伴隨著人工智能廣泛應(yīng)用于政企行業(yè)方案定制化、業(yè)務(wù)問題主動發(fā)現(xiàn)等關(guān)鍵領(lǐng)域，江蘇移動政企用戶規(guī)模已突破10萬，專線業(yè)務(wù)用戶規(guī)模已超64萬。然而，鑒于政企領(lǐng)域產(chǎn)品形態(tài)復(fù)雜多樣，運(yùn)維工作面臨巨大挑戰(zhàn)，售前方案定制效率低下、售中問題繁多難以統(tǒng)一應(yīng)對、售后維護(hù)響應(yīng)遲緩等瓶頸日益凸顯。為此，江蘇移動推出了融合先進(jìn)大模型語言處理技術(shù)與多模態(tài)交互能力的政企數(shù)智化助手，旨在全面加速政企運(yùn)維領(lǐng)域的數(shù)字化轉(zhuǎn)型。

江蘇移動聚焦政企裝維全生命周期“質(zhì)”“效”雙提升，依托大模型形成意圖智能、分析智能、執(zhí)行智能和稽核智能，面向售前方案生成、售中工單支撐、售后運(yùn)維分析三大痛點(diǎn)場景，打造“寧犀”政企運(yùn)維智能助手（如圖1所示）。

售前：方案智能生成推薦

以往，政企業(yè)務(wù)解決方案需要客戶經(jīng)理憑借個(gè)人經(jīng)驗(yàn)分析業(yè)務(wù)需求、羅列需求摘要，進(jìn)而生成完整方案，平均耗時(shí)1周，響應(yīng)速度慢。而“寧犀”政企運(yùn)維助手可根據(jù)售前用戶的方案需求，用低秩適配（LoRA）指令微調(diào)對話知識，開放多輪對話確認(rèn)需求，并通過文本分析、數(shù)據(jù)查詢、方案提取、自主匹配等能力支撐方案自動生成（如圖2所示）。組網(wǎng)方案通過文檔下載鏈接的方式提供，解決方案以知識點(diǎn)的模塊化內(nèi)容來提供。這使得支撐響應(yīng)效率提升至98.8%，為產(chǎn)品市場競爭贏得先發(fā)優(yōu)勢。

在售前場景，“寧犀”政企運(yùn)維助手使用的關(guān)鍵技術(shù)是LoRA算法，這是一種針對大型預(yù)訓(xùn)練語言模型的高效微調(diào)方法，專注于調(diào)整或添加少量與特定任務(wù)相關(guān)的參數(shù)。該技術(shù)基于售前客戶經(jīng)理與用戶的歷史對話數(shù)據(jù)，通過引入低秩矩陣的訓(xùn)練方式，僅改變原有模型層中權(quán)重矩陣的一部分，既保留了模型原有的大部分知識，又提升了售前方案生成的效果。此外，政企領(lǐng)域的綜調(diào)大模型解決了原生大模型“零”業(yè)務(wù)知識理解的問題，還能對行業(yè)術(shù)語和個(gè)性化需求予以響應(yīng)。利用政企基礎(chǔ)運(yùn)維數(shù)據(jù)對大模型進(jìn)行微調(diào)，通過增加神經(jīng)網(wǎng)絡(luò)層數(shù)、調(diào)整網(wǎng)元參數(shù)，使其更好地適應(yīng)政企業(yè)務(wù)的語義環(huán)境。

收集海量綜調(diào)領(lǐng)域數(shù)據(jù)（涵蓋運(yùn)營調(diào)度規(guī)劃、工單知識庫、系統(tǒng)需求文檔、技術(shù)產(chǎn)品手冊等），“寧犀”政企運(yùn)維助手先對其進(jìn)行預(yù)處理，再將歷史坐席和裝維在線對話數(shù)據(jù)整理成指令格式。同時(shí)，將業(yè)務(wù)運(yùn)維文檔等基礎(chǔ)知識融入大模型，促使大模型學(xué)習(xí)業(yè)務(wù)功能（如工單催辦）所需的具體流程與操作。完成訓(xùn)練的綜調(diào)大模型，再注入備好的指令對話數(shù)據(jù)進(jìn)行LoRA指令微調(diào)訓(xùn)練。運(yùn)用LoRA方式微調(diào)對話知識，開展多輪對話服務(wù)，提升大模型的業(yè)務(wù)理解能力，使問題處理效率提高85%。

