关于ZAKER 合作
钛媒体 12小时前

2025 ITValue Summit 前瞻对话「AI 落地指南特别篇」②

当人工智能从实验室走向产业应用,我们正见证着一场静默却深刻的范式革命。

继大模型之后,Agent 正成为这场智能革命中的明确技术路线。但如何构建真正的 Agent、迎接 Agentic AI,大多数人并不清楚。

但易点天下已经开始通过 Agent 交付实实在在的价值。

易点天下作为一家企业国际化智能营销服务商,凭借多年来在营销服务领域的行业 Know-How,以及近几年在 AI Agent 方面积累的技术基础,在前不久发布了其 AI Drive2.0 数智营销解决方案及首个全球多渠道全托管 AI 营销专家 -AdsGo.ai。

以 AdsGo.ai,以及此前发布的 KreadoAI、Funsdata、Cycor、CyberGrow 等产品为矩阵,易点天下将复杂营销工作流通过 Multi-Agent 和 AI Workflow 来封装成一个 7x24 小时不间断工作的 AI 智能体系。

其中,新发布的 AdsGo.ai 通过内部互相串联的、能够理解商家目标,自主分析市场,制定并执行策略营销的垂类 AI Agent,实现 " 程序化自动化 " 到 " 智能化自动化 " 的跨越,让用户只需要专注于自己的核心业务,由 AI agent 即可自动完成 " 一键启动、长期运转 " 的管家式营销服务。

数据显示,内测阶段,AdsGo.ai 帮助初创期和成长型企业实现广告策略多样性与投放效果提升 5 倍创意素材测试效率提升 10 倍,节省广告营销人力成本达 65%,对比中级优化师 AdsGo.ai 的投放广告单次转化费用降低 26%,链接点击率提升 47%,放量效率提升 132%。

在钛媒体 2025 ITValue Summit 前瞻之 AI 落地指南系列直播中,钛媒体联合创始人刘湘明与易点天下首席产品官张奥迪对话,围绕 AI Agent 应用落地阶段,以及 AI 中台如何构建等话题展开了讨论。

在张奥迪看来,当前 Agent 在应用广度上已经实现了全岗位渗透,具体来看,Agent 已经覆盖了包括产研(AI Coding 提效)、创意(AIGC 素材生成)、运营(标准化流程自动化)、信息化(审批 / 知识库)等在内的企业内部多个环节,并触达所有关键岗位;Agent 在应用深度上,已经从项目立项自动化到 SEO 全链路执行(关键词挖掘→落地页优化→数据反馈),20+ 泛 Agent(AI+RPA)与专业多 Agent 协同系统共同支撑了易点天下多项日常工作。

此外,Agent 的应用还可以根据复杂程度分为泛 Agent 和专业 Agent。

泛 Agent 更像是 AI+RPA,像是一个自动化的工具,能够帮助员工完成一个垂直场景的工作。" 目前易点天下已经交付了超过 20 个泛 Agent 的应用,比如所有项目立项的自动化是由 Agent 完成的,通过自动化的方式取代人工填写。" 张奥迪进一步指出," 此外,在 AI 信息化方面,通过协同多个 Agent,完成日常办公的信息调度工作。"

专业 Agent 方面,张奥迪认为,真正的 Agent 需具备意图理解、任务拆解、自主调动、长上下文记忆及多 Agent 状态感知的能力。" 传统以模型为中心的 AI 应用,往往停留在问答或创意生成等浅层能力;而专业 Agent 则可通过多智能体协作、动态任务调度和状态感知能力,打通营销全链路,实现营销流程从投前洞察、素材生产、投放优化到数据分析的全链路重构。" 张奥迪指出。

在此背景下,张奥迪认为,Agent 的最终形态是实现 " 以目标为中心 "," 以目标为中心 " 的模式下,企业不需要更多的进行编排,实现 " 以模型为中心 + 以任务为中心 ",结合在了以目标为中心中," 比如,某些 Agent 可能是 workflow 的编排,某些则是以模型为中心做的 Chat。但在 Agent 内部,只需要用户输入需求,就能自动化的拆解任务,自主调度 AI 工具 /Agent,并且还要具备状态感知,才能调动起整体 Agent 的协同状态,还需要保持长的上下文记忆能力," 张奥迪进一步指出," 这时候,模型才能做到专业的 Agent 的,以目标为中心的结果导向。"

