Lovrabet（云兔）介绍
TIP
Lovrabet（云兔） 是从旧资产激活、业务流程 AI 化，到组织经验资产化的企业运行平台。 它帮助企业把已有系统、数据、流程和经验，转化为 AI 能理解、能执行、能沉淀、能复用 的运行能力。
Lovrabet 是什么
Lovrabet 是面向企业旧资产激活、业务流程 AI 化和组织经验资产化的 AI-Native 企业运行平台。
它不要求企业推倒重来，也不是在旧系统旁边外挂一个聊天框。Lovrabet 从企业已有数据库、旧系统、API、SQL、流程文档和人的经验出发，通过 DBAgent 逆向解析、业务模型、运行态 Agent、Skill、知识库和企业级工程底座，让 AI 真正进入业务主流程。
简单说，Lovrabet 帮企业完成一条转化链路：
旧资产接入
→ AI 理解业务模型
→ AI-Native 系统
→ Skill / 知识库沉淀
→ 企业能力持续复用这不是“更快生成一个传统系统”，而是 让企业系统从“记录结果”升级为“参与执行”，让 AI 从“回答问题”进入“完成业务”。
Lovrabet解决什么问题
企业 AI 落地，卡住的不是模型
过去二十年，企业建设了大量 ERP、CRM、OMS、WMS、财务、审批、项目和运营系统。它们记录了订单、客户、库存、审批、合同、回款和经营结果，也沉淀了大量真实业务规则。
但这些系统大多仍然是为“人操作”设计的：人理解字段，人切换系统，人判断规则，人推进流程，人把经验带走。AI 即使很强，也经常只能停留在外围：写报告、做总结、回答问题、辅助开发，却难以真正进入企业业务主流程。
真正的障碍不是企业没有 AI，而是企业底座还没有准备好让 Agent 运作：
- 数据有很多，但缺少业务语义。
- 系统有很多，但流程动作不可稳定调用。
- 经验很宝贵，但留在人脑、聊天记录和临时文档里。
- 权限、审计、事务、规则和风险边界没有进入 AI 执行链路。
Token 在烧，数据没动
很多企业已经开始持续消耗 AI Token，但消耗本身并不等于生产力。真正要看的是：这些 Token 是停留在办公旁路，还是进入订单、客户、审批、风控、交付等业务主流程。
| 现实卡点 | 典型现象 | 企业正在发生什么 | 为什么影响 AI 落地 |
|---|---|---|---|
| Token 还在办公旁路 | 60%-70% 的 AI 消耗仍集中在非生产型场景 | 会议纪要、周报、PPT、报告生成、简单查询、文档整理等任务变快了，但人仍在系统之间复制、提交和追踪。 | 价值间接，难以对应收入、成本、风险、履约和状态写回，AI 没有真正推动业务运行。 |
| 核心数据与逻辑被锁住 | 最有价值的数据和业务规则，往往在“不敢改”的存量系统里 | 依赖关系复杂、缺少测试和回滚、字段没有业务语义，系统能记录结果，却很难被 AI 安全理解和调用。 | AI 吃不到真实业务语义，也无法稳定调用流程动作，只能停留在外围辅助和表面改造。 |
TIP
企业 AI 真正要解决的，不是“再多接几个 Agent”，而是让 Token 流向业务主流程，并安全激活被旧系统锁住的数据、语义和流程动作。
传统业务流程中单点提效无法改变企业整体的业务效率
企业沉淀的数据被锁死，未能成为生产资料
企业里73%的数据都处于沉睡状态，而过去的系统是为了人类操作而设计，无法让AI Agent所访问，AI虽然聪明但无法获取到企业私有数据，无法进入企业业务流程，导致企业AI落地过程中只能完成非生产场景，例如行政办公、PPT制作、会议纪要、周报月报编写和汇总，以及生图、生视频等场景。
VibeCoding交付的依然是传统的记录型系统，依然靠人在维护系统
Lovrabet不是 AI Coding平台
如果企业只是希望写代码更快，通用 AI Coding 工具已经足够好。
如果企业只是希望生成页面，传统低代码或页面生成工具也能覆盖一部分需求。
Lovrabet 面向的是更深一层的问题：企业如何让 AI 理解自己的业务对象、指标口径、权限边界、流程动作和组织经验，并在可控边界内持续运行。
| 常见方案 | 主要价值 | 局限 |
