01

• 简单直接：AI 问答是最基本的功能，需求最为强烈，也是应用最多的功能

  
  

• 真实细致：每一个应用场景的出发点都是真实的业务痛点

  
  

• 应用广泛：在 14 个场景，涵盖 48 个真实业务需求进行 AI 助理的探索，应用范围广泛

  
  

多场景助理的落地方案

• 落地场景众多：如前所述，在 14 个以上的场景中进行探索；

  
  

  
  

• 业务诉求多样：在这些场景中，面临着 48 个以上的真实业务需求；

  
  

  
  

• 落地效率低：业务需求多样，如果每个都单独开发和落地，将会耗费大量时间和人力，导致整体的落地成本高且效率低。

  
  

  
  

AI 驱动，业务赋能

• 阶段 1-专业助手：随着大模型应用日益广泛，最常见的问题是大模型是否真的能够解决专业问题？例如，这里的 3 个示例，是否可以使用大模型来自动排查容器问题，或是识别漏洞攻击，以及 SIEM 系统中的准实时异常行为检测。大模型能否实时检测并提高效率，真实帮助我们解决专业问题？

  
  

  
  

• 阶段 2-AI 问答助手：大模型除了能解决专业问题，能否实现基于文档或已有知识库进行 AI 问答。例如，是否可以基于标准的 QA 文档，对用户提出的类似问题给出精准回答。

  
  

  
  

• 阶段 3-周报生成助手：大模型能解决专业问题，能做 AI 问答，那能处理数据并生成报告吗？这便是第三阶段——周报生成助手。用户希望 AI 能够获取数据、分析数据、生成图表，并最终生成周报。这不仅需要 AI 具备数据获取和分析的能力，还需要生成图表和报告的能力。

  
  

  
  

• 阶段 4-多模态的 AI 助手：在上述功能的基础上，用户问能否处理多模态信息，做多模态的 AI 助手。用户希望 AI 不仅能理解文本，还能处理图片和语音，提供多模态的 AI 助手。这一阶段的需求更为复杂，需要 AI 具备综合处理多种信息形式的能力。

  
  

  
  

• 阶段 5-Muti-agent 助手：至此，前几个阶段基本都是通过单一 Agent 或功能性模块实现的。然而，随着业务需求的发展，用户希望多个场景的问题能够融合，提供一个综合的解决方案。这就进入了第五阶段——多 Agent 助手。在这一阶段，我们需要将多个场景下的 AI 助手进行整合，提供一个综合的解决方案。

  
  

  
  

1. 专业助手

2. AI 问答助手

3. 周报生成助手

• 有数：真实数据情况，心中有数；

  
  

• 有图：多形式观测验证，包括饼图、趋势图、分布图等；

  
  

• 有结论：能理解、可分析、会总结。

  
  

• 有数：真实数据情况，心中有数；可连接数据库或 API，获取真实数据

  
  

• 有图：可结合 Code Interpreter 工具生成图表

  
  

• 有结论：结合 LLM 能分析会总结的能力，提供最终结论

  
  

4. 多模态 AI 助手

• 敏感信息的处理能力：能识别并过滤敏感信息

  
  

• 图片理解：线下收集多个公司报价图，需能理解图片内容

  
  

• 表格理解：报价单信息基本均为表格，且不同公司的格式不同

  
  

• 关键信息识别：提取每个图中所需的关键信息字段

  
  

• 信息汇总提炼：提取的信息汇总后提炼

  
  

• 报价方案生成：理解数据和内容，自动生成报价方案

  
  

5. 多 Agent 助手

展望