解决方案

持续学习的虚拟专家在以下2方面提供支持：

1、在快速响应以应对市场快速的迭代节奏，缩短问题回复、故障解决以及产品选型等的时间周期；

2、内部专业知识的同部门或者跨部门共享。

方案详情：

1、知识图谱和大模型双轮驱动的产品选型新范式：

本方案中，数据层主要包含产品基本信息、产品参数、产品相关的业务系统等数据。

算法和模型层采用大模型融合知识图谱技术，自动化、可视化构建本体，通过知识融合技术构建行业知识图谱，作为大模型输出层的知识增强与校验工具，对大模型输出的信息进行质量把关，促使大模型生成的文本更可靠。

应用层基于知识图谱和大模型融合，将大语言模型的语言理解和生成能力与知识图谱的丰富领域知识和结构化信息相结合，从而为智能化应用提供强有力支持。建立产品选型、持续学习体系，形成知识服务新范式。

2、Graph RAG技术应用

面对日益复杂、庞大的数据关系和数据量，知识图谱和大型语言模型成为数据科学领域备受瞩目的关键技术。在意图识别阶段，用知识图谱进行实体别称补全和上下位推理；在Prompt组装阶段，从知识图谱中查询背景知识放入上下文。在结果封装阶段，用知识图谱进行知识修正和知识溯源。以下是通过知识图谱增强RAG过程的示例：

3、Agent智能体应用

基于“知识图谱+大模型”双轮驱动，形成企业级Agent智能体，通过“输入-》规划-》任务分解-》工具调用-》执行”的流程，实现多场景的应用。

以下是Agent作用的核心逻辑图：

智能体旨在理解、分析输入，并通过一系列的规划拆解来做出决策、执行任务，同时与环境互动。整个过程可以分成以下6步;

（1）多模态数据输入：通过各类数据源、多模态知识库、外界意图等作为输入，建立起对外部世界的感知。

（2）数据处理及存储：对这些数据进行信息处理和存储

（3）规划：基于数据、知识图谱和大模型引擎进行决策规划，并制定下一步计划。

（4）任务拆解：基于决策，对任务及目标进行拆解到具体动作，但还没有实行。

（5)工具调用:调用第三方工具,如与其他App进行互动，从而达到最终效果。

（6）任务执行：通过Agent成功进行任务分发后，调动起各部分相关应用，完成任务。

此项目通过Agent智能体的建立，进行多种方式的产品选型方式分发，实现产品选型知识的企业级闭环应用。