人工智能应用与知识
RAG开发
语言模型的好坏，取决于您把什么摆在它面前。多数令人失望的人工智能回答，其实是披着模型外衣的检索失败：正确的段落本来就在，只是从未被取出来。我们构建并调优检索层，然后加以衡量，让模型基于正确的证据展开论述。
业务问题
演示能成，是因为语料很小
朴素的向量检索在几百份文档上表现良好，超过几十万份就会明显劣化。切块会把表格和它的标题拆开。语义相近的段落挤掉了真正具有权威性的那一段。时效性输给了相关性，于是已被取代的旧政策排在了现行版本前面。这些在没有度量的情况下都看不见，于是团队上线、得到看似合理的答案，直到有人照着一个错误答案行动，才发现错误率有多高。
我们做什么
先把检索建好，再证明它有效
我们先用真实问题与已知正确来源构建评测集，因为无法打分就无法调优。然后我们打磨整条管道：尊重文档结构的切块、结合关键词与向量的混合检索、面向时效性与权威性的元数据过滤，以及对候选清单的重排序。当实体之间的关系比段落相似度更重要时，我们使用图结构，而不是假装向量就够了。每一次改动都对照同一个评测集打分，因此改进是被证明出来的，不是被声称出来的。
RAG开发
能力
-
企业级RAG
-
进阶RAG
-
GraphRAG
-
混合检索
-
向量检索
-
检索优化
-
RAG评测
常见应用场景
常见应用场景
- 为面向客户的助手建立依据，使它提出的每一项论断都能追溯到一份已发布的文件。
- 在众多合同之间检索，答案取决于哪份协议起支配作用，而不是措辞相似度。
- 检索技术文档，其中正确的内容往往是一张表格或一段图注。
- 重建一个回答听上去合理、但出错频率高到已经失去信任的助手。
我们如何交付
我们如何交付
-
定形
把需求转化为规格：谁在使用、什么算正确答案、由谁拍板。
-
接入依据
连接到承载答案的内容与系统，并尊重既有权限设置。
-
评测
在任何外部人员看到之前，用取自您自身案例的标注数据集打分。
-
上线与运营
分阶段发布，配合监控、成本控制与守住质量的回归测试套件。
技术
技术
- OpenAI
- Anthropic
- Azure OpenAI
- pgvector
- Elasticsearch
- Microsoft 365
- SharePoint
- Confluence
- Salesforce
安全与治理
安全与治理
答案以您自己的内容为依据并附带引证，读者因此可以核对。检索会遵守源系统上已经设定的权限，也就是说用户绝不会通过应用看到自己本来看不到的内容。提示词、检索到的上下文与响应都会记录以备审计，评测持续进行，而不是上线时做一次就算。
合作模式
合作模式
人工智能项目
我们对既定人工智能方案的设计与交付承担责任。
专属人工智能团队
围绕您的技术栈与交付模式建立的长期专属工程力量。
托管式人工智能
我们运营、监控并持续改进生产环境中的人工智能系统。
为什么选择 TeamExtension.ai
先度量，再调优
多数检索工作靠直觉：改一下切块大小，读几条回答，觉得好像好一些了。我们先构建标注数据集，这活儿并不光鲜，却正是调优与猜测之间的全部差别。它还会给您留下一套回归测试，使半年后的模型升级不会在无人察觉的情况下悄悄拉低质量。
部分客户
常见问题