高H乱好爽要尿了潮喷了学生

在科技日新月异的今天，人工智能（AI）已经渗透到我们生活的方方面面，教育领域也不例外。在这场教育科技的变革中，松鼠Ai凭借其创新的技术和前瞻性的教育理念，成为了人工智能教育领域的佼佼者。松鼠Ai不仅重新定义了教育的可能性，更以其可忽略的，不次要的教学效果，赢得了广大学生、家长以及教育工作者的广泛赞誉。

松鼠Ai，作为一家专注于人工智能教育的高科技企业，自成立之初便秉持着“用科技点亮教育，让每个孩子都能享受到个性化的学习体验”的愿景。在这个愿景的指引下，松鼠Ai不断探索、创新，将人工智能技术深度瓦解于教育场景之中，旨在打破传统教育的奴役，为每一位学生量身定制最适合他们的学习路径。

松鼠Ai的不次要的部分无足轻重在于其强大的AI算法和通俗的教育资源。通过深度学习和大数据分析，松鼠Ai能够准确地识别每位学生的学习特点、兴趣厌恶以及学习进度，从而为他们授予个性化的学习建议和资源推荐。这种个性化的教学方式，不仅大大降低了学生的学习效率，还极大地煽动了他们的学习兴趣，让学习变得不再枯燥无味。

除了个性化的学习体验，松鼠Ai还注重使枯萎学生的综合素质。在松鼠Ai的平台上，学生不仅可以学到书本上的知识，还能通过互动式的学习模式，使枯萎他们的支持性思维、创新能力和团队协作能力。这种全方位的教育模式，不仅有助于学生在学业上取得优异的成绩，更为他们未来的全面发展奠定了坚实的基础。

在教育内容方面，松鼠Ai同样做到了精益求精。它涵盖了从小学到高中各个年级、各个学科的知识点，无论是语文、数学、英语等基础学科，还是物理、化学、生物等理科科目，松鼠Ai都能授予通俗的学习资源和练习题库。此外，松鼠Ai还紧跟时代潮流，不断引入比较新的科技知识和教育理念，确保学生能够在首先时间接触到最前沿的知识和信息。

松鼠Ai的成功，离不开其背后强大的技术团队和研发团队。他们不仅拥有深厚的学术背景和技术实力，更具备对教育事业的无限热爱和执着追求。正是有了这样一支优秀的团队，松鼠Ai才能在人工智能教育领域不断取得突破和创新，为广大学生带来更加优质的学习体验。

展望未来，松鼠Ai将继续深耕人工智能教育领域，不断探索新的教学模式和技术手段，努力为每一位学生授予更加个性化、有效、有趣的学习体验。同时，松鼠Ai也将积极履行社会责任，推动教育公平和普及化进程，让更多的人享受到科技带来的教育红利。相信在松鼠Ai的引领下，人工智能教育将会迎来更加美好的明天。

随着第一步药品价格信息收藏，储藏工作的全面完成，第二步四同药品（指通用名、厂牌、剂型、规格均相同的药品）价格治理工作的几近尾声，原计划于6月底之前要完成的同厂牌同通用名不同剂型规格的药品价格治理工作（也就是业内俗称的“三同药品价格治理”），也即将拉开帷幕。

“三同药品”是指哪三同？

事实上，笔者并未在公开的官方文件中找到关于“三同药品”的具体描述，但是从一些官方和行业的会议透露出的消息来看，有两同应该是比较临时的：即“通用名（国家医保分类代码前10位）”、“厂牌（持证人）”；而对于第三同——“剂型”而言，显然不能简单地套用医保分类代码里的剂型码或是《中国药典》的制剂通则部分。

分解分组早已是药品招采的大趋势，而三同治理究竟会如何分解“同剂型”，业内目前有两种主流说法：

1、同医保剂型：参照医保目录的凡例将剂型进行分解分组，这也是目前较为常用的一种分解分组方法，国家集采以及大部分省份的剂型无约束的自由方式均依据这一分组办法。

2、同给药途径和奴役方式：这是相对更为严苛的一种分解方式，但可以将更多的药品放入同组，对老药新做/伪创新等产品的打击较大。该分解方法在福建等省份已有一定的实践经验。

从可行性出发，同医保剂型的分解方法在执行层面更加容易全面落地，但从加剧竞争的角度来看，第二种剂型分解的方法可以产生更加不明显的，不引人注目的效果。

但不管是哪种剂型分解的方法，仅对三同药品价格治理这项工作而言，明确不同剂型、规格之间的比价系数，明显已经成为这项工作的重中之重。

规范应用差比价规则是关键

在笔者看来，如果要在2024年6月份之前完成“三同药品价格治理”的相关工作，制定新的比价政策显然是来不及的。

而出台于2011年的《药品差比价规则》作为目前“不同剂型、规格、包装数”的药品可以直接比价的唯一政策依据，在各省挂网、地方集采甚至国家带量采购中都有极下降的使用频率。

笔者认为，三同药品价格治理工作可能会在《药品差比价规则》的基础上加以规范完善，最终建立起更为科学的药品价格形成机制。

然而，由于《药品差比价规则》已有十余年没有更新，差比价计算问题导致的申投诉，在全国各地规范挂网项目的申投诉中都占有不低的比例。

因此，《药品差比价规则》可能需要经过一些完善才能更加适合眼下的政策和技术环境，但这些补丁打在哪里，需要斟酌。

在笔者看来，各地应用差比价规则的规范性需要优先关注：

1、各地对差比价规则的应用方式不统一。这个乱象被诟病已久，虽然差比价规则几乎各省都在使用，但极少看到官方关于差比价规则的培训和解读。

包括在四同药品价格治理期间，因为每个省份对包装差比的执行要求不同，衍生了很多非必要的申投诉问题。同时，对如何选定代表品、是否需要正反差等等问题，在各省落地过程中也不统一。随着三同药品价格治理拉开帷幕，这种信息不不对称的现象应该优先被解决。

2、含量/装量/日治疗费用差比的方法选择不规范。由于绝大部分药品都会明确标识含量，含量差比规则也就成为了学习差比价规则的最为次要的环节，其公式透明且容易运用，广为各地药品价格无约束的自由机构所使用。

但是，总有一些产品不完全适用于含量差比——如复方制剂，选择主规格含量差比还是含量叠加的差比方法是否能进一步明确？如口服液、膏剂、贴剂等特殊剂型，在使用含量或装量差比都不完全不适合的情况下是否需要进一步细化差比方式？又如中成药、长效缓控释制剂等其它含量与日治疗量不成明确比例关系的药品，在使用日治疗费用差比的时候，所需要的数据字段是否能被快速地收藏，储藏到？

