芯耀
2920
在工业数字化转型浪潮中，大模型技术正成为破解行业效率瓶颈的关键引擎。本文聚焦DeepSeek+Agent在工业知识管理领域的落地实践，深度解析从原始数据层到应用产品层的全景技术框架，通过能源、制造、跨国企业等多领域Agent应用案例，揭示大模型如何重构工业企业设备运维、营销服务、企业管理等核心场景，为工业领域智能化升级提供从技术架构到场景落地的全链条参考。
分享嘉宾｜云问科技 解决方案专家
01、DeepSeek大模型工业落地场景
以下为工业场景落地全景框架，最底层为D0级数据集，会采集用户会话记录、录音数据、产品说明书、运维文档记录、工单数据及服务全过程记录等原始数据。其上为L0大模型层，涵盖DeepSeek、通义千问等开源大模型及国外通用大模型。L1层基于数据和特定方向进行优化，例如通过文档问答、数据微调大模型以提升该领域表现，或利用工业企业独有数据优化模型，使其在垂直领域优于通用模型。原始数据集需经预处理，例如将影印版PDF等图片格式数据转化为文本格式，以便大模型处理。往上一层是AI能力平台，集成小模型NLP组件、向量组件、检索解析器及文本切片、文档生成等通用组件。
再往上是产品层，主要包含三个方向：
Agent AIGC构建工业企业内部自定义应用。例如开发产品问题解决助手，可自动检索历史设计文档、工单记录并提供处理建议，供现场维修人员或专家参考执行。此外还包括企业内部报销助手、翻译助手、邮件回复助手等多种实用应用，满足工业企业多样化需求。
第二是知识智能平台，能够为所有产品提供底层知识支撑。大模型想要实现优质服务与更佳效果，需要重视底层知识建设，唯有依托高质量知识与数据集，方可避免大模型产生幻觉，并在应用中更贴合业务需求。
第三是智慧营服平台，在完成知识构建与大模型应用开发后，可赋能客服场景。如家电企业对外提供客户服务时所需的文本机器人、电话机器人、在线客服等产品线。
顶层是大模型应用层，以下选取典型案例进行说明。
首先是设备履历库，用于管理设备全生命周期信息，包括安装时间、维修记录、运检时间及设计使用寿命等。当设备出现问题时，大模型可以检索设备履历库，基于历史记录提供处理建议。
其次是经销商管理场景，例如为车企构建经销商知识库，可帮助经销商解决车辆使用与维修过程中遇到的专业问题。此外还有数字助手应用，为某外企打造的内部数字助手，集成发票报销、票据处理、财务问题解答等财务相关Agent，形成财务数字员工，同时覆盖研发、工业生产等领域，对外提供数字化服务。
工业领域智能知识中心与大模型结合可实现以下应用：
在营销与服务层面，面向ToC或ToB业务场景，通过大模型与知识库协同，可解决用户咨询响应问题，大幅降低服务成本并缩短客户响应时间。在营销拓展方面，改变传统人力主导模式，借助电话机器人或坐席辅助工具，依托大模型与知识库提升业务拓展效率、降低人力成本。
在内部培训与支撑层面，企业内部知识可以通过大模型转化成培训课件、业务考题及模拟对练场景，为员工成长提供系统化赋能支持。
在研发生产制造层面，设备设计时查询国标参数、过往设计资料等需求，可通过大模型检索历史内容提供支撑。在生产检修环节，设备后续运维、检测工作也能借助大模型提升效率。
以下是工业领域Agent应用建设路径示意图。
企业级Agent与ToC端的Agent存在差异，以Manus为例，其流程编排与插件调用均可自主完成，优势在于用户仅需提出诉求，系统便能自行编排流程，并在各节点自动调用搜索、文档问答、文档生成组装等功能，无需过多人工设计。在工业领域及ToB场景中，类似Manus自主完成流程编排与插件调用的方式存在不可控性。经实践验证，Manus对同一任务或问题的多次处理，因为每次流程引擎搭建及工具调用存在不确定性，可能输出不同答案。因此，ToB领域的业务编排需基于实际业务诉求进行。
以工业问题处理Agent构建为例，需预先规划处理流程：首先接收问题输入，随后检索过往处理事件，通过查询工单库获取相关处理方案。如果检索到对应解决方案，则输出答案并对回复内容进行评估，评估合格后完成流程；如果没有找到，需要进一步检索其他文档以获取解决方案。由此可见企业级Agent应用与ToC端存在差异。
在实际应用中，企业级Agent可服务于多场景：营销领域，如电力行业的政策问答、电价异常处理；设备运维领域，实现辅助诊断、技术标准查询、巡检辅助；管理领域，用于审计工作、生成组织访谈方案、处理报销票据等。
02、工业Agent落地案例解析
案例一：某能源单位“领智平台”
本案例为某大型能源央企打造了领智平台，该企业在全国范围内拥有众多子公司及业务单位，此前各总部与分公司通过自有网盘平台管理数据，存在两大核心问题：一是跨公司数据不互通，二是网盘仅能实现数据存储管理，难以支持数据消费应用，仅能通过标题检索文档，需下载后人工处理内容。
基于此，项目采用DeepSeek大模型结合智能知识中台构建的解决方案，首要解决全集团数据共享问题，将各部门、单位数据统一整合至单一知识库中。
其次是数据应用层面进行了优化：
1. 多模态检索能力：支持对总公司及分公司数据文档的跨层级检索，除标题外，文档内容、图片、视频等多模态数据均可被检索。
2. RAG问答系统：通过大模型实现检索增强生成，用户提问后，系统自动定位相关文档片段并输入大模型，由大模型基于问题生成总结性答案，替代传统“检索后人工阅读”模式。
