面向复杂知识的可信 AI 原生工作空间白皮书

1.1　一句话定义

这句定义包含三个经过刻意选择的关键词，分别回答 Changé 为谁而生、以什么立身、以何种形态存在。

复杂知识工作，界定了问题域。Changé 面向的不是闲聊与单点查询，而是策略研究、尽职调查、投研分析、合同审查、文献研读这一类工作：它们依赖大量来源资料，需要多步骤执行，要求结果经得起追问，并且往往由多人协作完成。这类工作占据专业组织价值创造的主要部分，却恰恰是通用对话工具最难支撑的部分。

可信，界定了产品品格。在 Changé 中，可信不是一句合规承诺，而是一条贯穿产品的架构链路：输出有来源、判断有上下文、执行有过程、调用有记录、结果有产物、访问有权限、操作有审计。可信意味着每一次输出都可以被检验、被追问、被修正。

AI 原生工作空间，界定了产品形态。Changé 不是在既有软件上叠加一个 AI 按钮，也不是为模型加装一层界面，而是围绕「智能体如何可靠地完成工作」重新设计的工作系统：资料、会话、任务、技能、成员与产物在同一空间中组织，智能体是这个空间的执行主体。

1.2　名称的由来

「Changé」谐音「嫦娥」。这个名字传达的不是神话化的包装，而是一种清晰的产品气质：面向高复杂度的知识任务，保持克制、可靠、可验证，并帮助人抵达原本难以抵达的知识边界。奔月是一段需要精确与信任的旅程，严肃的知识工作同样如此。

1.3　Changé 不是什么

理解一个产品，有时从「它不是什么」开始更为准确。

Changé 不是聊天机器人。聊天机器人以「对话结束」为终点，Changé 以「任务交付」为终点。对话只是入口，资料处理、任务执行、结果产出与复核迭代才是主体。

Changé 不是模型外壳。模型是 Changé 的推理引擎之一，但产品价值来自围绕模型构建的工作系统：数据源管理、运行时执行、技能扩展、空间沉淀与协作治理。模型可以更替升级，系统能力持续累积。

Changé 不是传统知识库。知识库被动等待检索，Changé 中的知识直接参与执行：来源资料是智能体判断的依据，沉淀的方法是任务执行的框架，知识从「被查找」变为「被运用」。

生成式 AI 已经证明了自然语言交互的效率。但当组织尝试把它引入严肃工作时，一个普遍的落差随之出现：演示令人兴奋，落地难以为继。问题不在于模型不够聪明，而在于「聊天窗口」这一产品形态与复杂知识工作之间存在四个结构性断点。

断点一：缺少稳定的数据源——无法确认答案从何而来。通用对话依赖临时输入与模型记忆，用户难以确认答案是否基于指定资料、最新版本或企业内部文档。对于合同、政策、研报、会议纪要这类场景，「大概率正确」并不够用——一处引用错误就可能让整份成果失去可信度。当答案无法回溯到来源，复杂工作就无法建立在它之上。

断点二：缺少过程——只有结论，没有轨迹。企业任务需要知道 AI 做了什么：读取了哪些文件，经历了哪些步骤，调用了哪些工具，产出了哪些中间结果。只有最终答案而没有执行轨迹，意味着结果无法复核、错误无法定位、流程无法改进。在需要承担责任的工作中，「不可解释的正确」与「错误」同样难以被接受。

断点三：缺少专业沉淀——经验被一次次消耗。真正的专业能力来自领域人员长期积累的资料结构、判断标准、工作方法与工具组合。在通用对话工具中，这些能力只能以个人提示词技巧的形式零散存在：无法封装、无法移交、无法迭代。每个用户都从空白聊天开始，组织为同样的问题反复支付学习成本；当专家离开，能力随之流失。

