逸迅科技案例
该Agent案例由逸迅科技投递并参与金猿组委会×数据猿×上海大数据联盟共同推出的《2025中国大数据产业年度Data Agent创新应用》榜单/奖项评选。
在全球豪华汽车制造业中，某车企作为领军者，其产品线不仅涵盖了高端乘用车和商用车，还包括了高性能动力系统。该车企以其在智能制造与数字化转型方面的卓越表现而闻名，拥有多个分布于全球的研发中心和生产基地，构建了一个高度全球化、标准化的供应链体系。
在其采购领域，这家企业通过建立高效、透明且合规的采购流程，管理着全球范围内数万种零部件的采购，从原材料到复杂总成件的整个供应链条都被纳入其中。面对如此庞大的供应商网络，确保高质量交付与成本竞争力是采购团队的核心任务之一。
随着市场环境和技术的快速变化，该车企正在寻求采购流程智能化升级的方法，并决定采用企业级AI Agent来增强数据处理能力、优化谈判效率以及实现知识的有效沉淀和复用。
然而，在实际操作中，该车企面临着几大挑战。首先，在成本分析方面，由于采购报价单需要人工梳理，而每一件零部件都关联着大量的详细数据字段，这使得成本深度分析和建模工作量巨大，超出了人工处理的能力范围。这种情况下，分析周期长、响应速度慢，难以满足快速决策的需求。其次，在供应商管理上，每年都需要与数百家全球供应商进行频繁的价格谈判，但这些谈判策略的制定仍主要依赖于个人经验，缺乏足够的数据支持和标准化流程，导致了策略主观性强、关键信息易遗漏以及团队协作效率低的问题。最后，由于缺乏有效的采购知识库管理体系，历史谈判记录、定价策略和供应商评估结果等宝贵经验无法得到有效保存和共享，造成了新员工培训困难、“人走茶凉”的知识断层现象，极大地浪费了人力和时间资源。
为了解决这些问题，引入企业级Data Agent成为了必然选择。通过AI技术的应用，不仅能大幅提高数据处理能力和分析效率，还能基于数据分析提供更加科学合理的谈判策略建议，同时实现采购知识的有效积累和复用，从而全面提升采购部门的工作效能。这一举措标志着该车企在迈向智能化采购管理道路上迈出了重要的一步。
时间周期：
项目开始时间：2024.7
中间重要时间节点：
·需求收集与数据治理
业务场景定义：2024.7~2024.8
数仓搭建+数据清洗：2024.9~2024.10
·Data Agent核心构建与模型微调
SFT模型微调与SQL生成器开发：2024.11~2024.12
Data Agent模块内测：2025.1~2025.2
·非结构化知识融合与多代理升级
Knowledge Chatbot上线：2025.3~2025.4
Multi-Agent 对抗机制实装：2025.5
·鉴权管理与企业知识库构建功能上线
动态权限与行级安全部署：2025.6
企业知识库模块上线：2025.7
·全量交付
双层反馈驱动优化与验收：2025.8~2025.9
项目完结时间：2025.9
Data Agent 应用需求
客户需求：
1.将分散的采购文档整合并转化为结构化的数据存储体系，实现信息的统一管理和高效调用。
2.构建人工智能模型，支持多维度、精细化的成本分析，为采购决策提供数据驱动的洞察。
3.通过AI驱动的智能聊天机器人，自动识别潜在的成本优化机会，助力采购团队精准施策。
4.借助基于提示的对话式助手，高效提炼和归档关键谈判成果，持续沉淀组织级采购专业知识，打造可复用的知识资产库。
解决方案：
1.构建结构化数据仓库，实现百万级零部件数据的统一管理与智能分析
逸迅科技通过自研的数据智能引擎，将原本分散于数万离散在采购报价单中的零部件数据，转化为统一的结构化数据资产，打通采购全流程的数据链条。通过AI驱动的多维成本建模与自动化分析，实现从“人工处理”到“智能洞察”的转变。可提供的功能如下：
·高精度数据解析系统：基于自研NLP与表格识别技术，精准提取采购报价单中嵌套表格、参数字段等复杂内容，字段抽取准确率达95.7%，显著优于传统OCR方案；
·多维度成本分析模型：支持按零件类别、供应商、历史价格趋势等维度构建成本构成模型，辅助识别异常报价与潜在降本空间；
·实时数据更新机制：支持新报价数据自动接入并同步至知识库，保障分析结果始终基于最新信息，提升决策时效性。
