在工業數字化轉型浪潮中，大模型技術正成為破解行業效率瓶頸的關鍵引擎。本文聚焦DeepSeek+Agent在工業知識管理領域的落地實踐，深度解析從原始數據層到應用產品層的全景技術框架，通過能源、制造、跨國企業等多領域Agent應用案例，揭示大模型如何重構工業企業設備運維、營銷服務、企業管理等核心場景，為工業領域智能化升級提供從技術架構到場景落地的全鏈條參考。

分享嘉賓｜云問科技

解決方案專家

內容已做精簡，如需獲取專家完整版視頻實錄和課件，請掃碼領取。

01

DeepSeek大模型工業落地場景

以下為工業場景落地全景框架，最底層為D0級數據集，會采集用戶會話記錄、錄音數據、產品說明書、運維文檔記錄、工單數據及服務全過程記錄等原始數據。其上為L0大模型層，涵蓋DeepSeek、通義千問等開源大模型及國外通用大模型。L1層基于數據和特定方向進行優化，例如通過文檔問答、數據微調大模型以提升該領域表現，或利用工業企業獨有數據優化模型，使其在垂直領域優于通用模型。原始數據集需經預處理，例如將影印版PDF等圖片格式數據轉化為文本格式，以便大模型處理。往上一層是AI能力平臺，集成小模型NLP組件、向量組件、檢索解析器及文本切片、文檔生成等通用組件。

再往上是產品層，主要包含三個方向：

• Agent AIGC構建工業企業內部自定義應用。例如開發產品問題解決助手，可自動檢索歷史設計文檔、工單記錄并提供處理建議，供現場維修人員或專家參考執行。此外還包括企業內部報銷助手、翻譯助手、郵件回復助手等多種實用應用，滿足工業企業多樣化需求。

• 第二是知識智能平臺，能夠為所有產品提供底層知識支撐。大模型想要實現優質服務與更佳效果，需要重視底層知識建設，唯有依托高質量知識與數據集，方可避免大模型產生幻覺，并在應用中更貼合業務需求。

• 第三是智慧營服平臺，在完成知識構建與大模型應用開發后，可賦能客服場景。如家電企業對外提供客戶服務時所需的文本機器人、電話機器人、在線客服等產品線。

頂層是大模型應用層，以下選取典型案例進行說明。

首先是設備履歷庫，用于管理設備全生命周期信息，包括安裝時間、維修記錄、運檢時間及設計使用壽命等。當設備出現問題時，大模型可以檢索設備履歷庫，基于歷史記錄提供處理建議。

其次是經銷商管理場景，例如為車企構建經銷商知識庫，可幫助經銷商解決車輛使用與維修過程中遇到的專業問題。此外還有數字助手應用，為某外企打造的內部數字助手，集成發票報銷、票據處理、財務問題解答等財務相關Agent，形成財務數字員工，同時覆蓋研發、工業生產等領域，對外提供數字化服務。

工業領域智能知識中心與大模型結合可實現以下應用：

在營銷與服務層面，面向ToC或ToB業務場景，通過大模型與知識庫協同，可解決用戶咨詢響應問題，大幅降低服務成本并縮短客戶響應時間。在營銷拓展方面，改變傳統人力主導模式，借助電話機器人或坐席輔助工具，依托大模型與知識庫提升業務拓展效率、降低人力成本。

在內部培訓與支撐層面，企業內部知識可以通過大模型轉化成培訓課件、業務考題及模擬對練場景，為員工成長提供系統化賦能支持。

在研發生產制造層面，設備設計時查詢國標參數、過往設計資料等需求，可通過大模型檢索歷史內容提供支撐。在生產檢修環節，設備后續運維、檢測工作也能借助大模型提升效率。

以下是工業領域Agent應用建設路徑示意圖。

企業級Agent與ToC端的Agent存在差異，以Menus為例，其流程編排與插件調用均可自主完成，優勢在于用戶僅需提出訴求，系統便能自行編排流程，并在各節點自動調用搜索、文檔問答、文檔生成組裝等功能，無需過多人工設計。在工業領域及ToB場景中，類似Menus自主完成流程編排與插件調用的方式存在不可控性。經實踐驗證，Menus對同一任務或問題的多次處理，因為每次流程引擎搭建及工具調用存在不確定性，可能輸出不同答案。因此，ToB領域的業務編排需基于實際業務訴求進行。

