DeepAI · 架构 / 模型 / 统计

DeepAI 的目标

◆

一句话：让核心骨干把 AI 真正用进日常工作——从"会用 AI"升级到"用 AI 造工具、跑自动化"，并把每个人的工程与业务沉淀收敛成组织级知识资产，最终支撑全公司业务的建模与 ontology 建设。

短期

用起来

~50 核心骨干统一上手，把 Claude Code 用进日常 Coding、Agent 与自动化，解决真实业务问题。

中期

沉淀下来

每个人的 Context / Memory / Harness 与工作流全面沉淀进组织仓，个人产出变成组织资产（对应 7 月）。

长期

建模与 ontology

AI Team 完成全公司业务情况的抽象、建模与 ontology 建设，为 AI 端到端跑业务打底（对应 8 月）。

量化目标 · 分阶段拆解

把"用起来 + 沉淀下来"拆成 4 个阶段 × 4 个维度，每格给出可校准的量化目标。维度：使用（用了多少）、产出（造了什么）、沉淀（进仓多少，按七维度）、能力（多少人能独立造工具）。

100%

激活率（目标）

50/50 完成 setup + 真实使用

≥90%

周活 WAU（常态）

~45 人每周有真实调用

≥70%

沉淀率

产出进组织仓的比例

8 月

Ontology v1

7 部门核心实体建模

指标	阶段 1 · 启用 6 月下旬	阶段 2 · 常态 7 月	阶段 3 · 沉淀 7 月底–8 月	阶段 4 · 建模 8 月
① 使用 · Adoption
激活率（完成 setup + 真实使用）	80%	100%	100%	100%
周活 WAU（人）	30	45	45	45
人均 session / 周	≥3	≥8	≥8	≥10
当期 Token 消耗（占 160 亿池）	~5 亿 3%	~35 亿 22%	~45 亿 28%	~45 亿 28%
② 产出 · Output（累计）
工具 / 脚本 / 自动化	7	30	60	80
Agent 工作流	2	10	18	25
用 AI 解决的真实业务问题	7	50	120	180
③ 沉淀 · Sedimentation（入组织仓，累计 · 七维度）
仓库数（org + 部门 + 个人）	8	30	50	55
Context（业务背景）文档	7	30	60	80
Memory（可复用记忆）条目	20	100	250	400
Decision（决策记录）	7	40	90	130
Harness / 工作流模板	3	25	45	60
Loops（常态自动化循环）	0	5	12	18
Ontology（实体 / 关系）	—	—	起步	v1 · 7 部门
④ 能力 · Capability
熟练用户（能独立造工具，人）	7	20	35	40
部门覆盖	7 / 7	7 / 7	7 / 7	7 / 7

▲

口径与基准：测算基准 ~50 用户 · 160 亿 Token 年度池 · 7 部门。激活率=完成 setup 且有 ≥1 次真实使用 / 总人数；WAU=一周内有真实调用的人数；沉淀率=进组织仓的产物 / 总产出；累计列为期末累计值。以上为初定目标，按周 monitoring 滚动校准（与名单一致：初定 / 待升级）。

一、DeepAI 是什么 · 背后的真实状况

说清楚本质：DeepAI 不是某一家模型厂商，而是我们自建的一层「多模型 API 通道」。大家在 VS Code 里用 Claude Code 写代码，请求先打到我方自有的 API 网关，再由网关接入 DeepAI 这个多模型聚合池，统一调度国际与国产的多家最新模型。

◆

一个入口
统一网关，鉴权 + 计量都在我们手里

◆

多家模型
国际 + 国产，按场景择优

◆

有折扣
聚合采购，单价低于官方

◆

这样做的好处：用量、成本、数据都收敛在自有网关——既能拿到聚合折扣，又能按人计量、统一治理，还能在国际 / 国产模型之间灵活切换，不被单一供应商绑定。

它能做什么

Vibe Coding —— 前端 / 后端 / 全栈，在 IDE 里直接写
Agent 工作流编排 —— MCP + Claude Code 编排多步自动化
数据管线与脚本自动化 —— ETL、批处理、脚本一键跑
多模型 API 直连 —— 在 IDE / Terminal / Agent SDK 中任意调用
Context / Memory / Harness —— 自定义并沉淀成可复用资产

