跳到主要内容

JitAi：为企业级AI应用而生

行业背景​

在企业级AI应用开发中，我们经常遇到两个关键问题：AI需要与人类协作，以及AI需要与用户界面深度结合。

人机协作问题：很多业务场景需要人工确认，比如合同审批、支付授权、数据核验等敏感操作。还有一些复杂的业务逻辑，AI无法完全处理，需要人工判断和介入。AI和人类需要在同一个工作流程中实时交互。

界面融合问题：AI需要能够获取用户在页面上的操作状态，比如表单输入了什么内容、表格筛选了什么条件，然后根据这些信息做出相应的决策。AI的行为也需要根据用户的操作动态调整。

现有平台的不足：目前主流的AI开发平台（如Coze、Dify等）虽然让AI应用开发变得简单，但在实际使用中还有很多限制。比如AI只能在服务器端运行，无法直接操作用户界面，也无法获取用户在页面上实时输入的数据。当需要人工确认某个操作时，这些平台也无法提供相应的机制。

JitAi：全栈式企业级AI应用开发框架​

框架定位​

JitAi 专为生产级 AI 应用而生，为开发者提供低门槛、突破性的企业级 AI 开发体验。

核心特性​

🚀 零代码可视化编排​

  • 拖拽式开发：通过可视化界面零代码编排复杂的多 Agent 协作流程
  • 灵活配置：自由设计 Agent 的提示词、输入输出参数及工具链

🔧 全域工具集成​

  • 全技术栈覆盖：一键接入数据模型、服务函数、外部 API、前端页面函数等
  • 前后端打通：突破传统 Agent 的后端限制，实现全栈 AI 能力

📊 深度可观测性​

  • 全链路监控：实时监控 Agent 执行状态、工具调用日志、流程节点输出
  • 运行透明：精细配置事件处理逻辑，全程可观测

🤝 人机协作​

  • UI-Agent 交互：独创的界面与 AI 交互设计能力
  • 开箱即用：为需要人类协同的生产场景提供完整解决方案

JitAi 让复杂的 AI 应用开发从实验室走向真实业务场景，为企业级 AI 应用提供完整的技术解决方案。

框架组成​

JitAi提供了AI大模型元素、AI Agent元素、AI助理元素以及知识库元素。

  • AI大模型元素：实现了对市面上大模型调用的API封装，开发者通过填写API地址及API_KEY即可完成对一个大模型调用的配置。大模型元素可以作为函数被服务/模型元素调用。
  • AIAgent元素：是一个原子化的AI应用单元，通过配置大模型元素、输入参数、输出结果、工具及知识库实现一个单一的AI功能。AI Agent可以像函数调用一样被独立调用，也可以被助理元素调用。
  • AI助理元素：用于实现复杂的任务，通过可视化流程编排，多节点、多Agent的组合实现一个复杂的服务端业务流程。在前端则提供了一个对话框，该对话框可嵌入到页面中并可与页面进行交互。
  • 知识库元素：用于实现对RAG知识库的封装，开发者通过上传文档即可构建自己的知识库，知识库可被Agent调用。

案例​

下面以一个考试系统中的阅卷功能为例，演示如何通过 JitAi 开发框架开发一个AI阅卷/打分功能。

前置准备​

该系统包含6个核心数据模型：

  1. 题库模型（QuestionModel）：categoryOfTopics（题目类型）、problem（问题）、standardAnswers（标准答案）
  2. 试卷模型（ExamPaperModel）：paperName（试卷名称）、questions（题目列表）、total（总分）
  3. 试卷题目明细模型（ExamQuestionModel）：examPaper（关联试卷）、question（关联题目）、fractionalValue（分值）
  4. 考试计划模型（ExamPlanModel）：scheduleName（计划名称）、examPaper（关联试卷）、examiners（考核人员）
  5. 考生考卷模型（ExaminerExamPaperModel）：examPlan（关联考试计划）、examiner（考核人）、dateOfExamination（考核日期）、examPaper（关联试卷）、questionAndAnswers（答题明细）、score（得分）、comments（评语）
  6. 考生答题明细模型（ExaminerAnswerModel）：examinerPaper（关联考生考卷）、question（关联题目）、fractionalValue（分值）、answer（考生回答）、score（得分）、rationale（评分理由）

