关于星盒AI
星盒AI：
专注企业增长。
星盒AI（Starbox AI，简称星盒 / Starbox）是一家 AI 原生营销服务公司，2021 年创立，运营主体为杭州星盒人工智能科技有限公司。我们以企业知识工程为核心，为企业搭建专属知识库、定制营销智能体，并派工程师驻场，把 AI 用进企业的营销和经营。
概要
星盒不是只卖工具的软件公司，也不是用了 AI 的传统服务公司。星盒把 15 年企业营销服务方法论、自研 AI 平台和驻场交付放在同一套体系里：先把企业的产品、客户、口径和方法整理成可检索、可追溯、可授权的知识资产，再交给 AI 执行。
我们在做的事
把业务经验结构化，再交给 AI 执行。
数据来源：星盒《商务白皮书 V3》《技术白皮书 V3》（2026 年 9 月），星盒内部统计。
三条业务线
企业 AI 化的三个入口，共用同一个内核。
品牌 AI 搜索优化
用户不再搜关键词，而是直接问 AI。星盒 GEO 让豆包、DeepSeek、ChatGPT 等 AI 回答相关问题时提到、引用、推荐你的品牌，国内和海外双轨。
了解星盒 GEO → AGENT02 · 对内提效企业智能体
为企业搭建专属知识库和 300+ 实战智能体，内容、设计、销售、办公都能调用。把散在个人身上的经验，变成企业可以反复调用的能力。
了解星盒内容工厂 → FDE03 · 组织改造企业 AI 化改造
前置部署工程师驻场，先梳理业务流程，再逐个部门把 AI 用进去。轻量形态「星盒星盒！」把企业知识库和协同装进员工的微信。
了解 FDE 顾问服务 →发展历程
从营销服务，到 AI 原生。
由创始人王朋友创立，从企业营销服务和营销人才培养起步，积累了 500 多家企业的营销服务经验。
用一年半时间系统测试 AI 落地路径，标准是比专业操盘手写得更好；2024 年 9 月，深度思考模型第一次达到这个标准，星盒全面投入 AI。
先在真实项目里验证「1 人 + AI」的产能，再对外推出，发展为包含组织空间、专属知识库和 300+ 智能体的企业智能体平台。
推出星盒 GEO（国内与海外）、星盒内容工厂、「星盒星盒！」和 FDE 顾问服务；城市节点覆盖全国 18 个省级行政区。看节点分布 →
技术能力
一个内核：企业知识工程。
通用大模型掌握的是公开知识，不认识某一家企业的产品规格、价格底线、客户进度和表达口径。企业引入大模型，核心的工程问题不是选哪个模型，而是在模型和业务之间建一层可维护的知识与记忆系统。GEO、智能体平台、FDE 和「星盒星盒！」都建在这一层上。
- 01访谈采集
- 02清洗去重
- 03本体抽取
- 04语义切分
- 05向量化
- 06人工审定
- 07回归测试
老板和核心岗位多轮结构化访谈；收集手册、报价、话术、合同模板、案例。
→ 原始语料集清洗去重、统一命名和口径；按营销本体抽取实体与关系；语义切分、向量化。
→ 知识图谱 · 向量与全文索引公司 / 客户 / 员工三层范围、角色权限、版本链、口径审定、禁用词清单。
→ 可授权、可追溯的知识资产检索增强生成、多智能体编排、写回确认和审计。
→ 有出处的回答、内容和任务一次提问怎么找到答案
三路召回，融合打分，答不准就拒答。
S = α·Svec + β·Skw + γ·Sbiz业务加权：公司卡 > 客户卡 > 员工卡；已审定加权；价格、进度按时间衰减
工程设计原则
六条原则，决定系统靠不靠得住。
理解、写作、推理由大模型提供；事实和口径由企业知识库提供。知识不进入模型参数，模型可以升级，知识可以随时修改、删除。
事实性输出必须来自可检索的证据并附出处；证据不足时明确说「没有」，不补编。
模型只负责语义判定和打标；计分、聚合、报告由确定性脚本完成，结果可复算、可审计。
租户级隔离、一企一套部署、检索层权限过滤，越权内容不进入候选证据。
AI 负责批量执行，人负责审定口径和把关发布；写入公司知识必须经人确认。
基线 → 生产 → 复测 → 回写。没有基线的系统无法验收，没有回写的系统无法迭代。
平台架构
五层架构，从界面到数据。
