01
为团队建立统一的 AI 入口
现有问题
不同应用可能使用不同模型供应商与 API 协议，团队需要统一接入与分发这些能力。
应用方案
通过 AI Gateway，以 OpenAI Chat Completions、OpenAI Responses 和 Anthropic Messages 发布模型与工作流，同时把完整会话沉淀到 PostgreSQL。
01应用与 Agent
↓
02AI Gateway
↓
03模型与已发布的工作流
↓
04PostgreSQL 中的会话数据
使用场景
统一接入模型，让每次调用成为应用的起点。
从统一的 AI 入口开始，围绕任务组合模型，把持续积累的会话数据用于分析、优化与业务应用。
02查看工作流示例 →
让不同模型协作完成一个任务
现有问题
规划、执行与审查，对模型能力和成本的要求各不相同。一个任务的所有步骤不必都由同一个模型完成。
应用方案
通过工作流让主模型负责规划、工作模型负责执行，再审查最终结果。将它发布成一个虚拟模型，也可以把工作模型作为主模型按需调用的工具。
01主模型：规划任务
↓
02工作模型：执行任务
↓
03审查执行结果
↓
04返回虚拟模型响应
03
用会话数据构建 AI 优化闭环
现有问题
改进 AI 应用，需要了解用户提出了什么问题、Agent 如何回答、哪些任务失败，以及资源消耗发生在哪里。
应用方案
以 PostgreSQL 中的完整会话为基础，构建自己的使用、质量与成本分析，并将发现用于优化 Prompt、Harness、路由策略与模型组合。
01AI 使用
↓
02完整会话数据
↓
03分析问题与机会
↓
04优化 Prompt、路由与工作流
04
构建能被 Agent 使用的业务应用
现有问题
完整的 AI 应用还需要业务数据、API 和可用的界面，这些能力需要与模型和工作流连接起来。
应用方案
组合动态 PostgreSQL 业务表、API-first 后端、工作流与 React Blocks，通过 MCP 的 list / get / call 发现和调用已暴露的能力。应用模板与降低源码上下文依赖仍在完善；当前构建复杂应用时，建议让 Agent 在项目上下文中工作。
01业务数据模型
↓
02API 与 AI 工作流
↓
03React 应用界面
↓
04通过 MCP 接入 Agent