新智元報道

編輯：桃子 犀牛

AI加速走向落地，企業(yè)「超級大腦」卻在關鍵時刻斷片？行業(yè)亟需一套能夠持續(xù)進化、越用越聰明的系統(tǒng)框架，實現(xiàn)多智能體協(xié)同作戰(zhàn)，通過自優(yōu)化、自反饋瞬間激活知識庫。清華系黑馬已將其塞進AI原生引擎，率先在能源、軍工等硬核場景中規(guī)模化落地，為產(chǎn)業(yè)智能升級提供了可靠路徑。

在AI狂飆的時代，智能體已超越簡單的模型調用，而是演變?yōu)橐惶赘叨葟碗s的系統(tǒng)工程。

這一演變的核心在于，它涵蓋了多智能體任務規(guī)劃、工具調用、狀態(tài)管理、多步推理等關鍵環(huán)節(jié)。

然而，這一切的實現(xiàn)，都離不開軟件架構和軟件工程化能力的支撐。

軟件工程猶如為智能體鑄就的「骨骼與神經(jīng)網(wǎng)絡」，構建了高可用、可擴展，且容錯的系統(tǒng)基礎設施。

最終，確保AI智能體在企業(yè)決策、生成自動化等真實場景中穩(wěn)定、高效地運行。

不妨想象這樣一個場景：AI不再被動響應指令，而成為一個真正的「超級大腦」，實時理解個人需求，動態(tài)優(yōu)化知識路徑，自主成長、自我演進。

如今，這種看似不可能的場景，已悄然落地！

一個模塊化、反饋自驅動的全新框架，已深度集成到AI原生大模型軟件平臺——語思智能平臺。

主導這一革命性突破背后的核心團隊，正是中數(shù)睿智。這家清華系出身的大模型產(chǎn)業(yè)化科技公司，是國內ToB AI產(chǎn)業(yè)落地的重量級玩家。

傳送門：https://zhongshuruizhi.com/

語思智能平臺融合了全生命周期知識管理，不僅賦予了企業(yè)構建高效的知識引擎，還支持從數(shù)據(jù)治理到?jīng)Q策的全鏈路。

假設手里有一份IDC關于「AI原生應用開發(fā)工具」的專業(yè)報告，若要將其內化為「企業(yè)知識庫」一部分，直接一鍵上傳到語思平臺。

不一會兒工夫，AI完成了文檔清洗、切片、切片清洗、向量化任務的全流程自動化。

最終，這些繁雜的信息，就被AI全部裝進了「企業(yè)大腦」，供企業(yè)員工隨時調用。

從行業(yè)層面觀察，「語思智能平臺」以多智能體協(xié)同優(yōu)化機制為核心，已悄然主導企業(yè)級智能體革命。

自優(yōu)化5D-RAG框架

讓知識庫「活」起來

5D-RAG框架，正是這一平臺的最新成果。

它通過多智能體協(xié)同和在線學習機制，實現(xiàn)了自優(yōu)化的閉環(huán)。

植入「語思智能平臺」后，5D-RAG已展現(xiàn)出強大的落地應用能力。

它讓企業(yè)AI成為動態(tài)的智囊，并在工業(yè)、能源、軍工等復雜場景中實現(xiàn)規(guī)模化落地。

如今，最新成果的技術報告正式發(fā)布，其中揭秘了5D-RAG的創(chuàng)新細節(jié)，接下來就讓我們一一拆解。

論文地址：https://github.com/Zhongshuruizhi/YuSi-Knowledge-Middleware-Platform/blob/8c94decc4264f5124768ce957a193952f24536f3/technical%20report/ZSRZ_5D_RAG_tech_report.pdf

