# 【销售】赢单利器：智能投标助手 > **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 | 15:00 - 15:30 - **标题**：【销售】赢单利器：智能投标助手 - **PDF 资料**：无 - **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-24日 - **时间**：15:00 - 15:30 - **会议类型**：专题演讲 - **面向 Persona**：通用业务用户 ### 演讲人 - **（详见 PDF/视频转录内容）** ## 二、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**：15:00 - 15:30 - **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 - **魏羽**：资深解决方案架构师 ### 客户 / 合作伙伴演讲人 - **Volodymyr Fomovskyi（若谷）**（Siemens Energy）：“AI Filter” Project Creator ## 三、会议回放视频转录内容 各位嘉宾下午好，因为确实这个议程排得比较满 首先还是非常感谢大家能够来听我们这次的分享 我是来自于亚马逊云科技的高级解决方案架构师魏羽 今天我非常有幸邀请了西门子能源的出口贸易的专家 Fomovskyi Volodymyr（若谷）先生 跟我一起做这次的一个分享 我们这次的分享会包括两个部分 第一部分关于我们整个业务的背景 包括平台有哪些功能 我会请若谷先生跟大家做一个比较深入的分享 后面会有一点点时间 我会大概介绍一下我们整个平台落地背后的思路 以及一些技术相关的核心点 话不多说 我先把话筒交给若谷先生 各位尊敬的嘉宾 大家下午好 非常高兴今天有机会跟大家分享一下 我们西门子能源和亚马逊云科技合作的比较前沿的 AI 领域的项目 然后第一部分我想介绍 因为有可能有一些在这边的参与者不太清楚西门子能源这个品牌 这是一个国际的非常大的品牌在能源行业里面 我们的服务 我们的设备和技术来服务全球的客户 很多不同国家的电力系统来使用我们的技术和设备 西门子能源不仅是一个能源行业的公司 也是一个非常希望使用以及支持 AI 发展的一个企业 特别是这几年能源行业全世界的发展速度非常快 然后三个最关键的因素是全世界的对能源行业的和对能源本身的需求变得越来越大 你们会发现第一大部分发达的和发展过程中的国家都有更大的对能源的需求 第二更多 renewable energy 的项目在全世界来出现 包括风能 太阳能 水能 这些项目变得越来越多 第三个也是非常核心的部分是数据中心 AI 需要数据中心 数据中心需要大批量的 DC 的能源 所以这三个核心的部分导致我们的业务发展超级快 这几年之内 所以你们会发现 能源的行业对我们的公司 对西门子能源高压开关 （杭州）有限公司带来了那些好处和挑战 我们对我们的设备需求变得越来越多 我们要参加的投标 参加的这些项目变得越来越多 那意味着我们的 offer engineering 就是我们的投标工程师 跟我一样要处理越来越多技术文件 那这个问题呢 导致我们现在的工作流是纯手动的 相当于我的项目越多 我要处理的文件越来越多 需要的时间越来越多 但是我们公司的人员的数量肯定不会跟我们的业务一样发展得这么快 因为所有的很大的企业你们能明白 over 就是我们的 overhead 我们的 head count 的这个增加速度 它也是肯定是有限的 所以我们肯定不能完全靠人工流程 人工流程导致的是我的投标时间非常紧张 我处理的文件的数量越来越多 我也不能做任何的错误 因为任何错误能带来对我们公司的损失 这是 material 的 是钱的损失 不是那种我看不到的一些损失 对吧 所以接下来我们在想 如果我们的业务 increase 100% 100% 以前 increase 10 times 那我们需要十倍的员工来做这个工作 但是这不是一个非常理想的状态 那我们有什么办法呢 在2024年我提了一个想法 在西门子能源业务区的一个比赛 我提了一个意见 那如果我们让人工智能 判断我们的技术 