售中：支撐裝維工單綜調(diào)質(zhì)檢

在日常政企業(yè)務(wù)裝維場景中，每天需要投入20多名后臺綜調(diào)人員，為上千名裝維人員提供支撐，解答400多條現(xiàn)場裝維問題，業(yè)務(wù)繁忙，工作強(qiáng)度大?！皩幭闭筮\(yùn)維助手面向一線裝維人員和綜調(diào)人員，提供工單快速查詢、分析、轉(zhuǎn)派、督辦等支撐能力，并基于提示詞工程技術(shù)和智能體調(diào)度算法，實(shí)現(xiàn)任務(wù)識別與抽取，構(gòu)建問題分析與調(diào)度智能體，以此滿足售中工單支撐需求（如圖3所示）。實(shí)測顯示，“寧犀”政企運(yùn)維助手日均自動處理工單達(dá)257個(gè)，其異常工單處理響應(yīng)時(shí)間也從30分鐘縮短至1分鐘，問題處理效率提升近30倍。

面向售中開通交付環(huán)節(jié)，引入大模型與多模態(tài)識別能力，實(shí)現(xiàn)從電話預(yù)約、人員進(jìn)場、安裝工藝檢查到滿意度評價(jià)的整個(gè)業(yè)務(wù)裝維流程，由人工轉(zhuǎn)向AI智檢，使得裝維質(zhì)檢環(huán)節(jié)耗費(fèi)時(shí)長從15.7小時(shí)銳減至0.4小時(shí)。

在售中場景中，“寧犀”政企運(yùn)維助手使用的關(guān)鍵技術(shù)是提示詞工程技術(shù)和智能體調(diào)度算法，借此實(shí)現(xiàn)高效的任務(wù)識別、抽取及處理能力。以下是對這兩項(xiàng)技術(shù)在技術(shù)和算法層面更為詳盡的闡釋。

提示詞工程技術(shù)通過精心設(shè)計(jì)的提示詞（例如，查詢故障工單信息，請輸入工單號XX；查詢政企業(yè)務(wù)信息，請輸入用戶名稱XX）引導(dǎo)大模型學(xué)習(xí)并生成符合特定場景需求的文本或執(zhí)行相應(yīng)任務(wù)。該技術(shù)涉及大規(guī)模語言模型訓(xùn)練后的調(diào)優(yōu)和微調(diào)操作，通過將領(lǐng)域知識和業(yè)務(wù)規(guī)則植入模型，增強(qiáng)其針對特定任務(wù)的理解和執(zhí)行能力。

在上下文感知提示生成方面，為提高模型對上下文的理解能力，“寧犀”政企運(yùn)維助手采用上下文感知的提示生成機(jī)制，根據(jù)輸入內(nèi)容動態(tài)地生成或選擇最合適的提示詞，使模型準(zhǔn)確捕捉當(dāng)前對話或任務(wù)的具體要求。

在多模態(tài)提示集成方面，鑒于實(shí)際業(yè)務(wù)場景中信息來源的多樣性，特別是針對現(xiàn)場施工工藝圖片識別、現(xiàn)場機(jī)房布線位置圖片識別等需求，“寧犀”政企運(yùn)維助手支持文本、圖像甚至視頻等多種形式的提示輸入。借助多模態(tài)融合技術(shù)，系統(tǒng)能夠綜合各種類型的信息，進(jìn)而提供更為全面、精準(zhǔn)的服務(wù)。