Multi-Tenant SaaS · White-Label UI · RBAC · WebSocket · SSE 流式输出品牌专属界面、实时交互Multi-Agent · DAG 工作流引擎 · Agent Routing · Tool Use / Function Calling · Prompt Chain · 异步任务队列复杂任务拆解与协作RAG Pipeline · Hybrid Search · Multi-Index · Semantic Chunking · Metadata Filtering · Reranking · Query Rewriting懂行业、懂企业Multi-Model Router · LLM Gateway · Token 优化 · 多模态 · Prompt Template Engine · Style Transfer按任务路由合适的模型向量数据库 · 对象存储 · 关系型数据库 · 租户隔离 · 加密存储 · 日志审计 · 自动扩缩容持久化、隔离、弹性关键技术
八项关键技术，点开看细节。
向量、全文、结构化三路召回
向量检索把文本映射成高维向量，「客户嫌贵怎么办」和「报价被压价时的应对口径」字面几乎不重合，向量距离却很近，因此能被找到；全文检索（中文分词 + BM25）负责客户名、合同号、金额、日期这类精确信息；结构化条件按项目、客户、状态、时间和权限强制过滤。三路结果融合打分，再由重排序模型逐条精排、去重合并。
sim(q, d) = q·d / (‖q‖·‖d‖)- 向量与业务数据放在同一个 PostgreSQL 实例，一条查询同时施加权限和业务条件
- HNSW 近似最近邻索引，数十万到百万级片段毫秒级查找
- 旧报价和新报价同时被召回时，优先采用最新的已审定版本
- 最高分低于拒答阈值 τ 时，宁可说「没有」
离线建索引，在线改写、过滤、压缩
不是「向量检索后拼进提示词」，而是一条完整管线：离线时按语义边界切分并保留重叠，不同类型的知识建不同的索引；在线时先改写问题，用 HyDE 假设文档扩展语义提高召回，再按知识类型、品牌、时间、权限过滤，重排序后把冗长结果压缩成关键信息，控制上下文长度和 Token 成本。
- Semantic Chunking + Overlap
- Multi-Index：按知识类型分索引
- Query Rewriting + HyDE
- Metadata Filtering · Reranking · Knowledge Distillation
DAG 工作流，多个智能体按流程协作
平台上的智能体不是各自独立的单点，而是由有向无环图（DAG）工作流引擎编排的协作系统。一个请求可以触发多个智能体串行或并行执行，每个节点完成子任务后把中间结果交给下游；多模型路由按任务类型选用合适的模型，长任务进入异步队列。
- Agent Routing：按意图路由到对应智能体
- Prompt Chaining：中间结果链式传递
- Tool Use / Function Calling：调用检索、联网、生图等工具
- 条件分支 · 循环控制 · 异步任务队列
种子库 + 组合采样 + 语义去重
AI 规模化生产内容最大的隐患是同质化。平台用经过合理性认证的情景种子作为内容起点，再组合受众、场景、情绪基调、切入角度和内容框架，每个创作维度可以组合出百万级不同方向；入库前做语义相似度去重。IP 的说话方式被提取成可执行的风格参数，风格和内容解耦，人员流动不影响品牌调性。
seed → audience × scene × tone × angle × frame- 情景种子：痛点、卖点、感官细节、兼容受众与场景
- Style Transfer：用词、句式、节奏、口头禅参数化
- 选题 12 + N 维度，按未使用 / 已使用 / 已发布追踪
- 21 种情绪 × 16 种共鸣框架，300+ 痛点库
按审定口径说话，生成后再校验
