# 欢迎使用
Source: https://docs.53ai.com/studio/入门/欢迎使用



# 53AI Studio 企业级智能体训练与编排平台

杨芳贤  53AI 内部私享会

## 一、高准确的AI问答是企业刚需

大家好！我是杨芳贤。在过去的2年里，我们与上百家中大型企业一起深入研究与实践大模型的落地应用，特别是在高准确率的智能问答这一场景下。在今天的分享之前，我先抛出一个问题：怎样能有效地落地大模型，真正为业务创造价值？

#### 大模型落地应用面临的挑战

我们都知道，大模型技术在过去几年取得了突飞猛进的发展。从GPT-4到Claude，从文心一言到通义千问，各种强大的大模型层出不穷。这些模型在通用能力上表现出色，但落地应用到企业的真实场景中将面临着一系列挑战。

首先是**安全与隐私**的问题。企业数据往往包含敏感信息，直接发送到第三方大模型服务进行处理，存在潜在的数据泄露风险。尤其是在金融、医疗、政府等领域，这一问题尤为突出。

第二是**问答准确性**问题。大模型虽然强大，但在特定领域知识上仍然存在"幻觉"问题，可能生成看似合理但实际上不准确的内容。在企业应用中，错误信息可能导致严重后果，这是不可接受的。

第三是**融入业务**的问题。每个企业都有其独特的业务场景、流程、知识，如何让通用大模型理解业务场景、掌握企业的知识和流程，这不仅是一个技术挑战。

尽管面临这些挑战，企业对大模型技术落地抱着极高的热忱。希望能够以合理的成本，安全地利用大模型的能力，同时确保高准确率和可靠性，并能够灵活适应业务场景。

#### 大模型落地应用最热的场景

在众多大模型落地场景中，智能问答是当前热度最高的方向。它可以应用在多个关键业务场景中：

在**客户服务**领域，智能问答系统可以7×24小时不间断地回答客户咨询，大幅提升服务效率和客户满意度。数据显示，一个高质量的智能问答系统可以解决60%-80%的常见客户问题，将人工客服的精力释放到更复杂的问题处理上。

在**内部知识管理**方面，企业积累了大量的文档、规章制度、流程指南等知识资产，但员工往往难以高效检索和利用这些信息。智能问答系统可以帮助员工快速找到所需信息，提高工作效率。

在**技术支持**领域，智能问答系统可以帮助技术人员快速定位问题解决方案，减少重复性工作，提高问题解决效率。

在**培训与学习**方面，智能问答系统可以作为个性化学习助手，帮助员工更好地理解和掌握新知识。

传统基于关键词匹配的系统无法理解问题的真正含义，基于规则的系统难以应对灵活多变的自然语言表达；而早期的机器学习模型则缺乏对复杂语境的理解能力。大模型的出现为智能问答系统带来了新的机遇，它们强大的自然语言理解和生成能力可以显著提升问答质量。

如何在保证回答高准确性的前提下，控制成本，保护数据安全？

#### AI问答的技术选型

这就引出了我们今天要重点讨论的技术：RAG，全称是Retrieval-Augmented Generation，检索增强生成。简单来说，RAG是一种将检索系统与生成式AI模型结合的技术架构，它先从知识库中检索相关信息，然后将这些信息作为上下文提供给大模型，引导大模型生成更准确、更可靠的回答。

相比纯粹依赖大模型的方案，RAG有几个显著优势：

首先是**更高的准确率**。通过检索企业自身知识库中的权威信息作为上下文，RAG可以显著降低大模型的"幻觉"问题，确保回答基于真实、可靠的信息源。在我们的实践中，采用RAG架构后，系统的回答准确率从原来的70%提升到了95%以上，特定场景甚至能实现99.99%准确率。

其次是**更好的可控性**。企业可以通过管理和更新知识库，直接影响系统的回答内容，而不必依赖于预训练模型中可能已经过时或不准确的知识。

第三是**更低的成本**。RAG架构允许企业使用较小规模的大模型，因为复杂的领域知识不需要完全依赖模型参数来存储，而是可以从外部知识库中检索。这可以显著降低计算资源需求和API调用成本。

第四是**更强的时效性**。企业可以持续更新知识库，确保系统能够提供最新的信息，而不受预训练数据截止日期的限制。

最后是更好的**数据安全性**。敏感信息可以存储在企业自己控制的知识库中，只有必要的、经过处理的信息才会发送给大模型处理，降低了数据泄露风险。

RAG架构的核心组件包括：知识库构建与管理、文本嵌入与向量存储、相似度检索引擎、以及大模型生成模块。整个工作流程是：当用户提出问题时，系统首先将问题转换为向量表示，然后在向量数据库中检索相关信息，将检索到的信息与原始问题一起发送给大模型，最后由大模型生成最终回答。

这种架构巧妙地解决了企业落地大模型的关键痛点：它平衡了成本与效果，保障了数据安全，提高了回答准确性，并且可以灵活适应企业特定的知识体系。

#### AI文档的典型用户故事

第一个是金融机构的客户做的客服场景，这个客户每天面临数万次的客户咨询，涉及复杂的金融产品、政策法规和操作流程。我们帮助他们构建了基于RAG的智能问答系统，将内部知识库、产品手册、法规文件等结构化成向量数据库。系统上线后，自动回答准确率达到了96%，客服人员工作效率提升了40%，客户满意度提升了25%。关键成功因素在于我们对金融领域文档的精细化处理和拆分，以及针对金融场景的提示词工程优化。

第二个是制造业的客户做的技术文档问答场景，这个客户拥有数十万页的技术手册、设备说明书和故障处理指南，技术人员经常需要花费大量时间查找特定信息。我们构建的RAG系统能够理解技术人员的自然语言问题，精准定位到相关文档片段，并生成简洁明了的回答。系统上线后，技术问题解决时间平均缩短了60%，新员工培训周期缩短了30%。这个案例的成功关键在于我们开发的专门针对技术文档的知识抽取算法，以及多级拆分策略。

**小结一下**

RAG作为企业落地大模型的最佳场景，核心优势在于它结合了检索系统的准确性和大模型的灵活性，在保证回答质量的同时，有效控制了成本和风险。它不仅解决了"能用"的问题，更解决了"好用"和"可用"的问题。

但是，要真正将RAG系统应用到生产环境中，仅仅了解其基本原理是远远不够的。我们需要深入理解什么是**高准确率**，以及为什么它对于生产环境至关重要。

***

## 二、高准确率是AI问答上线的基础

正如刚才所提到的，RAG确实是当前企业落地大模型的一个确定性场景。大家有没有发现，当我们将AI系统从测试环境迁移到真实的生产环境时，往往会遇到一个严峻的挑战：准确率的断崖式下降。

今天，我想和大家深入探讨一个核心问题：为什么高准确率对于智能问答系统在生产环境中的成功至关重要？它与测试环境有何不同？我们又该如何定义和衡量这种准确率？

#### 生产环境与测试环境的差异

首先，让我们来看看生产环境与测试环境之间存在哪些本质差异。

在生产环境中，系统面对的是真实用户的多样化需求。用户的问题表达方式千差万别，可能包含各种行业术语、方言表达、甚至错别字和语法错误。比如同样是询问"如何重置密码"，有人可能会问"怎么改密码"，有人可能会问"账号登不进去了怎么办"，还有人可能会问"密码忘了咋整"。这种表达的多样性远远超出测试集的覆盖范围。

其次，生产环境中的查询模式是不可预测的。用户可能会提出系统设计者从未考虑过的问题，或者以设计者未曾预料的方式组合多个问题。例如，一个简单的"你们的退货政策是什么"可能会演变成"如果我在618买的产品，现在发现有质量问题，但已经超过30天，还能按照活动价退货吗？"

第三，生产环境通常需要处理高并发请求，系统必须在保证准确率的同时，维持稳定的响应速度和服务质量。当系统负载增加时，如果没有良好的架构设计和优化，准确率可能会受到影响。

最关键的是，在生产环境中，用户对错误的容忍度极低。一个在测试环境中被认为"还不错"的90%准确率，在生产环境中可能意味着每10个用户中就有1个得到错误信息，这对企业声誉和用户信任度的损害是巨大的。

这就是刚才提到的"准确率断崖"现象——系统在从测试环境迁移到生产环境时，准确率可能会出现显著下降。在我们的实践中，曾经遇到过一个系统在测试环境中准确率高达95%，但部署到生产环境后，实际准确率却下降到了65%以下。这种差距主要源于测试数据无法完全模拟真实世界的复杂性和多样性。

#### 高准确率的定义与衡量标准

那么，对于AI问答，什么才是"高准确率"？这个问题比看起来要复杂得多，因为准确率实际上是一个多维度的概念。

首先是**检索准确率**，它衡量系统找到相关信息的能力。一个高检索准确率的系统应该能够从知识库中准确找出与用户问题最相关的信息片段。这通常通过召回率（Recall）和精确率（Precision）来衡量。召回率反映了系统能够找到多少相关信息，而精确率则反映了找到的信息中有多少是真正相关的。

其次是**回答准确率**，它衡量系统基于检索结果生成正确回答的能力。即使检索到了正确的信息，大模型也可能在生成回答时出现理解错误、推理错误或表达不清等问题。回答准确率通常需要通过人工评估或与标准答案比对来衡量。

第三是**拒答准确率**，它衡量系统识别自己无法回答问题的能力。一个优秀的系统应该知道自己的能力边界，当遇到知识库中没有覆盖的问题时，应该明确表示无法回答，而不是生成看似合理但实际上不准确的回答。这一点对于企业应用尤为重要，因为错误信息可能导致严重后果。

在评估这些准确率时，我们通常会采用多种方法和指标：

定量指标方面，除了传统的准确率、召回率、F1值等，我们还会关注Mean Reciprocal Rank（平均倒数排名）、NDCG（归一化折扣累积增益）等更细致的评估指标。这些指标可以从不同角度反映系统的性能。

定性评估方面，用户满意度调查和业务专家评审也是不可或缺的。我们会让客户定期安排业务专家对系统回答进行评估，并收集真实用户的反馈，这些信息往往能揭示纯粹依靠数字指标无法发现的问题。

在企业级场景中，我们通常将95%以上的综合准确率作为上线目标。这意味着系统需要在**检索准确率**、**回答准确率**和**拒答准确率**三个维度上都达到很高的水平。这是一个富有挑战的目标，但对于需要在生产环境中长期稳定运行的系统来说，这是必要的。

#### 准确率对用户体验的影响

为什么我们如此**强调准确率**？因为在生产环境中，错误回答可能带来严重的后果。

首先是用户**信任度的快速下降**。研究表明，用户对AI问答的信任是脆弱的，一次明显的错误回答可能导致用户长期对系统持怀疑态度。有调查数据显示，78%的用户表示，如果AI问答给出明显错误的信息，他们会显著降低对该系统的使用频率。

其次，在企业环境中，错误信息可能导致**错误的业务决策**。想象一下，如果一个销售人员依赖智能问答系统向客户介绍产品功能，而系统提供了错误信息，这不仅可能导致流失，还可能引发合规风险。

第三，错误回答会**损害企业品牌声誉**。在社交媒体时代，一个AI系统的明显错误可能被迅速放大并广泛传播，对企业形象造成负面影响。

更严重的是，在某些领域，如医疗、金融、法律等，错误信息可能带来潜在的法律风险。如果用户基于系统提供的错误信息做出重要决策，企业可能面临法律责任。

有意思的是，用户对AI问答和人工服务的期望是不同的。有研究显示，用户对AI问答的错误容忍度通常低于对人类的错误容忍度。当人类客服犯错时，用户往往理解这是"人之常情"；但当AI问答犯同样的错误时，用户会质疑整个系统的可靠性。

准确率与用户采纳率之间存在明显的相关性。在我们的一个项目中，当系统准确率从85%提升到95%时，用户的日活跃度增加了40%，重复使用率增加了60%。这表明，准确率的提升不仅是技术指标的改善，更直接影响到系统的商业价值。

#### RAG系统的准确率挑战

那么，对于RAG系统来说，影响准确率的关键因素有哪些呢？

首先是**语料数据的质量与覆盖面**。语料数据是RAG系统的基础，如果语料数据的信息不准确、不完整或过时，即使有最先进的检索和生成算法，也无法产生高质量的回答。因此，语料数据库的建设和维护是RAG系统成功的关键。

其次是**检索算法的精准度**。检索算法需要准确理解用户问题的意图，并找到最相关的信息片段。这涉及到语义理解、相似度计算、排序算法等多个技术环节，每一环节的优化都会直接影响系统的整体准确率。