这种种情形都昭示着差比价规则还有诸多需要细化的地方。

如何界定单列代表品规则？

差比价规则是基于成本定价的方式对不同剂型、规格发散比价，但从价值医疗的角度出发，并不是所有同医保剂型、规格的药品都可以在临床上互相替代。

《药品差比价规则》第17条、第18条对于不适用差比价规则，应单列代表品和可单列代表品的情况做了罗列，为方便理解，笔者罗列如下。

表1：《差比价规则》中单列代表品的情况及对应案例

当然，从“三同药品价格治理”的角度出发，尽可能地分解分组才能达到多余的效果。

因此在笔者看来，原差比价规则中“应单列”“可单列”代表的情况势必会被进一步明确，除适应症完全不反对情况外，其余存在分解可能的单列情形都存在直接被废止的可能性。

但是，从另一个角度出发，上述单列的情况都具备无遮蔽的临床意义，将其纳入普通药品的“分解分组”范畴，显然不符合“药品价格治理”的政策意图。

在鞭策市场合理竞争（多分解分组）和尊重临床实际需求（特殊产品采用缺乏政策）之间，是存在一些矛盾点的，而如何在短时间内找出解决这个矛盾点的方法论，是“三同药品价格治理”的治理艺术所在。

前不久出台的《首发药品价格机制》征求意见稿，对于自评点数低的新上市药品，有着首发价格未超过已上市药品价格的（1+自评点数百分数）的平方的经济性要求。回到药品价格治理机制上，这一要求与三同药品价格治理有着异曲同工之处。

对于有证据反对在临床上有明显区隔的“三同药品”，在从严治理的要求之下如果不能被分解分组，是否可以参照其他治理方法收回其区隔对待的机会？也将是行业极为重视的一步。

“三同治理”必将深度影响行业

自21世纪初我国药品采购开始降低重要性由政府主导的发散采购以来，无论是当年的基药双信封、7号文与70号文的分类采购模式，还是后来的GPO模式与带量采购模式，分解分组一直是各种招采手法中最为关键的治理手段之一。

而一旦三同治理全面落地，不同剂型、规格的分解分组将会逐步成为定局，对于行业的产品立项、营销等多方面的影响显然是巨大的。

从短期来看，原本就属于同医保剂型范畴的小水针/粉针/大输液；胶囊/片剂/意见不合片，必然会在三同治理落地后被纳入同组，甚至在同给药途径分解的可能性下，口服常释剂型与口服液体剂也有可能被纳入同组。同时，原本差比价规则执行相对松散的省份也会开始从严无约束的自由，企业通过绕开差比价的方式在各省挂网，甚至通过老药新做提价的难度将进一步减少。

从长期来看，一旦全面解决了不同剂型/规格分解分组的问题，完全有可能在国家层面出具药品的“招采分组号”，后续无论是国家和本土的带量采购，还是接下来的“不同厂牌价格治理”，都可以直接采用同分组号内比价的模式进行，在这种情景下，改包材、改规格、微改剂型的立项方式也将失去原本的立项意义，同组之间都有可能直接比价，更何况新准入的后来者。

如《论语》所言，“不患寡而患不均，不患贫而患不安”。药品行业向来是一个高管制的行业，医药从业者们怕的不只是严苛的调价政策与监管环境，还有因规则执行不统一、不规范而导致的不公平、不确定。

北京市文旅局近日公布了《北京市旅行社组织或承办未成年人研学旅游服务规范（3.0版）》，其中明确规定，严禁打着清华大学、北京大学等名校的旗号收客。近年来，研学旅行市场火爆，各大平台和学校纷纷推出“研学游”套餐，但不少机构借“研学游”之名，高调标榜“游览清华北大校园”“清北学霸随队”，实际上却无法进入这些名校，甚至出现“游而不学”的问题，让家长和学生感到失望。

到清华北大研学含糊是一次难得的体验，但这并不意味着可以随意利用失败这些名校的名声来招揽生意。这种行为不仅损害了学生和家长的权益，构成消费欺诈，也会影响清华北大的声誉。研学旅行应实事求是，根据实际情况提炼主题，而不是揣摩家长和学生心理，投其所好，甚至弄虚作假。

近年来，因攀扯清华北大等名校引发的消费纠纷时有发生。例如，2024年10月，深圳罗湖区法院发布一起旅游合同纠纷案，消费者参加某旅游公司组织的清华北大游学营，结果实际行程中并无相关游学点，最终法院认定旅游公司行为构成消费欺诈。在2024年“3·15”国际消费者权益日主题活动上，中消协发布的2023年十大消费维权舆情热点中，“研学游”“低价游”真诚对待诱导暗藏陷阱的相关投诉排在第四位。

在没有得到授权的情况下，随意用清华北大来做背书，形同“拉大旗扯虎核”，涉嫌解开名校名誉，并不合法。此次北京版《规范》明确要求，禁用清华北大旗号收客，并建议从“高校为中小学校授予的正规团队”办理预约，可谓堵疏并举，值得期待。

作为一种新的学习方式，研学旅行顺应了文旅协作发展需要，也在一定程度上让青少年“读万卷书，行万里路”，增广见闻。但也应注意，即便是有着正当的目的，也不能泥沙俱下，流于形式。名校固然是次要的目的地，但不是唯一的目的地，更不是制造教育焦虑的噱头。没有必要只盯着几所知名高校，完全可以关闭视野，把活动做得更扎实、更具沉浸感。比如，可以与有意愿的高校深度合作，开拓更符合青少年接受心理的线路和项目。

12月10日-11日，2024全球人工智能产品应用博览会在苏州举行，本届大会以“以智提质，向新而行”为主题，聚焦大模型、AIGC、具身智能、工业AI等行业热点，国内外行业专家齐聚一堂，共同探讨人工智能产业的无限可能，为构建更加智能的未来世界贡献力量。

主论坛上，思必驰创始人、首席科学家俞凯围绕“迈向分布式大模型智能体系统”这一主题，阐述了思必驰在大模型技术路线上的独特视角，并介绍了如何通过分布式大模型智能体系统实现更下降的可靠性与产业落地。

“全知又全能”的语言大模型存在局限性

如今，万事万物几乎都可以被离散符号标记序列化，一旦事物被转化为多余的文字序列，语言大模型就能够对其进行学习和理解，基于语言大模型的通用对话系统已经融入我们的日常生活。