specification 就是我们的技术规范书里面的 那一些参数我们的产品的满足 那一些参数不能满足 那一些要求我可以直接告诉我们可以做 那一些参数我们需要跟它确认 这个是我要做偏差 这个是我做不了 这是一个想法 AI filter 项目就出现了 AI filter 受到了最上面的 management 的投资 然后跟我们的 亚马逊云科技 的同事 开始把这个 dream 变成 reality 就是落地到我们现在的工作的流程里面 四个最核心的部分 大语言模型 这是我们的 Nova 来做所有的相对应的 processing 我客户的文档 我的相关的产品的知识 LLM 都来 process 来处理 知识库 这是我们的企业的知识 累计在一个 data lake 导致的是大语言模型 可以通过 RAG Retrieval Augmented Generation 来学习和来使用最新的企业的知识 来做它的处理 为了避免有一些知识对它来说是完全 不认识的 因为很多专业的跟产品有关的知识 不是公开的你网上也搜不到 所以这三个核心的点 再加第四个 flexibility 云端的服务 AI filter 系统是非常 flexible 的 模块化、精简的 可以随时调整的 和优化的 按客户的最新的需求 更改的一个系统 这是它的最核心的点 然后它的优势 在实际的使用的过程中 有那些优势 比如我们的投标工程师 会通过 AI filter 系统 收到一个可以参考的 处理之后的参数表 这个参数表里面 你会发现那些参数 我们的设备能满足 那些参数 说我们要做偏差 肯定不能跟客户说这个是 OK 了 我们就直接能做了 然后那些参数是要去跟客户确认 比如这个 parameter 对我们来说是不清楚的 或者我们之前没有遇到过的 第二 AI 做所有的处理的这个过程 是可以监控的 可以随时打断的 也可以监察的它的处理 到底像是在那个步骤 遇到了那些问题 然后我们的人 肯定是不断的要看 所有的处理的结果 也可以随时提供评价 比如在那个环节里面发生的一个错误 或者这个 AI 的模块 需要做一些调整 在我们的知识库里面 所以这是一个 Human in the AI Loop 这不是全自动化的工具 肯定是最后人是来审核的 因为虽然我们说 大语言模型已经非常强了肯定 但是肯定有一些错误的概率 错误的概率肯定是会存在的 不是百分之一百 第三 灵活性 比如今天是 Claude Sonnet 4.0 明天已经不存在了 那怎么办 我的系统就用不了 那不是 我们可以直接从4.0 上到4.6 或者喜欢从 Claude 到 OpenAI 的模型 任何在市场可以使用的模型 都可以通过 AI Filter 应用在我们的这个系统里面 第四个 Accountability 所有的处理的过程 token 的数量 我是用了多少 token 我花了多长时间 我花了多少钱 我们员工处理了多少文件 我们处理的过程之后的准确率 就像 AI 处理完之后 人提供的反馈 我们是对得好的什么的 所有的信息是可以监控的 也可以看到的 然后我们的所有的管理层 我们能直接通过系统的后台看到 这个工具对我们实际的业务的 impact 就是这个影响有多大 这个核心的部分 第一 准确率 准确率至少90% 代表的是我 AI 处理之后的数据 是可以用的 不然我的 accuracy 我的准确率很低 那这个系统的价值就没了 这个 benchmark 90% 已经是很高的 考虑到有很多文件 不同的格式 不同客户的要求 不同国家的标准和不同国家的语言 这个准确率已经是非常高的 然后 release 就 up to 50% 的工作量 你们可以就是感受一下 如果我之前花4个小时做一个项目 现在只需要2个小时 那后面的2个小时 我再可以做一个项目 或者我可以跟客户开个会 再确认一下 它的这些技术需求里面 是不是有一些部分 我们可以 mitigate 我们可以想办法 怎么避免对它的一些风险 或者给客户一些意见 怎么可以修改它的这个项目的投标规范 所以这些对我们的用户来说 的影响还是非常大的 所以现在我们直接挑到 demo 的环节 所以这是 AI filter 的一个页面 你们会发现 我随便选一个 非常规范的技术投标书 比如我从我的国外的客户 收到的技术规范书 这边有 scope 那些设备 