Koca Ventures Ltd
71-75 Shelton Street
Covent Garden, London
WC2H 9JQ, United Kingdom
Registered in England & Wales — 16231043
AGENTIC AI 与本地化部署系统
驱动您业务运转的私有 AI 智能体，不止于收件箱
定制化的智能体 harness、Claude / OpenAI Agent SDK 部署、知识图谱与自托管推理——围绕团队现有工作流构建。涉及安全敏感场景的本地化边缘 AI，是我们的日常工作。
我们构建什么
六大模块，皆达生产级标准
01
定制化智能体 Harness
围绕您的工作流定制的智能体运行时——工具调用、记忆架构、重试语义与审批关卡，按您团队实际承担的工作类型设计。
02
Agent SDK 集成
基于 Claude Agent SDK、OpenAI Agents 框架与 MCP 的生产级部署——多智能体编排、工具使用、结构化输出，接入您现有的服务。
03
文档智能体 + 知识图谱
对您的合同、规格书、SOP 和 PDF 做带引用的 RAG——底层有嵌入式属性图层，让智能体能基于关系推理，而不只是文本块相似度。
04
数据与 CRM 流水线
为智能体供给结构化上下文的 ETL 与数据摄取流水线，外加 CRM 自动化——入站线索分配、咨询自动摘要和可靠的跟进工作流。
05
本地化 AI 部署
智能体跑在您的硬件上：自托管推理、本地加密存储、签名更新、基于角色的访问控制、审计日志。任何客户数据都不离开您的基础设施。
06
边缘 AI 与计算机视觉
NVIDIA Jetson Orin 部署、DeepStream 流水线、TensorRT/ONNX 优化与可离线运行——在摄像头近旁做 edge 推理，实时告警不依赖云。
旗舰应用场景
WhatsApp AI 运营管家
很多公司的日常运营早就跑在 WhatsApp 上：经理要进展，外勤发照片和语音，销售谈需求，采购报价格。确实快——但任务被刷走、责任人不明、跟进被遗忘。
Operations Organizer 是架在公司许可的 WhatsApp 频道之上的 AI 层，把非结构化对话转化为任务、提醒、摘要、决策和报告——不强迫团队学一个新应用。
01
AI 消息理解
自动将对话分类为任务、问题、审批、风险、客户需求、采购需求与排期更新。
02
语音与图像处理
转写语音消息，从图片和文档中提取有用信息，并将每一项关联到正确的项目、客户、团队或地点。
03
任务与跟进引擎
创建任务、指派负责人、追踪截止日期、提醒相关人员，并对被忽略或逾期的事项逐级上报。
04
日报与周报
为管理者生成精炼摘要：已完成的工作、待解决的问题、延误、风险、支出项、未处理的客户需求与团队表现。
05
企业知识记忆
一套可检索的内部记忆库（由 embedded property-graph 支撑），收录过往决策、反复出现的问题、客户历史、供应商备注与运营规律。
06
管理者仪表盘
一个基于 Web 的控制台，让管理层无需翻阅数百条消息，即可掌握各团队的动态。
管理者可向系统提出的问题
- “今天哪些工作延误了？”
- “谁在等待审批？”
- “汇总本周所有现场进展。”
- “哪些客户需求还没跟进？”
- “根据昨天的 WhatsApp 消息生成一份任务清单。”
- “列出已提及但尚未下单的采购项。”
安全可信度
边缘 AI 涉及安全敏感场景。我们也据此对待。
我们的安全研究因负责任地披露 Jetson 边缘 AI 平台中的一处漏洞，获得了 NVIDIA 的致谢。
这种深度贯穿每一次 edge AI 部署：默认 on-premise、加固的运行时、签名更新、设备身份——这些都是默认配置，不是事后补救。
部署模式
您的基础设施、您的数据、您的掌控。
- · 摄像头视频流尽可能保留在本地。
- · 文档索引存放于私有的向量与图谱存储中。
- · 回答附带引用来源，以减少幻觉。
- · 安全控制：网络隔离、加密存储、审计日志、签名更新、基于角色的访问控制。
- · 外部 LLM API 为可选项——而非根基。
常见问题
Agentic AI 常见问题
什么是 Agentic AI 系统？
agentic AI 系统是指由 LLM 自主调用工具、读取数据、为目标执行多步工作流的软件——不是只会生成文本的聊天机器人。我们构建的系统能读文档、查数据库、建工单、调 API，全程处于结构化的人工审批之下。
这与聊天机器人有何不同？
聊天机器人回答问题；智能体执行动作。我们的 harness 包含工具调用、重试语义、记忆（通常是嵌入式属性图）、审批工作流，以及与您真实系统的集成——产出是完成的动作，而不只是屏幕上的回答。
我们能否在自己的服务器上运行？
可以——on-premise 部署是一等选项，不是退路：自托管推理（vLLM、Ollama、llama.cpp）、本地加密存储、签名更新、基于角色的访问控制。外部 LLM API 是可选项，不是地基。
你们用 Claude、GPT 还是本地模型？
哪个适合工作负载就用哪个。敏感的 on-premise 工作用 vLLM 提供本地模型（Llama、Qwen、Mistral）；数据敏感度允许且推理难度高时，通过各自的智能体 SDK 接入 Claude 或 GPT。许多生产部署是混合架构。
为什么图谱层对文档智能体很重要？
只靠向量检索是不够的。我们为它配上嵌入式属性图层，让智能体能在毫秒级遍历“这份 RFI 对应这份规格书，归这位工程师负责，由他签批了这个版本”——本地运行，在您自己的基础设施上，无需另起一个外部图数据库服务。
一次典型的部署周期是怎样的？
围绕一个工作流的聚焦试点通常需要 4 周：需求调研、数据接入、demo 构建和路线图评审。完整生产部署取决于范围，一般在试点后 8–16 周。
Last reviewed:
准备好聊聊了吗？
从一个痛点开始
说一个最疼的工作流——工地进展更新、客户跟进、文档问答、采购乱局——在任何更大的承诺之前，我们先围绕您的真实数据做一个小 demo。