantica 决策溯源	安全/合规	P2	评估	无
19	前端暗色模式	体验	P2	3 天	无
20	移动端适配	体验	P2	2 周	无

文档版本：v2.0.0
更新日期：2026-07-27
变更说明：新增第五部分「七虎AI PaaS 平台 · 全面分析评估」，基于 ARCHITECTURE.md v2.0 与外部参照系做差距分析
下一步行动：将本文件喂给 WorkBuddy，按 5.4 节优先级总表逐项推进落地。

86 KiB Raw Blame History Unescape Escape

AI PaaS 平台 · Starred 项目分析报告 + 落地可执行方案

目录

第一部分：Starred 项目分层分析矩阵

1.1 总览：项目分层地图

1.2 第一梯队：值得借鉴（架构/模式/产品哲学）

1.2.1 Open WebUI

1.2.2 Octop（腾讯云）

1.2.3 StaffDeck（OpenBMB）

1.2.4 OpenWorker（Andrew Ng）

1.2.5 Loop Engineering

1.2.6 EigenFlux

1.3 第二梯队：直接参考价值（能力组件）

1.3.1 Meilisearch

1.3.2 FAISS（Facebook Research）

1.3.3 Semantica

1.3.4 txtai

1.3.5 TreeSearch

1.3.6 Agent-Reach

1.3.7 Goose（AAIF）

1.3.8 Next AI Draw-IO

1.3.9 HyperFrames（HeyGen）

1.3.10 Astryx（Facebook）

1.4 第三梯队：可运行参考实现（可上架技能）

1.4.1 dashi-ppt-skill

1.4.2 baoyu-skills

1.4.3 marketing-skills

1.4.4 equity-research-skill

1.4.5 ai-job-search

1.4.6 hue

1.4.7 OpenCut

1.5 落地建议总表

架构层（借鉴 + 参考实现）

能力层（集成或自建）

技能市场上架（第一批真实内容）

第二部分：深度拆解 Open WebUI 架构

2.1 拆解目标与方法论

2.2 整体架构拓扑

2.3 核心子系统逐一拆解

2.3.1 认证与多租户体系（RBAC + SSO）

2.3.2 模型路由与供应商抽象层

2.3.3 RAG 管线与向量检索引擎

2.3.4 插件/技能扩展体系

2.5 Token 驾驶舱与用量计量

2.6 管理后台与审计

2.7 对照映射：Open WebUI 模块 → 本平台模块

2.8 可直接复用的代码/模式清单

第三部分：dashi-ppt-skill 平台化改造方案

3.1 改造目标

3.2 原项目能力盘点

3.3 平台化改造架构

3.4 SKILL.md 规范定义

3.5 API 适配层设计

3.5.1 统一入口

3.5.2 模型路由集成

3.6 多租户隔离与配额

3.6.1 工作区隔离

3.6.2 配额策略

3.6.3 数据库 Schema

3.7 上架清单与验收标准

3.7.1 上架检查清单

3.7.2 验收测试用例

3.8 改造排期（2 周落地）

第四部分：AI PaaS 平台技能开发标准

4.1 设计原则

4.2 技能包目录结构（强制规范）

4.3 SKILL.md 元数据规范（Schema）

4.4 技能生命周期状态机

4.5 审核流程与质量标准

4.5.1 自动审核（CI 流水线）

4.5.2 人工审核标准

4.5.3 审核 SLA

4.6 评分与排行算法

4.6.1 综合评分公式

4.6.2 排行维度

4.7 安全与沙箱规范

4.7.1 沙箱架构

4.7.2 权限矩阵

4.7.3 安全红线（触发即下架）

4.8 变现与分润模型

86 KiB

Raw Blame History