断点四：缺少协作载体——单人对话承载不了团队交付。真实工作由多人共同完成：资料需要共享，任务需要分派，执行需要排队，状态需要同步，结果需要讨论与修订。散落在个人账号里的聊天记录无法承载这些过程，团队不得不在对话工具之外重建协作流程，AI 反而成了协作链条中的信息孤岛。

这四个断点指向同一个根源：把 AI 当作「对话工具」，而复杂知识工作需要的是「工作系统」。Changé 的全部设计正是从这个根源出发——把 AI 能力放进一个以来源资料为中心、以空间为组织单元、以智能体运行时为执行引擎、以空间与技能生态为扩展机制的工作系统中，让 AI 从「即时回答」进入「可信交付」。

Changé 的定位可以概括为一句话：可信 AI 原生工作空间。在这一定位之下，Changé 坚持六项核心主张。它们不是六个并列的功能卖点，而是同一产品逻辑的六个侧面。

主张一：可信是架构，不是口号。可信由具体机制构成：来源管理让输出有依据，过程记录让执行可追溯，结果产物让成果可检查，权限与审计让行为可治理。这些机制环环相扣，构成第五章将展开的「信任链路」。

主张二：资料先于对话。Changé 的工作起点不是空白输入框，而是空间中的数据源、来源文件、历史上下文与知识沉淀。资料不是对话的附件，而是智能体理解任务、形成判断、产出结果的依据。先有可靠的依据，再有可靠的智能。

主张三：智能体负责执行，而不止生成。Changé 通过独立运行时、任务队列与工具调用，让智能体能够处理文档、运行多步骤任务、生成文件产物。AI 的角色由此从「内容生成器」转变为「可调度的执行者」。

主张四：空间承载专家能力。空间是 Changé 的核心产品资产。专业人员把资料、方法、技能与示例沉淀在空间中，空间即成为一个可发布、可共享、可一键使用的「数字专家」。

主张五：生态决定能力上限。单一模型的能力终有边界。Changé 以技能生态扩展智能体的执行边界，以空间生态复用完整的专家能力，使平台能力随生态持续生长，而不被锁定在某个模型版本上。

主张六：协作与治理面向组织。Changé 内建成员权限、协作队列、实时同步、发布审核与操作审计，使 AI 工作既可以被团队共同使用，也可以被组织有效治理。

Changé 的能力不是松散的功能集合，而是围绕一条工作主线形成的闭环：资料进入、智能执行、协作复核、经验沉淀、生态复用。本章描述支撑这条主线的五项核心能力；空间生态与技能生态因其特殊地位，将在第六、七章单独展开。

4.1　智能会话工作台

工作台是用户进入 Changé 的主界面。用户在同一空间内发起会话、管理消息线程、预览来源文件、追踪任务步骤、控制任务的停止与继续。它保留了自然语言交互的低门槛，又补足了知识工作所需的结构化支撑。

这项能力回答的问题是：如何让复杂工作依然从一句话开始。在个人场景中，工作台帮助用户把一个问题从拆解推进到产出；在协作场景中，它是团队围绕同一主题沟通、分派任务、等待执行与复核结果的共同界面。入口越简单，系统在背后承担的结构化工作就越多——这是工作台的设计原则。

4.2　数据源与文档理解

Changé 将来源资料视为智能工作的第一资产。用户可以上传与管理来源文件、预览来源内容，大体量资料支持分片上传与断点续传；围绕来源资料，可以直接发起抽取、总结、对比、分析与生成任务。

对 PDF、Office 文档、图片、音频、网页等复杂格式，Changé 通过文档转换、结构化解析、多模态识别与语音转写，将非结构化材料转化为智能体可理解、可引用、可处理的上下文。资料进入系统后不再只是「被保存」，而是持续参与任务执行、空间沉淀与结果复核。

这项能力的价值在于：它把「答案有依据」从一种期望变成一种默认。智能体的每一步工作都建立在明确的资料之上，可信链路由此获得起点。

4.3　智能体运行时

智能体运行时是 Changé 的执行引擎。它在受控环境中承接会话任务，统一管理来源读取、文件操作、技能调用、外部工具接入、工作目录与结果回传，支持多步骤工作流的连续执行。

