能源与电力
电力行业的知识密度极高，规程、图纸、缺陷记录动辄几十年积累，而值班人员需要在几分钟内做出判断。这是检索增强最典型的适用场景。
- 值班调度辅助：告警处置建议与规程定位
- 设备缺陷知识库：按型号、部位、故障现象检索历史案例
- 检修报告自动生成：从工单与巡检记录草拟报告
- 安规问答与培训考核：新员工随时提问，答案带原文出处
- 新能源出力预测报表的自然语言解读
-72%
查询耗时
91%
首次命中率
八个行业
按行业查看
每张卡片按见效速度和实施难度排序。
政务与公共服务
政务场景的难点不在模型能力，而在准确性要求和留痕要求。我们的做法是把答案严格限定在权威文件范围内，并对每一句话给出可点击的出处。
- 政策条文问答：限定在现行有效文件内作答并给出条款出处
- 办件材料预审：完整性与前后一致性检查，指出缺哪一页
- 12345 热线辅助：话务过程中实时推荐口径与办理路径
- 跨部门数据说明：指标口径解释与数据来源追溯
- 公文写作辅助：格式规范校验与要素补全提醒
-46%
退件率
-31%
窗口时长
金融与保险
金融场景对可解释性和审计留痕的要求最高。Agent 在这里的定位不是替人决策，而是把人工需要翻二十份材料才能得出的结论提前整理好，并保留完整推理链路。
- 信贷材料核对：财报、征信、抵押物资料的交叉一致性检查
- 投研摘要：研报、公告、新闻的定向摘要与观点对比
- 合规条款比对：合同与监管要求逐条对照并标注差异
- 保险理赔预审：单证完整性与责任范围初判
- 反洗钱可疑交易说明草拟
-58%
材料审阅
100%
留痕完整
制造与工业
制造业最大的隐性资产是老师傅的经验，而它通常散落在几千份工艺卡、车间群聊和个人笔记里。把这部分知识结构化，比引入任何新设备的回报都直接。
- 工艺知识沉淀：工艺卡、变更单与群聊经验的统一检索
- 质检异常归因：按缺陷特征匹配相近历史案例与处置方案
- 设备点检与备件问询：型号适配、库存与替代件建议
- 供应链问询：交期、合格率与供应商历史表现查询
- 新员工培训助手：带出处的操作指导与考核
-40%
新人上手
84%
归因命中
医疗健康
医疗场景我们只做辅助性、非诊断类的工作：病历文本处理、文献检索、随访沟通。任何涉及诊断结论的环节都保留人工决策,系统只负责把信息整理清楚。
- 病历结构化：自由文本转结构化字段，辅助质控与统计
- 随访问答：术后与慢病随访的标准化沟通与异常上报
- 科研文献检索：按课题方向做定向综述与证据整理
- 病案编码辅助：ICD 编码建议与漏编提醒
- 院内制度与流程问答
-52%
病历处理
100%
人工复核
零售与电商
零售场景的特点是量大、容错高、见效快。这是最适合先做起来验证 ROI 的方向，通常两三周就能看到明确的效率数字。
- 售前导购：结合库存、活动与用户历史的商品推荐与答疑
- 售后工单：退换货政策判定、物流查询与情绪安抚
- 商品内容批量生成：标题、卖点、详情页多语言版本
- 评论分析：负面反馈聚类与商品改进建议
- 会员运营话术生成与 A/B 测试
+34%
首次解决率
-41%
人工转接
交通与物流
物流的核心痛点是信息分散在运单、GPS、异常报告和司机沟通记录里。Agent 的价值在于把这些拼起来回答一个具体问题：这批货现在到底什么情况。
- 运单状态归集问答：跨系统拼接一票货的完整轨迹
- 异常件处置建议：按异常类型给出处理流程与责任归属
- 路线与时效咨询：结合历史数据回答可达性与时效问题
- 司机与网点问询：政策、结算与操作规范解答
- 客服工单自动分类与派单
-64%
查询响应
7
跨系统覆盖
教育与科研
把机构内部资料变成可问答的知识库，以及辅助重复性的文本工作。不承接代写作业、代写论文这类用途。
- 教务与制度问答：学籍、选课、报销流程的统一答疑
- 科研文献综述辅助：定向检索与证据整理
- 课程资料结构化：讲义、题库的知识点标注与检索
- 申报书与项目材料的格式与要素校验
- 实验数据记录的自然语言查询
82%
答疑覆盖
-45%
材料校验
表格中的指标为已交付项目的实测区间，因客户保密要求做了匿名处理；具体数值随数据质量与场景复杂度差异较大，商务沟通时可提供可联系的参考客户。
通用场景
跨行业的四个通用场景
不管什么行业，落地需求基本会归到这四类。
智能客服与工单闭环
多轮对话理解 + 业务系统查询 + 工单创建三件事必须打通，否则就还是个 FAQ 机器人。我们把「转人工」也当成正常路径设计：Agent 处理不了的时候，要把已经收集到的上下文完整交给坐席，而不是让用户重说一遍。
- 对接工单系统与 CRM，创建和更新真实工单
- 转人工时携带完整上下文与已核实信息
- 拒答与升级策略可配置，不编造政策
- 会话质量抽样评分与 badcase 回流
- 文档冲突检测与过期提醒
- 行级权限：按身份返回不同的依据文档
- 答案强制附出处，可点击跳转原文
- 检索不到时明确说不知道
企业知识助手
看起来最简单，实际最容易失败的场景。失败原因几乎总是两个：文档本身质量差（过期、重复、互相矛盾），以及权限没做对导致不敢开放给全员。第一阶段通常是文档治理，而不是搭系统。
研发效能
公开的代码助手工具已经成熟，我们不重复造。需要补的是依赖私有上下文的部分：内部框架的用法、历史故障的处置经验、遗留系统的接口约定——这些不存在于公开模型的训练数据里。
- 内部框架与私有 SDK 的用法问答
- 历史故障复盘检索与相似问题定位
- 接口文档与代码的一致性检查
- 测试用例生成与覆盖缺口提示
- 基于指标字典作答，不自行发明口径
- 生成的 SQL 可见可审计，支持人工确认后执行
- 只读权限与行级数据隔离
- 异常波动的归因分析与图表生成
数据分析 Agent
自然语言取数的难点不是写 SQL，而是搞清楚业务口径：「上月活跃用户」到底怎么算。前提是先有指标字典：Agent 只在已定义的口径内工作，遇到歧义主动反问而不是猜一个。
自查清单
怎么判断自己的场景适不适合
四个答案都清晰的场景，成功率明显更高。
输出是什么？
能说清「系统应该给出什么」——一段回答、一个判断、一份草稿。说不清的通常是需求还没想透。
怎么算对？
存在可判定的标准，最好能找到一批历史案例作为评测样本。没有标准就没有验收，也没法优化。
谁天天用？
有明确的、数量足够的日常使用者。只给领导演示的系统上线即死，这是最常见的失败原因。
错了怎么办？
错误代价可承受，且有兜底路径——人工复核、拒答、或降级到原流程。代价不可承受的环节不该交给 Agent 独立决策。