2.部署【Data Agent】，辅助生成数据驱动的谈判策略与应急预案
在逸迅科技自研的Alaya平台的赋能下，Data Agent深度整合历史谈判记录、供应商行为模式与成本数据，为采购人员提供智能策略建议、风险预警与自然语言数据问答能力。同时，基于企业级权限体系，确保敏感信息仅对授权人员可见，兼顾智能体验与数据安全。可提供的功能如下：
·自然语言数据问答：支持用户以口语化提问方式（如“Q3从博世采购的ESP零件均价是多少？”）实时查询百万级零部件数据，系统自动解析意图、调用结构化数据仓库，并返回精准结果与可视化图表；
·智能数据分析与洞察：除了提供基础的数据检索功能外，Data Agent还能进行深度数据分析，并根据用户的提问自动生成洞察。例如，当被问及“哪些因素导致了最近的成本上涨？”时，Data Agent不仅会列出相关因素，还会提供基于历史数据的趋势分析和预测模型，帮助用户更好地理解现状并规划未来行动。
·智能策略推荐引擎：基于历史谈判成果与成本模型，自动识别高潜力降价杠杆，推荐优先级排序及谈判话术，提升策略制定效率与一致性；
·细粒度权限管控机制：支持按组织架构、角色、项目组等维度配置数据访问权限，确保用户仅能查看其职责范围内的供应商、零件或成本信息，满足宝马集团对数据合规性与安全性的高标准要求。
·快速验证数据：无需依赖IT支持即可快速完成结果验证，提升对智能建议的信任与采纳效率。
3.构建企业知识库，实现知识沉淀与传承
在逸迅科技自研的Alaya平台的支持下，企业员工可将个人经验与最佳实践上传至企业级知识库，并允许他人通过精准的AI问答实现知识的快速检索与高效复用。多人协作的知识体系打破信息孤岛，助力团队协同决策与能力传承。可提供的功能如下：
·高精准RAG检索系统：基于Alaya核心的知识构建与RAG技术，实现用户问题到答案的端到端准确率超过90%，支撑复杂采购场景下的真实应用需求；
·企业级文档管控：支持对知识库、Data Agent及工作流按组织架构、角色和权限进行细粒度管控，涵盖文档权限、版本管理、时效性及合规性审核，满足企业级数据安全与治理要求。
面临挑战
在为该车企开发采购助手Data Agent项目的过程中，我们遇到了一系列典型且具有行业代表性的挑战。这些问题不仅源于汽车行业本身的复杂性，也反映了企业级AI数据智能产品在真实业务场景中落地的普遍难点。
首先，数据分散与非结构化问题极为突出。该车企的采购数据长期散落在数万份格式各异的PDF报价单、Excel表格、邮件附件以及SAP等ERP系统中。不同供应商提交的报价模板差异巨大，同一零部件在不同系统中的编码、命名规则甚至计量单位都不统一，导致数据难以对齐。更棘手的是，大量关键信息，比如是否含税、模具分摊方式、最小起订量等信息均隐藏在非结构化文本或扫描版文档中，传统OCR和规则引擎无法准确提取，严重制约了后续分析的准确性。
其次，业务逻辑高度复杂且隐性化。汽车采购涉及原材料、二级供应商、工艺路线、物流成本、关税政策等多维因素，而许多定价规则仅存在于资深采购员的经验中，未被显性化或文档化。例如，电子件和冲压件的成本模型完全不同，但初期我们试图用统一Agent覆盖所有品类，结果导致分析偏差。此外，车企对数据安全和合规要求极为严格，部分敏感谈判记录无法用于模型训练，限制了Agent的知识广度。
第三，技术落地面临工程化瓶颈。一方面，大模型在缺乏明确依据时容易产生“幻觉”，比如虚构一个看似合理的降本比例，这在高风险采购决策中不可接受；我们必须构建严格的溯源机制和拒答策略。另一方面，与客户老旧IT系统集成困难，实时数据同步延迟高，权限体系复杂，导致Agent无法动态适配不同角色的数据视图。
最后，组织协同与用户预期管理也是隐形障碍。采购、成本工程、研发等部门目标不一致，数据口径难统一；业务专家时间紧张，不愿配合标注或验证结果。同时，用户初期期望过高，比如某领导希望“问一句就能输出最优谈判策略”，而实际效果需依赖高质量数据和持续迭代。
这些挑战促使我们从单纯的技术交付转向“数据+流程+组织”三位一体的解决方案设计，最终才实现从“能用”到“可信、可用、可沉淀”的跨越。
战略目标
