芯耀
389
在工業(yè)數(shù)字化轉(zhuǎn)型浪潮中，大模型技術(shù)正成為破解行業(yè)效率瓶頸的關(guān)鍵引擎。本文聚焦DeepSeek+Agent在工業(yè)知識(shí)管理領(lǐng)域的落地實(shí)踐，深度解析從原始數(shù)據(jù)層到應(yīng)用產(chǎn)品層的全景技術(shù)框架，通過(guò)能源、制造、跨國(guó)企業(yè)等多領(lǐng)域Agent應(yīng)用案例，揭示大模型如何重構(gòu)工業(yè)企業(yè)設(shè)備運(yùn)維、營(yíng)銷(xiāo)服務(wù)、企業(yè)管理等核心場(chǎng)景，為工業(yè)領(lǐng)域智能化升級(jí)提供從技術(shù)架構(gòu)到場(chǎng)景落地的全鏈條參考。
分享嘉賓｜云問(wèn)科技?解決方案專(zhuān)家
01、DeepSeek大模型工業(yè)落地場(chǎng)景
以下為工業(yè)場(chǎng)景落地全景框架，最底層為D0級(jí)數(shù)據(jù)集，會(huì)采集用戶會(huì)話記錄、錄音數(shù)據(jù)、產(chǎn)品說(shuō)明書(shū)、運(yùn)維文檔記錄、工單數(shù)據(jù)及服務(wù)全過(guò)程記錄等原始數(shù)據(jù)。其上為L(zhǎng)0大模型層，涵蓋DeepSeek、通義千問(wèn)等開(kāi)源大模型及國(guó)外通用大模型。L1層基于數(shù)據(jù)和特定方向進(jìn)行優(yōu)化，例如通過(guò)文檔問(wèn)答、數(shù)據(jù)微調(diào)大模型以提升該領(lǐng)域表現(xiàn)，或利用工業(yè)企業(yè)獨(dú)有數(shù)據(jù)優(yōu)化模型，使其在垂直領(lǐng)域優(yōu)于通用模型。原始數(shù)據(jù)集需經(jīng)預(yù)處理，例如將影印版PDF等圖片格式數(shù)據(jù)轉(zhuǎn)化為文本格式，以便大模型處理。往上一層是AI能力平臺(tái)，集成小模型NLP組件、向量組件、檢索解析器及文本切片、文檔生成等通用組件。
再往上是產(chǎn)品層，主要包含三個(gè)方向：
Agent AIGC構(gòu)建工業(yè)企業(yè)內(nèi)部自定義應(yīng)用。例如開(kāi)發(fā)產(chǎn)品問(wèn)題解決助手，可自動(dòng)檢索歷史設(shè)計(jì)文檔、工單記錄并提供處理建議，供現(xiàn)場(chǎng)維修人員或?qū)＜覅⒖紙?zhí)行。此外還包括企業(yè)內(nèi)部報(bào)銷(xiāo)助手、翻譯助手、郵件回復(fù)助手等多種實(shí)用應(yīng)用，滿足工業(yè)企業(yè)多樣化需求。
第二是知識(shí)智能平臺(tái)，能夠?yàn)樗挟a(chǎn)品提供底層知識(shí)支撐。大模型想要實(shí)現(xiàn)優(yōu)質(zhì)服務(wù)與更佳效果，需要重視底層知識(shí)建設(shè)，唯有依托高質(zhì)量知識(shí)與數(shù)據(jù)集，方可避免大模型產(chǎn)生幻覺(jué)，并在應(yīng)用中更貼合業(yè)務(wù)需求。
第三是智慧營(yíng)服平臺(tái)，在完成知識(shí)構(gòu)建與大模型應(yīng)用開(kāi)發(fā)后，可賦能客服場(chǎng)景。如家電企業(yè)對(duì)外提供客戶服務(wù)時(shí)所需的文本機(jī)器人、電話機(jī)器人、在線客服等產(chǎn)品線。
頂層是大模型應(yīng)用層，以下選取典型案例進(jìn)行說(shuō)明。
首先是設(shè)備履歷庫(kù)，用于管理設(shè)備全生命周期信息，包括安裝時(shí)間、維修記錄、運(yùn)檢時(shí)間及設(shè)計(jì)使用壽命等。當(dāng)設(shè)備出現(xiàn)問(wèn)題時(shí)，大模型可以檢索設(shè)備履歷庫(kù)，基于歷史記錄提供處理建議。