这项能力回答的问题是：AI 如何从「说」走向「做」。有了运行时，智能体可以阅读上百页材料后生成结构化报告，可以批量抽取字段并输出表格，可以调用外部工具完成检索、转换与生成，并把全部产物有序写入工作目录。对用户而言，智能体像一位可被调度的专业执行者；对组织而言，它是可隔离、可监控、可扩展的任务运行单元——执行环境与主业务系统保持边界，任务彼此独立，资源可控可清理。

4.4　协作空间

空间承载会话、来源、成员、权限、提示配置、任务队列与协作消息。个人会话可以升级为协作空间，成员受邀加入后，围绕同一组资料与上下文共同工作。多名成员同时发起的 AI 请求会进入协作队列，由后台执行单元有序处理，执行状态通过实时通道同步给所有成员。

这项能力直接回应第二章的断点四：团队不必再围绕散落的聊天记录协作，资料、上下文、任务过程与结果产物在同一空间中组织。空间因此成为组织开展知识工作的基本单元，也为第六章的空间生态奠定了载体。

4.5　实时交互与语音桥接

Changé 通过独立的实时服务提供会话流式输出、任务进度、完成与错误通知、标题更新与语音桥接能力。长任务不必等待一次性返回，用户可以实时看到智能体的执行过程；协作场景下，空间成员同步看到任务的排队、运行、完成或失败状态。

过程可见具有双重价值：对体验，它消除了长任务的等待焦虑；对可信，它让「执行过程」成为用户随时可以观察的对象，而非事后才能查询的日志。语音桥接则进一步拓宽交互方式，使工作可以在更自然的语音场景中发起与推进。

可信 AI 的关键，不在于承诺「永远正确」，而在于让每一次输出都可以被检验、被追问、被修正。在 Changé 中，可信不是一个合规章节，而是一条贯穿产品的架构链路，由七个环节连续构成：来源、上下文、过程、工具、结果、权限、审计。

5.1　信任链路的七个环节

5.2　连续性：可信成立的条件

这条链路的价值在于「连续」二字。来源让结果有据可查：用户可以追问任何结论的出处，回到原始资料逐句核对。过程让执行有迹可循：任务何时触发、是否排队、何时开始、何时完成、是否出错，全部留存为可回看的轨迹——对复杂任务而言，过程记录本身就是复核材料。产物让成果可被加工：AI 的输出不是一段即逝的文本，而是进入工作目录的正式产物，可以被下载、讨论、修订与复用。权限与审计则构成组织层面的可信边界：谁访问了什么、谁修改了什么、谁发布了什么、谁审核了什么，都有明确记录，使 AI 工作可以被纳入企业既有的治理框架。

七个环节中任何一环缺失，可信都会断裂：没有来源，结论无从验证；没有过程，错误无从定位；没有产物，成果无从交付；没有权限与审计，组织无从治理。Changé 把七个环节做成一条连续链路，可信由此从理念落实为系统能力。

6.1　重新理解「空间」

在多数工具里，「空间」只是若干聊天记录的文件夹。在 Changé 中，空间是专业能力的封装单元，是平台最重要的产品资产之一。

一个配置成熟的空间，相当于专业人员制作出的一位「数字专家」：它带着资料、懂得方法、配好工具、留有示例。其他用户无需理解背后的任何配置细节，一键创建即可使用——像聘请一位随时在线的领域顾问，而不是从零开始训练一个助手。

