01LLM 集成 · RAG
在您的数据上作答的 LLM
RAG、文档检索，以及带来源的回答。 我们把 LLM 接入您的知识：模型依据您的数据作答并给出来源——而不是凭空编造。
查询
问题 · 意图
嵌入
查询向量
检索
向量数据库
重排
相关性
上下文
您的文档
LLM
回答 · 来源
评估
准确性 · 来源
基于您数据的回答
02应用场景
把基于数据的回答带进产品
同一套 RAG，应对不同任务。 变的是数据源与界面，不变的是准确性与来源链接。
/01
文档检索
用自然语言提问，从您的文件、wiki 与数据库中得到答案，并附上来源。
/02
客户支持
助手依据您的知识库回答客户与坐席，而不是套用泛泛的话术。
/03
产品内助手
界面里的副驾：基于用户数据给出提示、草稿与解释。
/04
知识库
面向团队的内部检索：新人上手、规章制度、项目问题，几秒即可得到答案。
03用数字看质量
看得见的质量
我们在真实问题集上用评估来衡量。 相关性、带来源的比例与成本——都在您可以访问的看板上。
01
评估中的回答相关性
02
回答均附带来源链接
03
含知识库检索的响应
04
单次查询成本——缓存与路由
04数据源
围绕产品的数据
中心是产品，周围是数据源。 我们接入您已有的东西：文件、wiki、CRM 与数据库。数据仍留在您那里，回答始终基于最新版本。
文档
文件 · 合同 · PDF
知识库
wiki · 规章制度
CRM · 工单
客户 · 往来沟通
数据库 · API
产品数据
您的产品
05FAQ
关于 LLM 集成，大家常问的问题
RAG 是指模型在回答之前先在您的文档里检索所需内容，并据此作答，而不是凭记忆。这样回答就建立在您的数据之上，附带来源链接，而且只要文档更新，回答也随之更新。
06TALK
聊聊您的 LLM
30 分钟的通话，把 LLM 放到您的数据上试一试。 没有任何义务：我们一起看数据与任务——您会带走一份书面的集成方案。