# Amazon Quick：告别重复劳动，让企业知识自生长 > **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。 > > **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/ > > **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。 ## 一、基础信息 - **会议类型**：专题演讲 - **Persona**：通用业务用户 - **时间信息**：6月23日 | 13:30 - 14:00 - **标题**：Amazon Quick：告别重复劳动，让企业知识自生长 - **PDF 资料**：有 - **视频回放**：有 ## 演讲人信息 ### 会议信息 - **地点**：上海世博中心（2026 亚马逊云科技中国峰会） - **日期**：2026年6月23日（Day 1） - **时间**：13:30 - 14:00 - **会议类型**：专题演讲 - **面向 Persona**：通用业务用户 ### 亚马逊云科技演讲人 - **李君**：AI 专项解决方案架构师 - **林河山**：资深行业解决方案架构师 ## 二、会议资料 PDF 转录内容 --- Page 1 --- 2026年6月23日-24日 上海·世博中心 --- Page 2 --- Amazon Quick：告别重复劳动，让企业知 识自生长 李君 AI 专项解决方案架构师 亚马逊云科技 --- Page 3 --- 赋能员工，高效办公 AI Agent 兴起，亟需加快决策速度 压力攀升，竞争加剧 采用 AI Agent 的公司生产 使用 AI 的员工，其工作绩效 预计到 2028 年，40% 的日 效率提高 33% 与执行速度平均提升 15% 常工作决策将由 Agentic AI 自主完成 来源：《哈佛商业评论》 --- Page 4 --- AI 消费体验的鸿沟： 企业需求 员工诉求 统一、安全且值得信赖 的 AI 平台 简单易用、准确可靠的 AI 能力，帮助更高效 完成工作 --- Page 5 --- 我们的愿景 为您提供一位得力的 Agentic 搭档， 在工作中为您 并帮您将 --- Page 6 --- 统一数据源，提供清晰、上下文丰富的回答 与 Agentic AI 搭档并肩协作 Amazon Quick 随时随地为您提供支持 --- Page 7 --- Amazon Quick：一体化方案，告别孤岛，无需 额外许可 Spaces 聊天 Agent 研究 QuickSight 流程 自动化 • 系统化管理文件、 • 熟悉您业务情况的 • 深度分析与全面报告 • 商业智能和数据 • 按照预定义步骤 • 复杂的多步骤工作流 数据大屏和数据源 定制 AI 助手 • 专业的可导出文档 可视化 自动执行重复性任务 自动化 • 提供协作式工作区， • 跨团队共享与协作 • 交互式数据大屏与 • 无代码工作流自动化 • 整个业务流程转型 助您高效处理项目 数据分析 数据治理与 访问控制 防护机制 负责任的 AI 满足监管要求 安全 公司数据:Spaces 与数据集 World Knowledge 操作 Bedrock 模型 超过 40 个数据连接器 用户上传的文件 QuickSight 数据 WebSearch 第三方应用中的操作 --- Page 8 --- 系统化整合团队知识，方便取用 添加知识 利用 Spaces 为团队创建 上传团队的专用数据及 您可以限定 Agent 仅使用 定制的知识中心 各类文档和资源 Spaces 内的数据 --- Page 9 --- Amazon Quick 将团队与 Agent 联结起来 创建定制聊天 Agent，能够理解您的特定角色和团队的特定需求 用自然语言描述团队需求 利用团队相关数据集，获取准确且上下文 丰富的回答 获取 Agent 行为与响应优化的建议 --- Page 10 --- ，几分钟内为您生成 • 轻松应对复杂而耗时的 研究工作 • 充分利用您的全部数据、 私有的第三方数据和互联网数据 --- Page 11 --- 利用 深入洞察您的业务 • 执行高基数据分析 • 创建数据大屏 • 生成丰富的数据故事 --- Page 12 --- 应用场景： 销售经理盘点业务进展，赋能员工 Quick 可对接企业 CRM (e.g. Salesforce),读取 本地 Excel 文件，自动分 析销售情况和未来商机， 自动制作可视化图表。 