5D-RAG，顧名思義，核心是一種「五維優(yōu)化器框架」。

每個維度，針對RAG流程中的特定痛點，實現(xiàn)了精細化控制和自適應優(yōu)化。

具體包括，重寫優(yōu)化器、分類優(yōu)化器、標簽優(yōu)化器、召回優(yōu)化器、總結優(yōu)化器。

這五大模塊協(xié)同工作，形成了一個閉環(huán)優(yōu)化的系統(tǒng)。

那么，它們是如何各司其職，破解傳統(tǒng)RAG的困境？

首先，一切還得從用戶查詢的優(yōu)化入手。

「重寫優(yōu)化器」作為入口模塊，確保原始輸入轉化為高效的檢索起點，為后續(xù)流程鋪路。

重寫優(yōu)化器（Rewriting Optimizer）

通常來講，用戶查詢往往口語化，有時表意不清，提出的需求模棱兩可時，傳統(tǒng)RAG召回語義不對齊，得到的結果不理想。

在此，「重寫優(yōu)化器」將原始查詢改寫為語義更豐富的表達，提升意圖識別和召回路由的準確性。

它利用LLM分析查詢意圖，諸如上下文細節(jié)，如時間限制或具體類別，生成優(yōu)化后的提示詞。

你以為輸入查詢優(yōu)化完，就結束了嗎？顯然不是。

采訪中，中數(shù)睿智團隊強調，通過在線學習機制，「重寫優(yōu)化器」結合用戶反饋優(yōu)化重寫策略，實時適應動態(tài)需求。

分類優(yōu)化器（ClassificationOptimizer）

重寫后的查詢更清晰后，接下來「分類優(yōu)化器」接力而上，將查詢精準定位。

它采用了「先分類，后召回」的策略：

在索引構建時，將知識片段分配到主題子索引，同時查詢時預測類別，路由至對應子索引。

同樣，通過反饋驅動的自適應分類，它能根據(jù)用戶交互動態(tài)調整索引邊界，適用于央國企復雜環(huán)境，減少了維護成本。

確定了搜索范圍后，為進一步提升召回的語義精確，這時，「標簽優(yōu)化器」介入了。

標簽優(yōu)化器（Tag-Refine Retrieval Optimizer）

實體歧義和時間不匹配是傳統(tǒng)RAG的頑疾，比如「Apple」可能指公司，也可能指水果。

又或者，錯誤召回了廢止信息等問題，層出不窮。

「標簽優(yōu)化器」采用了先抽取、再匹配的策略，通過提取顯式和隱式標簽——時間、實體、意圖等，再生成動態(tài)標簽集。

召回時，融合標簽匹配與向量相似度，提升語義對齊。

據(jù)中數(shù)睿智團隊介紹，這一模塊在實際落地中，減少了數(shù)據(jù)專家手動干預，幫助企業(yè)快速構建出可靠的知識路徑。

標簽「精煉」后的候選集已高度相關，「召回優(yōu)化器」隨之激活。

召回優(yōu)化器（Retrieval Optimizer）

召回優(yōu)化器整合用戶反饋的在線學習、多臂賭博機算法，以及語義分布建模，實現(xiàn)了跨領域的參數(shù)調整。

它通過監(jiān)控交互數(shù)據(jù)，動態(tài)優(yōu)化召回閾值和路由邏輯。

中數(shù)睿智團隊透露，這種設計的機制，源于中數(shù)睿智ToB落地經(jīng)驗，通過在線機制，減少實施周期的同時，節(jié)約了內部成本，讓企業(yè)AI從靜態(tài)轉向自驅動優(yōu)化。

召回結果生成后，「總結優(yōu)化器」作為收尾模塊，將分散信息合成高質量的輸出。

總結優(yōu)化器（Summarized Optimizer）

傳統(tǒng)RAG生成階段缺乏自適應，容易在復雜場景中產(chǎn)生低質量答案。

「總結優(yōu)化器」通過智能路由、多維特征參數(shù)調優(yōu)和反饋驅動的提示工程，實現(xiàn)了模型選擇、生成控制、回答質量的端到端自適應優(yōu)化。

