CN121579552B - 基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质 - Google Patents

基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质

Info

Publication number
CN121579552B
CN121579552B CN202511772607.6A CN202511772607A CN121579552B CN 121579552 B CN121579552 B CN 121579552B CN 202511772607 A CN202511772607 A CN 202511772607A CN 121579552 B CN121579552 B CN 121579552B
Authority
CN
China
Prior art keywords
target
decision
task
business
language model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202511772607.6A
Other languages
English (en)
Other versions
CN121579552A (zh
Inventor
陈义跑
朱凡纳
洪传波
项振辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Sharp Shark Technology Co ltd
Original Assignee
Hangzhou Sharp Shark Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Sharp Shark Technology Co ltd filed Critical Hangzhou Sharp Shark Technology Co ltd
Priority to CN202511772607.6A priority Critical patent/CN121579552B/zh
Publication of CN121579552A publication Critical patent/CN121579552A/zh
Application granted granted Critical
Publication of CN121579552B publication Critical patent/CN121579552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24575—Query processing with adaptation to user needs using context
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质，涉及人工智能领域，应用于搭载有目标智能辅助决策系统的终端设备，包括：获取与目标企业业务相关的待决策任务，以确定目标标签数据；利用目标业务知识中台，基于各目标标签数据从相应维度的目标业务画像数据库中获取对应的目标画像数据以生成对应的结构化参数包；基于待决策任务对应的任务类型和预先获取的目标映射表，确定与任务类型对应的目标大语言模型；利用目标大语言模型基于结构化参数包和目标提示词模板生成与目标企业业务相关的智能辅助决策，以基于智能辅助决策完成目标企业业务。本申请实现了根据业务需求调用不同的大模型。

Description

基于多源大语言模型的企业业务智能辅助决策方法、装置、设 备及存储介质
技术领域
本发明涉及人工智能领域，特别涉及基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质。
背景技术
在美业、零售等重线下服务的全渠道经营场景使用大语言模型时，普遍存在数据孤岛严重和模型能力受限的技术问题。具体的，社交媒体的“种草”内容无法有效引导至门店预约，且线下经营系统中的用户标签、POS（Point of Sales，销售点）系统中的消费记录、门店顾问对用户的了解等线下数据与线上用户数据相互割裂，无法形成完整的用户画像。同时，不同的经营任务（如生成创意种草文案、分析销售数据、审核沟通内容合规性）对AI能力的要求不同。依赖单一通用大模型，难以在所有任务上都达到最佳的成本效益比。
因此，如何实现多渠道数据的融合，并根据业务需求智能调用不同的大模型，是目前亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质，能够实现多渠道数据的融合，并根据业务需求智能调用不同的大模型。其具体方案如下：
第一方面，本申请公开了一种基于多源大语言模型的企业业务智能辅助决策方法，应用于搭载有目标智能辅助决策系统的终端设备，包括：
获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别；
