-
我旁听了一场AI战略闭门会：企业落地AI的5条反直觉真相
1）不造大模型，把“最后一公里”打透结论：别在巨头的战场里比肌肉，把有限资源压到数据与场景，优先做出可算账的应用。很多企业上来就谈自研模型、扩容算力，听起来硬核，落地却摇摆。闭门会上，大家几乎一致：该放的就放。把精力投到“缺陷判读、工艺知识问答、来料异常分流、质量复核、生产调度”等可跑闭环的细分点上，用成熟的模型/平台组合拳，先把一个场景打穿，再谈规模化。一句话：有所不为，才有可能有所不同。2）最…- 0
- 0
-
我用Obsidian知识管理后，生活轻了很多
这些年，我一直在琢磨一件事——我们为什么要做知识管理？我从大学开始就喜欢记笔记，从 Evernote 到 Notion，再到 Obsidian，几乎每个阶段都有一套自己的“系统”。那时候我特别享受那种“构建”的感觉：像在给自己搭一座小型图书馆——每个标签都有意义，每个文件夹都放着未来可能用得上的知识。可是后来我发现，我越来越少去“用”那些笔记。我有过几百条会议记录，却记不起哪一条是真正有价值的；我…- 0
- 0
-
AgentKit无用矣，OpenAI需要明白：AI表格才是企业工作流的核心
之前我们一直在说：AI表格才是企业降本增效的核心，很多同学其实并不理解其中含义。所以，今天我们就用一个实际案例来进行更系统性的阐述，先看效果，我们后续再说实现：首先还是要回归本质：企业到底要什么，当前多数企业缺什么，他们为什么不补足？unsetunset企业缺什么？unsetunset对于企业视来说，他们没有那么多花花肠子，他们就想要一套多人分散录入 → 集中汇总 → 统一分析 → 按权限查询的轻…- 0
- 0
-
拆解 100 家头部企业：AI 落地就这 3 个阶段，看完少走 2 年弯路
从初期的流程标准化，到全面的AI创新探索，再到最终的价值驱动与治理，企业AI的落地是一个逐步深化、持续优化的演进过程。01Process Right流程驱动：先把流程做对，再谈智能化在企业AI落地的第一阶段，核心在于确保业务流程的规范化与效率。未经优化的流程，即便引入AI也可能事倍功半。 此阶段强调基础建设，将现有操作标准化，为未来的智能化奠定坚实基础。 它要求企业审视并重构关键业务流程，明确职责…- 0
- 0
-
降本增效，智启未来—央国企 Data+AI 数据治理实践与探索
导读 本次分享主题是百分点科技在央国企以 Data+Al 相关的数据治工作以及具体落地场景。主要包含以下 6 项：1. 时代之问-当前数据治理面临核心挑战2. 破局之道-成熟大语言与开源智能体3. 核心架构-智能治理工作流建设4. 场景案例-高质量数据从无到有，从有到优5. 价值分析-降本&增效&提质6. 问答环节分享嘉宾｜申镇&n…- 0
- 0
-
Dify+MinerU 准确识别PDF存至知识库
你是否曾为堆积如山的PDF文件头疼不已？合同、报告、论文……内容繁杂，查找关键信息就像大海捞针。现在，这一切即将被彻底改变！在信息爆炸的时代，海量数据散落在各大网站、论坛、文档中，手动收集整理不仅耗时耗力，还容易遗漏关键信息。今天，我们将带你探索如何利用 dify 平台，结合RAG技术，实现自动化采集网页内容并高效入库，打造一个真正智能、可检索、可扩展的 AI 知识库系统。1.…- 0
- 0
-
一文讲透AI知识库的功能价值、场景应用及工具方法
AI时代，知识管理迎来全新变革！传统的文件夹式管理早已过时，如何借助AI的力量，构建一个高效、智能的知识库，成为个人和企业提升竞争力的关键。知识库是用于存储、组织和共享信息的系统，其主要目的是提供易于检索的信息以帮助用户解决问题或者获取知识。随着AI技术的逐步应用，知识库的需求在逐步升级。本文带你详细了解AI知识库的功能价值、管理工具、应用场景和实操方法！一、为什么需要AI知识库？通用大模型在特定…- 0
- 0
-
万字复盘：我们如何从0到1构建企业AI中台？
2025年，随着年初DeepSeek的火爆出圈，生成式人工智能（Generative AI）从技术前沿迅速演变为商业应用的主流议题，所有的企业在AI的布局上有了更多的策略选择，因为技术平权，大家都站在了同一个起跑线上。这并非一次简单的技术浪潮，而是一次足以重构产业价值链的结构性变革。面对这一技术拐点，任何企业的管理层和技术领导者都必须回答一个核心问题：应如何系统性地将AI整合进组织，以构建可持续的…- 0
