RailWise KB已发布

RAILWISE-CLI AI多智能体系统概述

RAILWISE-CLI是RailWise推出的AI工程测绘多智能体CLI系统，集成多个专业AI Agent，实现工程测量、数据处理、报告生成的全流程自动化。

复核 2026-07-09入门公开可引用RailWise 技术团队

ai-guide

RAILWISE-CLI AI多智能体系统概述

概述

RAILWISE-CLI 是宁波睿威工程技术有限公司（RailWise）推出的 AI工程测绘多智能体命令行系统。该系统基于 TypeScript/Bun 技术栈构建，集成了多个专业领域 AI Agent，面向工程测量与安全监测数字化场景，提供从数据采集、处理到报告生成的全流程自动化能力。

适用场景

场景	说明
轨道交通监测	盾构施工期间控制保护区自动化监测
桥梁健康监测	高架桥墩位移、沉降、倾斜监测
基坑工程监测	深基坑周边建筑物、管线变形监测
隧道工程监测	隧道收敛、地表沉降监测
数据处理	测量数据批量清洗、转换、分析
报告生成	监测日报、周报、月报的自动化编制

版本信息

项目	版本
RAILWISE-CLI	1.2.0
Bun Runtime	1.1.x
TypeScript	5.5.x
AI Engine	RailWise Neural Engine v2

系统架构

RAILWISE-CLI 采用 多智能体协作架构（Multi-Agent Collaboration Architecture），各智能体通过消息总线进行协调，由编排器（Orchestrator）统一调度。

┌─────────────────────────────────────────────────────────────┐
│                    RAILWISE-CLI 架构                         │
├─────────────────────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │  测量智能体  │  │  分析智能体  │  │  报告智能体  │         │
│  │  (Survey)   │  │ (Analysis)  │  │  (Report)   │         │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘         │
│         │                │                │                  │
│         └────────────────┼────────────────┘                  │
│                          ▼                                  │
│              ┌─────────────────────┐                        │
│              │   编排器 (Orchestrator) │                        │
│              │   工作流引擎 / 调度器   │                        │
│              └─────────────────────┘                        │
│                          │                                  │
│         ┌────────────────┼────────────────┐                │
│         ▼                ▼                ▼                │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐       │
│  │  数据存储层  │  │  模型推理层  │  │  外部接口层  │       │
│  │  PostgreSQL │  │  ONNX/WASM  │  │  API/SDK    │       │
│  └─────────────┘  └─────────────┘  └─────────────┘       │
└─────────────────────────────────────────────────────────────┘

技术栈

层级	技术	说明
运行时	Bun	高性能 JavaScript 运行时
语言	TypeScript	类型安全的开发体验
AI推理	ONNX Runtime / WASM	本地模型推理，无需云端依赖
数据存储	PostgreSQL / SQLite	结构化数据持久化
消息通信	内置 EventBus	智能体间异步通信
配置管理	TOML / JSON	灵活的配置文件格式

核心智能体

1. 测量智能体（Survey Agent）

测量智能体负责与全站仪、水准仪等测量设备进行交互，执行自动化测量任务。

核心能力：

全站仪自动照准与读数
测量数据实时采集与校验
测量方案的智能优化
设备状态监控与异常报警

示例调用：

# 启动单次测量任务
railwise-cli survey execute \
  --project "绕城高速管廊工程1标段" \
  --station "TS-01" \
  --points "P1,P2,P3,P4,P5" \
  --rounds 3 \
  --output-format json

# 启动连续监测模式
railwise-cli survey monitor \
  --project "3号线控制保护区" \
  --interval 300 \
  --duration 4h \
  --alert-threshold 2.0

2. 分析智能体（Analysis Agent）

分析智能体负责对测量数据进行深度分析，识别趋势、异常和潜在风险。

核心能力：

时间序列趋势分析
变形速率计算与预测
异常值检测（基于统计与机器学习）
多测点关联分析
预警等级自动判定

示例调用：

# 执行数据分析
railwise-cli analyze trend \
  --project "3号线控制保护区" \
  --start-date 2026-07-01 \
  --end-date 2026-07-08 \
  --metrics "displacement,velocity,acceleration" \
  --output report.html

# 异常检测
railwise-cli analyze anomaly \
  --dataset "survey_data_2026Q3" \
  --method isolation-forest \
  --sensitivity high

3. 报告智能体（Report Agent）

报告智能体负责根据分析结果自动生成专业监测报告。

核心能力：

监测日报/周报/月报自动生成
图表自动绘制与排版
规范条文自动引用
多格式输出（PDF/Word/HTML）
报告质量自检

示例调用：

# 生成日报
railwise-cli report daily \
  --project "绕城高速管廊工程1标段" \
  --date 2026-07-08 \
  --template "gb50911-2013" \
  --output "日报_20260708.pdf"

# 生成周报
railwise-cli report weekly \
  --project "3号线控制保护区" \
  --week 2026-W27 \
  --include-charts \
  --output "周报_2026W27.docx"