利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库；
利用所述目标智能辅助决策系统的目标模型调度器，基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型；
获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。
可选的，所述利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，包括：
利用所述目标大语言模型基于所述结构化参数包和目标提示词模板获取所述目标大语言模型对应的初始辅助决策；
利用所述目标映射表确定目标决策审核模型，并利用所述目标模型调度器调度所述目标决策审核模型，以基于预设决策审核规则判断所述初始辅助决策是否符合决策输出条件；
若所述初始辅助决策符合所述决策输出条件，则将所述初始辅助决策确定为所述待决策任务对应的智能辅助决策。
可选的，所述利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型，包括：
利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表确定所有目标大语言模型，并确定所有所述目标大语言模型的目标调用链；
相应的，所述利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，包括：
基于所述目标调用链调用各所述目标大语言模型，以利用所述目标大语言模型基于所述结构化参数包和目标提示词模板获取所述目标大语言模型对应的智能辅助决策。
可选的，所述基于多源大语言模型的企业业务智能辅助决策方法，还包括：
基于所述待决策任务的所述目标标签数据中的任务输出标签确定所述智能辅助决策对应的目标接收端；
确定所述目标接收端对应的目标决策输出规则，并基于所述目标决策输出规则将所述智能辅助决策发送至所述目标接收端。
可选的，所述基于多源大语言模型的企业业务智能辅助决策方法，还包括：
利用目标数据集成接口获取所述智能辅助决策对应的反馈结果；
利用目标量化模型基于所述反馈结果对所述智能辅助决策进行量化评估以确定相应的量化评估结果，并利用目标可视化规则对所述量化评估结果进行可视化输出；
利用预设的目标模型更新规则基于所述待决策任务和对应的所述量化评估结果对所述目标大语言模型进行更新，以利用更新后的所述目标大语言模型执行待决策任务。
可选的，所述利用目标量化模型基于所述反馈结果对所述智能辅助决策进行量化评估以确定相应的量化评估结果之后，还包括：
基于所有所述待决策任务和对应的所述量化评估结果从所述客户信息数据库中确定待激活客户以及相应的客户激活任务；
将所述客户激活任务确定为新的所述待决策任务，并跳转至所述对所述待决策任务进行解析以确定目标标签数据的步骤。
可选的，所述基于多源大语言模型的企业业务智能辅助决策方法，还包括：
获取映射表更新指令，并基于所述映射表维护指令对所述目标模型调度器中的模型注册表进行更新，以基于更新后的所述模型注册表对所述目标映射表进行更新。
第二方面，本申请公开了一种基于多源大语言模型的企业业务智能辅助决策装置，应用于搭载有目标智能辅助决策系统的终端设备，包括：
任务解析模块，用于获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别；
参数包生成模块，用于利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库；
模型确定模块，用于利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型；
辅助决策生成模块，用于获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的基于多源大语言模型的企业业务智能辅助决策方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的基于多源大语言模型的企业业务智能辅助决策方法。
本申请中，在利用搭载有目标智能辅助决策系统的终端设备进行企业业务智能辅助决策时，获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别；利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库；利用所述目标智能辅助决策系统的目标模型调度器，基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型；获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。可见，本申请在针对待决策任务生成智能辅助决策时，根据待决策任务对应的目标标签数据，利用目标业务知识中台动态地从目标业务画像数据库中检索并组合一个或多个维度的目标画像数据，形成一份全面的结构化参数包，并将该结构化参数包作为核心输入，利用目标模型调度器基于目标映射表根据待决策任务对应的任务类型，自动选择最合适的大语言模型作为目标大语言模型，驱动目标大语言模型进行智能分析或内容生成，以实现系统整体性能、效果和成本的最优化。本申请利用可配置的目标业务知识中台实现了多源异构数据与知识的融合，并与能够自主选择最合适的目标模型调度器进行有机结合，构成了目标智能辅助决策系统，为企业提供了一套实现智能化经营的标准化的方法论和技术框架，系统性地提升了企业利用数据和人工智能进行经营管理的能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种基于多源大语言模型的企业业务智能辅助决策方法流程图；
