真正會做事的 AI

Meta Agent Workflow

像招募員工一樣，用「講的」就能打造會做事的 AI 工作流程

一般聊天機器人只會一問一答；Meta Agent Workflow 打造的，是一條會照步驟把工作完成的 AI 工作流程
你用白話描述需求，它就拆解成一連串步驟（理解需求 → 知識圖譜建立工作流 → 執行工作 → 產出結果），先確認條件成立才動手，一步步把事情做完，例如幫旅行社算報價、幫客服查訂單並處理退換貨。

• 用「講的」就能建立會做事的 AI 工作流程，全程不用寫程式
• 流程每一步都先把關、再執行，答案不亂編
• 企業知識與資料貫穿「聽需求・把關・執行」全程
• 要調整時用對話就能改，不必重做
• 換產業只要換知識，不必重寫程式碼
• 每個客戶的資料與權限彼此隔離

與市場差異化：市面上多數「AI Agent」是把多段 prompt 串成一次無法檢查的生成——路徑由模型在執行當下自己決定，你拿到的只有最後答案，中間沒有一步能獨立驗證。Optimus 是可組裝的工作流程，每一步都是明確、可檢視、可替換的單元，兼顧 AI 的靈活與答案的可靠。

Ontology

知識圖譜加上形式邏輯推理引擎——答案不是查出來的，是推導出來並證明成立的

一般 AI 找資料只比「意思像不像」。遇到條件講死的問題——「5 天、兩人、預算 3 萬、有一位對海鮮過敏」——它只能猜，再叫自己檢查自己；而語言模型本質是機率，同一道題今天算對、明天可能算錯。Ontology 把企業知識整理成一張定義清楚、有實體與關係與規則的知識圖譜，並在上面跑一顆形式邏輯推理引擎：AI 只負責被呼叫一次，把需求編譯成一條規則；之後所有比對與推導都在一般 CPU 上執行，0.2 毫秒內把所有條件驗完、不花一個 token。答案不是「看起來對」，是被證明成立。

• 會推理，不只會比對——能從「A 在 B 結束時仍營業、B 與 C 同一區、C 沒有過敏原」推導出結論，而不是找一段字面相近的文件交差
• 該守的條件，一條都不會被跳過——安全、法規、預算、時間這種不能退讓的條件，只要算不過就是不成立，AI 沒有放行的權力
• 找不到也不亂編——沒有完全符合的方案時，不能退讓的條件照樣守住，只把「有更好、沒有也行」的偏好依序放寬並標示取捨，給出最接近的可行方案，而不是捏一個出來
• 每個答案都追得回來——追得到是哪一條規則、哪一筆資料讓它成立：可解釋、可稽核，不是黑盒子
• 沒有的資料不會被拿來編——組流程前先反查圖譜「這個領域到底有沒有這種資料」；沒有航班資料，它連「訂機票」這一步都生不出來
• 驗過的邏輯會被記住——相同結構的問題直接重用已驗證的規則、完全跳過模型，系統跑得越久越省、越快
• 換產業改知識、不改程式——換成醫療排程或婚禮企劃約一週的圖譜工作，而不是四到八週的提示工程重寫
• 不綁語言——圖譜記的是概念與關係，不是特定語言的說法

與市場差異化：市場主流做法是把規則寫進 prompt，再請模型「自我反省」有沒有違規——那是拿機率去保證確定性。Optimus 把該算的交給形式邏輯、把該想的留給 AI：該準的地方 100% 準，該有彈性的地方仍然靈活。

MCP · Model Context Protocol

AI 世界的「通用轉接頭」，把企業既有系統接上 AI

企業早就有訂單、庫存、客戶、ERP 等系統。MCP 是一套業界通用的「轉接頭」標準，讓 AI 不用改動這些系統，就能安全地讀資料、甚至代為下單。例如我們把一套旅遊 ERP 包成 AI 可用的工具，新增功能只要改設定、不必重寫程式。

• 用業界通用標準接上企業系統，不必更換原系統
• 一套旅遊 ERP 已接成 AI 工具
• 加功能改設定就好，不必重寫程式

Frontier / Local / Hybrid 智慧調度

隱私資料在送給雲端模型之前，一定先去識別化

金融、醫療、政府最在意的一件事，就是「資料不能外流」。但「全上雲」品質好卻有疑慮，「全地端」安全卻綁手綁腳。Riversoft 不做二選一：系統會依任務難度與資料敏感度自動調度——最敏感的留在企業內部的 Local 模型；需要複雜推理時才走 Frontier 雲端模型，而且送出前先做去識別化（遮蔽姓名、身分證號、聯絡方式等個資），還原對照只留在企業端。雲端模型永遠看不到可識別到人的資料。

• 去識別化後才送雲端模型，還原對照留在企業端
• Local：敏感任務用企業內部模型，資料完全不出境
• Frontier：複雜推理交給雲端前沿模型，品質不打折
• Hybrid：依任務與敏感度自動選擇，不必人工判斷
• 元件可裝進客戶自己的機房，每個客戶資料嚴格隔離

與市場差異化：不只提供雲端單一形態，從設計就把「資料主權」放進來——同時拿到雲端模型的品質與地端的隱私保障。