AI 转型

与您的团队共同构建、由您拥有的 AI

前沿部署工程师为 AI Agent 构建由 MCP 驱动的校园记忆层——使用您的数据，在您的环境中运行。在 ibl.ai 上，您拥有全部代码和数据，可以模型无关地运行在任何 LLM 上，且无需按席位付费——因此您可以部署到任何地方，从您自己的云到完全物理隔离的网络。无需在自建还是购买之间做选择——两者兼得。

“ibl.ai 做出了出色的工作，团队也非常优秀。”

不相信我们的话？看看我们的合作伙伴怎么说 →

我们托管在 ibl.ai 云上从 $0 开始免费层包含可续期的每月额度，无需信用卡，之后按用量计费。随时可迁移到您自己的基础设施，无需重建。托管部署查看定价

您拥有它获取整个代码库后端和基础设施采用永久许可，因此您拥有全部代码和数据。您的云、本地部署或物理隔离环境，尽在您的掌控之中。完整代码许可

前沿部署工程师在您的环境中与您的团队并肩工作。每次合作结束时，代码、数据和配置都归您所有。

系统集成商按小时计费，最后留下一份文档。供应商的专业服务配置的是您租用的产品。我们的工程师离开时，您拥有的是他们构建的整套技术栈。

如何将您的校园系统（LMS、SIS、CRM、学位审核）连接到 AI Agent——分步指南。

模型与运行时——任意模型，任意 Agent 运行时服务

为 AI Agent 构建您的校园“记忆层”——由模型上下文协议（MCP）驱动——使用您的数据，在您的环境中运行。

ibl.ai 的前沿部署工程师与您的团队深度协作，将 SIS、LMS、CRM、ERP、身份、存储和内容系统连接到一个基于模型上下文协议（MCP）构建的安全、策略感知的记忆层。该记忆层将成为 AI Agent——学生辅导助手、教师助教和行政助理——在您的基础设施中私密运行的核心支柱。

这是专业服务，按小时计费（极具竞争力的价格），有清晰的里程碑和归您所有的交付物。

1. 数据层——您的根系统

从这里开始：您的用户、内容和记录目前存放在哪里？

列出每一个存有 Agent 需要读取内容的系统。这份清单是基础——您可以引入任意多的根系统，下一步中每个系统都会有自己的连接器。

2. 连接器——本体层

在 MCP 之上加一层薄层——而不是一个复杂的集成项目

我们的开源本体（Ontology）负责构建这些连接器——无论是数据库（PeopleSoft、Oracle、Snowflake）还是 REST 系统（Canvas、Salesforce、ServiceNow、Workday）——并处理工具箱、模式映射和同步。您有多少系统，就添加多少连接器。

3. MCP 代理

多个 MCP 服务器 → 一个面向外部世界的统一接口

代理对每个请求进行身份验证，检查 RBAC（默认拒绝），将工具调用路由到正确的 MCP 服务器，过滤响应并记录日志。这正是 AI 数据统一（AI Data Unification）端到端交付的内容。

4. 技能——每个系统的通俗语言指令

由领域专家而非工程师编写的 Markdown 技能文件

每个系统都有许多技能：“推进招生申请”、“入职新员工”、“推进销售交易”、“创建 IT 工单”、“查询理赔状态”。根据工作需要，每个系统可以引入任意多的技能。

5. Agent

技能 + 提示词 + 指令 + 记忆

您可以添加任意多的 Agent。每个 Agent 捆绑一组技能、一个指令提示词和持久记忆，并继承由代理强制执行的相同角色范围访问控制。

6. 运行框架——在您的基础设施中运行

您的服务器，沙箱化——数据隐私、代码安全、无供应商锁定

每个 Agent 在自己的沙箱中运行，具有隔离执行、资源限制、端点白名单、凭据注入和审计日志——与平台其余部分相同的安全模型。

7. Web 层

无需等待工程师或部署，即可编辑和发布

Web 层直接在浏览器中提供技能、Agent 和数据源的编辑与运行，并受与下面每一层相同的角色和权限管理。

8. 应用——每个部门一个

每个团队一个专属应用，可嵌入任何地方（LTI 等）

这正是我们使用 Agentic Vibe 的方式：描述应用，并从您现有的 Agent 和技能中组装它。您可以在这一层引入任意多的应用。

观看演示视频ibl.ai/architecture#agentic-development 上的 agentic-development 视频端到端展示了这些步骤，从您的根系统到部门应用，全部在您拥有的基础设施上完成。