|---|---|---|
| AI Coding | 帮开发者更快写代码、理解代码 | 不能自动获得企业业务语义，也不直接解决运行态执行 |
| 低代码 / 页面生成 | 更快搭建表单、列表和后台页面 | 中心仍是页面配置，不是业务模型、执行资产和经验沉淀 |
| 外挂 AI 助手 | 在旧系统外回答问题或生成建议 | 能建议，但不一定能调用系统、写回结果、留下可复用路径 |
| Lovrabet | 从旧资产出发，建立 AI-Native 企业运行能力 | 围绕真实业务场景完成接入、建模、验证和沉淀 |
Lovrabet 可以生成页面，也可以提供 CLI、API、Skill 和后端函数，但这些不是主角。主角是企业自己的业务能力：被理解、被执行、被沉淀、被复用。
Lovrabet 如何工作
从数据库理解旧系统
企业最真实、最稳定的业务结构，往往已经沉淀在数据库里。客户、订单、库存、审批、财务、项目、商机、回款等业务对象，长期以表结构、字段、关系、SQL、接口和历史数据的形式存在。
DBAgent 从这些旧资产出发，自动识别表结构、字段含义、表间关系、业务对象、指标口径和权限线索，把物理数据结构翻译成 AI 能理解的业务模型。
这一步的价值是低风险、低迁移成本：旧系统继续运行，企业不必先停机重构，也不必一开始就替换现有系统。
让 AI 从“给建议”进入“做事情”
很多 AI 产品可以告诉业务人员“应该怎么做”，但企业真正需要的是把事情做完。
在 Lovrabet 中，业务人员提出目标后，Agent 可以基于业务模型理解任务，调用经过授权的数据、接口、SQL、BFF、Backend Function、页面或 CLI 工具，完成查询、分析、校验、流程推进、消息同步和系统写回。
人在关键节点保留判断权：确认风险、确认影响面、处理异常情况。AI 承担重复执行和初步分析，人负责关键门禁和最终责任。
把专家经验沉淀为组织资产
企业最值钱的不只是数据，还有人的判断、处理异常的方法、跨部门协作路径和长期积累的业务 SOP。
Lovrabet 会把真实任务中的成功路径、纠偏过程、指标口径、业务规则和专家判断，沉淀为 Skill、知识库、页面、看板或可复用流程。下一次类似任务不需要从头开始，团队可以复用已有方法，并在新的执行反馈中继续优化。
这让企业不再完全依赖少数高手的个人经验，也降低了经验随人员流动而流失的风险。
Lovrabet 的 3 + 1 能力体系
| 模块 | 面向客户的价值 | 典型结果 |
|---|---|---|
| 1. DBAgent：基于数据库的逆向引擎 | 不推翻旧系统，从现有数据库和系统中理解业务 | 业务模型、语义层、数据关系、指标口径 |
| 2. 企业数字员工：业务流程 AI 执行 | 人提出目标，AI 执行流程并交付结果 | 问数、分析、校验、流程推进、结果写回 |
| 3. 知识萃取：专家经验持续沉淀 | 把成功路径和业务 SOP 变成可复用资产 | Skill、知识库、页面、看板、团队流程 |
| +1. 企业级运行底座 | 让 AI 执行可控、可审计、可扩展 | 权限、审计、SQL、BFF、Backend Function、CLI、SDK |
前三层让业务看到价值，企业级运行底座保证这些价值能进入真实生产环境。
产品能力介绍
TIP
**产品能力总览：**Lovrabet 的能力不是孤立功能点，而是一组先让业务看见价值、再让工程长期可控的完整工具链：从“理解旧系统”开始，进入“AI 执行业务流程、沉淀组织经验、生成和另存业务页面”，最后落到“研发态工程交付、AI 友好接口、后端函数和企业级 B 端架构”。 客户可以从一个业务场景切入，逐步把数据、流程、页面、API、函数、CLI 和 Skill 组合成自己的 AI-Native 业务系统；业务人员优先获得可执行、可复用的业务能力，技术团队在后续用 Rabetbase-CLI、Instant API、Backend Function 和企业级架构底座把这些能力稳定交付。
1. DBAgent：先把旧系统读懂，再谈 AI 落地
INFO
