为“Arca”设计智能组织助手；从信息搜索到智能交互

品牌类型： B2B工程和咨询服务公司
品牌名称： 阿尔卡
内坦尼克服务： AI策略、RAG、AI代理、知识库和自动化

基础设施和现场技术经理：Navid Zamani

项目经理兼平面设计师：Sohail Motaghinia

Arca企业智能助手

“Arka”公司是一家B2B工程和咨询服务集团，在其多年的运营过程中拥有大量的信息、文件、合同、目录、报告和专业知识。这里的主要问题不是缺乏信息；而是。问题在于，在正确的时间找到正确的信息并不总是那么容易，专家的很大一部分时间都花在搜索文件和来源上。内塔尼克本系列 企业智能助手 旨在将组织分散的知识转变为可搜索和交互的环境。该项目的目标不是构建一个简单的聊天机器人，而是创建一个智能层，以便更快、更结构化地访问组织知识。

Arca的主要问题

在信息量高速增长的组织中，仅存储文件并不意味着知识的可用性。 Arca 信息以不同的格式存储在不同的部门，专家有时必须手动检查多个文档才能找到所需的答案。除了耗时之外，这个过程还高度依赖于人们的经验和对信息存储位置的了解。因此，所需的解决方案应该能够理解问题的概念，并且应该从可用来源中提取相关信息，而不是显示一组文件。

设计目的 智能助手

Netanik 的目标是创建一个系统，让员工可以使用自然语言与组织的知识进行交互。用户不必知道文档中使用的确切文件名、文件夹路径或关键字即可获得答案。系统应该能够根据组织的有效信息分析问题、查找相关资源并提供答案。同时，架构的设计必须考虑到资源控制、知识更新和人工监督。

企业智能助手架构

在设计这个 企业智能助手Netanik 使用了基于 RAG 的架构，以便 AI 模型可以在生成答案之前从 Arca 的专有知识库中检索相关信息。这种方法使得答案不再仅仅基于语言模型的一般知识生成，并且系统可以使用组织的特定信息。收到后，对文档进行处理和准备，并将其可搜索内容放置在适当的结构中。然后，当用户询问时，系统首先查找相关资源并将检索到的信息提供给模型。

信息接收处理层

系统的第一部分与数据输入相关，其任务是准备各种资源以供知识库使用。文本文件、PDF、内部文档和其他可用资源应在收到后进行结构化和准备以供语义搜索。在这个阶段，数据质量非常重要，因为智能系统无法从不完整或混乱的数据中产生可靠的输出。为此，项目架构也将输入和准备信息的过程视为系统的一部分。

知识与检索层

处理信息后，文档的内容被放入可检索的结构中，以便系统可以根据问题的概念找到相关部分。这一步是一般聊天机器人和普通聊天机器人的主要区别 企业智能助手 如图所示，在这个架构中，答案首先与组织知识库中的信息连接起来，然后语言模型接管理解、组合和呈现答案的任务。这种结构可以更好地控制信息源和更新知识。

RAG 在 Arca 项目中是如何使用的？

RAG（检索增强生成）是该项目架构的主要组成部分之一，其作用被定义为将语言模型与组织的特定知识连接起来。该信息不是存储在模型本身中，而是存储在外部知识库中，系统在收到查询时检索相关部分。然后将该信息输入模型，以根据文档的实际内容生成最终响应。这种架构能够创建一个动态系统，随着新文档的添加，该系统会更新其可用知识。

智能响应周期

系统的响应过程被设计为几个特定的步骤，使得每个请求都有特定的路径。首先，分析用户的问题，然后系统根据其含义找到知识库中的相关部分。检索到的信息被提供给模型，模型根据相同的上下文生成可理解的结构化响应。最后，将响应显示给用户，如果需要，还可以提供源信息。

控制响应源

该项目的重要考虑因素之一是能够检查信息来源，因此，架构的设计方式使得答案尽可能可追溯到组织来源。此功能对于 B2B 环境尤其重要，因为用户需要知道所提供的信息是在什么基础上形成的。显示或记录源可以简化人工审核过程并增强对系统输出的信心。因此，在该项目中，信息检索的质量与响应生成的质量同样重要。

智能助手用户体验

尽管项目的大部分复杂性都在系统背后，但用户体验从一开始也被视为重要的组成部分。 Arca 用户不应该使用复杂的技术工具，而应该能够像自然对话一样提出问题。用户界面的设计注重简单性，以便用户可以提出问题、获得答案，并在需要时继续基于同一主题的下一个问题。该交互模型允许使用 企业智能助手 无需大量技术培训即可适用于不同的用户。

与组织知识的自然交互

该系统的主要价值之一是将传统的搜索体验转变为对话体验。用户可以用自然语言解释他的问题，而不是搜索多个关键字并检查不同的结果。系统试图识别请求的含义并从组织的资源中提取相关信息。这种交互模型缩小了“存储的信息”和“可用的知识”之间的差距。

复杂问题的管理

并非所有查询都是相同的，有些查询可能需要多个不同的来源。在这种情况下，系统必须能够从多个部分检索相关信息并将它们组合成一致的响应。为Arca设计的架构就是考虑到这一点而开发的，因此该系统不仅仅用于简单的查询。将来，这种功能将使助手能够朝着组织更专业的流程发展。