五个步骤一览

部署、交付、开发、集成与合作：从首次对话到生产环境 AI Agent 的五个步骤，每一步都以利益相关者可见的检查点收尾。下图按顺序展示了这些步骤。

第 1 步 — 部署

平台交付

选择适合您组织的部署模式

ibl.ai 托管

我们管理基础设施

• → 最快的上线速度
• → 您的 IT 团队无需承担基础设施开销
• → 完全托管的更新与维护
• → 适合追求速度的组织

客户托管

部署在您的环境中

• → 完整的 GitHub 仓库 — 完整的平台代码
• → 预构建的 Docker 镜像 — 即刻可部署
• → 您的安全边界，您来掌控
• → 适合受监管行业和数据主权需求

两种选项交付的都是同一个平台 — 一个用于在 Web、移动端、API 和 MCP 上创建、管理、部署和使用 AI Agent 的运行时平台已上线 — AI Agent 从第一天起即可访问第 2 步 — 交付

交付如何运作

从代码交接到生产环境的三阶段流程

1 我们交付平台

• 完整的 GitHub 仓库 — 完整的多租户平台代码
• 预构建的 Docker 镜像 — 即刻可部署、经过测试并已版本化

2 联合开发环境

• 我们与您的团队在开发/预发布环境中并肩工作
• AI Agent 配置、系统集成、测试和培训都在这里共同完成

3 生产环境 — 由您决定

• 您的团队可以按照自己的时间表和流程独立将系统推进到生产环境
• 或者由我们为您管理生产环境 — 我们为许多领先组织运营生产环境
• 访问您的生产数据从来都不是前提条件 — 选择权在您
• ibl.ai 托管的部署包含由我们团队提供的完整生产管理

平台已部署 — 开始构建并连接 AI Agent第 3 步 — 开发

AI Agent 开发

自助、协作，或两者兼有 — 您的团队与我们的团队共同构建

自助模式

您的团队独立构建

• → 通过平台 UI 或 API 创建 AI Agent
• → 直接连接您的数据源
• → 利用您的团队已有的机构知识
• → 完整的 API 覆盖 — 以编程方式管理 AI Agent

协作模式

我们与您一起构建 AI Agent

• → 构建连接到特定数据源的 AI Agent
• → 开发 MCP 服务器和自定义数据集成
• → 配置 SSO 和企业部署标准
• → 构建让 AI Agent 更强大的软件

AI Agent 上线并运行 — 从第一天起就有可见的成果第 4 步 — 集成

企业集成

连接您的组织已在使用的工具和系统

单点登录

SAML / OIDC

数据源

您现有的数据库和 API

MCP 服务器

自定义数据集成

现有工具

LMS、CRM、SIS 等

平台适配您现有的技术栈——您的工作流程无需改变即可支持 AI Agent集成与投入运行——持续改进由此开始第 5 步——合作伙伴关系

持续协作

持续的合作伙伴关系——而非一次性部署

构建特定 AI Agent

我们为您的用例开发定制化 AI Agent，连接您的数据并针对您的工作流程进行调优。

扩展平台能力

我们构建新功能和集成，让您的 AI Agent 更强大——更多数据源、更丰富的工具、新的界面。

持续沟通

随着您的需求演进，提供专门的协作、支持和战略对齐渠道。

最佳实践

成功的关键因素

1 以切实成果为先

从第一天起就能演示的具体 AI Agent 入手。利益相关者立即看到可运行的 AI Agent——而不是数月的黑箱。

2 从具体用例开始

尽早定义具体的 AI Agent。如果项目定义过于宽泛而没有可展示的具体 AI Agent，利益相关者的支持会停滞，而时间却花在看不见的基础设施工作上。

3 适配现有技术栈

平台与您现有的工具和数据源集成。您的团队无需改变工作流程来迁就 AI Agent。

4 赋能您的工程师

您的团队拥有机构知识。当您的工程师能够以编程方式构建 AI Agent 并将其连接到内部数据源时，价值会不断累积。

开始使用

建议的后续步骤

试点项目

在您的基础设施上部署平台，聚焦一个用例

架构深度解析

与您的技术团队一起深入了解平台架构

集成规划

评估您现有的系统并设计 AI Agent 层

实操工作坊

您的团队学习如何在平台上构建和部署 AI Agent

第 1 步，部署：选择平台的交付方式

ibl.ai 托管：我们管理基础设施。上线速度最快，您的 IT 团队无需承担基础设施负担，更新和维护完全托管；适合追求速度的组织。

客户自托管：部署在您的环境中。提供包含完整平台代码的 GitHub 仓库、随时可部署的预构建 Docker 镜像、您的安全边界和您的控制权；适合受监管行业和数据主权需求。

