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。

大尺幅等高线地形图,铜色路径穿过纸面
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。

适合
想用 AI 但不确定从哪开始的单位;需要立项材料的部门。
交付
场景清单、优先级排序、试点建议书。
周期
通常 1–3 周。

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。

适合
场景已经明确,需要一套真能用的系统。
交付
可运行的系统、部署文档、管理员手册、源码或部署包。
周期
通常 1–3 个月,视范围而定。

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。

适合
资料多而杂;过去买过系统,但没人用。
交付
语料库、知识结构说明、评测集、数据规范。
周期
通常 2–6 周。

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。

适合
希望能力留在单位内部,而不是长期依赖外部服务。
交付
课程与讲义、实操案例、内部讲师培养。
周期
按需,通常 1–3 天起。

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。

下一步

不确定从哪开始?
先聊 30 分钟。

把现在最费时间的环节写给我们,我们会告诉你值不值得做、大概要多少人多少时间。