图2为本申请公开的一种具体的智能辅助决策流程信令示意图；
图3为本申请公开的一种具体的目标智能辅助决策系统的业务画像数据库架构示意图；
图4为本申请公开的一种基于多源大语言模型的企业业务智能辅助决策装置结构示意图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在美业、零售等重线下服务的全渠道经营场景使用大语言模型时，普遍存在数据孤岛严重和模型能力受限的技术问题。具体的，社交媒体的“种草”内容无法有效引导至门店预约，且线下经营系统中的用户标签、POS系统中的消费记录、门店顾问对用户的了解等线下数据与线上用户数据相互割裂，无法形成完整的用户画像。同时，不同的经营任务（如生成创意种草文案、分析销售数据、审核沟通内容合规性）对AI能力的要求不同。依赖单一通用大模型，难以在所有任务上都达到最佳的成本效益比。为了解决上述技术问题，本申请公开了一种基于多源大语言模型的企业业务智能辅助决策方法，能够实现多渠道数据的融合，并根据业务需求智能调用不同的大模型。
参见图1所示，本发明实施例公开了一种基于多源大语言模型的企业业务智能辅助决策方法，应用于搭载有目标智能辅助决策系统的终端设备，包括：
步骤S11、获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别。
本实施例中，搭载有目标智能辅助决策系统的终端设备获取到的与目标企业业务相关的待决策任务可以是各种客户经营任务，例如产品推荐、新客户开发、流失客户激活等，也可以是历史经营分析报告生成、营销文案生成与审核等待决策任务。如图2所示为一次客户经营任务处理的全过程示意图，以一个具体的业务场景为例，目标只能辅助决策系统接收到的待决策任务的任务指令为“为客户ID：123（一位历史消费记录显示偏爱高端抗衰项目的高价值顾客），她刚在社交平台A浏览了我们的‘夏季防晒节’活动（活动ID：456），请通过企业微信，向她推荐新品‘防水防汗隔离霜’（产品ID：789），并引导她到她常去的‘XX店’（渠道ID：101）进行体验”，则可通过目标智能决策辅助系统的任务解析模块对该任务指令进行解析，得到包括产品类别、渠道类别和客户类别在内的目标标签数据，例如该任务指令对应的目标标签数据中，产品类别为防水防汗隔离霜（产品ID:789），渠道类别为XX店（渠道ID：101），客户类别为客户ID：123（一位历史消费记录显示偏爱高端抗衰项目的高价值顾客），活动类别为夏季防晒节（活动ID：456）。
步骤S12、利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库。
本实施例中，如图3所示，目标智能辅助决策系统的目标业务知识中台是一个可配置的多维业务知识中台。在一种具体的实施方式中，目标业务知识中台为针对美业/零售等重线下服务的全渠道经营场景配置的，负责将企业的线上线下多源知识进行结构化汇聚。目标业务知识中台将来自企业的各个渠道的数据（如小程序测肤数据、社交媒体互动数据、门店POS机交易数据）、内部业务系统数据（如CRM，Customer Relationship Management，客户关系管理）、乃至一线员工的经验知识（如金牌销售沟通内容）进行系统性地汇聚与结构化，转变为目标模型调度器可以理解和利用的“燃料”，实现了对业务知识的深化建模。通过对这些汇聚的知识按照核心业务对象进行归纳，形成一个可扩展的多维业务画像模型作为目标业务画像数据库，当目标智能辅助决策系统得到任务指令对应的目标标签数据后，即可将目标标签数据作为多维业务画像模型的输入，以获取目标标签数据对应维度的目标画像数据，从而基于所有目标画像数据生成待决策任务对应的结构化参数包。在另一种具体的实施方式中国，可基于非结构化文档的RAG或图数据库建模来构建目标业务画像数据库，将品牌手册、产品介绍等文档直接存入向量数据库，简化知识录入流程，但需定期维护。
本实施例中，目标业务画像数据库包括但不限于产品信息数据库、渠道内容数据库、客户信息数据库。在一种具体的实施方式中，目标业务画像数据库的各维度及相应的数据库表示例如下：
（1）品牌维度(Brand): 存储品牌的定位、价值观、故事、专业调性等人格化信息。
Plain Text
CREATE TABLE brand_dimension (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