两种方案交付相同的平台：一个用于在网页、移动端、API 和 MCP 上创建、管理、部署和使用 AI Agent 的运行时。平台上线后，AI Agent 从第一天起即可访问。

第 2 步，交付：从代码交接到生产的三个阶段

1. 我们交付平台：完整的 GitHub 仓库、完整的多租户平台代码以及预构建的 Docker 镜像，均经过测试并带有版本管理。

2. 联合开发环境：我们与您的团队在开发或预发布环境中并肩工作，共同完成 AI Agent 配置、系统集成、测试和培训。

3. 生产环境由您掌控：您的团队可以按照自己的时间表和流程独立将系统推进到生产环境，或者由我们为您管理生产环境——我们已为众多领先组织运行生产环境。访问您的生产数据绝不是前提条件；由 ibl.ai 托管的部署包含我们团队提供的完整生产管理。

第 3 步，开发：自助式、协作式，或两者兼而有之

自助式：您的团队独立构建。通过平台 UI 或 API 创建 AI Agent，直接连接您的数据源，充分利用您的团队已有的机构知识，并提供完整的 API 覆盖以支持程序化的 AI Agent 管理。

协作式：我们与您一起构建连接到特定数据源的 AI Agent，开发 MCP 服务器和自定义数据集成，配置 SSO 和企业部署标准，并构建使 AI Agent 更加强大的软件。AI Agent 上线即用，第一天就能看到成果。

第 4 步，集成：连接您的组织已在使用的工具和系统

基于 SAML 或 OIDC 的单点登录。数据源：您现有的数据库和 API。MCP 服务器：自定义数据集成。现有工具：CRM、HRIS、ERP、工单系统、LMS、SIS 等。

平台适应您的技术栈；您的工作流程无需为支持 AI Agent 而改变。集成完成并投入运行后，持续改进随之开始。

第 5 步，合作伙伴关系：持续的合作，而非一次性的部署

构建特定的 AI Agent：我们为您的用例开发定制化 AI Agent，连接您的数据并针对您的工作流程进行调优。

扩展平台能力：我们构建新功能和集成，使您的 AI Agent 更加强大，包括更多数据源、更丰富的工具和新的界面。

持续沟通：随着您的需求演变，提供专门的渠道用于协作、支持和战略对齐。

成功的关键因素

以切实成果为先：从第一天就能演示的具体 AI Agent 入手，让利益相关者立即看到可运行的 AI Agent，而不是数月面对一个黑盒。

从具体用例入手：尽早定义具体的 AI Agent。如果项目定义过于宽泛而没有可展示的具体 AI Agent，利益相关者的支持就会停滞，而时间却被耗费在看不见的基础设施工作上。

适应现有技术栈：平台与您当前的工具和数据源集成，因此您的团队无需改变工作流程来迁就 AI Agent。

赋能您的工程师：您的团队拥有机构知识。当您的工程师能够以编程方式构建 AI Agent 并将其连接到内部数据源时，价值会不断叠加。

建议的后续步骤：一个试点项目，在您的基础设施上部署平台并聚焦一个用例。一次架构深度剖析，与您的技术团队一起详细讲解平台架构。一次集成梳理，评估您现有的系统并设计 Agent 层。一场动手实践工作坊，让您的团队学习如何在平台上构建和部署 Agent。

什么是 MCP？

Model Context Protocol（模型上下文协议）是一项开放标准——最初由 Anthropic 开发——它定义了 AI 模型如何连接到外部数据源、工具和服务。MCP 在 AI Agent 与您的机构系统之间提供了通用接口，用标准化、安全的连接器取代脆弱的定制集成。

把 MCP 想象成 AI 的 USB-C：一个协议，连接所有系统。无需为每个 SIS、LMS 或 CRM 构建定制集成，MCP 为 Agent 提供了一种单一、一致的方式来读取数据、调用工具，并在您的整个校园技术栈中遵守权限设置。

为什么 MCP 对高等教育至关重要

校园 IT 团队维护着数十个系统——Banner、Canvas、Salesforce、Workday、SharePoint 等等。传统的集成方法需要点对点连接器，而每次供应商更新都会导致这些连接器失效。MCP 通过在 AI Agent 与数据源之间提供协议级契约，消除了这种脆弱性。

