企业在发展的过程中，不断积累数据、知识等内容，如何令这部分内容真正地发挥其价值？如何利用数据赋能企业内部的核心管理？推动核心业务的进展？

在鸿翼X爱分析网络研讨会上，鸿翼解决方案中心总经理马骁带来《大模型知识管理案例分享》，以下是分享视频和文字实录。

本次分享将结合大模型知识管理的一些应用方向，以及相关具体落地实践案例来做展开。

随着市场的进程开展数字化转型，新质生产力在大模型知识管理领域中应用得非常深刻和透彻，我们的关注重心逐渐从信息化建设到数字化和智能化方向。大模型知识管理包含了知识管理所要求的数据要素，如何结合 AI 大模型，利用数据为实际业务做赋能，是当前重点探讨的内容。

我们的方案理念是聚焦在企业的自有知识内容与非结构化数据，结合新的生产方式，利用 AI 大模型构建全局的智能知识管理系统，完成人与知识、业务与知识间的互动和融合。我们希望通过新形态知识管理系统改善原来由人主动找知识、业务积累知识，变为知识更加主动精准找人，知识内容能够深入影响具体业务，真正帮助企业提质增效。

所以我们大模型知识管理理念是希望以 AI 大模型为技术驱动，以企业自身数据资产和知识沉淀为基础，通过知识管理深入赋能业务场景，重塑业关键业务和流程，并聚焦在不同层次，从办公到经营管理到核心业务，推行大模型知识管理在企业应用侧的“一体三环”落地路径。

那么上述这套体系如何真正赋能到前端的办公管理或核心业务呢，下面将用几则案例具体说明。

案例一：某芯片半导体企业-智能助理

某芯片半导体企业希望能够结合大模型，通过对知识的深度挖掘，提高知识生产和获取的效率，智能获取知识和各种业务中散落的相关数据，实现自动分析、辅助业务决策、串联指令的理解和执行，充分调动信息化系统。

在具体的落地点上，企业希望通过大模型知识管理系统逐渐创造智能助理，从智能实习生慢慢过渡到数字助理，甚至到咨询顾问专家，最终成为优秀的数字员工。同时，也能够帮助企业充分利用分散的文档、知识内容、业务系统中的数据，通过问答类应用快速获取已有知识内容，以及通过任务类构建实现快速任务的执行。利用 AI 智能体方式，在 AIGC 生成类方向上有所建树，包括邮件内容生成、文案生成，甚至到专业文档的内容生成。

其中有几个重点想要分享：

1、智能问答

在智能问答方面，我们已突破了原有大模型智能问答形态，希望结合更多的企业事实，过程中的每一个问答，都能够重现调动后台知识资源、文档资源、系统资源，在问答交互中以更直接知识形态反馈给前端。

1）当使用者问完问题，系统可以对内容做相应总结；

2）将回答中包含的相关视频、表格、图片等，作为事实基础插入到回答；

3）加入问答所涉及到的相关系统与可能调用点击的系统链接；

4）对于回答中涉及到的专有名词，连接企业专有名词库，将名词解释一并展示；

5）整个过程中的溯源，将知识内容都以溯源的方式体现出来，使得智能问答的回答丰富度、关联后台数据信息的种类程度，以及关键的溯源问题，共同封装，使得问答的交付更具有可实用性。

2、数据表问答

以往查找具体数据要进入到具体系统、页面，经过数据的筛选再做相应浏览，该链条其实是非常长的。现在是否能通过问答方式的简单交互，把一些问题做自动的语义理解，通过 Function call 找到合适的智能体，回答问题中涉及的不同要素，最终拼装成具体回答。

这方面的运用也比较多，鸿翼在智能故障排查工单的关联问题场景上，帮忙落地数据问答智能体，达到了非常好的效果。

3、邮件生成

在内容生成方面我们也做了很多处理，企业希望能够形成系统的维护公告、面向供应商的感谢信测试类报告、资源申请类邮件内容的自动生成等。过程中我们通过简单交互获取客户意图，调取相关需求模板，通过提示工程、内容输入，做相应的思维链处理，形成范本。内容拼装、组接，最后形成输出效果。在日常工作中借助以往的内容、知识积累，快速提升用户办公效率。

案例二：某制造企业-智能客服应用

某制造企业想要构建庞大的面向海外的客服体系知识管理系统。基于上述背景，我们主要帮助企业解决三方面问题。

1）知识产生，大模型可以基于海量的产品操作手册、维修故障手册进行快速理解，并形成 FAQ 对。庞大的产品体系手册、基本素材，通过大模型能够快速形成知识内容，过程中可以人为干预，对 FAQ 对做质量把控短时间内，随着产品的发布，快速迭代内容库。

2）翻译能力，面向多个国家利用大模型的翻译能力，快速地将中文版本的知识内容翻译成小语种版本，进行内容的转换。

3）语音转文本，客服在面向客户的问题 call in 时，可以基于大模型的语音转文本，通过文本快速抓取后台对应的召回 FAQ 对，指导前端客服人员快速应对客户提出的相关产品类、故障类的问题。

案例三：某国企-智能公文管理

集团型企业的公文有着严谨且长的流程，其中涉及拟稿、审核、签发、相关任务的督办盖章、上下级单位的收发文的交换，此流程中有部分点是大模型和知识管理能够有所发挥的地方。

在拟稿过程中，可以在智能写作过程中提供相应助力，可以基于原有的优秀范文、公文范本，快速生成内容，并对专项中的政治错误、敏感词错误、常见语句错误、法律条文的引用和错误审核，做直接的内容生成和内容辅助审核，在拟稿过程中保证内容更加符合质量要求。

在审核中我们提供了智能版本比对、版本归档、版本比较，以及诸多的内容审核、形式审核，也使过往积累的大量优秀内容范本、专项政治语料库、敏感词语料库，直接通过大模型应用到实际业务中，使得公文板块的起草、审核等环节能够大大减少由于内容错误所引发的额外时间成本投入。

案例四：某军工企业-智能审查

军工企业内部做的科研项目要求过程严谨，对于具体项目都有针对性要求，科研项目结束后会形成大量申请资料。在项目中借助大模型能力，对上传科研项目资料进行内容审查。

比如规定的研发项目的课题所覆盖的具体内容，在提交的研发报告里是否都有相应的覆盖，其中涉及到的相关标准，在内容里是否有明确直接的响应，其中还涉及到与研发相关的报告管理规则。这些都可以借助大模型的能力，提供智能内容审查。

结合刚开始的思路，联系案例中的具体的实现路径，我们发现非结构化数据作为企业数据资产的底座非常重要，以往很多企业注重这部分的数据与知识的积累。我们认为真正能令数据积累发挥应有价值，需要与 AI 大模型做整合。