brand_name VARCHAR(255) NOT NULL COMMENT '品牌名称',
brand_positioning TEXT COMMENT '品牌定位',
brand_values TEXT COMMENT '品牌价值观',
brand_tone VARCHAR(255) COMMENT '品牌调性',
brand_story TEXT COMMENT '品牌故事',
is_deleted INT DEFAULT 0,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP)。
（2）产品/服务维度(Product/Service): 存储产品或服务的核心卖点、特性、适用肤质、使用场景、标准操作流程（SOP，Standard Operating Procedure）等。
Plain Text
CREATE TABLE product_dimension (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
product_name VARCHAR(255) NOT NULL COMMENT '产品/服务名称',
product_type VARCHAR(100) COMMENT '类型（产品/服务）',
selling_points TEXT COMMENT '核心卖点',
features TEXT COMMENT '产品特性',
usage_scenarios TEXT COMMENT '使用场景',
target_users TEXT COMMENT '目标用户',
is_deleted INT DEFAULT 0,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP)。
（3）客户维度(User): 此维度深度整合了CRM、POS、小程序等多系统数据，存储了客户的完整画像，包括肤质报告、消费记录与偏好、疗程进度、忠诚度等级、内容偏好、复购周期预测等。
Plain Text
CREATE TABLE user_dimension (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
user_id VARCHAR(255) NOT NULL UNIQUE COMMENT '关联CRM的客户ID',
user_persona TEXT NOT NULL COMMENT '客户画像描述',
skin_analysis_report JSON COMMENT '肤质分析报告',
purchase_history JSON COMMENT '消费历史',
content_preference TEXT COMMENT '内容偏好',
life_cycle_stage VARCHAR(100) COMMENT '生命周期阶段',
is_deleted INT DEFAULT 0,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP)。
（4）活动维度(Activity): 存储营销活动的核心场景、目标、内容策略、社交媒体必带标签、优惠规则等。
Plain Text
CREATE TABLE activity_dimension (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
activity_name VARCHAR(255) NOT NULL COMMENT '活动名称',
core_scenario VARCHAR(255) NOT NULL COMMENT '核心场景',
content_strategy TEXT COMMENT '内容策略',
required_tags TEXT COMMENT '必带标签',
activity_goals TEXT COMMENT '活动目标',
rules TEXT COMMENT '活动规则',
is_deleted INT DEFAULT 0,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP)。
（5）渠道/触点维度(Channel/Touchpoint): 这是连接线上与线下的关键枢纽。存储各渠道（线下门店、小程序商城等）的属性、服务能力、仪器设备、当前库存、特色活动、以及由POS系统产生的实时交易流水数据。
Plain Text
CREATE TABLE channel_dimension (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
channel_name VARCHAR(255) NOT NULL COMMENT '渠道名称',
channel_type VARCHAR(100) COMMENT '渠道类型（如线下门店、小程序）',
channel_address TEXT COMMENT '地址或URL',