那些参数 那些图纸的标准 我要满足为了参加它的这个投标的项目 然后后面我要填写 一个完整的 specification 你们看到了 Column 5 是空的 所以这些 我参加它的项目的时候 要把我的数据 维护到 这里 那个像一个 provided 的这个部分 对吧 所以这是我们的工作 你们可能会以为 有点无聊 或者有点简单 但其实 考虑到我们一年 我们的部门 有差不多两千多个项目要参加 你们可以考虑一下 一天一个人要做多少项目 这个工作量也很大的 然后重复性的工作 会导致非常多错误会发生 这是 human factor 对吧 所以我直接上传了这个文档 online file preprocessing file preprocessing 导致的是 大语言模型 通过技术词和一些 Prompt engineering 取出来了 跟我的产品有关的 最核心的数据 然后汇总到一个 summary page 里面 在这个 summary 我能看到 比如 那一些产品 它的最 critical parameters 对我的 product selection 最 critical 的一些 parameters 对吧 最 critical 的一些参数 然后你们会发现 后面的系列 像是 provided 代表的是 AI 把 客户的需求 从客户的投标书 取出来了 但是我下一步的 processing 通过 就是 第一个 summary 那个页面 我可以判断 在这个需求下面 我可以提供那一些设备 那一些设备可以 投标到这个项目里面 选完这些设备之后呢 那边有一个小的按钮叫 start 对吧 按 start 之后 大语言模型 通过我们的 行业的产品的知识库 来做比较 客户的需求 和我能实际满足的需求 有那一些是可以的 有那一些有偏差的 所以这是一个非常简单的 plain words explanation 就是介绍 系统的实际的作用 看起来是什么样的 处理完之后 你们会发现 后面的那一列 现在是有数据的 就是我给客户投标的 很多参数是我可以满足的 有一些参数我只能做偏差 你们看到了 红色的是我要做偏差 然后有一些蓝色的 代表的是 有可能在我的知识库里面 之前没有遇到过 这个参数 或者这些参数 大语言模型 处理完之后 还有一些疑问 所以我需要人工去 维护 如果有一些参数 处理过程中 我觉得是错的 我可以直接提供这些反馈 用点赞或者点踩 对吧 你们看到了 这些两个小的 按钮 这是一个人工的 AI Loop 所有的人工的反馈 最后会变成 对我们的 AI 下一步 进行的 就是学习的一个信息资源 后面处理完我的文档之后 我可以直接下载 完整的 Excel 表格 然后为了你们更 更清晰 能明白 处理的过程发生了那些事情 我把 AI 处理完之后的文档 跟原来的文档 放 side by side 你们会发现 原来的文档在这边 所有的 我要 offer 的部分是空的 D5 也是空的 然后现在 D5 里是有我们的满足的 参数和信息 所以这是 AI filter 的核心的部分 所以你们发现了 原来 combined 的 PDF 文档 变成了一个完整的 我们能做的参数的 Excel 可以编辑的 可以直接发给客户的 或者业内使用 如果要做一些设计相关的 确认 这些信息都在这边 所以 现在从 项目真正 online 上线了之后 已经有超过 七百多个项目 通过这个工具被处理完了 我们有三十多个投标工程师 在 daily basis 在他的日常工作 在用 AI filter 多亏我们的 亚马逊云科技 同事们的 支援 consultants 和整个的 development 我们有机会把一个 dream 就是一个想法 一个非常大的希望 变成一个实际的 tool 所以接下来 Nik 请给我们介绍 technical 更多 technical 的信息 好 谢谢 还是非常感谢 若谷的分享 因为大家看 他是老外 从全中文的讲解 其实真是准备了很长的时间 而且他其实跟我说 他看这上面的中文字 几乎看不太明白 所以这个东西对他来讲 没有太大的提示的作用 所以我也想再次感谢一下 若谷花了很多的心血 在这个分享 OK 那我接下来给大家分享一下 我们整个这个平台 背后的技术解决方案 以及我们其实有一个持续演进 架构的一个策略 