第三是**大模型的理解与生成能力**。大模型需要正确理解检索到的信息，并基于这些信息生成准确、连贯、符合用户期望的回答。不同大模型在这方面的能力有显著差异，选择合适的模型并进行适当的参数调整是提升准确率的重要手段。

最后是**提示工程**（Prompt Engineering）的优化。在RAG系统中，如何构建有效的提示词，引导大模型正确理解和利用检索信息，是一门既需要技术能力又需要领域知识的艺术。

在过去实践中，我们也发现了一些常见的准确率陷阱与误区：

一是**过度依赖测试集准确率**。如前所述，测试环境与生产环境存在本质差异，仅仅依靠测试集上的高准确率并不能保证系统在实际应用中的表现。

二是**忽视拒答能力的培养**。许多团队过于关注系统能回答的问题，而忽视了"知道自己不知道"的能力，这在生产环境中可能导致严重的误导。

三是**忽略他性能指标**。在追求高准确率的同时，系统的响应速度、资源消耗等指标也需要保持在合理范围内。过度追求准确率可能导致系统变得缓慢或成本过高。

**小结一下**

高准确率是AI问答系统在生产环境中成功的基础。它不仅关系到用户体验和信任度，还直接影响系统的商业价值和企业声誉。要实现高准确率，我们需要从多个维度进行评估和优化，包括检索准确率、回答准确率和拒答准确率。

而要构建一个高准确率的RAG系统，首先需要解决的是语料数据的质量问题。**"垃圾进，垃圾出"（Garbage In, Garbage Out）**，无论我们的算法多么先进，如果底层的语料数据质量不佳，系统的表现也会受到限制。

***

## 三、语料知识整理的方法论

正如前面所提到的，**"垃圾进，垃圾出"**（Garbage In, Garbage Out）在RAG系统中体现得尤为明显。无论我们的检索算法多么先进，大模型多么强大，如果底层的语料数据质量不佳，系统的表现必然会受到限制。

我想和大家分享的一个观点：**语料知识整理是构建高准确率RAG系统的基石**。在我们的实践中，同样的模型和算法，在优化语料数据后，系统准确率可以提升20%以上。接下来，我将详细介绍企业级语料知识库的特点与挑战，以及53AI的语料知识库整理的方法论。

#### 企业级语料知识库的特点与挑战

企业的语料数据库与互联网上的公开数据有着本质区别，它具有一些独特的特征，这些特征也带来了特殊的挑战。

首先是**数据来源的多样性**。一个企业可能包含多种类型的信息源：产品手册、技术文档、内部wiki、培训材料、客户反馈、会议记录、邮件往来、甚至是专家经验等。这些信息分散在不同的系统和平台上，如何有效地整合这些数据源，是第一个需要解决的问题。

其次是**格式的异构性**。企业数据通常包含结构化数据（如数据库中的表格数据）、半结构化数据（如JSON、XML文件）和非结构化数据（如文本文档、图片、视频）。不同格式的数据需要不同的处理方法，如何将它们统一转化为RAG系统可用的格式，涉及到的文档的抽取及语料拆分是一个蛮大的技术挑战。

第三是**专业术语与领域知识的密集性**。企业文档中通常充满了行业术语、公司特有的缩写和专业概念，这些内容对于通用模型来说可能是难以理解的。例如，同一个缩写"CRM"在大多数行业指的是"客户关系管理"，而在医疗行业可能指"临床风险管理"。

最后是**时效性与更新频率**的问题。企业知识是不断演进的，产品更新、政策变化、流程优化等都会导致知识库需要及时更新。建立一个能够持续更新且保持一致性的管理机制，是确保RAG系统长期文档运行的关键。

在实际工作中，我们还经常遇到一些典型的语料数据库的建设痛点：

1、数据质量不一：来自不同来源的数据质量参差不齐，有些可能包含错误信息或过时内容。

2、知识更新滞后：新知识的产生与录入知识库之间存在时间差，导致系统无法回答最新问题。

3、缺乏统一标准：不同团队使用不同的格式和标准记录知识，增加了整合难度。

这些挑战看似繁多，但通过系统化的语料数据整理方法，是可以逐一克服的。

#### 语料知识整理的流程与方法

基于我们的实践经验，我们总结了一套端到端的语料数据整理流程，包括五个关键步骤：

第一步是**数据源识别与接入**。这一步需要全面梳理企业内部的知识资产，确定哪些数据源需要纳入RAG系统的语料数据库。在这个过程中，我们需要与业务部门密切合作，了解用户最常咨询的问题类型，然后有针对性地**确定优先级最高的数据源**。例如，对于客服场景，常见问题解答（FAQ）、产品手册、政策文件通常是首要数据源；而对于内部知识管理，则可能更关注流程文档、培训材料和最佳实践案例。在数据源确定后，我们需要建立数据接入机制。对于结构化数据，可以通过API或数据库连接直接获取；对于文档类数据，需要文件系统接入或文档管理系统的API；对于邮件、聊天记录等非正式数据，则可能需要特定的提取工具。理想情况下，可以建立自动化的数据接入流程，确保语料数据库能够及时获取最新信息。

第二步是**数据清洗与预处理**。原始数据通常包含大量噪音和冗余信息，需要进行清洗和预处理。这包括：

1、去除无关内容：如页眉页脚、导航菜单、版权声明等。
2、修正格式问题：如乱码、特殊字符、不规范的换行等。
3、内容合并去重：识别并合并重复或高度相似的内容。
4、拼写和语法检查：修正明显的拼写错误和语法问题。
5、合适标准化：将不同来源的数据转换为统一的格式和编码。

在这一步中，我们通常会结合自动化清洗工具加上人工审核。例如，使用数据清洗工具批量处理常见的格式问题，然后由业务专家抽样，确保没有丢失重要信息。

第三步是**格式标准化与结构化**。清洗后的数据需要转换为统一的格式，便于后续处理。对于文本数据，我们通常会将其转换为纯文本或Markdown格式；对于表格数据，可能会转换为CSV或JSON格式；对于包含图表的文档，我们需要提取图表中的关键信息并转化为文本描述。

在这一步中，我们还会尝试为非结构化数据添加结构。例如，识别文档中的标题、段落、列表等结构元素，提取文档的层次结构，识别关键实体和关系等。这些结构信息对于后续的知识抽取和检索非常有价值。

第四步是**元数据管理**。元数据是描述数据的数据，包括数据的来源、创建时间、最后更新时间、作者、适用范围、关键词等信息。完善的元数据管理可以帮助系统更好地理解和组织知识，提高检索精度，并支持知识的版本控制和权限管理。

在实践中，我们会为每个知识片段定义一套标准的元数据字段，并确保这些字段在数据处理过程中得到正确填充。例如，对于产品手册，我们会记录产品型号、适用版本、发布日期等信息；对于政策文件，则会记录政策编号、生效日期、失效日期等信息。

第五步是**版本控制与更新机制**。知识是不断演进的，我们需要建立机制确保知识库能够及时反映最新信息。这包括：

1、定期同步：与源系统建立定期同步机制，自动获取更新的内容。
2、变更检测：开发算法检测文档的重要变更，优先处理发生重大变化的内容。
3、版本管理：保留知识的历史版本，必要时可以回溯查看历史信息。
4、更新日志：记录每次更新的内容和原因，便于审计和问题排查。

对于不同类型的文档，我们需要采用不同的处理策略：

1、文本文档（Word、PDF、TXT等），我们会使用文本提取工具获取纯文本内容，然后进行结构识别和语义分析。对于PDF文档，可能还需要OCR技术处理扫描件或图片中的文字。

2、表格数据（Excel、CSV等），我们会关注数据的结构和语义，将表格转换为结构化数据，并添加必要的上下文说明，确保数据的可解释性。

3、图像与多媒体内容，我们会提取其中的文字信息，并添加描述性文本，使这些非文本内容也能被检索和理解。

4、代码与技术文档，我们会保留其特殊的格式和结构，同时提取注释和说明文字，建立代码与说明之间的关联。

在整个过程中，自动化清洗工具与人工审核的结合至关重要。我们会构建自动化的数据处理流水线，处理大部分常规任务，然后由业务专家进行抽样审核和质量控制，确保处理结果符合预期。

#### 数据质量控制的关键点

高质量的语料数据是RAG系统成功的基础，那么如何评估和控制数据质量呢？

我们通常从五个维度进行评估：

**完整性**：知识库是否覆盖了用户可能咨询的所有重要领域？是否存在明显的知识空白？我们通常会通过用户查询日志分析和专家评审来识别知识覆盖的盲点。

**准确性**：知识库中的信息是否准确无误？是否存在错误或误导性内容？这通常需要领域专家的审核和验证。在实践中，我们会建立多级审核机制，确保关键信息的准确性。

**一致性**：不同来源的知识是否存在矛盾或冲突？术语和概念的使用是否统一？我们会使用自动化工具检测潜在的矛盾，并通过建立术语表和知识图谱来提高一致性。

**时效性**：知识是否是最新的？是否包含过时的信息？我们会为每个知识片段添加时间戳和有效期信息，并建立定期审核机制，确保重要知识的及时更新。

**可用性**：知识的表达是否清晰易懂？是否适合机器处理和检索？我们会评估知识的结构化程度、语言表达的规范性等因素。

为了保证这些维度的质量，我们会采用多种技术手段：

**自动检测工具**：开发算法检测常见的质量问题，如拼写错误、格式不一致、缺失字段等。

**异常值识别**：使用统计方法和机器学习算法识别可能存在问题的异常数据，如异常长度的文档、包含异常术语的段落等。

**冗余与矛盾检测**：开发算法检测知识库中的冗余内容和潜在矛盾，确保知识的一致性。

**专家审核机制**：建立领域专家参与的审核流程，特别是对关键知识点和高风险领域的内容进行重点审核。

除了初始质量控制外，持续的质量监控也非常重要。我们会建立反馈循环机制，收集系统运行过程中的问题和用户反馈，不断优化和更新知识库。例如，通过分析用户查询中的"无法回答"案例，识别知识库的覆盖盲点；通过用户反馈识别可能存在错误的回答，及时修正相关知识。

**语料数据库管理的最佳实践**

基于我们的实践经验，分享几点语料数据库管理的最佳实践：

首先是**语料数据库架构设计原则**。一个良好的知识库架构应该是模块化的，便于扩展和维护。我们通常会按照业务领域或知识类型划分知识库，建立清晰的层次结构。同时，知识库应该支持多种访问方式，满足不同场景的需求。

其次是**元数据标准与分类体系**。统一的元数据标准和分类体系是知识库管理的基础。我们会定义核心元数据字段，如知识类型、适用范围、重要程度、更新频率等，并建立分类体系，便于知识的组织和检索。

第三是**知识图谱的应用**。知识图谱可以帮助我们捕捉实体之间的关系，提供更丰富的语义信息。例如，在产品领域，我们可以建立产品、功能、规格、适用场景等实体之间的关系网络，帮助系统更好地理解和回答复杂查询。

第四是**权限管理与安全控制**。企业的语料数据库通常包含敏感信息，需要严格的权限管理和安全控制。我们会建立基于角色的访问控制机制，确保用户只能访问其有权限的知识，并对敏感操作进行审计和记录。

最后是**语料数据库的维护策略**。预料数据库不是一次性建设的项目，而是需要持续投入的资产。我们会建立定期审核和更新机制，确保知识的时效性和准确性。同时，我们也会关注用户反馈和系统表现，不断优化知识库的质量和覆盖范围。

**小结一下**

高质量的语料数据整理是构建高准确率RAG系统的基石。通过系统化的数据源识别、数据清洗、格式标准化、元数据管理和版本控制，我们可以建立一个完整、准确、一致、及时且可用的语料数据库，为RAG系统稳定运行提供坚实的基础。

***

## 四、语料知识的数据拆分

语料知识的数据拆分的粒度和策略直接影响检索精度，进而影响整个RAG系统的准确率。在我们的实践中，仅仅通过优化拆分策略，系统的准确率就提升了15%以上，而无需改变任何模型或算法。接下来，我将详细介绍语料拆分的意义与挑战，不同拆分粒度的影响，以及拆分策略的选择与优化。

#### 语料知识的数据拆分的意义与挑战

首先，让我们明确一下什么是语料拆分。简单来说，语料拆分是将长文档分割成更小的片段或"块"(chunks)的过程，这些块将作为RAG系统的基本检索单位。当用户提出问题时，系统会检索最相关的块，而不是整个文档。