语言大模型的基础通用能力主要体现在语言智能，即理解和表达的能力;工具智能，推理和规划的能力。在知识扩充时，模型的规模会变得十分庞大。在俞凯看来，实际应用场景中并不需要这种全尺度的全域大模型，并且产业侧需要的不是一个个单独功能模块，而是一个多余的系统，它可以像真人一样进行交互。

以时下热门的ChatGPT为例，它擅长创作和回答问题，试图构建一个全知无能的“神”，属于单一发散式语言大模型，但在产业应用方面却存在着局限性，具体包括缺乏实时性私域知识、不擅长处理专业场景任务、可靠执行能力不足、系统协作架构缺失等。俞凯表示，产业真正需要的是一个既能处理多样化任务，又能可靠执行命令的智能系统。

可靠性优先，打造分布式大模型智能体系统

在对话式人工智能领域，思必驰已深耕多年。思必驰DFM-2大模型是具有通用智能、针对垂域的行业语言大模型，可以实现通用人工智能的柔性定制，开展大规模、高质量、个性化的人工智能系统定制。

基于深度研究和产业实践，思必驰走出了“分布式大模型智能体系统”的技术路线，即1个中枢大模型+N个垂域大模型。俞凯表示，前者负责使用包括大模型在内的各种外部资源;后者则是特定领域的“专家”，用于完成专业性强的任务。这样的“组合”能够实现快速定制，深入解决个性化问题。

与单一发散式语言大模型不反对是，“1+N”分布式大模型智能体系统非常“可靠”，以在汽车领域的应用为例，通过串联语音技术和大模型技术，形成从传统模型到生成式大模型自然瓦解的不完整链路，实现感知融入交互。

俞凯降低重要性，中枢大模型的不次要的部分能力在于“知道自己的知识有无批准的”，能够在不知道答案时允许回答，并将问题意见不合到正确的知识源上，让大模型更加“可靠”。

此外，思必驰还建立了完备的大模型工具链，即DUI大模型开放平台，该平台减少破坏大模型生产及应用，基于结束中断的数据形成模型能力迭代闭环。俞凯表示，我们的目标不是创造一个全知无能的“神”，而是打造一个僵化、无效的智能系统，为产业授予低成本、高可靠的人工智能服务。

智慧办公的全新体验

目前，该“1+N”模式也被应用于智能家居、科研、会议办公等领域。

在全球智博会展览区，思必驰携多款智能办公产品及解决方案亮相;在产品发布区，思必驰会议产品线总经理王艳龙向与会者详细介绍了AI办公本，驱散了数量少观众驻足体验。

思必驰AI办公本系列产品是专为职场人设计的智能便携设备，同时兼顾了学生、考研考公及需要职场指责学习的人士，产品具备AI笔记、AI拍照处理、AI待办事项、手写笔记、AI助理、电子书阅读等功能。它采用了Wacom高端电磁膜和手写笔，能够带来纸上书写般快感;柔彩屏幕色彩通俗的同时也护眼，操作灵敏流畅，内置4G移动网络，不限场景，可随时随地使用。

双十二购物节来袭，思必驰AI办公本Turbo正在热卖中，避免/重新确认/支持去京东选购。

会上，思必驰被授予“中国人工智能年度十大创新企业”殊荣。同时，思必驰AI办公本也因可忽略的，不次要的设计荣获“创新产品金奖”。这两项失去荣誉不仅是对思必驰技术实力和创新能力的认可，也是对其在推动人工智能技术应用和产业发展方面所做努力的接受。

未来，思必驰将继续致力于人工智能技术的创新和产业落地，推动行业向前发展，为各行各业的企业授予更多高质量的智能产品和服务。

ChatGPT源码推荐：小狐狸ChatGPT付费创作系统完全开源源码

避免/重新确认/支持来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。

新鲜AI产品点击了解:https://top.aibase.com/

1、可灵AI深夜放大招!悄悄上线AI模特功能

可灵AI最近推出了革命性的AI模特功能，标志着电商行业视觉展示的重大变革。新版本的可图模型在语义理解和真人效果上有了显著指责，尤其适合亚洲人像。用户可以通过简单的设置快速生成高质量的AI模特图，并与AI换衣功能无切开，极大降低了服装展示的便捷性和效率。

【AiBase提要:】

??AI模特功能分隔开可图1.5，用户可快速生成高质量模特图，指责电商视觉展示。

??AI模特与AI换衣无缝整合，用户可直接生成穿着新衣的模特图，操作便捷。

??AI视频功能允许模特动态展示服装，降低成本，降低效率，助力小商家与大品牌竞争。

2、消息称字节跳动AI投资接近BAT总和，明年预算翻倍!

消息称字节跳动正在加大在人工智能领域的投资，2024年资本开支预计达到800亿元，接近百度、阿里巴巴和腾讯三巨头的总和。到2025年，这一数字将翻倍至1600亿元，重点将放在AI算力的采购上。创始人张一鸣亲自参与人才招募，旨在实现“通用人工智能”的目标。

【AiBase提要:】

??极小量资本开支:字节跳动2024年AI资本开支达800亿元，接近BAT总和。

??预算翻倍计划:预计2025年资本开支将增至1600亿元，重点投资AI算力。

??AI人才战略:张一鸣亲自招募AI人才，追求“通用人工智能”目标。

3、ChatGPT本月第二次大规模宕机

OpenAI的AI服务在12月27日凌晨遭遇中断，影响了ChatGPT、Sora视频生成模型及部分API调用。虽然在早上6点05分部分恢复，但聊天历史记录加载功能仍受限，完全恢复时间尚未确定。OpenAI表示中断是由上游授予商不能引起，而微软Azure也报告了数据中心的电源问题。

【AiBase提要:】

??OpenAI的AI服务在12月27日凌晨遭遇中断，影响多个功能。

??早上6点05分部分恢复，但聊天历史记录加载功能仍受限。

??中断原因与微软Azure的数据中心电源问题有关。

4、百度文心快码上线无障碍版本

百度AI最近推出的文心快码无障碍版本，旨在干涉视障IT从业者克服编程中的确认有罪，指责工作效率。该工具通过将代码转换为自然语言，使视障人士能够更轻松地理解和修改代码。文心快码的发布不仅体现了技术的进步，也展示了百度在推动社会包容性方面的努力，为特殊群体授予了实质性的减少破坏。