在对话中,张奥迪还分享了企业在建设 Agent 过程中需要注意的细节,在他看来,企业构建 Agent 应用需要 " 四步走 "。

第一步,企业需要统一思想。" 通过培训等方式,将企业内部人员对 AI 的认知拉齐。" 张奥迪指出。

第二步,不要吝啬投资。在用 AI 的时候,省钱不应该是企业优先考虑的问题," 企业不必刻意省钱。AI 工具要多用,消耗的 Token 越多越好,这样企业才能积累经验。" 张奥迪给出了这样的建议。

第三步,梳理业务 SOP。通过 SOP 梳理,企业才能寻找到真正适合 AI 应用,真正有 AI 需求的场景,并进一步深挖。

第四步,成立专职 Agent 研发团队。业务部门疲于 KPI 考核,不愿投入流程拆解,需成立专职 Agent 小组推动。" 无论是内部抽调人员研发 Agent,还是成立单独的部门做。" 张奥迪表示。

" 同时,企业还需要有拥抱变化的心态,即便踩到坑了,只要能快速的迭代,不管是认知上的迭代、组织思想上的迭代,还是工程建设上的迭代,最终才能做好。"" 张奥迪强调道。

附上本期直播时间轴,帮你快速跳转感兴趣的部分

00:28 Agent 在企业中应用广度与深度

14:43 AI Agent 从单点应用向着智能协同演进

22:50 AI Agent 定义,什么是真正的 AI Agent

49:03 Agent 的大规模应用,对于企业的管理和组织带来的冲击有多大?

以下为对话实录,经笔者整理:

刘湘明:请先介绍一下易点天下应用 Agent 的情况,应用的深度和广度。

张奥迪:目前市场上现有的 Agent/AI 产品主要可以分为几类。首先是编码类的 AI Coding,还有就是写分析报告类的(BI),以及 AI 运营,包括建设各种 Agent 的平台工具,还有就是内部的 AI 信息化。

首先我们在产研侧应用 AI 最广泛。受到交付率以及质量需求的影响,产研侧是最早应用 AI Coding 的环节;

第二个是,因为营销科技公司的属性,所以在素材创意方面,我们比较早的应用了 AI 相关产品。无论是图片类、视频类的,还是数字人类、TT 素材等设计类的工作;

第三个是,AI 运营类。通过 AI 工具帮助员工完成部分标准化、重复性的工作。

第四个是,AI 信息化,包括了出差、请假审批,还有企业知识信息查询,物品领取、退还等等,包括我们各个部门的服务台。通过信息化的 AI 转型,我们提高了工作效率。

广度方面,AI 几乎覆盖了所有的岗位,日常的关键场景。

深度方面,AI Agent 已经能够处理近乎 80% 的工作场景。

刘湘明:是否有统计过易点在使用多少个 Agent?

张奥迪:主要可以从两个层面来看,一个是泛 Agent;另一个是垂直的、专业的 Agent。

泛 Agent 化更像是 AI+RPA,其实就是一个自动化的工具,能够帮助员工完成一个垂直场景的工作。那这里面我们交付很多。泛 Agent 化方面,我们交付了 20 多个产品,比如,产研协同流程里面有个项目立项,所有项目立项的自动化是由 Agent 完成的。完成立项后,立项的整个流程和细节,现在只需要把立项报告放到系统中,通过自动化的方式取代人工填写。此外,在 AI 信息化方面,通过协同多个 Agent,完成日常办公的信息调度工作。

在垂直、专业 Agent 方面,协同办公的 Agent 完成之后,进而推进复杂的多个 Agent(数字员工)之间交互。这个过程中,在多个 Agent 协同工作的过程中,保持目标的一致性是最难实现的。

刘湘明:AI Agent 从单点应用向着智能协同演进,从模型为中心向着以目标为中心,在这个过程中,共分为几个阶段?每个阶段的具体能力有哪些?