语料拆分在RAG系统中具有几个关键作用：

首先，它能**显著提高检索精度**。想象一下，如果我们以整个文档为检索单位，当用户询问一个具体问题时，系统可能会返回包含相关信息但同时也包含大量无关信息的整个文档。这不仅会增加大模型的处理负担，还可能导致回答不聚焦或被无关信息干扰。通过将文档拆分成适当大小的块，我们可以更精准地定位与问题相关的内容。

其次，拆分可以**减少无关信息的干扰**。大模型在生成回答时，会考虑提供的所有上下文信息。如果上下文中包含大量与问题无关的内容，可能会导致模型生成偏离主题或不准确的回答。适当的拆分可以确保检索结果更加聚焦，减少噪音。

第三，拆分可以**优化向量存储的效率**。较小的文本块可以生成更精确的向量表示，提高语义检索的准确性。同时，适当大小的块也有利于向量数据库的索引和查询效率。

最后，拆分**有助于增强语义理解**。通过将相关内容组织在一起，形成语义连贯的块，可以帮助模型更好地理解上下文和概念之间的关系。

然而，语料拆分也面临一系列挑战：

最大的挑战是**语义完整性与拆分粒度的矛盾**。如果拆分粒度过大（块太大），会包含过多可能无关的信息；如果拆分粒度过小（块太小），可能会破坏语义完整性，导致上下文信息丢失。例如，一个复杂的技术解释可能跨越多个段落，如果我们简单地按段落拆分，可能会割裂这个完整的解释。

其次是**上下文信息的保留问题**。某些信息需要结合前后文才能完全理解，简单的机械拆分可能会丢失这种上下文。例如，代词引用（"它"、"这个"等）通常需要前文来确定指代对象；条件陈述（"如果...那么..."）可能跨越多个段落。

第三是**跨段落关系的维护**。文档中的不同部分可能存在引用、补充或对比关系，简单拆分可能会丢失这些关系。例如，一个章节可能引用了前面章节的概念或数据，如果这两部分被拆分到不同的块中，这种关联可能会丢失。

最后是**不同类型文档的差异化处理**。不同类型的文档（如技术手册、政策文件、FAQ等）具有不同的结构和语义特点，需要采用不同的拆分策略。例如，FAQ文档中的问答对通常应该保持在同一个块中；而长篇技术文档可能需要更复杂的层次化拆分。

#### 不同拆分粒度的影响

在实践中，我们通常采用以下几种拆分策略，接下来介绍以下各种才分粒度的优缺点：

1、**文档级拆分**是最简单的方式，即将每个完整文档作为一个检索单位。这种方式的优点是保持了文档的完整语义，不会丢失任何上下文信息；缺点是检索精度低，尤其是对于长文档，可能会返回大量与查询无关的内容，增加后续处理的负担。在我们的测试中，对于平均长度超过10页的文档，文档级拆分的检索准确率通常不超过60%。

2、**章节级拆分**是按文档的自然章节结构进行拆分。这种方式的优点是尊重了文档的原有结构，章节通常具有相对完整的语义；缺点是章节大小可能差异很大，有些章节可能仍然过大，不利于精确检索。我们发现，章节级拆分适合结构清晰的正式文档，如技术规范、政策手册等。

3、**段落级拆分**是最常用的方式，将文档按段落进行拆分。这种方式的优点是平衡了语义完整性和检索精度，段落通常是一个完整的语义单位；缺点是可能会丢失跨段落的上下文信息。在大多数通用场景下，段落级拆分是一个不错的起点，但通常需要进一步优化。

4、**句子级拆分**是最细粒度的常见拆分方式。这种方式的优点是检索精度非常高，可以精确定位到与查询最相关的句子；缺点是严重缺乏上下文，单个句子通常无法提供完整的信息。在我们的测试中，纯句子级拆分通常会导致回答不完整或缺乏必要的解释。

5、**混合级拆分**是结合多种粒度的拆分策略。例如，可以先按章节拆分，然后对较大的章节进一步按段落拆分；或者根据内容的语义相关性，动态调整拆分粒度。这种方式的优点是灵活性高，可以根据内容特点进行优化；缺点是实现复杂度高，需要更多的算法支持。

拆分粒度对检索性能的影响是多方面的：

在准确率与召回率的权衡方面，**较小的拆分粒度能提高检索的准确率，但会降低召回率**（因为相关信息可能分散在多个块中）；较大的拆分粒度则相反，可能提高召回率但降低准确率。在实践中，我们需要根据具体应用场景找到最佳平衡点。

在计算资源消耗方面，**拆分粒度越小，生成的块数量越多，向量数据库的规模也越大**，这会增加存储和检索的计算成本。例如，将一个10万字的文档按每500字拆分，会生成200个块；而按每100字拆分，则会生成1000个块，存储和检索成本相应增加5倍。

在用户体验方面，**拆分粒度会影响系统的响应速度和回答质量**。过大的拆分粒度可能导致回答冗长、不聚焦；过小的拆分粒度可能导致回答片段化、缺乏连贯性。最佳的拆分策略应该能够提供既准确又连贯的回答，同时保持合理的响应速度。

#### 拆分策略的选择与优化

基于我们的实践经验，拆分策略的选择和优化可以从三个方向考虑：

**1、基于规则的拆分方法**，是最简单也是最常用的方法

固定长度拆分是最基础的方法，按照固定的字符数或token数进行拆分。例如，每512个token作为一个块。这种方法的优点是实现简单，计算效率高；缺点是可能会割裂语义单位，导致上下文丢失。在实践中，我们通常会结合滑动窗口技术，让相邻块之间有一定的重叠，减少信息丢失。

基于标点与段落的拆分是更尊重文本自然结构的方法。这种方法会在段落边界或句子边界进行拆分，避免割裂完整的语义单位。例如，可以优先在段落结束处拆分，如果段落过长，则在句号、问号等句子结束的标点处拆分。这种方法的优点是能够保持基本的语义完整性；缺点是可能导致块大小不均，需要额外的处理来控制块大小。

基于文档结构的拆分利用文档的原有结构进行拆分，如标题、章节、列表等。这种方法特别适合结构化程度高的文档，如技术手册、学术论文等。通过识别文档的层次结构，可以更智能地进行拆分，保持相关内容的完整性。例如，可以确保一个标题及其下属内容保持在同一个块中，除非内容过长需要进一步拆分。

**2、语义感知的智能拆分**，是更先进的方法，它考虑了文本的语义特性

基于主题的拆分尝试识别文本中的主题变化，在主题转换处进行拆分。这种方法可以确保每个块都围绕一个相对完整的主题，提高语义连贯性。实现方式包括使用主题模型（如LDA）识别主题变化点，或使用语义相似度计算相邻段落的相似程度，在相似度显著下降处进行拆分。

基于语义相似度的拆分是通过计算文本片段之间的语义相似度，将语义相似的内容组合在一起。这种方法可以克服传统基于位置的拆分可能导致的语义割裂问题。例如，即使两个段落在文档中相隔较远，但如果它们讨论的是同一个概念或主题，也可以考虑将它们组合在一起。

基于实体与关系的拆分关注文本中的关键实体和它们之间的关系，确保相关的实体及其关系描述保持在同一个块中。这种方法特别适合知识密集型文档，如百科全书、技术规范等。通过识别文本中的关键实体和关系，可以更智能地组织内容，提高检索的精准度。

**3、混合拆分策略**，结合了多种方法的优点，是最灵活也最有效的方法：

多级拆分与层次索引是一种先粗后细的方法。首先按较大粒度（如章节）进行拆分，建立一级索引；然后对每个大块再进行细粒度拆分（如段落或句子），建立二级索引。检索时，先在一级索引中找到相关章节，再在二级索引中精确定位。这种方法既提高了检索精度，又保持了计算效率。

自适应拆分算法能够根据内容特点动态调整拆分策略。例如，对于信息密度高的技术内容，可能采用更细的拆分粒度；对于叙述性内容，可能采用更粗的拆分粒度。这种方法需要更复杂的算法支持，但能够更好地适应不同类型的内容。

领域特定拆分规则是针对特定领域或文档类型定制的拆分策略。例如，对于法律文档，可能需要特别关注条款和引用关系；对于医疗文档，可能需要特别关注疾病、症状和治疗方法之间的关系。通过结合领域知识，可以开发出更有效的拆分规则。

#### 实践中的经验分享

在实际项目中，我们发现不同行业和文档类型通常需要不同的拆分策略：

对于**金融行业的文档**，如年报、招股说明书等，我们采用了基于结构的多级拆分策略。首先按章节拆分，然后对财务数据部分采用更细粒度的拆分，确保能够精确回答关于具体财务指标的查询。这种策略将检索准确率从初始的70%提升到了92%。

对于**技术文档**，如API文档、技术手册等，我们发现基于语义单位的拆分效果最好。例如，将每个API方法及其参数、返回值、示例代码等作为一个完整的块，即使这个块可能较大。这种方法确保了技术信息的完整性，提高了回答的准确性。

对于**客服FAQ文档**，我们采用了问答对作为基本拆分单位，确保每个问题及其回答保持在同一个块中。同时，我们还建立了问题之间的语义关联，当一个问题的回答引用了另一个问题时，系统能够自动关联这些相关内容。

通过这些优化的拆分策略，我们在不同项目中实现了显著的准确率提升。例如，在一个客服智能问答系统中，仅通过优化拆分策略，准确率就从83%提升到了95%，用户满意度提升了30%。

**小结一下**

语料拆分是RAG系统中一个看似简单但实际上至关重要的环节。合适的拆分策略可以显著提高检索精度，进而提升整个系统的准确率。在实践中，我们需要根据具体的应用场景和文档特点，选择和优化拆分策略，可能是基于规则的方法、语义感知的智能拆分，或者是混合拆分策略。

然而，即使我们有了高质量的语料数据、准确的知识抽取和优化的拆分策略，RAG系统在实际运行中仍然可能遇到各种问题。如何快速定位和解决这些问题，是确保系统持续高准确率的关键。

希望今天的分享对大家有所帮助，感谢各位的聆听！


# AI隐私条款
Source: https://docs.53ai.com/入门/AI隐私条款



# 53AI-Brain 隐私政策

## 概要

欢迎您使用广州群应用科技有限公司（以下简称“我们”或“群应用”）提供的53AI-Brain产品及服务！为保障您的相关权利，《53AI-Brain隐私政策》（下称“本隐私政策”）将向您说明53AI-Brain会如何收集、使用和存储您的个人信息及您享有何种权利，请您在使用53AI-Brain之前，阅读、了解并同意本隐私政策和相关补充文件。

我们严格遵守法律法规，遵循隐私保护原则，为您提供更加安全、可靠的服务。53AI-Brain是由广州群应用科技有限公司提供的企业级AI知识库与智能体平台，我们的注册地为广州天河区中山大道华景路37号6楼。您可以通过阅读本隐私政策详细了解我们对个人信息的收集和处理方式，以便您更好地了解我们的服务并作出适当的选择。

同时，我们对可能收集的您的敏感信息及相关重点内容，已采用粗体特别提示，希望您在阅读时特别关注。您同意本隐私政策表示您已经了解并同意在相关场景下，为实现功能运行，我们将对您的相关个人信息进行处理。但这并不代表只要您开始使用我们的产品与/或服务，我们将处理本隐私政策中涉及的全部个人信息。仅当您使用特定功能时，我们才会根据最小必要原则，为实现向您提供服务的目的，处理您的相关个人信息。

## 1. 个人信息的收集和使用

在您使用产品服务的过程中，我们会遵循合法、正当、最小必要、公开透明的原则，按照如下方式收集您在使用服务时主动提供的或因为使用服务而产生的信息，用以向您提供服务。

### 1.1 个人信息收集使用说明

#### 1.1.1 智能对话与问答

当您使用53AI-Brain的智能对话功能（如AI问答、知识检索）时，您可以通过对话框向53AI-Brain发送指令，基于企业知识库实时获取回答内容。我们会自动接收并记录您与53AI-Brain进行交互过程中所输入的信息，使用这些信息向您输出内容，以提供智能聊天服务。如果您拒绝提供，我们将无法为您提供对话服务。

当您选择从系统剪贴板粘贴内容至对话输入框时，我们会采集您的剪贴板信息，填入对话框中，用于指令撰写。在与53AI-Brain对话过程中，您还可以对输出内容进行点赞、点踩、复制、分享等操作，我们将收集您的操作和评价信息，以便不断改进53AI-Brain的输出内容质量。

