> 译文仅供阅读便利。具有规范效力的是英文原文。

# AI 集成模式

**元宇宙规范**

**文档编号：** MU-V2-GUIDE-009  
**标题：** AI 集成模式  
**文档类别：** 说明性  
**版本：** 2.0（草案）  
**状态：** 工作草案  
**规范性引用：** 无  
**说明性引用：** [AI-Agent-Guide](../07-guides/AI-Agent-Guide.md)、[Contract](../04-core-concepts/Contract.md)、[Projection](../04-core-concepts/Projection.md)、[Event](../04-core-concepts/Event.md)、[Provenance-Graph](../02-architecture/Provenance-Graph.md)、[MMAS-Interchange](../02-architecture/MMAS-Interchange.md)  
**版权：** © Orkestron.AI  
**许可：** Apache-2.0

---

# 1. 目的

这份指南给出在元宇宙之上建造 AI 智能体的**具体模式**。它是
[AI 智能体指南](../07-guides/AI-Agent-Guide.md)的实现搭档：那一份讲的是推理回路
与各项原则，这一份则展示如何把一个真实的、以大语言模型为底的智能体接到这些原则
上 - 工具调用架构、RAG、在智能体回路之内强制执行的合约、向量存储与图存储。

这些模式预设：智能体把语言模型当作*推理引擎*，而不是知识的存放处；知识、规则与
历史都活在模型权重之外那些受治理的语义模型里。

---

# 2. 推理回路的落地

这里的每一个模式，服务的都是同一个回路，取自
[AI 智能体指南](../07-guides/AI-Agent-Guide.md)：

```text
Task → Context → Meta-Models → Contracts → Projections
     → Reasoning → Events → Traceable Result
```

下面各节把每个阶段对到一门具体技术上：

- **元模型** → 作为工具调用架构与结构化输出约束载入大语言模型（第 3 节）；
- **投影 + 事件** → 通过面向意义而非面向原始行的 RAG 取回（第 4 节）；
- **合约** → 作为可执行语义合约在回路之内强制执行（第 5 节）；
- **推理 + 可追溯的结果** → 立在向量存储与图存储之上（第 6 节）。

---

# 3. 模式：把一份元模型载入大语言模型

一份元模型以两种互补的方式载入语言模型：

- **作为工具调用架构。** 智能体可执行的每个对象、每次投影请求、每个记录事件的
  动作，都暴露成一件工具，其参数架构由元模型的
  [MUIF](../02-architecture/MMAS-Interchange.md) 定义推导而来。一个概念的 CSN
  成为工具名或字段名的正典形式，于是模型是*以该领域的词汇*去调用工具，而不是自
  行编造一套。
- **作为结构化输出约束。** 当智能体必须给出一份投影或一条断言时，预期的输出被约
  束到相应原语的架构上。模型填的是一个已知的形状；它不会甩出一团自由格式的
  JSON，让调用方随后去猜。

正因为工具名与字段名都是 CSN，同一个智能体只要载入另一份元模型，就能改瞄准另一
个领域 - 回路不变，变的只是架构。

---

# 4. 模式：面向投影与事件的 RAG

寻常的 RAG 取回的是原始行或文档片段。元宇宙的智能体取回的是**意义**：

- 在[投影](../04-core-concepts/Projection.md)之上建索引、作检索 - 那是最小的、
  与语境相称的视图 - 而不是在原始的内部记录之上。智能体只拿到任务所需，且已按它
  的语境成形。
- 在[事件](../04-core-concepts/Event.md)与[语义时间线](../04-core-concepts/Event.md)
  之上建索引、作检索，好让智能体能取回*发生了什么、为何发生*，并重建历史状态，而
  不只是当下的一张快照。
- 把每一条检索所得的出处边一并带进提示，好让检索来的语境本就可以经
  [出处图](../02-architecture/Provenance-Graph.md)追溯。

效果是：检索返回的是可解读、由合约成形、且附着谱系的知识 - 而不是一段还要模型
再去解读一遍的无名文本。

---

# 5. 模式：智能体回路里的可执行语义合约

一份[合约](../04-core-concepts/Contract.md)是作为**可执行语义合约**在智能体回路
*之内*强制执行的，而不只是围着回路写在文档里。每一步都要向合约请示：

