开篇痛点：企业信息混乱困扰
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，这些信息往往零散地分布在各个系统和部门中，缺乏统一的管理和整理。这就导致当大模型回答企业相关内容时，容易出现错误、信息错乱的情况，并且很少引用企业的官方来源。例如，某企业在市场上有多种产品线，但由于信息分散，大模型在介绍其产品时，可能会混淆产品特点和参数，给客户造成误导。
拆解底层逻辑
大模型实体识别
大模型通过对文本中的实体进行识别，来理解企业相关信息。实体可以是企业名称、产品名称、服务项目等。例如，当输入“某企业的明星产品”时，大模型需要准确识别出“某企业”和“明星产品”这两个实体。
知识抽取
知识抽取是从文本中提取有价值的信息，如产品的功能、服务的优势等。大模型会根据预设的规则和算法，从大量的文本中抽取相关知识，构建自己的知识库。
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。如果企业有一个标准化、结构化的知识库，大模型就更有可能引用企业的官方信息，提高回答的准确性和可信度。
可落地操作步骤
区分知识库类型
- 企业内部知识库：主要用于企业内部员工的知识共享和协作，包含企业的规章制度、业务流程等信息。
- 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的产品、服务、案例等信息，提升企业在AI问答场景的曝光度。
知识梳理与结构化
- 知识梳理：对企业的信息进行全面梳理，包括产品、服务、案例等。例如，列出产品的名称、型号、功能、适用场景等。
- 实体抽取：从梳理后的信息中抽取实体，如企业名称、产品名称、服务项目等。
- 知识结构化：将抽取的实体和相关信息进行结构化整理，形成标准化的知识体系。可以使用表格、树状图等形式进行展示。
llms.txt与Schema实体标签配置
- llms.txt：用于向大模型提供企业的基本信息和知识链接，方便大模型快速获取企业的相关知识。
- Schema实体标签：为实体添加标签，明确实体的类型和属性，帮助大模型更好地理解和识别企业的知识。
知识库分层与清洗
- 知识库分层：根据知识的重要性和使用频率，对知识库进行分层管理，提高知识的检索效率。
- 知识清洗：去除知识库中的重复、错误和无用信息，保证知识的准确性和完整性。
实体对齐
将不同来源的实体进行对齐，消除实体的歧义。例如，将不同文档中对同一产品的不同称呼进行统一。
真实业务案例
某站群企业在搭建知识库前，大模型对其产品的介绍经常出错，导致客户咨询量较低。通过采用上述搭建步骤，该企业建立了标准化的知识库，明确了产品的特点和优势。在知识库上线后，大模型对其产品的介绍准确率大幅提高，客户咨询量也有了显著增长。
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，但并不能保证100%的效果。大模型的算法和规则在不断变化，市场环境也在不断发展。企业需要持续对知识库进行迭代维护，以适应这些变化。同时，知识库的建设只是提升企业品牌形象的一个方面，还需要结合其他营销策略，才能取得更好的效果。