这正是 Changé 与「人人各自调教 AI」模式的根本区别：专业人员制作专家，更多人复用专家。

6.2　专家空间的六类资产

一个高质量的专家空间，通常沉淀了六类资产。

专业资料。政策法规、企业制度、行业报告、产品手册、历史案例、研究数据与标准模板，构成空间的知识底座。智能体的判断围绕这些资料展开，而非依赖泛化记忆。

任务方法。专业人员长期形成的提问方式、分析框架、判断标准与输出结构，被沉淀为空间的提示配置。后来者无需重新摸索，进入空间即继承方法。

技能组合。空间可以安装并启用特定技能——文档抽取、网页搜索、数据分析、报告生成等。技能组合决定了这个空间「能做什么」，使其成为面向特定任务的专用系统。

示例对话。空间保留典型任务样例，向使用者直观展示：这个空间适合什么问题、如何发起任务、可以期待什么样的输出。

版本记录。资料更新、方法调整、技能升级都会沉淀为版本。版本化让空间从一次性的配置变成可持续维护的知识产品。

市场反馈。安装量、点赞、发布审核构成生态反馈。优秀的空间能够被发现、被使用，制作者的专业影响力随之沉淀。

6.3　从制作到复用：专家空间的生命周期

专家空间的价值在流转中实现，其生命周期包含四个阶段。

制作与调试。专业人员创建空间，上传资料、配置方法、安装技能，并通过若干轮真实任务验证表现，将高质量问答保留为示例。

发布与审核。空间被发布为模板，携带标题、说明、适用场景、来源快照、技能快照、示例与版本信息，经发布审核后进入空间模板市场。

一键使用。其他用户在市场中发现空间，一键创建即获得同样的资料结构、分析方法与技能组合，直接围绕自己的任务提问、补充资料、触发执行。

反馈与迭代。使用数据与评价回流给制作者，资料持续更新、方法不断修正、版本逐步演进。空间因此是「活的」专家，而非静态的模板。

6.4　空间生态的组织价值

空间生态使一类长期难解的组织问题有了产品化的答案：专业能力如何规模化。

在传统模式下，专家的能力依附于个人，传递依靠培训与带教，成本高、损耗大、随人员流动而流失。在 Changé 中，专家能力被封装为空间：少数专业人员的经验，转化为大量用户可以直接触达的能力；个人专家，转化为可复制、可维护、可迭代的组织资产。

企业可以据此构建内部专家网络：并购尽调空间、企业制度问答空间、投研报告分析空间、招投标文档审查空间、医学文献研读空间、财务报表分析空间……每个空间由对应的专业团队维护，全组织一键使用。管理者还可以通过安装量、评价、版本更新与审计记录，观察组织知识资产的真实使用情况。

7.1　为什么需要技能生态

单一模型的能力边界始终有限：它擅长理解语言、进行推理与生成内容，但真实工作还需要读取与转换文件、检索网页、访问数据、处理音视频、生成图像、调用外部系统、把结果写成正式文件。这些动作不属于「语言能力」，而属于「执行能力」。

Changé 的回答是明确的分工：模型负责理解与推理，技能负责连接与执行。技能生态把各类工具能力接入智能体运行时，使智能体获得随生态扩展而持续增长的行动力。

7.2　四层技能体系

内置技能。平台原生提供文档转换、视觉理解、音频转写、网页搜索、多模态生成等基础能力，常见任务开箱即用。

空间技能。用户可以在个人或协作空间中安装、启用、停用与组合技能，让空间面向特定任务形成专属能力配置。

市场技能。技能可以发布到技能市场，经版本管理、安全扫描、发布审核与社区反馈后，被其他空间安装复用，形成与空间生态对称的能力流通机制。

外部接入。通过标准化的外部工具协议（MCP）与外部技能接口，Changé 可以连接组织内部系统、第三方服务与行业数据源，把智能体放入真实业务链路。

7.3　技能治理

能力扩展需要与安全治理并行。Changé 围绕技能建立版本管理、发布审核、安全扫描与启停控制：每个技能的来源与版本可查，上架前经过审核与扫描，空间管理者可以精确控制技能的启用范围。社区的反馈则提供质量信号，帮助优质技能被发现。

