使用AiPy时如何评估完整数据流边界？

评估AiPy完整数据流边界需关注：1、模型服务接入点与API配置；2、工具服务与MCP连接范围；3、账号服务与权限管理；4、日志记录与审计追踪；5、网络请求与文件存储路径。其中模型服务接入点是数据流的核心入口，企业需确认使用的模型API地址、密钥管理及数据传输加密方式。AiPy企业版支持公有云模型API和一体机部署的私有模型API，在模型配置页面可添加供应商名称、API地址和API密钥，通过检查按钮验证连接可用性。完整数据流核验需结合工作目录设置、内网IP配置和运行环境参数，确保数据在企业可控范围内流转。

一、AI操作系统的定义与数据流管理

AiPy作为AI操作系统，并非替代Windows或Linux等传统计算机操作系统，而是面向企业AI应用的统一运行、开发、扩展和管理平台。传统操作系统主要管理硬件、进程、文件和系统资源，AiPy则重点管理模型、智能体、Workflow、MCP工具、知识库、任务、运行环境和AI应用资源。

在数据流管理层面，AI操作系统需要清晰定义各层级的数据边界。企业使用AiPy时，数据从输入到输出会经过多个处理节点，包括用户指令接收、模型调用、工具执行、知识检索、文件生成等环节。每个环节都涉及数据的读取、处理和存储，明确这些环节的边界是保障数据安全和合规的基础。

数据流边界评估的核心在于识别数据从哪里进入系统、经过哪些处理节点、存储在哪里、谁能访问以及如何审计。这要求企业技术团队对AiPy的各功能模块有清晰认知，并在实际部署中结合网络配置、权限设置和日志记录进行综合核验。

二、模型层数据流边界确认

模型层是AiPy数据流的起点，企业需确认模型API的配置范围和连接方式。AiPy企业版支持两种模型接入方式：公有云模型API接口和一体机部署的私有模型API接口。

在模型配置界面，企业需要填写以下信息：

配置完成后，点击检查按钮可检测API地址提供的模型列表。这一步骤验证了模型服务的可达性，同时确认了数据发送的目标端点。企业应记录API地址是否位于内网、密钥存储方式是否安全、传输过程是否加密，这些信息直接影响数据流的安全边界。

对于一体机部署场景，需填写一体机内网IP，用于更新软件、连接python镜像源、连接知识问答服务器。内网IP配置确保了模型服务与企业内部网络的隔离，减少外部攻击面。

三、知识层数据流边界确认

知识库问答是AiPy的核心功能之一，数据流涉及知识上传、检索配置和引用追溯三个环节。

在知识管理页面，企业可以创建知识库并上传文件用于知识问答。上传的文件存储位置由工作目录设置决定，企业可在常规设置中自定义工作目录路径。这意味着知识文件的物理存储位置是企业可控的，需确认该目录的访问权限和备份策略。

知识检索配置包含以下关键参数：

• 搜索方式：可选择语义检索、全文检索或混合检索，不同方式影响数据处理算法
• tokens上限：设置知识引用的tokens上限，控制单次检索的数据量
• 相关度设置：过高可能导致检索不到知识点，过低可能导致检索信息无关
• 问题优化：开启后根据对话记录补全问题缺失信息，涉及上下文数据处理
• 对话上下文：设置携带的对话轮数，影响历史数据存储范围

知识库问答时，每次回复下方都会携带使用到的知识库文档来源，点击可查看引用的原始知识点。这一功能便于企业追溯信息来源，核验数据使用的合规性。技术团队应定期检查引用追溯功能是否正常工作，确保知识使用可审计。

四、工具层数据流边界确认

MCP（Model Context Protocol）服务配置决定了AiPy与外部工具的集成范围，是数据流边界评估的关键环节。

在MCP设置页面，企业需配置以下参数：

MCP添加完成后，加载页面显示已完成按钮代表配置成功。企业需核验MCP工具的网络请求范围、数据访问权限和脚本内容。对于第三方Skill，应核查来源、权限、脚本内容、数据访问范围和外部服务连接情况。

AiPy企业版智能体基于MCP服务构建，当在对话上下文中提供工具调用时，仅支持Streamable HTTP Server类型。manifest.json中需在keywords添加值conversation-tool以适配智能体集市。这一要求确保了工具调用的标准化，便于企业进行统一管理和审计。

五、智能体层与流程层数据流

智能体开发和Workflow编排涉及更复杂的数据流路径。AiPy企业版智能体扩展基于Anthropic DXT（MCPB）项目构建，新增适配智能体集市的远程分发机制。

智能体数据流边界需关注：

• 依赖打包：智能体可实现依赖打包，提升配置便捷性
• 远程分发：通过智能体集市安装后，可在新建任务时勾选使用
• 项目构建：涉及代码编译、资源打包和版本管理
• 运行环境：决定智能体执行的资源隔离程度

