通信工程服务商的项目往往横跨勘察、设计、施工、验收、运维与结算,图纸、合同、工单、巡检记录分散在多个系统中。某通信工程服务头部集团推进项目管理数字化时发现,只把资料搬进知识库,现场人员仍然要翻目录、问熟人,管理层也难以及时追问经营指标。该集团把知识库、数字人与智能问数纳入AI智能体项目,引入数商云做整体支撑,希望让项目知识可查、制度问答可用、经营数据可问。这个数商云客户案例更关注通信工程服务商AI智能体如何贴着项目场景落地,以及知识库、数字人、智能问数怎样形成可复用的项目支撑能力。
一、项目背景:通信工程服务商AI智能体建设从真实业务压力出发
这家集团的业务覆盖通信网络建设与维护,项目点分散,参与角色多。设计、施工、监理、采购、财务等岗位都在产生资料,制度文件、项目复盘、故障处置经验常常沉淀在个人电脑或聊天记录里。项目人员遇到问题时,往往要跨系统搜索,再向熟悉情况的人确认。资料并非没有,难的是在正确时间找到正确内容。
1. 项目资料多,口径和版本容易分叉
通信工程服务有较强的现场属性,不同项目会遇到不同地形、站址、施工条件和交付要求。制度文件更新后,如果培训材料、操作指引和项目模板没有同步,现场人员就可能按旧口径处理。知识库如果只做文件归档,不处理版本、权限和适用范围,问答越多,误用风险越大。
2. 现场问答依赖个人经验,响应不稳定
项目人员常见的问题并不复杂,例如流程怎么走、材料找谁签、某类故障先查什么、结算需要哪些凭证。问题不大,却会打断关键岗位的工作。靠电话和即时消息答疑,答案质量取决于接听人是否熟悉该场景,知识也很难复用。数字人之所以被纳入项目,就是希望把高频问答放到稳定入口。
3. 管理分析需要从报表走向追问
管理层看项目经营情况,不满足于固定报表。项目进度、成本、回款、材料使用和人员投入之间常有连带问题,单看汇总数据很难判断原因。智能问数要解决的是自然语言追问,例如询问某类项目的进度偏差、某区域回款情况或某项成本变化。这里的难点在数据口径、权限和取数逻辑,模型本身只占部分工作。
4. 项目目标要兼顾知识、服务与分析
集团给项目组的任务很明确,既要把项目知识管起来,也要让制度问答有入口,还要让经营数据能按权限被追问。知识库、数字人与智能问数被放在项目使用路径中评估,原因在于它们共享数据源、权限体系和使用入口。若分别采购工具,后续维护成本和体验割裂会更明显。
二、需求拆解:知识库、数字人和智能问数都要能进项目现场
项目启动后,数商云团队先跟业务部门、项目负责人、财务和信息人员做场景梳理,再讨论界面和交互。讨论围绕多类问题展开,项目人员平时最常问什么,哪些数据可以开放问答,哪些内容必须经过审核才能进入知识库。需求拆解做得越细,后续智能体越不容易停留在演示状态。
1. 知识库要回答项目问题,不能只存文件
业务部门列出的高频问题集中在制度流程、投标资料、施工规范、验收标准、结算要求和故障处置。项目组按使用场景重新组织这些内容,减少按部门简单归档带来的查找障碍。知识库的检索结果要带出来源、适用项目类型和更新时间,方便提问人判断是否可用。
2. 数字人承担接待、宣导与操作指导
数字人被定位为项目人员的服务窗口。它要能回答制度问题,也要能引导用户进入知识库、工单、报表或培训材料。项目组还希望数字人承担新员工宣导和常见操作说明,让重复答疑从人工转向稳定入口。交互语气、回答边界和转人工规则,都在需求阶段被明确。
3. 智能问数先解决经营追问,再扩展分析场景
智能问数的首个重点,是让管理层和项目负责人用自然语言追问经营指标。问题可以围绕项目进度、收入确认、成本构成、回款状态和材料使用展开。系统回答时必须展示指标口径、统计范围和数据来源,避免只给结论不给依据。权限不同的人看到的数据范围要分开控制,这项要求被放在需求清单前面。
4. 部署、权限、交付方式提前定清
通信工程数据牵涉项目报价、客户信息和网络资源,集团对部署方式很谨慎。数商云在需求阶段就给出私有化部署与混合云方案的比较,说明哪些模块适合本地化、哪些数据需要隔离、后续如何维护。源码交付和快速交付也被纳入讨论,便于集团评估自主掌控与上线节奏之间的平衡。
三、解决方案:数商云用知识库、数字人与智能问数支撑项目全流程
方案围绕项目使用路径做组合,把知识库、数字人和智能问数放进项目视图。项目人员从数字人入口提问,知识库负责给出依据,智能问数负责连接经营指标,后台再通过权限和日志管理使用过程。数商云承担整体方案设计与交付,并在数据治理、模型接入和运营机制上提供支持。