- 0
-
企业AI 转型如何循序渐进？AI 应用的三步落地策略
回顾上一篇AI 现在到底发展到哪一步了？（25 年下半年最新观察）中提到，当前处于通用AI 发展五阶段的第三阶段：智能体阶段。在这个阶段中，值得做，且不容易轻易被大模型升级抹平的场景要至少满足以下三个特征中的两个：1. 可以积累行业私数据2. 深度结合行业具体的know how。3. 智能体使用过程中可以 形成“使用-反馈-优化”的数据闭环。这里根据我们实战的经验，建议大家在深耕某一领域场景时落地…- 0
- 0
-
企业落地 AI 需要迈过的三道坎
AI 时代最缺啥？缺翻译。为什么缺翻译？因为认知完全不同频。企业内部上至老板下至员工，经常鸡同鸭讲极度内耗。事实上为了解决这个问题，市面上有很多成熟的方法论和模型。目前主流的大概有三种，基本脱胎于数字化转型方法论：1、按应用层级划分：工具层、业务层、战略层、生态层2、按成熟度划分：L1-L2-L3-L43、按决策思路划分：需求能力矩阵（斯坦福企业 AI 需求能力调研结果）大多数老板/高管直接一抄回…- 0
- 0
-
AI也有"工作记忆"？上下文记忆管理的3个实战策略
核心洞察：AI的"记忆衰减"现象很多人以为AI有完美记忆，但实际上，AI的上下文窗口是有限的，而且存在"记忆衰减"现象。当对话变长时，AI会出现：•早期信息被"遗忘"•重要指令被稀释•输出风格逐渐偏移这就像人类的工作记忆一样，能同时处理的信息有上限。上下文记忆的三个层次1. 指令记忆（Instruction Memory）定义：AI对核心…- 0
- 0
-
AI知识管理 | 从文档管理员到知识工程师：岗位说明与能力模型
关键词：知识工程师（KE）、语义切片、来源标注、图谱建模、质量评测、RAG 运维在“从找文件到要答案”的转型中，决定系统上限的不再是硬盘容量或搜索框样式，而是人：谁把零散文档改造成“可被机器引用的知识”？谁对“谁说了算、说过什么、能信几成”负责？答案是——知识工程师（Knowledge Engineer, KE）。KE 不是“把文件搬进库”的文档管理员，而是答案生产线的工艺师：将业务语义—来源—切…- 0
- 0
-
企业级AI知识库构建指南：避开这18个坑，少走3个月弯路
企业级AI知识库构建指南：避开这18个坑，少走3个月弯路导读：本文详细记录了我在给某企业实施AI运维知识库项目过程中遇到的多个关键坑点，希望这些经验能帮助大量想要构建知识库的企业少走弯路，实现知识高效管理和服务快速响应。AI知识库的价值显而易见：• 效率提升：将平均问题解决时间从30分钟缩短至3分钟• 成本降低：减少70%的重复性技术咨询工作量• 服务质量…- 0
- 0
-
AI知识库是面子工程还是效率引擎？
很少有哪个概念像 AI 知识库这样，呈现出现在如此魔幻的“冰火两重天”景象。一边是火焰。一家连锁酒店集团，上线AI知识库后，客服团队的重复性问题人工介入率骤降67%，客户满意度肉眼可见地提升。系统上线的庆功宴上，CIO激动地告诉我：“这玩意儿，是我们今年最值的投资。”另一边是海水。也看到一家颇具规模的制造企业，斥资百万，耗时半年，把海量技术文档搬进了一套崭新的AI系统。结果呢？发布会热闹…- 0
- 0
-
AI知识管理 | 知识运营（K-Ops）组织图谱：角色分工、职责边界与周/月度仪表盘
关键词：K-Ops、权威来源负责人、知识工程、质量评测、运行仪表盘在“从找文件到要答案”的转型之后，真正决定系统能否长期稳定产出可信答案的，不是某一代模型，而是知识运营（K-Ops）：一套可持续的组织、流程与指标。它把“来源—切片—标注—检索—生成—溯源—纠错”运营成答案生产线，像运维电商货架那样运维知识货架。而一个清晰的组织图谱、职责边界与仪表盘为系统规划的根本。NO° 01从“项目”到“制度”…- 0
- 0
-
数据治理智能体（Agent）全景拆解：核心模块、技术实现与业务落地指南
