qihuaiflow/docs/ITERATION_PLAN.md

七虎AI PaaS 平台 — 迭代优化可执行方案 v1.0

来源: 基于 AI_PaaS_Platform_Analysis_and_Execution_Plan v2.md（元宝深度分析文档） 日期: 2026-07-27 原则: P0 先做、P1 跟进、P2 规划评估；每 Phase 一个交付周期

---

总览：20 项行动按 4 个 Phase 分组

Phase 0 (本周):   4 P0 项 — 基础设施补全，投入产出比最高
Phase 1 (2周内):  6 P0+P1 项 — 核心竞争力构建
Phase 2 (1月内):  5 P1 项 — 体验与护城河加固
Phase 3 (评估):   5 P2 项 — 按需投入

---

Phase 0：基础设施补全（本周，4 项 P0）

这些是文档反复强调的"先决条件"——不做，后面的都没法高效开展。

#0A. 多租户隔离（PG RLS + tenant_id）

现状: 平台无真正的多租户隔离。所有用户共享同一套数据，仅靠 JWT 区分身份。 目标: 启用 PostgreSQL Row Level Security，所有业务表加 tenant_id。 工作量: 3 天 实施:

• 核心表（conversations/messages/market_apps/skill_instances）加 tenant_id UUID 列
• 启用 ALTER TABLE ... ENABLE ROW LEVEL SECURITY
• 创建 RLS 策略：USING (tenant_id = current_setting('app.current_tenant')::UUID)
• FastAPI middleware 注入 app.current_tenant 从 JWT 提取
• 知识库/资产存储目录结构改为 /workspace/{tenant_id}/{user_id}/

#0B. LiteLLM Proxy — 统一 AI 网关

现状: 自定义 failover（_try_models 列表 + continue 切换），无成本追踪、无限流、无缓存。 目标: 引入 LiteLLM Proxy 作为网关，客户端零改动。 工作量: 3 天 实施:

• 部署 litellm 容器，配置 litellm_config.yaml
• 映射现有 4 个 provider（SiliconFlow/MiMo/AGNES/DeepSeek）
• 启用 Virtual Keys（按用户/租户分发 API Key，追踪花费）
• 启用 RPM/TPM 限流 + 加权负载均衡（替代 try-except failover）
• 启用 Redis 语义缓存（相同 prompt 不重复计费）
• litellm 端点替换 DATABASE_URL 配置中的模型 endpoint

#0C. Meilisearch — 技能市场搜索引擎

现状: 技能市场搜索依赖 PostgreSQL ILIKE 查询，无中文分词、无 BM25、无分面筛选。 目标: 部署 Meilisearch 容器，替代 PG 全文搜索。 工作量: 2 天 实施:

• 部署 meilisearch 容器（含 jieba 中文分词）
• 创建 market_apps 索引（name/description/tags/category/capability/publisher）
• 全量同步现有 115 个技能到 Meilisearch
• 前端 MarketPage 搜索框改为调用 /search API（sub-50ms 响应）
• 支持 facets（category/capability/tags）+ 排序（downloads/rating/date）
• 后续可用 Tenant Tokens 做多租户搜索隔离

#0D. 角色模型扩展（5 级 + 用户组）

现状: 仅 admin/user 两级，无 user groups、无模型/技能按组分配。 目标: 5 级角色 + 用户组机制。 工作量: 3 天 实施:

• 角色：super_admin / admin / developer / user / guest
• 用户组（Groups）：用户可属于多个组；组级模型配额和技能可见性
• 用户组 API（CRUD + 成员管理）
• 前端 AdminLayout 角色判断（developer 可发布技能但不可管理用户）

---

Phase 1：核心竞争力构建（2 周内，6 项 P0+P1）

#1A. 技能真实执行器 — 3 个标杆技能 ⭐ 最重要

现状: _execute_skill_tool() 是"指令转发"——把 SKILL.md 的文字抄给 LLM，让 LLM "模拟执行"。这是平台最大短板。 目标: 落地真实执行器，3 个标杆技能跑通端到端。 工作量: 2 周 实施:

Step 1: 执行器基础架构（3 天）

• SkillRuntime 类：鉴权 → 创建工作区 → 调技能 API → 扣配额 → 存储产物 → 记录计量
• SkillInstance DB 模型：状态机（generating/ready/failed/archived）
• S3 兼容对象存储集成（MinIO 起步）
• 工作区隔离：/workspace/{tenant_id}/{user_id}/{skill}/{instance_id}/