借助 MCP，您的机构将获得可移植的 Agent，可在任何 LLM 提供商（OpenAI、Anthropic、Google、Meta 或本地模型）上运行；获得可互换的连接器，无需重写 Agent 逻辑即可替换；并获得内置的安全边界，每一次数据访问都经过具备策略感知的中间件，并配有 FERPA 级别的控制。

ibl.ai 的 MCP 架构

每个 ibl.ai 部署都使用 MCP 作为核心集成协议。我们的前沿部署工程师为每个校园系统构建 MCP 服务器——SIS、LMS、CRM、ERP、身份提供商和文档存储。这些 MCP 服务器暴露结构化的工具和资源，Agent 可以在运行时发现并调用它们。

其结果是一个可组合的 Agent 架构：一个学生辅导 Agent 可以通过 MCP 从 Banner 查询注册数据、从 Canvas 获取课程材料、从校历中查看截止日期、从 Salesforce 中检索辅导记录——而无需在系统之间编写任何自定义粘合代码。

SIS MCP 服务器（Banner、PeopleSoft、Colleague）：将注册记录、学位审核、注册限制、转学分和学业状况作为 MCP 资源暴露出来。Agent 可以查询实时学生数据，而无需直接访问数据库。字段级 FERPA 控制根据角色和授权来决定谁可以看到什么。

LMS MCP 服务器（Canvas、Blackboard、Brightspace、Moodle）将课程内容、作业元数据、成绩、讨论帖和评分标准作为 MCP 工具提供。Agent 可以检索特定的课程材料、查看提交截止日期并访问课程级分析——所有操作均限定在请求用户的权限范围内。

CRM MCP 服务器（Salesforce、Slate、HubSpot）连接招生流程、潜在学生记录、捐赠人关系和发展数据。Agent 可以查询申请状态、调取辅导案例历史，并呈现用于留校干预的参与度指标。

身份与目录 MCP 服务器（Entra ID、Okta、Google Workspace）提供角色解析、组成员身份和认证上下文。MCP 层面的 RBAC 确保 Agent 只能访问与已认证用户院校角色相匹配的数据——学生、教师、导师或管理员。

文档与存储 MCP 服务器（SharePoint、OneDrive、S3、GCS）对院校文档——政策、手册、课程目录、教学大纲——建立索引，并通过 MCP 的语义搜索使其可检索。Agent 可以引用具体文档并标注页级来源，而不是仅凭训练数据生成答案。

自定义 MCP 服务器我们为任何拥有 API 或数据库的系统构建 MCP 服务器：ERP/HR（Workday、Oracle）、排课系统（25Live、Ad Astra）、住宿、餐饮、停车、图书馆系统、科研数据库等等。只要贵校拥有的系统，我们都能连接。

协议级访问控制

每个 MCP 请求都携带认证上下文——谁在提问、其担任什么角色、以及已获得哪些授权。我们的 MCP 中间件在数据到达 Agent 之前强制执行字段级权限控制。

学生查询自己的成绩时看到的是自己的记录；导师查询同一系统时看到的是其指导的学生群体；管理员看到的则是汇总分析。同一个 MCP 服务器，不同的视图。

PII 脱敏与数据最小化

MCP 响应会经过一个策略引擎，根据可配置的规则对敏感字段进行脱敏。社会安全号码、助学金详情和残障便利安排会被遮蔽或从 Agent 上下文中排除，除非获得明确授权。

每一次脱敏决策都会记录在案以供审计。

审计追踪与合规

每次 MCP 工具调用都会记录时间戳、发起请求的 Agent、已认证用户、访问的数据以及响应摘要。

这些审计追踪支持 FERPA 合规审查、内部安全审计和事件响应。日志存储在您的基础设施中，并按照贵校的政策进行保留。

沙箱化执行

MCP 服务器在您的 VPC 或本地基础设施内的隔离容器中运行。任何校园数据都不会离开您的环境。

Agent 通过内部网络以 mTLS 加密方式与 MCP 服务器交互。外部 LLM 提供商只接收 Agent 合成后的提示词——绝不会收到原始院校数据。

IT 与企业架构

院校研究

学生成功/学业指导

教学与学习中心

项目/院系负责人

安全、隐私、法务

系统与数据梳理

清单：SIS（如 Banner、PeopleSoft、Colleague）、LMS（Canvas、Blackboard、Brightspace、Moodle）、CRM（Salesforce、Slate）、ERP/HR（Workday、Oracle）、身份认证（Entra/Okta/Google）、存储（SharePoint/OneDrive/S3/GCS）。

模式与契约：选课、名册、学习成果、便利安排、截止日期、指导记录、政策、课程材料元数据。政策与治理：FERPA 相关字段、角色权限范围、保留规则、脱敏映射、同意流程。