在智能时代，真正的企业竞争力不再仅仅源于规模或资源，而在于组织是否具备基于数据做出高质量决策的能力。对这家全球领先的豪华车企而言，“数据驱动决策”已超越工具层面的优化，上升为一场深刻的管理范式变革,它意味着告别“拍脑袋”“凭资历”“靠感觉”的传统决策惯性，转向以事实为锚、以洞察为帆的理性治理模式。
采购作为连接研发、制造与供应链的核心枢纽，其决策质量直接影响成本结构、交付效率乃至产品竞争力。当企业将“数据驱动”确立为采购体系的战略内核，实质上是在构建一种新的组织信仰：信任数据胜过信任直觉，重视证据高于依赖权威。这种文化鼓励员工提出可验证的问题、追求可量化的答案，并在不断试错与学习中优化判断。无论是评估一个新供应商的引入风险，还是判断某类零部件是否存在结构性降本空间，决策依据都来自系统化积累的数据资产，而非偶然经验。
更重要的是，数据驱动决策不是静态的流程固化，而是一种动态的组织学习机制。每一次采购行为产生的数据，都会反哺模型、丰富知识、校准策略，使整个体系越用越聪明。久而久之，企业不仅拥有了“看得清现状”的能力，更具备了“预判未来趋势”的智慧。这种由数据滋养出的前瞻性与敏捷性，将成为企业在技术迭代加速、供应链波动加剧的复杂环境中最坚实的护城河。
因此，推动数据驱动决策，本质上是在锻造一家企业的“理性基因”——让科学精神渗透进每一个业务角落，让高质量决策成为组织的本能反应。这不仅是数字化转型的终点，更是迈向卓越运营的新起点。
实施与部署过程
1.核心职能角色
1）业务分析师：负责解读报价分析单的复杂业务逻辑与字段定义，将“多维成本分析”需求转化为明确的技术指标，并制定Agent的谈判话术标准与最终验收准则。
2）数据工程师：负责搭建项目的核心数据底座，通过ETL技术清洗各类离散、异构的报价分析文件（Excel/PDF），将其转化为标准化的结构化数据库。
3）AI工程师：负责构建智能决策大脑，包括利用Text-to-SQL/Code Generation技术让模型能够自主生成查询代码以提取精准的数据库指标，搭建垂直领RAG系统以精准定位非结构化报价分析文档中的上下文，设计Agent思维链与工具调用逻辑以支持复杂的成本推理与数值计算，并建立严格的防幻觉评测与护栏机制，确保数据回答的准确性与严肃性。。
4）前后端开发工程师：负责全栈平台的落地与集成，开发用户交互界面并串联底层数据与模型，同时实施严格的企业级权限管控，保障车企核心价格数据的安全闭环。
2.系统架构
1)基础设施与数据源层：作为系统的算力与资源基座，该层深度整合了通用大模型的逻辑推理能力与车企海量的多模态业务数据。它不仅通过连接器接入了企业ERP/SRM数据库中的结构化数据（如历史采购订单、BOM成本表），还全面覆盖了PDF合同、审计报告、技术规格书等非结构化文档，同时融合了模型自带的通用商业知识，为上层应用提供了全量且真实的“采购业务原油”。
2)数据治理与处理层：将杂乱的采购数据转化为模型可理解的高质量语料。通过调用专门的数据清洗模型，该层执行文档切片、异常数据去除和标准化处理，并利用Q-A对自动构建与数据蒸馏技术，将复杂的采购业务规则转化为知识片段，从根源上解决因数据质量差导致的Agent答非所问或产生幻觉的问题。
3)Agent开发与应用编排：作为直接面向业务交付的总装车间与服务平台，该层负责将治理好的数据与模型能力封装为具体的业务应用。开发者在此通过流程调度定义复杂的采购查询SOP，构建向量知识库，并进行系统集成管理，最终将生成的Data Agent以标准API服务的形式发布，无缝嵌入到采购人员日常使用的办公软件或业务系统中。
3.核心技术
1)高精度数据解析系统
·核心难点：采购报价单格式多样，包含PDF、Excel和图片，且存在复杂的嵌套表格和非标准字段。
·技术方案：
（1）布局分析：使用基于视觉的模型对文档进行区块检测，先区分出标题、正文段落、表格区域、盖章区域。
（2）表格结构还原：针对嵌套表格，采用TSR算法。它不仅能识别单元格文字，还能识别行列合并关系，还原表格的层级结构。
（3）LLM语义抽取：放弃传统的正则匹配，改用LLM进行字段提取。将OCR 识别后的文本块+原始表格结构作为Prompt输入给LLM，配合Few-Shot提示，让LLM自动将不同供应商的表头统一映射为标准字段unit_price。
