在工業(yè)數(shù)字化轉(zhuǎn)型浪潮中，大模型技術(shù)正成為破解行業(yè)效率瓶頸的關(guān)鍵引擎。本文聚焦DeepSeek+Agent在工業(yè)知識管理領(lǐng)域的落地實踐，深度解析從原始數(shù)據(jù)層到應用產(chǎn)品層的全景技術(shù)框架，通過能源、制造、跨國企業(yè)等多領(lǐng)域Agent應用案例，揭示大模型如何重構(gòu)工業(yè)企業(yè)設備運維、營銷服務、企業(yè)管理等核心場景，為工業(yè)領(lǐng)域智能化升級提供從技術(shù)架構(gòu)到場景落地的全鏈條參考。

分享嘉賓｜云問科技?解決方案專家

01、DeepSeek大模型工業(yè)落地場景

以下為工業(yè)場景落地全景框架，最底層為D0級數(shù)據(jù)集，會采集用戶會話記錄、錄音數(shù)據(jù)、產(chǎn)品說明書、運維文檔記錄、工單數(shù)據(jù)及服務全過程記錄等原始數(shù)據(jù)。其上為L0大模型層，涵蓋DeepSeek、通義千問等開源大模型及國外通用大模型。L1層基于數(shù)據(jù)和特定方向進行優(yōu)化，例如通過文檔問答、數(shù)據(jù)微調(diào)大模型以提升該領(lǐng)域表現(xiàn)，或利用工業(yè)企業(yè)獨有數(shù)據(jù)優(yōu)化模型，使其在垂直領(lǐng)域優(yōu)于通用模型。原始數(shù)據(jù)集需經(jīng)預處理，例如將影印版PDF等圖片格式數(shù)據(jù)轉(zhuǎn)化為文本格式，以便大模型處理。往上一層是AI能力平臺，集成小模型NLP組件、向量組件、檢索解析器及文本切片、文檔生成等通用組件。

再往上是產(chǎn)品層，主要包含三個方向：

Agent AIGC構(gòu)建工業(yè)企業(yè)內(nèi)部自定義應用。例如開發(fā)產(chǎn)品問題解決助手，可自動檢索歷史設計文檔、工單記錄并提供處理建議，供現(xiàn)場維修人員或?qū)＜覅⒖紙?zhí)行。此外還包括企業(yè)內(nèi)部報銷助手、翻譯助手、郵件回復助手等多種實用應用，滿足工業(yè)企業(yè)多樣化需求。

第二是知識智能平臺，能夠為所有產(chǎn)品提供底層知識支撐。大模型想要實現(xiàn)優(yōu)質(zhì)服務與更佳效果，需要重視底層知識建設，唯有依托高質(zhì)量知識與數(shù)據(jù)集，方可避免大模型產(chǎn)生幻覺，并在應用中更貼合業(yè)務需求。

第三是智慧營服平臺，在完成知識構(gòu)建與大模型應用開發(fā)后，可賦能客服場景。如家電企業(yè)對外提供客戶服務時所需的文本機器人、電話機器人、在線客服等產(chǎn)品線。

頂層是大模型應用層，以下選取典型案例進行說明。

首先是設備履歷庫，用于管理設備全生命周期信息，包括安裝時間、維修記錄、運檢時間及設計使用壽命等。當設備出現(xiàn)問題時，大模型可以檢索設備履歷庫，基于歷史記錄提供處理建議。

其次是經(jīng)銷商管理場景，例如為車企構(gòu)建經(jīng)銷商知識庫，可幫助經(jīng)銷商解決車輛使用與維修過程中遇到的專業(yè)問題。此外還有數(shù)字助手應用，為某外企打造的內(nèi)部數(shù)字助手，集成發(fā)票報銷、票據(jù)處理、財務問題解答等財務相關(guān)Agent，形成財務數(shù)字員工，同時覆蓋研發(fā)、工業(yè)生產(chǎn)等領(lǐng)域，對外提供數(shù)字化服務。

