AI 에이전트 스마트 워크스테이션

딜리버리

2025-2026 년 Big Language Model은 " 대화 상자에서 대화 상자에서 대화 상자에서 대화 상자로 대화 할 수 있습니다"에서 "공구, 임무, 상황에 기억 할 수 있습니다." 비즈니스 초점은 "AI을 사용하지 않는 것"으로 변경됩니다."AI을 일상 업무 프로세스로 구현하는 방법. 모든 위치의 모든 사람이 실제로 그것을 사용할 수 있도록."。

그러나 현실과 기대 사이의 거대한 간격이 있습니다. 일반적인 큰 모델은 기업의 비즈니스 컨텍스트를 이해하지 않습니다. 제품 코드 규칙을 알지 못하며 승인 과정을 알지 못하며 5 년 게스트 대화를 축적하지 않았습니다. 모델에 대한 비즈니스 지식을 먹이는 것은 비즈니스의 작업 흐름에 따라 작동하며, 그 출력 결과를 관리하고 감사 할 수 있다는 것을 보장합니다. 이러한 기업 구현에서 AI에 대한 실제 어려움입니다.

이 페이지는 AI 구동 효율을 달성하기 위해 매일 워크플로우에 큰 모델 기능을 수용 할 것으로 예상되는 기업입니다. 페이지는 결과를 표시하는 데 사용됩니다.ZhiHua Tech (상해 전자 Seok-shu Hsien-Shui 정보 기술 주식 회사)AI Agent 워크스테이션 구축 프로그램은 특정 클라이언트에 대한 데이터의 공개를 나타내지 않습니다.

일반적인 작업 도전

1. "Final kilometre" 기능 및 비즈니스 장면

• 일반 모델은 기업의 상황에 대해 이해하지 않습니다.큰 모델은 "What's Supply Chain Management"에 매끄럽게 대답 할 수 있지만 "고객의 반환 비율이 3 % 지난 달에 증가 한 경우"그것은 당신의 주문 데이터베이스에 액세스 할 수 없으며 실제 분석을 제공하기 위해 기록 반환.
• Business Knowledge는 효과적으로 조직되지 않습니다.제품 설명서는 Conflence에서 흩어져, 기술은 Git 창고에 있는 Markdown에서 저장되고, 표준 클라이언트의 단지는 비행 책 문서의 구석에 있습니다. 이 지식은 모형을 위한 “무 접근 가능한 어두운 자료”입니다.
• 출력은 관리할 수 없습니다모델은 설명 할 수 있습니다 – 비 유연 제품 매개 변수를 제작, 구제 프로세스를 인용, 기업 정책에 대한 금리를 제공. 클라이언트 중심 시나리오에서, 이 무연은 지방입니다.

2. 여러 에이전트 협업 및 도구의 복합 조직

• 단일 Ager 천장게스트 서비스, 에이전트, 액세스 지식 (제품 파일 확인), 데이터 쿼리 (체크 주문 상태 확인), 실행 (시작 환불) 및 판단 결정 (직불은 충족)에 대한 능력이 필요합니다. 이러한 모든 기능은 토큰이 매우 비싸지 만, 정확성 비율은 복잡성을 증가로 감소합니다.
• 기존 시스템과의 에이전트의 상호 작용: 에이전트는 기업 내에서 API을 호출해야하며 데이터베이스를 검색하고 CRM을 작동하며 모든 보안 제어 및 통화 링크를 필요로하며 모델은 민감한 데이터에 액세스 할 수 없습니다.
• MultiAgent 좌표 일정: 복잡한 작업은 전문 에이전트 협업의 수를 요구할 수 있습니다. 예를 들어 "고객 불만을 처리"는 에이전트의 역사적인 기록, 의사 결정 에이전트 판단 보상 계획, 에이전트 롤백의 구현 및 apology 메일을 전송하는 분석이 필요할 수 있습니다. 올바른 순서로 작업하는 여러 에이전트를 얻는 방법은 완전히 새로운 조직 도전입니다.

3. 충격 평가 및 지속적인 최적화를 위한 닫히는 반복의 부족

• 미터의 Lack:Agent는 나쁜 일을했다. 대답은 무엇입니까? 임무 완료율은 무엇입니까? quantifiable 평가 체계 없이, AI의 입력은 "Serdingham의 루이"가되었습니다 -- 당신은 알고, 유용할지도 모르지만, 그것은 얼마나 진짜로 작동하는지 명확하지 않습니다.
• 의견이 깨어 있습니다.: 사용자는 사용 중에 에이전트에 대한 잘못된 대답을 수정했지만, 수정은 모델링되지 않고 모델 성능을 최적화하는 데 사용되었습니다. 다음 시간, 에이전트는 동일한 잘못된 대답을 주지 않을 수 있습니다.

프로그램 디자인 사고

1. RAG + 지식 기초: 모형을 읽는 사업

• 사업 지식의 정량사용자는 가장 관련 지식 클립을 검색하고 모델 프롬프트에 컨텍스트로 주사합니다. 모델은 실제 비즈니스 지식에 기반하여 교육 데이터의 일반적인 지식에 대한 것입니다.
• 지속적인 개선된 품질 향상: 모델 선택, 세그먼트 정책, 검색 순서 알고리즘 - RAG 효과는 프로젝트의 이러한 세부 사항에 크게 의존합니다. ZhiHua Tech은 지속적으로 A / B 테스트 및 수동 표현 피드백을 통해 검색 및 정확도 비율을 최적화합니다.
• Guardrails 보안 가드모델 출력 이전에 규칙 엔진을 설정 - 출력이 false 제품 정보, breaches 준수 요구 사항을 포함 여부를 테스트하고 에이전트 기능을 초과 할 때 수동 이동을 권장합니다. 민감한 작업 (예 : 환불, 데이터 삭제)은 두 번째 확인이 필요합니다.

