主要内容如下：
出品社区｜DataFun
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 能够捞取数据、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：线下手机多个公司报价图，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
问答环节
分享嘉宾
INTRODUCTION
杨丹
货拉拉
资深算法工程师
学历：西安理工大学数学系本硕。
工作经历：
1. 闪送-算法工程师，主要负责订单匹配撮合&闪送员数字化运营；
2. 贝壳-高级算法工程师，主要负责经纪人生命周期管理
3. 货拉拉-资深算法工程师，主要负责智能营销相关算法，包括 LLM 应用平台、智能消息触达、广告推荐、金融小贷等。
往期推荐
DataOps for LLM 的数据工程技术架构实践
揭秘华为数据安全体系建设方法论
数据性能突破：Spark SQL解析层优化技巧与实践
腾讯分析型 BI+AI 产品 OlaChat 创新探索
NebulaGraph 的 GraphRAG 进展、实践
ChatDBA: 数据库根因分析智能助手的实践与应用
AIGC 在蚂蚁保保险领域的应用探索
Agent+RAG：基于大模型的生成式AI落地探索
百川智能：深度学习大模型推理性能优化策略
统一元数据管理 - Gravitino 在 B 站的最佳实践
点个在看你最好看
SPRING HAS ARRIVED
