AIGC 时代，大模型与企业本地数据相结合的典型实现方式是 RAG 方案（本地知识库 + 向量数据库 + 大模型），而 RAG 实际落地中还存在诸多问题。本次分享将结合落地案例实践经验，针对企业实际、复杂的数据现状，提供全新的解决方式——基于多模智能引擎的大模型知识库方案。对企业多源、异构数据进行解析，智能抽取数据之间的关系并提供低代码方式进行数据探查；将非结构化数据解析以及向量化。在多模态智能引擎中以图的形式存储确定的知识，以向量的形式存储非结构化的知识，以图和向量融合的方式构建大语言模型驱动的企业知识中台。同时，利用低代码技术快速构建包括智能对话、摘要、标签、生成、text2data 在内的各种知识应用，为企业大模型用落地提供有效的技术支撑。

演讲提纲：

演讲提纲：

1. 背景与趋势

• 大模型与企业本地数据融合的典型方式——RAG 最佳实践与现存问题

2.多模态数据解析

• 非结构化文档关系自动抽取构建——多层级关系抽取
• 结构化数据自动关联与探查

3. 图和向量赋能大模型应用

• 利用图结合 RAG 提供智能应用构建能力

4. 知识服务智能构建

• 基于低代码的知识服务构建

5. 落地应用案例分享

• 实际客户落地经验分享

6. 总结与展望

听众收益：

• 当前 RAG 的最佳实践以及典型问题
• 基于图和向量融合的方式构建智能知识库最佳实践
• 典型的知识服务以及落地实践经验

方案痛点：

• 从实践角度出发，我们发现在落地过程中需要针对性结合具体业务场景进行图的构建
• 图和大模型的融合方案需要基于多模态数据构建图。如果客户场景是基于非结构化数据构建细粒度的图谱，则需要一定成本，当前情况下无法实现完全自动化图谱的构建
• 在进行方案落地时，首先需要让客户充分了解和熟悉新技术方案，才能更好地推进落地与应用