過去的一年里，OpenAI開發的ChatGPT掀起了大模型的熱潮，使人工智能在多個領域取得了驚人的突破和變革。然而我們發現，市場上的通用大模型雖功能強大，但似乎并不能完全滿足不同企業的個性化需求。

十年來，云問科技在企業知識管理方面積累了豐富的經驗，深知企業對于知識管理的需求。因此我們提出了企業私有化知識大模型的概念，旨在為企業提供更貼近自身業務需求的人工智能解決方案。

我們深入研究了國內外的基線大模型，結合企業業務數據進行了大量的微調訓練，推出了「云中問道」企業私有化知識大模型。解決了本地知識庫結合大模型可能出現的難點問題。

（歡迎關注公眾號：云問科技）

同時，針對生成式模型的合規與幻覺問題，進行了大量的優化，并在生成之前對輸入數據進行過濾篩選，生成之后對輸出數據進行合規與事實性的檢測，基本實現了全流程的可控生成。

同時在大模型國產化方面，云問科技與華為西安未來人工智能計算中心一起，在基于華為NPU的LLaMA適配開源項目中實現了從模型到應用，從軟件到硬件全方案國產化，讓企業用起來更加安心。

如何讓大模型真正在企業中落地？是我們一直深刻思考的問題。所以很長時間以來，云問都在研究如何將大模型與企業現有的產品結合，為企業提供更高效、智能的知識管理和服務解決方案。

我們設計了一整套大模型產品矩陣——Y-ASK（云問），包括ChatYun-云中問道企業私有化知識大模型、AIgalaxy-AIGC應用、ServiceAI-智慧營服以及Know+-知識智能。

01

智慧源于專屬

璀璨始于便捷

我們希望能夠帶給用戶像天上的繁星一般多樣化的應用，可供用戶在有需求時，及時選用這些根據其企業自身場景設計的應用，并且諸多應用之間有鏈接和呼應，能夠最大限度在企業各類場景中發揮價值。

但傳統大模型坐落地應用，需要的開發和部署都涉及十分復雜的技術要求，需要對深度學習、自然語言處理等領域有深入的專業知識。普通用戶或非技術背景的用戶難以玩轉，從數據預處理、模型訓練到部署等環節都是非常耗時的過程，需要耗費大量的時間和人力。

另外，傳統通用模型往往無法滿足用戶在不同應用場景上的特定需求和靈活性。

針對這個情況，云問將專屬的行業數據微調大模型和針對性的AIGC應用融合提供。基于這套系統，每個人可分分鐘手搓一個大模型快速應用，不需任何開發過程和繁瑣的配置，通過簡單的配置即可上線使用，大大節省了應用創建的時間，快速實現落地。

我們將AIGC應用平臺的應用分為簡單應用與綜合應用。簡單應用主要面向不依賴大模型以外的數據即可完成的單任務應用，綜合應用面向需要綜合多個外部系統或者應用的復雜類任務。

目前該平臺已經提前在多個客戶落地試運行。如某客服中心可利用該平臺，根據管理者表達的重點訴求，直接調用多個客服中心系統數據，自動生成綜合運營報告。

02

智慧源于專屬

服務創造未來

Part.1 問答效果upupup！

基于大模型發布，本次問答系統在許多方面都有升級改進。云問利用私有化知識大模型對原來的客服機器人進行系統升級，引入改寫式問答、文檔生成式問答功能，這將極大地提升問答體驗。

改寫式問答能夠將用戶提出的復雜問題拆分成多個知識點，然后從已有的知識庫中匯總相關信息，通過大模型進行融合，以簡潔明了的方式回答用戶。這種問答方式不僅適用于場景問題，還可以根據用戶的不同需求提供多種角色選擇，使回答更加貼切和易于接受。同時，還優化了上下文理解能力，支持更豐富的獲取方式。

針對沒有 FAQ 庫的企業，云問提供了基于私有化知識大模型的文檔生成式問答，用戶提問后，可從提供的產品或政策文檔中定位相關內容，并通過大模型加工，找到合適的回答。這種方法不僅可以從單篇文檔中找到答案，還能支持跨文檔的知識點。

此外，還可以實現雙語問答以及多模態問答，無論是圖片還是表格，都可以從文檔中找到相關內容，并為用戶提供豐富多樣的問答體驗。

Part.2 客服知識構建，輔助人工提升服務客戶滿意度！

如果一個企業能夠把知識加工得更加精細，那么其消費者的問答體驗肯定會更好。

因此在ServiceAI智慧營服這塊，我們也有知識的構建功能，通過FAQ抽取、相似問的生成及場景的搭建三大方式構建客服的話術庫。例如在FAQ抽取方面，大模型自動生成問題答案，隨后人工審核入庫，提高話術庫的準確度。