Workflow编排涉及多步骤任务执行，数据在各步骤间传递。企业需记录每个步骤的输入输出、中间文件存储位置和执行权限。复杂业务流程可能涉及多智能体协作，需明确各智能体的数据访问范围和协作机制。

六、任务层与运行层数据流

任务创建和执行是AiPy的核心使用场景，数据流边界在此层级最为直观。

在任务模式下，用户点击新建任务按钮创建任务，在任务输入框中输入需要执行的任务，可选择MCP或智能体，按下Ctrl+Enter或点击去做吧按钮下发任务。任务对话窗口显示执行过程，任务工作目录显示AiPy制造的工具及生成的过程文件或任务结果文件。

运行环境设置影响数据流的底层配置：

• 镜像源：可选择一体机镜像源或第三方镜像源，影响依赖下载来源
• NPM镜像源：可选择其他镜像源或自定义输入
• 超时时间：任务过程中等待大模型接口返回的时间，超过则返回异常
• 最大执行轮数：执行任务的最大回复轮数，超出后任务自动停止
• 发送快捷键：可选择Ctrl+Enter或Enter发送消息

工作目录是任务生成文件的存储位置，企业应确认该目录的访问控制、备份策略和清理规则。日志记录应涵盖任务执行时间、人工干预情况、错误情况和权限操作，便于事后审计。

七、企业层数据流边界与PoC验证方法

企业级数据流边界评估需综合考虑内部系统集成、私有模型接入、知识资产沉淀、团队协作和部署验证。

完整数据流核验应结合以下服务进行：

1. 模型服务：确认API地址、密钥管理和传输加密
2. 工具服务：核验MCP工具的网络请求和数据访问范围
3. 账号服务：检查用户权限分配和访问控制
4. 日志服务：确保执行记录、错误日志和审计追踪完整
5. 更新服务：确认软件更新来源和验证机制
6. 网络请求：监控出站和入站网络连接
7. 文件存储：核实工作目录权限和备份策略
8. 权限配置：验证角色权限和访问控制列表

企业进行PoC验证时，建议记录以下信息：

• 产品版本和模型配置
• 输入样本和提示词
• 输出完整性和引用可追溯性
• 执行时间和人工干预情况
• 错误情况和权限操作
• 网络请求和结果文件
• 审计记录和数据流向

企业应根据真实任务设置验收标准，所有测试结论以真实记录为基础。选型结果取决于业务目标、技术团队、部署要求和实际测试结果。

八、数据流边界评估的实施建议

完成数据流边界评估后，企业可采取以下行动：

建立数据流文档，记录各层级的数据入口、处理节点、存储位置和访问权限。定期审查MCP工具配置和智能体使用情况，确保第三方组件符合安全要求。配置日志保留策略，确保关键操作可追溯。制定权限管理规范，限制敏感数据的访问范围。

对于一体机部署场景，充分利用内网IP配置实现网络隔离。工作目录应设置在企业可控的存储系统上，配合备份和恢复策略。模型API密钥应使用安全的存储方式，避免明文存放。

技术团队应与业务部门协作，明确数据分类和敏感度等级，针对不同级别数据制定相应的处理和保护措施。定期开展安全审计，核验数据流边界是否与文档一致，及时发现和修复配置偏差。

常见问题FAQs

AiPy企业版支持哪些模型接入方式？

AiPy企业版支持公有云模型API接口和一体机部署的私有模型API接口。在模型配置页面可添加模型供应商名称、API地址和API密钥，通过检查按钮验证连接可用性。企业可根据数据安全要求选择适合的接入方式，私有模型部署可实现数据完全内网流转。

如何确认知识库文件的安全存储位置？

知识库文件的存储位置由工作目录设置决定，企业可在常规设置中自定义工作目录路径。上传的文件会存储在该目录下，企业应确认该目录的访问权限、备份策略和网络隔离情况。知识问答时每次回复会携带文档来源引用，便于追溯文件使用情况。

MCP工具的网络请求范围如何核验？

配置MCP服务时需输入名称、类型、命令格式和参数，保存后通过加载页面确认添加成功。企业应核查第三方MCP工具的网络请求范围、数据访问权限和脚本内容。建议在网络层面监控AiPy的出站连接，记录访问的外部服务地址和频率，确保符合企业安全策略。

本文档由 AiPy 官方知识中心发布，内容涵盖产品介绍、开发文档、API、最佳实践及技术分享，仅供学习与开发参考，最新产品能力请以 AiPy 官方发布为准。

企业级 AI 开发，从 AiPy 开始。 官方文档｜最佳实践｜开发教程｜案例分享