在自適應(yīng)提示優(yōu)化方面，隨著系統(tǒng)的持續(xù)運(yùn)行，“寧犀”政企運(yùn)維助手會不斷收集用戶反饋并分析模型表現(xiàn)，隨后自動調(diào)整提示詞庫。這一自適應(yīng)優(yōu)化流程不但提高了模型的響應(yīng)速度，而且增強(qiáng)了其處理新問題的能力。

智能體調(diào)度算法是“寧犀”政企運(yùn)維助手的另一核心技術(shù)，該技術(shù)基于強(qiáng)化學(xué)習(xí)框架構(gòu)建而成，旨在優(yōu)化任務(wù)分配和資源管理。具體實(shí)現(xiàn)方式有兩類。

一是基于強(qiáng)化學(xué)習(xí)的任務(wù)優(yōu)先級排序。智能體調(diào)度算法使用強(qiáng)化學(xué)習(xí)算法，學(xué)習(xí)根據(jù)不同任務(wù)的緊急程度和重要性進(jìn)行優(yōu)先級排序。通過獎勵(lì)機(jī)制（包含用戶點(diǎn)贊和反饋等），算法能夠逐漸學(xué)會在不同情況下做出最優(yōu)決策，以實(shí)現(xiàn)時(shí)延最小化和效率最大化。

二是動態(tài)資源分配策略。針對裝維工作的特點(diǎn)，“寧犀”政企運(yùn)維助手落實(shí)動態(tài)資源分配策略，根據(jù)實(shí)時(shí)的工作負(fù)載情況靈活調(diào)配資源，確保每項(xiàng)任務(wù)都能獲得適當(dāng)支撐。例如，在高峰期增加后臺綜調(diào)人員數(shù)量，在低谷期則減少不必要的人員投入。

售后：業(yè)務(wù)智能運(yùn)維分析

政企專線業(yè)務(wù)是典型的跨域、跨專業(yè)端到端場景，其性能、告警及投訴等數(shù)據(jù)分散在多個(gè)專業(yè)系統(tǒng)，致使數(shù)據(jù)查詢既復(fù)雜又耗時(shí)，并且故障處理缺少現(xiàn)場診斷與驗(yàn)證工具。

“寧犀”政企運(yùn)維助手面向一線維護(hù)人員與技術(shù)經(jīng)理，通過大模型的意圖識別、NL2SQL等技術(shù)，自動與各網(wǎng)管系統(tǒng)交互，完成信息查詢、分析，還能調(diào)用網(wǎng)管系統(tǒng)的診斷工具和集團(tuán)網(wǎng)智平臺的AI能力，用于問題診斷、恢復(fù)驗(yàn)證。不僅如此，“寧犀”政企運(yùn)維助手還具備運(yùn)維分析報(bào)告自助生成功能，通過大模型的意圖智能，獲取集團(tuán)編號或集團(tuán)名稱后，大模型按照報(bào)告模板和查詢規(guī)則，自動調(diào)用網(wǎng)管接口采集數(shù)據(jù)，自動編寫報(bào)告，運(yùn)營報(bào)告生成時(shí)長從原先人工編寫的3小時(shí)縮短至5分鐘（如圖4所示）。

在售后場景中，“寧犀”政企運(yùn)維助手使用的關(guān)鍵技術(shù)是意圖識別與NL2SQL。依托基于深度學(xué)習(xí)的大規(guī)模預(yù)訓(xùn)練模型，“寧犀”政企運(yùn)維助手可以準(zhǔn)確理解用戶所提自然語言問題或指令背后的真正意圖，并將非結(jié)構(gòu)化的文本信息轉(zhuǎn)化為可執(zhí)行的操作命令。

在意圖解析方面，通過多層神經(jīng)網(wǎng)絡(luò)對輸入文本進(jìn)行特征提取，“寧犀”政企運(yùn)維助手可快速解析出用戶的實(shí)際需求，無論是查詢特定時(shí)間段內(nèi)的網(wǎng)絡(luò)性能指標(biāo)，還是請求最新的故障告警信息。