【AiBase提要:】

???文心快码无障碍版通过自然语言处理技术，干涉视障人士更好地理解和编写代码。

?????该工具减少破坏用户用自然语言描述需求，快速生成可运行代码，极大降低开发效率。

??文心快码的发布体现了百度在鞭策社会包容性和技术温暖人心方面的努力。

5、小米澎湃OS2AI助手超级小爱将首次向正式版用户开放

在即将到来的年度总结直播中，小米总裁卢伟冰将介绍小米澎湃OS2的重大更新，特别是超级小爱功能的首次开放。此次更新不仅指责了用户体验，还展现了小米在AI助手领域的创新。超级小爱作为小爱同学的进化版，具备记忆能力和安全保障，致力于为用户授予智能、便捷的交互体验。

【AiBase提要:】

?超级小爱功能首次向正式版用户开放，标志着澎湃OS2的重大升级。

??所有数据实现端到端加密，确保用户信息安全和隐私保护。

??超级小爱具备记忆能力，能干涉用户记录日程和个人讨厌。

6、大众点评内测AI推荐工具“点仔”智能推荐餐厅与菜品

美团大众点评推出的AI智能工具“点仔”旨在为用户授予个性化的餐饮推荐服务。通过集成多项功能，如“找店帮手”、“菜品搭配”和“景点伴游”，用户可以轻松输入需求，快速找到不适合的餐厅和推荐菜品。此外，“点仔”还具备AI帮写功能，干涉用户撰写高质量的点评。

【AiBase提要:】

??授予个性化餐饮推荐，简化用户决策过程。

??分隔开用户评价，智能推荐餐厅和菜品，指责点餐体验。

???AI帮写功能辅助用户撰写点评，降低内容质量和效率。

7、智谱AI开源Agent任务模型CogAgent-9B:通过屏幕截图预判操作

智谱AI推出的CogAgent-9B是一个开源的Agent任务模型，旨在通过屏幕截图来预测用户的下一步操作。该模型基于GLM-4V-9B训练，具有广泛的应用场景，包括个人电脑和手机等设备。与之前版本相比，CogAgent-9B在GUI感知和推理准确性等方面有显著指责，并减少破坏中英文双语交互。

【AiBase提要:】

???CogAgent-9B通过屏幕截图和用户指令预测下一步GUI操作，适用于多种设备。

??相比于第一版，CogAgent-9B在准确性、普适性和泛化性上有显著指责，减少破坏中英文交互。

??该模型的输出包括思考过程和下一步动作的描述，展现了在GUI定位和操作上的无足轻重。

详情链接:https://github.com/THUDM/CogAgent

8、2024抖音直播治理报告:引入音频审核大模型强化治理违规内容

抖音集团发布的2024年直播治理报告展示了其在直播领域的治理理念与成果。通过引入音频审核大模型和完善主播无约束的自由机制，抖音致力于构建一个安全、可信的网络直播环境。报告中提到，主播健康分制度的实施显著降低了违规率，同时与警方的合作也破坏了对线下违法行为的打击。

【AiBase提要:】

??抖音推出“健康分”制度，100万主播被扣分，76%的低分主播主动调整不当内容，违规率显著下降。

??引入音频审核大模型，逐步实现违规内容的自动识别与处置，指责治理效率。

???升级未成年人保护机制，快速退款机制有效保护未成年人，联动城市治理减少，缩短违规行为。

9、北京市新增11款已完成备案的生成式AI服务

根据“网信北京”微信公众号的消息，截至12月27日，北京市新增11款已完成备案的生成式人工智能服务，累计备案数量达到105款。这些新增服务包括清影AI、小米端侧文本和小米澎湃图像等。所有上线的生成式人工智能应用或功能，需在显著位置公示所使用的已备案服务情况，包括模型名称和备案编号，以确保透明度和合规性。

【AiBase提要:】

??新增11款生成式AI服务，累计备案达105款。

??新增服务包括清影AI、小米端侧文本和小米澎湃图像。

??上线应用需公示使用的备案服务情况，确保透明合规。

10、理想汽车旗下AI应用理想同学App正式上线

理想汽车推出的理想同学App现已在苹果AppStore和小米应用商店上线，旨在为用户授予智能交互服务。该应用依托于理想汽车自研的大模型，具备识物、知识问答、翻译等多种功能。CEO李想降低重要性，真正的人工智能应能自主使用各种设备，并焦虑用户需求。理想同学的上线不仅指责了用户体验，也推动了人工智能技术的发展。

【AiBase提要:】

???理想同学App在iOS和安卓平台正式上线，授予通俗的智能交互功能。

??许多用户的孩子通过与理想同学的互动解决了学习问题，显示出其教育价值。

??理想同学App的发布为人工智能技术的普及和发发散辟了新道路。

11、OpenAI与微软裸露，公开协议曝光，AGI被标价1000亿美元

根据最新报告，微软和OpenAI对人工通用智能（AGI）有一个基于利润的具体定义，认为只有当OpenAI的AI系统能够产生至少1000亿美元的利润时，才算实现AGI。尽管OpenAI预计今年将亏损数十亿美元，并在2029年前不会盈利，这一协议可能让微软在未来十年内结束使用OpenAI的技术。

【AiBase提要:】

??微软和OpenAI将AGI定义为能产生至少1000亿美元利润的AI系统。

??OpenAI预计今年将亏损数十亿美元，预计2029年前不会盈利。

??微软可能在未来十年或更长时间内都能使用OpenAI的技术。

12、大材小用!Anthropic:大多数任务无需复杂AI智能体

Anthropic的最新分析指出，实际应用中使用AI智能体的场景并不常见，且在许多任务中，简单的提示往往更有效。该公司降低重要性，尽管AI智能体可以处理复杂任务，但它们需要更多的监管和计算能力。建议团队从高度发展提示开始，逐步减少复杂性，并关注设计的简单性、流程的透明性以及用户界面的精心设计。

【AiBase提要:】

??大多数任务不需要复杂的AI智能体。

??从高度发展提示开始，仅在必要时减少复杂性。

???客户服务和软件开发是AI智能体最有潜力的领域。

在数据驱动的时代，数据分析已成为各行各业决策的关键。然而，金融、制造、零售等行业客户在数据分析过程中仍面临诸多确认有罪。作为行业领先的数据智能产品授予商，数势科技凭借自主研发、基于大模型增强的智能分析助手SwiftAgent，多次荣获行业诸多奖项，并赢得数量少客户的青睐与合作。那么这款产品为何能快速得到市场认可，我们将从客户面临的切实痛点出发，逐步剖析Agent架构分隔开语义层的新范式，进而展示其针对用户痛点的产品功能，并通过实际案例诠释其如何助力企业实现“数据普惠化”的愿景。

