业务应用层

💬 用户问题

"今年第一季度各产品类别的销售额和同比增长率，按销售额降序排列"

用户通过自然语言输入业务问题，无需了解数据库结构和 SQL 语法。

⚙️ NL2SQL 转换

意图：数据查询 + 对比分析
业务领域：销售分析
时间范围：2026-01-01 ~ 2026-03-31
指标：销售额(sales_amount)、同比增长率(yoy_growth)
维度：产品类别(product_category)
排序：销售额降序

📄 生成的 SQL

SELECT
  pc.category_name,
  SUM(s.sales_amount) AS total_sales,
  (SUM(s.sales_amount) - SUM(sy.sales_amount)) / NULLIF(SUM(sy.sales_amount), 0) * 100 AS yoy_growth
FROM sales s
JOIN product_categories pc ON s.category_id = pc.id
LEFT JOIN sales_same_period_last_year sy ON s.category_id = sy.category_id
WHERE s.sale_date BETWEEN '2026-01-01' AND '2026-03-31'
GROUP BY pc.category_name
ORDER BY total_sales DESC;

📊 结果展示

自动渲染为柱状图（销售额对比）+ 折线图（增长率）组合图表，附带自然语言摘要："第一季度电子类产品销售额最高，达 1,280 万元，同比增长 23.5%；服装类增长最快，同比增长 35.2%……"

🛡️ 只读强制

所有数据库连接使用 只读账户，在连接层面禁止 INSERT、UPDATE、DELETE、DROP、ALTER、TRUNCATE、CREATE 等写操作。SQL 校验阶段额外检测查询类型，拒绝任何非 SELECT 语句。双重保障确保数据安全。

📝 语句白名单

仅允许安全的 SQL 语句模式：普通 SELECT、聚合查询（GROUP BY）、子查询、CTE（WITH 语句）、JOIN（INNER/LEFT/RIGHT/FULL）、窗口函数。禁止：DDL、DML、存储过程、动态 SQL、系统函数调用（如 LOAD_FILE、xp_cmdshell）、文件 IO 操作。

🕵️ 敏感列脱敏

支持在数据源 Schema 级别配置敏感列：身份证号、手机号、邮箱、银行卡号、密码、密钥等。脱敏策略包括：完全隐藏（***）、部分掩码（123****8901）、保留格式脱敏。脱敏在查询结果返回前由平台执行，数据源无感知。

🧩 结果审计

所有查询请求和返回结果完整记录审计日志：查询用户、时间、原始问题、生成的 SQL、执行耗时、返回行数、Token 消耗。审计日志不可篡改，保留 365 天。支持按用户、时间、查询类型等多维度审计检索。

📝 自然语言解释

查询结果自动附带自然语言摘要，用业务语言描述查询发现："本季度销售额同比增长 18.5%，主要增长来自华东地区（+32%）和新产品线（+45%）"。摘要基于查询结果和业务上下文自动生成，让非技术用户也能理解数据含义。

📊 自动图表选择

平台根据数据特征自动选择最佳可视化方式：对比分析→柱状图/条形图、趋势分析→折线图/面积图、占比分析→饼图/环形图、相关性→散点图/气泡图、分布→热力图/箱线图、地理→地图可视化。支持一键切换图表类型。

🔄 追问支持

支持多轮对话上下文：用户可以在当前查询结果基础上继续追问（"按城市细分看看"、"只显示前 5 名"、"用百分比表示"）。系统维护对话状态和查询上下文，理解指代（"它们"、"这个"、"和刚才一样"）和增量约束（"再加上利润率"）。

📥 结果导出

查询结果支持多种导出格式：CSV（原始数据）、Excel（含图表）、PDF（报告格式）、Markdown（嵌入文档）。支持定时报告：配置查询定时执行（每日/每周/每月），结果通过邮件或即时通讯自动推送到指定收件人。