前端实现阅卷打分功能页面：左侧展示未打分考卷列表，右侧为评分表单。点击考卷后显示答题明细，可逐题打分并写评分理由。

接下来，我们为阅卷打分功能页面添加AI打分/阅卷功能。

通过service调用大模型​

创建大模型元素​

创建一个大模型元素，配置好API URL及API KEY。

创建大模型元素

创建AI打分服务​

创建AI打分服务，新增一个打分方法，该方法调用大模型元素进行单题打分，配置如下： 服务调用大模型

打分页面调用打分服务​

在评分表单的题目及结果列表中添加一个操作列按钮打分，事件逻辑如下： 打分页面调用AI服务

运行效果如下： 页面调用AI服务

直接调用Agent​

创建阅卷Agent​

创建一个Agent元素，配置大模型、输出结果及工具。

创建阅卷Agent

  • 大模型配置

阅卷Agent配置大模型

  • 提示词设置
# 角色：阅卷专家

# 核心任务
对考生答卷逐题打分，每一题都要打分并给出理由，若未答题，该题得0分。所有题目打分完成后写一个总评语。

# 工作流程
1. 根据用户提供的考卷编号，调用models.ExaminerAnswerModel.query工具获取考卷答题明细
2. 对第1步获取的答题明细逐条打分并给出理由。打分方式：对比 `题目标准答案` 分析 `考生的回答`，结合 `题目分值` 给出一个公正客观的得分，并给出评分理由。
3. 根据所有题目的答题情况给出一个总结评语

# 重要约束
若任意一题的回答违背下列几种情况，所有题目分数一律为0，即使其他题目回答非常准确，得分也是0：
1. 销售话术需要有礼貌，尊重客户，秉承客户至上的原则；严禁出现内涵、辱骂客户的回答
2. 弘扬正确的价值观，回复内容避免出现敏感和违背社会主义核心价值观的内容
3. 态度积极，有耐心，避免情绪化

# 输出结果的特殊要求
- 要求数据在满足要求的情况下尽量简单
- question字段的值只需要id和problem属性
- examinerPaper字段只需要id属性
  • 工具配置： Agent可使用的工具有：服务函数、数据模型函数、MCP服务、外部API以及页面函数等。此示例中，我们选择考生答题明细模型函数作为Agent的工具，选择query-查询数据方法。

添加模型工具

添加模型工具-query

  • 输出结果： 将 Agent 输出结果参数类型修改为 多行数据，模型选择 考生答题明细，参数标题设置为 答题情况； 新增一个输出结果：评语（comments），多行文本类型。

阅卷agent-输出参数配置

  • 页面调用阅卷Agent 阅卷表单中新增 AI阅卷 按钮，并配置按钮事件，调用 Agent.阅卷Agent.运行方法，参数设置为公式值： CONCAT("给编号为",评分表单.表单模型.主键ID.值,"的考卷打分")，将agent返回结果填充到表单模型字段中，并更新总分。

评分页面调用阅卷agent

至此，我们就完成了AI阅卷功能。看看效果吧！

评分页面调用阅卷agent-效果

过程观测与人机协作​

通过service调用大模型或直接调用Agent存在以下两个问题：

  • 用户无法了解AI执行进度，长时间等待无反馈
  • Agent运行结果直接更新页面，缺乏人工审核环节

下面演示如何在页面中使用AI助理，实现过程观测和人工确认。

创建助理元素​

创建一个名为阅卷助理的助理元素。

创建阅卷助理

在助理流程中添加两个节点（从顶部拖拽节点到画布中），并依次连接：

  • 阅卷Agent：AI Agent 类型，配置如下：

阅卷Agent节点配置

  • 人工确认是否采纳评分结果：工作区人机交互节点，配置如下：

阅卷-人工确定是否采纳

助理设置需要在对话框中输出的内容，这些内容用于观测AI运行过程。

阅卷助理设置输出内容

评分页面使用AI助理​

  • 阅卷评分页面中开启AI助理，并绑定阅卷助理

评分页面绑定阅卷助理

  • 页面订阅 AI助理-人工确认是否采纳评分结果 的 同意后 事件，将评分结果更新到评分表单中。事件处理逻辑如下：

阅卷评分页面-采纳评分结果

  • 修改AI阅卷 按钮事件，调用 发送AI消息方法，参数设置为公式值：CONCAT("给编号为",评分表单.表单模型.主键ID.值,"的考卷打分")

评分表单发送AI消息

至此，已完成开发，看看效果吧。

阅卷过程日志及人机交互

AI与前端深度融合​

AI与前端的深度融合体现在：

  • 页面函数可作为Agent工具，页面数据可作为Agent上下文
  • 用户页面操作可动态调整AI行为

下面展示AI如何与前端深度融合。

调整阅卷Agent​

  • 修改提示词工作流程第1步，如下：
...
# 工作流程
1. 调用 pages.bookRating.getVariableValue 工具，获取 `评分表单.表单模型` 的值，该值就是`考生答卷信息`，其中 `questionAndAnswers` 字段是考生答题明细。<**注意：**pages.bookRating 需要替换成你自己的页面id；`评分表单.表单模型` 需要替换成你实际的表单名称>
...
  • 调整调用工具，选择页面函数-阅卷评分页面-getVariableValue。该函数用于获取页面数据，Agent调用此工具获取页面数据作为上下文。

