近期，国双所持续服务的某航司客户向国双专家团队提出了一个其内部运营场景中的真实需求痛点：即位于企业一线的员工和现场管理人员，迫切需要能更方便的获取在特定场景下的标准运行要求及规则知识。但由于目前该企业内部纸质文件（PDF电子版文件）基于关键词的检索效率低下，同时相关标准、要求文件本身对理解和使用门槛有较高要求，共同导致了知识获取卡点，制约了企业高频业务场景中的决策质量、创新速度与运营效率提升。
此需求的提出，对国双而言并不是一个难解的课题。以国双过往知识管理领域的丰富实践经验看，如果仅以大模型能力，的确也能够实现支持用户以面向场景的自然语言来获取相关知识，但不容忽视的是，由于大模型对专业知识的匮乏和幻觉频发，将必定给企业带来应用上的风险，进而影响企业正常管理及运营，在行业专业领域中落地效果不佳。
那么伴随大模型技术的普及，不得不提到RAG（检索增强生成）正日渐成为非常成熟的，可成为企业落地AI的务实技术选择之一。
RAG（Retrieval Augmented Generation, 检索增强生成）是一种技术框架，其核心在于当 LLM 面对解答问题或创作文本任务时，首先会在大规模文档库中搜索并筛选出与任务紧密相关的素材，继而依据这些素材精准指导后续的回答生成或文本构造过程，旨在通过此种方式提升模型输出的准确性和可靠性。
特别是基于国双知识智能平台和大语言模型的双栈能力，再融合RAG相关技术架构的设计升级，将不仅能够有效的提升大模型在专业场景内生成内容输出的准确性和可靠性，更能够在后续通过工作流的合理构建反哺多模态数据、知识的利用效率提升。通过三大模块的有序协同，可有效构成可持续进化的“航空运行手册”智能体，最终形成一套知识加工、知识管理和知识应用的全生命周期航空知识智能平台，助力AI在业务领域中实现出真正的驱动闭环。
历经研发及落地打磨，目前该方案已成功交付在航司客户地面服务领域，并取得多项成果：
1.实现了该专业领域内高效的知识问答能力，并可通过口语化的自然语言提问，直接返回可靠的专家级解答，知识获取效率较传统检索提升了50%左右；
2.后期通过微调后的行业大模型、场景大模型以及NLP算法，针对专业词汇程度极高的航司标准手册和知识文档也实现了精准语义的检索能力；
3.同期实现了根据业务用户的个人偏好、历史查询记录和行为模式，开展个性化的智能推荐能力；
4.平台更支持通过API对所有开源大模型进行统一纳管，并在产品应用过程中可自由无缝切换大模型；借助prompt模版支持不同业务场景智能化应用的构建。
在此项目中，通过以RAG架构支撑的本地化大语言模型及知识图谱技术的融合设计，最终成功赋能企业客户在专业领域内的服务效率、服务质量和用户体验均得以显著提升，客户对整体交付效果给予了积极的评价反馈。
同时藉由此项目实施，国双专家团队基于LangChain架构的FullCode定制化开发模式，不仅完全满足了当前客户的特定需求，还为其他行业在企业级文档管理与检索业务场景中的应用提供了可借鉴的范例。同时随着AI Agent技术的不断发展，也为后续同类应用的低代码快速落地提供了新的路径选择和更大的实践空间。
自国双创立以来就一贯秉承针对客户的具体业务需求为牵引，探索以大数据、AI技术在产业专业场景内的技术落地。更以点带面的突破积累可规模化、高效可用的产业智能化复合方案，致力于为成为大型企业及组织在数字化、智能化转型升级中值得信赖的伙伴而付出努力。