構建好的知識能夠為客服的工作帶來許多方面的提升。

首先是畫像抽取，通過大模型實時從用戶以往的服務記錄中提取出用戶關注的重點，為客服提供巨大的幫助。此外，我們發現在客服和銷售中心中常常存在類似專家角色的人員，他們的服務記錄和話術都是企業寶貴的資產。通過大模型分析，可以幫助生成這些優秀話術，用于未來培訓和其他人的話術輔助。

其次云問開發了流程話術抽取工具，能夠快速根據服務記錄生成企業的歷史服務記錄流程話術。在實踐中，我們對不同類型的客戶進行了分析，包括技術工程和化妝品消費，提取出不同領域的流程話術。這些流程話術可以引導不同角色用戶參加我們的活動，顯著提高效果。

第三是工單抽取功能，可以通過大模型快速提取客服在服務過程中所需填寫的信息，比如用戶年齡、地址等，可以用于快速總結服務事件。

最后客服人員在提供服務后通常需要進行總結。通過大模型快速生成服務小結，并抓取用戶關鍵信息節點，可以有效避免信息丟失或不專業的情況。這樣，客戶不再需要重復說明，提高了服務效率。

以上工具能夠大幅提高客服人員的服務效率，節省時間，讓一個人的服務量從100個增加到150個。同時每個服務的時長縮短，大大提升了整體服務量。

Part.3 一對N人機耦合，快速打造銷冠團隊！

在與客服行業從業者交流時，我們發現他們希望機器人在客戶服務中起主導作用，當機器人無法解決問題時，再轉接給人工客服。

每個客服代表或銷售代表都像團隊主管，雇傭不同的機器人。在這種情況下，我們可以實時展示三通電話的進程，并在判斷客戶有投訴、消費或買單可能時接管服務。

然而，由于過去的問答和交互體驗不夠流暢，實現人機耦合相當困難。但現在，AI實時生產和實時問答體驗已顯著提升，使得在不太復雜的場景下，客服人員可以實現真正的人機耦合。

通常情況下，由于不能讓新員工直接面對真實客戶，因此難以通過真實情景進行客服培訓。

現在可以使用大模型進行對練，學習以前的服務記錄，快速構建用戶真實場景，讓客服應對各種難題和刁鉆問題。可能包括投訴處理、購買流程等。

在此過程中，我們可以實時提供質檢，以便客服快速發現問題并做出總結。

此外，還可以進行隨練隨評，在整通隊列完成后，機器會自動完成畫像評分，評估崗位技能矩陣，幫助客戶了解自己的問題所在并針對性地解決。

03

智慧源于專屬

知識啟發創新

知識管理是企業數字化轉型的關鍵。知識是企業重要的智力資產，通過構建知識中心，企業可以更好地賦能業務創新。而大模型的出現，為知識管理帶來了新的機遇。

云問知識工程通過對知識進行分類、加工、消費，助力企業實現知識體系的完善和科學化。十年來，我們在知識工程領域積累了豐富的經驗，提供了從自動化知識構建到統一知識體系的解決方案，適用于知識密集型行業，如研究院、飛機制造、汽車制造和建筑設計等。通過知識工程，企業可以在數字化轉型道路上走得更扎實，創新更有基礎。

云問知識工程涉及到不同類型的知識，包括FAQ、SPO、關系、流程等。對于不同的企業或場景，知識最終呈現的形式和方式也不同。因此，我們將知識區分為不同類型，以便在知識加工過程中明確不同對象的知識類比。

在知識工程的能力層，我們會進行文件預處理、多模態識別或視覺定位等操作，以了解知識所在的位置。此外，由于企業可能已經使用了許多不同的系統，此時需要進行知識中間態接口和任務能力的開發。

我們的知識工程平臺集標注、訓練、審核和抽取于一體，使企業在一個平臺上完成所有工作，便于知識復用。在知識加工完成后，可以無縫對接到企業的知識中心，最后通過檢索、問答、決策、支撐和推薦等多種形式進行知識消費。

Part.1 大模型加持，最快速全面的知識構建！

在大模型知識構建方面，云問將知識構建拆分為FAQ構建、圖譜構建、多模態構建和關鍵信息構建等環節。

首先，在FAQ構建方面，我們從不同數據文檔中生成 QA 和問題相似問，然后生成答案相似問，接著進行人工審核，最后供機器人消費。

在圖譜構建方面，我們堅持將大模型與知識圖譜相結合，使用知識圖譜讓大模型在生成時更具可控性和精準性。同時，我們也利用大模型來構建圖譜能力，例如標簽標注提取、摘要生成、文檔分類等。此外，我們還可以進行主題抽取、屬性抽取和關聯關系抽取，從而實現文檔的多維度調用。