2. 기능 Calling+ 공구 사슬 통합

• 표준화 된 도구 envelope: 표준화 된 Funct / API으로 엔터프라이즈의 내부 시스템 (CRM / ERP / OA / 데이터베이스)의 기능을 캡슐화하여 기능 호출 프로토콜을 통해 수요에 에이전트 통화. 예를 들어 "QueryOrder" (customer Id = "A")는 JSON을 호출합니다.
• 기관 및 보안 관리: 에이전트의 도구는 사용자의 권리와 동일한 사용자 권한을 호출합니다 - 에이전트는 주문을 확인하고, 에이전트의 관리자는 환불 기능을 가지고 있습니다. 모든 민감한 작업은 감사 로그를 기록합니다.
• 다단계 납세 및 임무 계획: 복잡한 작업 (예 : "상품의 반품에 대한 이유의 분석은 지난 달과 개선에 대한 권고 사항"을 자동으로 다단계 임무로 깰 - 검색 결과물 쿼리 분석의 반환에 대한 데이터의 검색 Retrieval Improvement Program Quest의 상단 문제 Quest의 반환 퀘스트의 원인 분류. 각 단계의 결과는 다음 작업의 과정에 영향을 미치는 영향을 보여줍니다.

3. 평가 시스템 및 지속적인 학습

• 다차원 평가 지표: 응답, 작업 완료율, 사용자 만족, 평균 처리 시간, 변환율 - 각 모델 또는 Prompt 업데이트와 함께 양적 평가 기본 설정, 효과 변경을 설정한다.
• 인간 피드백 강화 학습 (RLHF): 에이전트의 응답, 예를 들어, acclaims/points, 오류 보정, 추가 지침 등 사용자의 피드백은 자동으로 수집되고 태그 프로세스에 입력되며, 정밀 태니 모델 또는 Prompt를 최적화하는 데 사용되어 있습니다.
• 효과 Viewboard: 관리는 에이전트 사용, 정확도, 사용자 만족 및 ROI의 실시간 지식으로 AI 입력 결정에 대한 데이터 지원을 제공합니다.

시스템 용량 범위

의약 기초와 RAG 엔진

• 다중 형식 문서 해상도 (PDF / Word / Marktown / Conflence / Flying Book)
• 벡터 데이터베이스 선택 및 최적화 (Milevus / Pinecone / Weaviate)
• 혼합 검색 (Variance Search + 키워드 검색 + 구조 필터)
• 부품 평가 및 Embeding Model Selection 및 평가

✈️ 조직 및 도구 체인

• 에이전트 워크플로우 레이아웃 엔진 (다중 협업 + 조건부 지분 + 루프)
• Function Calling Standard Tool 등록 및 통화 게이트웨이
• Multistep reasoning 임무 계획 및 구현 추적
• Tool Call에 대한 권한 제어 및 감사 로그

✈ 다 모델로 적응 된 층

• 다른 제조업체에서 API 차이를 보호하는 통합 모델 호출 인터페이스
• OpenAI/Azur/General/Man-Speed/DeepSeek와 같은 다수 모형 지원
• 모델 루트: 작업 및 비용의 유형에 따라 최고의 모델을 선택
• Fallback 메커니즘 : 메인 모델이 사용할 수없는 경우 자동 투글 백업 모델

Dialogue와 공용영역

• Intra-enterprise 채팅 플랫폼 통합 (Flying Book/Pertor/Soft)
• 웹 엔드 독립적 인 대화 인터페이스, Markdown 렌더링 및 코드 강조 지원
• Contextual Memory 및 멀티사이클 대화 관리
• 유체 출력, 낮은 사용자 대기 perception

• 플랫폼의 평가 및 최적화

• Prompt 버전 관리 및 A/B 테스트
• 대답 질 자동적으로 득점 + 수동 상표
• 사용자 의견 수집 및 분석
• 통계 및 ROI 패널 사용

제품 정보

의 값 방향

• 지식 취득은 "서류 참조"에서 "에 대해 물어"로 이동했습니다.: 제품 매개 변수, 운영 프로세스, 역사 프로그램 등 비즈니스 지식은 즉시 자연 언어로 인수되어 60 % +로 교차 문화 쿼리를 줄이기 위해 시간을 단축합니다.
• 중복 작업표 처리 자동화• 높은 주파수는 고객 서비스, IT 지원, HR 질문 및 답변을 담당하고 에이전트가 처리하고, 40 ~ 70 퍼센트의 수동 개입률을 감소시킵니다.
• 연주회에서 Agent 수행: 데이터 분석 생성, 계약 조건 검토, 코드 검토 보조, 다중 단계 소원을 필요로, 에이전트는 수동 감독의 첫 번째 초안을 완료.
• AI 기능의 지속적인 진화: 피드백 루프 및 평가 시스템을 통해 에이전트 성능은 한 번 배포 후 점차 감소보다 증가한 사용률을 증가시킵니다.