指标平台的演进史，本质上是一部"意义"从人脑迁移到机器的历史。第一代把指标固化进 OLAP 立方体的物理结构，灵活性极差；第二代用语义层把业务名词和 SQL 表达式解耦，解决了"命名一致"的表面问题；第三代把指标升级为结构化的语义资产对象，用 NoETL 绕开宽表预物化的负担，Chat BI 和 NL2SQL 第一次成为可能。行业普遍认同的下一站，是把指标从"有血缘的对象"进一步升级为"有语义关系、可推理约束的本体网络"——这个方向是对的，指标之间的因果链路、维度层次的动态扩展，确实是数据认知基础设施迟早要补上的一课。 过去这半年，我们在公司内部真正推动"指标字典"从 0 到 1 落地，并同步支撑 Text2SQL 语义层能力建设。这条路径不靠一次架构设计就能铺完，它需要业务侧、产品侧、数仓侧三条线同时发力，每一步都要经得起"AI 拿这个数据能不能取对"的检验。
我们正在建设一个基于 AgentScope Java 的企业级 MultiAgent 平台，为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。上一篇文章介绍了平台基础运行时，本文聚焦复杂任务如何规划、如何拆给专业 Agent，以及不同服务之间如何协作。文中隐去具体组织、系统和环境信息，只讨论可迁移的方法。
得物小摊是一个从 0 到 1 孵化的创新业务。在一段时间里，我需要同时负责 H5、运营后台、Node 网关和 Go 服务的设计、实现、联调和交付。 随着业务推进和协作范围扩大，一次需求常常要穿过多个工程与运行时。我开始让 AI 并行参与这些模块的开发。代码产出速度明显提高，一个人也像拥有了一支"虚拟全栈团队"。
在 MultiAgent 平台中，Agent 一次请求可能同时经过模型、MCP/A2A 工具、RAG、Workflow 和 Sandbox，还要在多轮对话和跨会话协作中记住用户偏好、任务进展与协作约定。因此记忆模块不是独立外挂，而是 Agent 执行链路的一部分。
知识问答的核心挑战是准确率和质量。一个回答要准确，需要：查得全（召回率），查得准（精准度），理解得对（多模态），看得对（权限隔离）。这些能力不是堆功能就能实现的，需要一个强大的 Agent 运行时来支撑。 我们选择 AgentScope 2.0，核心原因是它的 HarnessAgent 架构——这是面向生产环境的 Agent 实现，内置了长期运行 Agent 必备的工程能力。
订单系统是交易链路的核心命脉，直接承载用户所有下单与支付行为，其稳定性直接决定业务盈亏。为此，我们耗时一年多，完成了订单系统由外而内的三阶段改造。 第一阶段筑牢稳定底线：以 SLA 99.99%、杜绝跌单为目标，梳理下游依赖、搭建三级保障规范，规避下游抖动拖累主链路。第二阶段剥离核心链路：以支付节点为分界，将订单创建、支付回调等核心能力从老旧应用中独立拆分并专属保障。第三阶段模块化重构链路：按业务语义重构执行序列，实现各环节模块化分层并配齐全链路埋点。 三阶段改造落地后，订单系统实现了稳定性兜底、核心链路隔离、架构模块化、链路可观测的全面升级。但 AI Coding 的普及，给核心系统研发带来了全新的挑战。
本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会 「得物推荐 AI Harness 工程化实践系列」的末篇内容，本系列共三篇连载。本篇（末篇）详解得物推荐评测平台的完整技术体系：从主观体验量化到大模型自动化评测流水线，涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现，以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。