我们理解您输入的聊天信息、提交的信息反馈以及其他您向我们提供的信息中可能包含他人的个人信息，这种情况下请您务必在提供前取得他人的合法授权，避免造成他人个人信息的不当泄露。

#### 1.1.2 基于知识库的内容生成

当您使用基于知识库的内容生成功能（如文档摘要生成、方案撰写、知识点提取）时，您可以通过选择已上传至53AI-Brain的企业知识或输入框向53AI-Brain发送内容，通过模型生成指定形式的结果。我们会自动接收并记录您交互过程中所输入的信息，使用这些信息向您输出内容。

#### 1.1.3 模型驱动的智能生成

当您使用根据模型知识的内容生成（如写作、报告生成）时，您可以通过输入框向53AI-Brain发送内容，通过模型生成指定形式的结果。我们会自动接收并记录您交互过程中所输入的信息，使用这些信息向您输出内容。

#### 1.1.4 对话历史查询与管理

为向您提供连续性、一致性的服务体验，保障服务质量，我们会记录您与53AI-Brain的聊天记录，包括您输入的信息、系统回复的答案内容。

#### 1.1.5 意见反馈

您可以通过产品提供的“点赞/点踩”功能反馈您的意见。当您使用该功能时，我们会收集您输入的问题描述选项和补充文字信息以了解您反馈的内容和需求。

#### 1.1.6 产品运营及安全保障

为确保产品与服务的安全和高效运营，我们会通过解析并记录请求或同类技术收集您的日志信息（包括企业ID、用户ID、请求日期和时间）、使用信息（客户端/服务端日期和访问时间、设备类型、会话ID）。此日志信息主要用于异常问题定位及解决。

### 1.2 模型公示说明

53AI-Brain基于自研及第三方大模型技术，确保数据处理符合行业标准。具体模型信息可根据需求另行公示。

### 1.3 Cookie说明

为确保记录登录凭证用于鉴权、简化您重复操作的步骤、便于您查看使用历史，我们会使用Cookie和/或同类技术收集您的用户信息、登录凭证、历史对话信息。我们不会将Cookie和/或同类技术用于本隐私政策所述目的之外的任何用途。如果您拒绝我们使用Cookie和/或同类技术收集和使用您的相关信息，您可以通过本隐私政策提供的联系方式联系我们，或删除已经储存在您的设备内的Cookie和/或同类技术。

我们会在本隐私政策所涵盖的用途内使用收集的信息。如我们使用您的个人信息，超出了与收集时所声称的目的及具有直接或合理关联的范围，我们将在使用您的个人信息前，再次向您告知并征得您的明示同意。

根据相关法律法规的规定，我们在以下情况下收集和使用您的个人信息无需取得您的同意：

* 为订立、履行您作为一方当事人的合同所必需，或者按照依法制定的劳动规章制度和依法签订的集体合同实施人力资源管理所必需；
* 为履行法定职责或者法定义务所必需；
* 为应对突发公共卫生事件，或者紧急情况下为保护自然人的生命健康和财产安全所必需；
* 为公共利益实施新闻报道、舆论监督等行为，在合理的范围内处理您的个人信息；
* 依照《个人信息保护法》规定在合理范围内处理您自行公开或者其他已经合法公开的个人信息；
* 法律、行政法规规定的其他情形。

若因提供服务所必要，我们从第三方间接获取您的个人信息的，我们会在收集前要求第三方对个人信息来源的合法性和合规性作出承诺，并要求其向您告知共享的信息内容，在依法取得您的同意后提供个人信息。同时，我们也将会严格遵守法律法规要求及与第三方的约定，保护和处理您的个人信息。

请您理解，我们向您提供的功能和服务是不断更新和发展的，如果某一功能或服务未在前述说明中且收集了您的信息，我们会通过页面提示、交互流程、网站公告等方式另行向您说明信息收集的内容、范围和目的，以征得您的同意。

## 2. 信息的存储

### 2.1 信息存储的方式和期限

一般情况下，我们仅在为实现目的所必需的最短时间内保留您的个人信息，但下列情况除外：

* 为遵守适用的法律法规等有关规定；
* 为遵守法院判决、裁定或其他法律程序的规定；
* 为遵守相关政府机关执法的要求。

当我们的产品或服务发生停止运营的情形时，我们将采取例如推送通知、公告等形式通知您，并在合理的期限内删除或匿名化处理您的个人信息，法律法规另有规定的除外。

### 2.2 信息存储的地域

我们会按照法律法规规定，将中华人民共和国境内收集的用户个人信息存储于中华人民共和国境内。目前我们不存在向境外提供您的个人信息的场景。

## 3. 信息安全

### 3.1 安全保护措施

我们为您的信息提供相应的安全保障，以防止信息的丢失、不当使用、未经授权访问或披露。

* 我们严格遵守法律法规保护用户的通信秘密。
* 我们使用不低于行业同行安全水平的安全保护措施以保障信息的安全，例如加密技术、匿名化处理等手段。
* 我们建立专门的管理制度、流程和组织确保信息安全，例如严格限制访问信息的人员范围，要求他们遵守保密义务。

### 3.2 安全事件处置措施

若发生个人信息安全事件，我们将及时以推送通知、邮件等形式告知您安全事件基本情况及应对建议。如果难以实现逐一告知，我们将通过公告等方式发布警示。同时我们将及时启动应急预案，阻止安全事件扩大，遵照法律法规要求进行处理。

## 4. 第三方信息处理及公开披露

### 4.1 个人信息委托处理

53AI-Brain的部分功能可能由外部服务商提供，例如云存储或数据分析服务。对我们委托处理个人信息的公司、组织和个人，我们会与其签署协议，约定委托处理的目的、期限、处理方式、个人信息的种类、保护措施以及双方的权利和义务等，并对受托人的个人信息处理活动进行监督。

### 4.2 与第三方共享

我们仅会出于合法、正当、必要且本隐私政策所明确的目的与第三方分享您的个人信息，并且只会分享必要的个人信息。如果第三方改变或超越您原同意范围处理您的个人信息，我们会要求第三方再次征得您的同意。

为向您提供完善的产品和服务，在下列情形下，我们可能需要与第三方公司、组织和个人分享您的个人信息：

* 我们会与第三方软件工具开发包（SDK）或其他类似服务商分享您的个人信息，以保障平台的稳定运行、功能实现。我们会对该等获取个人信息的软件工具开发包（SDK）或插件进行严格的安全监测，令其按照本隐私政策以及其他任何相关的保密和安全措施来处理个人信息。

第三方插件/SDK的个人信息处理规则，以其公示的官方说明为准。我们接入的与个人信息处理相关的第三方插件/SDK信息将根据实际使用情况另行公示。

### 4.3 公开披露

我们不会对外公开披露所收集的个人信息，如必须公开披露时，我们会按照法律法规要求，向您告知此次公开披露的目的、披露信息的类型及可能涉及的敏感信息，并征得您的单独同意。

### 4.4 转让

随着我们业务的持续发展，我们有可能进行合并、收购、资产转让等交易，我们将告知您相关情形，按照法律法规及不低于本隐私政策所要求的标准继续保护或要求新的个人信息处理者继续保护您的个人信息。

### 4.5 共享、转让、公开披露个人信息授权同意的例外情形

根据相关法律法规的规定，以下情形下，我们共享、转让、公开披露您的个人信息，无需事先取得您的同意：

* 为订立、履行您作为一方当事人的合同所必需，或者按照依法制定的劳动规章制度和依法签订的集体合同实施人力资源管理所必需；
* 为履行法定职责或者法定义务所必需；
* 为应对突发公共卫生事件，或者紧急情况下为保护自然人的生命健康和财产安全所必需；
* 为公共利益实施新闻报道、舆论监督等行为，在合理的范围内处理个人信息；
* 依照《个人信息保护法》的规定在合理的范围内处理个人自行公开或者其他已经合法公开的个人信息；
* 法律、行政法规规定的其他情形。

## 5. 您的权利

我们非常重视并保障您个人信息相关权利。在您使用53AI-Brain功能期间，为了保障您撤回个人信息处理授权的权利，您可参考下面的指引进行操作。如下述方案无法满足您对于行使个人权利的全部需求，您可以通过本隐私政策“联系我们”中提供的联系方式提出您的请求，我们将在接到您的请求之日起十五（15）日内或法律法规规定的期限内予以反馈。为保障安全，如您根据本隐私政策向我们提出请求，我们将先验证您的个人信息主体身份，然后再处理您的请求。

### 5.1 关闭应用，撤回授权

* 关闭53AI-Brain应用：您可以通过管理后台的设置功能关闭应用，从而限制53AI-Brain获取相关信息。我们将根据您关闭应用的设置进行个人信息处理，如您关闭应用我们将不再收集与这些权限相关的信息，但提请您注意这将导致部分相关功能的不可用。

## 6. 变更

我们可能会适时对本隐私政策进行修订。当本隐私政策的条款发生变更时，我们会在版本更新时向您提示变更后的隐私政策，并向您说明生效日期。如果个人信息的处理目的、处理方式和处理的个人信息种类发生变更的，我们将重新取得您的同意。

## 7. 未成年人保护

我们非常重视对未成年人个人信息的保护。根据相关法律法规的规定，若您是18周岁以下的未成年人，在使用我们的服务前，应事先取得您的父母或监护人的同意。若您是14周岁以下的儿童，在使用本产品前，建议请您的父母或监护人阅读本隐私政策，并在征得您父母或监护人同意的前提下使用我们的服务或向我们提供您的个人信息。

若您是儿童的父母或监护人，当您对您所监护的儿童的个人信息保护有相关疑问或权利请求时，请通过本隐私政策披露的联系方式与我们联系。我们会在合理的时间内处理并回复您。

## 8. 联系我们

我们设立了专门的个人信息保护团队和个人信息保护负责人，如果您对本隐私政策或个人信息保护相关事宜有任何疑问或投诉、建议时，您可以通过以下方式与我们联系：

* 发送邮件至：[53ai\_hub@wescrm.com](mailto:53ai_hub@wescrm.com)；
* 邮寄至：广州天河区中山大道华景路37号6楼，法务部（收），邮编：510000。

我们将尽快审核所涉问题，并在十五（15）日内或法律法规规定的期限内予以反馈。

广州群应用科技有限公司\
2026年2月2日


# 云服务
Source: https://docs.53ai.com/入门/云服务



## 云服务

> 注意：53AI Hub 当前处于 Beta 测试阶段，如文档与实际产品存在差异，请以产品为准。

53AI Hub云服务是一[个面向非技术用户的智能体发布和运营](https://)平台，无需技术背景即可快速构建自己独立的AI门户。

### 产品能力

* **接入智能体开发平台**：接入字节扣子、腾讯元器、Dify、FastGPT 、RAGFlow、53AI Studio等主流的智能体开发平台。
* **智能体统一发布与运营**：跨智能体开发平台的统一发布和运营，支持灵活的用户订阅与使用权限。
* **用户管理与订单管理**：管理员可查看用户、订阅、订单等关键数据。
* **用户权限与积分体系**：支持设定用户权限及订阅费用、积分设定。
* **自定义与扩展能力**：支持自定义站点风格与专属域名，实现独立品牌运营。

### 开始使用

任何人都在线申请开通 53AI Hub 的云服务。

```mermaid theme={null}
flowchart LR
    A1[注册并登录<br>53AI Hub] --> A2[创建或进入站点]
    A2 --> A3[配置站点]
    A3 --> B1{平台接入}
    B1 --> B2[智能体平台]
    B1 --> B3[云计算平台]
    B1 --> B4[大模型平台]
    B2 --> C1[添加智能体<br>基础信息 & 使用权限]
    B3 --> C1
    B4 --> C1
    C1 --> D1[完成配置<br>上线运营]

    %% 样式
    classDef step fill:#E3F2FD,stroke:#90CAF9,color:#000
    classDef decision fill:#FFF3E0,stroke:#FB8C00,color:#000,font-weight:bold

    class A1,A2,A3,B2,B3,B4,C1,D1 step
    class B1 decision
```

以下是使用步骤：

1. **注册并登录** [https://hub.53ai.com](https://hub.53ai.com)
2. **创建或进入站点**：
   * 首次使用点击「创建站点」
   * 非首次则选择已有站点
3. **配置站点**：上传 Logo、填写站点名称、站点简介等基本内容；
4. **平台接入**：
   * 智能体平台（如扣子、Dify 等）→ 需提前在智能体开发平台中构建好智能体；
   * 云计算平台（如火山方舟、阿里百炼）；
   * 大模型平台（如 OpenAI、硅基流动、深度求索）；
5. **添加智能体**：填写发布智能体的基础信息，配置调用权限；
6. **完成配置并上线运营**！