**客户痛点：**企业最核心的业务逻辑，往往藏在老数据库、历史字段、SQL 和少数老员工经验里。AI 接不进去，也读不懂。 **Lovrabet 能力：**DBAgent 从数据库和存量系统反向理解业务对象、关系、指标口径和权限线索，把旧系统升级成 Agent 可用的业务底座。
视频演示：传统存量数据库，直接生成AI-Naitve业务系统底座
- 不推翻旧系统，不先做大规模迁移，从企业最稳定的数据层开始
- 把表结构、字段、关系翻译成客户、订单、库存、审批等业务对象
- 同一套业务理解可输出给问数、页面、API、Skill 和 Agent 调用
2. 业务系统Agent：不只是给建议，而是真的把活替你干了
INFO
**客户痛点：**普通 AI 能分析、能建议，但真正改状态、发起流程、写回系统，最后还是要人切回业务系统手动处理。 **Lovrabet 能力：**运行态 Agent 在授权边界内调用数据、接口、SQL、BFF 和 Backend Function，把“建议”变成“已完成的业务动作”。
- 围绕真实业务对象完成查询、分析、校验和流程推进
- 关键节点保留人工确认，避免黑盒自动化
- 执行结果可写回系统，并留下过程记录和复用路径
3. Lovrabet-CLI：让每个岗位都能编排自己的 AI 业务流程
INFO
Lovrabet提供了CLI、MCP、OpenAPI等开放体系，连接企业多年沉淀的业务数据和AI生态，能够在WorkBuddy、Traework、Codex APP等客户端里完成业务流程，实现企业业务流程AI化。
- 在WorkBuddy、Trae Work、Codex App等Agent客户端完成企业业务流程
- 支持跨系统的查询、分析、通知、文档整理和邮件交付
- 把一次性操作沉淀为可重复调用的流程和 Skill
3.1 视频演示：在飞书里操作Lovrabet开发的业务
3.2 视频演示：WorkBuddy中访问企业CRM系统
4. Skill 与知识库：把高手方法留在系统里，而不是留在人身上
INFO
**客户痛点：**企业最难复制的不是系统功能，而是高手如何判断、如何纠错、如何把复杂事情做成。 **Lovrabet 能力：**系统从真实执行中识别稳定路径，经用户确认后沉淀为 Skill、SOP 和知识资产，让团队下次直接复用。
- 从多轮会话、工具调用和人工确认中识别稳定处理路径
- 有价值又繁琐的处理，可自动提醒保存为可复用流程
- 每次复用后的反馈继续校准，让组织能力越用越强
5. 页面另存与沉淀：把一次有效处理变成团队入口
INFO
**客户痛点：**很多临时分析、专题看板和流程页面一开始来自一次具体业务处理。如果每次都停留在聊天记录或截图里，下次团队还要重新问、重新查、重新整理。 **Lovrabet 能力：**当某次对话、查询或执行结果被验证有价值后，业务人员可以把它另存为页面、看板或团队入口，让一次有效处理沉淀为可复用资产。
- 把临时分析、专题看板、流程追踪结果沉淀为可访问页面
- 页面保留业务上下文、数据口径和权限边界，下次团队可直接复用
- 真实使用反馈会继续反哺页面和 Skill，让团队工具越用越准
6. 自然语言生成业务页面：像交代任务一样把页面做出来
INFO
**客户痛点：**业务人员经常只需要一个给自己用的数据查询页、临时报表、轻量表单或专题工作台，但传统方式要先写需求、解释字段、画原型、等开发，需求在翻译过程中还容易失真。 **Lovrabet 能力：**业务人员可以直接用自然语言描述想要的页面。Lovrabet 不是从空白界面开始猜，而是基于业务模型和模型地图理解业务对象、字段关系、指标口径、权限边界和可执行动作，因此生成的页面更贴近真实业务。
- 一句话生成给自己用的数据查询、报表、临时表单、专题看板或流程页
- 自动匹配业务对象、字段、筛选条件、操作按钮和权限范围，减少需求翻译成本
- 业务人员可以快速试错和验证想法，技术团队则聚焦模型治理、组件标准和安全边界
7. SmartList：让大厂级 B 端列表能力成为默认标配
INFO