（4）校验逻辑：建立规则引擎，比如数量*单价=总价。如果算术不匹配，自动标记为“置信度低”，转人工复核。
2）Text-to-SQL+RAG混合架构
·垂直领域认知增强技术
（1）混合知识增强：结合S11，系统在处理查询时，不仅检索数据库 Schema，还通过RAG技术检索非结构化的“采购知识库”，确保模型理解“降本率”、“PPV”等专业概念。
（2）双层反馈进化：基于S12，利用历史高频问答构建缓存与反馈机制。系统能通过用户反馈不断自我优化，越用越准，大幅降低推理延迟。
（3）领域模型微调：基于S0，使用企业私有数据对基座模型进行Post-training，使其具备特定行业的逻辑推理能力。
·多代理对抗与自愈机制
（1）多智能体反思：对应S21，引入“Critic Agent”角色。在生成SQL后，不由同一模型直接执行，而是由另一个代理进行逻辑审查（比如：“这个查询是否漏了时间限制？”），通过多轮辩论确保逻辑闭环。
（2）代码自愈纠错：对应S22，通过静态代码分析器预执行SQL。一旦报错，系统会自动捕获错误码（如Syntax Error），并将错误信息回传给LLM进行二次修正，直至SQL可执行。
·动态安全围栏与行级鉴权
（1）SQL动态注入：对应S23，系统不直接执行Agent生成的SQL。而是在执行前，根据当前用户的ID和角色（Role），强制在SQL的WHERE子句中注入权限过滤条件（例如：强制追加AND factory_id='A'）。
（2）逻辑隔离：实现了自然语言意图到物理数据权限的自动映射，从根源上杜绝了越权查询风险。
·智能洞察与多模态生成
（1）自适应可视化：对应S31，系统根据返回数据的特征（是时间序列、占比分布还是对比关系），自动推荐并生成最佳的图表类型（折线图、饼图、柱状图），无需人工配置。
（2）多模态叙事：对应S33，结合RAG检索到的文档和SQL查出的数据，生成“图表+文字分析报告”，直接给出业务建议，而非冷冰冰的数字。
4.重要产品
·Data Agent：一款对话式商业智能工具，即Data Agent。它打破了传统报表系统的僵化模式，允许业务人员通过自然语言与企业的结构化数据库进行实时交互，，即时查询并对比零部件成本、历史价格趋势及供应商份额。系统不仅能秒级生成可视化图表，更能基于内置的归因模型自动输出业务洞察，比如识别材料成本差异、推荐国产化替代方案，并提供从数据结果到计算逻辑的全链路透明展示，帮助采购员在谈判中实现基于数据的精准决策。
·Knowledge Chatbot：面向采购全流程的智能业务咨询助手，充当业务人员的“合规顾问”与“技术参谋”。该模块基于RAG技术，激活了沉淀在企业内部的海量非结构化资产，支持用户针对复杂的采购SOP流程、内控合规红线、历史合同条款或技术规格书进行自然语言提问。它能迅速从数万份文档中跨源检索并精准定位依据，有效解决了人工查阅效率低下及经验传承断层的问题，为采购合规与风控提供全天候的智力支持。
·Enterprise Knowledge：赋予一线业务人员自主权的知识库构建与管理中心。作为连接个人业务资料与企业公共知识资产的桥梁，它支持用户通过拖拽方式自助上传报价单、审计报告、行业标准等多种格式的本地文件（PDF/Word/Excel）。通过内置的高精度OCR与文档解析引擎，该模块能即时提取文件中的关键信息并完成向量化处理，将其实时同步至系统的检索范围中，确保AI的回答始终基于最新、最鲜活的业务事实，解决了传统知识库更新滞后、难以覆盖临时性业务资料的痛点。
5.创新思维
1）认知范式融合：从“割裂查询”到“数文联动”
打破传统BI与文档管理系统的界限，创新构建了ChatBI+Knowledge Chatbot双引擎架构。系统不仅能计算复杂的成本数据，更能实时关联分析合同条款与技术文档，实现从单一数据呈现到立体化“归因洞察”的跨越，让决策既有数据支撑又有法规依据。
2）知识生态重塑：从“静态维护”到“实时自生长”
