让AI查云资源，难点不只是读懂一句话，而是把问题翻译成系统真正认识的结构。Orca Security在10月13日披露Discovery AI的生产复盘：面对900多种资源模型，团队没有继续把全部定义塞进大模型，而是把查询拆成匹配、检索、选择、生成与验证。这个已投入生产的案例，展示了企业智能体如何从能演示走向可维护。

快速看点：明确的资源标识先走规则快路；有效示例和相关结构限制生成范围；静态与API验证之外，还需要权限约束和专家反馈，不能只凭一句“查询成功”判断交付完成。

900多种模型，指的是资源结构

Orca的Sonar是用于搜索和过滤安全数据的专用查询系统。这里的模型，是云实例、存储桶等资源类型及其字段和关系，不是900个大语言模型。用户查询需要准确指定结构名称、操作符及层级关系；自然语言表达轻松，系统执行却必须十分具体。

团队早期原型将大量结构定义和示例一次性放进提示词，证明自然语言接口有用，却也暴露了上下文冗长和复杂关系容易出错的问题。新的架构不把“窗口装得下”当作设计目标，而是只向生成阶段提供本次问题实际需要的信息。

这种区别也适用于企业数据库、产品目录和内部API。表名存在，并不说明表与表之间可以任意连接；字段看起来相似，也不代表业务意义一样。把全部定义交给模型自由猜测，和把有关的定义先挑出来，再限制它按定义构建结果，是两种不同的交付路径。

不必每次生成，规则与示例先分流

请求先携带用户组织、接入的云环境和必要上下文。对于IP、资源标识等高置信度结构化输入，确定性匹配可以直接形成预定义过滤条件，不必进入大模型推理。没有命中快路的请求，再进行相关性与安全检查，避免离题输入继续消耗后续步骤。

随后，系统召回20个经过验证的相近查询示例，并重排保留5个较相关的例子。足够可靠的匹配可以复用已有过滤条件，其余请求才进入生成。这里检索的是“类似问题如何表达成有效查询”，而不只是寻找一段讲安全概念的文字，RAG的业务对象因此更明确。

模型选择阶段再缩小所需资源结构，生成器拿到相关字段及连接关系。不同步骤可用不同模型承担，查询构建也可以迭代修正。真正可复用的原则是让每一步拥有窄目标和可检查输出，而不是把所有判断都集中到一次长回答里。

验证失败要回到定义，不是再猜一次

生成结果先做静态检查，再通过Sonar API验证。字段、模型和操作符必须能对应已选结构定义；错误信息会标出具体问题并返回生成器。修复次数到达上限仍无有效结果，就返回失败，而不是无休止重试。这样的闭环让失败可见，也让改错有依据。

但格式和语义检查不能替代权限。一个有效查询仍可能超出提问者应看的范围，或把资源关系理解得不完整。企业实施方需要让组织上下文与真实访问控制共同约束查询，把模型筛查作为附加防线，而不是认证与授权的替代品。查数据的助手也不应被直接等同于自动修改云配置的系统。

持续改进依靠领域专家。团队提供标注入口，让产品、支持和安全人员修正查询并补充示例；低置信匹配进入人工处理，新的有效案例再回到检索池。这样，业务专家的修正不只是一次聊天建议，而能成为后续查询可复用的材料。

生产评测也按问题类型、资源家族和复杂度切片，检查正确性、完整性与参考查询的语义一致性。一次总体分数上涨，仍可能掩盖某类多资源查询退步；提示词、模型或召回参数改变后，应回到相同切片观察。这比只在发布前展示几条顺畅演示更接近可靠交付。

小编判断：先减少猜测空间，再谈更强模型

这次新披露的是生产方法，不是把既有产品再次写成今天首发。成本与延迟的前后变化还需要完整样本、任务定义和计费条件才能公平比较；本案例不能证明所有企业只要增加检索就能获得相同收益，也没有给出可替代人工验收的通用准确率保证。

对FDE与企业实施团队，可复制的部分是分流策略、结构筛选、有限修复和专家标注回流。首先找出哪些问题无需生成、哪些结构无需带入、哪些错误必须阻断，再衡量完成率、人工介入和总任务成本。模型变强可以扩大能力，但清楚的业务边界才能让这种能力稳定进入生产。