MCP 服务器开发

我们为您的技术栈中的每个校园系统构建生产级 MCP 服务器。每个服务器都遵循 MCP 规范，提供类型化的工具和资源，并内置模式校验、错误处理、速率限制和可观测性。

服务器均采用容器化部署，通过您拥有的 Terraform 或 Kubernetes 清单进行部署。

记忆层工程

基于 MCP 的连接器：安全适配器，规范化跨系统的读写路径。每用户记忆图谱：知识图谱 + 向量索引，用于上下文检索（课程内容、学习成果、截止日期、干预措施）。

防护机制引擎：RBAC、字段级权限、PII 脱敏、同意凭证、审计追踪。同步与新鲜度：事件总线/CDC、回填、幂等任务、冲突解决、重放。

Agent 赋能（可选）

学生辅导：基于课程内容、截止日期和政策，通过 MCP 提供可引用的问答。助教：学习指南、FAQ 分流、形成性反馈、讨论支持。

数字助理（管理端）：政策查询、选课快照、风险汇总、“有什么变化？”摘要。模型中心：OpenAI、Gemini、Anthropic、Llama 或本地/NPU——可按政策/成本热切换。

工作流自动化（合作院校）主动提醒（风险、截止日期）、案例分派、学位里程碑。内容流水线（摄取 → 分块 → 引用）、带人工审核的测评题目生成。学术控制的审批关卡（人在回路）。

