数字时代，以大模型为代表的新一代人工智能是国家重大战略需求，是支撑和加强更高层次人机智能协作的关键技术方向。 尤其是大型模型在数据、信息、知识、智慧的跨链增值方面展现了“智能涌现”的规模优势，这些功能可以辅助和强化人类工作的智力效益。 基于大模型的知识助手是目前实现业务价值最大化、潜在风险最小化的大模型实现场景。 它可以广泛提升人类与人工智能应用协同工作的体验和效率，实现工作效率的切实改变。

中关村科技以大模型知识助手成功进入企业服务轨道。 通过自主研发的领域大模型、大数据智能搜索、多模态文档解析等关键技术，成为知识问答、知识构建、知识归纳、知识推荐等核心场景可实现高效率的领先者、低成本、大规模的强人工智能创新应用，打通企业知识应用的“最后一公里”。

大模型时代新人机协作，知识助手率先开辟商业蓝海

当前，以大模型为代表的通用人工智能正在快速发展，正在成为重组数据元资源、重塑人机协作新型生产关系的关键力量。 在较短的时间内，基础大型模型的研究和发布已经蓬勃发展，商业落地的竞争将会进一步加剧。

但大型模型的实施进度与具体场景需求密切相关。 大模型的商业实现仍面临幻觉倾向、数据偏差、准确性不足等挑战。 需要结合具体商业场景识别实际风险，制定相关技术路线和制度规范。

基于实施场景的容错性和通用性要求，大模型知识助手将率先开拓业务蓝海。 具体来说，应用场景可以按照容错性和通用性两个维度划分为以下四个象限（如图1所示）。 其中，服务于企业内部员工的知识助手，既专业又容错性强，是短期内大规模模型技术落地的最佳切入点。

图1：应用场景划分

注重效率和体验，大模型知识助手已形成三大应用模式

基于大模型的知识助手可以提供精准的搜索式问答，从而打造企业知识应用的新范式。 特别是，与传统企业知识库、QA机器人等传统知识管理方式相比，大模型知识助手能够带来知识归纳、构建、问答、推荐等全流程效率和体验变革。 一方面，降低了知识归纳和构建过程的成本，特别是现有信息抽取模型技术的大规模标注、定制开发模型的时间长、纯手工汇总的海量私域数据； 另一方面，提高了服务问答和推荐环节的问题覆盖率，避免了语义理解环节匹配度低、无法覆盖长尾等问题。

图2：传统知识库架构

​大模型知识助手从浅到深可分为三种应用模式，如图3所示：

一是“通用大模型+提示项目”。 对于知识总量有限、专业要求不高的企业，可以直接使用通用的大模型，让业务专家根据企业的具体场景需求探索提示词。 这时，企业需要的是一套灵活易用的提示语。 管理工具。

二是“通用大模型+领域知识库+提示项目”。 对于拥有大量长尾碎片知识（如SKU）的企业，需要在通用大模型的基础上插件领域知识库。 对于特定的场景和企业特定的问题，大模型可以去知识库寻找答案，最后在知识库中。 输出结果是在提示词的引导和约束下返回的。

三是“大领域模型+领域知识库+提示项目”。 对于拥有大量领域知识的企业来说，需要构建一个企业专属的大领域模型，将领域内的通用知识输入到大模型的“大脑”中，以保持通用常识和知识。推理能力强，并具有该领域的专业知识和专长。 将大型模型从本科生转变为领域专家的技能。

图3：大模型知识助手的三种模式和四大挑战

​

目前，中关村科金基于领域大模型的知识助手产品已与诺亚财富合作使用。 中关村科技通过融合自主研发的金融领域大模型、智能客服等人工智能技术，为诺亚财富打造了智能知识库。 具有多模态文档分析、QA问答对自动提取、知识内容自动标注等能力。 。 通过集成诺亚财富企业微信和财富管理平台iNoah APP应用，为员工和用户提供基于企业知识文档的智能问答查询功能。 以大模型技术赋能智能客服产品，可以显着提升客服系统问答意图识别准确率和回复准确率。 预计未来可减少70%以上的系统运营工作，有效帮助企业降本增效。

风险与价值双向平衡，四大核心技术能力

中关村科技依托领先的人工智能技术实力、系统化解决方案能力、深入的行业服务经验，开发符合企业用例整体风险承受能力的知识助手，并完善相关技术路线，参与合作。建立行业体系规范，降低相应风险。 公司在知识助手的基础上，开发了“基于大规模语言模型的营销助手”，荣获中国信息通信研究院2023年度可信AI案例大模型研发应用及工具平台优秀案例、 “企业超级员工”设计成功入选“2023可信AI案例大模型研发应用及工具平台”WAIC全球创新项目路演TOP20榜单”。目前，中关村科技可为企业提供卓越的盒子，无缝系统连接，实惠的大型模型服务。

图4：知识助手产品示意图

中关村科技重点形成四大核心技术能力，平衡大模型的风险防范和价值创造。

首先是插件式知识库技术，避免产生幻觉倾向。 幻觉倾向意味着大型模型常常会产生看似合理但实际上与事实不符的陈述。 有时捏造的信息一眼就能知真假it企业知识库，有时却一时间难以辨别事实。 错觉是当前大型模型的固有属性。 中关村科技通过外挂知识库很大程度上杜绝了这种现象。

二是领先的多模态文档解析技术。 企业内部的高频事实性知识（KnowWhat）往往存储在结构化数据库中，而程序性知识（KnowHow）和一些低频事实性知识往往存在于非结构化文档中it企业知识库，如产品手册、操作规程、培训视频等. 过去，这类数据只能打上一些粗粒度的标签。 经过中关村科技自主研发的ASR、OCR等预处理，可以进行结构化分析和表示，输入到大模型中，实现细粒度的语义理解和流程挖掘。 。

三是基于大数据智能的思维链归纳技术。 在企业内外真实的问答场景中，程序性知识问答往往占据很高的比例。 中关村科技利用自主开发的领域大模型，从文档中显性的文本描述和日志中隐含的事件来理解此类知识。 挖掘这种知识可以实现优于传统技术的增值点。

第四是领域模型训练技术，避免灾难性遗忘。 将领域知识注入通用大模型的过程往往会导致大模型通用能力的下降。 中关村科金通过训练数据、训练任务等一系列技术，可以显着提升其在特定任务上的表现并保持其多功能性。

大模型是大势所趋，所有业务或者场景都会涉及。 目前，知识助理是企业服务赛道的最佳切入点。 未来，在其合规性、安全性、可解释性等得到保障并赢得用户的数字信任后，可以进一步布局营销、客服、运营等全链条商业生态，实现价值释放新型人机协作。

​