1. 知识库建设:先把资料治理做扎实
知识库建设从资料盘点开始。项目组把制度、规范、模板、复盘、案例和常见问题分门别类,标记适用项目类型、密级和有效期。系统再做切分、索引和检索优化,让提问能落到具体条款或操作说明。
(1) 制度类内容要明确版本关系和适用条件。过期文件继续被检索出来,会直接影响现场判断。项目组把废止、替代和适用范围写入知识元数据,回答时同步提示来源。
(2) 项目类资料按项目阶段归集。勘察、设计、施工、验收与结算各有自己的模板和检查点。用户提问时,系统可结合项目阶段给出更贴近现场的材料。
(3) 经验类内容需要审核后入库。故障处置、客户沟通和风险提醒往往来自个人经验,直接入库容易失真。项目组设置审核人和更新记录,让内容可以追溯。
2. 数字人应用:把入口做得简单,把回答做得有边界
数字人的形象和声音只是表层,真正影响使用体验的是背后问答流程。项目组把制度咨询、操作指引、培训问答和工单入口放在数字人界面,用户可以用语音或文字发起问题。回答遇到权限不足、知识缺失或问题超出范围时,数字人会按规则转给相应人员。
(1) 制度宣导场景强调口径规范。数字人引用知识库原文,回答时展示出处和适用范围。遇到跨制度冲突,系统提示用户联系归口部门确认。
(2) 操作指导场景强调步骤可跟做。数字人把常见系统操作、材料填报和流程提交拆成清晰说明。用户在项目现场打开入口,就能按提示完成动作。
(3) 培训场景强调重复使用。新员工常见问题由数字人承接,培训材料也通过问答方式被再次调用。培训人员从重复答疑中腾出精力,放到复杂问题处理上。
3. 智能问数:让业务人员通过追问看清经营情况
智能问数接入项目、合同、成本、回款和材料等数据主题。业务人员提出自然语言问题后,系统识别指标、时间范围、项目范围和组织维度,再生成查询结果。结果页同时展示口径说明与数据来源,方便提问人核对。
(1) 指标口径先治理再开放。项目进度、收入确认、成本和回款在不同系统中定义不完全相同。数商云协助梳理指标口径和取数规则,减少问答结果与报表打架的情况。
(2) 权限控制跟随业务角色。集团管理层、区域负责人、项目负责人和财务人员看到的数据范围不同。智能问数在查询前校验权限,在结果展示时隐藏越权信息。
(3) 问题追问保留上下文。用户从总体情况追问到具体项目时,系统要理解前序问题。项目组在交互中设计追问提示,降低业务人员组织问题的门槛。
4. 部署与交付:按数据敏感度选择合适方式
集团对项目数据和经营数据有不同安全要求,方案没有采用同种部署方式。核心知识库和敏感数据采用私有化部署,部分交互服务和弹性算力可结合混合云方案。源码交付让集团具备后续扩展和自主维护条件,快速交付则帮助项目按业务节奏推进。
四、实施过程:从试点场景到项目群推广
项目组采用分阶段推进方式,先用高频场景验证,再逐步扩大使用范围。数商云交付团队与集团信息部门、项目管理部门和财务部门共同排期,按知识治理、数字人接入、智能问数联调和运营培训推进。每个阶段都设置验收要点,避免问题积压到上线后集中暴露。
1. 启动阶段:把问题和数据摸清
启动阶段的工作看起来偏基础,却决定后续效果。项目组收集高频问题,整理知识来源,梳理指标定义和系统接口。信息部门同步确认网络、账号、权限和部署环境。哪些场景先做,哪些数据暂不开放,也在启动阶段形成清单。
2. 试点阶段:围绕现场问题反复打磨
试点选取项目资料查询、制度问答、操作指引和经营指标追问等场景。项目人员试用后,反馈集中在回答是否准确、引用是否清楚、追问是否顺手。数商云团队根据问题调整知识切分、检索策略和回答模板,数字人交互也同步优化。试点不追求覆盖全部问题,更看重验证使用路径是否成立。
3. 推广阶段:让使用入口进入日常流程
试点稳定后,集团把智能体入口放到项目管理系统和移动端工作台。项目例会、培训、制度发布和经营分析会都开始使用问答结果作为辅助材料。推广以高频问题的回答质量为先,再配套使用说明和培训。项目人员发现提问比翻找更省事,使用习惯才逐步形成。
4. 运营阶段:知识、数据和权限持续维护
智能体上线后,运营工作才真正开始。知识库需要定期清理过期内容,数字人问答要收集答不准的问题,智能问数要核对指标变化和权限配置。集团设定内容责任人,数商云提供运营方法和版本维护支持。运营节奏稳定,智能体的可信度才会慢慢积累。