张奥迪:首先,以模型为中心,就是单点能力。最早在大语言模型问世之后,推出了很多编排流的工具,我认为它更像是一个轻代码平台。平台中融入了很多 AI 节点和 AI 插件,这个过程中,我们可以通过简单的提示词,就做出一个 AI chatbot。

当时,行业内很多认为这就是 Agent 平台,但你回发现,这个平台中,能力是碎片化的,且还是确实目标感的,这时候我们依赖的仅仅是模型本身的能力提升。

当来到以任务为中心的时候,就出现了一些更复杂的工具,以及一些工程化的提示词,以及手工编排。结合在一起就变成:我会用很复杂的工作流的编排去收敛它的稳定态。其实我们做模型应用,我现在理解就是我们在 " 不确定中寻找确定性 "。

因为大模型本来是生成式的,肯定会有一些幻觉,还有一些记忆的问题。如何解决?我们用我们历史的运营经验,变成一个标准的 workflow,然后再加上本身大模型的意图理解的一能力,构建起以一个任务为中心的点,这个更像是 AI+RPA 的方式做自动化。这种类型的应用包括了合同识别、自动流转、智能客服等。

最后,我们就到了以目标为中心。这个过程更为复杂,企业不需要更多的进行编排,可能是以模型为中心,加上以任务为中心,结合在了以目标为中心里。比如,一些 Agent 可能是 workflow 的编排,一些是以模型为中心做的 Chat,但在 Agent 内部,只需要我们输入需求,就能自动化的拆解,自主调度各类 AI 工具,或者 Agent,并且还要具备状态感知,才能调动起整体 Agent 的协同状态,还需要保持长的上下文记忆能力。这时候,模型才能做到专业的 Agent 的,以目标位中心的结果导向。

刘湘明:能否举个具体的例子?

张奥迪:以我们公司内部建设为例。最初我们处于以任务为中心的阶段,我们可以编排很多工具,比如在电商场景中的,换假发、抠背景图等,这就需要用到很多编排,可能是通过模型微调进行收敛,也可能是用 Code UI 的方式,调参数进而收敛模型稳定性的状态,这也算是 workflow 的编排。在整个过程中,我们发现素材类的生产,可以把很多垂直类的效果场景单独拿出来,编排成一个稳定的 workflow。

以目前通用 Agent 生产的素材,主要分为两步,第一步是生产出来,第二步还需要对素材进行编辑或剪辑。但当两步融为一体之后,就需要非常的垂直化。比如有很多的视频素材,需要做一个类似于故事绘本,首先需要将单点画面做出来,然后通过文生视频再进行拼接。这其实就是编排的以任务为中心的一个案例。

此外,我们在营销领域,以电商营销为例,现在的一些 AI 工具、电商站,其核心是通过买量投放,进行获客;要么是通过 SEO。SEO 里面有很多步骤,比如首先需要寻找关键词,通过一些工具寻找长尾关键词,进而建设落地页——如何将关键词 " 埋 " 到营销的内容页中,并将整个网站的布局做出来,让它更适合 SEO。第三个是外链购买,第四个是数据反馈。

我们有一个刚对外发布的 SEO 的产品,刚发布就有大几百个网站开始使用了这个产品。这个产品其实就是通过 workflow,加上自主调度的能力,将前面提到的环节全部变成自动化的执行路径。最终实现:用户只需要将他的网站链接扔进来,剩下的就是各种调用工具选择竞争度不较好的关键词。此外,在网站建设方面,我们可以调用一些编排能力强的 AI 工具,更好地建设网站布局。再加上易点员工帮助运营操盘,实现整个 SEO 路径的全部自动化和 Agent 化。

刘湘明:相当于在 Agent 大规模应用过程中,最核心、最有难度的一点是智能任务编排的系统建设,是这样么?

张奥迪:我认为它不是最难的,最难的是一开始人的思想理解。分为两点,第一点,企业会认为,Agent 跟 ChatGPT、DeepSeek 等的区别是什么?企业会提出:我天天在用(ChatGPT 等模型)然后你又让我建设 Agent,为什么?

第二点,业务人员本身的精力都在完成 KPI 考核方面,如何有精力建设 Agent?对于企业而言,Agent 建设的过程是成本,当效果没有达到稳定预期的时候,是否还会继续投入,是个未知数。

第三点,推广 Agent 的过程中,我会要求大家梳理 SOP,SOP 如何梳理,为什么要梳理 SOP,是一开始遇见的最大问题。

这三个问题都需要通过组织的力量解决。比如需要贯彻思想,培训,让员工理解,拉齐大家的认知。这个过程中会发现,刚开始培训或拉齐认知的过程中,员工的认知参差不齐,有的人每天都在用很多 AI 工具;而有的员工遇见问题了并没有选择用 AI 工具,而是求助于其他同事,但就像前面说的,我们要在不确定中寻找确定性。AI 有可能会给出错误答案,但我们需要通过一些技巧将错误率降低。我们通过这种方式,让大家切实感受到 AI Chatbot 于 AI Agent 是不一样的。

