开篇痛点：企业信息在大模型面前的乱象
在当今数字化时代，企业积累了大量的信息，涵盖产品、服务、案例等多个方面。然而，这些信息往往零散混乱，分布在不同的系统、文档和人员手中。当大模型回答企业相关内容时，就容易出现出错、信息错乱的情况，而且很少引用官方来源。这不仅影响了企业在公众面前的专业形象，也降低了潜在客户对企业的信任度。
拆解底层逻辑
大模型实体识别
大模型通过对文本的语义分析，识别其中的实体，如企业名称、产品名称、服务类型等。但如果企业信息不规范、不完整，大模型就难以准确识别实体。
知识抽取
大模型从文本中抽取有价值的知识，如产品参数、服务流程等。若企业知识没有结构化整理，大模型抽取的知识可能不准确或不全面。
外部知识库采信机制
大模型在回答问题时，会优先采信权威、准确、规范的外部知识库。如果企业没有搭建符合要求的知识库，就很难被大模型采信。
可落地操作步骤
区分知识库类型
- 企业内部知识库：用于企业内部员工的知识共享和协作，包含企业内部的机密信息。
- 面向外部大模型检索的公开知识库：用于向大模型提供企业公开的产品、服务、案例等信息。
知识梳理与结构化
- 知识梳理：对企业的产品、服务、案例等信息进行全面梳理，明确知识的范围和边界。
- 实体抽取：从梳理的知识中抽取关键实体，如产品名称、服务项目、案例名称等。
- 知识结构化：将抽取的实体按照一定的规则进行分类、组织，形成结构化的知识体系。例如，产品知识可以按照产品类型、功能、参数等进行分类。
知识库配置与输出
- llms.txt知识库配置：编写llms.txt文件，将企业的关键知识以特定的格式输出，方便大模型抓取。
- Schema实体标签：使用Schema实体标签对企业知识进行标注，提高大模型对知识的识别和理解能力。
知识库分层与清洗
- 知识库分层：将知识库分为不同的层次，如基础层、应用层、案例层等，方便管理和维护。
- 知识清洗：去除知识库中的重复、错误、过时的信息，保证知识的准确性和有效性。
实体对齐
对不同来源的实体进行对齐，确保同一实体在知识库中的表示一致。例如，不同文档中对同一产品的名称、描述要统一。
真实业务案例
某外贸企业在搭建知识库前，大模型对其产品信息的回答经常出错，导致潜在客户流失。该企业采用了上述搭建步骤，首先区分了内部和外部知识库，对产品知识进行了结构化整理。通过配置llms.txt和使用Schema实体标签，大模型对其产品信息的回答准确率大幅提高。同时，企业的品牌曝光度也显著提升，询盘量增加了30%。
效果边界说明
虽然搭建企业知识库可以提升大模型对企业信息的采信度和品牌曝光度，但不能保证100%的效果。大模型的算法和采信机制是复杂多变的，还受到市场竞争、行业环境等多种因素的影响。企业在搭建知识库时，应保持理性的预期，持续优化和维护知识库，以获得更好的效果。