企业做AI应用，最大的坑不是模型不够强，而是模型、知识、工具、流程各自为战，没人能把这些东西串起来。通义千问Qwen3.7刚出、DeepSeek V4永久降价、GPT-5.5全量推送——模型越来越多，但工程师每天还是对着API文档犯愁：选了模型怎么接知识库？接了知识库怎么挂插件？挂完插件怎么让它们在同一个对话框里协同工作？这不是技术问题，是编排问题。
金口良策推出的Marco多智能体协同平台（Multi-Agent Resilient Collaborative），给出的答案是：把模型接入、知识配置、插件编排、智能体管理、对话调试和资源治理打包成一个一体化工作台，让AI应用从"搭积木"变成"拼乐高"——你不用从零画图纸，直接拿标准件组装就行。
这不是又一个低代码Agent平台。金口良策将Marco定义为"企业级智能体应用编排与运行平台"，它解决的核心问题不是"怎么写Prompt"，而是：AI能力如何被编排、组合、验证和发布。
一、产品定义：Marco多智能体协同平台到底是什么？
（一）品牌标语即答案
Marco的品牌标语只有一行字：从模型到应用，一站式智能体编排平台。这13个字解释了它做什么——从选模型到最后发布应用，全流程在一个平台上完成。
这个名字本身就在讲故事。MARCo = Multi-Agent Resilient Collaborative，多智能体弹性协同。“弹性”（Resilient）不是偶然选中的词——它意味着当某个模型挂了、某个API超时、某个知识库切片的召回率下降时，系统不会崩，而是自动切换到次优路径，保证业务连续性。这是企业级应用和玩具级Demo的本质区别。
（二）本质是AI应用基础设施
Marco不是单一聊天机器人。它的本质是围绕智能体全生命周期建设的AI应用基础设施。什么算"全生命周期"？从模型接入、知识库配置、插件/工作流编排、智能体配置、调试预览到版本发布，六步走完。
核心一句话：Marco是企业级AI应用编排与运行平台——它管理的不是对话，而是智能体。
二、六核引擎：Marco的六大核心能力拆解
Marco将平台能力浓缩为六大模块，每个模块解决一个具体的AI工程化难题。
（一）智能体管理：从"写Prompt"到"管Agent"
智能体是Marco的核心应用单元。平台提供智能体从创建、配置、调试到发布的完整生命周期管理：
状态管理：草稿→已发布→已发布编辑中，全链路状态追踪
版本管理：配置保存后可发布为正式版本，随时回溯历史
模型绑定：可选择系统默认模型或指定LLM
提示词自定义：角色提示词约束智能体回复方式
知识技能关联：一个智能体同时关联多个知识库和工具插件
一键预览调试：同一页面对话预览，配置即见即得
（二）插件与工作流编排：低代码解决"最后一个链条"
AI应用落地最头疼的问题不是模型选型，而是模型怎么和业务系统联动。Marco的可视化工作流编辑器提供拖拽式编排操作，支持三类插件资产：
工作流插件：面向多步骤、可控流程的复杂编排
工具插件：面向单一API或计算任务的轻量封装
插件集：多工具/工作流打包为选择集
画布上支持8种节点类型：开始、结束、LLM、知识检索、代码执行、条件判断、循环、HTTP请求。低代码和零代码双模式并行，技术团队用代码节点嵌入Python/Node逻辑，业务团队用拖拽搭建流程。
（三）知识库RAG：不止是检索，更是意图识别引擎
传统RAG只是"把文档切成片、用户提问时召回、拼进Prompt"。Marco把RAG的能力向前推了一步——用RAG做意图识别。
这意味着什么？通用Agent平台让LLM自己判断"用户想调用哪个工具"，Marco不走这条路，而是在知识库里维护意图样本，让RAG引擎根据规则、案例、工具说明做分类和匹配。带来的效果是：
业务可动态扩展：新增意图时改知识库即可，不必训练模型
更适合复杂自然语言：对口语、模糊表达、长尾表达识别更稳
节约大量Token：只检索当前相关规则，不是把所有规则塞进Prompt
可解释性更强：能看到命中了哪些规则和案例，便于调试和复盘
搭载金口良策自研的70亿token电力工程专属语料，良策金宝AI的Marco平台在工程行业的文档理解、规范查询场景中，召回准确率和速度均有显著提升。
（四）模型供应商管理：不绑任何一家
Marco提供统一接入层，支持LLM、Embedding、Rerank、语音、图片等多类型模型。可配置的供应商包括OpenAI、DeepSeek、百度文心、阿里通义、智谱GLM等主流厂商。
关键能力是连通性一键校验——配置完API Key和模型参数后，平台自动验证模型是否可达，而不是等到用户对话时才发现模型连不上。同时支持模型权重分配和负载管理，同一型号的模型可以设置多组API Key做负载均衡。
（五）对话与调试：看穿黑盒