在語義轉(zhuǎn)換方面，利用先進(jìn)的NL2SQL，將解析后的意圖進(jìn)一步轉(zhuǎn)換為精確的SQL查詢語句，該查詢語句既能滿足業(yè)務(wù)邏輯要求，又能高效地從各網(wǎng)管系統(tǒng)中獲取所需數(shù)據(jù)。

全流程支撐：政企業(yè)務(wù)智能知識問答

針對運(yùn)維人員技能提升與日常支撐需求，“寧犀”政企運(yùn)維助手聚焦政企業(yè)務(wù)常見問題，通過大模型檢索增強(qiáng)生成（RAG）技術(shù)將運(yùn)維規(guī)范、技術(shù)文檔、故障報(bào)告等材料，以政企業(yè)務(wù)智能問答形式提供服務(wù)支撐。該服務(wù)可實(shí)現(xiàn)7×24小時(shí)的問答響應(yīng)，極大提高了用戶問題的應(yīng)答率。

在全流程支撐方面，“寧犀”政企運(yùn)維助手使用的關(guān)鍵技術(shù)是RAG，這項(xiàng)技術(shù)融合了檢索與生成兩種方式的優(yōu)勢，旨在提供更加精準(zhǔn)、高效的文本生成能力。

具體而言，在多源信息檢索環(huán)節(jié)，RAG技術(shù)通過搜索引擎或數(shù)據(jù)庫查詢等手段，從海量知識庫中檢索出與用戶提問關(guān)聯(lián)性強(qiáng)的文檔片段或段落。其來源涵蓋政企運(yùn)維相關(guān)技術(shù)文檔、故障報(bào)告、規(guī)范手冊等，能夠快速定位特定問題的歷史解決方案或最佳實(shí)踐案例。

在上下文感知生成方面，RAG技術(shù)在獲取相關(guān)政企運(yùn)維資料后，利用預(yù)訓(xùn)練的大規(guī)模語言模型理解并整合這些信息，根據(jù)用戶的實(shí)際需求生成自然流暢的回答。

在動態(tài)知識更新方面，考慮到業(yè)務(wù)環(huán)境與技術(shù)方案的不斷變化，RAG系統(tǒng)支持其文檔庫的動態(tài)更新。每當(dāng)有新的運(yùn)維指南發(fā)布或故障處理經(jīng)驗(yàn)總結(jié)時(shí)，系統(tǒng)能夠及時(shí)納入這些最新信息，確?；卮鸬臅r(shí)效性和準(zhǔn)確性。

項(xiàng)目應(yīng)用成效和可推廣性

目前，“寧犀”政企運(yùn)維助手已在江蘇全省展開試點(diǎn)應(yīng)用，在提質(zhì)量、優(yōu)服務(wù)、降成本方面成效顯著。其中，解決方案生成時(shí)長由7天縮短至2.5天以內(nèi)，組網(wǎng)方案生成時(shí)長從5小時(shí)縮減至20分鐘，知識問答實(shí)現(xiàn)7×24小時(shí)自動應(yīng)答，用戶滿意度提升至99.43%，年壓降工作量為1329人月。

“寧犀”大模型智能體結(jié)合38個(gè)AI能力上線，輸出5項(xiàng)專利，參與業(yè)內(nèi)首個(gè)模型即服務(wù)（MaaS）標(biāo)準(zhǔn)制定，該標(biāo)準(zhǔn)已正式發(fā)布并在ITU-T立項(xiàng)，江蘇移動被授予“核心參編單位”稱號。“寧犀”政企運(yùn)維智能助手具備標(biāo)準(zhǔn)統(tǒng)一易推廣、云平臺部署兼容性強(qiáng)、低成本可復(fù)制性強(qiáng)等特點(diǎn)。值得關(guān)注的是，大模型智能體融合的政企AI能力已在中國移動集團(tuán)內(nèi)超15個(gè)省分公司推廣應(yīng)用。

*本文刊載于《通信世界》

總第960期 2025年1月25日 第2期