service_capabilities TEXT COMMENT '服务能力描述',
current_promotions JSON COMMENT '当前活动（关联活动维度）',
is_deleted INT DEFAULT 0,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);
（6）员工/专家维度(Employee/Expert): 这是将隐性知识显性化的核心。存储金牌顾问/专家的个人简介、擅长领域、以及被验证有效的销售沟通方法、服务流程和客户跟进案例，同时还包括专家的诊断知识库。
Plain Text
CREATE TABLE employee_dimension (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
employee_name VARCHAR(255) NOT NULL COMMENT '员工姓名',
employee_role VARCHAR(100) COMMENT '员工角色（如顾问、店长）',
expertise_area TEXT COMMENT '擅长领域（如抗衰、祛痘）',
sales_scripts JSON COMMENT '金牌沟通库（场景->沟通）',
successful_cases TEXT COMMENT '成功案例分享',
is_deleted INT DEFAULT 0,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP)。
可以理解的是，上述所有维度对应的画像数据共同构成了目标智能辅助决策系统所需的完整的、动态的业务上下文。通过调用数据管理服务，目标智能辅助决策系统可根据任务指令中的ID分别从各个目标业务画像数据库中，准确地查询出对应的、完整的目标画像数据，例如：
品牌：“我们的品牌调性是专业、科技感”。
产品：“789号产品是防水防汗的，适合户外运动”。
用户：“123号用户是户外运动爱好者，历史消费力强，注重产品成分”。
活动：“456号活动是夏季防晒节，主打户外场景”。
渠道：“‘XX店’仪器设备先进，本周有新品体验专属优惠”。
员工：“XX店的金牌顾问甲，针对高价值客户的沟通要点是：强调独家科技成分，并结合顾客皮肤检测报告，点明产品能解决其潜在的光老化风险”。
之后，数据管理服务即可将查询到的所有目标画像数据，组合成一个结构化的、富含深度信息的上下文参数包（例如一个JSON对象），也即待决策任务对应的结构化参数包。需要指出的是，本实施例通过结构化的方式，将一线员工的优秀实践（金牌沟通）、专家的决策逻辑（诊断知识）等隐性知识沉淀于对应维度的数据库中，所以这些宝贵的知识不再因人员流动而流失，一个新员工可以通过AI的辅助，快速掌握顶尖顾问的沟通技巧，实现了企业能力的整体提升，将个体的优势转化为了标准化的、可复制的企业竞争力，解决了连锁门店能力不均的核心痛点。
可以理解的是，本实施例中，企业可通过调整或增加目标业务知识中台的知识维度（如新增“竞品维度”），使同一套系统架构能快速适应从市场营销（生成小红书笔记）、销售服务（生成销售沟通方法）到内部管理（执行SOP）等多种业务场景，大大降低了企业在不同场景应用AI的边际成本，实现了技术资产的最大化复用。
步骤S13、利用所述目标智能辅助决策系统的目标模型调度器，基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型。
本实施例中，目标智能辅助决策系统的目标模型调度器是一个多源大语言模型调度器，它不是简单地调用一个AI接口，而是一个具备感知、分析、决策能力的智能路由系统。该目标模型调度器主要包括以下核心组件：
（1）模型能力库（Model Capability Registry）：
这是一个内部注册表（又称模型注册表），系统管理员可以在此维护所有已集成的、可用的LLM（Large Language Model，大语言模型）资源。每个模型都不仅仅是一个API（Application Programming Interface，应用程序编程接口）地址，而是被赋予了一系列结构化的“能力标签”和“成本参数”。
模型名称：如 DeepSeek-R1，DeepSeek-V3.1，Qwen2-72B，Claude-3-Opus等。
能力标签：对模型特性的定性描述，例如创造力强，逻辑推理强，代码能力, 成本低, 速度快, 遵循指令, 幻觉率低。
成本参数：量化的成本指标，如 输入成本/百万Tokens, 输出成本/百万Tokens。
性能指标：如平均响应延迟（ms）等。
（2）任务解析与分类模块（Task Parsing & Classification Module）；
当一个任务指令（如“为用户123生成一篇推广笔记”）进入系统时，该模块会首先对其进行解析和“打标”，将其从自然语言指令转化为机器可理解的结构化任务。
输入："为用户123生成一篇关于产品789的推广笔记"
输出：（结构化标签）。
任务类型：创意内容生成。
输出渠道：社交媒体。