对接 CRM (Salesforce) 1 - 本地 Excel 2 自动分析销售情况和商机 3 生成可视化图表与报告 --- Page 13 --- 全面的分层安全框架 静态数据加密 SPICE 硬件块加密， Amazon 托管或客户 KMS 密钥 传输中加密 要求 TLS 1.2+，所有 API 端点采用 PFS 加密套件 与生俱来的 VPC 与 IP 限制 VPC 端点、亚马逊云科技 Direct Connect、IP 网段控制 企业级安全 客户数据始终保留在原始 Amazon 区域， 数据驻留 支持地域范围限定的推理 数据保留 删除时永久销毁，不残留任何数据或元数据 --- Page 14 --- 灵活的身份与权限管理 灵活的身份验证 IAM 身份中心、SAML 2.0、Active Directory 或 IAM 用户 基于角色的访问 具有预定义权限的读者、作者、管理员 分层自定义权限 账户 > 角色 > 用户层级（具有覆盖功能） 治理和访问控制 资产级权限 所有者、贡献者、查看者 + 数据集 RLS/CLS 内置 AI 安全护栏 提示词防泄露、安全校验、幻觉检测 管理员管控 集中式品牌配置、Agent 定制、安全护栏实施 --- Page 15 --- 全局可视化与企业级认证 数据大屏视图、聊天会话、SPICE 容量、 CloudWatch API 调用等实时指标 对 API 调用、控制台操作、用户登录、 CloudTrail 数据大屏访问进行全面审计 资产创建、未回答查询、用户反馈、 使用指标大屏 采用趋势 监控、审计与合规 知识库报告 带可下载报告的详细索引化文档审计 FedRAMP、HIPAA、PCI DSS、SOC、 合规认证 ISO27001/27018/27019 责任共担 Amazon 负责基础设施，您管控身份与数据治理 --- Page 16 --- Amazon Quick 随时随地为您提供支持 --- Page 17 --- 互操作性 Amazon Bedrock Amazon Comprehend OpenSearch Service Amazon Aurora Adobe Analytics Amazon Athena Redshift Amazon Textract Amazon S3 --- Page 18 --- 借助模型上下文协议，连接数十款应用 现有 MCP 连接器 --- Page 19 --- Amazon Quick Agentic 搭档整合您的所 快速将答案转化为 实现企业级安全、 有数据，为您提供答案 具体行动 治理和可靠性 访问 aws.amazon.com/quick/ --- Page 20 --- Amazon Quick：告别重复劳动，让企业 知识自生长 Agentic AI 时代的企业知识进化之路 林河山 资深行业解决方案架构师 亚马逊云科技 --- Page 21 --- Agentic AI 时代，企业的差异化竞争力在哪里 通用 AI 正在快速成为基础能力，企业差异化将更多来自“私有经验资产”。 通用模型能力 企业 Know-How 竞争力转移 推理、生成、工具调用不断增强 行业判断、策略打法、历史案例 从“谁会用 AI” 但会逐步成为行业“基础设施” 与组织流程共同构成护城河 到 “谁的经验资产更深” 能力普及 价值放大 Agentic AI 让经验第一次可以被“理解、调用、执行、反馈”。 --- Page 22 --- 个人 vs 企业：经验沉淀的两个层面个人层面 — 正在快速成熟 企业层面 — 仍在探索初期 Karpathy LLM Wiki → AI 自动维护知识库 规模化采集：如何从多源获取隐性经验 Obsidian + NotebookLM 组合成第二大脑 多角色协同：如何跨团队沉淀与复用 Taskade / Mem 等 AI 工作空间崛起 质量治理：如何保证准确性与时效性 从个人工具到企业级系统，需要方法论 + 工具链的系统性跃迁 --- Page 23 --- 把“经验”转变成可工程化的资产 企业经验 = 客观知识 + 主观策略 + 场景案例 + 可执行流程 客观知识 主观策略 事实、证据、规则 专家判断、决策逻辑、 产品手册 / 指南 / 法规 / 文献 应对打法 经验资产 场景案例 可执行流程 真实情境中知识和策略的应用 让 Agent 能行动 成功案例 / 工单 / 复盘 SOP / 步骤 / 工具 / 反馈闭环 从“把内容存起来”到 “让 Agent 在具体任务中调用经验” --- Page 24 --- 参考架构：三库+Agentic AI • 产品信息 样例场景：医药销售智能助手 知识库 • 临床证据 • 诊疗指南 （客观知识） • 竞品对比 执行流程 • 场景应对策略 策略库 • 异议处理技巧 • 案例推荐 • 销售方法论 （主观策略） • 