HICOOL开发者挑战赛 · MTClaw智能体赛道 策划方案

项目名称：BossAgents 智企大脑

项目定位：基于MTClaw的企业级数字员工智能调度平台

参赛团队：[团队名称]

提交日期：2026年7月

目录

1. 项目概述与核心价值
2. MTClaw关键创新点
3. 技术架构方案
4. 核心资产：43个数字员工
5. 性能实测数据
6. 评审维度覆盖说明
7. 演示与部署方案

一、项目概述与核心价值

1.1 一句话定位

"BossAgents 智企大脑" —— 运行在MTT AIBOOK本地、覆盖企业全业务场景、基于MTClaw实现"快准狠"调度的数字员工平台。

1.2 核心价值主张（四维验证）

| 维度 | 价值说明 | 验证状态 |

|------|----------|----------|

| 高可用 | MTClaw让系统在主服务不可用时仍能100%独立运行 | ✅ 四场景对比验证 |

| 快 | 路由决策79ms，端侧执行80ms，P95<96ms | ✅ 860全量测试验证 |

| 准 | 工具召回率100%，路由命中覆盖43个员工 | ✅ 860全量测试验证 |

| 狠 | 43个数字员工覆盖10+领域，75%端侧执行比例 | ✅ 860全量测试验证 |

1.3 MTClaw让什么变得可能

MTClaw的核心价值不是"更快地调模型"，而是"让智能体在工业场景中真正可落地"。

| MTClaw技术特性 | 我们实现了什么 |

|----------------|----------------|

| 高可用性保障 | 主服务宕机时仍100%运行——这是MTClaw带来的独特能力 |

| 75%端侧执行比例 | 75%的任务根本不需要调模型，响应从500ms+降至80ms |

| 智能路由分流 | 复杂推理自动分流到最合适模型，端侧处理简单任务 |

| 关键词匹配路由 | 16ms完成工具分流，无需等待大模型推理 |

二、MTClaw关键创新点

核心机制：有限状态转移机 + Function Router + 关键词匹配加速

2.1 四级路由策略

2.2 降级与高可用机制

L1关键词匹配 → L2端侧小模型 → L3端侧大模型 → L4云端大模型 → 友好错误提示
     ↓失败           ↓失败           ↓失败           ↓失败
   自动降级        自动降级        自动降级        记录日志

关键结论：当后端大模型不可用时，MTClaw仍能通过L1+L2完成全部路由决策和端侧执行，保障业务连续性。场景D（绕过MTClaw）成功率0% vs 场景A（MTClaw）成功率100%，证明高可用性归属MTClaw。

三、技术架构方案

┌─────────────────────────────────────────────────────────────────┐
│                    用户交互层（自然语言）                         │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│              MTClaw Function Router（智能分流层）                 │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐            │
│  │ 关键词匹配   │→│ 路由决策     │→│ 工具执行     │            │
│  │ (<5ms)      │  │ (79ms)      │  │ (80ms)      │            │
│  └─────────────┘  └─────────────┘  └─────────────┘            │
│       │                 │                 │                     │
│       ▼                 ▼                 ▼                     │
│  端侧小模型        端侧大模型        云端大模型                   │
│ deepseek-r1:8b    qwen3.6          SenseNova                   │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│                 BossAgents 数字员工层（43 Subagents）              │
│  采购 · 供应链 · 工艺 · 数据 · 芯片 · 知识库 · 工作流 · 分析等10+领域 │
└─────────────────────────────────────────────────────────────────┘

3.1 三层架构

┌─────────────────────────────────────────────────────────────────┐
│  平台层：SCSAi PLM底座（15年自研，100%自主源码）                    │
│  469个ItemType · 2228个Method · 2306条业务规则 · 3489条自动生成规则  │
└─────────────────────────────────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│  能力层：MTClaw智能调度 + 规则引擎 + 端侧模型                        │
│  路由决策79ms · 3489条自动生成规则 · 75%端侧执行比例                  │
│  六大能力：识别 · 创建 · 修复 · 优化 · 比对 · 生成                    │
└─────────────────────────────────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│  场景层：43个数字员工覆盖10+工业领域                                   │
│  860次全量测试100%成功 · 75%端侧执行 · Loop Engineering自循环        │
└─────────────────────────────────────────────────────────────────┘

3.2 六大能力映射

| 能力 | 说明 | 代表员工 |

|------|------|----------|

| 识别 | 数据识别、分类、体检 | DS-SCSAI-001, DS-STAT-001, DS-KNOWLEDGE-001, DS-SCSAI-001 |

| 创建 | 数据导入、采集、文档生成 | DS-SCSAI-001, DS-DATA-001, DS-DOC-001, DS-CONTENT-001 |

| 修复 | 数据修复、质量校验 | DS-PROC-DATA-001, DS-DOC-001, DS-HEALTH-001 |

| 优化 | 成本优化、工艺优化、供应链优化 | DS-COST-001, DS-PROCESS-OPT-001, DS-PROC-001, DS-BIZ-001 |

| 比对 | 价格监控、变更分析、估值比对 | DS-LOOP-001, DS-ECR-001, DS-ECR-001, DS-COST-001 |

| 生成 | 内容创作、报告生成、资讯摘要 | DS-CONTENT-001, DS-REPORT-001, DS-NEWS-001, DS-LOOP-001 |