核心要求：吸引力、共情能力。
成本敏感度：中。
（3）智能路由决策引擎（Intelligent Routing & Decision Engine）：
这是调度器的“大脑”，它接收任务解析与分类模块输出的结构化标签，然后根据预设的路由规则，从模型能力库中选择最合适的LLM来执行任务。其决策逻辑主要依据一个动态的任务-模型映射表（Task-Model Mapping Table），也即目标映射表。目标映射表用于保存各任务类型与目标智能辅助决策系统内的各大语言模型之间的映射关系；不同大语言模型为基于不同类型的数据源构建的模型。当目标智能辅助决策系统获取到映射表更新指令时，会基于映射表维护指令对目标模型调度器中的模型注册表进行更新，以基于更新后的模型注册表对目标映射表进行更新。
本实施例中，目标模型调度器通过分析待决策任务可确定待决策任务的任务标签数据，从而确定待决策任务对应的任务类型。然后目标模型调度器可根据目标映射表从目标智能辅助决策系统的所有大语言模型中确定该任务类型对应的目标大语言模型。
在一种具体的实施方式中，待决策任务为针对高价值客户生成一篇个性化的社交媒体产品推广文案。目标智能辅助决策系统通过分析待决策任务可知待决策任务对应的任务标签数据为“个性化营销沟通”、“创意文案”，则可确定待决策任务对应的任务类型为创意内容生成，对大语言模型的核心要求为创造力和共情能力，智能路由决策引擎根据目标映射表，选择一个能力标签中包含创造力强和共情能力强的大语言模型作为主模型（也即目标大语言模型），以确保生成内容的吸引力。通过规则匹配，在模型能力库中找到DeepSeek-R1 和 Claude-3-Opus 都符合要求，引擎对比二者的成本参数和性能指标，可能会选择当前负载较低或综合成本更优的DeepSeek-R1作为主模型。
在一种具体的实施方式中，待决策任务为分析某门店上个季度的销售数据，并生成一份经营分析报告。任务解析模块打上标签，任务类型为数据分析与报告生成；核心要求为逻辑推理强且幻觉率低。智能路由决策引擎查询目标映射表，根据规则匹配，对于任务类型为数据分析的待决策任务，必须选择能力标签中包含逻辑推理强和幻觉率低的模型。在模型能力库中找到 Qwen2-72B符合要求。可以理解的是，创造力强的模型（如DeepSeek-R1）在此类任务的优先级较低。
在一种具体的实施方式中，待决策任务为审核一篇员工写的促销短信是否包含违规承诺。任务解析模块打上标签，任务类型为合规性审核；核心要求为遵循指令，成本低，速度快。智能路由决策引擎查询目标映射表，根据规则匹配，对于任务类型为合规性审核的待决策任务，优先选择能力标签中包含成本低和速度快的模型。在模型能力库中找到DeepSeek-V3.1最符合要求。可以理解的是，使用昂贵的大模型来做这种简单的规则匹配任务是一种浪费。
需要指出的是，对于更为复杂的待决策任务，目标模型调度器可以基于待决策任务对应的任务类型和预先获取的目标映射表确定所有目标大语言模型，并确定所有所述目标大语言模型的目标调用链。例如，对于待决策任务“根据最新的市场趋势（文档A）和公司的产品特点（文档B），为下个月的营销活动策划三个主题，并生成相应的社交媒体推广文案”。此时目标模型调度器的调度流程，具体可以包括：
步骤1（信息提取）：调度器调用逻辑推理强的模型（如Qwen2-72B），分别阅读文档A和B，提炼出核心要点。
步骤2 （头脑风暴）：将提炼出的要点交给创造力强的模型（如DeepSeek-R1），进行头脑风暴，产出三个活动主题。
步骤3（文案生成）：将每个主题分别再次交给创造力强的模型（如DeepSeek-R1），生成具体的小红书文案。
步骤4（合规审核）：将所有生成的文案交给成本低的审核模型（如DeepSeek-V3.1），检查有无违规词。
通过上述多源大语言模型调度机制，本实施例确保了专业任务由最擅长的“专家模型”来处理，无论是创意、逻辑还是合规性，都能达到最佳效果，实现了任务效果最大化。同时，本实施例不依赖于任何单一模型供应商。当某个模型升级、降价或出现故障时，只需在模型能力库中更新其标签和参数，整个系统便能无缝、智能地切换，保证了业务的连续性和未来的可扩展性。此外，本实施例基于这种多源大语言模型调度机制，永远用性价比最高的模型去处理匹配的任务，避免模型计算资源浪费，大幅降低AI运营总成本，从而确保了成本效益最优化。需要指出的是，基于这种多源大语言模型调度机制和多维业务知识中台，本实施例可将任何通用的大语言模型，快速训练成一个深刻理解某企业业务的“领域专家”。这种可维护、可扩展的多维业务知识中台，是企业在人工智能时代构建核心竞争力的关键基础设施，应用前景覆盖了智能客服、自动化营销、私域流量运营、数据分析洞察、员工培训、SOP执行监控等所有用户经营与内部管理环节。
步骤S14、获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。
本实施例中，目标提示词模板是预先配置的与目标企业业务相关的Prompt模板，也可由系统管理员通过模板配置接口定期更新。利用目标大语言模型基于结构化参数包和目标提示词模板生成与目标企业业务相关的智能辅助决策，包括：基于目标调用链调用各目标大语言模型，以利用目标大语言模型基于结构化参数包和目标提示词模板获取目标大语言模型对应的智能辅助决策。