🔍 Metadata RAG

将数据库 Schema 元数据（表结构、列描述、外键关系、业务术语映射）提前向量化并存储到向量数据库。NL2SQL 的 Schema 链接阶段通过向量检索快速定位相关表和列，避免将完整 Schema 灌入 Prompt，同时显著提升链接准确率和速度。

📥 查询缓存

两层缓存策略：结果缓存——完全相同的问题在缓存 TTL（默认 5 分钟）内直接返回缓存结果；SQL 缓存——相似的查询模式（如"各地区的销售额"和"各地区营收"）命中同一 SQL 模板，仅替换参数。缓存命中率通常 > 40%。

🧩 预计算聚合

对高频查询的业务指标（日销售额、月活跃用户、季增长率等）提前建立物化视图或聚合表。NL2SQL 引擎自动识别查询是否为预计算可覆盖，将查询路由到聚合表而非详情表，查询速度提升 10-100 倍。

⚡ 查询超时控制

每个查询设置最大执行时间限制（默认 30s，复杂查询可调整到 120s）。超时查询自动终止并返回"查询时间过长，请缩小数据范围或使用更精确的筛选条件"提示。大数据源（Hive/Spark）设置更严格的超时限制。

🎤 语音克隆引擎

CosyVoice：阿里通义实验室开源的语音克隆模型，支持 3-10 秒参考音频即可完成声音克隆。支持跨语言语音合成（中文/英文/日文混合）。
GPT-SoVITS：少样本语音克隆方案，仅需 1 分钟参考音频即可实现高相似度克隆。支持音色混合（融合多个人的声音特征）。
克隆效果评估指标：MOS 评分（Mean Opinion Score）> 4.0、说话人相似度 > 90%。

📣 TTS 引擎

ChatTTS：对话式文本转语音模型，支持自然停顿、语气变化、笑声、叹息等副语言特征。特别适合对话场景的数字人语音合成。
Edge-TTS：微软 Edge 浏览器内置 TTS 引擎的多语言支持，提供超过 400 种语音，覆盖 100+ 语言和地区。
Fish-Speech：基于 VQ-GAN 和 LLM 的 TTS 模型，支持零样本克隆和多种说话风格。

🎭 情感语音合成

支持 6 种基础情感的语音合成：高兴、悲伤、愤怒、惊讶、恐惧、平静。情感强度可调节（1-10 级）。通过以下方式实现：情感 Embedding 注入（在语音生成模型中添加情感向量）、韵律调节（调整语速、音高、音量参数）、副语言标注（在文本中插入笑声、停顿、重音等标签）。

🎵 背景音乐与音效

自动为数字人语音配置背景音乐（BGM）：根据数字人风格和对话场景推荐 BGM（温馨/专业/激昂/轻松）。支持音效触发：在关键节点（表情变化、动作）自动添加音效。BGM 和语音自动均衡处理，确保语音清晰度。

🖼️ 文生图角色创建

使用 FLUX.1 / Stable Diffusion 3.5 等文生图模型，根据角色设定文本生成初始角色外观。支持迭代优化——用户可通过文本描述调整外貌特征（"把头发改成银色长发"、"换成现代休闲服装"）。每次生成产出多张变体供选择。

🔄 角色一致性保持

采用 IP-Adapter（图像 Prompt 适配器）将选定角色形象编码为可复用的 Image Prompt，确保同一角色在不同场景、角度和表情下保持外观一致。InstantID 技术提供身份保持（Identity-Preserving）生成，只需一张参考图即可在不同风格中保持角色身份。效果：跨场景角色相似度 > 95%。

🧐 多角度多表情资产

自动为每个角色生成多角度（正面、侧面 45°、侧面 90°、背面）和多表情（高兴、悲伤、愤怒、惊讶、害怕、厌恶、中立）的标准化形象资产。所有角度的角色使用统一的角色 Image Prompt，确保一致性。资产以分层 PSD/SVG 格式存储，支持后期编辑。

