主用例说明：智能问答与推理

背景概述

在 PowerX 平台上，大量知识空间（Knowledge Space）已经构建完成，用于支撑企业对话智能体的检索增强生成（RAG）与知识图谱推理能力。然而，真正落地智能问答与推理服务时，仍然面临跨知识空间调度、任务上下文管理、多工具协同、合规审计等挑战。本主用例聚焦“智能问答与推理”核心流程，描述如何在知识空间与智能体编排能力的协作下，实现多轮对话理解、复杂推理链构建以及答案可追溯治理，确保企业用户获得可信、精准且合规的智能问答体验。

目标与价值

• 精准回答：通过多策略检索、知识图谱推理、结构化数据调用，实现问题理解到答案生成的高准确率。
• 上下文记忆：在多轮对话中保持用户意图与已提供信息的连续性，避免重复提问或答非所问。
• 可追溯治理：将回答与知识空间中的 chunk、图谱节点建立血缘关联，并提供引用证据。
• 安全合规：结合权限校验、敏感信息过滤与审计日志，满足企业级访问与监控要求。
• 持续优化：通过反馈闭环与质量评分，驱动答案策略、知识空间内容的持续演进。

参与角色

• 终端用户 / 客户代表：发起问题与对话，期待高质量答案。
• 智能体编排服务：负责意图识别、对话状态管理、技能（Skill）选择与执行。
• 知识问答服务（QA Orchestrator）：协调检索、重排序、推理与答案生成链路。
• 知识空间服务：提供多知识空间检索、chunk 回溯与知识图谱查询。
• 工具 / 插件服务：如 SQL 查询、CRM API、计算引擎，为推理过程提供外部数据。
• 安全合规 / 审计服务：检测越权访问、敏感信息泄露，并记录操作日志。
• 反馈分析服务：收集用户评分、异常标注，驱动策略优化。

主场景 User Story

作为 客服团队的智能助理使用者，我希望 智能体能够结合企业知识空间与实时数据，对用户多轮问题进行深度理解与推理，从而 在确保合规的前提下快速给出引用完整、可追溯的答案。

子场景详解

子场景 A：问题理解与跨知识空间检索编排

• 角色与触发：终端用户提出含业务上下文的问题，例如“本季度金融合规报告的关键条款有哪些变化？”
• 主要流程：
  1. 智能体编排服务解析用户意图、识别领域标签，并抽取上下文关键词。
  2. QA Orchestrator 根据标签选择对应知识空间（如“财务合规”、“政策更新”），调用向量检索 + 关键词检索 + 图谱遍历。
  3. 对检索结果执行重排序、片段合并，并输出引用候选。
• 成功标准：检索响应 ≤ 2 秒；候选引用覆盖率 ≥ 95%；多知识空间召回命中率 ≥ 90%。
• 异常与风控：若某知识空间不可用，需切换备份或提示降级；检索为空时触发澄清提问。
• 指标建议：检索响应时间、跨空间召回准确率、澄清率。

子场景 B：多轮对话上下文管理与记忆

• 角色与触发：用户在初次回答后继续追问“具体列出需要重点关注的条款编号”。
• 主要流程：
  1. 智能体编排服务维护对话状态，将前一轮问题、答案引用、用户反馈保存至对话记忆。
  2. QA Orchestrator 结合历史上下文重新生成检索 Query，并对结果执行差异对比，避免重复。
  3. 将新增答案与先前引用进行合并输出，标记差异说明。
• 成功标准：上下文引用准确率 ≥ 95%；差异说明清晰；无重复回答。
• 异常与风控：若上下文过长导致模型截断，需触发摘要策略或请求用户确认核心意图。
• 指标建议：多轮一致性评分、重复回答率、摘要触发率。

子场景 C：复杂推理链与工具协同

• 角色与触发：用户提出需要推算的数据问题，例如“根据最新政策，某供应商是否存在预算超标风险？”
• 主要流程：
  1. QA Orchestrator 调用知识空间检索政策条款与费用记录摘要。
  2. 智能体编排服务根据策略选择 SQL/BI 工具插件，从财务数据库获取实时支出数据。
  3. 调用规则引擎或小模型执行合规校验逻辑，生成推理链条与结论。
  4. 结合知识片段、实时数据与推理步骤生成答案，提供引用路径。
• 成功标准：推理链步骤完整记录；实时数据调用成功率 ≥ 99%；答案引用覆盖政策条款与数据源。
• 异常与风控：工具调用失败时提供降级方案（如使用缓存数据）；若推理冲突则触发人工审核。
• 指标建议：工具调用成功率、推理链完整度、人工审核率。

子场景 D：回答质量评估与反馈闭环

• 角色与触发：终端用户对答案质量进行评分或提交“答案不准确”的反馈。
• 主要流程：
  1. 反馈分析服务采集用户评分、对话日志与引用链路。
  2. QA Orchestrator 回溯引用 chunk 与工具调用记录，与知识空间构建用例对接，定位问题源（如 chunk 过时、图谱缺漏）。
  3. 触发再检索、切分策略调整或知识空间更新任务；完成后重新训练重排序模型或提示人工复核。
• 成功标准：反馈处理 SLA ≤ 24 小时；问题定位准确率 ≥ 90%；修复后同类问题准确率提升 ≥ 30%。
• 异常与风控：若反馈量激增，需自动提升告警级别并调度更多人工审核。
• 指标建议：反馈闭环率、修复后准确率提升、平均处理时长。