每个接入的校园系统的 MCP 服务器源代码

用于在您的 VPC/本地部署的连接器代码与 IaC（Terraform/K8s 清单）

数据字典、MCP 工具模式及契约测试

策略配置（RBAC 矩阵、脱敏规则、保留/过期策略）

ETL/ELT 任务、同步操作手册及可观测性仪表板

Agent 启动套件（提示词、MCP 工具定义、评测框架）

安全与合规资料包（威胁模型、MCP 数据流、审计清单）

探索与设计（1–3 周）：工作坊、MCP 架构、系统清单、待办事项、估算

MCP 服务器冲刺（2–6 周）：为每个校园系统构建并测试 MCP 服务器、记忆层、策略引擎

试点与加固（2–4 周）：小规模用户群、遥测监控、MCP 性能调优、交接

交接或共同管理：由您的团队运营；如有需要，我们以轻量级顾问方式继续支持

计费方式：按小时计费，费率极具竞争力；每周提交工时表；里程碑演示；您可随时暂停或调整范围

所有 MCP 服务器均运行在您的环境中（AWS/Azure/GCP 或本地部署），使用您的 IAM/KMS

支持 FERPA/GDPR，采用符合 SOC 2 的实践，MCP 访问遵循最小权限原则

MCP 层面的数据最小化、字段级脱敏、同意凭证与审计日志

针对智能体的红队提示词测试、安全过滤器与回放评测

智能体与 MCP 服务器之间采用 mTLS 加密；不向外部 LLM 提供商发送原始数据

MCP 服务器层 → 面向 SIS/LMS/CRM/ERP/身份系统/存储的类型化连接器

MCP 网关 → 身份验证、速率限制、请求路由与可观测性

事件总线 + CDC → 可靠的同步、回填与变更捕获

学生记忆层 → 图数据库 + 向量存储，支持 MCP 感知的策略检索

策略/防护栏引擎 → RBAC、PII 脱敏、同意管理与速率限制

智能体界面 → 辅导员（学生）、助教（教师）、数字助理（管理人员）

可观测性 → MCP 请求追踪、延迟指标、成本监控与评测框架

“一站式”辅导智能体，整合截止日期、课程资料与学业便利安排等上下文——通过 MCP 连接 SIS、LMS 和学业指导系统实现

助教智能体可起草学习指南并对重复性问题进行分类处理（答案引用自通过 MCP 连接的课程资料）

管理助理智能体通过 MCP 查询跨注册、成绩与干预系统，呈现风险学生群体及带来源的政策解答

跨系统自动化：注册触发、提醒推送、学业进度预警——通过 MCP 工具链进行编排

内容摄取管道，支持引用溯源与知识产权保护

多智能体工作流：专业化智能体通过共享的 MCP 服务器协同工作——一个智能体负责学业指导，另一个负责课程安排，第三个负责经济资助——全部共享同一安全数据层

MCP 原生架构：我们构建的每个集成均遵循开放的 MCP 标准——无专有锁定

深耕高等教育：内置 LTI 1.3、SIS/LMS 细节处理与学术治理机制

所有权设计：您将获得 MCP 服务器代码、配置文件与部署脚本

模型无关且注重成本：MCP 可与任何 LLM 提供商配合使用；可随时更换模型，兼顾准确性与成本优化

速度与严谨并重：我们快速交付可用的 MCP 集成，并附带测试与运维手册

架构评审（数小时）：梳理系统、目标、风险，并设计您的 MCP 服务器拓扑结构

固定范围试点（可选）：为覆盖特定学生群体或项目的 MCP 服务器设定工时上限

持续工时（按需）：新增 MCP 服务器、扩展连接器与工作流构建

流程梳理

我们深入嵌入您的团队，梳理工作实际如何流转——而非组织架构图上声称的样子。每一次交接、审批环节、数据查询和决策点都会被记录在案。

这能揭示通用 AI 工具容易错过的自动化机会。

瓶颈识别

我们识别员工在哪些重复性、基于规则的任务上耗费时间，而这些任务正是 Agent 可以处理的。

常见发现包括：反复回答同样的 50 个问题、跨系统手动录入数据、将请求路由到正确的部门，以及生成例行报告。

Agent 机会评分

每个潜在的自动化方案都会根据影响力（节省的时间、减少的错误）、可行性（数据可用性、系统访问权限）和风险（敏感度、合规要求）进行评分。

高影响力、低风险的工作流优先部署。

分阶段推广规划

我们规划分阶段部署——先从协助员工的内部 Agent 开始，随着信心增强，再逐步扩展到面向学生和外部的 Agent。

每个阶段在推进之前都有明确的成功标准。

读写分离

您的知识库采用严格的读写分离架构。回答问题的 Agent 从经过整理和验证的知识库中读取内容。更新知识的 Agent 则通过带有人工审核的审批工作流进行写入。

这种分离可防止幻觉内容污染您的机构知识。

结构化知识摄取

我们与您的领域专家合作，对机构知识进行编目和摄取——包括政策文件、流程指南、培训材料、历史决策和领域专业知识。

每个知识源都标注了来源、时效日期和权威级别。

版本控制的知识

知识库像代码一样进行版本控制。每次更新都可追踪、可回滚、可审计。

当政策发生变化时，知识更新会先经过您现有的治理流程，然后才会由 Agent 呈现出来。

多源检索

Agent 同时从多个知识库中检索——您的 LMS 内容、人力资源政策、IT 文档和部门流程——并按相关性和权威性排序。

不存在单一的知识故障点。

基于角色的 Agent 设计

每个 Agent 都像一名有明确岗位职责的新员工一样设计。它有明确的职责范围、对特定系统的访问权限、知识边界和升级处理协议。

招生 Agent 熟悉招生工作流。助学金 Agent 熟悉助学金事务。它们不会越界到彼此的领域。

技能即能力

Agent 配备了离散的技能——查询 SIS、起草邮件、生成报告、安排会议、查找政策。

技能可组合：Agent 将它们串联起来，处理以前需要多人协作和手动交接的多步骤工作流。

升级处理协议

每个 Agent 都清楚自己的能力边界。当问题超出其定义的职责范围时，它会升级给合适的人——不是通用的支持队列，而是负责该问题的具体人员或团队。

升级路径按角色、按部门进行配置。

绩效评估

就像人类员工一样，Agent 也会接受考核。我们构建评测框架，衡量准确性、回复质量、升级是否得当以及用户满意度。

表现不佳的 Agent 会被重新训练或重新调整结构。

AI 数据统一将 PeopleSoft、Ellucian Banner、Canvas、Slate、Workday、EAB Navigate 和 Salesforce Education Cloud 连接成一个统一本体——这是对贵组织的结构化表示，Agent 可以基于它进行推理。

它包含两层：语义层（名词——实体、属性、关系）和操作层（动词——动作、功能、权限）。两者共同构成每个 Agent 读取的唯一事实来源。

一次统一，处处复用

对一个实体建模一次，第十个 Agent 的成本只是第一个的一小部分，因为它继承了相同的定义、相同的数据和相同的治理机制。

实现已在 github.com/iblai/ontology 开源——采用 MIT 许可证，支持 Python 3.11+，163 项测试全部通过。ibl.ai 是一家位于纽约的家族企业：我们是长期合作伙伴，而不是交付一份许可证就消失的供应商。

语义层——名词

实体类型为贵组织中的真实世界对象建模——学生、课程、院系、选课记录和导师。属性捕捉它们的特征，关系定义它们之间的连接方式。学生选修课程；课程属于某个院系；辅导是一项带有规则的动作。

