六项能力
企业知识库(RAG)
文档上传、自动向量化、FAQ 预生成、多租户数据隔离;回答带出处,管理员可自助调提示词,聊天记录可审计。
文档智能
合同审核、关键信息抽取、发票与报关单识别。OCR + LLM 混合,不依赖表单训练,新类型文档当天可接。
Agent 与业务工作流
把 AI 接到邮件、工单、审批、CRM 里:自动分类、自动派单、自动生成回复草稿,人只做确认。
AI for BI
自然语言查数,支持连续追问与意图澄清,多场景多租户隔离,结果可直接嵌到现有看板或企微。
提示词与评测工程
建立评测集与基线,做 A/B 与回归测试;模型可切换,按场景做成本与效果的平衡。
AI 治理
权限继承、数据不出域、敏感信息脱敏、幻觉兜底与人工复核、调用量与成本看板。

审核尺度先写成检查项,再交给模型
合同审核的价值不在「识别得多」,而在判断标准写得清。我们把每一类合同的检查项固定下来,模型只负责命中,人只负责判断。
- 6 类合同 · 48 项检查点,逐条对应到条款原文
- 规则 + 模型双通道,命中结果可回溯、可解释
- 高风险条款强制人工复核,不自动放行
一个 AI 应用上线的五步
每一步都有明确的产出物,做完才能进下一步。没有「再调一调」这种无限循环。
场景识别
从业务流程里挑出高频、有判据、容错可控的点,排出优先级。
可行性评估
看数据够不够、接口通不通、成本算不算得过来,2 周内给结论。
POC
用真实数据跑端到端,产出准确率、响应时间、单次成本三条硬指标。
上线集成
接进现有系统,配权限、审计、兜底流程,业务真正开始用。
运营调优
建评测集,按月回归;提示词、检索、模型持续迭代。
AI 原生应用的参考架构
这是我们每个 AI 项目的默认架构。项目之间的差别在于每一层填什么,而不在于有没有这一层。
- 接入层做身份与权限适配,不做业务判断
- 知识层必须能回答「这句话出自哪份文档哪一段」
- 模型层可切换,避免被单一供应商锁定
- 治理层从项目第一天建立,不放到上线前补
六个常见问题
这些问题在演示阶段通常不会暴露,但上线后两到三周内都会遇到。
已上线的场景
每篇都写明了判断失误与未达标的指标,便于对照自身情况判断。
3 天 → 4 小时:某金融机构把 4000 份合同交给 AI 初筛
关键不是做一个会读合同的工具,而是先把法务的判断标准写下来,再交给系统执行。顺序反过来,我们走过两次弯路。
命中率 61% → 92%:我们没换模型,先花了 4 周治理文档
第一版上线命中率只有 61%,其中 70% 的错误来自文档本身存在三个版本。这个案例的重点不是 RAG 技术,而是上 AI 之前先做文档治理是否值得。
初筛 3 天 → 4 小时:把 300 份简历筛成 20 份面试名单
系统不替 HR 做决定,只解决看不过来的问题。关键不是打分,而是每条分数都有依据。
提供一个场景,2 周给出 POC 结论
不需要你先写好需求文档。带一份真实的合同、一批真实的工单、或者一个真实的问题清单就行。结论可能是「现在不该做」。