阅卷助理使用页面函数

阅卷助理获取前端数据

调整阅卷助理​

  • 移除人工确认是否采纳评分结果节点，新增工作区人机交互节点到阅卷Agent节点后面，配置如下：

阅卷助理工作区人机交互

  • 在工作区人机交互节点之后新增条件判断节点，判断工作区人机交互恢复时的回复内容是否为空。

阅卷助理条件判断节点

  • 若工作区人机交互节点回复内容不为空，则继续交由阅卷Agent节点处理，并输入回复内容

阅卷助理回复

调整评分页面​

  • AI阅卷按钮事件调整，发送AI消息参数内容调整为固定值给当前考卷评分

  • 订阅工作区人机交互节点的AI助理暂停后事件，事件逻辑如下：

阅卷助理暂停后事件

  • 为评分表单中的题目及结果添加工具栏按钮"重新评分"，事件逻辑设置如下：

阅卷助理重新评分

至此，已完成AI与前端的融合。 Agent可调用前端函数，可使用前端数据；前端页面可控制AI行为。

阅卷助理工作区人机交互恢复流程

多Agent协作​

该示例将展示如何在AI助理中使用多个Agent协作完成复杂任务。

工作流程如下：

  1. 用户输入需求：用户发送出题需求到AI助理
  2. 出题Agent处理：出题Agent接收问题并生成问题及答案
  3. 人工确认：通过对话区人机交互节点，将生成的问题及答案交由人工确认
  4. 流程暂停：此时流程会暂停，对话区显示问题及答案，等待人工确认
  5. 人工确认后：人工确认后，流程恢复执行
  6. 题库Agent处理：进入题库Agent，将问题及答案转换为题库模型数据, 去重保存
  7. 结果输出：输出新增的题目，并发送到对话框中显示

设置出题Agent​

新增一个名为 出题Agent 的Agent元素；配置好大模型及提示词。

提示词内容如下：

# 角色：出题专家

## 目标：
结合已有知识，根据用户的描述生成销售话术相关的问题、题目类别及标准答案。
有以下问题类型可供选择：<列出你题库模型中题目类型>

## 输出要求：
- 问题及答案（output）是一个 markdown 格式的字符串
- 问题及答案（output）是所有问题及答案的汇总输出，不是一句总结性的陈述

## output 值的示例：

用户问题：给我10个电商代运营服务常用的销售话术。

正确 output 值示例：
\`\`\`markdown
### 需求挖掘类
#### 问题1
**询问**：xxxxx？
**回答**：xxxxx。

#### 问题2
**询问**：xxxxx？
**回答**：xxxxx。

### 竞品对比类
#### 问题3
**询问**：xxxxx？
**回答**：xxxxx。

#### 问题4
**询问**：xxxxx？
**回答**：xxxxx。
\`\`\`

错误 output 值示例：
"以上内容包含了10个电商代运营服务中常用的销售话术，全面覆盖了客户可能关心的问题及专业解答。"

出题Agent

设置题库管理Agent​

新增一个名为 题库管理Agent 的Agent元素。

  • 提示词设置：
# 角色：题库管理专家

## 目标：
分析用户的输入，转换为题库中的题目

## 工作流：
- **第1步：把问题及话术转换为题目**
- **第2步：与题库对比去重**：调用 models.QuestionModel.query 工具根据第1步生成的所有题目及问题查询数据库，检查数据库中是否已存在你生成的问题，若已存在，则需去重处理。注意调用查询工具时一次性查所有的题目，不要一条一条查询。
- **第3步：题目保存到题库**：调用 models.QuestionModel.createOrUpdateMany 工具将新增的题目保存到数据库
- **第4步：输出新增题目**：第3步会得到新增题目的编号 id，更新到题目中，得到最终的新增题目 - questions
  • 输出结果： 将 Agent 输出结果参数类型修改为 多行数据，模型选择 题库，参数标题设置为 新增题目

题库Agent

  • 工具配置： 将 题库模型 添加为 Agent 的可调用工具，开启 createOrUpdateMany-新增多行数据 和 query-查询 工具

题库Agent

设置题库助理​

新增一个名为 题库助理 的AI助理元素，依次添加三个节点：

  • 出题Agent：AI Agent 类型，配置如下：

出题Agent节点配置

  • 题目确认：对话区人机交互类型，配置如下：

题目确认节点配置

  • 题库Agent：AI Agent 类型，配置如下：

题库Agent节点配置

题目确认同意后连到题库Agent，将入参设置为出题Agent.输出数据

题库Agent入参配置

题库管理页面使用题库助理​

在 题库管理页面 中开启 AI 助理，选择 题库助理 元素

题库管理页面配置AI助理

页面订阅 AI助理-题库Agent 的 节点完成后 事件，捕获到该事件后刷新题库列表

题库管理页面刷新题库列表

至此，我们就完成了AI出题功能。看看效果吧！

AI出题助理运行效果