经验学习 • 市场推广策略 • 快速演练 Agentic AI • 行动推荐 • 区域最佳实践 • 李明的转化故事 让 Agent 像专家一样推理 案例库 • 说服张医生的成 功案例 --- Page 25 --- 知识库：借助 GraphRAG 让 AI 推荐更准确 🧠 🔗 📍 Graph-Enhanced Line-Level LLM Indexing RAG Citation 让系统「读懂」文档 让系统「理解」关系 让答案「有据可查」 用 LLM 驱动整个索引过程，智能理解文档结构， 通过知识图谱做多跳推理，不仅做语义匹配， 行级别的溯源机制，每个回答都可追溯到 PDF 完整提取表格、图片、段落等复杂内容 还能沿关系链条发现分散的关联知识 原文的精确位置，点击即跳转 --- Page 26 --- 策略库：让新人像资深销售一样思考 什么是策略？ • 经过验证的营销方法论，可以被复用和传授 常见策略类型 • 经典销售方法论：SPIN 销售法、FABE 利益销售法 • 场景应对策略：首次拜访话术、竞品应对策略、价 格异议处理 • 异议处理技巧：价值重构法、循证说服法、利益转 化法 • 公司特有方法：产品推广策略、区域最佳实践 --- Page 27 --- 案例库：让知识嵌入实战场景 深层解析 STAR 框架信息抽取 建立与主观知识的链接 Situation 关联策略 结构化信息 Task What 原始案例材料 Action Why Results How • 拜访纪要 原 始 • 培训材料 材 料 • 案例分享 案例库 OpenSearch GraphRAG --- Page 28 --- 工作流程：销售智能助手 我现在面临的销 引导案例深度 模拟场景快速 售问题是… 智能匹配案例 制定行动方案 学习 演练 根据您的情况，自动 不止是看案例，还要 AI 扮演医生，帮您 根据以往的成功案例 推荐三个最匹配的案 理解背后的策略，为 练习应对异议 和您面临的情况，建 例 什么这样应对 议您这样准备拜访 基于行业经验 SOP 编排的 Agent 工作流 案例库 知识库 策略库 --- Page 29 --- Demo --- Page 30 --- 场景二：智能运维 场景：基于 SAP 的复杂业务系统，数十个模块+复杂调用关系，故障时需快速定位根因 三库映射 • 知识库：Wiki/SOP/架构图 → 系统调用关系 Graph • 策略库：资深运维的排查逻辑 → 根据错误描 述定位子系统、分析日志、归因 • 案例库：已解决 Incident → STAR 结构化（工 单/定位/排查步骤/根因修复） 价值 • 一线运维经验沉淀为可复用资产 • 新人快速上手，故障诊断效率提升 • 每次成功排查自动反哺系统，持续进化 --- Page 31 --- 经验价值飞轮与技术栈 Amazon 技术栈 • Amazon Bedrock:LLM 推理与知识提取 • Amazon Neptune：知识图谱存储与查询 1 • Amazon OpenSearch：混合检索（向量+关键词） 经验知识数字化 • Strands Agents SDK:Amazon 开源 Agent 编排框架 沉淀 广泛适用于经验驱动场景 • 合规审查 3 • 客户支持 3 持续进化组织 • 员工培训 基于知识智能 知识体系 • 广告营销 赋能行动 --- Page 32 --- Thank you --- Page 33 --- 告别重复劳动，让企业知识自生长 扫描上方二维码 填写调查问卷 ## 三、会议回放视频转录内容 大家下午好我叫李君 我是来自亚马逊云科技的 专项 AI 的专项解决方案架构师 今天下午的话我 我看其实很早这个场就大家就坐满了 然后我下午我先给大家用15分钟时间左右 来跟大家介绍一下我们的 Amazon Quick 这个就是桌面端的 agent 产品 它不只是桌面端 它还有云端的 我们叫 Quick Desktop 是桌面 Quick Web 是云端的 开始之前先跟大家做一个互动 都吃过饭了对吧 好 然后大家在自己用过类 ChatGPT 的产品的 举个手就是类 ChatGPT 的 用过这个好举手的人还挺多 因为这个类 ChatGPT 你说你是这个企业里面 帮你合规的安全的装的 LLM 的 然后还有是自己个人装的 LLM 的 因为这个要区分一下 如果是企业类的 就是你企业里面老板就是有统一的给你们 就是允许你们在自己的企业的桌面上 然后电脑里头用的 LLM 的 然后大家可以举个手 这个时候手就举手的就很少了 我刚才看我大概快速的看了一下 开始用 LLM 举手的话 差不多在现场里头有一半 然后说是企业里面 说是我们合规允许的 差不多不到就个位数 咱们别说的太少 