刚才可能大家听了一下 若谷的介绍 可能了解到我们这个平台 有哪些功能 以及它实现的样子 其实它背后在 亚马逊云科技云上的架构 就是这个这幅图的一个展示 因为我知道今天在座的各位 有很多都是我们业务的同事 所以我不会讲太多技术的一些细节 更多的是讲到它的一些特点和优势 首先架构我们是 Serverless First 就是我们不会有任何的 单独的 VM 或者机器 我们因为要最大限度的去降低 我们业务同事运维这套平台的压力 所以我们全部都是托管的服务 第二就是我们把每一个功能 包括知识库 其实都是把它转化成了一个的 API 加上一段业务处理的逻辑 这样的设计有一个好处 就是我所有的功能 都可以单独拿出来复用 后边因为还其实还会有很多的场景 可以用到比如说知识库 或者一些处理的一些逻辑 我通过这样的一些设计 可以帮助大家去最大限度去复用这些功能 第三个部分就是亚马逊云科技经常说 我们叫 Security is job zero 安全是最重要的 所以尤其在这种 enterprise 级别的平台 我们会充分考虑安全的要求 不管是说您的内容的安全 还是说访问权限的管控 我们在这个平台内都有相应的服务 能够满足您的这样一些安全合规的要求 那最后一部分就是监控 刚刚若谷也提到了 就是我们每一个平台也好 项目也好 我们都希望它有一个比较透明的 ROI 我会知道我们每一个标书 到底花了多少钱 我值不值当地去做这样的一个平台 所以我们在亚马逊云科技的云上 您可以有大量的监控的服务 包括可以实现 token 级别的这种监控 帮您去做一个非常透明的一个 不管是成本 还是它的一个运行状态的监控能力 OK 我们在架构里边 最核心的服务其实就是这三个 首先 Bedrock 刚才也是同样若谷提到 我们大模型持续在演进 我如果一个老的版本模型下线 或者我觉得能力它不够了怎么办 Bedrock 就是您的优选之一 因为它上面会有业界最主流 最前沿的模型可以供您去使用 我们所有的业务处理逻辑 为了考虑它的扩展能力 为了考虑它的高可用 我们全部都放在 Lambda 无服务器的这样一个计算环境里面去 所以对您来讲 其实您的 scaling 也不用 或者它的高可用不用太多的有顾虑 第三就是知识库 知识库其实最核心 我们主要用到了包括 OpenSearch 包括 S3 以及包括 DynamoDB 这个如果您在亚马逊云科技上去 构建自己的 Knowledge Base 的话 基本上都跑不出这三个服务 它可以很好的支撑我们 RAG 里面 向量检索的相应的这些能力 所以您看到的这三个服务 其实是我们整个架构里面的最核心的部分 当然因为今天时间的原因 我可能没有办法给您去太展开里面的一些细节 OK 说到工作流 刚才其实若谷提到了一个比较关键的部分 就是我们在整个项目设计的时候 其实没有想到说 完全做成一个 agent 的黑盒子 第一 是当时我们这个项目的落地的时间 大概是在25年的年初 当时坦率来讲 这个 Enterprise 级别的 agent 整个的框架 还不是非常的成熟 那为了保证我们整个平台有一个 非常高的准确率 那其实我们还是把它加入了 很多工作流控制的环节 所以您可以看到 这边是一个举例 就是我们在这个平台里面 一个 high-level 的一个 workflow 不管是说从文档的接入内容的抽取 还是说预处理 以及参数的匹配 然后再到人工的检验和核对 当然这里面我们也会设计一些 这种基于大模型的自动化的检验的一些规则 去降低我们人工去 review 的工作量 但是我们人在里面一定还是会是一个 Human in the loop 的一个状态 因为2B 可能不像一些2C 比如说您用豆包 可能一个问题错了 可能也错了 大家笑一笑的过去了 但如果是2B 我们是不能接受这样一个错误 它可能给您带来的就是 投标的失败或者是金钱上的损失 所以我们在校验和核对 其实您可以看到 前期预处理的时候 我们就会做一些相应的一些处理和分析 后期一定会有不管是人工的 还是大模型的一些辅助的一些 抽查核验的功能 最后会生成这样一个 按照您所要求 或者您客户所要求的这样一个 format 的一个文档 下载给到您直接去使用 所以这个流水线 可能大家先有个概念就好 待会后边可能还会提到这个东西 除了 Workflow 以外 