生成式AI在质量和供应链场景中的落地应用实践指南

AI重塑生产力-生成式AI在质量和供应链场景中的落地应用实践•近十年来，生成式AI技术通过不断的进化演变，在“超级算力

”+“海量数据

”+“大模型

”的范式下，能够凭借自身强大的“理解/推断

”能力生成新的文本、代码、声音、图形、视频和流程。•尤其当以GPT-4为代表的预处理大语言模型突然闯入人们的视野时，生成式AI终于迎来高光

时刻，突破了人们对其应用的传统认知。生成式AI正在兴起生成式AI给人类文明创造了无限的可能

，

同时也引发了一系列发人深省的问题至2032年AI的市场规模将达到1.35万亿美元*在2022年这一数字为400亿至2025年人类10%的数据将会由AI生成更深层次的DeepSeek3我们正经历一场“伽利略时刻

”当传统数据分析与应用工具遭遇大模型的万亿级参数训练我们需要重新思考：如何驾驭这种新型生产力工具？AI从对“数据

”的应用出发为什么？eg：统计分析

预测性分析判断性分析复杂程度

数据的深度应用是创新型组织高效运转的引擎现在和未来的变量互相制约各流程环节的交叉及融合多参数、大规模化约束跨资源融合和整合描述性分析决策性分析全流程优化需要面对复杂的分析决策问题Source：优化算法的思想及应用

/articles/2017-07-05将会发生什么？eg：机器学习是什么？eg：数据挖掘怎么办？eg：运筹学对附加价值的贡献挑战6

让数据产生业务价值，

需要进行不同程度的加工DI

KW金字塔模型：

数据语言到业务语言核心方法论指标（状态和变化统计）指标数据映射到具体业务流程中

，实现各项业务的统计、监控以及分析决策（理解&洞察）通过持续性的穿透分析

，指导具体公司经营策略的方向、预测未来趋势标签（规律总结）多实体标签化的建设

，提炼实体之间的联系

，从中得到规律性的认知数据（描述和记录）记录基础事件以及客观的事实描述

，是构成信息和知识的原始材料03010402信息数据知识智慧7结构化数据非结构化知识新闻、政策解读行业报告公司内部文件接入非结构化信息与知识，

满足全面分析思路

数据的深度应用需支持多源异构数据连接“美国数据反映劳工市场有降温迹象，减息预期加强，推动金价上涨，导致黄金ETF产品持仓量持续升高。

”多源融合知识库8

数据民主化是数据产生普遍价值的必由之路过往当前未来受众群体

>95%+

业务全员+

上下游合作伙伴What&Why&How数据湖+

语义层

+

大模型What

What&WhyExcel

数据仓库+BI数据消费者数据应用核心价值数据分析工具受众群体

<

5%业务决策者财务等数据“依赖者

”受众群体

<

15%+BI分析师+

业务分析师9三大痛点的数字化破解并非孤立存在，而是通过数据要素的流动与融合产生协同价值据中国钢铁工业协会测算，全面数字化转型可推动行业吨钢综合成本下降8%-12%，碳排放强度降低15%-20%，高端产品交付周期缩短40%以上在

"双循环"新发展格局下，数字化已从

"可选选项"升级为钢铁企业突破痛点、重塑核心竞争力的

"必答题"

【行业案例】企业数智化转型的乘数效应设备工况数据反哺质量管控（如稳定炉温提升成材率）质量数据优化客户服务（如追溯系统增强品牌信任）供应链数据指导产能规划（精准预测调整产线排程）10在数字化转型的进程中，生成式

AI

处于什么位置？具体能够解决哪些问题？•目前广受热议的“AIGC

”实际是对此次AI技术变革的一种描述概念，如果说2023年是“大模型

”元年，那么2024年则是“AIGC

”应用元年。•而我们今天谈论的AIGC概念是泛化的，包括具备狭义和广义概念，狭义概念更强调内容属性，广义概念强调AI的技术属性：•

狭义的概念重点关注的是数字内容的生产形式（SyntheticMedia），和人类生成内容方式对比，例如文字、图片、视频等常规内容形式如何一步通过AI生产•

广义的概念则突出生成式AI的概念，即如何通过生成式AI的技术解决以往决策式AI难以完成的问题，尤其在泛数字内容上实现“质的突破

”。•随着生成式对抗网络等的演进及迭代，生成式AI可以结合自动化、数字化、决策式AI等等多种的形式，解决数字化时代信息的解构、生成、交互、传播、反馈等诸多链路（例如数据治理、知识管理、流程自动化、人机协作和交互等等），即意味着凡是可以涉及数字内容形式的产业，AIGC通通可以“重新做一遍

”。•AIGC能给行业

带来什

么样

的新体验

、

新

思路？•

AIGC能

否

“

击

穿

”

当

下数

字化

不得解决

的

问题？•

AIGC是

否

会形成新

时

代

的

生产力？

•

……•“

大模型

”