此外,我们会在一开始收集大量的零碎的需求。比如一些短剧团队,我们收集需求之后,会帮助他们建设一些 Agent 短剧,一开始会有选短剧,选品。另外,运营人员每天也会看大量短剧,总结数据,这件事完全可以使用大模型进行。员工输入短剧视频或者文本,总结出一个包括人物角色关系在内的,结构化的脑图和概要,让员工扫一眼就知道短剧的内容,就能增加运营人员的效率。此外,在短剧内部设置付费的关键点,AI 可以剖析剧情的矛盾点和聚焦点,从而推荐出付费的关键点。

通过这些案例,用户就会发现 Agent 与一般 Chat 之间的差别。Agent 能够串联起整个场景,人只作为一个像 L2 样那个辅助驾驶一样关键。这时候,员工就会产生观念上的改变,就会有一些主动照过来寻求开发 Agent 的需求,

第三个阶段,当正向反馈逐渐出现,就会发现其实踩了很多坑。第一个就是,很多需求并不是 AI 能够完成的。从一开始的不信任,到后来的神化 AI。这就需要对 AI 能力有甄别的能力。哪些 AI 能做,哪些做不了,此外,企业还需要专业的 Agent 建设的团队。易点从工程、算法、数据分析等部门抽调了一些同事,组成了 Agent 建设小组,专注于 Agent 建设。进而甄别业务部门提出的 AI 需求是否可行,这个过程需要业务部门提供详细的 SOP 的梳理,才能知道如何编排任务流,用哪些工具,才能达到最好的效果。

当宏观的收集到了所有的 SOP,就能知道组织 AI 化的天花板在哪里,并且随着经验积累和大模型能力的提升,就能知道组织 AI 化的进程达到了百分之多少,我觉得这是很有意义的一件事。

刘湘明:一个合格的、真正的 Agent 到底是什么?

张奥迪:真正的 Agent 需要具备这几点能力。第一个是意图理解,需要理解用户的目标是什么。第二个是任务拆解,需要具备自主拆解任务的能力。第三个是自主调动,Agent 需要知道每一步做什么,并调用相应的工具。第四个是长上下文记忆能力、理解能力,以及多 Agent 状态感知的能力。

所以,非常专业的 Agent 的建设是十分复杂的,并不是编排一个流就结束了。而是又回归到大型的工程建设,我觉得 Agent 的建设更像是集团化数据中心建设,是一个庞大的工程系统。

举个例子,我们在 AI 信息化的过程中,做了一个 ALL IN ONE 的 AI ——易精灵。当我开车时,我可以跟它说 " 帮我订个几点的会议室 ",虽然它的架构不是最先进的,但它能满足我的需求。这个过程中,第一个 Agent 是意图理解,我们通过复杂的提示词(接近 1000 行)进行调度。设置提示词也需要技巧,因为当你获得一个稳定的提示词模板,再加上长上下文之后,这个模板又会变得不稳定,为什么会发生这样的情况呢?因为大模型会理解 " 我必须按照这种模板来做 ",稍微换一下说话方式,大模型的理解力就会下降。

所以,在长上下文提示词构造里,需要构造多种口吻,比如反问、正向问、疑惑问等多个模板,让它能够理解这些问题模式,长期来看,对大模型的理解能力的增长有很大帮助。

回到刚刚提到的调度,抛出问题后,Agent 会调度到下面十余个不用的 Agent,比如会议场景,它就会调度到行政,会议预定等相应工具,调度飞书里面预定会议的接口。

除此之外,还需要判断很多因素,首先是,我需要跟谁组建会议,那个人行程跟我目前会议行程冲突码?进行信息检索;第二个,Agent 会将会议间隙拿出来,组建会议,然后寻找哪些会议室是空闲的,另外还会询问用户参会人员规模,并匹配相应的会议室,最终选择出一个最佳的会议室,并预定这个会议室。在此过程中,需要我们收敛 AI,制作工具,将稳定性做好。