即便在計算資源有限，查詢復雜度不斷增加情況下，也能生成高質量的答案。

總的來說，通過重寫到總結的端到端流程，5D-RAG不僅破解了傳統(tǒng)RAG痛點，還借助反饋驅動形成了完整閉環(huán)。

對于企業(yè)來說，它最大的效用顯著降低無效召回，提升響應效率，讓決策更加精準迅速。

智能體加速Scaling

時代需要「AI原生基建」

2025年，這個被業(yè)界公認為「AI智能體元年」的關鍵節(jié)點，AI正以驚人的速度演進。

放眼全球，AI智能體正加速Scaling Law，能力邊界不斷擴展。

今年3月，美國METR研究所發(fā)現(xiàn)了全新的「摩爾定律」——過去6年中，AI能完成任務的長度每隔7個月就會翻一番。

這不僅僅是計算力的積累，更是技術范式的躍遷：

從實驗室原型走向實際應用，AI智能體正成為企業(yè)數(shù)字化轉型的核心引擎。

權威市場研究報告預測，預計2025年，全球AI智能體市場規(guī)模達78.4億美元。到2030年，市場有望擴張至526.2億美元。

如今，這種Scaling趨勢，更是達到了前所未有的高潮。

爆款產(chǎn)品如雨后春筍般涌現(xiàn)，比如去年10月，Anthropic發(fā)布的Claude 3.5自主操作電腦，奠定了規(guī)劃能力基礎。

緊接著，以Manus為代表的通用范式出現(xiàn)，展示了智能體在開放環(huán)境中，從規(guī)劃到執(zhí)行的全鏈路自動化。

而最新的Grok 4、GPT-5證明了強化學習與大模型的融合有效性。

這些產(chǎn)品標志著AI智能體從單一任務執(zhí)行，向復雜、多模態(tài)決策的轉變。

在企業(yè)場景中，這些爆款往往融入RAG機制，提升知識檢索的準確性和時效性，減弱了大模型的幻覺。

甲骨文推出的AI Agent Studio平臺，專為企業(yè)設計和部署AI智能體，深度集成了RAG能力。在能源、制造行業(yè)，RAG增強的智能體決策實踐，縮短了30%以上，減少了人為錯誤。

再比如，Palantir基于「本體論」的知識建模系統(tǒng)，已在金融、國防、醫(yī)療等領域落地，讓企業(yè)從海量數(shù)據(jù)中提取洞見，實現(xiàn)了「數(shù)據(jù)到知識」的轉化。

實踐證明，RAG不僅是知識橋接器，更是AI智能體在企業(yè)級Scaling中的加速器。

盡管爆款頻出，但AI智能體落地并非一帆風順，許多企業(yè)仍面臨著應用的難題。

一方面，Scaling雖不斷加速，但智能體在長程任務中，成功率仍不穩(wěn)定。

AIMultiple在其2025年一份研究報告中稱，每款AI智能體在任務持續(xù)35分鐘后，成功率均下降，暴露了上下文管理、工具調用、反饋機制的瓶頸。

另一方面，支撐智能體穩(wěn)定運行的軟件工程，已成為企業(yè)在落地實踐中的真正難點。

中數(shù)睿智團隊進一步解釋道，「與傳統(tǒng)信息時代的軟件工程不同——往往有清晰的『圖紙』可依，按圖索驥就能推進——智能體系統(tǒng)因大模型本身固有的隨機性與幻覺問題，難以完全按預設路徑構建，需要大量精細化、迭代式的落地調試與工程優(yōu)化。」

具體來說，記憶管理、上下文擴展、幻覺抑制等，都是需要克服的難題。

更具象化來說，在生成一份智能報告時，即便是國內外頂尖AI模型，也常因格式控制和準確性不足，與人類水平有差距。

再加上，使用門檻高也是一個難以逾越的挑戰(zhàn)。

比如，企業(yè)還需要克服數(shù)據(jù)治理難題，打破「部門墻」和數(shù)據(jù)孤島。

有時，許多企業(yè)項目因運維難題而「自然死亡」，初期效果好，但數(shù)據(jù)變化后準確率下降。

當下，企業(yè)級應用呼喚一個「AI原生基礎設施」，能夠提供知識構建、多智能體編排、強化學習、數(shù)據(jù)治理等全棧支撐。

正是在這樣的背景下，中數(shù)睿智以其深厚的技術底蘊和實戰(zhàn)經(jīng)驗，強勢破局。

清華系團隊破局

企業(yè)級AI智能體閉環(huán)

