该报告由 DataFun 出品，涵盖腾讯、百度等多家企业在大模型领域的实践成果。通过丰富案例，从技术原理、应用场景、落地挑战与解决方案等维度，展现大模型在多领域的应用现状与发展潜力，为读者提供全面深入的行业洞察。

腾讯混元大模型

RAG 技术：通过数据准备和知识召回生成增强，解决大模型幻觉、知识更新滞后等问题，在文档解析、切分、知识库扩充等方面有优化实践。

GraphRAG 应用：针对角色扮演场景，解决 RAG 缺乏全局信息等局限，构建知识图谱实现高效检索与推理，提升回答准确性与透明性。

Agent 技术：基于目标驱动，结合推理与行动，调用外部工具处理复杂任务，在腾讯云运维平台有成功应用，提升用户体验和工作效率。

百度大模型在研发领域

智能研发工具发展：智能开发工具从辅助编码向协同工作进化，在代码补全、生成能力、理解全库、代码 Debug 和交互方式等方面不断优化。

企业落地经验：通过建立心智认知和增强效果信心，在 Devops 链路融入大模型应用，利用 CICD 确保效果，提升工程师接受度。

开发者实践：开发者应与 AI 协同工作，利用大模型进行代码检索、提供上下文信息、管理知识和协同分工，提高开发效率。

金融风控领域大模型

大模型落地思路：构建包含规划、存储和工具模块的智能体系统，从强化 Tools 和 Planning、Memory 两方面落地，提升风控系统效能。

优化案例：针对 Tools 强化，NLP 和图像反欺诈模型优化减少标注量、缩短交付时间、提升模型效果；针对 Planning 和 Memory 强化，欺诈调查助手和数据分析助手减轻业务人员负担。

B 站大数据智能诊断助手

背景介绍：B 站大数据平台任务量和咨询量大，用户面临任务失败或变慢等问题，智能诊断助手旨在解决私域咨询、诊断、时光机等问题。

原理剖析：架构包含知识库和用户诊断问题两部分，通过构建知识库、解决 Precision 和 Recall 问题、优化提示词和利用 Agent 技术提升诊断能力。

技术落地：通过企微等平台提供咨询和诊断服务，离线诊断和实时诊断分别处理 Spark 和 Flink 作业问题，智能小助手服务四类人群。

小爱同学应用大模型

小爱同学概要：作为 AI 助手，支持多设备和多产品线，利用大模型重构提升产品体验和用户留存。

意图分发：通过大模型微调，判断用户意图并路由，提升中长尾和多轮 query 理解，减少训练数据。

垂域意图理解：采用 function calling 方式，抽象 API 定义，大模型判断并提供参数，优化推理耗时和指令遵循问题。

回复生成：针对大模型回复问题，通过微调使模型具备多种能力，提升回复满足率，未来探索多模态架构。

快手广告领域大模型

广告预估挑战：快手广告面临跨场景跨媒介行为数据利用难和推荐模型缺乏外部知识等问题，大模型应用可解决这些问题。

全域行为利用：COPE 框架通过构建数据集和统一表征模型，增强商品特征，提升全域兴趣建模，在召回、精排等环节取得业务收益。

外部知识利用：LEARN 框架采用离线训练加在线适配范式，将 LLM 知识迁移到推荐系统，在冷启和长尾场景效果显著。

京东健康电商推荐

技术发展回顾：推荐系统结合大模型技术有传统 CTR 模型变大、LLM 增强现有推荐、生成式大模型端到端解决推荐三种思路，大模型可解决数据、网络表达和算力等瓶颈。

健康电商挑战：健康电商推荐系统面临刚需和知识驱动、标品特性、低频购买等挑战，需精准推荐。

落地实践：LLM4CB 解决稀疏行为用户召回，DeepI2I 扩展 I2I 模型处理长尾场景，大模型 CTR 践行 Scaling Law 提升性能。

西门子智能助理实践

背景与方案：西门子中国利用 LLM 打造 “小禹” 聊天机器人，解决内部信息分散等问题，采用 RAG 模型，优化切片、集成多模态数据提升回答准确性。

生态系统与应用：大禹生态系统包含数据集成、AI 层和八大产品线，“小禹” 在销售、IT 服务、产品研发等领域有广泛应用，提升工作效率。

新时代范式：AI 落地需规避陷阱，考虑 ROI，注重技术与商业、人才组织联动转型，推动技术融入业务。