工業(yè)領(lǐng)域智能知識中心與大模型結(jié)合可實現(xiàn)以下應用：

在營銷與服務層面，面向ToC或ToB業(yè)務場景，通過大模型與知識庫協(xié)同，可解決用戶咨詢響應問題，大幅降低服務成本并縮短客戶響應時間。在營銷拓展方面，改變傳統(tǒng)人力主導模式，借助電話機器人或坐席輔助工具，依托大模型與知識庫提升業(yè)務拓展效率、降低人力成本。

在內(nèi)部培訓與支撐層面，企業(yè)內(nèi)部知識可以通過大模型轉(zhuǎn)化成培訓課件、業(yè)務考題及模擬對練場景，為員工成長提供系統(tǒng)化賦能支持。

在研發(fā)生產(chǎn)制造層面，設備設計時查詢國標參數(shù)、過往設計資料等需求，可通過大模型檢索歷史內(nèi)容提供支撐。在生產(chǎn)檢修環(huán)節(jié)，設備后續(xù)運維、檢測工作也能借助大模型提升效率。

以下是工業(yè)領(lǐng)域Agent應用建設路徑示意圖。

企業(yè)級Agent與ToC端的Agent存在差異，以Manus為例，其流程編排與插件調(diào)用均可自主完成，優(yōu)勢在于用戶僅需提出訴求，系統(tǒng)便能自行編排流程，并在各節(jié)點自動調(diào)用搜索、文檔問答、文檔生成組裝等功能，無需過多人工設計。在工業(yè)領(lǐng)域及ToB場景中，類似Manus自主完成流程編排與插件調(diào)用的方式存在不可控性。經(jīng)實踐驗證，Manus對同一任務或問題的多次處理，因為每次流程引擎搭建及工具調(diào)用存在不確定性，可能輸出不同答案。因此，ToB領(lǐng)域的業(yè)務編排需基于實際業(yè)務訴求進行。

以工業(yè)問題處理Agent構(gòu)建為例，需預先規(guī)劃處理流程：首先接收問題輸入，隨后檢索過往處理事件，通過查詢工單庫獲取相關(guān)處理方案。如果檢索到對應解決方案，則輸出答案并對回復內(nèi)容進行評估，評估合格后完成流程；如果沒有找到，需要進一步檢索其他文檔以獲取解決方案。由此可見企業(yè)級Agent應用與ToC端存在差異。

在實際應用中，企業(yè)級Agent可服務于多場景：營銷領(lǐng)域，如電力行業(yè)的政策問答、電價異常處理；設備運維領(lǐng)域，實現(xiàn)輔助診斷、技術(shù)標準查詢、巡檢輔助；管理領(lǐng)域，用于審計工作、生成組織訪談方案、處理報銷票據(jù)等。

02、工業(yè)Agent落地案例解析

案例一：某能源單位“領(lǐng)智平臺”

本案例為某大型能源央企打造了領(lǐng)智平臺，該企業(yè)在全國范圍內(nèi)擁有眾多子公司及業(yè)務單位，此前各總部與分公司通過自有網(wǎng)盤平臺管理數(shù)據(jù)，存在兩大核心問題：一是跨公司數(shù)據(jù)不互通，二是網(wǎng)盤僅能實現(xiàn)數(shù)據(jù)存儲管理，難以支持數(shù)據(jù)消費應用，僅能通過標題檢索文檔，需下載后人工處理內(nèi)容。

基于此，項目采用DeepSeek大模型結(jié)合智能知識中臺構(gòu)建的解決方案，首要解決全集團數(shù)據(jù)共享問題，將各部門、單位數(shù)據(jù)統(tǒng)一整合至單一知識庫中。

其次是數(shù)據(jù)應用層面進行了優(yōu)化：

1.?多模態(tài)檢索能力：支持對總公司及分公司數(shù)據(jù)文檔的跨層級檢索，除標題外，文檔內(nèi)容、圖片、視頻等多模態(tài)數(shù)據(jù)均可被檢索。