四、核心资产：43个数字员工

4.1 7个新增高价值Subagent（全部已开发完成 ✅）

4.2 领域覆盖全景（36+7=43个数字员工）

| 领域 | 员工数 | 代表员工 |

|------|--------|----------|

| IT运维 | 4 | DS-DATA-001/002, DS-OPS-001, ⟦DS-SCSAI-001⟧ |

| 采购管理 | 5 | DS-PROC-001, DS-COST-001, DS-VEN-001, DS-PROC-001 |

| 数据资产 | 6 | DS-SCSAI-001, DS-DATA-001, DS-STAT-001, DS-PROC-DATA-001 |

| 工程变更 | 3 | DS-ECR-001, DS-ECR-001, DS-PROCESS-OPT-001 |

| 芯片设计 | 7 | DS-CHIP-001~007 |

| 经营分析 | 2 | DS-BIZ-001, DS-REPORT-001 |

| 库存管理 | 2 | DS-STOCK-001, DS-LOOP-001 |

| 内容创作 | 2 | DS-CONTENT-001, DS-LOOP-001 |

| PLM文档 | 1 | DS-PLM-BRAIN-001 |

| 新增7个 | 7 | 知识库/工作流/数据分析/健康/视觉/写作/资讯 |

覆盖率：10+领域全覆盖，远超赛题"至少3个Subagent"要求。

五、性能实测数据

5.1 全量测试概览（860次，2026-07-17）

5.2 关键性能指标

5.3 四场景对比验证（证明MTClaw高可用性归属）

| 场景 | 调度方式 | 可用性（服务器宕机时） | 结论 |

|------|----------|----------------------|------|

| 场景A | MTClaw + 端侧模型 | 100% | MTClaw独立运行 |

| 场景B | MTClaw + 云端模型 | 0%（依赖网络） | 云端不可用则失败 |

| 场景C | 无MTClaw（自有调度） | 0% | 依赖主服务 |

| 场景D | 绕过MTClaw直连 | 0% | 证明高可用性归属MTClaw |

核心发现：场景A vs 场景D —— 相同硬件、相同模型、唯一变量是"是否使用MTClaw"，结果100% vs 0%，证明高可用性是MTClaw带来的独特价值。

5.4 端侧执行比例优化轨迹

| 阶段 | 端侧执行比例 | 平均响应 | 说明 |

|------|------------|----------|------|

| 优化前 | 5.6%（1/16） | 500ms+ | 15个工具调用大模型 |

| 优化后 | 75%（12/16） | 80ms | 确定性计算改本地脚本 |

| 变化 | +69.4% | -84% | 成本几乎为零 |

结论：不是更快地调模型，而是让75%的任务根本不需要调模型。

六、评审维度覆盖说明

| 评分维度 | 官方要求 | 我们的达成 | 证据 |

|----------|----------|------------|------|

| 快 | 响应耗时、加速比 | 路由79ms/端侧80ms，P95<96ms | 860全量测试报告 |

| 准 | 召回率/准确率/领域专业度 | 100%召回率，43个员工全部命中 | 860全量测试报告 |

| 狠 | 场景广度/Subagent数/产品化 | 43员工/10+领域/75%端侧执行 | 员工清单+测试报告 |

| 生态价值 | 场景价值/商业模式/适配 | 企业级场景+标准API+MTClaw协同 | 方案文档+部署指南 |

七、演示与部署方案

7.1 部署环境

7.2 部署步骤（Ubuntu/AIBOOK）

# 1. 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh && ollama pull deepseek-r1:8b

# 2. 安装项目
cd bossagents && npm install && pip install -r requirements.txt

# 3. 启动服务
ollama serve & cd MTClaw && python -m function_router.server & npm start

7.3 交付物清单

| 交付物 | 内容 | 状态 |

|--------|------|------|

| 策划方案 | 本PDF文档 | ✅ 已完成 |

| 演示视频 | 5阶段7分钟连续演示 | 待录制 |

| 项目代码 | 完整源代码+安装脚本 | ✅ 已完成 |

八、生态适配与商业价值

8.1 生态适配价值

8.2 商业价值

九、风险与应对

文档版本: v2.0（优化版）

创建日期: 2026年7月17日

更新日期: 2026年7月18日

适用赛事: HICOOL开发者挑战赛·智能体赛道