Trạm làm việc thông minh AI

Áp dụng cảnh

Vào năm 2025-26, mô hình ngôn ngữ lớn đã tiến hóa từ "có thể chat trong hộp thoại" thành "Agent" thành "Có thể gọi công cụ, nhiệm vụ, nhớ bối cảnh." Điểm tập trung kinh doanh thay đổi từ "W hay không sử dụng AI""Làm thế nào để nhúng AI vào quá trình kinh doanh hàng ngày để tất cả mọi người ở mọi vị trí có thể thực sự sử dụng nó."。

Nhưng có một khoảng cách lớn giữa thực tế và kỳ vọng: mô hình chung không hiểu bối cảnh kinh doanh của doanh nghiệp - nó không biết các quy tắc sản phẩm của bạn, không biết quá trình chấp nhận của bạn, và bạn không tích lũy một cuộc trò chuyện khách du lịch năm. cung cấp kiến thức kinh doanh cho mô hình, làm cho nó hoạt động theo dòng chảy kinh doanh, và bảo đảm rằng kết quả xuất ra là có thể kiểm soát và kiểm toán - đây là những khó khăn thực sự cho việc thực sự cho việc kinh doanh.

Những cảnh được miêu tả ở đây là cho các doanh nghiệp mà mong muốn có được khả năng mô hình lớn vào dòng chảy làm việc hàng ngày để đạt được hiệu suất điều khiển AI.ZhiHua Tech (Shanghai e-Seo-su Hseen-Shui Intech Ltd.)Chương trình xây dựng trạm làm việc AI không đại diện cho việc tiết lộ dữ liệu cho các khách hàng cụ thể.

Những thách thức hoạt động điển hình

1. "Nát đạn" giữa khả năng và hiện trường kinh doanh

• Mô hình chung không hiểu bối cảnh của doanh nghiệp.Mô hình lớn có thể là một câu trả lời trơn tru cho "Những gì là quản lý chuỗi cung ứng", nhưng khi bạn hỏi "Tọa độ trả về của khách hàng của A tăng lên 3% tháng trước," nó không thể truy cập cơ sở dữ liệu của bạn và trả lại cho một phân tích thực sự.
• Kiến thức kinh doanh không được tổ chức hiệu quảSổ tay sản phẩm được rải rác trong Confuence, công nghệ được lưu trữ ở Markdown trong kho Git, và thuật ngữ của khách hàng tiêu chuẩn nằm ở góc của tài liệu đang bay. kiến thức này là "dữ liệu tối có thể tìm thấy" cho các mô hình.
• Không điều khiển được kết xuấtMô hình có thể tạo ra ảo giác-- tạo ra các tham số sản phẩm không tồn tại, trích dẫn các quá trình cũ, và đưa ra lời khuyên trái ngược với chính sách công ty. trong một kịch bản khách hàng, sự không thể hiểu này là nguy hiểm.

2. Tổ chức phức tạp nhiều đặc vụ hợp tác và công cụ

• Một con Ager có trần nhàDịch vụ khách, đặc vụ, yêu cầu khả năng cả hai đều truy cập kiến thức (xem tập tin sản phẩm), yêu cầu dữ liệu ( tinh thần thứ tự), thực hiện (bắt đầu hoàn lại), và thẩm phán quyết định (tiểu thức được thỏa mãn). Tất cả những khả năng này được nhúng vào ngụ ý rằng không chỉ biểu tượng cực kỳ đắt, mà tỷ lệ độ chính xác giảm dần với sự phức tạp ngày càng tăng.
• Sự tương tác của đặc vụ với các hệ thống hiện có: Đặc vụ cần gọi cho API trong công ty, cơ sở dữ liệu tìm kiếm, điều hành CRM - tất cả đều yêu cầu kiểm soát an toàn và liên kết, và mô hình không thể là "tự do" để truy cập dữ liệu nhạy cảm.
• CommentCông việc phức tạp có thể cần một số đặc vụ chuyên nghiệp hợp tác - ví dụ, "bắt tay một khách hàng khiếu nại" có thể yêu cầu một phân tích của các hồ sơ lịch sử của đặc vụ, một chương trình bồi thường quyết định, một thực hiện các đặc vụ cuộn lại và gửi thư xin lỗi. Làm thế nào để có được nhiều đặc vụ làm việc theo trình tự đúng là một thách thức hoàn toàn mới về tổ chức.