这是您的领域专家已经在使用的共享词汇表，使其可被机器读取，让 Agent 与您的员工基于同一现实进行推理。

操作层——动词

动作定义 Agent 可以进行的允许变更。功能编码逻辑。权限规定谁——人类还是 Agent——可以做什么。

Agent 继承其所服务用户的相同权限，因此只能在您现有的规则范围内行动。每个动作都被捕获为数据，因此审计追踪是内建的，而非事后附加。

规模化的共享理解团队基于统一的定义开展工作，而不是孤立的单系统数据。本地决策获得全局上下文，因为每个 Agent 和每个部门都从同一个图谱读取信息。

天生可读本体以熟悉的业务术语表达，而非技术化的模式。领域专家可以直接探索和验证它，从而连接技术团队与非技术团队。

一次构建，处处复用一个建模得当的实体可以服务于所有需要它的应用。启动第十个 Agent 的成本只是启动第一个的一小部分，因为知识已经存在。

将决策捕获为数据操作会被记录下来，并成为可查询的知识。审计跟踪和决策历史是系统本身的属性，而不是事后才补充的功能。

让 AI 立足于组织现实AI Agent 使用与人类相同的知识来运作。将答案锚定在您真实的实体和关系上，消除了容易滋生幻觉的转换层。

入站连接

数据库通过 Google MCP Toolbox 连接；基于 REST 的系统通过在 tools.yaml 中定义的自定义 MCP 服务器连接。对于高校而言，这意味着 PeopleSoft、Ellucian Banner、Canvas、Slate、Workday、EAB Navigate 和 Salesforce Education Cloud。

源凭据绝不会离开您的网络。每个入站连接器都有隔离的凭据作用域，密钥在静态存储时进行加密。

知识物化

数据同步到三个层：Markdown 格式的文本记忆、Postgres 缓存以及用于语义搜索的向量嵌入。

统一图按您控制的计划保持最新。

出站 — 单一 MCP 服务器

统一层以单一 MCP 服务器的形式通过 HTTPS 暴露，位于您的防火墙和身份提供商之后。

任何经授权的运行时 — ibl.ai、Claude、Cursor 或您自己的应用 — 都可以连接到它，并且结果会根据调用者的身份进行范围限定。

只读强制执行

版本 1 在设计上是只读的。在配置之前，一个包含七项测试的安全套件会验证每一次写入尝试都被拒绝；如果任何写入成功，配置将中止并输出修复 SQL。

AI Agent 可以读取您的系统 — 但不能修改它们。

身份与访问每个 MCP 请求都携带用户的 Microsoft Entra ID JWT。网关对其进行验证，并从 roles.yaml 解析调用者的角色，因此 AI Agent 只能看到该用户被允许看到的内容 — 包括行级范围限定，并映射到您的 FERPA 合规义务。

权限继承自您的人员Schema 和数据权限由中央统一管理。AI Agent 继承与其所服务的用户相同的权限，因此无论是人类还是 AI Agent 发起请求，访问控制都保持一致。

Pre-configured connectors for Higher EducationThe catalog ships defaults for PeopleSoft, Ellucian Banner, Canvas, Slate CRM, Workday, EAB Navigate, Salesforce Education Cloud, ServiceNow, Civitas Learning, Handshake, and Blackbaud Raiser's Edge. Seed any of them with one command (ontology service add --from <key>), then test and provision from the CLI.

通过 CLI 进行配置一个 CLI 覆盖整个生命周期 — 服务发现与测试、Schema 分析、角色验证、定时同步以及 Docker Compose 部署。从您的终端构建、测试并交付该层。

您的代码与数据整个统一知识层均为开源。记录保留在您已在运行的系统中——该层直接就地查询，绝不会将其复制到 ibl.ai 或任何第三方。“您将拥有自己的数据，我们甚至可能无权访问它。”

您的基础设施MCP 服务器、Postgres 缓存和向量索引均在您的边界内运行。可部署在您选择的云端、您的 VPC 中、本地部署，或完全物理隔离部署。

基于 Agentic OS 构建AI 数据统一是 ibl.ai 平台其余部分进行推理的知识基础。将其与 Agentic OS 搭配使用，即可部署在统一图谱上执行操作的 AI Agent——全部由您拥有并自行托管。