> 注：53AI Hub支持同时接入多个智能体平台、对智能体进行聚合发布与运营。

### 云服务版本差异

平台提供灵活的订阅机制，满足不同用户与不同阶段的运营需求，你也可从 [免费版本](http://hub.53ai.com) 开始体验。

| 云服务      | 创业版  | 专业版       | 企业版       |
| -------- | ---- | --------- | --------- |
| **运营能力** |      |           |           |
| 智能体      | 5个   | 不限        | 不限        |
| 支付配置     | ❌    | 微信支付/手工转账 | 微信支付/手工转账 |
| 注册用户     | 100个 | 不限        | 不限        |
| 内部用户     | ❌    | ❌         | 部门/成员/分组  |
| 单点登录     | ❌    | ❌         | 企微/钉钉/飞书  |
| **集成能力** |      |           |           |
| 智能体平台接入  | ✅    | ✅         | ✅         |
| 云计算平台接入  | ✅    | ✅         | ✅         |
| 大模型平台接入  | ✅    | ✅         | ✅         |
| 图片视觉     | ✅    | ✅         | ✅         |
| 文档解析     | ✅    | ✅         | ✅         |
| 开放搜索     | ✅    | ✅         | ✅         |
| **个性化**  |      |           |           |
| 自定义二级域名  | ✅    | ✅         | ✅         |
| 独立域名绑定   | ❌    | ✅         | ✅         |
| 自定义界面    | ✅    | ✅         | ✅         |
| 自定义导航    | ✅    | ✅         | ✅         |
| 去除版权     | ❌    | ❌         | ✅         |
| **服务支持** |      |           |           |
| 社群讨论群    | ✅    | ✅         | ✅         |
| 1V1支持群   | ❌    | ✅         | ✅         |
| 培训服务     | ❌    | ❌         | ✅         |
| **价格**   | 免费   | 9800元/年   | 15800元/年  |

### 常见问题

**1. 可以接入多个智能体开发平台吗？**

可以。53AI Hub支持同时接入多个智能体开发平台（如扣子、Dify、FastGPT 等），你可以跟进自己的需求将不同开发平台开发的智能体进行统一发布和运营。

但请注意，目前扣子平台仅支持接入单个开发者账号，即同一站点下暂时不能同时接入不同开发者账号下的扣子智能体。

**2. 没有智能体开发平台能使用吗？**

是的。你必须已经在智能体开发平台上已经开发好了智能体，并通过对应平台的 API 接入到 53AI Hub。请根据平台指引或产品文档完成智能体开发平台的接入。

**3. 在哪里开发和编排智能体？**

53AI Hub 产品定位是智能体发布与运营平台，不支持智能体的开发和编排。你需要在平台支持的智能体开发平台（如：扣子、Dify 等）上完成智能体的开发、编排。完成智能体的开发和编排后才能将并其接入至53AI Hub进行发布和运营。

**4. 为什么我的扣子智能体接入失败？**

自查在接入扣子平台的第二步，在扣子平台的 OAuth 应用授权中填写了你的 53AI Hub站点的“重定向 URL”？

**5. 扣子平台显示接入成功了，但添加智能体时显示没有可选的智能体？**

请自查以下情况是否满足：

* 扣子智能体平台中是否成功创建了智能体并发布？
* 扣子智能体发布时是否勾选了 “API” 和 “Chat SDK” 权限？

**6. 已经添加成功的智能体为什么站点上看不到？**

请检查以下两点：

* 「应用管理 - 智能体」中该智能体是否已启用？
* 用户所在的订阅组是否有该智能体的使用权限？


# 产品路线图
Source: https://docs.53ai.com/入门/产品路线图



## 产品路线图

### 待排期需求

站点装修

* 站点导航：**页面可视化编辑器**
* 页脚导航

应用管理

* 智能体：其它主流智能体
* 增加**对话记录、使用记录运营数据**
* 单点登录：**钉钉、飞书**
* 订阅服务：AI工具设置、提示词设置
* 增加社区：用户可分享智能体、提示词及AI应用的落地使用心得

运营管理

* 注册用户：用户筛选、对话记录、运营数据
* 运营分析

前台站点

* 首页迭代：**快捷操作、数据简报、版本权益、站点信息、底部导航、语言版本**
* 聊天：联网搜索
* 客户端：增加接入53AI Browser客户端、登录设备显示\*\*使用数据
* 个人中心：**使用数据**隐私条款、注册政策
* 聊天：增加应用介绍、推荐问题
* **发现：应用市场、我添加的**
* 新增新手指引、帮助与反馈

### Ver 0.3.2

发布时间：2026年02月26日

**新特性**

应用管理

* 知识库新增清洗策略、数据管线功能

能力接入

* 完善通用大模型页面，正式支持月之暗面（Moonshot）和Gmini，支持平台下新增自定义模型。

前台站点

* 优化问答展示效果
* 语料试图页面完善：元数据、文档解析、语料切片和语料流水线

### Ver 0.3.1

发布时间：2026年01月15日

**新特性**

应用管理

* 文档应用新增知识地图

前台站点

* 知识试图新增知识地图
* 文档预览体验优化接入KKview预览

### Ver 0.3.0

发布时间：2026年01月08日

**新特性**

全平台合并了KM功能

应用管理

* 新增AI搜问和知识库功能

系统配置

* 站点配置设置优化：站点信息、模板风格、站点域名、三方统计
* 能力接入设置优化：大模型接入、智能体、联网能力、文档能力、解析能力

前台站点

* 软件风格首页新增AI搜问知识库
* 知识库功能

### Ver 0.2.4

发布时间：2025年11月07日

**新特性**

应用管理

* 应用型支持COZE数组输入
* 大模型接入key无资源时，前后台提示优化

用户管理

* 分组界面里的“可使用”支持添加到提示词和AI工具

前台站点

* 工作流输入项为空支持执行使用

### Ver 0.2.3

发布时间：2025年10月24日

**新特性**

SAAS登录页

* 登录后出现选择企业时，展示其管理员身份
* 同一个手机号，修改绑定邮箱、微信的时候，全平台都会修改

### Ver 0.2.2

发布时间：2025年10月18日

更新如下：

平台接入

* 腾讯云智能体平台完善

站点装修

* 导航判断外链支持带端口

运营管理

* 内部用户列表展示所属分组
* 智能体、提示词、AI工具等列表展示内部成员范围
* 以及部分bug优化修复

### Ver 0.2.1

发布时间：2025年9月30日

新特性

* 单点登录增加API模式
* 平台接入增加腾讯云平台

### Ver 0.2.0

发布时间：2025年9月25日

新特性

* Coze/53AI Studio/千帆-支持授权多个Key；
* 导航加图标和软件模式隐藏
* hub体验完善
  * 官网首页AI工具不分组展示
  * 后台banner图删除时触发重新选择
  * 登录后页面刷新请求接口报错

### Ver 0.1.9

发布时间：2025年9月11日

新特性

应用管理

* 智能体：新增腾讯云智能体开发平台、飞书aliy平台接入。

### Ver 0.1.8

预计发布：2025年8月28日

新特性

应用管理

* AI应用 新增应用介绍及账号共享

### Ver 0.1.7

发布时间：2025年8月14日

新特性

应用管理

* 对话型智能体新增关联场景的下一步操作
* 智能体：新增N8N、coze-studio开源版平台接入。
* 智能体，列表优化，新增平台和类型；筛选项-新增分组、平台和类型；

### Ver 0.1.6

发布时间：2025年7月30日

新特性

应用管理

* 智能体：新增coze、dify工作流接入；新增53AI Studio应用智改接入。
* 智能体：应用型智能体新增关联场景的下一步操作
* 平台接入：支持MaxKB平台接入

前台站点

* 企业版支持关闭版权信息
* 提示词新增可配置跳转使用的网站
* 网页风格版的对话页面优化

### Ver 0.1.5

发布时间：2025年7月11日

**新特性**

运营管理

* 注册用户：用户筛选（按订阅版、按是否服务到期）查询

智能体

* 新增FastGTP智能体可开启文件解析及图片视觉（感谢**天正软件**提出优化建议）

站点配置

* 系统日志
* 支付设置：新增支付宝（感谢dgr-ai.cn**亚亚老师**提出优化建议）
* **单点登录：企业微信**

前台站点

* 智能体：网站风格智能体对话页、使用指引优化
* 智能体：图文多模态输出修复（感谢**菲尼克斯**提出优化建议）
* 提示词：网站风格提示词站视页、使用指引优化
* 个人中心：增加订单记录
* 虚拟静态页面重构，实现SEO友好
* 移动端：支持微信、企微登录自动登录

### Ver 0.1.4

发布时间：2025年6月26日

**新特性**

站点配置

* 平台接入：新增Azure OpenAI、FastGPT接入，53AI Studio接入优化
* 支付设置：增加手动转账

前台站点

* **个人中心：支持微信登录**
* 智能体：网页版优化
* 提示词：网页版优化

***

### Ver 0.1.3

发布时间：2025年6月19日

**新特性**

应用管理

* AI工具：新增排序功能

站点装修

* 模板风格：网站风格、软件风格两种模式

前台站点

* 智能体：网页版优化
* 提示词：网页版优化
* 个人中心：邮箱注册、邮箱重置密码、

### Ver 0.1.2

发布时间：2025年6月12日

**新特性**

应用管理

* 智能体：优化添加流程
* **提示词：新上线提示词功能**

站点配置

* 导航管理：前台站点自定义导航菜单名称、导航菜单启用与停用、新增自定义页面
* 平台接入：阿里百炼、火山方舟、腾讯元器

前台站点

* **响应式H5移动端**
* 个人中心：手机号注册、手机号重置密码、

### Ver 0.1.1

发布时间：2025年5月29日

**新特性**

运营管理

* 内部用户：新增**内部用户**，支持添加成员、部门，分组

智能体

* 智能体：对话新增**图片视觉**及**文档解析**
* 智能体：对话新增Mermaid图表组件，带来更好的交互体验

站点配置

* 站点信息：AI门户、AI企业门户、AI行业门户三种模式切换
* 站点域名：新增支持绑定独立域名
* 管理员：支持多个管理员运营站点
* 平台接入：新增百度AppBuild的支持

前台站点

* 网址导航：首页、智能体、AI工具、关于我们

### Ver 0.1.0

发布时间：2025年5月15日

**版本介绍**

在过去两年深度参与数百家企业的大模型落地应用交付与陪跑服务中，我们洞察到一个重要趋势：企业内部的 AI 先行者已通过扣子、Dify 等智能体开发平台，构建了多样化的智能体应用，积极探索 "人 + AI" 协同模式下的效率革新。这些智能体在客服响应、数据分析、流程自动化等场景中展现出显著效能提升，例如某制造企业通过智能体将工单处理效率提升 40%，某金融机构利用智能体实现客户风险评估时效缩短 50%。

然而，这些创新应用当前大多局限于企业内部小范围场景，未能形成规模化价值辐射。基于此，我们提出**智能体聚合门户**的构想 —— 希望打造一款**开箱即用的 AI 门户平台-53AI Hub**，通过标准化接口与低代码集成能力，将分散在不同智能体开发平台的 AI 应用进行统一聚合与可视化呈现。这一平台不仅为开发者提供创意孵化与流量分发的舞台，更让企业用户能够通过单一入口调用多元智能体服务，实现从 "场景级效率优化" 到 "企业级生产力重构" 的跨越。

我们的目标，是让每一个智能体创新都能突破应用边界，让 AI 价值在更广泛的业务场景中高效流转。

2025年5月18日，我们上线了第一个版本，以下是功能简介：

站点配置

* 站点信息：可以设置Logo、站点名称、语言版本、版权信息等
* 平台接入：支持了扣子、Dify、53AI Studio、OpenAI、硅基流动、DeepSeek六个平台
* 支付设置：支持微信支付
* 订阅服务：分组设置、订阅费用
* 站点域名：支持自定义\*.53ai.com二级域名
* 三方统计：支持设置三方统计代码