作為企業(yè)級AI智能體領軍者，中數(shù)睿智這家清華系團隊專注于打造面向央國企大集團的「一站式」AI智能體產(chǎn)業(yè)化應用平臺。

成立于2020年，他們已完成了2億元A+輪融資，刷新國內企業(yè)級AI Agent領域公開披露的最大單筆融資紀錄。

其核心競爭力在于「語思智能平臺」，一個AI原生架構的全棧基礎設施。

不同于碎片化產(chǎn)品，該平臺構建了「生成-優(yōu)化-沉淀-再生成」的閉環(huán)學習系統(tǒng)，支撐了智能體的全路徑演進。

產(chǎn)品試用鏈接：https://zhongshuruizhi.com/

讓企業(yè)數(shù)據(jù)活起來：AI原生基建

企業(yè)的數(shù)據(jù)就像家里的寶藏，多年積攢下來，卻常常躺在「數(shù)據(jù)中臺」或「數(shù)據(jù)湖倉」這些看似高端的保險柜里，很少真正發(fā)揮作用。

它們就像深埋地下的石油儲備，價值巨大，但如果你沒有合適的「鉆井設備」和「煉油廠」，這些原油就只能沉睡。

很多企業(yè)的困境在于：數(shù)據(jù)像散兵游勇，標準不統(tǒng)一，部門間各自為政形成「數(shù)據(jù)孤島」，難以整合成一套AI能理解、能推理的知識體系。

更關鍵的是，現(xiàn)有的IT系統(tǒng)和數(shù)據(jù)架構，大多是為人類分析師和傳統(tǒng)軟件設計的，根本無法滿足AI Agent那種需要自主學習、主動決策的特殊胃口。

這就導致AI智能體在企業(yè)里，要么只能做些邊緣的小任務，要么在復雜任務面前束手無策、成功率不高。

中數(shù)睿智深刻認識到這一點。

于是，他們打造了一套面向AI智能體的原生基礎設施。

這套系統(tǒng)就像為AI量身定制的操作系統(tǒng)和工具箱，全面覆蓋：

· 多模態(tài)數(shù)據(jù)治理：無論是文字、圖片、語音還是視頻，各種形式的數(shù)據(jù)都能被AI理解和利用，不再是孤立的檔案。

· 業(yè)務知識建模：把企業(yè)復雜的業(yè)務規(guī)則和邏輯，清晰地教給AI，讓它真正懂行。

·Agent原生工具與開發(fā)框架：為AI智能體的開發(fā)和運行，提供最趁手的「武器」和「跑道」，確保它們能高效執(zhí)行任務。

這樣一套「全棧式、端到端」的解決方案，才能真正把企業(yè)數(shù)據(jù)這桶原油，高效地「開采出來、加工好」，供AI智能體「喝飽了、跑起來、做出聰明決策」。

智能軍團：構建自進化系統(tǒng)是核心

如果說AI智能體的原生基礎設施是成功把企業(yè)數(shù)據(jù)這桶智能原油開采出來，那么智能體系統(tǒng)本身，就是一座「智能煉油廠」。

它的任務是把這些原油精準地加工，轉化成AI能理解的業(yè)務知識（讓數(shù)據(jù)精準映射業(yè)務邏輯），再進一步提煉成AI智能體能直接使用的「石化原料」。