突破传统企业知识库依赖IT统一维护的时效瓶颈，通过Enterprise Knowledge机制，赋予一线业务人员自助上传文件的权限，将原本离散在个人电脑里的报价单和临时文件，即时转化为企业共享的最新知识资产，实现知识库的动态自愈与生长。
3）可信架构突破：从“概率生成”到“严谨决断”
针对车企采购对数据准确性的苛刻要求，引用业界比较主流的Multi-Agent对抗与反思机制。通过引入“批评者”角色对生成的SQL进行逻辑互斥校验，结合统一语义层管控，将大模型的发散性创造力约束为金融级的执行精确力，解决AI在严肃商业场景落地的信任难题。
4）交互体验降维：从“技术门槛”到“语言即接口”
实现数据能力的彻底平权。利用Text-to-SQL技术将复杂的数据库查询逻辑封装于无形，让不懂SQL代码的采购人员通过自然语言即可调取百万级零件数据，将数据分析能力从少数分析师手中，真正下放到听得见炮火的一线业务端。
6、团队配合
本项目采用了“领域专家与技术极客共创”的敏捷协作模式，组建了由业务分析师、数据工程师与算法工程师构成的混合特战队。在执行过程中，业务团队作为“知识架构师”深度介入，将复杂的采购术语与合规SOP精确翻译为系统的统一语义层逻辑；技术团队则通过Multi-Agent对抗机制与百万级异构数据治理夯实底层能力；双方最终建立起高效的“专家在环”反馈闭环，将一线业务员的每一次纠错即时转化为模型微调语料，通过这种“业务定义规则、技术保障落地、反馈驱动迭代”的深度耦合，确保了Alaya系统在复杂场景下兼具金融级的准确性与专家级的逻辑判断力。
合作服务效果
在当今竞争激烈的商业环境中，采购部门面临着巨大的挑战，包括如何高效管理百万级零部件的数据、制定科学谈判策略以及实现即时响应和高效协同。逸迅科技基于结构化数据仓库与Data Agent能力的解决方案，为这些问题提供了一条有效的路径。
首先，在业务价值方面，该方案成功地打通了百万级零部件的数据孤岛，实现了高效智能的成本分析。通过将数万零部件、数百个字段的离散采购报价单整合为统一的数据资产，不仅消除了信息碎片化的问题，还大幅提升了数据分析的速度。传统的Excel手动处理方式被革新，成本对标报告生成时间缩短60%以上，使得决策响应速度显著加快。
其次，构建了一个数据驱动的谈判策略引擎，这标志着从“经验判断”到“智能推荐”的重要转变。利用历史谈判数据与大语言模型，系统能够自动生成潜在降价杠杆、风险预警与应急预案，确保不同区域和团队面对数百个供应商时策略一致，减少沟通成本与决策偏差。这种方法预计能提升5-8%的潜在成本节约机会。
此外，采用逸迅科技自研的Alaya平台（Data Agent构建平台）的RAG增强检索与Chatbot技术，提供对话式精准知识服务，实现了即时响应与高效协同。这种技术支持下的智能问答系统，不仅能以自然语言查询技术细节，准确定位分散的知识内容，还能大幅减少技术支持响应时间约80%，极大提高了跨部门协作效率与满意度。
采购团队反馈显示，初期使用阶段就已显著感受到效率的提升，特别是在复杂零件处理和多轮谈判中表现尤为突出。零部件数据的结构化与AI辅助分析减少了人为误差与重复劳动，使成本对标与降本机会识别更加高效准确。
关于企业
·逸迅科技
上海逸迅信息科技有限公司（简称“逸迅科技”）2012年成立于张江，作为上海首批入库数商（数据技术型），聚焦于数据智能、智慧城市、物联网、智能运维、数字孪生等领域，基于自主研发的全栈数据产品技术底座，为政府、制造、能源、交通运输等行业客户提供一站式数智化解决方案，助力数据业务应用及产业落地，辅助业务决策，加快数字化及数智化转型速度。
·德国知名车企
在全球豪华汽车制造业中，该德国知名车企作为领军者，其产品线不仅涵盖了高端乘用车和商用车，还包括了高性能动力系统。该车企以其在智能制造与数字化转型方面的卓越表现而闻名，并拥有多个分布于全球的研发中心和生产基地。
★以上由逸迅科技投递申报的Agent案例，最终将会角逐由金猿组委会×数据猿×上海大数据联盟联合推出的《2025中国大数据产业年度Data Agent创新应用》榜单/奖项。
该榜单最终将于1月上旬上海举办的“2025第八届金猿大数据产业发展论坛——暨AI Infra & Data Agent趋势论坛”现场首次揭晓榜单，并举行颁奖仪式，欢迎报名莅临现场。
热门跟贴