以工業問題處理Agent構建為例，需預先規劃處理流程：首先接收問題輸入，隨后檢索過往處理事件，通過查詢工單庫獲取相關處理方案。如果檢索到對應解決方案，則輸出答案并對回復內容進行評估，評估合格后完成流程；如果沒有找到，需要進一步檢索其他文檔以獲取解決方案。由此可見企業級Agent應用與ToC端存在差異。

在實際應用中，企業級Agent可服務于多場景：營銷領域，如電力行業的政策問答、電價異常處理；設備運維領域，實現輔助診斷、技術標準查詢、巡檢輔助；管理領域，用于審計工作、生成組織訪談方案、處理報銷票據等。

02

工業Agent落地案例解析

案例一：某能源單位“領智平臺”

本案例為某大型能源央企打造了領智平臺，該企業在全國范圍內擁有眾多子公司及業務單位，此前各總部與分公司通過自有網盤平臺管理數據，存在兩大核心問題：一是跨公司數據不互通，二是網盤僅能實現數據存儲管理，難以支持數據消費應用，僅能通過標題檢索文檔，需下載后人工處理內容。

基于此，項目采用DeepSeek大模型結合智能知識中臺構建的解決方案，首要解決全集團數據共享問題，將各部門、單位數據統一整合至單一知識庫中。

其次是數據應用層面進行了優化：

1.多模態檢索能力：支持對總公司及分公司數據文檔的跨層級檢索，除標題外，文檔內容、圖片、視頻等多模態數據均可被檢索。

2. RAG問答系統：通過大模型實現檢索增強生成，用戶提問后，系統自動定位相關文檔片段并輸入大模型，由大模型基于問題生成總結性答案，替代傳統“檢索后人工閱讀”模式。

項目還完成多項技術探索：針對大量圖片型影印版PDF數據，通過知識工程系統進行數字化與結構化處理，轉化為可檢索、可向量化的文本格式，顯著提升數據利用效率。其次是數據結構化處理：將文檔中的公式、表格、摘錄等內容提取并存儲至獨立數據庫，用戶可直接定位所需數據節點，無需打開文檔逐頁檢索。

此外為某企業構建了知識大腦，本案例和智領平臺的核心差異在于實現智力資產沉淀。此前企業專家、工程師的經驗知識多存儲于個人電腦或大腦中，未形成共享資產。通過知識工程系統、論壇系統及專家協作平臺，幫助企業將隱性個人知識轉化為可復用的企業知識資產，伴隨企業的發展迭代，實現知識價值的長效積累。

案例三：某跨國公司“數字員工”

在為某跨國企業打造的數字員工應用中，該企業國內外員工總數達數十萬（僅國內員工超十萬），人事、財務等職能部門面臨海量咨詢壓力。

項目初期部署了文本機器人，通過梳理常見問題形成FAQ知識庫，實現問題匹配與答案推送。鑒于人工梳理知識點占用大量人力，后期引入大模型自動生成：輸入文檔后，系統自動提取潛在問題及對應答案，經審核后入庫。

二期項目進一步升級為AIGC數字助手，無需預先梳理FAQ即可直接響應用戶咨詢。通過大模型與搜索能力結合的RAG問答技術，系統將文檔切片后存入向量庫，用戶提問時先檢索匹配向量片段，再由大模型總結生成答案，大幅減少人工梳理FAQ的工作量。