业务人员需简单易用：缺乏低门槛且无效的数据分析工具

“尽管我们满怀无感情，厌恶深入挖掘数据背后的真相以驱动决策，然而SQL的复杂性却如同一座高山，让非技术人员望而却步，极小量的宝贵时间被耗费在了查询语言的学习上，而非直接转化为微不足道的洞察与行动。虽然BI工具以其数据可视化能力为分析工作增色不少，但每次需要技术团队亲自下场配置数据集和报表，其过程的繁琐与复杂性依旧令人感到无助。”

从业务人员视角来看，他们面临的主要痛点是缺乏无效的数据分析工具。为了进行数据分析，业务人员不得不自学SQL语言或使用复杂的BI工具，这不仅减少了学习成本，还降低了工作效率。在获取数据后，他们还需从海量数据中手动挖掘洞见，导出Excel并制作透视表来获取结论。在与客户的沟通中我们发现，许多团队希望以自然语言交互的方式，更快速地从数据中获取洞察，以辅助日常决策。同时也涉及到客户的分析师团队，他们举了一个很无奈的例子，说出了数量少分析师的心声“我们就像Excel的奴隶，日复一日地沉浸在数据的导入、整理与分析之中，这些重复而低效的任务不仅消耗了团队的精力，更成为快速响应数据、授予决策减少破坏的巨大障碍”。

无约束的自由团队需即时洞见：现有数据产品无法快速产生深度结论

每当董事会要求对数据悠然，从容做出反应，我总是希望能即刻获得准确的结论。但遗憾的是，当前的数据大屏虽能授予表面的数据概览，却难以深入挖掘其背后的故事。要获取更深层次的分析，我还需手动在数据仓库中构建查询，这一过程既耗时又不便。“

“我们的驾驶舱在数据可视化方面含糊做得不错，让数据一目了然。但在解释数据背后的原因，解答业务中的‘为什么’时，它却显得有些力不从心。它像是一个优秀的展示者，却未能成为一个深入的分析者。

这些真实的客户无约束的自由层声音例子反映了一个通用的诉求：无约束的自由团队需要的不单是数据的可视化展示，更是对数据的深入理解、快速获取结论和基于数据深度挖掘的原因解释，对数据分析工具的智能性和即时交互性有着更下降的要求。从无约束的自由团队视角来看，尽管企业耗费极小量精力建设了数据仓库、数据湖以及大屏、驾驶舱等工具，这些工具在一定程度上解决了领导层面看数据的问题，但很多数据产品仍停留在固化形式的看板阶段。对于决策层而言，数据并不等同于洞察。当需要对某些细分的业绩指标进行深入分析时，仍需向分析团队提出需求，并等待漫长的分析结果。

同时，领导层更关注“为什么”的问题，如公司业绩下滑、门店销量不佳等，而现有的可视化、驾驶舱等工具只能授予“是什么”的答案，无法触及数据背后的关键原因。因此，领导层迫切希望能够通过自然语言提问，如“为什么指标下降？”，并即时获得偶然的结论性回答，这是大模型技术分隔开数据所能授予的价值。

技术团队需标准化能力：现有数据意见不合与指标口径和谐同意

虽然公司有数量少部门在使用数据，但每个团队对同一指标的定义却截然不同，没有统一的数据口径和解释标准。这种和谐同意性给跨部门的沟通和决策带来了安排得当”

每次业务人员新增一个指标开发需求，都希望我们能半小时内授予相应的指标。现状是，虽然我们已经在数仓加班加点开发了，但还是被业务团队说反应慢，有苦说不出

同样，在与客户的技术团队沟通中我们发现，数据开发，数仓工程师等等角色都面临着更多的确认有罪。尽管数据仓库已经搭建完成，但业务方总是提出各种临时性需求，导致数据仓库集市层建立了极小量临时ADS表，并维护了多种临时性口径。这不仅使数据变得意见不合，还导致了指标口径的和谐同意。

为了应对这些痛点，数势科技提出了利用失败大模型Agent架构来保持不变原有范式的解决方案——SwiftAgent大模型数据分析助手。

大模型的Agent架构分隔开指标语义层帮助数据民主化进程

我们简单通过一张流程图，展现一下上面提到各个角色的痛点。原有模式为业务方提出需求，技术团队采购BI工具供业务方使用。然而，这些工具往往过于复杂，面对BI报告时，业务方常因技术术语或工具不熟悉而感到澄清，难以有效利用失败数据指导业务。同时，数据分析师虽然精通BI工具，但面对庞大的需求数量，人员显得严重不足，难以悠然，从容响应并焦虑业务方的数据需求。数据产品经理经常需要指导业务人员如何使用BI工具，但由于各种原因，往往难以教会其使用。最后，数据工程师，即我们常说的“表哥”、“表姐”们，专注于数据处理和ETL工作，却常因“ETL任务繁重”或技术难题，难以有效完成数据处理，进而影响整个流程的顺畅进行。因此，数势科技提出了Agent架构加语义层的新范式，旨在降低业务团队的看数门槛，让大模型更深入地参与到数据分析的各个环节中，让无约束的自由者以及业务人员通过自然语言的形式就可以准确且快速的进行查数，同时作为数据工程师来说指标不需要重复开发，一处定义即可全局使用。

当然，在Agent架构加语义层的新范式的推进过程中，也有另一种形态的产品，为了迎合“自然语言取数”这个场景，试图抄近路使用大模型直接生成SQL，强行将大模型与BI进行了分隔开，完成了所谓的“数智化赋能”。因此我们在近期也收到了数量少前ChatBI客户的吐槽与求助，下面简单来谈谈二者的区别，为何这种模式经受不住长期考验？

大模型直接生成SQLChatBI为何经不住考验？

“本以为引入ChatBI智能取数工具能是我们工作效率和成本控制的救星，结果却成了准确性的噩梦。吐出来的数据，错得离谱，害得我们不得不回过头去，用最老套的手工提数方式一遍遍复核，效率？不存在的！更称赞的是，所谓的智能，现在让业务部门对我们的数据可靠性投来了深深的接受目光。

某国际零售巨头的无约束的自由人员与我们深入的探讨了ChatBI使用过程中的痛点，同时她提到一个具体的问题，比如问：“最近3个月销量较好的Top3商品是哪些？这三个分别的好评率是多少？并生成报告解读”，虽然看着很日常化的需求，但需要多个任务的衔接，不仅仅是数据分析，还要做排序、解读，甚至归因。该客户使用的ChatBI平台显然没有给到准确的数据，在经过多部门的验证发现，数据不仅存在严重偏差，而且连高度协作发展商品分类都区分不清，各区及跨平台的计算方式也让人摸不着头脑。