7.4　模型、技能与空间的叠加效应

技能生态带来的关键变化是：Changé 的能力不会被锁死在某个模型版本上。模型升级提升基础智能，技能扩展持续增加可执行的动作，空间生态再把这些动作组合为面向场景的专家能力。三层叠加，平台能力呈复利式生长——这是单一模型产品难以企及的演进方式。

Changé 的架构围绕四个目标设计：可信、协作、可复用、可扩展。整体可概括为七个层次，各层边界清晰、职责单一，共同支撑前述全部产品能力。

8.1　七层架构

8.2　一次任务的旅程

理解这套架构最直接的方式，是跟随一次任务的完整旅程。用户在工作台发起请求；编排服务完成身份与权限校验，将任务写入队列；运行时在隔离环境中领取任务，读取空间来源、调用所需技能、执行多步骤工作；执行过程经由实时通道流式反馈到工作台，协作成员同步看到状态变化；任务完成后，产物写入工作目录与数据底座，过程与操作记录沉淀为审计轨迹。

在这条旅程中，第五章的信任链路与系统分层一一对应：来源由数据层与执行层保障，过程由调度层与反馈层呈现，产物由执行层与数据层留存，权限与审计由编排层统一收口。架构不是可信的旁证，而是可信的实现。

8.3　分层的价值

这套分层的价值在于各司其职：交互层负责体验，编排层负责秩序，反馈层负责透明，调度层负责稳定，执行层负责隔离，生态层负责生长，数据层负责可信。层与层之间以清晰接口衔接，使系统既能敏捷演进，也能面向团队与企业场景平滑扩展。

一款 AI 产品能否进入企业，最终取决于它能否融入组织的治理框架。Changé 在产品层面内建了企业落地所需的七项能力。

权限体系。用户、组织、空间成员与邀请机制构成多级访问控制，资料与能力的可见范围由权限精确界定，敏感内容不因 AI 的引入而失控。

协作机制。空间共享、成员管理与协作消息让团队在同一上下文中工作，AI 任务成为团队流程的一部分，而非个人账号中的孤立行为。

实时反馈。流式输出与状态同步让长任务全程可见，团队成员对任务进展保持一致认知，减少协作中的信息滞后。

任务队列。多用户并发请求经队列有序调度，执行状态与错误信息完整记录，保证高负载场景下系统行为可预期。

审计能力。操作审计与发布审核覆盖关键行为，满足企业对可追责、可合规的要求，也为知识资产的使用分析提供数据。

运行隔离。智能体在与主业务服务隔离的受控环境中执行，任务之间相互独立，执行环境用后清理，控制风险扩散面。

开放扩展。通过技能市场与标准化外部工具协议，企业可以将内部系统与行业数据源接入 Changé，使平台能力与既有 IT 资产协同。

这七项能力使 Changé 不只是「员工可以使用的工具」，而是「组织可以治理的基础设施」。

Changé 的先进性不来自某一次模型调用的效果，而来自产品形态、系统架构与生态机制的组合。这种组合可以概括为六个跨越。

从对话 AI 到任务 AI。对话工具的终点是一段回答，Changé 的终点是一项完成的任务。它处理来源、执行步骤、生成文件、反馈状态，并把产物留在空间中继续迭代。

从单点工具到工作空间。单点工具解决一个动作，Changé 承载完整的工作上下文：资料、会话、成员、技能、任务与产物在同一空间中组织，复杂工作不再被拆散到多个孤立工具之间。

从个人使用到专家复用。个人使用 AI 的效率提升是线性的，专家能力的规模化复用才是组织级的杠杆。空间生态让专业人员制作专家空间，让更多人一键使用。

从模型能力到生态能力。依赖单一模型的产品，能力随模型见顶；Changé 通过技能生态与空间生态，让能力随生态持续生长，模型升级成为增益而非天花板。

从即时回答到可信交付。对企业而言，仅有好答案并不足够，必须知道依据、过程、产物与责任边界。Changé 以溯源链路、运行记录、权限与审计，把 AI 输出纳入可复核的交付体系。