**客户痛点：**B 端系统里大量工作都发生在列表页：查询、筛选、导出、批量操作、状态流转、权限控制，但普通项目每次都要重复开发。 **Lovrabet 能力：**SmartList 围绕业务对象自动生成可管理、可分析、可执行的企业级列表页，让高频业务能力快速落到团队工具里。
视频演示：快速生成标准业务列表页（默认多表查询）
- 面向订单、客户、项目、审批、库存等高频业务对象
- 默认沉淀智能查询、多表关联、权限、批量操作、导出和视图复用
- 把高频对话需求固化成页面、看板和团队操作入口
8. Rabetbase-CLI：把业务模型变成可交付的工程资产
INFO
**客户痛点：**行业系统往往有非常复杂的业务逻辑，开发者如果缺少业务模型、数据库信息、后端函数、SQL 库、SDK 与文档等上下文，AI Coding 很容易停留在“会写代码，但不懂业务交付”的阶段。 **Lovrabet 能力：**Rabetbase-CLI 面向研发人员，连接业务模型和工程代码，让开发者在 Cursor、Claude Code、Codex 等 Vibe IDE 中完成数据库分析、业务建模、页面生成、SQL/BFF 开发和交付发布。
- 在熟悉的 AI Coding 环境中完成 95% 研发态操作，无需频繁回到 Lovrabet 平台后台。
- 把业务模型、数据库信息、后端函数、SQL 库、SDK 与文档等上下文带入 Agent，减少幻觉和重复解释。
- 20+ 专业研发 SOP、60+ 命令操作指引，让数据库分析、BFF、SQL、页面、菜单等交付动作变成可执行流程。
9. Instant API：把业务模型变成 AI 友好的标准接口
INFO
**客户痛点：**企业不是没有数据和系统，而是每次让 AI 或新应用调用业务能力时，都要重新理解表关系、权限、字段口径和接口规则，集成成本高、结果也不稳定。 **Lovrabet 能力：**基于 DBAgent 解析出的业务模型和业务语义，自动生成面向 AI 友好的 Instant API，让 Agent、MCP、WebAPI、OpenAPI 和多端 SDK 可以用统一、可理解、可治理的方式调用企业数据与业务动作。
- 基于业务对象与语义生成 API，默认支持多表关联查询和业务口径表达
- 接口天然携带权限、安全、文档和调用规范，减少重复集成与人工解释
- 复杂业务逻辑可通过 Backend Function 扩展，形成“模型 + API + 函数”的稳定能力层
10. Backend Function：把关键业务动作变成 AI 可安全调用的服务
INFO
**客户痛点：**写回订单、触发审批、扣减库存、生成账单这类动作不能让 AI 临时拼接口，更不能直接改数据库。 **Lovrabet 能力：**技术团队把关键业务动作封装为 Backend Function，让 Agent 调用的是稳定、可授权、可审计、可回滚的业务服务。
- 脚本名直接发布为页面、Webhook、Agent、Skill 和 CLI 可调用 API
- 支持 Before Hook、After Hook、事务、通用逻辑和 CLI 发布流程
- 技术团队沉淀的是可复用业务服务，而不是一次性项目代码
11. 企业级B端架构
- 通过逻辑上移（Logic Shift Up）将复杂的业务逻辑封装为原子化能力，让业务开发更高效、更易维护。
- 可独立部署，分布式事务保障数据一致性，多租户逻辑隔离和乐观锁并发控制，满足企业对高可用、高并发、高安全的严苛要求。
- 工程规范体系保障代码质量与长期可维护性。强类型契约约束确保接口安全，统一异常处理机制提升健壮性
业务人员会感受到什么变化
过去，业务人员往往需要在多个系统之间反复切换：查数据、复制结果、填写表单、发起审批、通知同事、跟踪状态，再把经验写进文档或留在聊天记录里。
使用 Lovrabet 后，业务人员可以直接描述目标：
- “帮我找出昨天退款订单中质量问题占比最高的品类，并整理给品控负责人。”
- “根据这份保险产品规则，生成上架所需的配置和校验项。”
- “把这个客户的历史沟通、订单、回款和风险点整理成跟进计划。”
- “把本周项目延期风险汇总出来，并提醒相关负责人补充原因。”
