企业 AI 项目常见问题

优先选择目标明确、数据可获得、结果可衡量且风险可控的业务场景。先确认用户、输入、输出、人工复核和验收指标，再选择模型和技术路线。

多数企业应用不需要从头训练大模型。通常可通过模型接入、提示设计、知识库检索、工具调用和业务规则满足需求；只有在数据、任务和投入条件明确时才评估微调或专用模型。

企业知识库不仅要找到相关内容，还需要处理文档解析、切分、权限、更新、引用溯源、答案生成与质量评测，并与现有身份和业务系统集成。

可以组合使用限定知识范围、检索引用、结构化输出、规则校验、工具调用、置信度策略、日志评测和人工复核。高风险场景不应只依赖模型自由生成。

普通聊天机器人主要生成文本回复；智能体还可以在授权范围内调用检索、数据库、业务 API 和自动化工具，执行多步骤任务，因此更需要权限边界、日志、超时、重试和人工确认机制。

可以根据网络边界、数据敏感度、并发量和算力条件设计内网或混合部署方案，并配套访问控制、日志监控、备份和更新机制。

周期取决于场景复杂度、数据准备、系统接口、权限流程和验收要求。通常应先做范围受控的验证，再根据评测结果进入正式工程化阶段。

应在开发前约定指标，例如任务完成率、答案引用完整性、人工处理时间、响应耗时、单次成本和用户采用率，并使用真实样本持续回归评测。