项目还完成多项技术探索：针对大量图片型影印版PDF数据，通过知识工程系统进行数字化与结构化处理，转化为可检索、可向量化的文本格式，显著提升数据利用效率。其次是数据结构化处理：将文档中的公式、表格、摘录等内容提取并存储至独立数据库，用户可直接定位所需数据节点，无需打开文档逐页检索。
此外为某企业构建了知识大脑，本案例和智领平台的核心差异在于实现智力资产沉淀。此前企业专家、工程师的经验知识多存储于个人电脑或大脑中，未形成共享资产。通过知识工程系统、论坛系统及专家协作平台，帮助企业将隐性个人知识转化为可复用的企业知识资产，伴随企业的发展迭代，实现知识价值的长效积累。
案例三：某跨国公司“数字员工”
在为某跨国企业打造的数字员工应用中，该企业国内外员工总数达数十万（仅国内员工超十万），人事、财务等职能部门面临海量咨询压力。
项目初期部署了文本机器人，通过梳理常见问题形成FAQ知识库，实现问题匹配与答案推送。鉴于人工梳理知识点占用大量人力，后期引入大模型自动生成：输入文档后，系统自动提取潜在问题及对应答案，经审核后入库。
二期项目进一步升级为AIGC数字助手，无需预先梳理FAQ即可直接响应用户咨询。通过大模型与搜索能力结合的RAG问答技术，系统将文档切片后存入向量库，用户提问时先检索匹配向量片段，再由大模型总结生成答案，大幅减少人工梳理FAQ的工作量。
三期项目进一步升级，基于Agent技术对企业内部业务流程进行重新编排：以报销场景为例，传统线下报销需手工贴票、填写单据并提交财务审核，财务需结合报销制度逐一核对。如今通过Agent平台，用户上传发票后，系统自动提取票面信息，系统自动识别发票类型（如交通票）、金额、开票单位及时间等信息并填入报销单，同时检索报销制度，自动比对是否违反规定（如差旅住宿标准）。若发票金额超出标准则退回，若合规则提交财务审核，将报销周期从原一周缩短至1-2天。后续计划持续拓展大模型在生产、设计、设备运维检修等场景的应用。
案例三：某钢铁单位故障处置Agent
本案例为某钢铁企业开发的故障处理Agent应用了知识图谱技术。区别于非结构化的文档，知识图谱将故障类型、设备参数等信息结构化处理，通过故障树逻辑构建处置流程：用户输入问题后，系统按预设步骤引导检测，逐步定位故障点并提供解决方案，实现标准化故障处置。
云问科技为某车渠构建的洞察分析Agent聚焦营销与企业管理领域，针对传统几十页至百页不等的行业分析报告阅读效率低的问题，通过大模型数据分析功能自动提取报告核心数据与关键结论，简化信息获取流程。如果需了解数据变化趋势，用户只需向大模型提问，系统将自动分析趋势成因并提供预测。
此外针对某车企经销商及4S店员工流动性高、培训复杂的问题，云问科技构建了大模型培训Agent，通过大模型生成模拟真实对话场景的对练内容。例如，当购车客户提出各类问题，AI员工需在线解答，系统实时评估回答质量，分析是否解决客户诉求与顾虑，并生成包含得分的完整分析报告。该项目上线后实现线索留资率提升15%，员工能力提升带动业务增长。
03、DeepSeek落地难点与经验
1. 贯通知识全生命周期的知识工程实现语料增强
在大模型落地过程中，知识体系建设是核心环节。尽管通用开源模型在公共领域表现优异，但面对行业或企业专有数据时处理能力不足，根源在于缺乏垂直领域知识支撑。因此，大模型落地首要任务是构建高质量知识体系，涵盖知识采编、梳理及管理全流程。
2. 向量表征技术与其他NLP小模型的融合应用
大模型对算力要求很高，尤其在央国企国产化项目中，若采用华为等国产化硬件方案，仅硬件成本就可能超过百万元。为此，可采用混合专家模型（MOE）架构实现大小模型融合，降低大模型对算力的需求。降低算力即降低成本，由于每个token计算及硬件资源均产生费用，因此在小模型可胜任的场景中，应优先使用小模型完成任务处理。
3. 外挂知识库避免大模型幻觉问题
如前所述，将企业内部高质量知识存入知识库并进行向量化切片处理，后续应用中可直接调用企业自有知识进行解答和处理。相较于使用开源或公有云大模型基于公开资料的处理方式，在企业内部场景下的应用效果更优。此知识库即定义为全公司级知识中台，区别于个人知识库。此前有客户提出疑问，使用开源Ragflow问答系统效果良好，为何要采购云问系统。对此可从三个维度解答：
其一为知识版本管理问题。Ragflow缺乏知识版本控制机制，而企业内部知识存在动态更新特性（如公司发文修订、产品迭代升级等）。若上传多版本知识，系统可能调用旧版本内容，用户若直接将过时结果应用于工作，可能引发风险。
其二为权限管理问题。个人使用场景下无需权限控制，所有数据归个人所有。但在企业应用中，个人与个人、部门与部门、子公司与总公司之间需设置数据权限。例如企业核心财务数据需严格保密，若企业知识库权限管理不当导致敏感数据泄露，可能造成严重后果。
其三为数据处理量级问题。个人场景下文档数量通常为数十至数百篇，Ragflow可有效处理；但企业级知识库规模可达千万篇，远超一般大模型输入限制。因此需通过工程化处理（如文档切片、精准搜索）提取相关片段输入大模型，实现对超大规模数据的高效处理，这是个人知识库与企业级知识库的核心差异之一。