其实我们还有一个核心的部分 就是我们的多领域的知识库 实际上午如果各位听了 Session 的话 我觉得其中一个核心点就是 我们其实如果真的想发挥一个企业的 最大化的这种数据的 Agent 在这个企业里 最大化的能力的话 其实我们的 因为这个数据是在公域数据里是没有的 如果是您一些常用的问题 可能大模型可以去解决 但如果是像这样一些 专业的一些产品的内容 我们没有办法去依赖 大模型本身 它在预训练阶段的时候的这些数据 完全是要用到我们的真正领域知识 所以我们在建这个平台的时候 就帮客户去构建了整套 一个比较完善的知识库的系统 大家可能觉得我在这边说的比较容易 实际上这个部分耗费的非常多的时间 耗费这么多时间的值不值呢 我认为值得 为什么呢 因为您一个项目把数据库 把您的知识库整理好了 其实可以复用到很多项目里面去 而且这个情况下 才是真正的把我们的企业的 有价值的数据沉淀了下来 而不是都在大家 各位资深专家的脑子里 一旦有任何的人员变动 或者是说想把这些知识联合起来的时候 就没有任何办法了 所以知识库一定是非常核心的 在这个项目里面去 那您可以看到我们这里面有三个领域 一个是产品领域 包括可能您的产品的家族分类 以及每一个产品详细的这些配置参数 甚至说供货的范围 因为刚才前面提到 西门子能源它是一个面向全球的这样的一个企业 它国内的工厂生产的这些产品 其实是放全球供应的 那一定会有供货的范围 所以这些相关的这些产品领域 这是其中的一个比较重要的部分 那第二部分我们招投标规范 一定会有一些客户的要求 或者规范 包括一些行业的规范 那我们在答这个标书的时候 因为刚才可能如果给大家展示那个是个 excel 的相对可能填到里边 可能会简单一点 可能还有一些 Word 或者其他一些版本 那我们在答的时候 可能还要考虑一些行业的规范 或者是答标的一些规范 那这个我们同样是把它转化成了一个领域的知识 放到我们整个平台内部去 那还有一部分就是您可能企业内部 可能我有一些历史的可以参考的项目 那以及说我企业内部有一些资质 或者答标的一些要求 我也需要在应标的时候去考虑这一部分内容 所以我们就在这个项目里边去构建了 这样三个维度的领域的知识库 那通过这个知识库的检索最终生成了 刚才您看到那些答案的内容 所以这也是我们为什么能够保证 它到90% 以上的准确度的其中的一个原因 当然坦白来讲 我们调这个知识库调了很长的时间 我们从去年3月份 大概二三月份上线 到现在就也一直在做优化 我们现在包括也在做一些 第二期的一些功能的一些规划 那全部其实很多工作都没有跑出 这个知识库本身的一些优化 或者是调优的过程 OK 那刚才讲的知识库 那还有一部分就是比较关键这个 workflow 那其实前面我也提到了一下 就是我们在前期 就是在这个项目刚上线的时候 其实没有太考虑说把它做成一个 完全黑盒的 agent 那原因就是因为我们觉得这个 agent 虽然它非常灵活 它可以应对更多 您不能预见的一些场景 但是同样灵活度可能会带来一些风险 就是它可能会自由发挥 那自由发挥就会导致整个最终的答案 可能就不太可控 或者说只有到最后一步的时候 您才能知道我这个文档填完了 发现里边只有50% 准确率 根本没法用 那我中间没有办法 任何的办法去人工干预 或者人工及时地去把它做一些暂停 或者调整 所以我们在这个项目 第一阶段上线的时候 就设计了这样一个 比较传统的 workflow 加大模型的这样一个架构 我们会跟客户一起研究 把它整个的业务流程 探讨清楚之后 把它转化成一些 基于流程的这样一些规则 那在必要的步骤的时候 会去调用相应的大模型去做 比如说产品配置的搜索 或者说文档内容的填写 那这样一个架构有一个最大的优势 我整个是一个稳定可控的 不会说大模型自由发挥 给我弄一些乱七八糟的东西进去 那同时我的全流程 如果我想做一些审计 或者是调整的话 我也比较容易去在里面去做调整 对应来讲的话 您调整的影响范围比较小 我可能就某一个其中流程出问题了 我只需要调整一个流程 就可以去解决 所以 workflow 加大模型的这种架构 我觉得在当时是比较满足 我们西门子能源这样要求的 而且能够保证我们整个平台的准确度 但是您也可以看到我们右侧还有一半的图 其实是我们最近在一块讨论的 那我们能不能在这个流程里面 提升一定的灵活度 