最后，這些「石化原料」會通過AI智能體的生產(chǎn)線，變成一個個能解決實際業(yè)務問題的「石化產(chǎn)品」，落地到企業(yè)的各個場景中。

但故事到這里還沒完。

就像現(xiàn)實中的煉油廠需要不斷改進工藝一樣，AI智能體在實際應用中表現(xiàn)如何，也需要被持續(xù)地評估。

這些評估結果，會反哺回煉制過程，促使系統(tǒng)不斷優(yōu)化，甚至建立起一套新的生產(chǎn)標準（Benchmark）。

只有這樣，AI智能體才能真正獲得自我進化的能力。

中數(shù)睿智在這方面投入巨大，在構建多智能體系統(tǒng)上取得了多項創(chuàng)新：

自生成：能夠自主構建智能體和任務流程，就像自動生產(chǎn)線一樣。

自學習：讓智能體能夠從實踐中不斷學習，積累經(jīng)驗。

自優(yōu)化：持續(xù)改進自身的表現(xiàn)和參數(shù)，不斷提升效率。

自評估：能夠客觀地評價自己的工作效果，發(fā)現(xiàn)不足。

可以大膽地說，中數(shù)睿智的目標遠不止是交付一個獨立的AI智能體，而是要打造一套由多個智能體協(xié)同合作、在企業(yè)各個業(yè)務場景中遍地開花的「智能軍團」。

產(chǎn)業(yè)落地實踐：從宏大愿景到價值深耕

再高深的技術愿景也需轉變?yōu)橛|手可及的現(xiàn)實。

中數(shù)睿智已將這些前沿技術成功應用于能源、電力、電信、軍工等多個關鍵領域。

在電力行業(yè)，AI Agent貫穿「發(fā)-輸-變-配-售-用」全價值鏈。

例如在發(fā)電側，通過精準預測風速、光照，優(yōu)化新能源調度；在輸電側，實現(xiàn)智能巡檢，甚至在配電側，支持故障自愈，極大提升了電網(wǎng)運行效率與低碳轉型。

而在石油化工企業(yè)，智能體扮演的角色更為復雜和關鍵。

比如在生產(chǎn)裝置中，它可以進行異常工藝快速診斷、停工決策精準研判、退守狀態(tài)合理規(guī)劃和應急方案智能推薦，將可能導致巨大經(jīng)濟損失和信譽危機的錯誤判斷降至最低。

針對復雜的供應鏈，供應商助手智能體能全面掌握高依存供應商狀態(tài)、招投標合規(guī)性及中標信息，大幅減少人工查詢工作量，強化合規(guī)風控。

甚至在物資運輸規(guī)劃方面，智能體能動態(tài)分析庫存、運輸距離、交通狀況，智能規(guī)劃最優(yōu)公鐵混合運輸路線，確保物流高效順暢。

這些深入核心業(yè)務的實踐案例，無一不彰顯了中數(shù)睿智平臺在復雜企業(yè)場景中「零失誤」和「高價值」的交付能力。

重塑產(chǎn)業(yè)智能化的未來范式

放眼整個AI Agent賽道，我們正處于一個技術全面爆發(fā)、直驅產(chǎn)業(yè)應用的關鍵階段。

企業(yè)級智能體不再僅僅是炫酷的功能展示，它已成為推動第四次工業(yè)革命進入深水區(qū)的核心動力。

央國企在這一轉型中扮演著至關重要的角色，它們擁有最復雜、最多元的業(yè)務場景和海量關鍵數(shù)據(jù)，為Agent的「領域專精」升級提供了獨特的土壤。

中數(shù)睿智的實踐深刻揭示了一個行業(yè)共識：在B端市場，系統(tǒng)級的工程化能力遠比單純的算法創(chuàng)新更具商業(yè)價值。

其打造的「基礎設施+系統(tǒng)化服務」模式，將數(shù)據(jù)從「未開采的原油」轉化為驅動智能體實現(xiàn)業(yè)務落地的「石化產(chǎn)品」，并構建起一套自進化的評估與優(yōu)化體系。

這不僅為中國核心產(chǎn)業(yè)的智能化升級提供了標準范式，更預示著一個由智能軍團驅動，數(shù)據(jù)能動起來、跑起來、決策起來的AI時代，正以前所未有的速度向我們走來。