🎨 风格适配

支持多种美术风格：日式动漫、美式卡通、国风水墨、厚涂写实、Q 版可爱、像素风等。角色设计阶段即确定风格基调，后续所有场景和动画保持风格统一。风格通过 LoRA 模型或 Style Adapter 实现。

📐 自动网格规划

根据剧本内容的叙事节奏自动规划页面/时间线布局：漫画——将页面划分为网格（1 格到 12 格不等），重要场景分配更大区域，对话密集场景分配更多格子。动画——规划镜头时长和转场节奏（关键情节每镜 3-6 秒，日常对话可延长至 8-10 秒）。

➕ 角色+场景+对话合成

将角色（根据分镜指定角度和表情）、场景（根据镜头编号选择对应视角）和对话气泡/字幕自动合成。合成规则：角色位置根据构图原则（三分法、对称、引导线）自动放置；对话气泡根据阅读顺序（从左到右、从上到下）自动排列。支持中英文双语字幕自动生成。

✨ 效果线与速度线

自动为动作场景添加效果线：速度线——快速移动、冲刺、飞行场景；冲击线——碰撞、爆炸、打击场景；聚焦线——角色发现关键线索、震惊表情；背景效果——拟声词效果（"轰"、"砰"、"嗖"）、放射状背景。效果线样式与作品整体风格一致。

🎭 风格化后处理

整页/整段风格一致性处理：色调统一——所有格子/镜头使用一致的色调和饱和度；描边处理——统一的线条粗细和着色风格；对比度优化——根据内容调整明暗对比（戏剧场景增强对比，温馨场景降低对比）；去瑕疵——自动检测并修复 AI 生成中的常见瑕疵（变形手指、多余物体、不合理结构）。

🔗 通过 L6 编排 API 调用平台能力

业务应用的所有 AI 能力请求都通过 L6 编排 API 发出。典型调用流程：业务后端调用 L6 编排 API（传递业务参数）→ L6 编排引擎解析请求、查找匹配的编排工作流 → 编排引擎调度多个 Agent 协作执行 → 通过 L5 Agent Runtime 完成模型推理和工具调用 → L6 汇总结果返回给业务应用。
API 规范示例：POST /api/v1/orchestration/execute — 请求体包含 workflow_id、input_params、context；响应包含 execution_id、status、output、metadata。

🎁 利用 L5 能力（通过 L6 间接使用）

L5 层的各项能力（单 Agent、Dify Workflow、RAG API、MCP Tool）对 L7 业务应用是不可见的——业务应用只能通过 L6 编排 API 间接使用它们。这种间接使用模式的优势：统一的治理入口——所有推理请求都有审计和监控记录；能力可组合——编排工作流可灵活组合多个 L5 能力；故障隔离——L6 层的熔断和降级机制保护业务应用不受单点故障影响。

🤝 开发者入驻流程

新团队/开发者加入平台开发业务应用的流程：1 注册平台开发者账号，完成团队和应用信息登记。2 参加平台开发者培训（视频课程 + 实操练习），了解 L7 开发规范和安全要求。3 申请 dev 环境资源（命名空间、数据库、缓存、模型配额）。4 使用平台 SDK（Python/TypeScript/Java）开始开发。5 开发完成后提交代码审查和上线审批。6 持续监控和迭代。
完整开发文档和 SDK 下载可在平台开发者门户获取（internal.dev.ai-platform.com）。

🛡️ 安全与合规要求

所有 L7 业务应用必须遵守以下安全合规红线：不绕过 L6——禁止直接调用 L5 或 L4 API 进行模型推理。不暴露平台内部——UI 和 API 中不显示模型名称、Prompt 内容、Token 用量等技术细节。数据隔离——业务数据存储与平台数据存储严格分离。用户隐私——收集终端用户数据必须获得明确授权并符合数据保护法规。内容安全——AI 生成内容必须经过安全过滤和合规审查。