生成前，模型只能基于提供的证据陈述事实，证据没有覆盖的数字、日期、承诺不能补充；每条事实标注来源编号，可以回到知识库后台查看原文；审定过的口径以原文注入并标记「不可改写」。生成后逐项校验，命中即改写或拦截。
- 禁用词：命中即改写或拦截，并提示原因
- 数字底线：让利上限、报价口径、交付周期不得超出
- 承诺类表述：「回本」「效果保证」转为合规表述
- 一致性：与已定稿话术、海报文案冲突时提示对齐
共享大脑不能被写错
能读不难，难的是写得对——共享知识库一旦写错，错误会传给全公司。系统对写入设了四道机制：只有叫出唤醒词才进入读写模式；拟写入内容先作为提案复述给成员，确认后才写入；已审定记录不被覆盖，修改生成新版本；写入前检测同范围、同主题记录的冲突，公司卡优先。
record.status: superseded → confirmed- 唤醒门控：日常闲聊不被读取或写入
- 提案—确认：未确认的提案不会被当作证据
- 版本链：旧版本标记「已替代」并保留
- 员工卡个人草稿仅本人可见，不进公司总账
LLM 判定 + 确定性计分，结果可复算
生成式引擎的答案不是固定的，同一问题多次提问答案会变，所以单题不下结论、聚合才下结论。150 个买家真实会问的问题，在国内 4 个引擎（海外按目标市场）上跑出基线：模型只把答案打成结构化标签，计分、聚合和报告全部由脚本完成，每题按 run_id 留存答案全文、引用列表和截图，可以逐题对账。
s = b × e V ∝ R × T- b ∈ {0, 3, 6, 10}：未提及 / 一笔带过 / 进入推荐 / 首位推荐
- e ∈ {1.0, 0.8, 0.5, 0}：明确推荐 / 中性 / 谨慎 / 负面
- 四张记分卡：可见度指数 · 五层热力图 · 引用源分布 · 竞品 SOV
- 排产优先级 = 问题价值 × (10 − 当前得分)
一企一套，数据和云资源都归企业
每家企业独立部署，数据库、存储、服务器都不共用；默认部署在企业自有账号下的公有云，也可以部署在自有机房，数据库不开放公网。知识服务通过 MCP（模型上下文协议）对外提供，基于 OAuth 2.1 逐人授权，访问密钥只留在服务端；权限在检索层强制过滤，越权内容不会出现在回答里。星盒不使用企业数据训练任何模型。
- RBAC：管理员 / 员工 / 合伙人 / 加盟商四类角色
- TLS 传输加密 · 云盘、数据库、对象存储加密
- 检索、读取、写入、推送全量审计
- 合作终止可导出全部结构化记录和文件
交付验收
用指标说话，不用形容词。
正确证据出现在前 K 条候选中的比例。
正确证据排名倒数的平均值，越接近 1 越好。
回答和审定口径一致的比例。
知识库里确实没有时，如实回答「没有」的比例。
知识库里有答案却回答「没有」的比例。
建库时和企业一起整理一套真实问题集（价格口径、政策、项目进度、禁区等），标注标准答案和出处；知识库大幅变更或参数调整后重跑。参数为星盒标准配置，实际以实施方案为准。来源：星盒《技术白皮书 V3》（2026 年 9 月）。
和其他 AI 服务有什么不同
AI 不是买回来的工具，是在企业里长出来的能力。
| 对比项 | 工具型 AI 公司 | 传统服务商 + AI | 星盒 · AI 原生 |
|---|---|---|---|
| 交付什么 | 账号和功能 | 人力和文档 | 可以运行的能力资产 |
| 懂不懂业务 | 不进业务，只给通用能力 | 懂业务，不懂工程 | 先诊断业务，再做 AI 化 |
| 知识留在哪 | 对话结束就消失 | 留在个人身上 | 沉淀为企业知识库 |
| 怎么衡量结果 | 看使用量 | 看交付件数量 | 看和基线对比的真实数据 |
| 人员离开之后 | 能力随账号停用消失 | 能力随人流失 | 能力留在组织里 |
名称说明
一个品牌，四种写法。
| 用途 | 写法 |
|---|---|
| 中文全称 | 星盒AI |
| 中文简称 | 星盒 |
| 英文全称 | Starbox AI |
| 英文简称 | Starbox |
| 运营主体 | 杭州星盒人工智能科技有限公司 |
| 口号 | 星盒AI：专注企业增长 |