4. 协调智能体（Coordinator Agent）

协调智能体负责多智能体间的任务调度与资源分配。

核心能力：

工作流定义与执行
任务优先级管理
智能体负载均衡
错误恢复与重试
执行日志记录

安装与配置

环境要求

项目	最低要求	推荐配置
操作系统	macOS 12+ / Windows 10+ / Linux	macOS 14 / Windows 11 / Ubuntu 22.04
Bun	1.1.0	最新稳定版
内存	4 GB	8 GB
磁盘	2 GB 可用空间	10 GB 可用空间
网络	可访问RailWise API	稳定互联网连接

安装步骤

# 使用 npm 全局安装
npm install -g @railwise/cli

# 或使用 Bun 安装
bun install -g @railwise/cli

# 验证安装
railwise-cli --version
# 输出: RAILWISE-CLI v1.2.0

# 初始化配置
railwise-cli init

配置文件

配置文件位于 ~/.railwise/config.toml：

[core]
workspace = "/Users/wangjiawei/RailWise/projects"
log_level = "info"
timezone = "Asia/Shanghai"

[api]
base_url = "https://api.railwise.cn/v2"
api_key = "rw_live_xxxxxxxxxxxxxxxx"
timeout = 30

[ai]
model_path = "~/.railwise/models"
enable_local_inference = true
max_concurrent_agents = 4

[survey]
default_instrument = "total_station"
measurement_rounds = 3
precision_threshold = 0.5

[report]
default_template = "gb50911-2013"
output_format = "pdf"
company_name = "宁波睿威工程技术有限公司"

提示： 首次运行 railwise-cli init 会引导您完成配置文件的生成。API Key 请在 RailWise开发者平台获取。

命令行接口

全局选项

railwise-cli [全局选项] <命令> [子命令] [选项]

全局选项:
  -v, --version          显示版本号
  -h, --help             显示帮助信息
  -c, --config <path>    指定配置文件路径
  -o, --output <path>      指定输出路径
  -f, --format <format>    输出格式: json, yaml, table, html
  --verbose              显示详细日志
  --dry-run              模拟运行，不执行实际操作

命令列表

命令	说明	子命令
`survey`	测量相关操作	`execute`, `monitor`, `calibrate`, `status`
`analyze`	数据分析	`trend`, `anomaly`, `correlation`, `forecast`
`report`	报告生成	`daily`, `weekly`, `monthly`, `custom`
`agent`	智能体管理	`list`, `status`, `start`, `stop`, `logs`
`workflow`	工作流管理	`run`, `list`, `create`, `validate`
`config`	配置管理	`get`, `set`, `reset`, `validate`
`auth`	认证管理	`login`, `logout`, `status`, `refresh`

使用示例

# 查看所有智能体状态
railwise-cli agent list

# 启动特定工作流
railwise-cli workflow run \
  --name "daily_monitoring" \
  --project "3号线控制保护区" \
  --schedule "0 */4 * * *"

# 验证配置文件
railwise-cli config validate

工作流编排

RAILWISE-CLI 支持通过 YAML 文件定义复杂的工作流，实现多智能体的协作。

工作流定义文件

name: daily_monitoring
version: "1.0"
description: 日常监测工作流 - 每4小时执行一次

schedule:
  cron: "0 */4 * * *"
  timezone: "Asia/Shanghai"

project:
  id: "proj_rw_2026_001"
  name: "绕城高速管廊工程1标段"

steps:
  - id: step_1
    name: "数据采集"
    agent: survey
    action: execute
    params:
      station: "TS-01"
      points: ["P1", "P2", "P3", "P4", "P5"]
      rounds: 3
    timeout: 1800
    retry:
      max_attempts: 3
      backoff: exponential

  - id: step_2
    name: "数据分析"
    agent: analysis
    action: trend
    depends_on: [step_1]
    params:
      metrics: ["displacement", "velocity"]
      alert_threshold: 2.0
    timeout: 300

  - id: step_3
    name: "报告生成"
    agent: report
    action: daily
    depends_on: [step_2]
    params:
      template: "gb50911-2013"
      include_charts: true
    timeout: 120
    condition:
      if: "step_2.alert_level != 'normal'"
      then: "continue"
      else: "continue"

  - id: step_4
    name: "预警通知"
    agent: notification
    action: send
    depends_on: [step_2]
    condition:
      if: "step_2.alert_level in ['yellow', 'orange', 'red']"
    params:
      channels: ["email", "sms", "app"]
      template: "alert_{{alert_level}}"

