服务与解决方案
从一次诊断, 到能自己跑的系统。
四段服务,可以单独做,也可以连起来做。顺序不固定——多数时候,从一次诊断开始,先弄清楚值不值得做。
资料地形 / Data terrain — 一次场景诊断的抽象示意
Services / 01—04
01
场景诊断
Scene review
用两到三天走一遍业务,和一线的人聊,看数据实际存在哪里、谁在用、卡在哪。输出一份场景清单:哪些环节值得用 AI,哪些不值得,优先级和大致投入。
02
应用建设
Build
智能问答与知识库、文档与报告处理、科研数据助手、课程助教、质检与工艺支持。按数据边界选部署方式:公有云、私有化或纯内网。上线不是终点,前三个月我们跟着一起改。
03
数据整理
Data
把散在硬盘、网盘、档案柜里的文件、表格、图纸、录音整理成模型能用的语料和知识结构。包括清洗、脱敏、切分、标注和评测集建设。这一步最不出彩,但决定后面所有环节的上限。
04
培训与陪跑
Training
面向教师、干部、工程师的分层培训:从会用工具,到能判断什么该用 AI,再到能自己维护一套系统。也做工作坊——带着真实业务问题来,现场做出能用的东西。
05 / 部署
Deployment数据在哪, 方案就长什么样。
部署方式不是技术偏好,是数据边界的直接结果。三种方式,各自有代价,先讲清楚再选。
| 方式 | 适合 | 代价 |
|---|---|---|
| 公有云 API | 见效快、按量付费,适合先验证效果。 | 数据要出内网;长期成本随用量增长。 |
| 私有化部署 | 数据留在自己的机房,可控。 | 要有人维护,首年投入高。 |
| 纯内网 | 最严格的数据边界。 | 通常只能用较小的开源模型,能力要做取舍。 |
模型不绑定。DeepSeek、通义千问、Llama 系列,以及商业闭源模型,按场景、预算和数据边界选。今天合适的模型,一年后可能就换了——所以系统得能换。
06 / 交付
Deliverables- 一份能拿去做预算和立项讨论的场景清单
- 可运行的系统,以及部署文档和管理员手册
- 整理好的语料、知识结构与评测集
- 培训讲义、实操案例,以及能接手的内部同事
- 源码或部署包,按约定归属
07 / 边界
We don't- 不做通用大模型,也不参与参数竞赛。
- 不接只有概念、没有具体场景的项目。
- 不用客户的数据训练公共模型。
- 不承诺“三个月全面智能化”这类没法验收的事。