Step 2: 标杆技能 #1 — AI PPT 生成器（5 天）

• 基于 dashi-ppt-skill 改造
• 适配层 API：/api/generate POST、/api/export/pptx GET、/api/export/pdf GET
• 输入：文本/文档 → LLM 生成大纲 → 渲染 HTML 幻灯片 → 导出 PPTX/PDF
• 预览图生成（headless Chrome 截图）
• 配额：Free 3次/天，Pro 50次/天

Step 3: 标杆技能 #2 — SEO 优化助手（2 天）

• 基于 marketing-skills 改造
• 输入：URL/关键词 → 分析 SERP → 输出 SEO 报告+优化建议

Step 4: 标杆技能 #3 — AI 投研报告��2 天）

• 基于 equity-research-skill 改造
• 输入：股票代码 → 财报分析 + DCF 估值 → 输出结构化投研报告

#1B. 统一 SKILL.md Schema

现状: 技能元数据散乱，无统一格式/版本/权限/定价规范。 目标: 发布平台统一 SKILL.md 规范（9 大区块）。 工作量: 3 天 实施:

• Schema：name/version/author/description/capabilities/inputs/outputs/resource/permissions/dependencies/pricing
• 与现有 market_app DB 字段映射
• 自动解析器：_parse_skill_content() 增强，从 SKILL.md 提取结构
• 前端技能详情页显示结构化信息（输入/输出/配额/定价）

#1C. 流式 Token 计费 + 实时余额

现状: 仅记录 Token 用量，无计费、无余额扣减、无配额提示。 目标: 实时 Token 计费 + 流式扣费 + 用户余额。 工作量: 5 天 实施:

• LiteLLM 集成后，每次调用自动获取 usage.prompt_tokens + completion_tokens
• 流式场景：累加 chunk 计数，done 事件时写入
• 用户余额表：token_balances
• 前端：对话中实时显示剩余 Token（顶部状态栏）
• 余额不足时提前拦截（不浪费一次模型调用）

#1D. Agent 可视化编排画布 ⭐ 亮点

现状: Agent 编排靠 YAML 手写，无可视化界面。 目标: 基于 React Flow 的可拖拽编排画布。 工作量: 2 周 实施:

• 前端：React Flow 节点编辑器（节点库：LLM/Skill/MCP/External/Reduce/条件分支）
• 拖拽连线定义数据流
• 导出为 YAML → 对接现有 run_graph() 引擎
• 执行监控：实时高亮当前执行节点、查看输出

#1E. 角色模型扩展（5 级 + 用户组）— 续 Phase 0D

（已在 Phase 0 中定义）

#1F. 技能市场搜索 — 续 Phase 0C

（已在 Phase 0 中定义，Meilisearch）

---

Phase 2：体验与护城河加固（1 月内，5 项 P1）

#2A. 工具调用四级风险审批

现状: 仅 tool_policy 沙箱（白名单+预算+每轮上限），无操作风险分级。 目标: 参考 OpenWorker 的四级风险模型。 工作量: 3 天 实施:

• 风险等级：read / write_local / exec / external
• 每级定义默认行为（read 自动许可 / write_local 确认 / exec 审批 / external 管理员审批）
• 前端：高风险操作弹窗确认 + 审批后重试
• 审批队列：pending_approvals 表 + 管理员后台

#2B. 引入 MemPalace 分层记忆

现状: 五类结构化记忆（实体/事实/偏好/决策/待办），无分层索引。 目标: Wing/Room/Drawer 分层索引（MemPalace）。 工作量: 1 周 实施:

• Wing = 用户级（跨所有对话）
• Room = 对话级（单次对话上下文）
• Drawer = 话题级（对话内特定话题）
• 跑 LongMemEval benchmark 量化召回率

#2C. Loop 原语 + Verifier

现状: Agent 编排是 DAG 拓扑排序，无循环边、无验证器。 目标: 引入 Loop 原语（循环边 + 终止条件 + Verifier）。 工作量: 1 周 实施:

• orchestrator.py 支持循环边：{"from": "verify", "to": "generate", "condition": "not_passed"}
• Verifier 节点：判断目标是否达成的验证器
• 前端画布（#1D）支持画循环边

#2D. executor 沙箱升级

现状: executor 容器基于 Docker，无严格内核隔离。 目标: gVisor 或 Firecracker 微虚拟机隔离。 工作量: 3 天 评估: gVisor 集成最简单（Docker 的 --runtime=runsc）