站点装修

* 模版风格：支持导航文字、导航背景等主题色的配置
* Banner图：支持站点多张Banner图的自定义

运营管理

* 注册用户：注册用户账号、订阅、服务期、密码重置等
* 订单管理：订单数据、订单查询检索

应用管理

* 智能体：支持扣子、Dify、53AI Studio及Prompt创建
* AI工具：AI工具添加、管理

前台站点

* 首页：推荐智能体
* 智能体：对话、置顶、历史对话
* AI工具：AI工具使用
* 个人中心：用户注册、修改密码


# 开源许可协议
Source: https://docs.53ai.com/入门/开源许可协议



## 53AI Open Source License

53AI Hub 基于Apache License 2.0的开源协议，并附加以下条件：

小微企业与创业团队**可将53AI Hub 源码用于商业用途**。若满足以下任一条件，须从53AI获得商业许可：

* **中大型企业使用**：员工数300人以上或年营收6,000万以上属于中大型企业。
* **移除Logo与版权**：不得删除或修改53AI的Logo及版权信息。
* **多租户SaaS服务**：不得使用53AI Hub的源代码运营多租户环境。

作为贡献者，需同意：

* 产品方可根据需要调整开源协议，使其更严格或更宽松。
* 贡献的代码可用于商业用途，包括但不限于云服务运营。

除上述特定条件外，其他所有权利和限制遵循 Apache License 2.0。关于 Apache License 2.0 的详细信息，请访问 [http://www.apache.org/licenses/LICENSE-2.0](http://www.apache.org/licenses/LICENSE-2.0)。


# 技术特性
Source: https://docs.53ai.com/入门/技术特性



# 技术特性

我们秉持**技术特性与开发过程全透明化**的运营理念，通过系统化的信息披露机制，助力技术决策者在完整掌握产品技术架构、核心能力及迭代路径的前提下，做出科学的技术选型决策。

这种透明化策略不仅能够：

* 帮助你深度解构产品的技术实现细节（如底层架构设计、性能指标、兼容性适配方案等），消除技术评估中的信息差；
* 同步开发进程中的关键节点（如版本规划、功能迭代路线图、技术难点攻关动态），让技术选型与业务需求实现精准匹配；

我们希望推动社区生态的正向循环：通过开放代码仓库、技术文档及协作流程，降低社区成员的参与门槛，激发开发者对产品的深度理解与技术贡献，共同构建可持续进化的技术共同体。

### 基础信息

| 项目立项  | 2025 年 2 月                                     |
| ----- | ---------------------------------------------- |
| 开源协议  | **[基于 Apache License 2.0 有限商业许可](/入门/开源许可协议)** |
| 官方团队  | 超过 12 名全职开发人员                                  |
| 社区贡献者 | 超过 5 人（截止 2025年5月）                             |
| 后端技术  | Go                                             |
| 前端技术  | Vue/Next.js                                    |
| 代码行数  | 超过 4 万行                                        |
| 发版周期  | 平均两周一次                                         |

### 技术特性

| 事项      | 详情                                                 |
| ------- | -------------------------------------------------- |
| 智能体平台接入 | **6家** ：字节扣子、腾讯元器、Dify、FastGPT、RAGFlow、53AI Studio |
| 云计算平台接入 | **4家**：阿里百炼、腾讯云智能体开发平台、火山方舟、百度千帆AppBuild           |
| 大模型平台接入 | **∞家**：OpenAI、硅基流动、深度求索、兼容OpenAI 接口标准              |
| 支付平台    | 微信支付、手工转账                                          |
| API 规格  | RESTful，已覆盖大部分功能                                   |
| 部署方式    | 云服务、Docker容器、本地一键安装包                               |


# 服务协议
Source: https://docs.53ai.com/入门/服务协议



## 服务协议（适用于53AI-Brain知识库服务）

**生效日期：2025年3月2日**\
**最后更新日期：2026年2月2日**

### 1. 导言

欢迎您使用广州群应用科技有限公司（以下简称“群应用”或“我们”）提供的53AI-Brain知识库服务（以下简称“本服务”）。本服务是一款为企业或组织构建AI知识库的平台，包括但不限于知识管理、智能问答、内容创作、流程自动化等功能（具体以53AI网站描述为准）。请在使用前仔细阅读本协议。一旦您访问、注册或使用本服务，即视为您已接受本协议的全部内容。

### 2. 服务内容

* **核心功能**：本服务基于大模型技术，帮助企业实现知识在人与AI之间的高效流动，具体包括：
  * **知识库管理**：构建人与AI友好的知识库，支持文档上传、检索和智能问答。
  * **智能体平台**：通过“用户记忆-知识记忆-语义记忆”机制，开发高准确率的智能体（如客服助手、数字员工等）。
  * **集成与门户**：支持与微信、钉钉、企业微信等平台集成，为企业提供专属AI门户。
* **服务范围**：本服务主要面向企业用户（如政府、央国企、能源、制造等行业），企业用户可邀请其员工或成员（最终用户）使用本服务。个人用户需通过企业用户授权接入。
* **免费POC**：我们提供免费概念验证（POC），供企业零成本试错（详见53AI网站内容）。

### 3. 用户权利与义务

* **企业用户**：
  * 需保证其提供的信息真实合法，并对其最终用户的行为负责。
  * 有权通过管理后台配置服务、管理最终用户权限。
* **最终用户**：
  * 应遵守企业用户的管理规则，不得滥用服务（如上传违法内容、干扰系统运行）。
  * 可享受本服务提供的全员提效功能（如工作对话、方案撰写等）。
* **禁止行为**：禁止利用本服务从事任何违反法律法规或侵犯第三方权益的行为（如黑客攻击、商业间谍活动）。

### 4. 服务变更与终止

* 我们可能因业务发展需要调整服务内容，并通过官网或邮件通知。
* 如用户严重违反本协议，我们有权暂停或终止服务。企业用户可自主决定解散其知识库空间。

### 5. 知识产权

* 本服务涉及的软件、界面、文档等知识产权归群应用所有。
* 用户上传的内容知识产权归用户或相关权利人所有，但您授予我们必要的使用许可以提供服务。

### 6. 免责声明

* 因不可抗力（如网络攻击、政策变化）导致的服务中断，我们不承担责任。
* 我们不对用户内容的准确性或合法性作担保，企业用户应自行审核其知识库内容。

### 7. 联系我们

如对本协议有任何疑问，请联系：

* **公司名称**：广州群应用科技有限公司
* **产品名称**：53AI-Brain
* **地址**：广州天河区中山大道华景路37号6楼
* **邮箱**：[53ai\_hub@wescrm.com](mailto:53ai_hub@wescrm.com)

***

## 隐私政策（适用于53AI-Brain知识库服务）

**生效日期：2025年3月2日**\
**最后更新日期：2026年2月2日**

### 1. 导言

广州群应用科技有限公司（以下简称“群应用”或“我们”）高度重视用户隐私。本隐私政策适用于53AI-Brain知识库服务（包括知识管理、智能问答、AI驱动业务流程等功能），说明了我们如何收集、使用、存储和保护您的个人信息。请在使用前仔细阅读。如您不同意本政策，请勿使用本服务。

### 2. 信息收集范围

我们基于合法、必要原则收集以下信息（部分条款参考群应用隐私指引的结构，但已适配53AI-Brain场景）：

* **账号信息**：当您注册本服务时，需提供手机号或微信账号（昵称、头像）以完成验证。
* **设备与日志信息**：为保障服务安全稳定，我们会收集设备型号、IP地址、操作日志（如功能使用记录）等信息。
* **企业用户委托信息**：企业用户可能要求您提供姓名、职位、部门等信息，以便管理知识库权限；我们受企业用户委托处理这些信息。
* **服务内容**：您在使用中上传的文档、对话记录、知识库内容等，仅用于提供AI知识库服务（如智能问答、流程自动化）。
* **敏感信息**：如涉及人脸识别（用于实名认证），我们会单独征得同意，且仅用于验证目的，不存储原始生物信息。
* **第三方集成**：本服务支持与企业微信、钉钉等平台集成，相关账号信息可能被同步以验证身份。

### 3. 信息存储与安全

* **存储地点**：所有信息均存储于中国境内。
* **存储期限**：信息保留时间以实现目的所必需为限。企业用户可自主设置知识库内容的留存周期。
* **安全措施**：我们采用加密技术、访问控制等措施保护信息，并通过ISO27001等认证（参考53AI网站提到的安全能力）。

### 4. 信息使用方式

我们仅将信息用于以下目的：

* **提供服务**：如基于知识库内容提供智能问答、生成业务报告。
* **优化服务**：通过分析使用日志改进产品功能（如提升AI准确率）。
* **安全保障**：检测和防范欺诈、滥用等行为。
* **法律合规**：响应政府监管要求。

### 5. 信息共享与公开

* 我们不会公开披露您的信息，除以下情况：
  * 经您或企业用户单独同意。
  * 为集成第三方服务（如企业微信）所需，但会严格限制数据范围。
  * 因法律要求或保护公共利益必需时。
* 企业用户对其知识库内的信息有管理权，相关共享行为由企业用户决定。

### 6. 您的权利

您有权：

* **查阅信息**：通过“我的”页面查看头像、姓名等基本信息。
* **更正或删除**：可编辑个人资料或删除上传的内容（如文档、对话记录）。
* **退出服务**：通过企业用户管理后台或联系我们注销账号。
* **未成年人保护**：14岁以下用户需监护人同意方可使用。

### 7. 变更与联系我们

* 本政策可能更新，重大变更将通过官网公告。
* 如有疑问、投诉或行使权利，请联系：
  * **邮箱**：[53ai\_hub@wescrm.com](mailto:53ai_hub@wescrm.com)
  * **地址**：广州天河区中山大道华景路37号6楼
  * **产品名称**：53AI-Brain


# 本地部署
Source: https://docs.53ai.com/入门/本地部署



# 本地部署

53AIHub 提供了支持一键安装的本地部署安装包，可一键部署到你的本地服务器/阿里云/腾讯云/华为云等云计算厂商的云服务器 上。它适合以下场景：

* 你有自己的云服务器，并且非常关心数据私有化。
* 你对 [53AIHub 云服务](https://docs.53ai.com/zh-cn/getting-started/cloud)感兴趣，希望先在本地快速体验 53AIHub的产品。
* 你企业希望在购买 53AI Hub商业版之前进行场景的 POC 验证。

### 快速开始

**使用预编译文件启动**

1. 从 GitHub Releases 页面下载预编译文件

访问 [GitHub Releases](https://github.com/53AI/53AIHub/releases) 下载适合您操作系统的预编译文件。

2. 解压下载的文件

* Linux/MacOS:

```bash theme={null}
# Linux/MacOS
tar -xzvf 53AIHub-[版本号]-[系统].tar.gz
```

* Windows:

```
# Windows
# 使用解压软件解压 53AIHub-[版本号]-win.zip
```

3. 启动 53AIHub

* Linux/MacOS:

  ```bash theme={null}
  chmod +x 53AIHub
  ./53aihub
  ```
* Windows:
  双击 `53AIHub.exe` 文件启动

服务将在默认端口上 `80`运行。

### 配置说明

53AIHub 默认不需要任何配置即可启动，它使用以下默认配置：

* 数据库：SQLite（默认，无需配置）
* 端口：默认为 3000（可通过 PORT 环境变量修改）

如果需要特定功能，可以在运行目录下创建 `.env`文件，配置以下环境变量：

* `SQL_DSN`: 数据库连接字符串，默认使用 SQLite, 可以使用MySQL数据库
* `PORT`: 服务监听端口，默认为 80
* `LOG_LEVEL`: 日志级别，可选值为 DEBUG、INFO（默认）
* `API_HOST`: API 主机地址，如需支持微信支付，必须配置此项

### 产品升级

升级分为以下步骤：

1. 备份数据
2. 下载新版
3. 安装升级

**1. 备份数据**

* Linux/MacOS:

  * 1.1  运行 `cd` 命令至你的 53AI Hub 项目路径，新建备份分支。
  * 1.2  运行命令停止服务，在 Docker 目录中执行备份数据命令。

```bash theme={null}
docker compose down
tar -cvf volumes-$(date +%s).tgz volumes
```

* Windows:
  * 打开文件管理进入到你的53AI Hub所在目录，新建备份文件夹
  * 退出原来的 `53AIHub.exe` ，复制当前目录至备份文件夹中