其次是經(jīng)銷(xiāo)商管理場(chǎng)景，例如為車(chē)企構(gòu)建經(jīng)銷(xiāo)商知識(shí)庫(kù)，可幫助經(jīng)銷(xiāo)商解決車(chē)輛使用與維修過(guò)程中遇到的專(zhuān)業(yè)問(wèn)題。此外還有數(shù)字助手應(yīng)用，為某外企打造的內(nèi)部數(shù)字助手，集成發(fā)票報(bào)銷(xiāo)、票據(jù)處理、財(cái)務(wù)問(wèn)題解答等財(cái)務(wù)相關(guān)Agent，形成財(cái)務(wù)數(shù)字員工，同時(shí)覆蓋研發(fā)、工業(yè)生產(chǎn)等領(lǐng)域，對(duì)外提供數(shù)字化服務(wù)。
工業(yè)領(lǐng)域智能知識(shí)中心與大模型結(jié)合可實(shí)現(xiàn)以下應(yīng)用：
在營(yíng)銷(xiāo)與服務(wù)層面，面向ToC或ToB業(yè)務(wù)場(chǎng)景，通過(guò)大模型與知識(shí)庫(kù)協(xié)同，可解決用戶咨詢(xún)響應(yīng)問(wèn)題，大幅降低服務(wù)成本并縮短客戶響應(yīng)時(shí)間。在營(yíng)銷(xiāo)拓展方面，改變傳統(tǒng)人力主導(dǎo)模式，借助電話機(jī)器人或坐席輔助工具，依托大模型與知識(shí)庫(kù)提升業(yè)務(wù)拓展效率、降低人力成本。
在內(nèi)部培訓(xùn)與支撐層面，企業(yè)內(nèi)部知識(shí)可以通過(guò)大模型轉(zhuǎn)化成培訓(xùn)課件、業(yè)務(wù)考題及模擬對(duì)練場(chǎng)景，為員工成長(zhǎng)提供系統(tǒng)化賦能支持。
在研發(fā)生產(chǎn)制造層面，設(shè)備設(shè)計(jì)時(shí)查詢(xún)國(guó)標(biāo)參數(shù)、過(guò)往設(shè)計(jì)資料等需求，可通過(guò)大模型檢索歷史內(nèi)容提供支撐。在生產(chǎn)檢修環(huán)節(jié)，設(shè)備后續(xù)運(yùn)維、檢測(cè)工作也能借助大模型提升效率。
以下是工業(yè)領(lǐng)域Agent應(yīng)用建設(shè)路徑示意圖。
企業(yè)級(jí)Agent與ToC端的Agent存在差異，以Manus為例，其流程編排與插件調(diào)用均可自主完成，優(yōu)勢(shì)在于用戶僅需提出訴求，系統(tǒng)便能自行編排流程，并在各節(jié)點(diǎn)自動(dòng)調(diào)用搜索、文檔問(wèn)答、文檔生成組裝等功能，無(wú)需過(guò)多人工設(shè)計(jì)。在工業(yè)領(lǐng)域及ToB場(chǎng)景中，類(lèi)似Manus自主完成流程編排與插件調(diào)用的方式存在不可控性。經(jīng)實(shí)踐驗(yàn)證，Manus對(duì)同一任務(wù)或問(wèn)題的多次處理，因?yàn)槊看瘟鞒桃娲罱肮ぞ哒{(diào)用存在不確定性，可能輸出不同答案。因此，ToB領(lǐng)域的業(yè)務(wù)編排需基于實(shí)際業(yè)務(wù)訴求進(jìn)行。
以工業(yè)問(wèn)題處理Agent構(gòu)建為例，需預(yù)先規(guī)劃處理流程：首先接收問(wèn)題輸入，隨后檢索過(guò)往處理事件，通過(guò)查詢(xún)工單庫(kù)獲取相關(guān)處理方案。如果檢索到對(duì)應(yīng)解決方案，則輸出答案并對(duì)回復(fù)內(nèi)容進(jìn)行評(píng)估，評(píng)估合格后完成流程；如果沒(méi)有找到，需要進(jìn)一步檢索其他文檔以獲取解決方案。由此可見(jiàn)企業(yè)級(jí)Agent應(yīng)用與ToC端存在差異。
在實(shí)際應(yīng)用中，企業(yè)級(jí)Agent可服務(wù)于多場(chǎng)景：營(yíng)銷(xiāo)領(lǐng)域，如電力行業(yè)的政策問(wèn)答、電價(jià)異常處理；設(shè)備運(yùn)維領(lǐng)域，實(shí)現(xiàn)輔助診斷、技術(shù)標(biāo)準(zhǔn)查詢(xún)、巡檢輔助；管理領(lǐng)域，用于審計(jì)工作、生成組織訪談方案、處理報(bào)銷(xiāo)票據(jù)等。
