AI 能力与工程方法
每一项都写清做什么、不做什么和怎么验收。先做小范围 PoC，再谈部署和规模。
AI 场景诊断
先确认这件事该不该用 AI。梳理现有流程、人工基线、数据可得性和责任归属，输出一份写明范围、验收指标和"不做什么"的 PoC 方案。
边界：如果流程本身还没理清，或者找不到可验收的指标，我们会建议先不做 AI——先理流程。
知识与检索
文档解析、版本与生效期管理、切分与索引、原文引用、冲突提示和拒答策略。目标是让答案可以被追溯到具体文件和条款。
边界：只覆盖已导入且已授权的资料；超出资料范围的问题拒答，不用模型的常识去补。
Agent 与工作流
在一条已经理清的流程上编排检索、抽取、校验、接口调用和草稿生成，记录每一步的输入与依据，全过程可回溯。
边界：提交、审批、关闭和对外发送等有后果的动作交回给人；不接管生产控制系统，不自动下达指令。
多模态信息处理
文档、表格、扫描件、拍照件和图片的字段抽取与 OCR，输出结构化数据、原文定位和待复核清单。
边界：金额、日期、责任人、编号等关键字段一律进入人工复核队列；版式差异大时先做样本评估再报价。
模型、API 与工具集成
通过统一调用层连接公有 API、开源模型、国产模型与业务工具，在同一套固定样本上比较效果、时延和成本，并保留模型切换与回退能力。
边界：不绑定单一模型；模型可替换不等于结果自动一致，切换后必须重新运行评测与接口联调。
公有 API、私有云与本地部署评估
根据数据出域、并发、时延、现有资源、运维能力和总拥有成本，对比按量 API、客户私有云与本地部署，给出资源估算、迁移和回退方案。
边界：本地部署会增加采购、机房、运维和折旧成本；只有 PoC 数据和安全要求证明有必要时才建议。
评测、安全与持续优化
固定测试集、人工基线、引用正确性、拒答率、字段准确率、越权测试和错误复盘；上线后继续跟踪人工修订量、成本和失败案例。
边界：指标只对评测集覆盖的范围有效；阈值和是否通过由客户验收人判定，我们不预设成绩。
技术链路与部署方式
一条从数据到人工确认的链路，以及三种由数据和成本决定的部署方式。
01
数据与文档
制度、规程、手册、台账、工单和系统导出样例，标记来源、版本和权限。
02
检索与抽取
切分、索引、字段抽取和相似度检索，保留原文定位以便回溯。
03
模型
按场景选择公有 API、开源或国产模型，可替换、可对比、可回退。
04
工具与工作流
调用系统接口、生成草稿、形成待办，每一步记录输入与依据。
05
权限与审计
按角色和数据域隔离；谁问、引用什么、谁改过都留痕。
06
用户确认
高风险输出由责任人确认，原流程与一键停用始终保留。
三种部署方式
我们不预设哪一种更好，先用 PoC 数据回答数据能否出域、并发多大、时延和成本是多少。
适合快速 PoC
按量 API
不需要先买硬件，按调用量付费，几天到几周就能在脱敏样本上跑通一个流程，先回答"这件事值不值得做"。
限制：数据需要出域，必须先确认客户的数据分类分级和授权范围；不同意出域的部分走私有部署路线。
适合数据隔离与统一运维
客户私有云
部署在客户已有的云或机房，沿用客户的账号体系、网络策略、备份和监控，由客户信息化统一运维。
限制：受客户资源、安全评审和运维窗口约束，需要与信息化部门共同排期。
仅在确有必要时
本地部署
只有当数据驻留、并发、时延或长期成本证明确有必要时才建议，并且这个判断应该由 PoC 的实际数据触发。
限制：会带来采购、机房、运维和折旧成本，模型能力也可能与最新的公有 API 有差距；这些我们会列清楚由客户决定。
如何验证一个 AI 应用
一个 AI 应用有没有用，应该由固定样本、人工基线和书面验收口径来回答。下面是我们会在 PoC 里逐项记录的内容；具体阈值由客户在自己的样本上确认，我们不预填成绩。
01
固定测试集
样本在 PoC 开始前冻结，后续每次改动都在同一批样本上复测。
02
人工基线
