該報告由 DataFun 出品，涵蓋騰訊、百度等多家企業在大模型領域的實踐成果。通過豐富案例，從技術原理、應用場景、落地挑戰與解決方案等維度，展現大模型在多領域的應用現狀與發展潛力，為讀者提供全面深入的行業洞察。

騰訊混元大模型

RAG 技術：通過數據準備和知識召回生成增強，解決大模型幻覺、知識更新滯后等問題，在文檔解析、切分、知識庫擴充等方面有優化實踐。

GraphRAG 應用：針對角色扮演場景，解決 RAG 缺乏全局信息等局限，構建知識圖譜實現高效檢索與推理，提升回答準確性與透明性。

Agent 技術：基于目標驅動，結合推理與行動，調用外部工具處理復雜任務，在騰訊云運維平臺有成功應用，提升用戶體驗和工作效率。

百度大模型在研發領域

智能研發工具發展：智能開發工具從輔助編碼向協同工作進化，在代碼補全、生成能力、理解全庫、代碼 Debug 和交互方式等方面不斷優化。

企業落地經驗：通過建立心智認知和增強效果信心，在 Devops 鏈路融入大模型應用，利用 CICD 確保效果，提升工程師接受度。

開發者實踐：開發者應與 AI 協同工作，利用大模型進行代碼檢索、提供上下文信息、管理知識和協同分工，提高開發效率。

金融風控領域大模型

大模型落地思路：構建包含規劃、存儲和工具模塊的智能體系統，從強化 Tools 和 Planning、Memory 兩方面落地，提升風控系統效能。

優化案例：針對 Tools 強化，NLP 和圖像反欺詐模型優化減少標注量、縮短交付時間、提升模型效果；針對 Planning 和 Memory 強化，欺詐調查助手和數據分析助手減輕業務人員負擔。

B 站大數據智能診斷助手

背景介紹：B 站大數據平臺任務量和咨詢量大，用戶面臨任務失敗或變慢等問題，智能診斷助手旨在解決私域咨詢、診斷、時光機等問題。

原理剖析：架構包含知識庫和用戶診斷問題兩部分，通過構建知識庫、解決 Precision 和 Recall 問題、優化提示詞和利用 Agent 技術提升診斷能力。

技術落地：通過企微等平臺提供咨詢和診斷服務，離線診斷和實時診斷分別處理 Spark 和 Flink 作業問題，智能小助手服務四類人群。

小愛同學應用大模型

小愛同學概要：作為 AI 助手，支持多設備和多產品線，利用大模型重構提升產品體驗和用戶留存。

意圖分發：通過大模型微調，判斷用戶意圖并路由，提升中長尾和多輪 query 理解，減少訓練數據。

垂域意圖理解：采用 function calling 方式，抽象 API 定義，大模型判斷并提供參數，優化推理耗時和指令遵循問題。

回復生成：針對大模型回復問題，通過微調使模型具備多種能力，提升回復滿足率，未來探索多模態架構。

快手廣告領域大模型

廣告預估挑戰：快手廣告面臨跨場景跨媒介行為數據利用難和推薦模型缺乏外部知識等問題，大模型應用可解決這些問題。

全域行為利用：COPE 框架通過構建數據集和統一表征模型，增強商品特征，提升全域興趣建模，在召回、精排等環節取得業務收益。

外部知識利用：LEARN 框架采用離線訓練加在線適配范式，將 LLM 知識遷移到推薦系統，在冷啟和長尾場景效果顯著。

京東健康電商推薦

技術發展回顧：推薦系統結合大模型技術有傳統 CTR 模型變大、LLM 增強現有推薦、生成式大模型端到端解決推薦三種思路，大模型可解決數據、網絡表達和算力等瓶頸。

健康電商挑戰：健康電商推薦系統面臨剛需和知識驅動、標品特性、低頻購買等挑戰，需精準推薦。

落地實踐：LLM4CB 解決稀疏行為用戶召回，DeepI2I 擴展 I2I 模型處理長尾場景，大模型 CTR 踐行 Scaling Law 提升性能。

西門子智能助理實踐

背景與方案：西門子中國利用 LLM 打造 “小禹” 聊天機器人，解決內部信息分散等問題，采用 RAG 模型，優化切片、集成多模態數據提升回答準確性。

生態系統與應用：大禹生態系統包含數據集成、AI 層和八大產品線，“小禹” 在銷售、IT 服務、產品研發等領域有廣泛應用，提升工作效率。

新時代范式：AI 落地需規避陷阱，考慮 ROI，注重技術與商業、人才組織聯動轉型，推動技術融入業務。