怎么用？

是否要唯

“

大模型

”论？•

AIGC的

商业价值核

心逻辑是什

么？•

技术和产品力如何形成更好的化学反应？•

哪

些具体

的行业和场景

会成为关键的破局点？希望AI

GC去解决旧时代的“老问题”，创造属于当下的“新需求”•AIGC关注内容（Generated

Content）

的生成方式，

即是否内容的最终形态由AI完成，来自于互联网之前对内容生成方式描述比较（PGC&UGC），•

对生成主体的不同（人vs机器）

、数量及规模的上限，

生成速度的巨大差异进行比较

所谓生成式人工智能AIGC•

User-GeneratedContent•

内容生成及传播成本由

于互联网时代的，无需

专业人士完成.•总体内容生产数量有所升•

Professionally_x0002_G

eneratedContent•

内容生成成本高，需要专业人士完成内容生成。•总体内容生产数量低PGCUGC应用创新AIGC12生成式AI是数字化转型上半场的试金石

，

也是下半场的新起点市场对于生成式AI应用的期待：

宁可试错

，

不能错过核心来自于市场对于“智能

”的渴望，希望AIGC可以破局过往企业数智化过程中的困境，给予技术充分的探索的空间智能化信息化数字化实现业务流程的自动化、智能化和个性化。目标是利用数字及智能提升企业的运营效率、降低成本并创造新的价值对数据的采集、整合、分析和利用，供数据驱动的支持，并推动业务创新和发展传统的业务流程和信息以数字化的形式展示数字化转型的三大阶段*数据来源：

公开资料，专家访谈，

甲子光年智库13AI的落地的四个应用范式工作流•把AI应用中的一系列任务和操作按照特定顺序组织起来，形成高效的流程。从数据输入到模型处理再到输出结果，各环节紧密协作，实现自动化或半自动化的工作流程。•特征：提高工作效率，减少人工干预和错误；具备可重复性，能在不同场景下稳定运行，保证结果一致性。•通过精心设计文本提示，引导AI模型生成更符合预期的输出。它是与AI交互的艺术，

旨在挖掘模型最大潜力，让其理解并执行复杂任务。•特征：灵活性高，可根据不同任务和需求定制提示；对提升AI输出质量和相关性效果显著，无需修改模型参数即可优化结果。•在预训练的AI模型基础上，使用特

定领域或任务的数据对模型进行进一

步训练，使模型更贴合特定应用场景。•特征：显著提升模型在特定任务上的

性能表现；相比从头训练模型，微调

成本低、速度快，能利用预训练模型

的通用知识。•结合外部知识库检索与AI

生成能力，在生成内容时，先从海量数据中检索相关信息，再基于此生成准确、有依据的文本。•特征：生成内容更具事实性和可靠性，避免“幻觉

”问题；能快速适应新知识和新信息，不断更新生成内容。03040201 AI应用的四个基本范式Prompt（提示工程）

RAG（检索增强生成）

微调15Prompt（提示工程）

：

就像给实习生布置简单工作给细节明确的指令

，依赖其基础能力16RAG（检索增强生成）

：

就像让实习生做他本不会的事情知识赋能

：给知识库、

给模板、

给参考手册

，

用到的时候现查17微调：

就像让实习生学会新技能知识内化

：送进培训班

，

背熟了

，考核合格再上岗微调非通用知识输入提示词（

Prompt）私有大模型

生成回答

18工作流：

解决人机协同问题依照人类流程

，细粒度拆解工作任务；打破人机边界

，人、AI和传统软件分配到各个任务节点19•

Agent的核心在于自主性的增强，这种增强的核心要义是可以去独立完成一个工作节点，在某个工作节点几乎可以减少人类的审核。让整个事件的流程在此刻完成闭环——成本降到最低（包括时间成本和金钱成本）；•评价一个Agent的逻辑：在流程上的节点上完成了什么程度的自动化。自主性的增强，自动化完成连续行动•

Prompt模式是把大模型当做工具来调用：大模型的最初兴起的时候，Prompt工程，把大模型当成一种编程语言来看待。人们通过描述角色技能、任务关键词、任务目标及任务背景，告知大模型需要输出的格式，并调用大模型进行输出。•

Prompt工程的万能公式角色+角色技能+任务核心关键词+目标+背景+范围+解决与否判定+限制条件+输出格式/形式+输出量 Agent与工作流可以看作LLM技术下Prompt工程的进化Multi-AgentAIAgentChain/FlowPromptModel20落地：