先记录现在由人来做需要多久、错多少，作为唯一有意义的对照。
03
引用正确性
答案给出的原文出处是否真实存在，并且确实支持该结论。
04
答案支持率
有多少答案能被引用原文支持，而不是模型自行补全。
05
拒答率
证据不足时是否老实拒答，而不是给一个看起来合理的答案。
06
字段抽取准确率
按字段分别统计，不用一个平均值掩盖关键字段的错误。
07
误报与漏报
分开统计并逐条复盘，安全相关的漏报单独列出。
08
权限越权测试
用不同角色账号交叉验证，越权读取必须为零。
09
人工修订量
人要改多少才能用——这决定了它到底省不省时间。
10
成本与响应时间
单次调用成本、并发下的时延和失败率。
11
错误案例复盘
每周由业务负责人看真实失败样本，不是只看成功演示。
12
回退与停用
原流程保留，出问题时能一键停用并回到人工。
数据与责任边界
下面是我们可以准确承诺的部分。超出这些的资质与合规结论，需要按最终服务形态另行评估。
数据最小化
只请求完成该流程必需的、脱敏的样本数据，并在合同里约定使用范围、留存期限和删除或返还方式。
未经授权不用于训练
未经书面授权，客户数据不用于模型训练，也不跨客户复用。
权限隔离与日志审计
按角色和数据域隔离；访问、修改和导出留日志备查。
人工复核与输出限制
高风险输出必须人工复核；模型不承担专业判断、法定检查和主体责任。
关于合规资质的说明
本站是技术与产品说明站点，不在线提供生成式 AI 服务，也没有面向公众的对话入口。是否需要大模型备案、算法备案、等级保护或其他安全评估，取决于最终的服务形态、部署位置和数据范围；我们会在部署前与客户共同评估并按适用要求办理，不在这里声称已经取得任何资质或认证。
能力模板与研究方向
下面是我们已经想清楚边界、可以据此设计 PoC 的方向。它们是能力模板和研究方向，不是已经交付的产品，具体效果需要在客户自己的数据上验证。
行业知识助手
把行业规范、企业制度、作业规程和设备手册做成有版本、有权限的有据问答。适用于制度多、更新频繁、口径容易不一致的部门。
隐患/异常/质量闭环助手
把检查、隐患、异常或质量记录结构化，辅助归类、去重、提醒和复查；人负责定级、签发和关闭，AI 不能自行关闭记录。
设备维修工单助手
检索手册、图纸、故障码和历史工单，提示相似故障与检修步骤草稿。操作以厂商手册和企业规程为准，并由持证人员确认。
政企制度知识助手
内部制度、办事流程和政策文件的有据问答，按部门和密级隔离，答案给出文件名、版本和条款位置。
材料审核与报告生成
对照清单检查材料是否齐全、字段是否一致，生成初稿和差异清单；最终结论由审核人签署。
企业内部流程 Agent
在一条已经理清的内部流程上编排检索、抽取、校验和草稿生成，把有后果的动作交回给人。
关于矿山场景的额外说明
矿山是我们优先调研的行业方向。以下边界在任何矿山相关的模板中都成立，且写在合同里。
首期只读
只做资料、记录和知识层面的辅助，不接入生产网和控制系统。
不替代专业人员
不替代法定检查、专业技术判断和应急指挥，也不替代矿山企业主体责任。
不做灾害保证
不承诺瓦斯、水害、火灾、冲击地压、边坡或尾矿库等灾害的预测或零漏报。
不控制生产设备
不写 PLC、DCS、车辆、采掘、通风、排水等控制系统。
AI 应用工程基础：Web、App 与系统集成
我们保留完整的软件开发与系统集成能力：接口开发、数据导入导出、账号与权限体系、前后端界面、部署与运维。
它之所以还留在这里，是因为 AI 能力最终要落在一个能登录、有权限、能审计、能上线的系统里。模型输出如果没有地方进入业务流程、没有账号体系约束谁能看到什么、没有日志证明发生过什么，就只能停在演示阶段。这部分工程基础决定了 PoC 能不能变成真正被使用的东西。
定位：它是 AI 应用的地基，不是我们对外的主要业务。单纯的官网、小程序或通用管理系统外包不再是本站的重点。
想知道某个具体流程适不适合？
讨论 AI 场景