知识引擎和智能体平台助力大模型落地

一、企业大模型场景落地的关注点和痛点
规划：前期如何规划？

• 如何统一规划整体架构？
• 并发支持、响应速度
• 租用还是自建
• 算力需求多大
• 商用还是开源？是否全部采用 DeepSeek R1？
• 本地还是云端
• 统一规划还是各自尝试
• 服务于哪些业务目标
• 目标
• 大模型
• 算力
• 性能
• 数据安全性考量
• 总体多少预算

选型：技术路线怎么选？

• 如何做合理的技术选型？
• 对大模型的要求
• 是不是只要大模型就够了
• 需要大模型做微调
• 构建行业大模型
• 各类场景分别选用什么样的大模型合适
• DeepSeek R1 适合哪些场景？
• 落地方法
• 使用各种 RAG 技术做落地，还是需要融入图技术
• 问数应该是 Text2SQL，还是 Text2 指标？

落地：如何有好的效果？

• 如何做到结果可信
• 如何减少幻觉
• 如何保证结果可解释
• 如何做到效果好
• 为什么换一份数据效果不好
• 表格、图片效果如何
• 简单问题可以处理，复杂问题回答不了
• 可以做混合问答么，问答和问数融合在一起
• 如何保证数据安全性
• 数据权限

场景：如何选定高价值场景？

• 目标用户是谁，有什么痛点？
• 应该如何找场景？
• 需要哪些人参与
• 如何找到高价值场景
• 业务成熟度如何？
• 是否高频、重复、标准
• 数据情况如何？
• 已有数据，持续迭代情况？
• 技术成熟度
• 是否可以支持场景实现？

• 价值
  包括成本投入降低、自主决策能力增强、自主可控安全、行业模型推理、蒸馏小模型推理、复用能力沉淀。
• 优势
  有低训练 & 推理成本、推理能力佳、国产化、强化学习、领域知识蒸馏、低代码工具 。
• 流程
  从 DeepSeek R1 基础模型出发，经 SFT（有监督微调）和 RF（强化学习 ），利用行业推理数据，先构建带推理能力的行业大模型，再通过 SFT 得到带推理能力的专有蒸馏小模型。
• 数据
  涉及行业公开数据和私有数据集 。

企业数据

• 企业各类格式文档
• 企业数据库
• 企业指标系统
• 视频 图片数据
• 组织机构数据
• 外部各类数据（舆情、论文、专利..）
• …

关系构建

数据血缘

• 根据结构化数据之间的关系，构建数据血缘链路
• 根据非结构化数据的关系，构建数据血缘关系，包括分片、段落、文档，知识库等

结构化数据图构建

• 根据元数据梳理自动化构图，比如社交网络、供应链等

非结构化数据

• 大模型进行实体关系抽取
• 根据抽取的反馈，大模型微调
• 基于微调大模型做实体关系抽取
• 人工校验并入图
• 视频 图片 / 音频：先结构化，再抽取关系

非结构化数据文档段落关系构建

• 根据段落抽取对应的图
• 包括分级目录结构
• 切片前后关系
• 文档片段与标签的关系

结构化非结构化数据关系构建

• 组织机构关系
• 作者与文档、代码、工作项的关系
• 文档引用关系
• 根据关系自动构建