然后个位数 我们来看一下 其实因为我在我们是亚马逊云科技的产品团队 然后我们从23年大模型大爆发 到现在一直 AI 潮流 我们一直在追赶 到今天 然后我们现在就是到今年的爆发的 就是 LLM 然后带来的 token 的暴涨 我们看一下现在的用法 对于亚马逊云科技来说 Amazon Quick 就是大家可以 我等一下讲的15分钟的全都不记得 然后你记住 Amazon Quick 而且这个东西 也可以你自己有个人版的账号 可以个人注册的 后面会跟大家讲 Amazon Quick 这个产品 就是我们你可以现在直接讲 我们是又包括桌面端的 企业安全合规的 然后满足你的数据安全法的 这样的类 ChatGPT 的这样的工具 因为我们讲类 ChatGPT 其实我们讲桌面端 同时它还有云端的企业里面 就这三年发展的什么企业的知识库 我这些数据要就是要做检索 要做自然语言的匹配 这些的各种各样的功能都有 包括还有是你的问数 BI 的这些 其实在这的话 就是一些调研机构说是 现在已经有采用 AI Agent 的公司 他们已经带来了33% 的这样的提效 然后员工其实我个人认为 你使用其实 AI 是我们个人效能的 一个放大器 其实它是一个杠杆作用 然后那些对工具类用的特别好的 那些就是先前举手 不是公司里头让你用 LLM 然后它一定在这默默的受益了 因为它可以把它原来 它一天可能要工作8小时的产出 它一个小时基本上就产出完了 可能剩下的时间就是靠它自己去创意 然后它自己去用 AI 来去给它带来更大的价值 这个至于什么价值 然后自己就可以体会 比如说我们看到现在的公众号 上面的这个文章越来越多了 我们同事基本上很多同事 然后都在下功夫 中午吃饭的时候就派它的 Amazon Quick 然后或者派它的各种的 打造好的生产力工具 然后工作流 然后就给它去写公众号了 然后上我们新发布 Feature 中午一顿饭回来 下午它的公众号就出来了 所以说现在这些工具已经 已经达到了这样的就便捷性 已经这么好了 那我们来看一下 Amazon Quick 它是要做什么 其实那对于我们 Amazon Quick 它是你的一个叫做 Agentic 为什么叫 Agentic 跟 Generative 其实这是去年的 terms 的一个区分 其实就是要让它自主化 然后它可以引领你 它可以替你做决策 它可以真正的完成任务 而不是做你的 Copilot 做副驾模式 所以今年的话 我们也看到很多的这些 Agent 的使用 它叫做一个 Goal 模式 目标模式 就是你要去让你的 Agent 你可以去完成真正的一个任务 那我们来看一下对于 Quick 它打造了什么 然后给你提供了什么 最下面这层的话 就是它打造了一个数据的基座 这个叫做公司数据 叫 Spaces 就是我们 Spaces 其实是广义的一个 向量数据库 它这里面 它同时有你用户上传的这些文件 还有各种各样的数据连接器 就是因为我们数据 就是我们 IT 发展了这么几十年 数据是从各个系统里面的 有一些销售数据是叫做在 Salesforce 里面 有一些什么企业管理数据 在其他各种各样的平台里面 你有你什么的 CRM 的系统 各种各样的 这40多个连接器就可以连接你的数据 还有用户的向量的数据库 还有是你的报表数据 就是叫做我们的 BI 工具叫 QuickSight 那这个基座内部数据 还有是世界的叫做模型的数据 当然模型上面就写我们 Bedrock 的模型 还有是 Web Search 就是可以做网络搜索 而且 Quick 后面对的 Web Search 它的数据库也有一些公共的数据集 比如说因为这个是行业相关的 比如说有医药行业的 有 PubMed 这样的数据 有法律行业的 有法律公开的法律数据 还有第三个就是 大家的这边就要操作 就是为什么我们叫 Goal 模式 目标模式让它完成任务 它就可以操作你的业务系统 比如说它给你的同事回个邮件 真正的接入到 Outlook 它给你的从 Teams 上 或者是从飞书上给你的同事 给你的客户回个邮件 而且它是 assume 了你的 role 就是它是以你的身份 回给你的客户 这样的方式 这个就叫 action 打造好这一层基座之后 中间这层是亚马逊云科技 它站在它多年的云平台之上 已经有的数据安全 访问控制 负责任 AI 合规 这些是中间这层 其实为什么就是亚马逊云科技 它能提供这么一个安全的产品 而且我们可以站在这说 我们非常的安全合规 就中间已经是 依托亚马逊云科技这一套 再往上就是各种各样的功能 可能这块对于你来说 可能你叫知识库 就是叫 Spaces 然后对外提供一个 agent 智能体 而且是行业专家的智能体 就是你的业务里头 你这个企业里面有很多的部门 有销售专家 有技术专家 有产品专家 