在多模態知識構建方面，云問實現了文檔段落抽取、圖片抽取和公式提取等功能。用戶可以通過圖片識別定位、標題判斷、人工審核標注等操作，將圖片數據轉化為可編輯的公式類型知識。對于復雜的公式，用戶只需提供數據，機器即可給出結果。

Part.2 搜得更快，答案直給！

-聚合搜索-

知識消費場景的重要部分就是搜索。我們提出了聚合搜索的概念，認為不能單純依賴大模型來定位知識，而是需要保留原有的搜索形式，但通過優化語義適配和推薦算法來提高搜索的準確性。

當用戶提問時，系統會在后臺找到所有相關的知識點，并根據優先級和訪問熱度進行排序。對于能夠通過MRC（機器閱讀理解）找到答案的問題，系統會直接給出答案，并標明知識來源。同時，系統還會通過圖譜推薦相關的知識，幫助用戶更好地理解知識體系。

-文內問答-

除了聚合搜索，當用戶已經定位到某一篇文檔時，系統還提供了文內問答功能。對于篇幅較長的文檔，用戶可以通過提問來獲取文檔中的關鍵信息。系統通過長文檔拆解技術對文檔進行預處理，然后根據用戶的問題在文檔中找到相應的答案。此外，系統還會采用證據定位技術，標明回答內容的來源，方便用戶追溯。

-處置分析-

除了能夠主動搜索知識，在應急災害發生后，通過結合處置圖譜和大模型，系統還可以針對不同情況為用戶提供處置分析。

例如，當用戶提問如何處理機動車在道路上撞人后逃逸的事故后，系統會分析事發情況、區域政策、傷亡情況等因素，給出處置建議和相關知識點。整個處置分析過程實際上是大模型和知識圖譜相結合的結果。

Part.3 幫你寫最貼合業務的報告！

在知識消費領域，除了前面提到的對于知識的搜索、處置建議的生成，云中問道大模型還可以進行智能撰寫。

在撰寫過程中，根據以往同類型的文檔進行強化訓練，例如設計一些類型、樣式變更、續寫或流程干預等。這些操作都可以在整套知識編輯輔助平臺上實現，我們已經在右側插入了一些插件，如WPS等，以便在撰寫文檔時提供輔助。同時能夠判斷文檔是否符合當前的流程和規范，并且從某個地方找到一些信息來支撐和輔助撰寫。

對于事件報告，可以通過事件立方來完成對事件的分析、篩選和預測。通過對大模型的事件閱讀，我們可以發現每一類事件都有一個可梳理的發展路線，以及接下來的可能趨勢。

由于人類受限于對知識的閱讀量，無法在短時間內快速獲取大量信息。因此，大模型的優勢就體現出來了，如果將人工經驗與大模型相結合，可以快速產出高質量的事件報告，幫助我們對事件進行預測。

Part.4 智能培訓，讓新員工更快上崗！

云問能夠通過圖像識別的技術、關鍵詞生成技術以及字幕生成技術來自動生成培訓視頻和課件，同時還能自動生成考題，當考試完成后，機器能夠自動判卷，并根據考試成績定制推送新的學習內容和考卷。

這將大大提升培訓效率，同時降低培訓投資成本。

04

落地場景

最后，我們認為大模型在企業落地時，必須結合不同行業的場景。例如，在方志的數字宣傳平臺上，云問匯總了傳統的地方志內容，方便用戶在搜索和撰寫時使用大模型能力。在出版社的知識管理中，我們將不同類型的知識匯總，利用大模型進行學習。這使得搜索推薦和快速問答功能在平臺上得以實現，甚至可以指導工程領域的工作。

在政務應用中，云問快速學習了政務服務事項，形成了政務知識中心。用戶可以在這里獲取服務辦理幫助，甚至可以在聊天過程中完成事件辦理。在工業領域，我們管理設備的全生命周期知識，包括故障定位、預測、案例生成和檢修單智能填寫等功能。這大大提高了設備管理的效率。

此外，云問還實現了技術標準的消費和應用，提高了研發效率。在汽車經銷體系中，能夠讓銷售人員快速掌握汽車知識，維修人員能夠定位并解決故障。這些應用都需要一個知識中心來驅動。

除了上述案例，云問還在公共服務體系、智能黨建、消費服務等場景中實現了大模型的行業落地。大模型在多個行業和場景中發揮著重要作用，為企業提供了強大的支持賦能。

在未來，云問將繼續推動技術創新，不斷拓展AI對各領域的智能化升級。我們堅信，智慧源于專屬，讓每家企業都能擁有個性化的智能化解決方案，讓每個人的生活都因智慧而更加美好！

欲了解或者獲得更多信息，請關注公眾號：云問科技。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。

關鍵詞：