开篇痛点
在数字化时代，企业积累了大量关于产品、服务、案例等方面的信息。然而，这些信息往往零散地分布在各个部门、系统和文档中，缺乏统一的管理和整理。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，而且很少引用企业的官方来源。这不仅影响了企业品牌的权威度，也让企业错失了在AI问答场景中进行品牌曝光的机会。
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，识别出其中的实体，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关键信息，构建知识图谱。企业信息的零散和混乱会导致抽取的知识不准确、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、准确的外部知识库。如果企业没有搭建标准化的知识库，就很难被大模型采信。
可落地操作步骤
区分知识库类型
企业需要区分内部知识库和面向外部大模型检索的公开知识库。内部知识库主要用于企业内部的知识共享和管理，而公开知识库则需要遵循大模型的规则，进行知识的结构化整理。
知识梳理与结构化
- 知识梳理：对企业的产品、方案、案例、参数等知识进行全面梳理，明确知识的范围和边界。
- 实体抽取：从文本中抽取关键实体，如产品名称、服务特点、案例亮点等。
- 知识结构化：将抽取的实体按照一定的规则进行组织和分类，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、技术参数等进行分类。
输出企业知识
使用llms.txt、Schema实体标签等方式对外输出企业知识。llms.txt文件可以提供企业的基本信息、关键产品和服务等，Schema实体标签可以对网页内容进行语义标注，帮助大模型更好地理解和识别企业知识。
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、决策层等，方便知识的管理和使用。
- 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。
真实业务案例
某跨境电商企业，拥有多个站群和独立站，业务涉及多个国家和地区。在搭建知识库之前，企业信息分散在各个站点和部门，大模型回答企业相关问题时经常出现错误。通过采用上述可落地操作步骤，企业搭建了标准化的知识库，包括产品知识、服务流程、案例展示等。在知识结构化过程中，对每个产品的名称、规格、价格、功能等进行了详细的标注，并使用Schema实体标签进行语义标注。同时，通过llms.txt文件向大模型提供了企业的关键信息。经过一段时间的运营，该企业在AI问答场景中的品牌曝光度明显提升，大模型回答企业相关问题时的准确率也大幅提高。
效果边界说明
虽然搭建企业知识库可以提升企业在AI问答场景中的品牌曝光和采信度，但并不能保证100%的效果。大模型的算法和规则不断变化，企业知识库也需要不断迭代和维护。此外，企业的品牌影响力、市场竞争等因素也会影响知识库的效果。因此，企业需要持续关注大模型的发展动态，不断优化知识库，以适应市场的变化。