**2. 下载新版**

在官网或github仓库下载新的版本，解压到当前目录

**3. 安装升级**

按照“快速开始”中的说明重新启动 53AIHub

你可以根据需要修改目录下 `.env` 文件里的环境变量。然后重新启动 53AI Hub


# 欢迎使用
Source: https://docs.53ai.com/入门/欢迎使用



# 欢迎使用

**53AIHub** 是一款**开源的AI门户**。它可以让你快速搭建一个运营级的AI门户，实现对智能体、提示词与AI工具的发布与运营。它支持无缝对接**字节扣子、腾讯元器、Dify、FastGPT、RAGFlow、53AI Studio**等智能体开发平台，以及**阿里百炼、腾讯云智能体开发平台、火山方舟、百度千帆 AppBuild**等云计算平台，让开发者和企业能够快速搭建生产运营级的 AI 门户，无需复杂的技术整合流程。即使是没有技术背景的人员，也能轻松参与智能体发布和运营，极大降低了 AI 应用落地的门槛。

53AIHub 内置构建和运营 AI 门户的**全栈核心技术**：从主流智能体开发平台的接入支持，到完善的智能体接入管理体系；从稳健可靠的底层框架，到灵活多变的运营策略配置，一应俱全。同时，平台还提供用户运营工具和个性化模版布局功能，满足多样化的运营需求。其开箱即用的特性，帮助企业和运营者节省大量开发时间，让用户能够聚焦于业务需求挖掘和用户运营优化。

### 为什么使用？

基于扣子、Dify 等智能体开发平台，你或许可以通过分享链接分发 AI 应用，但这种方式存在分散管理、缺乏统一运营等局限。**53AIHub**则提供了一套完整解决方案，能够将不同平台开发的 AI 应用聚合到统一的 AI 门户，实现集中化的运营与管理。作为经过严谨工程设计和多轮软件测试的成熟系统，53AIHub 确保了功能的稳定性和可靠性。

更值得一提的是，53AIHub 完全开源，由 53AI 全职团队与开源社区共同维护和迭代。用户既可以选择便捷的 53AIHub 云服务，也能将平台部署在自有云服务器上，在保障灵活性与安全性的同时，完全掌控用户数据和运营数据，满足不同场景下的数据隐私与业务需求。

这份指南将带你深入了解 53AIHub 的功能与优势，我们坚信，53AIHub 将成为您发布和运营智能体的首选平台，助力 AI 应用释放更大价值。

### 能做什么？

53AI Hub 源自企业用户真实的业务痛点及经营需求，我们希望每个组织都能零门槛的运营**自己独立的AI门户**。

哪些场景适合使用？

* **AI创新创业：加速创意落地与用户增长**
  对于开发者和创业团队，53AI Hub 提供了从智能体开发到商业化运营的一站式链路。你可将在不同平台构建的智能体快速接入独立 AI 门户，通过可视化数据看板实时追踪用户行为，基于用户反馈持续优化迭代；同时，借助平台内置的互动工具与用户深度沟通，实现产品快速冷启动与口碑传播，让创新成果高效转化为商业价值。
* **企业AI门户：赋能组织智能化升级**
  面对企业内部 AI 应用分散、管理难的问题，53AI Hub 助力企业搭建面向全员的统一 AI 门户。通过将各类生成式 AI 工具聚合到单一入口，简化员工使用流程，加速 AI 技术在业务场景中的渗透，显著提升工作效率；同时，平台支持中心化管控功能，企业可灵活设置权限、监控使用数据，确保 AI 应用在合规、安全的框架下运行，实现降本增效与风险控制的双重目标。
* **AI 教育培训：革新教学实践体验**
  在教育培训领域，53AI Hub 成为培训机构与讲师的得力助手。教师可将课程案例转化为智能体应用接入平台，学员通过直观的门户界面进行实操体验，深度理解 AI 技术原理与应用逻辑；在管理端，教师能够实时追踪学员使用数据，精准分析学习效果，及时调整教学策略，实现 “理论 - 实践 - 反馈” 的闭环教学，让 AI 教育更具针对性与实效性。

### 下一步行动

* 如果你希望快速体验，可以从\*\*[云服务](/入门/云服务)\*\*开始，快速体验 53AI Hub 的搭建流程
* 如果你希望将53AI Hub[**本地部署**](/入门/本地部署)到你的服务器上，并将开发好的智能体\*\*[快速接入\*\*](/手册/站点配置/平台接入)到 53AI Hub
* 了解 53AIHub 的\*\*[技术特性](/入门/技术特性)\*\*和 **[产品路线图](/入门/产品路线图)**
* 在 **[GitHub](https://github.com/53ai/53aihub)** 上为我们点亮一颗星，并阅读我们的**贡献指南**


# 全站后端
Source: https://docs.53ai.com/开发/全站后端



# 53AI Hub

53AI Hub 是一个强大的 AI 门户管理平台，支持多种智能体开发平台的接入。本指南将帮助您快速上手并开始使用 53A IHub。

## 目录

* [环境要求](#环境要求)
* [快速开始](#快速开始)
  * [使用 Docker Compose 启动](#使用-docker-compose-启动)
  * [源代码编译启动](#源代码编译启动)
  * [使用预编译文件启动](#使用预编译文件启动)
* [配置说明](#配置说明)
* [常见问题排查](#常见问题排查)

## 环境要求

* Docker 和 Docker Compose (如使用容器化部署)
* Go 1.24+ (如从源码编译)

## 快速开始

### 使用 Docker Compose 启动

1. 克隆仓库到本地

```bash theme={null}
git clone https://github.com/53AI/53AIHub.git
cd 53AIHub
```

2. 进入 docker 目录并启动服务

```bash theme={null}
cd docker
docker-compose up -d
```

这将启动 53AI Hub 应用 (端口 80)。

服务将在 `http://localhost` 上运行。

### 源代码编译启动

1. 克隆仓库到本地

```bash theme={null}
git clone https://github.com/53AI/53AIHub.git
cd 53AIHub
```

2. 安装依赖并编译

```bash theme={null}
go mod tidy
go build -o bin/53AIHub main.go
```

3. 启动 53AIHub 服务

```bash theme={null}
./bin/53AIHub
```

服务将在默认端口上运行（默认是 80，可通过 PORT 环境变量修改）。

### 使用预编译文件启动

1. 从 GitHub Releases 页面下载预编译文件

访问 [GitHub Releases](https://github.com/53AI/53AIHub/releases) 下载适合您操作系统的预编译文件。

2. 解压下载的文件

```bash theme={null}
# Linux/MacOS
tar -xzvf 53aihub-[版本号]-[系统].tar.gz

# Windows
# 使用解压软件解压 53aihub-[版本号]-windows.zip
```

3. 启动 53AI Hub

* Linux/MacOS:

  ```bash theme={null}
  chmod +x 53aihub
  ./53AIHub
  ```
* Windows:
  双击 `53aihub.exe` 文件启动

服务将在默认端口上`80`运行。

## 配置说明

53AI Hub 默认不需要任何配置即可启动，它使用以下默认配置：

* 数据库：SQLite（默认，无需配置）
* 端口：默认为 3000（可通过 PORT 环境变量修改）

如果需要特定功能，可以配置以下环境变量：

* `SQL_DSN`: 数据库连接字符串，默认使用 SQLite
* `PORT`: 服务监听端口，默认为 3000
* `LOG_LEVEL`: 日志级别，可选值为 DEBUG、INFO（默认）
* `API_HOST`: API 主机地址，如需支持微信支付，必须配置此项

## 常见问题排查

### 1. 服务无法启动

* 检查端口是否被占用
* 查看日志文件中的错误信息

```bash theme={null}
cat logs/53AIHub.log
```

### 2. 数据库问题

默认情况下，53AI Hub 使用 SQLite 数据库，无需额外配置。如果您配置了 MySQL 数据库但连接失败：

* 确认 MySQL 服务是否正常运行
* 检查数据库连接参数是否正确
* 确认数据库用户是否有足够的权限

### 3. 微信支付配置

如需支持微信支付功能，必须配置 `API_HOST` 环境变量：

```bash theme={null}
export API_HOST="http://your-domain.com"
```

或在启动时指定：

```bash theme={null}
API_HOST="http://your-domain.com" ./53aihub
```

### 4. Token 编码器初始化失败

错误信息示例：

```
panic: runtime error: invalid memory address or nil pointer dereference
```

可能原因：

* billingratio.ModelRatio 为 nil
* logger 未正确初始化

解决方法：

* 确保在使用 logger 前已正确初始化

如果您遇到其他问题，请提交 GitHub Issue 获取支持。

```
```


# 用户侧前端
Source: https://docs.53ai.com/开发/用户侧前端



# 53AI Hub 前台

基于 Vue3 和 TypeScript 的现代化开发模板

![vite-version](https://img.shields.io/github/package-json/dependency-version/alex8088/electron-vite-boilerplate/dev/vite) + ![vue-version](https://img.shields.io/github/package-json/dependency-version/alex8088/electron-vite-boilerplate/dev/vue) + ![typescript-version](https://img.shields.io/github/package-json/dependency-version/alex8088/electron-vite-boilerplate/dev/typescript)

## 特性

* 💡 优化的资源处理
* 🚀 快速的热模块替换（HMR）
* 🔌 便捷的调试体验
* 📦 完善的构建流程

## 开发环境配置

### 推荐的 IDE 配置

* [VSCode](https://code.visualstudio.com/) + [ESLint](https://marketplace.visualstudio.com/items?itemName=dbaeumer.vscode-eslint) + [Prettier](https://marketplace.visualstudio.com/items?itemName=esbenp.prettier-vscode) + [Volar](https://marketplace.visualstudio.com/items?itemName=Vue.volar) + [TypeScript Vue Plugin (Volar)](https://marketplace.visualstudio.com/items?itemName=Vue.vscode-typescript-vue-plugin)

## 项目设置

### Node 版本要求

v18.12.0

### 安装依赖

```bash theme={null}
$ npm install
```

### 开发模式

```bash theme={null}
$ npm run dev
```

### 构建项目

```bash theme={null}
$ npm run build
```

## 关联技术文档

* [项目配置](https://cn.vitejs.dev/config/)
* [Vue3 文档](https://cn.vuejs.org/)
* [TypeScript 文档](https://www.typescriptlang.org/zh/)
* [Vite 指南](https://cn.vitejs.dev/guide/)

## 代码规范

本项目使用 ESLint 和 Prettier 来确保代码质量和一致性。请确保在提交代码前运行代码检查：

```bash theme={null}
$ npm run lint
```

## 目录结构

```
├── src/renderer/main     # 源代码目录
│   ├── api/              # api接口与错误code
│   ├── assets/           # 样式跟icon
│   ├── components/       # 组件
│   ├── directive/        # 自定义指令
│   ├── views/            # 页面
│   ├── router/           # 路由配置
│   ├── typings/          # 类型定义
│   ├── constants/        # 常用变量
│   ├── locales/          # 语言包
│   ├── store/            # 状态管理
│   ├── utils/            # 工具箱
│   └── main.ts           # 入口文件
├── src/renderer/public   # 公共资源
├── dist/                 # 构建输出目录
├── .eslintrc.js          # ESLint 配置
├── .prettierrc           # Prettier 配置
├── tsconfig.json         # TypeScript 配置
└── vite.config.ts        # Vite 配置
```


# 管理侧前端
Source: https://docs.53ai.com/开发/管理侧前端



# 管理后台前端项目

基于 Vue3 和 TypeScript 的AI代理管理平台管理后台开发模板

## 特性

\- 💡 优化的资源处理

\- 🚀 快速的热模块替换（HMR）

\- 🔌 便捷的调试体验

\- 📦 完善的构建流程

## 开发环境配置

### 推荐的 IDE 配置

\- [VSCode](https://code.visualstudio.com/) + [ESLint](https://marketplace.visualstudio.com/items?itemName=dbaeumer.vscode-eslint) + [Prettier](https://marketplace.visualstudio.com/items?itemName=esbenp.prettier-vscode) + [Volar](https://marketplace.visualstudio.com/items?itemName=Vue.volar) + [TypeScript Vue Plugin (Volar)](https://marketplace.visualstudio.com/items?itemName=Vue.vscode-typescript-vue-plugin)

## 项目设置

### Node 版本要求

v18.12.0

### 安装依赖

```bash theme={null}
$ npm install
```

### 开发模式

```bash theme={null}
$ npm run dev
```

### 构建项目

```bash theme={null}
$ npm run build
```

## 技术文档

* [项目配置](https://cn.vitejs.dev/config/)
* [Vue3 文档](https://cn.vuejs.org/)
* [TypeScript 文档](https://www.typescriptlang.org/zh/)
* [Vite 指南](https://cn.vitejs.dev/guide/)