再复杂的情况就是,需要多个 Agent 之间协同做一件事。定会议室场景中,因为整体链路短,所以 Agent 需要保持的记忆也短。但当我需要长上下文交互的饿时候,就会发现,原先使用的先问一个提示词,然后再自己结合上下文,混合成一个新的提示词的方式,已经超过了大模型本身的输入限制,会被截断。截断之后,就会发现模型回答的问题很蠢,这时候又要在大模型之外,连接缓存机制(每一个对话都有它自己的一套外部的一个系统缓,)这又到达另外一个复杂程度了。会发现要构造一个非常垂直或者专业化的一个 Agent 解决复杂的长链路的场景,一定要把大模型当作操作系统来看,围绕它构造一个 native 的 AI 应用。

我觉得我们正在往一个非常复杂的 Agent 构建路程中前进,未来还会有更多的坑出现。包括大量 Agent 出现之后,还需要维护它,不断得带。

Agent 的管理也是一个问题。企业需要结合场景的难易程度,寻找适合的 Agent 建设工具,现在有大量的工具,目前仍处于 " 淘汰赛 " 阶段,明年可能还会出现新的工具。所以企业需要保持一个变化的心态建设 Agent,但在组织内部,又需要有一个聚合,聚合到自己的平台。将零散的一些场景集合到自身平台上使用,当业务需要这些能力的时候,企业可以在 Agent 平台上统一构建一个开放接口给他使用。

在这个过程中也会遇见很多问题,比如算力成本问题。有些部门可能只需要用大语言模型,有些部门会用到多模态模型,企业需要构建分账体系,更像是商业化平台落地,最后你会发现,你构建的其实是一个 AI 中台。

AI 中台底层能力是,接入大量服务商 AI 模型,再上一层,需要结合业务场景构建一些小的微调(模型),一些垂直领域场景,并没有能达到最好效果的通用化模型。再往上就是 Agent 建设,这一层会调用大量 AI 工具,寻找一些确定性的方式,再往上就是面向业务人员,通过接口调用 Agent,完成工作。

刘湘明:有一个细节,上下文在某种意义上也需要进行分级和定义,这方面,易点天下如何处理的?

张奥迪:刚才我们聊到的所有方式,都是为了降低幻觉。以单点 Agent 为例,首先,每个 Agent 都会用到 RAG,向量化检索知识库内容。我们在做易精灵的时候,会把每个业务日常的 FAQ,以及经验等数据,维护在统一的文档池中,这就形成了企业级的知识库。将经验变成了可操作的稳定流,就让每个 Agent 都有了 RAG 的能力。

第二个,在长上下文应用中,在单点 Agent 中,外部存储的临时文件会结合 RAG。但当多个 Agent 需要协同时,就需要把每个 Agent 里面外挂的知识库,以及上下文管理,提取出来,进行统一管理,进而在进行任务分配。这是当下我们遇见的最大挑战。

前不久,manus 发布了技术复盘,对于行业来说,是一个非常好的指引。里面暴露出了未来可能会遇见的问题。

我认为企业未来的壁垒是:企业内部可被 AI 模型利用的,私有的数据库。微调可能会是一个好的方向,但是在我看来,与微调相比,企业还不如把上下文和知识库 RAG 做好,会推进的快一些。

刘湘明:目前,一个 Agent 开发的流程和周期大概是什么样的?

张奥迪:流程方面,主要有两种。第一种是需要梳理企业内部所有的 SOP;第二种是零散的收集需求,寻找真的 AI 需求,并将 AI 需求放在 SOP 中,观察进行到哪一步了。

第二步,对流程进行编排或者自主调度,进行规划,产出一个解决方案(可能是框架图,也可能是技术手段),并进行技术选型、工具选择,进而将这些工具接入到企业 AI 中台。

第三步,开发。在整体调度方面,我们有十余个员工,但具体制作 Agent 方面,1~2 个员工就能制作一个相对简单的 Agent,即便是复杂的工程化的 Agent,十余个员工也足够。

Agent 的建设与数据中台的建设类似。当 Agent 变多时,需要知道每个 Agent 的流向,以及相互的关联关系。这特别像数据中台建设过程中的数据血缘。此外,Agent 也需要类似数据中台的质量监控。

当企业内部全部 Agent 化之后,就会存在特别多的 Agent,这时候就需要类似数据中台的数据治理,定期对 Agent 清理一遍,将低热度(低使用频率)的 Agent 清理掉。并且,当 AI 能力不断提升之后,企业还需要将不同的、垂直的 Agent 合并成一个。整个过程就是传统的复杂工程的建设过程。

框架只是给了企业快速入场的平台,最终企业还需要脱离框架。因为现在 Agent 的框架还没有达到成熟态。AI 应用还没有想数据中台似的,达到标准化建设阶段。还会有一些新的开源框架,以及规范出现,才能逐渐到达像数据中台建设那样的标准化。

刘湘明:Agent 与传统的 IT 系统的关系,以及 Agent 团队与 IT 团队的关系是什么样的?