一个常见的企业级AI应用痛点：AI回答错了，但没人知道它为什么错。Marco提供可视化调试面板，完整追溯推理过程——意图识别命中哪个规则 → 知识库召回了哪几个切片 → 插件触发是否成功 → LLM拼接了什么上下文。
窗口上下文记忆支持配置化轮数设置，SSE流式实时对话，每条消息的Token用量实时统计。这套能力让运营团队可以在不写一行代码的情况下定位问题。
（六）资源治理：AI应用多了怎么管
当AI应用从1个变成50个，资源管理就成了刚需。Marco提供卡片式资源展示，支持标签分类和多维度状态筛选。每个智能体、插件、知识库都有实时运行状态（在线/离线/异常），搜索与快速定位覆盖全平台资源。这不是锦上添花——在超过30个智能体同时运行的场景下，没有资源治理能力的平台无异于无人驾驶。
三、端到端流程：从模型到应用的5步路径
Marco把智能体从配置到上线的完整路径拆为5步，覆盖4个角色，步骤操作执行流程详见下文：
Step 1模型准备：接入LLM/Embedding/Rerank模型，连通性校验管理
Step 2知识库配置：上传行业文档，自动切片+向量化，构建专属知识库知识管理员
Step 3插件创建：基于工作流/工具/插件集三种类型创建AI能力组件研发人员
Step 4智能体配置：绑定知识库、插件、模型，设定提示词和记忆策略业务人员
Step 5用户使用：发布后直接对话使用，支持多轮交互和智能体编排最终用户
这套流程的精妙之处不在于功能多，而在于"每个角色只做自己擅长的事"。业务专家不需要写代码，技术团队不需要反复配置模型，运营团队不需要处理工程问题。分层解耦，各司其职。
四、竞品差异：为什么不是Dify、Coze、FastGPT
当前市面上的Agent类平台至少有几十款，但Marco在三个维度上做出了差异化。
（一）RAG增强意图识别
这是Marco最核心的技术差异。Dify、Coze、FastGPT的Agent意图识别全部依赖LLM自身的识别能力——模型觉得"用户可能想查天气"就调天气工具，"觉得用户可能在想计算"就调计算器。问题是LLM的意图识别不稳定：同样的用户输入，十个模型可能给出八种判断。而且工具越多、识别越飘。
Marco用内置RAG引擎做意图识别，把规则、案例、工具说明全部结构化存进知识库，用户提问时先检知识库匹配意图、再调对应的插件。好处是：意图上新改知识库就行，不用重训模型；识别过程可追踪、可调试；系统规模大后维护成本远低于纯LLM方案。
（二）工程行业资源沉淀
通用平台的死穴是不具备专业知识。工程设计领域的MCP工具、Skill插件有极高的专业壁垒——DL/T规范检索、三色分区承载力评估、变压器负载率校核——这些不是写几行Prompt就能解决的问题。Marco在与各大设计院和工程公司合作的过程中，把行业专业能力抽象成了可复用的知识库和插件，用户开箱即用。
（三）企业级资源治理
Coze偏C端场景，Dify和FastGPT提供基础管理能力。Marco从设计之初就面向企业环境——标签、状态、版本、权限、资源监控，覆盖AI应用全生命周期的治理需求。
结语
从模型到应用，Marco用六项核心能力和一条5步路径回答了一个行业级难题：AI能力怎么组合成可交付的产品。如果你正在对比选型，不妨先想清楚：你是需要一个"能聊天就能用的Bot"，还是一个"能支撑50个智能体同时运行且可治理的平台"？
答案不一样，选型就不一样。
本文FAQ
Q1：Marco和良策金宝AI是什么关系？
Marco是良策金宝AI产品体系的中台/底座层。底层是自研工程大模型和自研CAD图纸模型，上层是各AI应用（智能文档、CAD图纸识别生成等），Marco在中间负责所有智能体的编排与运行。可以理解为：模型是发动机，Marco是变速箱和方向盘。
Q2：Marco和Dify、Coze比有什么优势？
三点核心差异：①RAG增强意图识别——比纯LLM识别更准、更省token、更易维护；②工程行业MCP/Skill资源沉淀——通用平台做不到；③企业级资源治理能力——标签/版本/权限/监控一应俱全。
Q3：Marco需要写代码才能用吗？
不需要。Marco支持低代码+零代码双模式：业务人员用拖拽组流程，技术团队用代码节点做复杂逻辑。一条工作流里可以有LLM节点、HTTP请求节点、代码执行节点混排，每种节点面向不同角色。
Q4：Marco支持哪些模型？
OpenAI、DeepSeek、百度文心、阿里通义千问、智谱GLM等主流厂商的LLM、Embedding、Rerank、语音和图像模型。统一接入管理，连通性一键校验。
Q5：Marco能做出来就直接用吗？
平台本身已上线，但从模型接入→知识库配置→插件创建→智能体配置→发布使用，需要根据业务场景完成配置。对于工程设计场景，良策金宝AI已提供了70亿token电力工程语料和预设知识库，开箱即可用。