导读：数据治理的“智能革命”来了作为一名深耕数据治理10年的从业者，我曾见过太多企业因“数据混乱”而陷入困境：业务部门和IT部门对“订单数”的定义打架；敏感数据外泄引发合规灾难；数据质量差到连报表都无法生成……传统数据治理依赖“人治”，但人会犯错、会懈怠、会推诿。而今天，AI Agent（智能体）正在颠覆这一局面——它不是替代人，而是成为数据治理的“超级员工”，从感知、决策到执行全流程自动化。本文…- 0
- 0
-
AI知识管理 | 从“找文件”到“要答案”：打通企业知识的商业闭环
关键词：语义检索、知识图谱、智能问答、业务闭环、RAG在多数中大型企业里，员工最耗时的不是“干活”，而是“找信息”。关键词搜索要求你先猜“它被谁、以什么名字、放在什么盘里保存”，最后仍常以“问同事”收场。语义化知识系统的目标很直接：把零散文档变成可计算、可追溯、可复用的语义资产，让员工用一句自然语言就拿到“有出处的答案”。这一变化不仅改善个人效率，更能把“信息→决策→行动→反馈”的链路闭环起来，把…- 0
- 0
-
企业知识库建设的三大陷阱：为什么你的AI项目总是半途而废？
都知道AI是未来，都想搭上这班快车，但真正落地成功的企业却寥寥无几...问题出在哪？ 经过深入调研和实践，我发现了一个被严重忽视的真相：90%的AI项目失败，不是因为算法不够先进，不是因为数据不够多，而是因为企业根本没搞懂知识库建设这件事。第一个陷阱：把数据当知识，南辕北辙"我们有几十TB的数据，知识库肯定没问题！"这是我听过最多的一句话，也是最大的误区。数据和知识，…- 0
- 0
-
AI革命的最大障碍，不是算法，而是“数据集成”
大家好！在上一篇文章《Palantir如何驱动采购领域的AI自动化变革》中，我们深入探讨了 Palantir 如何利用其强大的AIP平台，在企业采购领域掀起了一场AI自动化变革。许多朋友看完后感叹于AI的巨大潜力，但也有人好奇：为什么听起来如此强大的技术，在国内很多企业里却迟迟无法落地？答案或许会让你有些意外。实现AI变革的最大瓶颈，通常不是算法不够先进，也不是算力不够强大，而是一项听起来极其枯燥…- 0
- 0
-
AI如何在企业落地？
AI · 企业落地困境越来越多的企业都在探索AI在企业的落地，实际上，企业内部的应用场景和方式，并不像外部宣传的那样完美。当前企业中AI应用的真实现状，我们不难发现：大部分的企业，仍然是以单点的应用场景为主，比如客服、知识问答、生成图文等。实际上，单点的AI应用，在企业内部使用没有什么问题，但如果要做整个企业的AI战略规划时，我们发现，除了单点应用外，我们怎么将AI融入到业务中，而不是AI工具的孤…- 0
- 0
-
从 Human First 到 AI First，我的知识管理悄悄变了
Less Noise More Focus. Writing & Thinking—— 被减数 @lessnoise365用 Obsidian[1] 多年了，文件管理、标签分类、双向链接、Canvas 白板，这些功能我都玩得滚瓜烂熟。直到前阵子无意中体验了 Claude Code[…- 0
- 0
-
企业AI落地：先打地基，别用“高科技”遮盖管理短板
引言很多企业急着上AI，却忽略了地基——信息化和数据化。结果是：销售额算不清、知识库没人用、工厂还在纸上记账，AI反而成了“摆设”。真相是，AI不是魔法棒，而是放大器：它放大优秀，也放大混乱。要想真正落地，企业必须先补齐两块短板：数据在线化和员工心态转变。不同类型企业应走差异化路径：制造业先做表单电子化和排产预测；零售业可尝试动态定价和推荐系统；服务业则从客服和客户画像切入。预算不同，打法不同：零…- 0
- 0
-
自从用了 WestlakeChat 的知识库后，我卸载了之前所有的学术资料管理工具。
当下的科研，真的太需要高效的知识管理工具了。我这几年用过不少学术资料管理工具，从最初的印象笔记，到后来的 Zotero，还有 Notion、语雀这些，它们各有各的优势，但总感觉在科研场景下还差点意思。做科研，一项很重要的工作就是跟最新的前沿论文打交道。早几年，AI 还没这么普及的时候，我读论文都是打印出来，专门凑出整段时间来研读。好处是读起来更投入，但缺点也很明显，纸质笔记不易保存，调取起来也不方…- 0
- 0
扫码打开当前页
联系我们
-
￥优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×