执行工作流

# 手动执行工作流
railwise-cli workflow run --file workflow_daily_monitoring.yaml

# 注册定时工作流
railwise-cli workflow register --file workflow_daily_monitoring.yaml

# 查看工作流执行历史
railwise-cli workflow logs --name daily_monitoring --limit 10

与外部AI平台集成

RAILWISE-CLI 支持通过 MCP（Model Context Protocol） 与主流 AI 开发平台集成。

支持的AI平台

平台	集成方式	状态
Cursor	MCP Server	✅ 已支持
Claude Desktop	MCP Server	✅ 已支持
Windsurf	MCP Server	✅ 已支持
VS Code + Copilot	扩展插件	🔄 开发中
JetBrains	插件	📋 规划中

MCP Server 配置

{
  "mcpServers": {
    "railwise": {
      "command": "railwise-cli",
      "args": ["mcp", "serve"],
      "env": {
        "RAILWISE_API_KEY": "rw_live_xxxxxxxxxxxxxxxx"
      }
    }
  }
}

配置完成后，在 Cursor 中即可通过自然语言调用 RAILWISE-CLI 的功能：

用户: "执行3号线控制保护区的测量任务"
AI: 调用 railwise-cli survey execute --project "3号线控制保护区" ...

详见 MCP Server 集成指南

最佳实践

1. 配置管理

使用环境变量存储敏感信息（API Key、密码）
将项目配置与工作流定义纳入版本控制
不同环境（开发/测试/生产）使用独立的配置文件

# 环境变量示例
export RAILWISE_API_KEY="rw_live_xxxxxxxxxxxxxxxx"
export RAILWISE_WORKSPACE="/data/railwise/prod"

2. 工作流设计

将复杂任务拆分为多个小步骤，便于调试和重试
为每个步骤设置合理的超时和重试策略
使用 depends_on 明确步骤间的依赖关系
关键步骤添加条件判断，避免不必要的执行

3. 性能优化

启用本地模型推理（enable_local_inference = true）减少网络延迟
合理设置 max_concurrent_agents，避免资源竞争
大数据量分析时使用 --batch-size 参数分块处理

4. 日志与监控

# 查看实时日志
railwise-cli agent logs --follow

# 导出执行报告
railwise-cli workflow report --name daily_monitoring --format html

限制与注意事项

限制项	说明
并发智能体数	默认最多4个，可通过配置调整
单次测量点数	建议不超过500个测点
报告生成大小	单份报告不超过100页
本地模型支持	仅支持 ONNX 格式模型
网络依赖	部分功能需要连接 RailWise API
操作系统	暂不支持 ARM32 架构

注意： 在生产环境中使用前，请务必在测试环境验证工作流的正确性。

常见问题

Q1: 安装后无法找到命令？

确保 Bun/npm 的全局安装路径已添加到系统 PATH：

# 检查安装路径
which railwise-cli
# 或
where railwise-cli

# 如果未找到，添加路径
export PATH="$PATH:$(bun pm bin -g)"

Q2: API Key 失效如何处理？

# 重新登录
railwise-cli auth login

# 或手动刷新 Token
railwise-cli auth refresh

Q3: 工作流执行失败如何排查？

# 查看详细日志
railwise-cli workflow logs --name <workflow_name> --verbose

# 验证工作流定义
railwise-cli workflow validate --file <workflow_file>

# 单步调试
railwise-cli workflow run --file <workflow_file> --step <step_id> --dry-run

Q4: 如何自定义报告模板？

# 导出默认模板
railwise-cli report template --export --name gb50911-2013 --output ./templates/

# 修改后使用自定义模板
railwise-cli report daily --template ./templates/my_custom_template.html

Q5: 支持哪些全站仪品牌？

目前支持以下品牌的全站仪自动化接口：

Leica（徕卡）
Trimble（天宝）
Topcon（拓普康）
Sokkia（索佳）
South（南方测绘）

其他品牌请联系技术支持获取适配方案。

更新日志

版本	日期	变更内容
1.2.0	2026-07-08	新增 MCP Server 支持；优化工作流引擎；新增异常检测算法
1.1.0	2026-05-20	新增报告智能体；支持自定义模板；优化测量精度
1.0.0	2026-03-15	初始版本发布；支持测量、分析、报告三大智能体

RAILWISE-CLI AI多智能体系统概述

RAILWISE-CLI AI多智能体系统概述

目录

概述

适用场景

版本信息

系统架构

技术栈

核心智能体

1. 测量智能体（Survey Agent）

2. 分析智能体（Analysis Agent）

3. 报告智能体（Report Agent）

4. 协调智能体（Coordinator Agent）

安装与配置

环境要求

安装步骤

配置文件

命令行接口

全局选项

命令列表

使用示例

工作流编排

工作流定义文件

执行工作流

与外部AI平台集成

支持的AI平台

MCP Server 配置

最佳实践

1. 配置管理

2. 工作流设计

3. 性能优化

4. 日志与监控

限制与注意事项

常见问题

Q1: 安装后无法找到命令？

Q2: API Key 失效如何处理？

Q3: 工作流执行失败如何排查？

Q4: 如何自定义报告模板？

Q5: 支持哪些全站仪品牌？

更新日志

相关文档