企业知识库与 RAG 问答
智能客服与坐席辅助
AI 内容生成与审核
Agent 工作流自动化
私有化部署与模型微调
AI 效果评测与成本治理
我们怎么看 AI 项目
过去两年，我们接触到的 AI 需求里，大约有一半在做完 PoC 之后就停住了。不是模型不行，而是卡在同样几件事上：答得对不对没人能说清、成本算不出来、知识更新一次要重做一遍。
所以我们做 AI 项目的顺序和别人不太一样：先建评测集，再写代码。
- 定场景：把「用 AI 提升效率」拆成具体的、能判断对错的任务。
- 建评测集：收集 100-300 条真实问题与期望答案，作为效果基线。没有这个，后面所有优化都是盲调。
- 做 PoC：2-4 周跑通最小闭环，用评测集给出准确率、延迟、单次成本三个数字。
- 决定投不投：数据不达标就调整方案或叫停，而不是硬着头皮做下去。
- 工程化：接入权限、审计、监控、灰度，做成一个真正的系统。
主要方向
企业知识库与 RAG 问答
把散落在文档、工单、Wiki、数据库里的知识，变成能直接问答的入口。我们处理的重点通常不在「调用模型」，而在检索质量：文档切分策略、混合检索（向量 + 关键词）、重排序、引用溯源、权限过滤。每条答案都要能点开看到出处，否则业务方不会信任它。
智能客服与坐席辅助
分两种形态：全自动应答（适合高频标准问题）和坐席辅助（AI 起草、人工确认后发送）。后者上线阻力小得多，也更容易积累训练数据，我们通常建议从坐席辅助起步。
内容理解与审核
视频、图片、文本的自动打标、摘要、分类与合规审核。这块我们能和已有的视频转码链路直接打通——转码时顺便抽帧、抽音轨做识别，不用另建一套采集。
Agent 与流程自动化
让模型调用你的内部接口去完成多步任务：查订单、走审批、生成报表、更新工单。关键在于权限边界与可回滚——我们会把高风险操作设计成「AI 提议、人工确认」，而不是让它直接执行。
私有化部署与微调
数据不能出内网的场景，我们提供开源模型的私有化部署方案（含 GPU 选型与并发测算），以及基于业务语料的微调与蒸馏。注意：大多数场景先做好 RAG 和提示词工程就够了，微调是最后手段而不是第一选择。
关于模型选型
我们不绑定任何一家模型厂商。同一套应用架构下，闭源 API 与开源自部署模型可以随时切换，选型依据是三个实测数字：评测集准确率、P95 延迟、单次调用成本。合规要求（数据出境、等保、行业监管）通常是第一约束条件，我们会在方案阶段就把它讲清楚。
成本这件事
AI 应用的成本结构和传统系统完全不同——它随调用量线性增长。我们在方案里一定会给出单次调用的 token 成本估算和月度预算区间，并在工程上做好三件事：缓存高频问答、按任务难度分级路由到不同规格的模型、控制上下文长度。这三项通常能把账单压掉一半以上。
报价参考
| 阶段 | 内容 | 周期 | 参考预算 |
|---|---|---|---|
| 场景评估 + PoC | 评测集 + 最小闭环 + 三项指标 | 3-4 周 | 5 万起 |
| 单场景上线 | 知识库问答 / 客服辅助等 | 2-3 个月 | 20 万起 |
| 平台化建设 | 多场景 + 权限 + 运营后台 | 4-6 个月 | 面议 |
想先判断你的场景适不适合上 AI？我们可以做一次免费的场景摸底，联系我们。
交付物清单
- 场景可行性评估与 PoC 验证报告
- 评测集（Eval Set）与效果基线数据
- 完整应用源代码与提示词工程资产
- 知识库构建与更新流水线
- 成本模型：单次调用成本与月度预算测算
- 上线后的效果监控看板与迭代机制