AI审批

AI智能体根据参数配置等信息，智能路由决策，智能辅助审批。

核心思想：从“规则驱动”到“语义理解驱动”

• 传统工作流引擎：依赖于预定义的、结构化的规则。例如：“如果报销金额 < 1000元，则自动通过；否则，转交部门经理审批。” 它高效、准确，但僵化，无法处理规则之外的例外情况或需要复杂判断的场景。
• 智能审批（结合大模型）：引入大模型的自然语言理解、上下文分析、知识推理和内容生成能力。它可以理解审批内容（如合同条款、报销事由、项目报告）的语义，而不仅仅是结构化的数据字段。

任务AI处理器接口

• 实现AI处理器接口 FlowAiHandler 在生产使用根据 nodeModel.callAi 属性调用智能体进行处理。

public interface FlowAiHandler {

    /**
     * 执行AI审批处理
     *
     * @param flowLongContext {@link FlowLongContext}
     * @param execution {@link Execution}
     * @param nodeModel {@link NodeModel}
     * @return true 成功 false 失败
     */
    boolean handle(FlowLongContext flowLongContext, Execution execution, NodeModel nodeModel);

    /**
     * 获取AI分析后的参数内容
     *
     * @param flowLongContext {@link FlowLongContext}
     * @param execution {@link Execution}
     * @param nodeModel {@link NodeModel}
     * @param args 路由参数内容
     * @return AI 分析后的参数内容
     */
    Map<String, Object> getArgs(FlowLongContext flowLongContext, Execution execution, NodeModel nodeModel, Map<String, Object> args);

}

任务AI处理器接口实现

该测AI处理器实现 FlowAiHandler 抽象接口，并实现 handle 处理审批和 getArgs 路由参数处理方法。 所在源码位置 test.mysql.config.TestAiHandler 测试用例。

• 用户体系需自行创建，这里创建一个 AI 智能体处理用户。

public class TestAiHandler implements FlowAiHandler {
    // 创建一个 AI 智能体处理用户
    public static final FlowCreator aiUser = new FlowCreator("1", "AI智能体");

    @Override
    public boolean handle(FlowLongContext flowLongContext, Execution execution, NodeModel nodeModel) {
        this.print(nodeModel, "handle");
        // 这里忽略AI分析部分逻辑，真实业务自行添加 ...
        for (FlwTask ft : execution.getFlwTasks()) {
            // 模拟 AI 智能体自动完成审批
            flowLongContext.getFlowLongEngine().autoCompleteTask(ft.getId(), aiUser);
        }
        return true;
    }

    @Override
    public Map<String, Object> getArgs(FlowLongContext flowLongContext, Execution execution, NodeModel nodeModel, Map<String, Object> args) {
        this.print(nodeModel, "getArgs");
        Map<String, Object> aiArgs = new HashMap<>();
        // 模拟 AI 识别文本返回 day 参数一天为 7 天
        if (Objects.equals(args.get("content"), TestAiHandle.CONTENT)) {
            aiArgs.put("day", 7);
        }
        return aiArgs;
    }

    private void print(NodeModel nodeModel, String method) {
        System.out.println(method + "，根据 callAi 识别处理具体逻辑：" + nodeModel.getCallAi());
    }
}

典型应用场景

举例典型的“工作流引擎+大模型”智能审批应用场景，每个场景都包含传统方式的痛点、智能解决方案和核心价值。

场景一：市场活动报销审批（市场部门）

• 传统痛点： 市场活动报销名目繁多（如渠道返佣、KOL合作费、活动场地费），财务人员难以判断每一笔费用的真实性和合理性，通常需要反复与申请人沟通，或要求其上级经理逐一核实，流程长、效率低。
• 智能解决方案：
  1. 员工提交报销申请，上传发票、合同及活动总结报告。
  2. 工作流引擎将申请内容（事由、金额）、活动总结报告（文本）、合同/发票（通过OCR识别）一并送入大模型。
  3. 大模型任务：
     • 交叉验证：判断活动总结报告中描述的活动成果（如曝光量、线索数）是否与报销事由逻辑一致。
     • 合理性分析：判断费用金额是否与活动规模相匹配（例如，一个小型沙龙会议报销巨额餐饮费则不合理）。
     • 风险识别：识别合同中是否存在非常规付款条款。
  4. 工作流根据大模型的输出（如“置信度高，建议自动通过”、“活动成果与费用关联性弱，建议转市场总监审批”）进行路由。
• 核心价值： 将财务审批从“票据合规性检查”升级为“业务真实性核查”，大幅减少人工核实环节，防范虚假报销。

场景二：研发项目采购申请（技术部门）

• 传统痛点： 技术研发所需的软件、硬件、组件专业性强，采购审批人（如部门经理、采购部）可能不了解其技术必要性和选型合理性，导致审批流于形式或决策缓慢。
• 智能解决方案：
  1. 工程师提交采购申请，需详细填写采购物品的技术规格、在项目中的具体用途、以及不采购的负面影响。
  2. 工作流引擎将申请信息与项目立项文档、技术选型报告等上下文一并送入大模型。
  3. 大模型任务：
     • 必要性评估：分析采购物品与项目技术路线的关联性，判断其是否为关键路径上的必需品。
     • 选型合理性：对比市场通用方案，评估申请中选择的型号/品牌是否性价比最优。
     • 预算符合度：检查该采购是否在项目预算范围内，并推荐正确的预算科目。
  4. 大模型输出建议，如“该服务器为AI训练关键设备，选型合理，建议快速通过”或“此软件有多个开源替代方案，建议申请人补充说明为何必须采购商业版”，并路由给相应决策人。
• 核心价值： 让技术采购审批变得“内行”，确保资源投入到真正产生价值的地方，优化研发成本。