Agent 不只是回答，还会在企业授权边界内查数、分析、调用系统、生成结果、推动流程，并 把稳定有效的处理路径沉淀下来。
技术团队会获得什么
Lovrabet 不是绕过技术团队，而是放大技术团队的价值。
企业级业务不能靠 AI 每次临时猜接口、临时拼 SQL、临时改系统。复杂业务需要稳定的权限、审计、事务、幂等、状态流转和工程边界。
技术团队可以用 Lovrabet 的开发态能力，把关键业务能力封装成确定性执行资产：
- 用自定义 SQL 固化可信的数据口径和指标计算。
- 用 BFF 编排面向业务场景的接口。
- 用 Backend Function 承接写回、审批、库存、结算、风控等关键动作。
- 用 Rabetbase-CLI 管理接库、建模、页面、SQL、BFF 和发布流程。
- 用权限、审计和风险门禁保证 AI 执行可控。
这样，业务人员表达目标，Agent 负责连接目标与执行资产，技术团队负责治理边界和关键能力沉淀。
对企业管理者的价值
对老板和业务负责人来说，Lovrabet 不只是多了一个 AI 助手，而是让企业运行过程变得更可观察、更可校准、更可沉淀。
过去管理者通常只能看到结果报表，却很难看到结果如何形成：团队查了哪些数据，依据什么口径判断，哪些流程反复制造低效，哪些高手方法值得复制。
Lovrabet 让这些过程逐步留下系统化痕迹：
- 看见团队和 Agent 围绕哪些业务对象、指标和问题工作。
- 看见高绩效人员如何分析、判断和执行。
- 把优秀路径沉淀为 Skill、SOP 和知识资产。
- 判断组织执行是否与经营重点一致。
- 发现哪些流程、系统和协作链路在反复制造低效。
这类价值不是一张更漂亮的报表，而是 让企业从“看结果”走向“看运行”，从“依赖个人经验”走向“沉淀组织能力”。
典型落地场景
旧系统翻新
老系统仍在运行，但文档缺失、逻辑分散、没人敢改。Lovrabet 从数据库和现有系统反向理解业务结构，在不推翻旧系统的情况下，把旧资产升级为 AI 可理解、可调用、可持续演进的业务能力。
业务流程 AI 执行
业务人员不再只问“这个数据怎么看”，而是可以要求 Agent 完成一段流程：查询、归因、生成材料、通知相关人、写回业务系统，并在关键节点保留人工确认。
组织经验资产化
高绩效员工的判断路径、专家的处理经验、团队反复执行的 SOP，不再只留在个人脑子、聊天记录和临时文档中，而是沉淀为 Skill、知识库和可复用流程。
ISV 交付升级
软件公司不再每个项目从零交付页面、接口和报表，而是把行业 Know-how、客户场景、数据口径和业务动作沉淀为行业 Agent、Skill、函数和模板，从项目交付走向资产化交付。
如何开始
Lovrabet 的落地不需要一开始大动干戈。更适合的方式，是从一个高频、明确、能闭环的业务场景开始：
- 选择一个真实业务问题，例如退款归因、保险产品上架、客户跟进、项目风险、运营分析。
- 接入最关键的一套旧系统、数据库或业务表。
- 用 DBAgent 建立初版业务模型和语义层。
- 跑通一条真实执行闭环：问数、分析、校验、写回或交付结果。
- 把成功路径沉淀为 Skill、页面、报表或后端函数。
- 用真实运行结果扩散到更多团队和场景。
每跑一圈，业务沉淀一次，组织 AI-Native 能力增强一点。
十二、最终判断
AI 时代，企业的差距不只在模型能力，而在底座是否 AI-Native。
Lovrabet 的价值，不是让企业更快交付一个传统记录型系统，而是 让企业已有的数据、流程、系统和经验，真正变成 AI 能理解、能执行、能沉淀、能复用、能持续进化的企业能力。
旧系统不是包袱，而是企业 AI-Native 化最真实的起点。
人的经验不是只能留在人脑里，而是可以沉淀为组织资产。
AI 不应只做顾问，而应在可控边界内参与业务运行。
INFO
**最终判断：**Lovrabet 要帮助企业完成的升级，不是把传统系统交付得更快，而是让企业系统真正 AI-Native。 旧系统不是包袱，而是企业 AI-Native 化最真实的起点；人的经验不是只能留在人脑里，而是可以沉淀为组织资产。