还有 Legal Finance HR 如果大家今天听完这个 session 的话 大家到我们的展区去转一圈 展区我们一进去 最大的就是 Amazon Quick 中间其实有我们同事 真的是我们的同事 他每天都在用 Amazon Quick 六个角色 然后有销售 有市场 有 Legal 就是他做这个合同对比的 然后还有是我们的人力资源 然后管我们绩效 然后每年的 performance 就是绩效谈话的 他都在用 Quick 所以说这块的就是聊天 agent 还有可以做 deep research deep research 的话 他的优势就是 又能结合你企业内部数据 又能结合外部的数据 还能做 BI 就是报表 然后以自然语言的方式 自然语言 问数 自然语言 创建 BI 报表 自动化 然后流程 所以说我们这个 这个是一页 就是大家有了这么一个概览之后 你再去看 这个我们用这个 agent 的工具的时候 那对于企业团队来说 我们把我们企业部门的数据 组织到 Spaces 里面 以前我们可能用 SharePoint 用 OneDrive 去分享 但是随着企业积累 这些数据越来越多 那现在你都丢进去 然后他就可以用自然语言去搜索 那我们来看一下 这个是这个团队 然后呢 基于这个创建一个 我刚才讲了 你这个是一个销售团队 你做一个销售的这么一个 叫智能体 专家智能体 那个是做另外的 所以说可以创建很多的智能体 到这的话 就是这个叫做我们的 deep research 你看这个动画 它是一个 deep research 它就是叫博士级的研究内容 因为我们知道 AI 是有幻觉 对吧 AI 这个幻觉 那怎么解决呢 不能靠 AI 说你不能有幻觉 因为模型的它这个 下的运作的原理就是这样 那我们这个 deep research Quick 的 research 它是通过外挂一个叫做 Automated Reasoning Check 是用机器学习模式匹配的方式 然后 Automated Reasoning Check 来去抽取你这里面的 fact 事实 然后来去判断你这个事实 是不是准确的 用这样的方式来去给你验证 就是出的这一份的 research 的报告 是真实有效 是真正的 它有就是有论据有出处 然后你是真实可用的 而且它这个 deep research 可以接你自己企业内部的数据 那这个是 BI 报表 就是它可以做这个 刚才说 接了你的这个数据源 然后结构化数据 因为 BI 我们都是接到结构化数据上 然后展现出来一个 做数据分析的 而且可以有丰富的这个就是 叫做数据故事 就是自然语言生成的 这个是应用场景 大家可以看一下 这个是我们的桌面端的产品 桌面端就是刚才说的 你自己本地电脑上的 LLM Quick web 你理解就是企业级的 然后桌面端的话 它在这我们 就是展台也有这个体验区域 大家有体验账号 就可以直接去体验 你可以看到 桌面工具的话 它可以出这个 丰富的这个 各种各样的格式 这个是 HTML 格式 这个可以分享 也可以出 PPT 所以说我们 很多同事 其实跟客户交流 然后写什么文档 写什么 PPT 都用 Quick 来写了 这个为什么我敢说都 就是因为对于我们 亚马逊云科技来讲的话 我们叫做一直 就是秉承的叫做 吃自己的狗粮 这么一个 对这么一个作风 就是我们的产品 一定是内部大家用的 很好的 然后呢 再推荐给这个就是 外部使用 这块的话就是我们 销售经理来盘点 它的业务的进展 那我们来看就是 它这块安全架构 安全合规就与生俱来 为什么与生俱来 因为它是长在 这个亚马逊云科技平台上的 它这个数据加密 传输加密 网络加密 数据留存 我们对于 访问就是 你的这些对话 传到后端模型的 我们不会把这个对话 留存然后做任何的 这个模型训练相关的工作 这块 而且你看数据保留 删除时永久销毁 这个就是我们的 云平台的这个基座 那身份管理 对于这个 Agent 对于企业里来讲的话 就是一个人能访问 什么样的数据 然后他都要基于 他的角色 有这个访问控制的权限 好 那我们来看一下 这个就是企业级的合规 企业级合规里头 还有要监控 要审计 然后呢还要有这个就是 可追踪 可追溯 叫 CloudTrail 和 CloudWatch 还有是这些合规的认证 下面都已经通过的合规认证 那我们这个 Quick 他可以接入的地方 就是他有刚才讲了 有云端的 还有是桌面端 还有各种的 你已经有的那些工具里头 有 Chrome 里面的 browser extension 有你的 m365 里头 套件里头都有 我们有一个同事说 哎呀我这次大会的 就是其实我们大会 有严格的 这些 ppt 的风格的要求 他说我用我的 ppt 的 里面的 Quick 的插件 就很好的完成了 