3. Thiếu vòng khép cho việc đánh giá tác động và tối ưu hóa liên tục

• Thiếu số đoNếu không có hệ thống đánh giá định lượng, dữ liệu của AI trở thành "Roi of Scherdingham" -- bạn biết đấy, nó có thể hữu dụng, nhưng nó không rõ ràng bao nhiêu.
• Phản hồi đã bị hỏng.: Người dùng sửa chữa câu trả lời sai cho tác vụ, nhưng sự sửa sai không được thu thập một cách có hệ thống và dùng để tối ưu hóa hiệu suất mô hình.

Suy nghĩ về thiết kế chương trình

1. RAG + kiến thức cơ bản: làm cho mô hình đọc kinh doanh

• Sự đa dạng kiến thức kinh doanhNgười dùng yêu cầu, hệ thống lấy các đoạn phim kiến thức liên quan nhất và tiêm chúng vào trong mô hình nhắc nhở. mô hình dựa trên kiến thức kinh doanh thực sự, không phải kiến thức tổng quát về việc đào tạo dữ liệu.
• Tìm lại chất lượng liên tục được cải thiện: Sự lựa chọn mô hình nhúng, chính sách phân đoạn, thuật toán xếp dãy - hiệu ứng RAG phụ thuộc rất nhiều vào những chi tiết của dự án. ZhiHua Tech liên tục tối ưu hóa và tỷ lệ độ chính xác thông qua việc thử nghiệm A/B và đại diện thủ công.
• Bảo vệ sự an toànĐặt một động cơ quy tắc trước khi mô hình xuất - kiểm tra xem kết xuất có chứa thông tin sản phẩm sai, các lỗ hổng tuân theo yêu cầu cần thiết và đề nghị chuyển đổi bằng tay khi khả năng đặc vụ vượt quá. Việc hoàn tất công việc (v. d. hoàn lại, xoá dữ liệu) cần thiết xác nhận lại lần thứ hai.

2. Hàm Đang gọi công cụ chuỗi

• Phong bì công cụ đã chuẩn hoá: Encapsulating the capabilities of the enterprise's internal system (CRM / ERP / OA / database) as a standardized Funct/ API, Agent calls on demand through Function Calling Protocol. For example, "QueryOrder" (customer Id= "A") calls `returns structured JSON.
• Quyền hạn và sự kiểm soát an ninhCông cụ của đặc vụ gọi cùng quyền với quyền của người dùng - đặc vụ có thể kiểm tra một mệnh lệnh nhưng không hoàn lại, và người quản lý của đặc vụ có quyền hoàn trả lại.
• Lập luận và lên kế hoạch nhiệm vụ đa bước: Để thực hiện các nhiệm vụ phức tạp (v. d. "Analysis of the reasons of the rations of the sunation of the bests month ngoái và giới thiệu để cải thiện", đặc vụ tự động chia nhỏ thành các nhiệm vụ đa bước - truy vấn dữ liệu về việc gửi lại hàng hóa truy cập để phân loại lại vấn đề đầu của các báo cáo tìm kiếm tái cải tiến chương trình. Kết quả của mỗi bước ảnh hưởng đến tiến trình hành động tiếp theo.