集体培训（院系/校区团队）

基础知识：AI Agent 的工作原理（检索、引用、防护栏）、学术诚信、无障碍访问与公平使用。教学法模式：辅导、咨询分流、形成性反馈以及支架式写作支持。

工具包：提示词框架、“该做/不该做”库、教学大纲用语以及面向学生的规范。动手实验：构建课程 Agent、设置数据集、测试引用并配置防护栏。

个人辅导与研讨会

课程改造：共同设计教学活动、评分标准以及 AI 支持的工作流程（例如反馈、学习指南）。学科专项门诊：STEM 问题求解、临床角色扮演、工作室评图、案例教学。

提示词与政策审查：优化提示词、设定边界、添加透明度声明与便利措施。

办公时间（持续进行）每周开放答疑，用于故障排查、用例评估和“成果展示”。微型演示（10–15 分钟）：Agent 设置、Google Docs/Slides 创建、数据分析解读、风险标记。快速迭代：审查聊天记录、改进提示词、调整数据集和防护栏。

安全、伦理与合规

符合 FERPA/GDPR 的工作流程；数据集范围界定与基于角色的访问控制。学术诚信：防检测的作业设计、引用规范、披露指引。

无障碍设计：WCAG 实践、字幕、替代文本以及包容性提示词模式。

教师采纳度与信心评分

课程覆盖情况：已部署的 Agent、已配置的数据集、已启用的防护栏

学生成果信号：参与度、求助模式、浮现出的常见薄弱点

重复性任务节省的时间（基于教师自报估算）

已完成的无障碍与学术诚信合规检查

本地部署（您的数据中心）在您的院校基础设施上完整部署。基于 Kubernetes 或 Docker 的编排，配合 Terraform IaC。完全的网络隔离与数据主权。

私有云（您的 AWS/Azure/GCP 账户）部署在您自己的云租户中，具备 VPC 隔离、私有端点和您的加密密钥。我们负责配置；账户和数据归您所有。

混合部署（本地 + 云端）：敏感工作负载保留在本地，计算密集型任务放在您的云端。环境之间通过安全隧道连接，AI Agent 在两端保持一致的行为。

安全补丁与 CVE 监控

我们主动监控 OpenClaw 的安全公告，并在漏洞影响到您的生产环境之前应用补丁。

我们的团队跟踪 CVE、验证修复方案，并按照与您的变更管理流程相一致的时间表管理更新。

基于角色的访问控制

部署 AI Agent 时，可将其细粒度权限与您的身份提供商绑定。教师 Agent 与学生 Agent 可访问的数据各不相同。

管理 Agent 与科研 Agent 的能力也各不相同。所有这些都在基础设施层面强制执行。

审计日志与合规

每一次 Agent 操作、工具调用和数据访问都会记录到您的 SIEM 或日志基础设施中。

从设计上符合 FERPA 要求，并提供可配置的保留策略和导出格式，便于机构审查。

网络隔离与数据边界

AI Agent 在隔离的网络段中运行，并受严格的出站流量控制。学生数据绝不会离开您的网络边界。

与校园系统的集成采用 mTLS 和服务网格架构。

输入验证与提示词安全：经过加固的输入管道可防止提示词注入、数据外泄和未经授权的工具执行。多层验证确保 AI Agent 只执行经批准的操作。

前沿部署工程师（FDE）将与您的团队直接合作，构建并部署校园记忆层。

他们会梳理您的数据源、设计安全的集成方案、实施策略控制，并确保 AI Agent 从您的 SIS、LMS、CRM 和 HR 系统中获得准确、实时的上下文信息。

记忆层是一个统一、安全的数据基础，为 AI Agent 提供有关学生、课程和运营的情境知识。

没有它，AI Agent 只能提供泛泛的回答；有了它，它们就能回答“Maria 修过哪些课程？”或“John 能否按时毕业？”这类问题。

记忆层的初始部署通常需要 4-8 周，具体取决于源系统的数量和数据复杂程度。此后，FDE 会持续支持优化、新集成和 Agent 开发工作。

常见的集成对象包括 SIS（Banner、PeopleSoft、Colleague）、LMS（Canvas、Blackboard、Moodle）、CRM（Salesforce、Slate）、HR/ERP（Workday、Oracle）、身份提供商（Okta、Azure AD）以及文件存储（SharePoint、Google Drive、S3）。

所有集成均使用加密连接，并遵循最小权限访问原则。数据保留在您的基础设施中，FDE 在保密协议（NDA）约束下工作并接受安全培训，所有变更均通过您的变更管理流程进行。

FERPA 和机构政策指导着每一项决策。

把难题交给我们，代码归您所有。

今天即可在我们的云上免费开始使用，或将整个代码库部署到您自己的基础设施中。无论哪种方式，我们的工程师都会与您的团队并肩协作，且代码和数据完全归您所有。

ibl.ai 是一家总部位于美国纽约市、由家族拥有并运营的企业——一个美国本土拥有的长期合作伙伴，而非卖完授权就一走了之的供应商。 · SOC 2 Type II 认证