02、工業(yè)Agent落地案例解析
案例一：某能源單位“領(lǐng)智平臺(tái)”
本案例為某大型能源央企打造了領(lǐng)智平臺(tái)，該企業(yè)在全國(guó)范圍內(nèi)擁有眾多子公司及業(yè)務(wù)單位，此前各總部與分公司通過(guò)自有網(wǎng)盤(pán)平臺(tái)管理數(shù)據(jù)，存在兩大核心問(wèn)題：一是跨公司數(shù)據(jù)不互通，二是網(wǎng)盤(pán)僅能實(shí)現(xiàn)數(shù)據(jù)存儲(chǔ)管理，難以支持?jǐn)?shù)據(jù)消費(fèi)應(yīng)用，僅能通過(guò)標(biāo)題檢索文檔，需下載后人工處理內(nèi)容。
基于此，項(xiàng)目采用DeepSeek大模型結(jié)合智能知識(shí)中臺(tái)構(gòu)建的解決方案，首要解決全集團(tuán)數(shù)據(jù)共享問(wèn)題，將各部門(mén)、單位數(shù)據(jù)統(tǒng)一整合至單一知識(shí)庫(kù)中。
其次是數(shù)據(jù)應(yīng)用層面進(jìn)行了優(yōu)化：
1.?多模態(tài)檢索能力：支持對(duì)總公司及分公司數(shù)據(jù)文檔的跨層級(jí)檢索，除標(biāo)題外，文檔內(nèi)容、圖片、視頻等多模態(tài)數(shù)據(jù)均可被檢索。
2. RAG問(wèn)答系統(tǒng)：通過(guò)大模型實(shí)現(xiàn)檢索增強(qiáng)生成，用戶提問(wèn)后，系統(tǒng)自動(dòng)定位相關(guān)文檔片段并輸入大模型，由大模型基于問(wèn)題生成總結(jié)性答案，替代傳統(tǒng)“檢索后人工閱讀”模式。
項(xiàng)目還完成多項(xiàng)技術(shù)探索：針對(duì)大量圖片型影印版PDF數(shù)據(jù)，通過(guò)知識(shí)工程系統(tǒng)進(jìn)行數(shù)字化與結(jié)構(gòu)化處理，轉(zhuǎn)化為可檢索、可向量化的文本格式，顯著提升數(shù)據(jù)利用效率。其次是數(shù)據(jù)結(jié)構(gòu)化處理：將文檔中的公式、表格、摘錄等內(nèi)容提取并存儲(chǔ)至獨(dú)立數(shù)據(jù)庫(kù)，用戶可直接定位所需數(shù)據(jù)節(jié)點(diǎn)，無(wú)需打開(kāi)文檔逐頁(yè)檢索。
此外為某企業(yè)構(gòu)建了知識(shí)大腦，本案例和智領(lǐng)平臺(tái)的核心差異在于實(shí)現(xiàn)智力資產(chǎn)沉淀。此前企業(yè)專(zhuān)家、工程師的經(jīng)驗(yàn)知識(shí)多存儲(chǔ)于個(gè)人電腦或大腦中，未形成共享資產(chǎn)。通過(guò)知識(shí)工程系統(tǒng)、論壇系統(tǒng)及專(zhuān)家協(xié)作平臺(tái)，幫助企業(yè)將隱性個(gè)人知識(shí)轉(zhuǎn)化為可復(fù)用的企業(yè)知識(shí)資產(chǎn)，伴隨企業(yè)的發(fā)展迭代，實(shí)現(xiàn)知識(shí)價(jià)值的長(zhǎng)效積累。
案例三：某跨國(guó)公司“數(shù)字員工”
在為某跨國(guó)企業(yè)打造的數(shù)字員工應(yīng)用中，該企業(yè)國(guó)內(nèi)外員工總數(shù)達(dá)數(shù)十萬(wàn)（僅國(guó)內(nèi)員工超十萬(wàn)），人事、財(cái)務(wù)等職能部門(mén)面臨海量咨詢(xún)壓力。
項(xiàng)目初期部署了文本機(jī)器人，通過(guò)梳理常見(jiàn)問(wèn)題形成FAQ知識(shí)庫(kù)，實(shí)現(xiàn)問(wèn)題匹配與答案推送。鑒于人工梳理知識(shí)點(diǎn)占用大量人力，后期引入大模型自動(dòng)生成：輸入文檔后，系統(tǒng)自動(dòng)提取潛在問(wèn)題及對(duì)應(yīng)答案，經(jīng)審核后入庫(kù)。