它的定位

面向核心人员的深度工程通道——不是"对话框"，而是把 AI 接进开发态，真正用来造工具、跑自动化。

典型用法：AI 团队用 Claude Code 在 1 天内完成临床报告生成管线原型，Context 沉淀后供下季度复用。

◆

沉淀的是 Context / Memory / Harness 工程资产，逐步形成团队级 + 公司级的差异化竞争力。

二、整体架构

① 客户端层 · Client

统一 VS Code + Claude Code 插件

全员统一开发态：VS Code 编辑器 + Claude Code 插件，在 IDE / Terminal 里直接调用。

↓

② 接入层 · Gateway

后端连接我方自有 API

统一网关：鉴权、路由、按人计量、用量归集（组织级 + 个人 sub-account）。

↓

③ 核心层 · Core

我方 API 接入 DeepAI（多模型聚合）

国际模型

Gemini（最新）
OpenAI（最新）
Claude（最新）

含对应折扣

国产模型

DeepSeek V4
Kimi K2.7
GLM 5.1
… 更多国产方案

单价显著更低

↓

④ 未来规划 · Roadmap

国际 + 国产「混合使用」模式

按场景与成本择优调度：高难度任务走国际最新模型，大批量 / 成本敏感场景走国产，综合控成本。

三、已接入的模型与折扣逻辑

国际模型

Gemini · OpenAI · Claude（最新）

通过 DeepAI 聚合接入三大国际厂商的最新模型，覆盖最强推理与 Coding 能力。相对官方 API 价格有折扣。

国产模型

DeepSeek V4 · Kimi K2.7 · GLM 5.1 …

提供更便宜的国产 API 方案，单价显著更低，适合大批量、成本敏感、或数据合规优先的场景。

折扣逻辑（简单讲）

聚合采购：DeepAI 把多家模型聚合，单价低于各家官方直采
分层择优：国际模型拿折扣价；国产模型本身成本更低
统一计量：所有调用按 token 计量，归集到组织级 + 个人 sub-account，成本清晰可审计

▲

我们会综合考量国产 API 的使用——在保证效果的前提下，用国产模型承接大批量与成本敏感场景，把整体成本压下来。这是目前的整体考量。

四、目前的状况 · 统一 Set-up

◆

已有一部分用户开始使用。等电脑到位后，由 AI 团队进行统一的安装与培训（主讲：Luoking + Howard），并提供配套材料和整体 set-up 说明，让 50 位使用者一次性规范上手。