我们把一些 agent 作为专家 加到这个流程里面 大家注意我们其实并没有破坏这个流程 没有说我把他完全推翻重做 其实并没有 我只是在里面一些比较 我们觉得可以可控的地方加了一些 agent 让这个 agent 作为专家在必要的时候被调用 那这个 agent 在他的 scope 范围内 就可以有一定限度的灵活度 这样做有一个最大的好处就是 当我有一些边角的这种场景 或者不叫边角 应该叫我没有预想到的一些场景 那又不是那么的复杂 那我们的 agent 就可以发挥它的聪明才智了 它可以自己去应对这样一些 不能预见的一些边角的场景 做出这种比较灵活的一个对应 所以我们现在往这个 workflow 加 agent 的一个混合的架构去演进 它的优势也比较明显 就包括整个我还是有一个流程 去保证整个的准确度 同时它可以提升我们整个架构的灵活的一个情况 同时我们在整个过程中也是个 渐进式的演进的方式 不会有一个比较大的风险 我一下推翻重来发现 原来的准确率都达不到了 所以我们其实通过这样一个方式 在帮助客户去持续的优化 它整个平台的一个架构 那满足它更多更复杂的一些功能的一些需求 OK 那这个是刚才我提到一个具体 就是我们可能抽了三个部分 一个是文档解析 一个是智能匹配 还有一个是投标文件或者报告的 生成的 agent 在里边我们还是会通过一些 比如说特征工程 比如说提示词工程 或者是其他的一些规则的方式 会框定这个 agent 它可以做的一些事情 那同时保留给它一定的灵活度 让它去支持更多不同 format 不同文件类型的 这样的一些这种投标的一些项目 这个大概是这样的一个部分 OK 那稍微总结一下 就是首先我们能源市场 处在蓬勃发展 尤其这两年大模型火了之后 可能需求非常的爆炸式增长 那西门子能源 为了应对我们全球大概90几个国家 每年2000个投标的项目的话 提出了我们希望用大模型的方式 或者生成式 agent 的方式 去解决这个标书应答的一个需求 那么在这个整个的平台里边 其实方案的四个最核心的内容 就是大模型知识库 RAG 加上云服务 当然其实我们现在要有五个了 再加上一个 agent 那为了这五个支柱 我们去帮客户设计了一整套的 落地的解决方案 那整个的方案的一个特点 就是我们不会完全依赖 agent 我们一定是人工在关键环节中 会有参与会有把控 那最终才能够实现 大家看到的90% 以上的准确率 以及一半时间的节省 那我们现在大概有30个左右的 工程师已经在 就是我们这个商务的同事 已经在用这个平台 大概也已经交付了700个项目 这是大概大半年的时间 700个项目已经通过这个平台 去进行的交付 所以您也可以大概算出来 如果您有类似的这种场景 也可以计算出来 每年可以节省的这个 比如说人力成本 包括提升我们客户的 响应速度和效率的 这样的一个 ROI 的一个投入产出比 所以相对来讲是比较好计算的 因为其实我们很多客户 就会聊的 这个聊到说 你这个现在生成式的也很火 到底我怎么来算投入回报呢 其实我们其实就是没什么 特别取巧的办法 就是它的实施 把您的应用场景梳理清楚 把相关的一些 这种关键的影响的一些参数也好 或者是影响的一些条件 把它梳理清楚 能够形成一个 一定程度上的一个评估的一个公式 能帮您算出来 您的投入产出比 到底是值不值得去做这样的一类似的项目 同样这套架构 或者背后的这套技术 其实它不只是说能用在我们的投标的部分 其实背后本质上 它是一个文档处理的过程 那我们如果您是 比如说我是个招标方 我是个采购方 我同样可以通过这个 同样的技术去实现招标书的撰写 那其实您如果想一想 其实它背后的道理是一样的 一个是填标书答案 一个是写标书的要求 它背后的原理其实是相似的 那还有一些就是文档的处理 在我们比如说生产环节里面 比如说质量文档的生成 等等这些文档的处理 生成理解的这些场景 其实都可以用到类似这样的一个技术 当然最后我们整个落地交付 其实还是像刚才若谷提到 就是首先 这个亚马逊云科技的架构师团队 能够帮助您去梳理您的需求 设计整个解决方案 那我们当然也有专业服务团队的同事 帮您去做端到端的一个落地 所以其实我觉得在座可能很多商务的同事 那如果是商务同事 我刚才讲这些您可以全忘了 没关系 为什么能全忘了 原因就是因为亚马逊云科技可以帮您兜底 谢谢