## 代码规范

本项目使用 ESLint 和 Prettier 来确保代码质量和一致性。请确保在提交代码前运行代码检查：

```bash theme={null}
$ npm run lint
```

## 目录结构

```
├── src/src     # 源代码目录
│   ├── api/              # api接口与错误code
│   ├── assets/           # 样式跟icon
│   ├── components/       # 组件
│   ├── directive/        # 自定义指令
│   ├── views/            # 页面
│   ├── router/           # 路由配置
│   ├── typings/          # 类型定义
│   ├── constants/        # 常用变量
│   ├── locales/          # 语言包
│   ├── store/            # 状态管理
│   ├── utils/            # 工具箱
│   └── main.ts           # 入口文件
├── src/renderer/public   # 公共资源
├── dist/                 # 构建输出目录
├── .eslintrc.js          # ESLint 配置
├── .prettierrc           # Prettier 配置
├── tsconfig.json         # TypeScript 配置
└── vite.config.ts        # Vite 配置
```


# 为文档做出贡献
Source: https://docs.53ai.com/社区/为文档做出贡献



# 为 53AI Hub 文档做出贡献

53AI Hub 文档也是一个[开源项目](https://github.com/53ai/53aihub-docs)，我们欢迎任何形式的贡献。如果你在阅读文档时发现任何问题，亦或是想要动手写作，贡献自己的一份力量，欢迎你在 Github 上提交 issue 或者直接发起 pull request，我们将尽快处理你的请求。

## 如何提交贡献

我们将文档划分为以下类型：

* 内容勘误
* 内容缺失
* 最佳实践

### 内容勘误

如果你在阅读某篇文档的时候发现存在内容错误，或者想要修改部分内容，请点击文档页面右侧目录栏内的 **“在 Github 上编辑”** 按钮，使用 Github 内置的在线编辑器修改文件，然后提交 pull request 并简单描述本次修改行为。标题格式请使用 `Fix: Update xxx`，我们将在收到请求后进行 review，无误后将合并你的修改。

当然，你也可以在 [Issues 页](https://github.com/53AI/53AIHub-docs/issues)贴上文档链接，并简单描述需要修改的内容。收到反馈后将尽快处理。

### 内容缺失

如果你想要提交新的文档至代码仓库中，请遵循以下步骤：

1. Fork 代码仓库

首先将代码仓库 Fork 至你的 Github 账号内，然后使用 Git 拉取代码仓库至本地：

```bash theme={null}
git clone https://github.com/<your-github-account>/53AIHub-docs.git
```

> 你也可以使用 Github 在线代码编辑器，在合适的目录内提交新的 md 文件。

2. 找到对应的文档目录并提交文件

例如，你想要提交第三方工具的使用文档，请在 `/guides/tools/tool-configuration/` 目录内提交新的 md 文件（建议提供中英双语内容）。

3. 提交 pull request

提交 pull request 时，请使用 `Docs: add xxx` 的格式，并在描述栏内简单说明文档的大致内容，我们在收到请求后进行 review，无误后将合并你的修改。

### 最佳实践

我们非常欢迎你分享使用 53AI Hub 搭建的AI门户案例！为了帮助社区成员更好地理解和复现你的实践经验，建议按照以下框架来组织内容：

```text theme={null}
1. 项目简介
   - 应用场景和解决的问题
   - 核心功能和特点介绍
   - 最终效果展示

2. 前置准备（如有）
   - 所需资源清单
   - 工具依赖要求

3. 53AI Hub实践步骤（参考）
   - 站点开通和接入配置
   - 站点搭建详解
   - 智能体添加配置说明

4. 常见问题
```

> 为了便于用户理解，建议为案例添加必要说明截图。请以在线图床链接的形式提交图片内容。

我们期待你的精彩分享，一起助力 53AI Hub 社区的知识积累！

## 获取帮助

如果你在贡献过程中遇到困难或者有任何问题，可以通过相关的 GitHub 问题提出你的疑问，或者加入我们的 Discord进行快速交流。


# 成为贡献者
Source: https://docs.53ai.com/社区/成为贡献者



# 成为贡献者

非常高兴你能关注53AI Hub项目，我们热切期待与你一同打造更卓越的 AI 生态。作为一个聚焦创新的创业团队，我们正致力于构建**简单易用、功能强大的 AI 门户**。在这个过程中，每一位社区成员的智慧与付出都至关重要 —— 你的贡献，将直接推动我们向目标迈进。

为了让贡献者更高效地参与开发，我们精心编写了 这份成为贡献者的指南》。这份指南将帮助你：

* 快速熟悉代码库结构与技术框架
* 了解项目协作流程与贡献规范
* 掌握从环境搭建到代码提交的全流程操作

需要说明的是，这份指南与 53AI Hub 产品一样，始终处于**动态进化**状态。若文档内容与项目实际进展存在偏差，我们诚恳希望你能及时反馈问题或提出优化建议 —— 你的声音，正是我们持续迭代的重要驱动力。

期待与你携手，共同书写 AI 领域的创新篇章！ 🚀

在许可方面，请花一分钟阅读我们简短的 [开源协议和贡献者协议](https://github.com/53ai/53aihub/LICENSE)。社区还遵守 [行为准则](https://github.com/53ai/53aihub/blob/main/CODE_OF_CONDUCT.md)。

## 在开始之前

[查找](https://github.com/53ai/53aihub/issues?q=is:issue+is:closed) 现有问题，或 [创建](https://github.com/53ai/53aihub/issues/new/choose) 一个新问题。我们将问题分为两类：

### 新增功能：

* 如果你要提出新增功能的请求，请详细介绍提议新增功能的应用场景与目标，并尽可能提供详细的上下文。
* 如果你想从现有问题中选择一个，请在其下方留下评论表示你的意愿。

相关方向的团队成员将参与其中。如果一切顺利，他们将批准你开始编码。在此之前，请不要开始工作，以免我们提出更改导致你的工作付诸东流。

根据所提议的功能所属的领域不同，你可能需要与不同的团队成员交流。以下是我们团队成员目前正在从事的各个领域的概述：

| Member                                 | Scope         |
| -------------------------------------- | ------------- |
| [@seekart](https://github.com/seekart) | API Developer |
| [@zasoms](https://github.com/zasoms)   | Web Developer |

## 安装

以下是设置 53AIHub 进行开发的步骤：

### 1. Fork 该仓库

### 2. 克隆仓库

从终端克隆 fork 的仓库：

```
git clone git@github.com:53AI/53AIHub.git
```

### 3. 验证依赖项

53AIHub依赖以下工具和库：

* [Docker](https://www.docker.com/)
* [Docker Compose](https://docs.docker.com/compose/install/)
* [Node.js v18.x (LTS)](http://nodejs.org)
* [npm](https://www.npmjs.com/) version 8.x.x or [Yarn](https://yarnpkg.com/)
* [Go](https://golang.google.cn)
* [Gin Web Framework](https://gin-gonic.com/zh-cn/docs/)

### 4. 安装

53AIHub由后端和前端组成。通过 `cd api/` 导航到后端目录，然后按照 [后端 README](https://github.com/53AI/53AIHub/api/README.md) 进行安装。在另一个终端中，通过 `cd web/` 导航到前端目录，然后按照 [前端 README](https://github.com/53AI/53AIHub/web/front/README.md) 进行安装。

### 5. 在浏览器中访问 53AIHub

为了验证你的设置，打开浏览器并访问 [http://localhost](http://localhost)（默认或你自定义的 URL 和端口）。现在你应该看到 53AIHub正在运行。

## 开发

> **注意**：如果你想要贡献新的工具，请确保已在工具的 `YAML` 文件内留下了你的联系方式，并且在 [53AIHub-docs](https://docs.53ai.com) 帮助文档代码仓库中提交了对应的文档 PR。

为了帮助你快速了解你的贡献在哪个部分，以下是 53AIHub后端和前端的简要注释大纲：

### 后端开发

53AIHub的后端使用 Go 编写，使用 [Gin](https://flask.palletsprojects.com/en/3.0.x/) 框架。它使用 [SQLAlchemy](https://www.sqlalchemy.org/) 作为 ORM，使用 [Celery](https://docs.celeryq.dev/en/stable/getting-started/introduction.html) 作为任务队列。授权逻辑通过 Flask-login 进行处理。

```
[api/]
├── constants             // Constant settings used throughout code base.
├── controllers           // API route definitions and request handling logic.   
├── core                  // Core application orchestration, model integrations, and tools.
├── docker                // Docker & containerization related configurations.
├── events                // Event handling and processing
├── extensions            // Extensions with 3rd party frameworks/platforms.
├── fields                //field definitions for serialization/marshalling.
├── libs                  // Reusable libraries and helpers.
├── migrations            // Scripts for database migration.
├── models                // Database models & schema definitions.
├── services              // Specifies business logic.
├── storage               // Private key storage.  
├── tasks                 // Handling of async tasks and background jobs.
└── tests
```

### 前端开发

前端开发分为53AI Hub用户前台和管理员后台两个项目，使用基于 Typescript 的 [VUE3](https://cn.vuejs.org/) 模板进行引导与样式设计。

* 用户前台文件结构

```
[web/front]
├── src/renderer/main     # 源代码目录
│   ├── api/              # api接口与错误code
│   ├── assets/           # 样式跟icon
│   ├── components/       # 组件
│   ├── directive/        # 自定义指令
│   ├── views/            # 页面
│   ├── router/           # 路由配置
│   ├── typings/          # 类型定义
│   ├── constants/        # 常用变量
│   ├── locales/          # 语言包
│   ├── store/            # 状态管理
│   ├── utils/            # 工具箱
│   └── main.ts           # 入口文件
├── src/renderer/public   # 公共资源
├── dist/                 # 构建输出目录
├── .eslintrc.js          # ESLint 配置
├── .prettierrc           # Prettier 配置
├── tsconfig.json         # TypeScript 配置
└── vite.config.ts        # Vite 配置
```

管理员后台文件结构

```
[web/console]
├── src/src     # 源代码目录
│   ├── api/              # api接口与错误code
│   ├── assets/           # 样式跟icon
│   ├── components/       # 组件
│   ├── directive/        # 自定义指令
│   ├── views/            # 页面
│   ├── router/           # 路由配置
│   ├── typings/          # 类型定义
│   ├── constants/        # 常用变量
│   ├── locales/          # 语言包
│   ├── store/            # 状态管理
│   ├── utils/            # 工具箱
│   └── main.ts           # 入口文件
├── src/renderer/public   # 公共资源
├── dist/                 # 构建输出目录
├── .eslintrc.js          # ESLint 配置
├── .prettierrc           # Prettier 配置
├── tsconfig.json         # TypeScript 配置
└── vite.config.ts        # Vite 配置
```

## 提交你的 PR

最后，是时候向我们的仓库提交一个拉取请求（PR）了。对于重要的功能，我们首先将它们合并到 `deploy/dev` 分支进行测试，然后再合并到 `main` 分支。如果你遇到合并冲突或者不知道如何提交拉取请求的问题，请查看 [GitHub 的拉取请求教程](https://docs.github.com/en/pull-requests/collaborating-with-pull-requests)。

就是这样！一旦你的 PR 被合并，你将成为我们 [README](https://github.com/53AI/53AIHub/README.md) 中的贡献者。

## 获取帮助

如果你在贡献过程中遇到困难或者有任何问题，可以通过相关的 GitHub 问题提出你的疑问，或者加入我们的微信群进行快速交流。


# 需求支持
Source: https://docs.53ai.com/社区/需求支持



# 寻求支持

如果你阅读这套文档时，仍然对产品使用存在疑问和建议，可尝试以下方式寻求支持。我们的团队与社区会竭尽所能的为你提供帮助。

### 社区支持

请不要将涉及你的 53AI Hub 账户信息与其它密钥信息发至社区，我们的支持人员也不会索要你的账户信息。

* 在 [Github](https://github.com/53ai/53aihub) 上提交 Issue
* 加入 微信社群

### 联系我们

适用于除了寻求产品支持以外的其他事宜。

* 发邮件至 [hub@53ai.com](mailto:hub@53ai.com)


# 联系我们
Source: https://docs.53ai.com/联系/联系我们



# 商务合作

联系人：杨先生

📮：[hub@53ai.com](mailto:hub@53ai.com)

📱：18688881185 (非客服电话)

<img />

> 使用问题咨询，可以在官网首页底部加入用户交流群，也可邮件 [hub@53ai.com](mailto:hub@53ai.com)
>
> 如果您需要更多开发和运营指导，可以联系购买商业版本及交付服务