本实施例中，利用目标大语言模型基于结构化参数包和目标提示词模板生成与目标企业业务相关的智能辅助决策，包括：利用目标大语言模型基于结构化参数包和目标提示词模板获取目标大语言模型对应的初始辅助决策；利用目标映射表确定目标决策审核模型，并利用目标模型调度器调度目标决策审核模型，以基于预设决策审核规则判断初始辅助决策是否符合决策输出条件；若初始辅助决策符合决策输出条件，则将初始辅助决策确定为待决策任务对应的智能辅助决策。之后，还可基于待决策任务的目标标签数据中的任务输出标签确定智能辅助决策对应的目标接收端；确定目标接收端对应的目标决策输出规则，并基于目标决策输出规则将智能辅助决策发送至目标接收端。
例如，在待决策任务为在线针对客户A进行产品推荐时，目标模型调度器将该待决策任务对应的结构化参数包注入到为该待决策任务对应的任务类型设计的Prompt模板中，调用已选定的创造型LLM，生成一段高度个性化的社交软件沟通沟通初稿。生成的沟通初稿可以进入审核环节。此时，目标模型调度器再次发挥作用，它识别到任务类型为“内容合规性审核”，根据目标映射表，会选择一个成本更低、规则遵循性更好、逻辑严谨的大语言模型（如DeepSeek-V3.1）来执行审核任务，检查有无夸大宣传的词语，实现成本与效果的最优平衡。最终的内容通过审核后，输出给下游的社交软件SCRM系统，由客户顾问一键发送。
本实施例中，一线顾问在接待顾客时，系统可实时调取该顾客的“用户维度”画像、“产品/服务维度”知识，以及“员工/专家维度”中的金牌沟通和标准作业流程（SOP），为顾问提供针对当前顾客的实时沟通方法和产品搭配建议。更重要的是，系统可自动整合线上小程序的初步测肤数据和线下专业仪器的深度检测数据，调用“员工/专家维度”中的诊断知识，生成一份统一口径的“诊断依据+推荐方案”。这不仅提升了专业度和顾客信任度，也让目标智能辅助决策系统成为员工不可或缺的智能助手，从而解决了系统的落地应用问题，辅助新员工快速上手标准化沟通与疗程推荐，帮助员工节省时间、提高成交率。店长还可基于这些数据实时掌握员工沟通质量与转化率以进行复盘带教，企业总部则可利用这些数据判断员工潜力，并形成跨门店的人效对比与经验模型，从而提升门店人效与成交稳定性。
本实施例中，还可以利用目标数据集成接口获取智能辅助决策对应的反馈结果；利用目标量化模型基于反馈结果对智能辅助决策进行量化评估以确定相应的量化评估结果，并利用目标可视化规则对量化评估结果进行可视化输出；利用预设的目标模型更新规则基于待决策任务和对应的量化评估结果对目标大语言模型进行更新，以利用更新后的目标大语言模型执行待决策任务。
在一种具体的实施方式中，本实施例通过内置的目标数据集成接口打通公域数据、私域数据以及渠道维度中线下门店POS系统数据，构建端到端的行为追踪链路。目标智能辅助决策系统调用逻辑推理能力强的LLM，对整合后的全链路数据进行分析，并生成可视化的ROI分析看板。为实现精准量化评估，AI Agent内置了以下核心计算模型：
a.全链路营销投资回报率（Full-Funnel ROI）：
；
其中，为营销活动i的POS终端收入，为广告投放成本，为所述目标内容生成系统的使用成本，为所述营销活动i的活动运营成本。
b.多级转化率漏斗（Multi-level Conversion Funnel）：
；
其中，计算了从公域流量到私域线索的转化率，对应的分母，是公域流量的计数（比如公域触达人数、公域曝光/点击量等公域侧的初始流量），对应的分子，是“公域流量”转化后的结果（私域线索）（比如从公域沉淀到私域的线索数量，如添加社交软件的联系方式的用户数）。
计算了从私域线索到线下到店的转化率，精准定位营销漏斗中的瓶颈，提升自然客流和营销投入产出比，对应的分母，是私域线索的计数（比如进入转化流程的私域线索总量，即待转化的私域线索池数量）, 对应的分子，是“私域线索”转化后的结果（线下到店）比如私域线索中实际到店的用户数量）。
通过上述量化评估过程，本实施例可生成经营健康度报告，为企业提供了清晰、数据驱动的决策支持，将每一笔投入与产出明确关联，让数据成为增长资产。进一步的，系统管理员可在系统中定义包含目标、素材、执行标准的任务模板，并将其存入“员工/专家维度”。系统通过“渠道维度”的组织架构，一键下发任务至指定的门店或员工，各执行单元通过系统回传任务完成情况（如拍照、数据录入），从而形成了“总部策略下发-门店过程追踪-效果数据反馈”的管理闭环。企业总部可以实时查看各区域、各门店的任务进度热力图和完成质量，确保企业的市场营销策略能够高效、透明地在各层级落地执行，大大缩短了管理半径和反馈周期，形成可复制的管理闭环。