#2E. 技能 SDK + 脚手架 CLI

现状: 技能开发者手动创建目录和 SKILL.md。 目标: qihu-skill CLI 脚手架。 工作量: 1 周 实施:

• qihu-skill init my-skill → 生成目录结构 + SKILL.md 模板
• qihu-skill validate → 校验 SKILL.md Schema
• qihu-skill publish → 打包上传到平台技能市场
• qihu-skill dev → 本地调试（Mock SkillRuntime）

---

Phase 3：评估后按需投入（5 项，P2）

#3A. Semantica 决策溯源

• 场景：金融/医疗/法律客户要求可解释 AI
• 工作量：评估 3 天 + 集成 1 周
• 决策标准：是否有付费企业客户明确要求

#3B. Langfuse/LangSmith Agent 轨迹

• 场景：开发者调试 Agent 执行、产品优化
• 工作量：3 天集成
• 决策标准：Agent 可视化画布上线后，按需求优先级

#3C. Agent 广播网络（EigenFlux）

• 场景：Agent 间自动发现与协作
• 工作量：评估
• 决策标准：多 Agent 协作需求明确后

#3D. 前端暗色模式

• 工作量：3 天
• 决策标准：用户体验迭代批次

#3E. 移动端适配

• 工作量：2 周
• 决策标准：移动端用户数据达标后

---

优先级总表（20 项排序）

#	行动	模块	优先级	工作量	依赖
1	LiteLLM Proxy 统一 AI 网关	模型路由	P0	3d	-
2	Meilisearch 技能市场搜索	搜索	P0	2d	-
3	PG RLS + tenant_id 多租户隔离	多租户	P0	3d	-
4	角色 5 级 + 用户组	多租户	P0	3d	#3
5	3 个标杆技能真实执行器	技能市场	P0	2w	-
6	SKILL.md 统一 Schema	技能市场	P0	3d	-
7	流式 Token 计费 + 实时余额	变现	P0	5d	#1
8	Agent 可视化编排画布	Agent	P1	2w	-
9	Loop 原语 + Verifier	Agent	P1	1w	#8
10	工具四级风险审批	安全	P1	3d	-
11	executor gVisor 升级	安全	P1	3d	-
12	MemPalace 分层记忆	RAG	P1	1w	-
13	技能 SDK + 脚手架 CLI	技能市场	P1	1w	#6
14	LongMemEval 基准测试	RAG	P1	2d	-
15	技能审核流水线	技能市场	P2	1w	#6
16	分润模型 + 开发者结算	变现	P2	1w	#7
17	Langfuse Agent 轨迹	可观测	P2	3d	#1
18	Semantica 决策溯源	安全	P2	评估	-
19	前端暗色模式	UI	P2	3d	-
20	移动端适配	UI	P2	2w	-

---

竞品对比更新（基于分析文档）

维度	七虎AI 现状	Open WebUI	Dify	差距/优势
RBAC	admin/user 2 级	Admin/User/Pending + Groups	内置多租户	🔴 落后
向量库	仅 pgvector	9 种可插拔	多种	🟡 够用
RAG 管线	单路向量	3 阶段 BM25+向量+Rerank	混合检索	🟡 待增强
插件体系	Skills+MCP	5 类插件	工作流节点	🟡 够用
Token 计量	仅记录	实时+按模型+仪表盘	内置	🔴 落后
模型路由	try-except	Pipe 路由	内置 failover	🟡 待 LiteLLM
Agent 编排	DAG 图引擎	无	工作流画布	🟢 领先
技能市场	上架-安装-执行	无	无	🟢 护城河

---

当前已完成（对标分析文档的"已修复弱点"）

这些本期会话已修复，分析文档第九节引用：

修复	状态	对应文档章节
AGENT_GUIDE 标准化	✅	§九 - 固定弱点已修复
MCP 官方 SDK + Schema 转换	✅	§九
Tool Policy 白名单+预算+每轮上限	✅	§九
MiMo Token Plan 适配	✅	-
overflow-x: hidden 响应式修复	✅	-
架构蓝图 ARCHITECTURE.md	✅	-

---

执行指令: 告诉我 "执行 Phase 0" 开始落地。每完成一项在对应 checkpoint 勾掉。 上传到 Gitea: 本方案同步上传到 qihuaiflow/docs/ITERATION_PLAN.md