从技术实现到商业实践的经验沉淀与思考数字质量工程师数字员工细分领域的专业化数字员工以“AI+RPA+数据+机器人

”等多重技术深入融合应用创造的高度拟人化的新型工作人员，经过专项业务的训练应用场景：质量管理2023年7月

-2025年8月Chat

BI数据平权

，数据民主化人人都是数据分析师“指标标签语义层+大模型

”的解决方案，大幅降低了数据服务的使用门槛，实现自然语言交互式数据分析和智能归因应用场景：供应链管理、营销管理

两个成功商业化的生成式AI的应用020122AI•我的客户们有什么需求？•我如何帮他们厘清自己的需求？•遇到了什么问题？•在什么样的业务场景中？•现有技术有无方法解决？•我是否有能力解决？•将会产生什么样的价值？chatBI可实现且准确Chat

BI采用的NL2Semantics+Agent路径是效果更优的科学路径以常见的业务数据分析场景为例

，对比NL2SQL

VS

NL2Semantics路径在数据分析效果上的差异：1最近6个月的某供应商的供货量和良品率是多少？3今年S类的各个供应商的供货量、

良品率和及时率如何？

列个表2今年AAA供应商和BBB供应商的供货量总和是多少？5

华东地区S类供应商的良品率为什么下降了，查一下数据，看看

具体下降了多少，并帮我做个归因分析4

华东地区最近6个月供货量增速最高的Top3供应商是哪几个？

这

三个分别的良品率和及时率是多少？

帮我解读下难度系数

难点

NL2SQL

NL2Semantics+Agent维度识别语义模糊

累加聚合排序任务依赖多任务均值计算维度识别跨表查询语义模糊累加聚合任务依赖报告解读多任务归因分析维度识别累加聚合可

实

现

但

不

准

可

实

现

且

准

确难

实

现

可

实

现

且

易

理

解Semantics=指标标签语义层可

实

现

可

实

现可实现但不准可实现且准确难实现24财务经营分析供应链库存分析场景层指标全生命周期管理低代码指标开发与统一管理任务规划DIY

指

标

取

数指

标

归因、

预

警

与关联分析企业多源异构数据（信息） Chat

BI架构与支持场景豆包

DeepSeek

Qwen

3chat

BI产品层交互式问答与问题推荐多模态交互辅助层指标化语义转换层高

性

能

指

标

加

速引

擎

HME指标预测与仿真分析自然语言意图理解基座大模型分析报告自动生成交互式指标问询Chat

GPT

5会员运营分析渠道评价分析客户画像分析客户投诉分析营销效果分析智能指标归因产品力分析25Expert

Recruitment

(专家雇佣)取数专家

可视化专家

归因专家

预警专家

报告专家Group

Reward

Feedback(正负反馈）Evaluation

(结果评估)

==

用户想要的

Chat

BI输出的

能像人一样规划：

Chat

BI中的

“Agent”架构的运行逻辑N轮循环Collaborative

Decision-Making

(协同决策)归因专家取数专家报告专家Action

Execution

(动作执行)有数据、有逻辑、有业务Sense的分析报告看下各个供应商最近6个月供货量，哪家供货

量最多且在增长，做个

归因分析，并总结。Agents:维度：日期、业务Actions：

板块、分析单元等度量：

营业收入Outcome

（结果）Goal

（目标）客户常用的报告模版A维度归因算法?26基于大模型的意图识别与推理能力，并结合小模型的归因等算法，实现基于自然语言的指标取数、可视化和归因分析让用户快速获取准确数据，定位数据问题，生成数据报告Chat

BI

·效果展示指标分析助手，

支持业务同学对话式进行数据分析，

更好的智能化交互体验输出贴合专业分析师思维的分析报告自动化提供贴合专业分析师思维的报告，

并将数据概览、

图表、

高级计算（同环比/聚合/占比/排序/相关性/预测）

与文字结论有机地整合在一起对话式完成数据获取、可视化报告提供交互式指标查询、

元信息查询与可视化能力27提供问答式维度归因与因子归因能力，大幅提升数据波动探查效率，助力管理者与

业务人员决策加速。Chat

BI

·效果展示指标分析助手，

支持业务同学对话式进行数据分析，

更好的智能化交互体验28AI•我的客户们有什么需求？•我如何帮他们厘清自己的需求？•遇到了什么问题？•在什么样的业务场景中？•现有技术有无方法解决？•我是否有能力解决？•将会产生什么样的价值？数字质量工程师在对话框中输入一句指令，

“数字工程师

”就可以根据指令输出

一份基础FMEA。

数字工程师·效果展示•

自己写FMEA30传统工程师在写FMEA过程中，“数字工程师

”提供24小时辅导，例如某零件的功能是什么？失效

是什么？有哪些预防/探测措施

可以实施等。

数字工程师·效果展示•辅导写FMEA31当FMEA完成后提交审核时，可以先由“数字工程师

”进行预审，

例如子系统/零件是否有遗漏？功能网/失效网是否都已连接？

S/O/D评分是否合理？高AP项是

否有控制措施等。

数字工程师·效果展示•

审核FMEA32AI垂直领域数智化的再次出发•

科研•

教育•

法律•

医疗•

制造

生成式AI在各行业的应用矩阵34从0到1：

AI项目