我们大会 ppt 的要求 我用这个模板 然后把我内容 他就帮我生成了 这块演示的是 在 outlook 里面的插件 就是我们 m365 他有两种 一种是你把 Quick desktop 作为统一的工作台 一种是 在你所用的那些工具里面 你在 word 里面 ppt 里面 outlook 里面 也都可以快速的使用到 这些的话就是 我们所有已经接入的 就是已经有 connector 比如说大家通用的 这个项目管理的 Asana 然后还有是 通用的做这个 ERP 的 SAP Salesforce 还有很多 包括只要你能是 做 MCP 的 server 连接的 openapi 格式兼容的 就可以连接上去 这块就是模型上下文叫 MCP 连接器 然后呢 所以说我们在这的话 下面就是对于这个 访问 就是 aws.amazon.com/quick 然后就可以 访问到我们的这个官网 然后你可以走到你的个人注册的 link 下面的话 有请我的同事 就是我们的林老师 然后跟大家介绍一下 他这边的行业实践 好 非常感谢 大家好 我是来自于 亚马逊云科技行业 解决方案团队的林河山 接下来的话 我们来跟大家分享一下 我们在 Agentic AI 在知识管理这一块 做的一些探索和实践 首先就是说 我们最近在跟一些 很多企业在交流的时候 经常会 被大家问到一个问题 或者说感觉到 大家的一些焦虑 就是说 尤其是之前 我们 Anthropic 发布了一个 这么强的一个模型 大家都会在想 就是说如果这个 模型的能力越来越强 那我们的护城河 究竟在哪里 我们应该做什么 事情才能够在 这个技术变化 这么快的时候 有些东西可以保留下来 那我们的一个观察 就是说 无论哪个模型 它怎么强 它其实都是一个 具有了非常强的 一个通用的 一个思考的能力 那如果是真正的 在结合到行业里面 结合到企业里面 真正有价值的 其实是我们的一个 行业的 Know-How 和经验 这个实际上是 会一直在 这个 Agentic AI 我觉得都是 我们都是觉得是 非常重要的 然后大家也知道 就是说从 Anthropic 在去年底发布了 Skills 之后 我们突然间就会发现 这个大家对个人经验蒸馏 就非常的关注 大家写了非常多的 Skills 分享到各种平台上面 然后也有 一些 Know-How Wiki 这样的一些工具 但是如果是 在企业层面 我们应该怎么去 做这个事情呢 事实上 其实没有一个 还是我们可以觉得 还是在一个探索的过程中 因为在企业层面的话 你可以 你做经验的一些 沉淀和管理的话 它涉及到很多 方方面面的问题 例如说很多经验 它可能是散落在 各个的部门 不同的一些 有些时候 可能还不是数字化的 需要跨部门的一些协同 而且我们对产出的一些质量 有一些合规的要求 它是都需要 非常多的这样的一些去 在企业级的环境下面 去做的一些 特殊的一些处理 所以我们觉得 如果要去做好 企业的经验的 沉淀和管理的话 是需要一个 从方法论到工具链 都需要有一个提升才行 这个就是我们在 不同的一些场景下 做了一些尝试 我们总结下来的话 有一套 这样的一个 经验沉淀的公式 我们可以把企业的一些经验 我们认为它是等同于 有几个部分组成 一个是客观知识 然后一个是 主观的策略 还有一个是 场景的案例 和它的一个执行的流程 客观的知识 可以认为说是 它的一些事实的一些 证据像指南手册这样的一些内容 然后主观的策略 其实跟我们的人的判断是 息息相关 其实我们企业里面 有非常多的 这样的一些场景 从销售到人事 到各方面的一些合规 其实都会有很多 经验专家积累的 这些经验 其实就是处于 主观的一个范畴 还有我们在 很多做培训也好 其他的也好 都会把一些 成功的一些 经验总结成案例 然后会把积累下来 作为后面的一些 学习和参考的一些材料 那最后就是 一个可执行的流程 那为什么要这样去分呢 就是我们其实 我们去想一下 我们这人在处理问题的时候 其实是比较像的一个模式 如果对一个复杂的问题 我先会去 有自己的一个 逻辑去拆分这个问题 知道我应该去 先做什么 再做什么 每一步应该怎么做 这个其实就是 我们的一个策略 然后在做具体 每一步的时候 我们可能会去查 很多资料 例如说我们做研究的时候 我们会查一些数据 然后这个就是一些 客观的一些 事实的支撑 或者是说查一些 guideline 这样的 然后我们再做一个项目 它在做完之后 我们就会把它 作为一个案例给沉淀下来 然后沉淀下来 就会作为 后续的一些指导 这样去区分之后 如果在结合我们 Agentic 这样的一个 和后面的一个 大语言模型的这样 通用的能力 我们就能让它去 模拟一个像 专家一样 去做推理 这个就是一个基本的 一个思考和设计 然后这个就是 我们的一个 参考的一个架构 