2. RAG問答系統(tǒng)：通過大模型實現(xiàn)檢索增強生成，用戶提問后，系統(tǒng)自動定位相關(guān)文檔片段并輸入大模型，由大模型基于問題生成總結(jié)性答案，替代傳統(tǒng)“檢索后人工閱讀”模式。

項目還完成多項技術(shù)探索：針對大量圖片型影印版PDF數(shù)據(jù)，通過知識工程系統(tǒng)進行數(shù)字化與結(jié)構(gòu)化處理，轉(zhuǎn)化為可檢索、可向量化的文本格式，顯著提升數(shù)據(jù)利用效率。其次是數(shù)據(jù)結(jié)構(gòu)化處理：將文檔中的公式、表格、摘錄等內(nèi)容提取并存儲至獨立數(shù)據(jù)庫，用戶可直接定位所需數(shù)據(jù)節(jié)點，無需打開文檔逐頁檢索。

此外為某企業(yè)構(gòu)建了知識大腦，本案例和智領(lǐng)平臺的核心差異在于實現(xiàn)智力資產(chǎn)沉淀。此前企業(yè)專家、工程師的經(jīng)驗知識多存儲于個人電腦或大腦中，未形成共享資產(chǎn)。通過知識工程系統(tǒng)、論壇系統(tǒng)及專家協(xié)作平臺，幫助企業(yè)將隱性個人知識轉(zhuǎn)化為可復用的企業(yè)知識資產(chǎn)，伴隨企業(yè)的發(fā)展迭代，實現(xiàn)知識價值的長效積累。

案例三：某跨國公司“數(shù)字員工”

在為某跨國企業(yè)打造的數(shù)字員工應用中，該企業(yè)國內(nèi)外員工總數(shù)達數(shù)十萬（僅國內(nèi)員工超十萬），人事、財務等職能部門面臨海量咨詢壓力。

項目初期部署了文本機器人，通過梳理常見問題形成FAQ知識庫，實現(xiàn)問題匹配與答案推送。鑒于人工梳理知識點占用大量人力，后期引入大模型自動生成：輸入文檔后，系統(tǒng)自動提取潛在問題及對應答案，經(jīng)審核后入庫。

二期項目進一步升級為AIGC數(shù)字助手，無需預先梳理FAQ即可直接響應用戶咨詢。通過大模型與搜索能力結(jié)合的RAG問答技術(shù)，系統(tǒng)將文檔切片后存入向量庫，用戶提問時先檢索匹配向量片段，再由大模型總結(jié)生成答案，大幅減少人工梳理FAQ的工作量。

三期項目進一步升級，基于Agent技術(shù)對企業(yè)內(nèi)部業(yè)務流程進行重新編排：以報銷場景為例，傳統(tǒng)線下報銷需手工貼票、填寫單據(jù)并提交財務審核，財務需結(jié)合報銷制度逐一核對。如今通過Agent平臺，用戶上傳發(fā)票后，系統(tǒng)自動提取票面信息，系統(tǒng)自動識別發(fā)票類型（如交通票）、金額、開票單位及時間等信息并填入報銷單，同時檢索報銷制度，自動比對是否違反規(guī)定（如差旅住宿標準）。若發(fā)票金額超出標準則退回，若合規(guī)則提交財務審核，將報銷周期從原一周縮短至1-2天。后續(xù)計劃持續(xù)拓展大模型在生產(chǎn)、設計、設備運維檢修等場景的應用。

案例三：某鋼鐵單位故障處置Agent

本案例為某鋼鐵企業(yè)開發(fā)的故障處理Agent應用了知識圖譜技術(shù)。區(qū)別于非結(jié)構(gòu)化的文檔，知識圖譜將故障類型、設備參數(shù)等信息結(jié)構(gòu)化處理，通過故障樹邏輯構(gòu)建處置流程：用戶輸入問題后，系統(tǒng)按預設步驟引導檢測，逐步定位故障點并提供解決方案，實現(xiàn)標準化故障處置。