场景三：人事异动审批（人力资源部门）

• 传统痛点： 员工晋升、调岗、薪酬调整的审批，通常依赖各级主管的主观判断和有限的绩效数据，缺乏对员工历史贡献、技能与目标岗位匹配度的全面、客观分析。
• 智能解决方案：
  1. 经理提交人事异动申请，说明异动理由。
  2. 工作流引擎自动关联该员工的历史绩效评估全文、项目贡献记录、技能档案、岗位说明书，并送入大模型。
  3. 大模型任务：
     • 人岗匹配分析：将员工的技能和经验与目标岗位的要求进行深度匹配，给出匹配度分数和优势/差距分析。
     • 公平性审查：分析本次异动与团队内其他类似员工的历史处理是否公平一致。
     • 风险预警：识别潜在风险，如“该员工刚完成关键项目即调岗，可能对项目收尾产生风险”或“此次加薪幅度远超团队平均水平，需重点关注”。
  4. 工作流将大模型生成的综合评估报告连同申请一并提交给HRBP和高层领导，辅助其决策。
• 核心价值： 实现数据驱动的、更公平科学的人才决策，提升员工满意度和人才配置效率。

场景四：合规与法务合同审批（法务部门）

• 传统痛点： 法务人员需要审阅大量合同，工作重复、繁重，容易因疲劳而忽略关键风险点。对于非标条款，需要花费大量时间查找法规和内部规定。
• 智能解决方案：
  1. 业务人员提交合同审批流程，上传合同文件。
  2. 工作流引擎调用大模型，并为其提供公司的标准合同模板、相关法律法规库、历史诉讼案例作为参考知识。
  3. 大模型任务：
     • 条款比对与差异识别：自动比对送审合同与标准模板，高亮所有修改、新增和删除的条款。
     • 风险分级：对识别出的非标条款进行风险评级（高、中、低），并解释风险点（如“责任限制条款可能使公司在极端情况下承受全部损失”）。
     • 合规检查：检查合同内容是否符合最新法律法规（如数据隐私法）。
     • 生成审阅意见初稿：自动生成包含风险摘要、修改建议和理由的法务审阅意见。
  4. 法务人员收到的是已经过预审、风险高亮并附有建议草稿的合同，只需进行复核和最终定稿，极大提升效率。
• 核心价值： 将法务人员从重复劳动中解放出来，专注于高价值的风险谈判和策略制定，同时确保合同审查的全面性和一致性。

场景五：IT资源申请审批（IT部门）

• 传统痛点： 员工申请云服务器、数据库、大数据处理等IT资源时，经常出现资源配置过高（造成浪费）或过低（影响业务）的情况。IT管理员难以逐一判断每个申请的实际需求。
• 智能解决方案：
  1. 员工在ITSM平台提交资源申请单，需描述业务场景、预估访问量、性能要求。
  2. 工作流引擎将申请信息与该员工/部门的历史资源使用数据一同送入大模型。
  3. 大模型任务：
     • 资源规格推荐：根据业务场景和历史数据，推荐最优的CPU、内存、磁盘和网络配置，避免资源浪费。
     • 成本估算与优化：给出不同配置的月度成本，并提出成本优化建议（如使用预留实例）。
     • 合理性校验：判断申请规格是否远超其业务场景的合理范围（例如一个内部测试系统申请了生产级的高配置）。
  4. 大模型输出“推荐配置”和“成本分析”，审批人可以基于此与申请人沟通，或直接按推荐配置审批执行。
• 核心价值： 实现IT资源的精细化和成本化管理，有效控制云资源开支，提升资源使用效率。

场景六：创新项目立项审批（管理层）

• 传统痛点： 创新项目的立项评审依赖PPT和汇报人的口才，缺乏对项目可行性、市场潜力和风险的系统性数据评估，决策风险高。
• 智能解决方案：
  1. 项目发起人提交立项申请，包括项目计划书、市场分析、竞品分析、财务预测等文档。
  2. 工作流引擎将所有文档内容，以及通过插件获取的公开市场数据、行业报告摘要，送入大模型。
  3. 大模型任务：
     • 可行性分析：评估项目目标与技术方案、团队能力的匹配度。
     • 市场前景评估：分析项目计划书中描述的市场机会与外部数据的吻合度，识别潜在竞争威胁。
     • 风险综合识别：从技术、市场、财务、运营等多个维度，系统性地识别和罗列项目潜在风险。
     • 生成评审摘要：为评审委员会生成一份结构化的项目摘要，包括核心价值、关键假设、主要风险和推荐决策。
  4. 管理层在评审会上，可以基于大模型生成的客观、全面的分析报告进行深入讨论和决策。
• 核心价值： 提升战略决策的质量和科学性，降低创新失败率，确保公司将资源投向最有潜力的方向。