从知识库到可执行专家系统。传统知识库重在存储与检索，Changé 让知识、方法与工具在空间中组合，让智能体围绕来源资料执行任务——知识从「被查阅」升级为「在工作」。

11.1　场景全景

知识研究与分析。政策研究、行业研究、投研分析、竞品分析与专题报告。围绕来源资料开展结构化分析，过程与结论全程可复核。

文档抽取与资料处理。合同、招投标文件、简历、财报、论文与会议纪要的字段抽取、摘要生成、差异对比与格式转换，把高重复度的文档工作交给智能体。

企业内部专家助手。将制度、流程、案例沉淀为空间模板，员工一键获得人力、法务、财务、产品、客服等领域的专业辅助。

专业服务交付。咨询、律所、财税、投研、医疗研究与教育培训团队，把服务方法封装为空间，使标准化流程与专家判断结合，提升交付效率与一致性。

团队协作与项目推进。项目团队在空间中共享来源、发起任务、追踪队列、复核产物，让 AI 成为团队协同中的执行成员。

多模态内容处理。通过技能生态接入音频转写、图像理解、内容生成与格式转换，覆盖音频、图片、视频、网页等丰富资料类型。

组织知识资产沉淀。借助空间模板、技能市场、版本、审核与审计，把分散在个人经验中的知识转化为可管理、可度量、可迭代的组织资产。

11.2　三个典型工作流程

流程一：专业人员制作专家空间

一名行业专家希望沉淀「政策研究与影响分析」能力。他在 Changé 中创建空间，上传政策文件、历史解读、行业数据与输出模板；配置空间提示，明确分析框架、引用规范与报告格式；安装文档抽取、网页搜索与报告生成技能。完成数轮真实任务、确认表现稳定后，他将空间发布为模板并通过审核上架。此后，其他用户一键创建该空间，即可获得同样的资料结构、分析方法与技能组合；专家则从重复培训中解放出来，专注维护这个持续演进的专业空间。

流程二：团队围绕来源资料协同交付

一个项目团队需要基于客户提供的大量资料完成尽调初稿。成员把资料上传至空间来源并按主题组织，随后在会话中发起任务：提取核心事实、识别风险条款、生成问题清单、汇总关键数据。多名成员的请求进入协作队列有序执行，状态经实时通道同步给全体成员。智能体产出的抽取结果、报告草稿与中间文件进入工作目录，成员继续评论、修订并补充资料。最终交付的不是一次聊天的答案，而是一组可追溯到来源、可复核过程、可再次加工的工作产物。

流程三：企业构建内部专家网络

企业围绕部门与业务线建设多个专家空间：人力政策、法务合同、销售方案、产品知识、运维排障、财务分析。每个空间由对应专业团队维护，包含内部资料、常用流程、专属技能与示例任务。新员工与跨部门协作者无需先掌握全部背景知识，一键使用专家空间即可获得高质量辅助；管理者通过安装量、评价、版本更新与审计记录，掌握组织知识资产的真实使用情况。企业知识库由此从「被动检索系统」升级为「可执行的专家网络」。

Changé 不是聊天机器人，也不是单一模型的调用入口。它是一套围绕数据源、智能体执行、技能生态、空间生态与可信链路构建的 AI 原生工作空间。

在 Changé 中，来源资料提供依据，智能体承担执行，技能生态扩展边界，空间生态沉淀专家能力，权限与审计保障组织落地。AI 的能力由此从「会回答」走向「能完成」，从「个人尝试」走向「组织复用」，从「即时生成」走向「可信交付」。

对用户，Changé 是一个可以托付复杂任务的可信工作系统；对专业人员，它是把经验制作成专家空间的平台；对组织，它是把知识、流程与智能体能力转化为可复用生产力的基础设施。