云問科技為某車渠構(gòu)建的洞察分析Agent聚焦營銷與企業(yè)管理領(lǐng)域，針對傳統(tǒng)幾十頁至百頁不等的行業(yè)分析報告閱讀效率低的問題，通過大模型數(shù)據(jù)分析功能自動提取報告核心數(shù)據(jù)與關(guān)鍵結(jié)論，簡化信息獲取流程。如果需了解數(shù)據(jù)變化趨勢，用戶只需向大模型提問，系統(tǒng)將自動分析趨勢成因并提供預測。

此外針對某車企經(jīng)銷商及4S店員工流動性高、培訓復雜的問題，云問科技構(gòu)建了大模型培訓Agent，通過大模型生成模擬真實對話場景的對練內(nèi)容。例如，當購車客戶提出各類問題，AI員工需在線解答，系統(tǒng)實時評估回答質(zhì)量，分析是否解決客戶訴求與顧慮，并生成包含得分的完整分析報告。該項目上線后實現(xiàn)線索留資率提升15%，員工能力提升帶動業(yè)務增長。

03、DeepSeek落地難點與經(jīng)驗

1. 貫通知識全生命周期的知識工程實現(xiàn)語料增強

在大模型落地過程中，知識體系建設是核心環(huán)節(jié)。盡管通用開源模型在公共領(lǐng)域表現(xiàn)優(yōu)異，但面對行業(yè)或企業(yè)專有數(shù)據(jù)時處理能力不足，根源在于缺乏垂直領(lǐng)域知識支撐。因此，大模型落地首要任務是構(gòu)建高質(zhì)量知識體系，涵蓋知識采編、梳理及管理全流程。

2. 向量表征技術(shù)與其他NLP小模型的融合應用

大模型對算力要求很高，尤其在央國企國產(chǎn)化項目中，若采用華為等國產(chǎn)化硬件方案，僅硬件成本就可能超過百萬元。為此，可采用混合專家模型（MOE）架構(gòu)實現(xiàn)大小模型融合，降低大模型對算力的需求。降低算力即降低成本，由于每個token計算及硬件資源均產(chǎn)生費用，因此在小模型可勝任的場景中，應優(yōu)先使用小模型完成任務處理。

3. 外掛知識庫避免大模型幻覺問題

如前所述，將企業(yè)內(nèi)部高質(zhì)量知識存入知識庫并進行向量化切片處理，后續(xù)應用中可直接調(diào)用企業(yè)自有知識進行解答和處理。相較于使用開源或公有云大模型基于公開資料的處理方式，在企業(yè)內(nèi)部場景下的應用效果更優(yōu)。此知識庫即定義為全公司級知識中臺，區(qū)別于個人知識庫。此前有客戶提出疑問，使用開源Ragflow問答系統(tǒng)效果良好，為何要采購云問系統(tǒng)。對此可從三個維度解答：

其一為知識版本管理問題。Ragflow缺乏知識版本控制機制，而企業(yè)內(nèi)部知識存在動態(tài)更新特性（如公司發(fā)文修訂、產(chǎn)品迭代升級等）。若上傳多版本知識，系統(tǒng)可能調(diào)用舊版本內(nèi)容，用戶若直接將過時結(jié)果應用于工作，可能引發(fā)風險。

其二為權(quán)限管理問題。個人使用場景下無需權(quán)限控制，所有數(shù)據(jù)歸個人所有。但在企業(yè)應用中，個人與個人、部門與部門、子公司與總公司之間需設置數(shù)據(jù)權(quán)限。例如企業(yè)核心財務數(shù)據(jù)需嚴格保密，若企業(yè)知識庫權(quán)限管理不當導致敏感數(shù)據(jù)泄露，可能造成嚴重后果。

其三為數(shù)據(jù)處理量級問題。個人場景下文檔數(shù)量通常為數(shù)十至數(shù)百篇，Ragflow可有效處理；但企業(yè)級知識庫規(guī)?？蛇_千萬篇，遠超一般大模型輸入限制。因此需通過工程化處理（如文檔切片、精準搜索）提取相關(guān)片段輸入大模型，實現(xiàn)對超大規(guī)模數(shù)據(jù)的高效處理，這是個人知識庫與企業(yè)級知識庫的核心差異之一。