我们会把它分成一个 客观的知识库 一个主观的策略库 和一个案例库 然后就通过我们的 Agentic AI 把这个流程给 通过编排的方式 把它给串联起来 然后像专家一样 去做一个推理 那接下来我会用 两个场景去 去 deep dive 一下 我们怎么用这个架构 去做具体场景 use case 下的一个沉淀 首先一个就是 医药销售代表的 一个助手 为什么选这个场景呢 它实际上是一个 非常复杂的一个销售 专业销售场景 其实是一个 我们的销售 要在很短的时间内 去说服医生 去开它的一个药 然后它涉及到 很多专业的知识 还有一些 合规的一些要求 然后就是我们 map 到这个架构里面 就会 如果在知识库上面 它就会有一些 它自己药品的信息 它的临床的证据 它的一些诊疗的指南等等 然后策略库 就是说 它在很常见的一个 场景下面 就会试图去理解 听出医生 他的弦外之音 它识别这个场景的 一个障碍 就是说这个医生 为什么不开这个药 是不是因为担心 副作用各种 一些原因 然后就会通过一些 经验的话 它有经验的一个销售 它就会有一套 应对异议的这样的一套 话术和它的一个策略 那最后就是一个沉淀 案例的一个沉淀 那我们通过这种方式 去构建了一个 这种的销售助手 它现在有的默认的流程 就有个案例的一些推荐 就是如果销售代表 带一个问题过来 它就会先推荐 一个相似的案例 然后它可以引导这个案例 销售代表去做 案例的学习 然后再做一个快速演练 再给它一个拜访的方案 就大概是这样的 一个案例的场景 然后接下来的话 就想简单介绍一下 这几个刚才提到的 三个库 那我们做了一些 什么样的一些 特别的处理和设计 首先在知识库这一块 其实大家可以 也已经对 RAG 系统很熟悉了 但是尤其是在 医疗这个场景下面 它们对这个数据的 准确度 要求是非常高的 就是我们的召回率 它的那个可信度 是需要非常高的一个把握 但是传统的一个 RAG 它因为切片之后 它会丢失很多信息 或者就是会 丢失一些关系型 全局型的一些信息 会造成有些信号是 召回不到 或者是产生的一个答案 是不够的准确的 所以在这个方面 我用了一个 我们行业的学者 发布的是 GraphRAG 它做的事情就是在传统的 这种向量的 这种召回的情况下 我们之外 我们还构建了一个 真正的行业的一个知识图谱 就如果在这个诊疗场景下 它就是医生对病人 然后到药品 这样的一个关系把它串起来 这样的话 我们在搜索的时候 在向量召回 会补出来的一些信息 就可以通过 我们这个行业的这些关系 可以把它给召回出来 然后为了实现一个高可信度 我们还做了 行级别的一个 citation 它直接就可以 它如果引用了一些 事实的数据 你可以从直接这个另一个道 原文从行级别的一个溯源 这样去解决这个数据的 一个准确度的一个问题 另外一个就是策略库 策略库的其实 我们看到的 有很多场景下 就是大家怎么样去 处理这个策略 这个是大家是缺乏一些方法论的 然后我们在这个 这个销售的代表 这个药品 代表这个场景下 我们跟行业的专家 一起去构建了 一个这样的一个方法 就是我们会针对 每一个药品的话 先把它场景化 就是我们要 例如说是不是 它的是一个晚期 或者转化之类 这样先把它做成 各种的场景 然后我们用一个结构 就是在这个场景下面 我们怎么去识别这个场景 识别这个场景 需要什么样的一些 客观的支持 然后如果识别了这个场景 医生他有可能会提出 什么样的问题 什么样的一个异议 然后我们怎么去应对他 这个就是一些 主观的一些 应对的方式 我们通过这种的一些方式的话 就可以把一个企业 它原来 培训部的很多的材料 通过这种结构化的方式 给呈现到这个系统里面 然后这个 Agent 它在工作的时候 它就可以参考 知道这个就是一个 指导的原则 然后就是案例库 案例库我们其实 要解决一个问题的这样 就是大家可能也知道 如果是像一些 CRM 的系统 我们记的 信息 都是比较零碎的 然后还有一个就是 如果我们要作为一个 尤其是在比较严肃的一种 医药代表所有的这种场景下面的话 很多时候我们公司是 我们的客户公司是希望 大家的案例是传递的 公司的一些市场策略 或是传递了它的一些方法的 所以我们要解决的问题 就是我们怎么去 让这些提高案例的 它的一些信息的密度 和它的结构性 另外就可以去 更好的关联到 它背后的一些策略 所以我们做了 两层的一个结构化处理 首先就做了一个 STAR 的框架这种方式 这个 STAR 也是大家比较常见的 这种方式 我们把它分成场景化 其实跟我们的策略 就可以对起来 然后每个场景下面 我们应该 医药代表以前做了什么事情 然后产生了一些 什么样的一个结果 通过这种方式 就沉淀了那些案例 我们还会用 RAG 自动帮它去关联 一个策略库里面的策略 有可能是一条 有可能是多条 如果这样的话 