核电文档自动归档：高安全要求下的Agent部署方案
在一家核电运营企业里，一份设备技术规格书从进场到归档，往往要在工艺系统、档案系统、加密客户端之间来回“倒手”三四次：元数据在图纸里，字段规范在档案系统里，格式要求写在纸质作业指导书上。任何一个环节靠人工复制粘贴，既慢又容易出错，而核电行业偏偏是一个“错一次就可能影响审计结论”的地方。
Gartner 在多份技术趋势报告里把超自动化与 AI 智能体列为未来数年的关键技术方向，但真正让核电、能源这类企业的 IT 负责人犹豫的，从来不是“要不要用 Agent”，而是“在内网隔离、数据不出域、保密审计严格的前提下，Agent 到底怎么部署才安全”。本文就围绕核电文档自动归档这一具体场景，拆解高安全要求下的 Agent 部署方案：约束在哪里、架构怎么搭、能力怎么落、效果如何衡量。
🔒 一、核电文档归档难在哪：三重约束叠加
1.1 安全约束：数据不能出域，链路必须可审计
核电企业的核心数据资产属于国家重点保护范畴，文档中可能包含机组参数、设备图纸、运行规程等敏感信息。这意味着：
- 部署位置受限：核心处理流程必须运行在客户内网，不能依赖公有云或外部 API 调用。
- 数据流向受限：文档内容、抽取结果、比对日志都要留在本地，形成物理隔离或逻辑隔离的闭环。
- 行为必须留痕：谁在什么时间调取了哪份文档、Agent 执行了哪些操作，都要能被审计系统还原。
1.2 业务约束：系统孤岛与加密客户端
核电企业的信息化建设周期长，各部门系统独立上线，形成了典型的“烟囱式”格局：
- 文档部、化学环保部、机械部、运行部、仪控部、人资部各有自己的业务系统，接口不一定开放。
- 部分老旧系统只有网页界面，甚至没有可用的 API。
- 内网里还存在带加密保护的客户端，常规的界面自动化工具往往无法识别其控件元素。
1.3 效率约束：人工比对耗时，审计追溯困难
一线文档人员最典型的日常是：打开图纸、找到关键元数据、对照归档规范逐项核对、再手动录入档案系统。单份文档动辄十几分钟，遇上机组大修或批量归档节点，积压的文档量会迅速堆高。更麻烦的是，一旦事后审计要求追溯某个字段的录入依据，人工操作很难提供完整的证据链。
🏗 二、高安全场景下 Agent 部署的五条设计原则
在强合规的核电环境里，Agent 的部署逻辑和互联网场景完全不同。它首先要“合规”，其次才是“智能”。
2.1 私有化部署优先，核心链路不触网
Agent 的推理、调度、执行组件全部部署在客户内网服务器上，大模型采用本地化部署或客户自有的算力底座。文档解析、字段抽取、规则比对等环节都在内网完成，从架构上消除数据外传的可能。实在Agent 在这一层的思路是：把能力“搬进”客户环境，而不是把数据“请出”客户环境。
2.2 非侵入式对接，不改造原有系统
核电的老旧系统和加密客户端，改造代价极高，有些甚至不允许改造。因此 Agent 需要具备“从外部操作界面”的能力——不碰数据库、不动源码，通过模拟人工操作的方式与系统交互。这既降低了集成风险，也避免了因系统改造引入的合规审查成本。
2.3 权限最小化，操作全程留痕
- 为 Agent 分配独立的账号体系，权限按“完成任务所需的最小集合”配置。
- 每一次读取、比对、上传操作都写入日志，形成可回溯的执行链路。
- 敏感字段的修改支持人工二次确认，避免自动化直接改写关键数据。
2.4 大模型能力本地化，用规则抑制幻觉
文档抽取最怕“编造”。在核电场景里，一个错误的设备编号可能比一份没归档的文档更危险。因此需要把大模型的语义理解能力和确定性的规则校验结合起来：
- 大模型负责理解图纸版式、识别非结构化字段、处理版式多样的历史文档。
- 规则引擎负责校验字段格式、取值区间、与主数据的匹配关系。
- 对低置信度的抽取结果，自动转人工复核，而不是直接写入档案系统。
2.5 人机协同闭环，不让 Agent 单独决策
归档是结果性动作，必须有人负责最终确认。合理的做法是把流程拆成“机器做重活、人做判断”：抽取、比对、预填、校验由 Agent 完成，关键节点的确认由业务人员完成，系统同时记录双方的执行轨迹。
⚙️ 三、多智能体协同的部署架构怎么搭
3.1 四层架构：感知、理解、执行、治理
- 感知层：负责读取图纸、规程、报表等输入源，包括文件系统、扫描件、加密客户端界面。
- 理解层：由大模型承担，完成版式识别、关键元数据抽取、字段语义归一。
- 执行层：由 RPA 与屏幕语义理解能力承担，完成跨系统的填写、比对、上传、归档动作。