二期項(xiàng)目進(jìn)一步升級(jí)為AIGC數(shù)字助手，無(wú)需預(yù)先梳理FAQ即可直接響應(yīng)用戶咨詢(xún)。通過(guò)大模型與搜索能力結(jié)合的RAG問(wèn)答技術(shù)，系統(tǒng)將文檔切片后存入向量庫(kù)，用戶提問(wèn)時(shí)先檢索匹配向量片段，再由大模型總結(jié)生成答案，大幅減少人工梳理FAQ的工作量。
三期項(xiàng)目進(jìn)一步升級(jí)，基于Agent技術(shù)對(duì)企業(yè)內(nèi)部業(yè)務(wù)流程進(jìn)行重新編排：以報(bào)銷(xiāo)場(chǎng)景為例，傳統(tǒng)線下報(bào)銷(xiāo)需手工貼票、填寫(xiě)單據(jù)并提交財(cái)務(wù)審核，財(cái)務(wù)需結(jié)合報(bào)銷(xiāo)制度逐一核對(duì)。如今通過(guò)Agent平臺(tái)，用戶上傳發(fā)票后，系統(tǒng)自動(dòng)提取票面信息，系統(tǒng)自動(dòng)識(shí)別發(fā)票類(lèi)型（如交通票）、金額、開(kāi)票單位及時(shí)間等信息并填入報(bào)銷(xiāo)單，同時(shí)檢索報(bào)銷(xiāo)制度，自動(dòng)比對(duì)是否違反規(guī)定（如差旅住宿標(biāo)準(zhǔn)）。若發(fā)票金額超出標(biāo)準(zhǔn)則退回，若合規(guī)則提交財(cái)務(wù)審核，將報(bào)銷(xiāo)周期從原一周縮短至1-2天。后續(xù)計(jì)劃持續(xù)拓展大模型在生產(chǎn)、設(shè)計(jì)、設(shè)備運(yùn)維檢修等場(chǎng)景的應(yīng)用。
案例三：某鋼鐵單位故障處置Agent
本案例為某鋼鐵企業(yè)開(kāi)發(fā)的故障處理Agent應(yīng)用了知識(shí)圖譜技術(shù)。區(qū)別于非結(jié)構(gòu)化的文檔，知識(shí)圖譜將故障類(lèi)型、設(shè)備參數(shù)等信息結(jié)構(gòu)化處理，通過(guò)故障樹(shù)邏輯構(gòu)建處置流程：用戶輸入問(wèn)題后，系統(tǒng)按預(yù)設(shè)步驟引導(dǎo)檢測(cè)，逐步定位故障點(diǎn)并提供解決方案，實(shí)現(xiàn)標(biāo)準(zhǔn)化故障處置。
云問(wèn)科技為某車(chē)渠構(gòu)建的洞察分析Agent聚焦?fàn)I銷(xiāo)與企業(yè)管理領(lǐng)域，針對(duì)傳統(tǒng)幾十頁(yè)至百頁(yè)不等的行業(yè)分析報(bào)告閱讀效率低的問(wèn)題，通過(guò)大模型數(shù)據(jù)分析功能自動(dòng)提取報(bào)告核心數(shù)據(jù)與關(guān)鍵結(jié)論，簡(jiǎn)化信息獲取流程。如果需了解數(shù)據(jù)變化趨勢(shì)，用戶只需向大模型提問(wèn)，系統(tǒng)將自動(dòng)分析趨勢(shì)成因并提供預(yù)測(cè)。
此外針對(duì)某車(chē)企經(jīng)銷(xiāo)商及4S店員工流動(dòng)性高、培訓(xùn)復(fù)雜的問(wèn)題，云問(wèn)科技構(gòu)建了大模型培訓(xùn)Agent，通過(guò)大模型生成模擬真實(shí)對(duì)話場(chǎng)景的對(duì)練內(nèi)容。例如，當(dāng)購(gòu)車(chē)客戶提出各類(lèi)問(wèn)題，AI員工需在線解答，系統(tǒng)實(shí)時(shí)評(píng)估回答質(zhì)量，分析是否解決客戶訴求與顧慮，并生成包含得分的完整分析報(bào)告。該項(xiàng)目上線后實(shí)現(xiàn)線索留資率提升15%，員工能力提升帶動(dòng)業(yè)務(wù)增長(zhǎng)。