3. Phân tích hệ thống và học liên tục

• Chỉ thị đánh giá đa chiều: Chính xác về sự trả lời, tỉ lệ hoàn thành công việc, sự hài lòng của người dùng, thời gian xử lý trung bình, tỷ lệ chuyển đổi — thiết lập một trục đánh giá định lượng, so sánh hiệu ứng thay đổi với mỗi mô hình hoặc cập nhật nhanh.
• Học tăng cường từ phản hồi của con người (RLHF): phản hồi từ người dùng trên trả lời của Đặc vụ, e.g., tán dương/points, sửa lỗi, hướng dẫn bổ sung, v. v., được tự động thu thập và nhập vào tiến trình đánh dấu, và được sử dụng theo tuần hoàn để mô hình fine-tune hoặc tối ưu hóa nhắc.
• Bảng xem hiệu ứngQuản lý cung cấp hỗ trợ dữ liệu cho việc đưa ra quyết định đầu vào AI thông qua kiến thức thời gian thực về đặc vụ sử dụng, chính xác, hài lòng người dùng và ROI.

Phạm vi của khả năng hệ thống

_Lấp hiểu cơ sở và động cơ RAG

• Độ phân giải tài liệu đa định dạng (PDF/ Marktown/Conflience/Flying Book)
• Chọn cơ sở dữ liệu và tối ưu hóa (Milevus / Pinecone / Weiaviate)
• Tìm kiếm đã trộn (Tìm kiếm thiếu vắng + Từ khoá Tìm kiếm + Bộ lọc cấu trúc)
• Chính sách nâng cao một phần và nhúng Mô hình chọn và phân tích

Tổ chức và công cụ Trói lại

• Cơ chế bố trí làm việc đặc vụ (sự hợp tác sinh học + chi nhánh + vòng lặp)
• Đang gọi công cụ chuẩn và cổng thông báo
• Name
• Name

_Gỡ bỏ lớp

• Mô hình hợp nhất gọi giao diện để bảo vệ sự khác biệt API từ các nhà sản xuất khác nhau
• Hỗ trợ nhiều mô hình như OpenAI / Azure / General / Man-Speed / DeepSek
• Đường mô hình: Tự động chọn mô hình tốt nhất tùy theo kiểu nhiệm vụ và chi phí
• Cơ chế dự phòng: Mô hình sao lưu tự động bật lên khi không có sẵn mô hình chính

Hộp thoại và giao diện

• Trình tổng hợp kênh tin nhắn nội tâm (Flying Book/Pertor/Soft)
• Giao diện hộp thoại độc lập Web, hỗ trợ cách vẽ và đánh dấu mã
• Quản lý bộ nhớ ngữ cảnh và hộp thoại đa xe đạp
• Kết xuất lỏng, người dùng thấp hơn đang đợi nhận thức

• Giúp đỡ và tối ưu hóa nền

• Nhắc quản lý phiên bản và kiểm tra A/B
• Trả lời chất lượng tự động ghi đè + nhãn hướng dẫn
• Phân tích và thu thập phản hồi người dùng
• Dùng bảng mã và số liệu thống kê

Name

Hướng giá trị đã chọn

• Hiểu biết đã chuyển từ "xem tài liệu" sang "Câu hỏi về"Kiến thức kinh doanh, như tham số sản phẩm, quá trình hoạt động, chương trình lịch sử, được thu thập trong ngôn ngữ tự nhiên ngay lập tức, giảm thời gian cho các cuộc truy vấn chéo thị trường của 60%+.
• Tự động xử lý bảng làm việc tự động• Đặc vụ xử lý các câu hỏi và câu trả lời của HR, giảm thiểu 40 đến 70 phần trăm số lượng các dịch vụ bằng tay.
• Công việc phức tạp được thực hiện bởi đặc vụ trong buổi hòa nhạc: Các công việc như là phân tích dữ liệu, xem xét các điều khoản hợp đồng, các công cụ xem xét mã hóa, yêu cầu lý luận đa bước, và đặc vụ hoàn thành bản thảo đầu tiên dưới sự giám sát của hướng dẫn sử dụng.
• Tiến trình tiến hóa liên tục AIThông qua các vòng phản hồi và hệ thống đánh giá, hiệu suất đặc vụ tăng lên với sự sử dụng tăng hơn là giảm dần sau một lần triển khai.