- 治理层：负责权限控制、操作日志、异常告警、审计报表输出。
3.2 关键技术：大模型 + 屏幕语义理解 + RPA
在实际方案中，TARS 大模型负责语义解析，从复杂图纸中精准抽取关键元数据；ISSUT 屏幕语义理解技术负责“看懂”内网加密客户端和老旧网页的界面结构，把原本无法被常规自动化工具识别的控件变成可操作对象；RPA 则负责把操作动作稳定地执行下去。三者组合，构成多智能体协同的执行底座。
3.3 典型流程：抽取—比对—上传—归档
- Agent 监听到新文档进入待归档目录，触发任务。
- 大模型解析文档，抽取设备编号、机组号、版本号、编制单位等元数据。
- 与档案系统的标准字段规范比对，标记缺失项、格式异常项。
- 通过屏幕语义理解操作加密客户端与档案系统，完成字段填入与附件上传。
- 归档结果回写日志，异常任务自动转人工复核队列。
3.4 内网适配的两个细节
- 弱网与离线：内网环境不稳定时，任务队列要支持断点续传，避免重复归档。
- 版本漂移：老旧系统界面偶尔会调整，屏幕语义理解能力需要具备一定的自适应能力，减少因界面变化导致的流程中断。
📊 四、落地成效：一个核电文档数字员工的实践
某大型核电运营企业（央企控股，机组规模持续扩大）在推进文档自动化时，面临的就是前面提到的三重约束：六大核心部门系统独立、海量技术文档需要人工审核比对、跨部门协同缺乏智能机制。
其部署思路是以大模型、屏幕语义理解与 RPA 构成多智能体协同架构，适配内网加密客户端和老旧网页，非侵入式对接各部门隔离的业务系统，并在文档场景中落地了“文档数字员工”。
实际运行后的变化可以量化为几组数据：
- 文档归档准确率达到 100%，满足内部审计与合规检查要求；
- 单份文档处理时间缩短 85%，原本需要十几分钟的人工核对被压缩到分钟级；
- 7×24 小时无间断运行，数字员工在夜间与节假日同样可以处理积压任务；
- 年节约工时超过 10,000 小时，相当于把数名文档人员的重复性工作释放出来，转向更高价值的规程审核与业务支持。
这类案例的意义不在于“用了 AI”，而在于证明了在高安全约束下，Agent 的部署是可行的：能力留在内网、操作全程留痕、结果可被审计。
🗺 五、分阶段落地的实施路线
5.1 第一阶段：选一个高价值、边界清晰的试点
建议从归档量最大、规则最明确的一类文档切入，例如设备图纸或定期试验报告。目标不是全覆盖，而是跑通“抽取—比对—上传—归档—留痕”的完整闭环。
5.2 第二阶段：横向复制到相邻部门
试点验证后，把同一套 Agent 能力复制到化学环保、机械、仪控等部门的相似文档场景，同时沉淀字段映射规则库和异常处理手册。
5.3 第三阶段：纳入统一治理与运营
把数字员工纳入 IT 统一运维体系，建立任务成功率、人工干预率、异常类型的监控看板，定期复盘规则库，形成长效运营机制。
❓ 常见问题解答
内网完全隔离、无法访问外网，大模型还能用吗？
可以。方案采用本地化部署的大模型或客户自有算力底座，推理过程全部在内网完成，不依赖外部 API。文档内容、抽取结果、执行日志都不出域。
Agent 操作加密客户端，会不会影响原有安全策略？
Agent 以独立账号、最小权限运行，操作对象仍受原有客户端的权限体系约束。所有动作写入日志，可被审计系统还原。本质上它替代的是“人工点鼠标”的动作，而不是绕过安全机制。
归档准确率 100% 是怎么保证的？
关键在于大模型负责理解、规则引擎负责校验、人工负责关键节点确认。低置信度结果不直接写入，而是进入复核队列；同时通过字段格式、取值区间、主数据匹配等多重校验，把错误拦截在写入之前。
这和传统 RPA 有什么区别？
传统 RPA 依赖稳定的控件识别，遇到加密客户端、版式多变的图纸就容易失效。加入大模型与屏幕语义理解后，Agent 能处理非结构化内容和不可识别的界面对象，适应性和覆盖面都明显提升。
投入产出怎么评估？
可以从三个口径看：单份文档的处理时长下降幅度、单位时间内可归档的文档量、以及释放出来的人工工时。多数场景下，效果会在试点运行后的前两个月内显现。
结语
核电文档自动归档不是一次简单的工具替换，而是在高安全约束下重新设计“人、流程、Agent”的协作方式。选对试点场景、坚持私有化与最小权限、用规则约束大模型的不确定性，才能让 Agent 真正进入生产环境。当一个数字员工能稳定地完成抽取、比对、归档与留痕，企业收获的不只是效率数字，更是一套可审计、可复制、可持续演进的自动化能力。
实在Agent
