暂无搜索历史
大模型百花齐放,但给企业研发团队带来的第一个“见面礼”往往是:接一个模型,写一套代码。
AI底座不是又一个“AI应用”,而是让所有AI应用能够规范运行、有序沉淀、安全可控的基础设施。
“我们团队用LangChain搭了一个RAG(检索增强生成)原型,两周就跑通了。但现在要上线,发现一堆问题——调用链路太复杂、成本不好控制、权限管理基本没有。L...
使用自然语言处理技术,尤其是基于BERT或GPT系列的模型,可以对合同文本进行段落级分类,识别出:
在API调用链路中增加一个统一代理层,所有AI请求先经过该代理,再由代理转发到各模型厂商。代理层记录每次调用的完整信息。
“救命,今天入职5个人,每个人的学历证、身份证、上一家公司的离职证明都要核对、归档、录入系统。我刚弄完第2个,还有3个人在等。午饭肯定没戏了。”
有做内部知识库的,有做智能客服的,有做合同审查的,有做技术文档问答的。行业分布很广,问题却惊人地相似。
某制造企业的技术负责人跟我吐槽:“我们评估了十几个方案,有的开源但运维成本高,有的商业产品但价格贵,选了大半个月还没定下来。”
他们公司法务团队一共5个人,每天要审查20-30份合同。采购合同、销售合同、保密协议、NDA……每份合同都要逐条看条款、找风险点、写审阅意见。
研发用DeepSeek写代码(便宜),运营用GPT-4写文案(效果好),客服用Claude做问答(安全),数据分析用通义千问(合规)。每个模型各有所长,每个部门...
这类平台的核心价值很直观:通过可视化画布拖拽组件,就能构建AI工作流、RAG应用和AI Agent。让AI应用开发从“写代码”变成“搭积木”。
但我在最近的一次行业交流中发现了一个令人意外的现象:绝大多数企业的AI项目,不是卡在模型能力上,而是卡在“数据出不去”这一步。
他们公司有300多份内部文档——员工手册、报销流程、技术规范、产品说明。新人入职要花两周熟悉这些资料;客服回复客户问题,经常在不同文档间来回切换。
传统RAG(检索增强生成)已经成了大模型落地的标配方案——把文档切块、向量化、检索、喂给LLM。
我们需要先承认一个事实:当前市面上的主流AI工具,设计目标是通用性,而非企业集成性。
他换了个思路:不搞全自动、不追求“智能”,只解决最痛的问题——把那些翻来覆去问的问题,让机器去回。
上个月,我们公司市场部一位老员工离职。交接文档很完整:十几个账号密码,邮箱、CRM、协作平台……全了。
市场部用ChatGPT,运营部用Claude,设计部用Midjourney,研发部用Copilot,客服部有自己的AI机器人……每个部门都在“提效”,只有CTO...
「这个月 AI 花了多少钱?」——这个问题,在很多公司里没有人能准确回答。不是因为没人关心,而是因为大模型调用的成本天然是分散的:各个项目用各自的 API Ke...
Text-to-SQL 的 Demo 很好做:给模型一张表的 schema,让它写 SQL,十有八九能写出来。但真正在企业里落地,挑战完全不同:几十张表、命名混...
暂未填写公司和职称
暂未填写个人简介
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市