03、DeepSeek落地難點(diǎn)與經(jīng)驗(yàn)
1. 貫通知識(shí)全生命周期的知識(shí)工程實(shí)現(xiàn)語(yǔ)料增強(qiáng)
在大模型落地過(guò)程中，知識(shí)體系建設(shè)是核心環(huán)節(jié)。盡管通用開(kāi)源模型在公共領(lǐng)域表現(xiàn)優(yōu)異，但面對(duì)行業(yè)或企業(yè)專(zhuān)有數(shù)據(jù)時(shí)處理能力不足，根源在于缺乏垂直領(lǐng)域知識(shí)支撐。因此，大模型落地首要任務(wù)是構(gòu)建高質(zhì)量知識(shí)體系，涵蓋知識(shí)采編、梳理及管理全流程。
2. 向量表征技術(shù)與其他NLP小模型的融合應(yīng)用
大模型對(duì)算力要求很高，尤其在央國(guó)企國(guó)產(chǎn)化項(xiàng)目中，若采用華為等國(guó)產(chǎn)化硬件方案，僅硬件成本就可能超過(guò)百萬(wàn)元。為此，可采用混合專(zhuān)家模型（MOE）架構(gòu)實(shí)現(xiàn)大小模型融合，降低大模型對(duì)算力的需求。降低算力即降低成本，由于每個(gè)token計(jì)算及硬件資源均產(chǎn)生費(fèi)用，因此在小模型可勝任的場(chǎng)景中，應(yīng)優(yōu)先使用小模型完成任務(wù)處理。
3. 外掛知識(shí)庫(kù)避免大模型幻覺(jué)問(wèn)題
如前所述，將企業(yè)內(nèi)部高質(zhì)量知識(shí)存入知識(shí)庫(kù)并進(jìn)行向量化切片處理，后續(xù)應(yīng)用中可直接調(diào)用企業(yè)自有知識(shí)進(jìn)行解答和處理。相較于使用開(kāi)源或公有云大模型基于公開(kāi)資料的處理方式，在企業(yè)內(nèi)部場(chǎng)景下的應(yīng)用效果更優(yōu)。此知識(shí)庫(kù)即定義為全公司級(jí)知識(shí)中臺(tái)，區(qū)別于個(gè)人知識(shí)庫(kù)。此前有客戶提出疑問(wèn)，使用開(kāi)源Ragflow問(wèn)答系統(tǒng)效果良好，為何要采購(gòu)云問(wèn)系統(tǒng)。對(duì)此可從三個(gè)維度解答：
其一為知識(shí)版本管理問(wèn)題。Ragflow缺乏知識(shí)版本控制機(jī)制，而企業(yè)內(nèi)部知識(shí)存在動(dòng)態(tài)更新特性（如公司發(fā)文修訂、產(chǎn)品迭代升級(jí)等）。若上傳多版本知識(shí)，系統(tǒng)可能調(diào)用舊版本內(nèi)容，用戶若直接將過(guò)時(shí)結(jié)果應(yīng)用于工作，可能引發(fā)風(fēng)險(xiǎn)。
其二為權(quán)限管理問(wèn)題。個(gè)人使用場(chǎng)景下無(wú)需權(quán)限控制，所有數(shù)據(jù)歸個(gè)人所有。但在企業(yè)應(yīng)用中，個(gè)人與個(gè)人、部門(mén)與部門(mén)、子公司與總公司之間需設(shè)置數(shù)據(jù)權(quán)限。例如企業(yè)核心財(cái)務(wù)數(shù)據(jù)需嚴(yán)格保密，若企業(yè)知識(shí)庫(kù)權(quán)限管理不當(dāng)導(dǎo)致敏感數(shù)據(jù)泄露，可能造成嚴(yán)重后果。
其三為數(shù)據(jù)處理量級(jí)問(wèn)題。個(gè)人場(chǎng)景下文檔數(shù)量通常為數(shù)十至數(shù)百篇，Ragflow可有效處理；但企業(yè)級(jí)知識(shí)庫(kù)規(guī)?？蛇_(dá)千萬(wàn)篇，遠(yuǎn)超一般大模型輸入限制。因此需通過(guò)工程化處理（如文檔切片、精準(zhǔn)搜索）提取相關(guān)片段輸入大模型，實(shí)現(xiàn)對(duì)超大規(guī)模數(shù)據(jù)的高效處理，這是個(gè)人知識(shí)庫(kù)與企業(yè)級(jí)知識(shí)庫(kù)的核心差異之一。
