全域上下文感知

一、用户身份与权限感知

提问者身份决定了问题的正确答案应落在哪个数据维度、聚合层级与决策视角上。通用 AI 对话以“提问者身份未知”为前提，回应的精确性必然受限于这一关键信息的缺失。

Maestro Agent 继承 BMS DXP 的用户体系与 RBAC 权限模型。对话启动时，Agent 已自动获知用户的角色身份、数据权限边界与组织归属，查询范围即时收敛至权限内数据，回应口径精准匹配角色视角。身份信息不是用户每次提问时需重复声明的附加参数，而是 Agent 在对话发生前已纳入计算的底层变量。

图：用户统一身份认证

二、业务数据上下文感知

自然语言指令中普遍存在指代与省略，这是人类沟通效率的来源，却是 AI 理解的障碍。当指令中出现的业务实体——内容条目、数字资产、商品 SKU、站点配置——未被显式声明完整路径时，Agent 需具备从数据层直接解析这些指代的能力，而非要求用户将每一处省略展开为冗长描述。

Maestro 通过接入 BMS 数据总线，实时获取指令中涉及的业务实体及其关联关系。这些实体在 BMS 内部已有完整的映射与拓扑记录，Agent 直接读取而非从零推断。业务上下文不是对话中逐步教授的知识，而是从企业数据层直接获取的已知信息。

图：业务站点识别

三、历史交互学习

用户与 Maestro 的每一次交互都在为系统提供关于该用户工作模式的增量信息。指令类型分布、操作时序规律、参数默认偏好——这些行为特征在日常使用中被持续采集和结构化，形成对该用户运营节奏和决策习惯的渐近拟合。高频任务的执行路径被智能缩短，常用参数组合被前置推荐，周期性操作在临近时点被预加载。学习效果随交互频次递增，无需用户离开工作流进行偏好设置或规则配置。

四、多角色自适应

职责的复合性是企业运营的常态。传统系统将角色设计为需要手动切换的独立工作台，切换越频繁，割裂感越强。

Maestro 采用角色叠加而非角色切换的方式处理多角色场景。用户无需在交互前声明当前角色，Agent 综合呈现各角色对应视角的信息与建议，并以标签清晰区分来源。用户也可随时手动锁定某一角色视角，聚焦特定业务维度。

五、业务术语理解

每家企业都会沉淀出一套独有的内部语言——产品代号、项目命名、流程简称。这些术语在组织内部沟通中高效精准，但对新人和外部系统构成理解门槛。Maestro 通过双通道吸收企业术语：其一，在日常交互中通过上下文动态推断术语含义，并建立与 BMS 实体的语义映射；其二，管理员可在后台维护关键术语对照表，确保核心业务概念被准确识别。用户始终以内部惯用的表达方式工作，Agent 在后台无缝完成语义映射。

常见问题（FAQ）

• Q1：Maestro 如何区分不同用户的身份和权限？

A1：Maestro 直接继承 BMS DXP 的用户体系和 RBAC 权限模型。用户登录时，Agent 通过 SSO 即时获取其角色、权限范围和组织归属信息。所有后续对话均严格限定在用户可见的数据边界内，不会因自然语言交互而绕过权限限制。

• Q2：业务术语如何让 Maestro 学会？是自动的还是需要配置的？

A2：两种路径并行。一是持续学习——用户在对话中自然使用的业务术语，Agent 通过上下文推断其含义并记忆；二是主动配置——企业管理员可在后台维护术语映射表，确保关键业务概念被准确理解。

• Q3：如果用户换了岗位或权限变更，Maestro 多久能适配？

A3：权限变更在 BMS 用户系统中生效后，Maestro 即时同步。历史学习数据（如指令偏好、高频任务）可在管理员协助下迁移至新角色，或按需清除后重新学习。

• Q5：共享数据总线意味着 Maestro 能看到所有 BMS 数据吗？

A5：不是。数据总线的访问受权限模型约束——Maestro 始终以当前用户的 RBAC 身份读取数据。用户能访问什么数据，Agent 就能读取什么数据；用户无权访问的数据，Agent 同样无法触及。数据总线共享的是接口通路，不是权限豁免。