以后我们再去 医药代表再去学习 这个案例的时候 它很自然 我们就可以引导它 去学习公司背后的策略 然后它就知道 这个背后的原因是什么 为什么这样做是有效果的 然后所有的这些信息 我们也会通过双路 一路是放到一个 OpenSearch 这样的一个 可以通过模糊匹配去搜索 另外也会把原始材料 放到 GraphRAG 里面 去增加它的一个 搜索的一个 召回的准确度 这个就是 我们做出来的一个 这个场景下的一个 Demo 的流程 它的流程就是说 我小李代表 如果带了一个问题进来 我要去面对什么样的一个场景 我现在不知道怎么办 然后它就会 自动去匹配原来的那个 案例 然后去 像一个销售的一个 Coach 然后去告诉他 应该怎么去学习 然后他做一个快速演练 再给出一个行动的方案 再下一个小的 Demo 大家可以看一下 这一位是一年半的医药销售代表 负责推广 抗肿瘤靶向药 贝伐珠单抗 下周一他要首次拜访 是人民医院 肿瘤内科的陈主任 一位出了名的保守派 上次科室会 我跟陈主任提贝伐珠单抗 他一句 靶向药副作用不好控制 就把我挡回来了 看看系统里 有没有其他同事 碰到过类似的情况 面对小李的问题 销售顾问 Agent 会先搜索案例库 寻找相似成功案例 再从知识图谱中 寻找相关的医学证据 和拜访详情 组织完整的拜访逻辑链条 搜索完毕后 会使用卡片的形式展示案例 并结合相关销售策略 进行初步分析 可以看到销售顾问 Agent 找到了场景高度相似的成功案例 华南区的同事 遇到过几乎一模一样的情况 他先认可了 医生对安全性的重视 然后才拿出 穿孔率1.5% 的数据 让态度比数据先行 让 Agent 帮我生成一个 针对陈主任的 首次拜访计划吧 根据小李的要求 Agent 会自动加载 对应的销售策略 然后依据策略成功案例 和小李当前面对的情况 给出详细的拜访计划 计划有了 但心里还是没底 上次被陈主任 一句话就怼回来了 按这个拜访计划提前练练 MCP 也支持各种不同的技能 比如对于小李的要求 就加载了模拟教练技能 客户也可以按照自己的需要 添加其他技能 让 Agent 在数据和策略的基础上 做更多事情 一周后 小李按照计划拜访了陈主任 他从一个 52 岁肝转移患者的困境切入 逐步引入安全性数据 并递上了安全管理手册 第二周跟进时 陈主任果然开出了 第一张贝伐珠单抗处方 对 这个就是一个 在医药销售代表 这个赋能的一个场景 然后大家就可能会问 就说我们这套方法论 能不能适用到其他一些场景 事实上我们已经做了 好几个 UseCase 的一些尝试吧 这个是另外一个 这个可能就跟刚才讲的 不太一样 它是更多的跟一个 数字化原生系统有一些 更多的结合 它实际上是一个 我们的一个客户 它有一个比较复杂的 SAP 的一个系统 它非常多的一些模块 然后它里面的话 有很多这些技术资料 就是描述这个系统怎么工作的 所以就一线的一个 运维的人员 他们如果碰到一个问题 他们就要去查自己内部的一些 Wiki 流程图 然后其他的一些 对应的一些表格 这样的一些信息把它查到 知道定位到哪一个系统里面 然后定位到哪一个系统之后 它再去一个系统的去 找它的一些日志 然后从日志里面逐步逐步的 去分析出来 它大概的问题在哪里 然后整个的系统是非常耗时的 对于人来处理来讲 所以他们的一大理想就是 能不能去 我们用这种方法去帮他们做一些沉淀 尤其是对一些复杂 案例的一些更新的一些分析 说明你也做了一个 类似的一些结构 用刚才讲的一个 三库的一个结构 再加上 Agentic AI 然后这里面的策略就变成 它原来人是怎么样去做 根因的分析和问题的追溯 我们就把它放到这里面 然后它可以模拟这种方式 去做一个问题一些定位 而且这个的话 如果是 一开始现在我们还是协助人 在做这件事情 就如果是说 做得准的话足够的高 它后面其实也是可以 自己去做一个执行的 时间的关系的话 我们可能就只会 分享这两个场景 但我们想说的是 事实上我们这个 在其他的一些 像研发相关的一些领域 或者是 根据一些企业里面 例如说合规的一些审查 或者说 员工的培训 这些跟人打交道 比较多的 经验的一些领域 我们认为其实都是 比较适合的 然后还是回到 其实我们整个的 一个 talk 希望去跟大家分享的一点 就是 我们认为在 Agentic AI 的时代 大家真正可能比较 宝贵 或者说可以构建自己护城河的 是自己的一个行业领域 本身的一些 经验和 Know-How 它其实是一个 随着我们技术的变革 都可以不断的去 去积累去完善的 就如果我们 如果构建了这样的一个系统 把这个飞轮 飞轮给转起来的话 我们可以说 通过不停的一些 沉淀和演进 我们这一套的这些 企业自己的这一套 有价值的知识体系 会不停的演进 会越来越有价值 这个就是我今天的分享 谢谢大家