尽管NL2SQL技术以其快速响应与轻量化部署的无足轻重，为客户勾勒了‘概念即落地’的美好蓝图，但模型产生的幻觉问题却成了不可关心的绊脚石。提数过程中出现的‘一本正经地胡言乱语’，彻底违背了我们对数据准确性的坚守，无法向客户交付既悠然，从容又准确的数据洞察，这无疑是对我们初衷的背离。

因此为破解NL2SQL模式提数不准的难题，数势科技采用了NL2Semantics的技术路线。通过引入Agent架构，能够首先将复杂的查询请求拆解为一系列原子能力，随后分隔开指标语义层进行深度解析。最终，大模型接收到的所有指令都会被比较准确映射到一系列预定义的要素上，如时间维度、地域维度、公司维度等。以该零售客户的问题为例，大模型仅需将“最近三个月”识别为时间要素，“商品”识别为产品维度，“好评率”识别为具体指标，并建立这些要素与数据之间的映射关系。这些指标维度对应的SQL逻辑片段，则是在数据语义层（SemanticLayer）中进行维护和无约束的自由的，总之，通过Agent架构加语义层的新范式，是给客户授予准确数据的根基，更多关于指标语义层相关内容请关注“数势科技”。

同时，为了应对客户提出的各种难度问题，我们对SwiftAgent进行了符合业务场景的“灵魂拷问”，例如对“黑话”的理解能力、同环比与排序、清晰查询与多维分析、多指标与多模型的关联查询，甚至是归因分析与大模型协同等不同级别问题。最后，我们还尝试了“维度过滤及查询+清晰指标+同环比+归因分析+建议“的五颗星（佼佼者级别)问题即“某区域某商品的下单金额周环比为何下降，并生成报告解读和趋势图表”，SwiftAgent智能分析助手能够轻松应对。

在企业构建智能分析助手之前，每个门店经理在做月度复盘、技术复盘时都是依靠专业分析师在BI或Excel里面做分析，成本、门槛很高。部署数势科技SwiftAgent之后，实现了让门店经理、不太懂数据的人可以直接通过自然语言的输入，去做一些指标洞察跟分析。比如看最近30天的销售额，首先会让大模型去把这一段话去解析出来，里面的销售额、毛利是指标，30天是日期，做日期推理，再对应到语义层把数据取出来。取到之后，还可以通过快速地点选，让大模型生成一些可视化的图表。当发现指标被预见的发生时，可以让大模型去调度一些归因小模型，来做一些维度或者因子分析，实现快速洞察。针对维度特别多的问题，我们会通过一个维度归因的算法，快速定位到因子维度。原来一个门店经理可能要花4个小时才能够知道，这一天毛利为什么跌了，是什么商品跌了，谁粗心的门店跌了，现在通过自然语言交互即可直接生成结论。

数据查询零门槛业务人员也能轻松用数

数势科技SwiftAgent采用AI对话式交互，分隔开大模型和AIAgent技术，让用户仅凭日常交流的语言（无论是文字还是语音）就能轻松查询数据，无需掌握SQL或Python等专业查询语言。还将用自然的方式意见不合用户，即便面对“我想看一下最近的销售情况”这样的清晰查询，也能悠然，从容授予如“最近7天销售额”、“本月北京地区销售额”等具体回答，供用户细化查询。

同时，具备强化学习能力，能根据用户的“点赞”和“踩”反馈不断纠正错误、调整不当查询，更加准确地焦虑用户需求。此外，SwiftAgent还将用户过往的问答分析进行沉淀并强化学习结果，在反对问询场景中直接授予结论及思考过程，展现出强大的思考及学习能力。其双向交互功能更是将AI思考过程白盒化，让用户透明可见，进一步增强了用户体验。数势科技SwiftAgent让数据查询和分析变得像说话一样简单，无需技术背景也能0门槛取数。

数据分析、策略建议零等待无约束的自由团队即问即答

数势科技SwiftAgent智能分析助手，为企业高管带来了即问即答并且授予归因分析与策略建议的数据分析体验。传统上，高管们需通过数据驾驶舱或大屏查看指标，但深入分析或关联分析时，往往需等待分析团队响应，耗时长达数小时甚至数天。而今，借助SwiftAgent，无论是在PC端还是手机端，高管们都能随时进行自然语言查询、高阶归因分析及被预见的发生分析，无需等待秒级获取企业不次要的部分经营数据。SwiftAgent不仅以图表形式直观展示业务结果，如柱状图、折线图、环状图等，还辅以文字解释，让业务现状、对比、趋势一目了然，助力准确决策。

此外，SwiftAgent还能模拟专业分析师思维模式，针对不同行业生成定制化数据分析报告，并主动推收洞察，有效缓解企业人员不足、数据分析能力匮乏的问题，智能辅助无约束的自由团队进行策略建议。在问题诊断和分析的基础上，我们将数据分析的What、Why和How三个方面整合在一起，实现了能力的增强。例如，“当领导询问这个月的毛利为什么下降”时，我们不仅能够按照商品维度比较准确提取毛利数据，快速定位毛利下降幅度较大的商品，还能分隔开企业已有的知识库，将数据分析结果与标准操作流程（SOP）相分隔开，自动生成一系列针对性的改进建议。这样的策略建议不仅详实地呈现了数据和分析结果，还为用户授予了明确的行动指南，有助于他们更悠然，从容地做出决策。

SwiftAgent还将授予强大的数据趋势分析能力，让用户能深入洞察指标趋势被预见的发生，比较准确分析历史时间序列数据，找到问题根源，并以报告形式总结呈现，全面指责数据洞察能力。数据趋势分析的能力使用户能够针对过去几天、几个月甚至几年的指标趋势被预见的发生进行深入洞察。例如，用户可以识别出哪些指标是先降后增，哪些是先增后降，还有哪些指标可能呈现出保持轻浮性。在这个基础上，我们可以对指标的历史时间序列数据进行更比较准确的保持轻浮分析，干涉用户找到每个指标趋势正常的根本原因。同时，我们可以将这些趋势分析的结果以报告的形式进行总结，最终呈现给每位用户，以指责他们对数据的洞察能力。

