Beaver Agent Sandbox
为企业提供可私有部署、可追踪、可验收、可复用的 AI Agent 工作台，让智能体真正进入业务流程，而不只是停留在聊天窗口。
why now
模型回答看起来合理，但缺少任务状态、修改闭环、产物管理和用户确认。
chat-only工具用了什么、文件改了什么、依据来自哪里，常常没有清晰证据链。
black box一次成功交付没有沉淀成团队方法，下一次仍然依赖人工提示和临场判断。
one-off把智能体运行所需的任务、工具、文件、记忆、技能、验收和多实例部署统一到一个可控沙盒里。
positioning
判断用户是在普通对话，还是在交办需要持续完成的任务。
按任务选择模型、技能和工具，处理文件、搜索、终端或外部连接器。
记录过程、工具调用、子任务、产物、通知和执行证据。
支持满意、修改、放弃，让用户反馈成为质量闭环。
把被认可的工作方法转为技能和长期记忆，形成组织资产。
每个用户/团队可拥有独立 app-instance。
文件、配置和运行数据在实例边界内管理。
AI 产出以用户是否认可作为闭环信号。
成功任务经验可持续复用。
product modules
会话、附件、Agent 运行过程、当前任务进度和验收操作。
普通任务、定时任务、任务详情、时间线和结果验收。
上传、目录管理、Markdown/文本/图片预览、下载和删除。
企业技能库、草稿评审、发布门禁和技能安装。
MCP 工具配置、工具详情、测试、编辑和删除。
周期任务、主动提醒、运行记录和后续修改。
Outlook 等外部系统接入，承接邮件、日历和业务入口。
模型供应商、Agent profile、通道、系统状态和运行参数。
use cases
梳理需求、拆任务、生成方案、跟踪修改意见，把交付过程沉淀为可复用模板。
定时触发数据整理、状态汇总、风险提醒和通知推送，减少重复人工跟进。
围绕 workspace 文件、历史任务和业务知识进行整理、摘要、审查和产物生成。
分析代码、执行命令、读取日志、记录证据，为工程团队提供可追溯协作。
沉淀客户上下文、准备沟通材料、跟踪待办，并与邮件日历等连接器协同。
让不同团队共用安全边界、工具管理、技能市场和多模型供应商策略。
competitive edge
deployment model
用户注册、登录、进入模型配置引导。
管理账号、内部身份和 backend 注册。
为用户创建独立 app-instance 容器。
按实例域名把流量分发到对应容器。
前端、后端、workspace、文件、技能和配置在实例内运行。
最小部署基于 Linux/WSL2 + Docker，可放在企业自有环境或云主机。
每个 app-instance 有自己的 workspace、配置和运行数据边界。
模型 provider 可配置，支持后续成本、速度和质量策略。
trust and control
任务、工具调用、产物和结果进入时间线。
用户可接受、要求修改或放弃任务。
文件与配置在实例边界内管理。
MCP 工具可测试、编辑、启停和审查。
learning moat
沉淀用户偏好、组织知识、历史任务、文件产物和工具经验。
把被认可的任务方法转为技能候选、草稿、审核和发布。
让团队安装、复用和管理已验证的技能与工具能力。
第一次交付依赖人工指导，第二次开始复用技能和记忆，长期形成企业自己的 AI 工作方法库。
current readiness
business value
将多步骤知识工作从人工串联变成 AI 协作执行。
任务时间线和证据链降低黑盒风险。
技能和记忆让团队避免重复提示和重复摸索。
模型供应商可配置，为后续质量/成本路由打基础。
pilot plan
选择一个高频、跨工具、需要验收的部门流程，例如周报、方案交付或文件处理。
在客户环境部署 Beaver，配置模型 provider、用户入口和实例域名。
接入文件、搜索、邮件日历、MCP 工具或企业内部系统。
把试点成功流程整理成技能，建立可复用的企业 Agent 模板。
第一阶段先做 2-4 周试点，验证一个部门流程；第二阶段扩展连接器、权限策略和技能市场；第三阶段接入长期记忆管理。
把企业 AI 从“会回答”升级为“能执行、可验收、可追踪、会复用”的智能体工作台。