安全和访问管理

合而为一 企业智能助手，信息安全与AI性能同样重要。并非所有组织文档都必须可供所有用户访问，并且系统架构必须能够区分不同的访问级别。为此，在解决方案的设计中考虑了访问管理的问题，以便在开发路径中，可以将组织的知识连接到不同的角色和权限。目标是防止人工智能成为访问敏感信息的不受欢迎的途径。

访问级别的分离

访问结构可以根据角色、组织单位或信息类型来定义，每个用户只能访问他们需要的一部分知识。除了提高安全性之外，这种方法还使系统的响应适合用户的情况。在大型组织中，这样的架构可以防止内部信息不必要的泄露。从头开始设计这一层也简化了系统未来的开发。

人为控制和监督

该项目中的人工智能并未被定义为完全独立的系统，人类控制仍然是架构的一部分。管理人员可以检查知识来源、信息结构和系统性能，并根据需要进行必要的更改。这在企业环境中尤其重要，因为并非所有响应都应在敏感流程中未经审查就使用。 企业智能助手 当它与人类一起工作时，而不是在不受控制地取代人类时，它才有价值。

Arca系统关键能力

为 Arca 设计的解决方案包含几个主要功能，每个功能都满足该组织的部分需求。主要重点是创建一个灵活的系统，以便将来可以添加新功能，而无需完全重新设计架构。这种方式使得人工智能的投资不再局限于短期项目，而是可以逐步发展。该系统的一些主要特点是：

• 寻找组织文档的含义

• 对话式回答用户的问题

• 将答案连接到专用知识库

• 管理和更新信息源

• 能够定义不同级别的访问权限

• 能够扩展到其他组织流程

可扩展的基础设施

Netanik 的重要决定之一是设计模块化架构，以便系统将来可以连接到其他工具和服务。例如，将助理连接到 CRM、票务系统、项目管理工具或其他内部系统的能力可以将其功能扩展到不仅仅是应答。在这种情况下，人工智能除了信息检索之外，还可以在执行特定流程方面发挥作用。这条路径可以将Arca的基础架构转化为一个 企业人工智能代理 变得更加完整

连接到企业工具

随着架构的发展，未来助手可以连接到内部系统，并从各种来源接收所需的信息。这样的连接需要精确定义权限、API、操作执行规则，使每个动作都能在系统的控制下执行。 Netanik 从一开始的目标就是让项目结构具备这样的扩展能力。因此，Assistant 并不是被设计为一个封闭的产品，而是一个可扩展的基础设施。

项目成果及创造价值

Arca项目的主要价值不能简单地用“回答问题”来概括。更重要的问题是将大量分散的信息转化为员工的交互式可用体验。该系统可以减少信息搜索时间，简化对组织知识的访问，并减少用户对了解文件存储路径的依赖。除此之外，设计的架构为未来开发更多智能功能提供了平台。

改变组织知识的方法

在这样的系统出现之前，许多组织只是以文件和文档的形式存储知识，并期望用户能够在需要时找到它。新方法将知识从档案中取出，并将其转变为用户可以与之交互的交互层。这种转变可以改变员工使用内部信息的方式并创造新的自动化途径。对于 Arca 来说，主要目标是相同的：将现有信息转化为当前可以使用的知识。

Netanik 在该项目中的角色

在这个项目中，Netanik 不仅仅扮演了聊天机器人开发者的角色，还从策略、架构和用户体验的角度对问题进行了研究。从组织需求分析和知识结构设计到RAG架构、交互流程和未来发展路径的定义，解决方案的各个组件一起设计。这种方法使人工智能技术成为真正业务需求的核心，而不是成为一种独立的能力并脱离组织结构。其结果是为 Arca 逐渐走向更广泛的人工智能应用提供了一个可扩展的架构。

Arca智能助手的未来

这个的早期版本 企业智能助手 它可以成为一条更大道路的起点，未来它的能力将扩展到更多领域。连接 CRM、分析客户请求、生成管理报告、自动处理文档以及实施一些组织操作是可能的发展路径。这些能力的加入，使得系统从问答工具更接近于能够在具体流程的实施中发挥作用的智能代理。基本的模块化设计使得可以根据组织的实际需要在正确的时间添加任何功能。

从聊天机器人到人工智能代理

简单的聊天机器人和人工智能代理之间的区别在于系统理解目标、控制资源访问和执行特定操作的能力。 Arca的发展路径也可以从回答信息转向实施定义的流程。在这样的模型中，系统可以接收请求，收集必要的信息，执行某些逻辑并将结果提供给用户。此时人工智能可以从对话界面转变为组织运营基础设施的一部分。

总结

Arca 项目是 Netanik 为企业设计人工智能解决方案的方法的一个例子；在这种方法中，人工智能不能与数字战略和基础设施分开。一 企业智能助手 当它连接到有效的数据、适当的架构、安全性、用户体验和组织的真实流程时，它可以创造真正的价值。在这个项目中，Netanik 尝试设计这样一个基础设施，重点关注 RAG、专有知识和可扩展性。其结果是一个平台可以满足当今组织的需求，并为更先进的人工智能代理铺平道路。