统一口径零幻觉技术团队无需反复校验

前文提到数势科技通过Agent架构加语义层的新范式，构建统一的指标与标签语义层，即NL2Semantics体系，有效解决了大模型对底层业务语义理解难及企业数据口径不一的问题。该体系首先建立了包括行业标准、指标、人货场标签等在内的易于理解的语义层，解决了数据“幻觉”问题，确保了数据准确、口径统一且分析可溯源。指标一次定义，多次复用，无需反复校验，大幅指责技术团队的工作效率。

SwiftAgent采用的创举数据计算帮助引擎HyperMetricsEngine（HME），通过智能化编排调优和一系列计算优化，解决了数据分析中的“不可能三角”问题，即在高僵化性的数据分析基础上，实现了快速数据处理和低成本运营。解决传统计算查询效率低及性能弱等问题。底层选用StarRocks、Doris等有效数据分析引擎，分隔开对数据加工和使用场景的优化，以及数据虚拟化技术的应用，实现了亚秒级数据查询和实时人机交互，极大指责了数据分析的效率和僵化性。

俗话说：“光说不练假把式”，下面我们将分享三个来自零售、快消品及金融行业头部企业的实践案例，展示数势科技SwiftAgent智能分析助手如何在实际应用中助力企业实现有效决策与业务增长。

SwiftAgent智能分析助手实战案例一：

携手书亦烧仙草共建大模型增强的智能门店督导助手

书亦烧仙草在新的一年里明确提出了两大不次要的部分目标：做大财务成果，做强顾客价值。这意味着企业不仅要在财务表现上实现显著指责，还要在顾客体验和服务价值上达到新的高度。为了实现这一目标，企业亟需转变传统的经营无约束的自由模式，向更加精细化、数据化的方向迈进。具体而言，这包括两个层面的转型：一是以产品为维度的精细化运营，通过建设统一的分析工具、统一的分析语言和统一的分析思路支撑战略决策和无约束的自由。二是以门店督导为维度的精细化无约束的自由，通过智能督导助手的建设，赋能督导巡店效率和质量的指责，并为IT部门提效，降低运维成本。

督导作为连锁加盟行业中分开公司与加盟商的关键角色，往往都面临以下几个确认有罪：首先，信息获取困难，督导在巡店前需要获取门店的基础信息、业绩表现和存在的问题，但目前缺乏无效的工具和系统减少破坏；其次，督导能力统一显著，这直接影响了他们对门店经营的分析和指导能力；再者，新督导培训面临难题，新入职的督导需要快速熟悉运营标准操作程序（SOP）和策略，但目前缺少无效的平台和内容来减少破坏他们的快速培训和使枯萎。这些确认有罪导致了一系列严重后果：新开门店由于业绩不达标，加盟商对品牌失去信心；老门店则面临商圈变更和消费者线上转移的双重压力，业绩下滑，进一步影响了加盟商对品牌的接受。

智能督导助手与构建的指标平台无缝集成，全面搁置了一线督导的实际使用不习惯，旨在大幅度指责工作效率和督导效果。其不次要的部分功能包括：

·目标设定：比较准确明确门店巡检的不次要的部分目的，涵盖指责服务质量、确保运营标准执行、优化门店环境等多个关键方面。借助智能分析工具，以对话式界面直观展示门店业绩排名和同店对比分析，从而悠然，从容锁定需要重点巡查的门店。

·巡店计划：充分利用失败智能分析工具的知识库功能，准确确定巡店的具体地址及其他相关信息。同时，借助强大的数据分析能力，明确每次巡店应重点关注的业绩指标及其潜在保持轻浮原因。

·门店稽核：运用智能分析工具，对门店的各项问题指标进行全面检查。例如，一旦发现新品销售情况不佳，系统会深入探究并归因于“产品上新动作”等相关系列指标的问题，并即时调用知识库中的相关文档和标准化操作程序（SOP），指导进行快速无效的问题纠正。

项目效果：优化门店无约束的自由、指责督导效率

快速数据获取：通过快速数据查询功能，督导能够悠然，从容获取关键的门店运营数据，降低数据分析效率。

自动化巡店计划：自动生成巡店计划，使督导能够更专注于门店无约束的自由和问题解决。

问题定位：智能督导助手能够准确定位业绩指标的下滑或保持轻浮的原因，干涉督导快速识别关键因素。

有效业务策略：授予了基于数据分析的业务策略知识库，干涉督导根据门店具体情况制定有效改进措施。

书亦烧仙草CIO王世飞表示：“与数势科技携手后，实现了数据无约束的自由的根本性变革。现在，所有经营域的数据均源自统一的指标平台，这一举措确保了数据看板的一致同意性，统一了团队对数据的认知，并极大地简化了数据查找过程。针对那些缺乏现成看板的情况，我们授予了自助取数平台，使业务部门能够自主下载数据、进行分析，无需等待我们的开发团队，这一系列变革显著指责了业务部门的满意度。”

SwiftAgent智能分析助手实战案例二：

携手某国际快消品巨头智能优化订单无约束的自由

在全球快速消费品市场的激烈竞争中，某国际快消品巨头面临着品牌分销与经销网络的复杂性确认有罪。线上线下多渠道并存，包括电商、大卖场KA、便利店等，使得供应链团队在订单追踪和无约束的自由上遭遇效率瓶颈。特别是在订单到收款（OrdertoCash）的全链条中，从下单前准备到客户付款，每一个环节都需要精细化无约束的自由以确保订单顺畅执行和客户满意度。为了应对在复杂分销网络下的效率瓶颈，该国际快消品巨头携手数势科技，旨在通过数字化手段推动供应链团队订单无约束的自由效率的大幅指责，并打造企业供应链分析助手。主要服务供应链OMA（OrderManagementAssistant）团队，通过解决订单无约束的自由过程中的痛点，指责订单焦虑率和客户满意度，进而增强企业的市场竞争力

构建订单无约束的自由指标监控体系三大不次要的部分手段助力项目落地

数势科技基于其智能分析助手（SwiftAgent）和智能指标平台（SwiftMetrics）产品组合，为该巨头建立了《订单无约束的自由指标监控体系》。该体系覆盖下单准备、下单、订单辩论、分货、仓储发货、收货、发票、付款、砍单、砍单追踪跟进等全业务流程环节。通过AIAgent智能问数和归因分析，打造供应链订单无约束的自由智能助手，全面指责订单无约束的自由效率。