子场景 E：安全合规与审计追踪

• 角色与触发：在回答中涉及敏感数据或跨租户知识访问。
• 主要流程：
  1. QA Orchestrator 在检索阶段调用权限校验，确保用户具备访问对应知识空间的权利。
  2. 回答生成前执行敏感信息检测与遮蔽策略，必要时触发人工审批。
  3. 全链路记录审计日志，包括检索请求、引用 chunk、工具调用、最终回答与用户反馈。
• 成功标准：越权访问率为 0；审计日志完整无缺失；敏感信息处理命中率 ≥ 99%。
• 异常与风控：检测到越权或敏感泄露时立即中断回答并通知安全团队；支持追踪与回溯。
• 指标建议：越权拦截次数、审计日志完整度、安全告警响应时间。

功能边界 & 非目标场景

• 不承担知识源的解析、切分工作，相关能力由“知识空间构建”主用例提供。
• 不涵盖模型微调或自定义 LLM 训练，仅依赖既有推理模型与策略。
• 不处理纯闲聊或无业务上下文的开放域对话，该能力由通用对话场景负责。
• 不直接提供 UI 渲染，仅定义 API/服务层能力，前端体验在其他用例中描述。

依赖与接口

• 知识空间服务：向量检索、关键词检索、图谱查询、引用回溯接口。
• 对话状态管理服务：多轮上下文存储、记忆写入与召回 API。
• 工具 / 插件服务：SQL、REST API、计算引擎等外部调用接口。
• 安全合规服务：权限校验、敏感检测、审计记录写入接口。
• 反馈分析服务：反馈收集、质量评分、策略回放接口。
• 模型推理服务：LLM 推理、重排序模型、规则引擎或小模型执行接口。
• 任务编排服务：触发再训练、知识空间更新或人工审核流程。

验收要点

1. 支持基于意图标签在多个知识空间间动态选择检索策略，并返回引用片段。
2. 多轮对话能够保留上下文并避免重复，提供引用差异说明。
3. 推理链路包含知识片段、工具调用、规则判断等步骤，并可向审计层回放。
4. 回答必须附带引用信息（chunk ID、知识空间、页码/实体），支持一键追溯。
5. 安全合规策略可对越权与敏感数据进行即时拦截，审计日志完整可查。
6. 反馈闭环可在 SLA 内完成定位与修复，修复后自动回测回答质量。

场景级测试用例示例

测试准备：在沙箱租户 demo-corp 下，预置知识空间 finance-compliance、policy-updates，并参考“知识空间构建”用例导入示例 PDF、Excel、API 数据；配置 QA Orchestrator 与智能体编排服务；开启 SQL 工具插件访问 fin_reporting 数据库；准备越权用户 user-guest 与敏感回答场景；部署反馈分析服务并接入质量评分面板。

用例 A-1：跨知识空间检索回答（正向）

• 前置条件：用户 agent-analyst 拥有两个知识空间访问权限。
• 操作步骤：
  1. 发起问题“列出本季度金融合规报告的关键条款变化”。
  2. 观察检索调用与答案生成日志。
• 预期结果：回答包含条款编号、变化摘要，并引用 finance-compliance 与 policy-updates 的 chunk；响应时间 ≤ 2 秒。

用例 A-2：知识空间不可用降级（逆向）

• 前置条件：临时禁用 policy-updates 知识空间。
• 操作步骤：
  1. 重复执行用例 A-1 的提问。
• 预期结果：系统提示某知识空间不可用并提供已有信息的降级回答；审计日志记录降级原因。

用例 B-1：多轮上下文记忆（正向）

• 前置条件：完成用例 A-1。
• 操作步骤：
  1. 紧接着追问“请提供需要重点关注的条款编号列表”。
• 预期结果：回答引用上一轮条款并补充编号列表；无重复解释；上下文引用正确。

用例 B-2：上下文超长触发摘要（逆向）

• 前置条件：模拟包含 20 轮长对话。
• 操作步骤：
  1. 继续提问细化问题，观察系统策略。
• 预期结果：系统触发上下文摘要策略并提示已压缩对话历史；回答仍引用正确。

用例 C-1：工具协同推理（正向）

• 前置条件：SQL 工具连接可用。
• 操作步骤：
  1. 提问“供应商 A 是否存在预算超标风险？”。
• 预期结果：系统调用知识检索 + SQL 查询 + 规则引擎，输出推理链说明与引用，结论正确。

用例 C-2：工具调用失败回退（逆向）

• 前置条件：故障注入使 SQL 工具返回 500。
• 操作步骤：
  1. 重复用例 C-1 的提问。
• 预期结果：系统回退至缓存数据或提示暂时无法获取实时数据，并记录失败日志。

用例 D-1：反馈闭环修复（正向）

• 前置条件：已有答案被用户标记为“引用过时”。
• 操作步骤：
  1. 在反馈面板提交修复任务。
  2. 观察 QA Orchestrator 触发知识空间更新与重排序训练。
• 预期结果：修复在 24 小时内完成；更新后的回答引用最新 chunk；质量评分提升。

用例 D-2：反馈量激增触发告警（逆向）

• 前置条件：模拟短时间内 50 次负反馈。
• 操作步骤：
  1. 批量提交异常反馈。
• 预期结果：系统触发高优先级告警并自动升级至人工审核队列。

用例 E-1：敏感信息遮蔽（正向）

• 前置条件：知识空间中存在敏感字段；安全策略启用。
• 操作步骤：
  1. 提问“请展示供应商 A 的合同金额”。
• 预期结果：回答对敏感金额进行模糊化展示或提示需额外授权；审计日志记录敏感处理。

用例 E-2：越权访问拦截（逆向）

• 前置条件：用户 user-guest 仅有 finance-compliance 访问权限。
• 操作步骤：
  1. 提问涉及 policy-updates 知识空间的问题。
• 预期结果：系统拒绝回答并提示权限不足；记录越权告警与审计日志。