五、应用价值:知识库、数字人与智能问数带来可见变化
项目上线后,变化先从日常动作里显现。项目人员找制度、找模板、问流程时少了层层转问,管理层看经营情况时也多了追问入口。知识库让资料有了组织方式,数字人让服务有了稳定窗口,智能问数让数据分析更贴近业务语言。集团对项目支撑效率的评价是显著提升,跨部门协同也更顺畅。
1. 项目人员找资料的时间明显减少
过去遇到制度问题,项目人员常要先找部门、再找对口人、再确认文件版本。现在通过数字人入口直接提问,可以拿到来源和适用范围,常用模板也能顺着回答找到。资料查找从人找人逐步转向系统找答案,现场响应速度得到改善。
2. 制度问答更规范,培训压力有所缓解
数字人按知识库内容回答,减少了不同人员口径差异带来的沟通成本。新员工常见问题由智能体承接后,培训人员可以把更多精力放在实操带教和复杂场景讲解上。制度更新后,知识库和问答入口同步维护,重复解释的情况明显减少。
3. 经营分析从看报表转向问问题
管理层在会议前可以用自然语言追问项目进度、成本和回款情况,不必等固定报表。业务人员也能围绕异常指标继续追问,找到影响项目的具体因素。智能问数把数据使用门槛降下来,数据分析从少数岗位的专门工作,逐步变成更多项目负责人的日常动作。
4. 知识沉淀和人才培养更有连续性
项目复盘、故障处置和经验总结容易散落在个人手里。通过知识库审核入库,再经数字人反复调用,个人经验可以变成组织可用的内容。项目人员流动时,新成员能借助问答快速熟悉流程,人才培养不再完全依赖老员工口头带教。
六、客户评价:智能体要贴着业务走,不追求花哨
集团项目负责人对这次建设的评价很务实。智能体最终要进入项目人员每天的工作路径,摆在大屏上的展示意义有限。知识库要有人维护,数字人要有明确边界,智能问数要能经得起口径核对。数商云在实施中没有单纯追求功能堆叠,更多是在业务场景、数据治理和交付节奏上做配合。
1. 业务部门看重回答是否可信
业务人员评价智能体,不只看回答快不快,也看引用是否清楚。项目场景对错误答案容忍度低,知识来源和适用范围很重要。数字人回答制度问题时能给出出处,问数结果能展示口径,使用信心才建立起来。
2. 信息部门看重权限与可维护性
信息部门关注系统能否纳入现有安全体系,权限是否随组织变化调整,知识更新是否可控。私有化部署和源码交付让集团在数据掌控、后续扩展上更有底气。混合云方案则为部分弹性服务保留空间,避免所有能力都压在本地环境。
3. 管理层看重数据口径和推广节奏
管理层对智能问数的要求直接,数据要能解释,口径要能对齐,问题要能追到项目。项目组没有急于扩大范围,先把高频追问和关键指标做稳。推广节奏跟培训和运营同步,员工使用时遇到问题能找到责任人。
七、总结与落地经验:同类通信工程服务商可复用的做法
这个数商云客户案例说明,通信工程服务商的AI智能体建设很难靠单点工具完成。知识库解决内容组织,数字人解决服务入口,智能问数解决经营追问,背后还需要数据治理、权限控制和运营机制。想复制这类项目,先看业务场景是否高频,再看数据口径是否可解释,还要看交付伙伴能否持续陪跑。
1. 从高频、可验证的场景切入
智能体项目启动时如果铺得太宽,知识治理和数据对接压力会同时上升。更稳妥的做法是先做项目资料查询、制度问答、操作指引和关键指标追问。场景频率高,问题边界清楚,使用效果更容易判断,后续扩展也有依据。
2. 数据口径和权限治理要前置
智能问数需要把模型接到数据主题上,也离不开指标定义、取数规则、组织权限和更新时间管理。这些基础工作要在开放前梳理清楚,减少上线后的争议。知识库同样需要权限和版本治理,否则回答越流畅,误用风险越大。
3. 交付伙伴要能陪业务把场景跑通
通信工程服务商的业务链条长,需求往往在试用中才暴露清楚。交付伙伴如果只做软件安装,项目很容易停在演示阶段。数商云在项目中参与场景梳理、知识治理、数据联调和运营培训,把私有化部署、混合云方案、源码交付和快速交付放进整体实施计划里。这样的配合方式,更适合需要长期运营的AI智能体项目。
对正在评估知识库、数字人或智能问数的通信工程服务商来说,这个案例的借鉴点很清楚。先把项目问题说清,把数据口径和权限边界定清,再选择适合的部署与交付方式,智能体才有机会成为日常工具。数商云可以提供从场景梳理、知识库建设、数字人接入、智能问数到私有化部署、混合云方案、源码交付和快速交付的整体解决方案,适合有相关需求的企业继续了解。


评论