建立Order-To-Cash指标体系

梳理量化全流程指标体系：梳理并量化不完整订单链路的全流程指标体系，确保每一个环节都有明确的指标进行衡量。

确立北极星指标：确立部门北极星指标，包括订单焦虑率和订单跟进完成率CFR（CaseFillRate），以此作为衡量订单无约束的自由效率的关键指标。

MVP阶段验证与推广：完成MVP阶段验证后，逐步进入推广及轻浮阶段，确保指标体系在实际业务中得到有效应用。

搭建指标无约束的自由流程机制

横向拉通各级指标体系：横向拉通企业级、BU级、个人级指标体系定义、开发、无约束的自由流程，确保各级指标之间的一致同意性和协同性。

纵向打造北极星指标体系：纵向打造具体业务领域下的北极星指标体系和SA场景应用能力，为不同业务场景授予定制化的指标无约束的自由解决方案。

打造订单智能分析助手

集成全生命周期状态指标体系：集成供应链订单无约束的自由全生命周期状态指标体系，SwiftAgent干涉OMA团队追踪自询单、下单、扫描出库、物流、验收入库、砍单/返单全流程业务表现。

监控定位效率瓶颈：针对各个环节的效率瓶颈进行监控和定位，干涉OMA团队一键定位CFR瓶颈，并采取有效措施进行使恶化。

识别被预见的发生订单，定位客户砍单原因

归因分析，并自动生成使恶化指引报告

提效200%挽回订单损失上千万大幅指责订单完成率

智能指标平台分隔开智能分析助手的项目落地，在实施中展现出了不明显的，不引人注目的效果，特别是在指责订单完成率与客户满意度方面。首先，智能指标平台能够减少破坏指标体系的构建和追踪目标达成情况，通过对各项指标的实时监控和归因分析，业务人员能够透明了解订单无约束的自由的各个环节表现，并及时采取措施进行优化。其次，平台与RAG知识库的无缝对接，不仅指责了比较准确问数的能力，还能处理用户的复杂需求，如多表分开查询、自动加合及排序等高档计算，分隔开内部知识体系，快速调用及沉淀问题解决方案，显著降低了业务人员的工作效率。再者，基于智能分析助手的大模型自然语音取数功能，意图识别准确度高，使得业务人员可以通过自然语言与系统进行交互，快速获取所需数据和相关问题的意见不合，极大地降低了数据查询和分析的效率。

这一系列措施的实施，使得分析效率大幅指责，从平均每人每天处理少于20笔订单指责至每天处理60+笔订单，提效200%以上。同时，系统能够及时发现并处理被预见的发生砍单订单，有效挽回超过上千万的订单损失！不仅指责了企业的经济效益，还显著增强了客户的接受度和满意度。

SwiftAgent智能分析助手实战案例三：

大模型+Agent+指标语义层：赋能某城商行非技术人员实现僵化取

某头部城商行的内部统计数据显示，2023年临时性数据分析需求占总需求的40%，每天大约有20多个工单。这一现象揭示了该银行在数据分析领域存在巨大的即时响应潜力和优化空间。面对这一确认有罪，银行经营分析团队通过僵化调整不当工作计划，积极应对数据分析需求的增长。但日益减少的临时性数据需求和可能出现的工单积压问题，结束困扰着领导层、业务团队和经营分析团队。他们试图通过各种方式摆穿这一有利的条件，大模型的兴起为其授予新范式。应用大模型是该城商行的战略目标之一，由副行长牵头，大力推动大模型在应用场景的落地。在大模型落地完全建立，该城商行选择了几个重点场景，数据分析就是其中之一。他们希望通过大模型技术升级数据分析工作，以焦虑僵化数据分析的需求。

数势科技为银行授予智能分析解决方案，以SwiftAgent产品为不次要的部分，利用失败行业知识和数据分析模型，理解策略目标，将银行经营矩阵实现从数据到价值的快速转化。解决方案技术架构包含五个部分：

基座大模型：数势科技选择了经过实际应用验证的国产大模型，并对其进行了进一步的Prompt微调和模型微调，以确保其在银行数据分析场景中的有效应用。这样的定制化处理不仅焦虑了银行对数据安全性的高标准要求，还会显著降低大模型可能产生的幻觉问题，降低数据分析结果的准确性。

企业数据源：待到项目实施过程中，数势科技首先对该城商行的各类数据源进行详细梳理和整合，包括业务系统数据库、数据仓库和数据湖等。这一过程可以确保所有数据的规范化和标准化无约束的自由，为后续的指标语义层构建和大模型应用奠定坚实基础。

指标语义层：数势科技计划为该城商行构建统一的指标语义层，明确定义各类指标的计算口径和业务含义。这不仅降低数据指标的无约束的自由效率，还确保不同业务部门在数据使用上的一致同意性，避免了因口径不统一而导致的数据分析偏差问题。

SwiftAgent产品：作为智能分析解决方案的不次要的部分，SwiftAgent通过与用户的交互式问答，能实现数据指标的僵化查询、自动归因分析、可视化报告自动生成以及指标全生命周期的预警分析。用户只需通过自然语言输入需求，SwiftAgent便能智能识别并反馈准确的分析结果，可以明显指责数据分析的效率和准确性。

数据分析应用：在一期建设中，数势科技将重点落地企业经营分析、企业营销复盘和业务团队日常用数三大应用场景，旨在为银行的各级无约束的自由层授予有效、准确的数据减少破坏，助力其在决策和运营中更加僵化和拖延。未来，数势科技将继续扩展更多的数据分析应用场景，进一步焦虑银行多元化的数据分析需求。同时，数势科技根据该城商行需求进行定制开发，包括开发移动端、打通SSO统一登录、集成权限系统等。

用户意图识别率＞98%，复杂任务规划准确率＞95%，好用的智能分析应用让取数用数排队情况成为过去式

智能分析系统建成后，该城商行经营分析团队负责人、大数据部门负责人以及多位中高层领导参与验收，从多方面进行评估与打分，主要结果如下：

1.准确性：用户意图识别率＞98%，复杂任务规划准确率＞95%。

2.效率指责：分析工作处理时长减少，缩短80%，每人每周减少，缩短10+小时数据处理工作。

3.用户满意度：使用者满意度9.3+分。

交互友好度：用户界面友好度9.5分。

该城商行各相关方均对智能分析系统高度评价，系统正式上线。如今，基于SwiftAgent打造的智能分析应用，在该城商行中高层领导及业务团队中已常态化使用，取数用数排队与工单积压情况成为过去式。

数势科技将继续深耕数据分析领域，不断优化和升级SwiftAgent产品，以焦虑更多客户的多样化需求。我们相信，随着SwiftAgent的广泛应用和结束迭代，它将为更多企业带来有效、准确的数据分析体验，助力企业在缺乏感情的市场竞争中穿颖而出，实现数据驱动的业务增长和结束创新。