① 网络

VPN · 科学上网

调用境外模型需先连 Clash Verge（Mac / Windows），导入订阅、开系统代理。

② 编辑器

VS Code + Claude Code

统一客户端：VS Code 装 Claude Code 插件，作为开发主力入口。

③ 脚手架

AI Project Scaffold

标准项目骨架，解压即作为课题起点。

# 安装 Claude Code（需先连 VPN）
npm install -g @anthropic-ai/claude-code

# 指向 DeepAI 自有网关（Base URL / API Key 由 AI 团队统一下发）
# 写入 ~/.config/iaso 环境，鉴权与计量在网关侧完成

# 启动
claude

凭据（订阅链接 / API Key / 网关地址）走内部 IM 私发，不在无 auth 页面公开。具体步骤以统一培训材料为准。

五、统计与后台逻辑

Quota 控制 + 统计 + 账单在网关侧自动闭环，逻辑清清楚楚——双层配额，周统计，月度 Report 对应 Invoice：

配额 · 第一层

部门总量控制

每个部门有一个 Token 总量上限（见下方 7 部门配额表），用满即触发复盘 / 追加评估。

配额 · 第二层

个人用量控制

每个人身上再有一层用量控制——部门总量在部门内分配到人，避免单点跑满。

每周

Token 使用统计

Token 使用每周统计一次——到人、到模型、到部门，用量透明可追溯。

每月

汇总 Report = Invoice

每月一份汇总 Report，这份 Report 与我们的对外 Invoice 一一对应，按它结算付款。

◆

一句话：部门总量 + 个人用量是双层闸门；周统计让用量透明；月度汇总 Report 直接对应 Invoice 付款——配额、监控、结算三者闭环。

配额与考核（耦合 2025 年终奖）

160亿

Token 总池

≈ ¥100,000

7

部门口径

6 奖项 + Core Team 中枢

周 / 月

统计 + 账单

周报 + 月度 Invoice

2025

耦合年终奖

用量关联奖励分配

▲

Token 额度对应 2025 年终奖励基金，按部门切分、部门内再分配到人；每个人的用量关联 2025 年终奖的分配。

奖项 / 团队	负责人	人员	Token 配额	折算 ¥
技术创新 · 突破奖南京研发 / 质粒病毒工艺 / 分析方法 / 美国研发	永克博士	张亚鸽 · 杨永坤 · 谢萌 · 何欢初定 / 待升级	32 亿	20,000
国际品质 · 磐石奖生产 / 质控 / 质保 / 验证 / 工程运维 / 仓储	王金辉	孟志健 · 杨峻锋 · 何晓琴 · 梁海兰 · 周坤 · 朱逍遥（公用一台）初定 / 待升级	32 亿	20,000
高效笃行 · 奋进奖临床开发部	陈杰	桂宏宇 · 张付远 · 曹新梅 · 黄小蓉 · 李婷 · 于勇 · 叶欢 · 王英帅 · 黄钰 · 李祥安 · 李秀菊 · 宋彪 · 万悦 · 鲁洁 · 涂燕华 · 卢雅琼初定 / 待升级	32 亿	20,000
协同赋能 · 护航奖市场 / CAR-T 运营 / 市场准入	张华	牛光有 · 吉瑾 · 杨淑媛 · 祁天翼 · 干毓玲 · 季晨初定 / 待升级	32 亿	20,000
资本腾飞 · 破晓奖资本市场 / 财务 / 法务与 IP	昕宇	杭敏 · 刘玥 · 金晶 · 程静怡 · 李茗 · 林梦涵 · 尹文卉 · 倪骁健 · 肖艳初定 / 待升级	16 亿	10,000
出海先锋 · 拓界奖注册部	任春莉	周婷 · 孙晓雨 · 曾智萍 · 谢家晓 · 尹嘉蓓 · 刘莉初定 / 待升级	16 亿	10,000
— 未得奖但主导 AI 项目 / 需沉淀工作流	—	张彦昊 · 张丽娟 · 余杨 · 刘云 · 富晶晶 · 齐嘉初定 / 待升级	—	—
核心团队 · 中枢 Core Team / AI 团队 / IT	jacky	张金华 · 张永克 · 胡广 · 张昕宇 · 王金辉 · 张敏 · 陈杰 · 岳雪玲 · 张华 · 贺魏 · Andy · 林佑晨初定 / 待升级	—	—
合计（前 6 项）			160 亿	100,000

◆

名单逻辑：以上为 DeepAI ~50 人名单（按 7 部门口径）。这份名单贯穿四件事——电脑发放、DeepAI 配额、GitHub 沉淀面向的是同一批人，与电脑采购页的更换清单完全一致。Spira AI 的 35 席是另一份独立名单（全员广覆盖，见 Spira AI 页）。

六、运营支持

DeepAI 线上飞书群

建立一个 DeepAI 飞书群，承载日常使用支持。目前群里已有一部分人。

●

全部使用者
~50 人，按部门入群

●

DeepAI 负责人
平台 / 配额 / 模型 / 账单

●

运维负责人
网关 / 统计 / 整体运维

◆

价值沉淀：DeepAI 用户的 Context / Memory / Harness 配置由 AI 团队统一收敛，逐步形成"团队级 + 公司级"工程知识资产（见 GitHub 沉淀页）。

DeepAI 的推广与培训