张奥迪:团队方面,因为大家都理解了一定要拥抱 AI,所以大家都在想方设法的利用 AI 升级原有系统,这又回到了 +AI 和 AI+ 的讨论中。

AI+ 是以 AI 为主导,这时候就需要统一的入口,统一的交互。可能会出现一个 ALL IN ONE 的调度中心(新入口)。

+AI 是将传统的系统,例如 BI、OA 等,结合上 AI 需求或 SOP,更像是助手的形式。比如在 OA 提交了立项申请,就可以通过 AI 助手自动填写。

所以,传统的交互跟 AI 的交互完全不排斥,大家不要存在为了 AI 和 AI 或者对话就是 AI 的错误认知。在应用 AI 的过程中,用户还是需要区别场景与用途。

这引出了另一个问题——场景的复杂度有多深?为什么行业内会存在 "AI 会首先颠覆 SaaS" 的观点?因为 SaaS 本身是要用通用解决定制化需求,为了尽可能的避免定制,所以 SaaS 软件会在通用上下很大功夫,会做的越来越复杂,最后还衍生出了软件培训师,需要对使用者进行培训才能使用。

而这件事恰恰是 AI 擅长的。比如,ChatGPT 能将一段毫无逻辑、杂乱无章的话,结构化,并筛出逻辑,在软件学习领域,AI 可以帮助企业降低 SaaS 软件的学习成本、使用成本。

刘湘明:Agent 的大规模应用,对于企业的管理和组织带来的冲击有多大?

张奥迪:我认为会变成人机协同的范式。以产品经理为例,使用 AI 可以帮助其总结文档,并且协助其与开发人员交互。比如,现在产品经理可以利用 Agent 直接生成网页,从众多生成的网页中选择一个符合预期的,同步给前端工作人员。

整个过程,在弱化设计师参与的同时,也将产品语言与研发语言同步(原先需要产品人员与研发沟通需求,不断修改,现在只需要产品经理将生成的网页代码发给研发就能解决)。通过人机协同的方式,改变了原有的员工之间的配合模式。

不过使用 AI 也存在一些问题,比如 AI 会 " 献媚 "。以产品策略撰写为例,我提供了方案,AI 结合长上下文记忆理解等能力,会先赞赏你的方案,AI 会用各种解释,阐释你的方案很不错。我现在在使用的过程中,就会明确跟 AI 说 " 不要献媚,请客观评价 "。这也是人机协同的一个变化。

此外,组织关系也会随着 AI 应用变得更扁平。通过 Agent 助理,企业管理层可以筛选、评估、总结基层员工的汇报内容,进行风险预判,让管理者能优先处理更为重要、紧急的事。

刘湘明:企业如何构建 Agent 才能更好的实现目标?

张奥迪:第一步需要统一思想,需要通过培训等方式,将企业内部人员对 AI 的认知拉齐。

第二步,企业在用 AI 的时候,省钱不应该是优先考虑的问题,企业不必刻意省钱。AI 工具要多用,消耗的 Token 越多越好,这样企业才能积累经验。

第三步,梳理业务 SOP。

第四步,需要组织引领、推动 Agent 落地。无论是内部抽调人员研发 Agent,还是成立单独的部门做。

按照这四步走,会有比较好的效果。同时,企业还需要有拥抱变化的心态,即便踩到坑了,只要能快速的迭代,不管是认知上的迭代、组织思想上的迭代,还是工程建设上的迭代,最终才能做好。

刘湘明:知识库的建设在那个阶段开始比较好?

张奥迪:知识库已经足够了。只要企业能够将文档详细归类,并将日常 FAQ 和经验结构化的积累下来,就是一个好的企业知识库积累机制和状态。

另一方面,非结构化的数据未来会越来越重要。没有虽然现在一个完整的实践经验标明:非结构化数据会应用到数据中台,或者会给未来的营销效果提升非常多,但这是个趋势。

刘湘明:谢谢张总的分享。

张奥迪:谢谢。

相关标签
ai

觉得文章不错,微信扫描分享好友

扫码分享