- **允许的投影** - 回路只索取合约就该任务之目的所允许的投影；越出这一集合的请
  求，在读到任何数据之前便被拒绝。
- **隐藏的字段** - 凡合约标为不可披露的字段，在检索所得的投影抵达模型的上下文窗
  口之前就被滤掉，于是大语言模型从不会看见它不可使用之物。
- **通知所有者的事件** - 凡合约指定为重大的动作，都会发出不可变的
  [事件](../04-core-concepts/Event.md)去通知拥有它的宇宙，于是披露与有后果的决定
  都会留下可审计的痕迹。

具体地说，合约包住了每一次工具调用：

```text
for each step in the agent loop:
    proposed_action ← LLM(context)
    contract.check(proposed_action.purpose, proposed_action.projection)
        → allow | deny | redact
    if allow/redact:
        result ← execute(proposed_action)            # redact hidden fields
        if action is significant: emit Event → notify owner
    else:
        return refusal to the model with the reason
```

合约因而是一道运行时的护栏：即便模型的推理想要越界，智能体也*不能*超出自己的披
露权限。

---

# 6. 模式：向量存储与图数据库

这两种存储在回路中扮演互补的角色：

- **向量存储** - 驱动第 4 节的 RAG 检索：投影与事件摘要的嵌入，使得对*任务所需
  之意义*的语义检索成为可能。它回答的是"什么是相关的？"。
- **图数据库** - 存放[出处图](../02-architecture/Provenance-Graph.md)与元模型的关
  系结构。它回答 [Provenance-Graph §7](../02-architecture/Provenance-Graph.md) 所
  列的结构性问题 - 论证（"这为何为真？"）、影响（"若 X 变了，什么会坏？"）与依赖
  - 那是相似度检索答不了的。

称职的智能体两者都用：以向量存储去*找出*候选语境，以图去*论证并框定*它。按相似
度取回；以遍历来核实与追溯。

---

# 7. 一次智能体任务的走查

**任务：** "为员工 E 起草一份晋升建议。"

```text
Task     : draft a promotion recommendation for employee E
Context  : purpose = HR review; audience = E's manager; constraint = internal only
Meta-Models : Employee + Organization Meta-Models loaded as tool schemas (CSNs)
Contracts : HR Disclosure Contract bound to the loop (Purpose = HR review)
Projections : vector store retrieves E's Competency Projection and the
              Promotion-Policy Projection — already filtered of salary fields the
              contract hides
Reasoning : the LLM applies the policy to the competency evidence; the graph store
            supplies the justification chain (Competency ← Reviews ← Feedback)
Events   : agent emits a Disclosure Event (recommendation drafted under HR
           Contract); owner is notified
Result   : a recommendation, explainable back through Context, Contract,
           Projections and the Provenance Graph to its source observations
```

让结果站得住的不是文笔：而是每一条论断都能经
[出处图](../02-architecture/Provenance-Graph.md)追溯到作根据的凭据，是模型从未见
过的薪资已被合约排除在外，是这份草稿本身也作为[事件](../04-core-concepts/Event.md)
被记了下来。同一个智能体，换一份元模型与一份合约，便以同样的保证去做一件全然不
同的任务。

---

# 8. 集成检查清单

依这些模式建造智能体时，请确认：

- 元模型以工具调用架构暴露，名字用 CSN；
- 输出被约束到各原语的架构上；
- RAG 取回的是投影与事件，而不是原始行；
- 有一份合约在回路之内强制执行（允许的投影、隐藏的字段、通知所有者的事件）；
- 相关性交给向量存储，出处与影响交给图存储；
- 每一个重大动作都发出不可变的事件；
- 每一个结果都可经出处图追溯。

---

# 9. 未来方向

这些模式可以收拢成一套可复用的**智能体运行时配置**：一个从
[MUIF](../02-architecture/MMAS-Interchange.md) 生成工具架构的标准生成器、一个可执
行语义合约的参考执行库，以及一份把向量与图存储绑到投影和出处图上的检索合约。再
配上 [AI 智能体指南](../07-guides/AI-Agent-Guide.md)里的自主联邦协商，这样一套配
置便能让任何合规的智能体接入任何宇宙，而出处、披露边界与可解释性都由构造本身担
保。

---

# 结语

在元宇宙之上建造 AI 智能体，要点不在于一个更精巧的提示。要点在于，把语言模型接
进这样一个回路：领域、规则、视图与历史，都活在它周围那些受治理的语义模型里 - 于
是智能体所取回的是意义，它可以披露什么是被强制约住的，而它所得出的结论，总能一
路追回到使之为真的那些凭据。