三期項目進一步升級，基于Agent技術對企業內部業務流程進行重新編排：以報銷場景為例，傳統線下報銷需手工貼票、填寫單據并提交財務審核，財務需結合報銷制度逐一核對。如今通過Agent平臺，用戶上傳發票后，系統自動提取票面信息，系統自動識別發票類型（如交通票）、金額、開票單位及時間等信息并填入報銷單，同時檢索報銷制度，自動比對是否違反規定（如差旅住宿標準）。若發票金額超出標準則退回，若合規則提交財務審核，將報銷周期從原一周縮短至1-2天。后續計劃持續拓展大模型在生產、設計、設備運維檢修等場景的應用。

案例三：某鋼鐵單位故障處置Agent

本案例為某鋼鐵企業開發的故障處理Agent應用了知識圖譜技術。區別于非結構化的文檔，知識圖譜將故障類型、設備參數等信息結構化處理，通過故障樹邏輯構建處置流程：用戶輸入問題后，系統按預設步驟引導檢測，逐步定位故障點并提供解決方案，實現標準化故障處置。

云問科技為某車渠構建的洞察分析Agent聚焦營銷與企業管理領域，針對傳統幾十頁至百頁不等的行業分析報告閱讀效率低的問題，通過大模型數據分析功能自動提取報告核心數據與關鍵結論，簡化信息獲取流程。如果需了解數據變化趨勢，用戶只需向大模型提問，系統將自動分析趨勢成因并提供預測。

此外針對某車企經銷商及4S店員工流動性高、培訓復雜的問題，云問科技構建了大模型培訓Agent，通過大模型生成模擬真實對話場景的對練內容。例如，當購車客戶提出各類問題，AI員工需在線解答，系統實時評估回答質量，分析是否解決客戶訴求與顧慮，并生成包含得分的完整分析報告。該項目上線后實現線索留資率提升15%，員工能力提升帶動業務增長。

03

DeepSeek落地難點與經驗

1. 貫通知識全生命周期的知識工程實現語料增強

在大模型落地過程中，知識體系建設是核心環節。盡管通用開源模型在公共領域表現優異，但面對行業或企業專有數據時處理能力不足，根源在于缺乏垂直領域知識支撐。因此，大模型落地首要任務是構建高質量知識體系，涵蓋知識采編、梳理及管理全流程。

2. 向量表征技術與其他NLP小模型的融合應用

大模型對算力要求很高，尤其在央國企國產化項目中，若采用華為等國產化硬件方案，僅硬件成本就可能超過百萬元。為此，可采用混合專家模型（MOE）架構實現大小模型融合，降低大模型對算力的需求。降低算力即降低成本，由于每個token計算及硬件資源均產生費用，因此在小模型可勝任的場景中，應優先使用小模型完成任務處理。

3. 外掛知識庫避免大模型幻覺問題

如前所述，將企業內部高質量知識存入知識庫并進行向量化切片處理，后續應用中可直接調用企業自有知識進行解答和處理。相較于使用開源或公有云大模型基于公開資料的處理方式，在企業內部場景下的應用效果更優。此知識庫即定義為全公司級知識中臺，區別于個人知識庫。此前有客戶提出疑問，使用開源Ragflow問答系統效果良好，為何要采購云問系統。對此可從三個維度解答：

• 其一為知識版本管理問題。Ragflow缺乏知識版本控制機制，而企業內部知識存在動態更新特性（如公司發文修訂、產品迭代升級等）。若上傳多版本知識，系統可能調用舊版本內容，用戶若直接將過時結果應用于工作，可能引發風險。
  

• 其二為權限管理問題。個人使用場景下無需權限控制，所有數據歸個人所有。但在企業應用中，個人與個人、部門與部門、子公司與總公司之間需設置數據權限。例如企業核心財務數據需嚴格保密，若企業知識庫權限管理不當導致敏感數據泄露，可能造成嚴重后果。

• 其三為數據處理量級問題。個人場景下文檔數量通常為數十至數百篇，Ragflow可有效處理；但企業級知識庫規模可達千萬篇，遠超一般大模型輸入限制。因此需通過工程化處理（如文檔切片、精準搜索）提取相關片段輸入大模型，實現對超大規模數據的高效處理，這是個人知識庫與企業級知識庫的核心差異之一。