可以理解的是，本实施例还可以基于所有待决策任务和对应的量化评估结果从客户信息数据库中确定待激活客户以及相应的客户激活任务；将客户激活任务确定为新的待决策任务，并跳转至对待决策任务进行解析以确定目标标签数据的步骤。也就是说，系统可持续监控“用户维度”的数据变化（如疗程结束时间、产品预估用尽周期、积分将过期等），当触发预设客户激活规则时，系统会将该客户确定为待激活客户，并自动组合该用户的画像、历史偏好以及匹配的“活动维度”中的营销策略，然后驱动多源LLM调度器中的创造型LLM，生成高度个性化的复购提醒、生日关怀、新品推荐等沟通内容，门店也可自动生成召回名单与消息，并通过相应的渠道在最佳时间自动触达客户，从而建立“对时对人”的自动召回机制，实现从客户激活、转化到留存、召回的全生命周期精细化与自动化管理，降低客户流失率、提升产品复购率。
可见，本申请在针对待决策任务生成智能辅助决策时，根据待决策任务对应的目标标签数据，利用目标业务知识中台动态地从目标业务画像数据库中检索并组合一个或多个维度的目标画像数据，形成一份全面的结构化参数包，并将该结构化参数包作为核心输入，利用目标模型调度器基于目标映射表根据待决策任务对应的任务类型，自动选择最合适的大语言模型作为目标大语言模型，驱动目标大语言模型进行智能分析或内容生成，以实现系统整体性能、效果和成本的最优化。本申请利用可配置的目标业务知识中台实现了多源异构数据与知识的融合，并与能够自主选择最合适的目标模型调度器进行有机结合，构成了目标智能辅助决策系统，为企业提供了一套实现智能化经营的标准化的方法论和技术框架，系统性地提升了企业利用数据和人工智能进行经营管理的能力。
参见图4所示，本申请公开了一种基于多源大语言模型的企业业务智能辅助决策装置，应用于搭载有目标智能辅助决策系统的终端设备，包括：
任务解析模块11，用于获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别；
参数包生成模块12，用于利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库；
模型确定模块13，用于利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型；
辅助决策生成模块14，用于获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。
可见，本申请在针对待决策任务生成智能辅助决策时，根据待决策任务对应的目标标签数据，利用目标业务知识中台动态地从目标业务画像数据库中检索并组合一个或多个维度的目标画像数据，形成一份全面的结构化参数包，并将该结构化参数包作为核心输入，利用目标模型调度器基于目标映射表根据待决策任务对应的任务类型，自动选择最合适的大语言模型作为目标大语言模型，驱动目标大语言模型进行智能分析或内容生成，以实现系统整体性能、效果和成本的最优化。本申请利用可配置的目标业务知识中台实现了多源异构数据与知识的融合，并与能够自主选择最合适的目标模型调度器进行有机结合，构成了目标智能辅助决策系统，为企业提供了一套实现智能化经营的标准化的方法论和技术框架，系统性地提升了企业利用数据和人工智能进行经营管理的能力。
在一种具体实施方式中，所述辅助决策生成模块14，具体可以包括：
第一决策生成单元，用于利用所述目标大语言模型基于所述结构化参数包和目标提示词模板获取所述目标大语言模型对应的初始辅助决策；
条件判断单元，用于利用所述目标映射表确定目标决策审核模型，并利用所述目标模型调度器调度所述目标决策审核模型，以基于预设决策审核规则判断所述初始辅助决策是否符合决策输出条件；
辅助决策确定单元，用于若所述初始辅助决策符合所述决策输出条件，则将所述初始辅助决策确定为所述待决策任务对应的智能辅助决策。
在一种具体实施方式中，所述模型确定模块13，具体可以包括：
调用链确定单元，用于利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表确定所有目标大语言模型，并确定所有所述目标大语言模型的目标调用链；
相应的，所述辅助决策生成模块14，具体可以包括：
第二决策获取单元，用于基于所述目标调用链调用各所述目标大语言模型，以利用所述目标大语言模型基于所述结构化参数包和目标提示词模板获取所述目标大语言模型对应的智能辅助决策。
在一种具体实施方式中，所述装置，还可以包括：
接收端确定模块，用于基于所述待决策任务的所述目标标签数据中的任务输出标签确定所述智能辅助决策对应的目标接收端；
决策发送模块，用于确定所述目标接收端对应的目标决策输出规则，并基于所述目标决策输出规则将所述智能辅助决策发送至所述目标接收端。
在一种具体实施方式中，所述装置，还可以包括：
反馈结果获取模块，用于利用目标数据集成接口获取所述智能辅助决策对应的反馈结果；
决策量化模块，用于利用目标量化模型基于所述反馈结果对所述智能辅助决策进行量化评估以确定相应的量化评估结果，并利用目标可视化规则对所述量化评估结果进行可视化输出；
模型更新模块，用于利用预设的目标模型更新规则基于所述待决策任务和对应的所述量化评估结果对所述目标大语言模型进行更新，以利用更新后的所述目标大语言模型执行待决策任务。
在一种具体实施方式中，所述装置，还可以包括：
激活任务生成模块，用于基于所有所述待决策任务和对应的所述量化评估结果从所述客户信息数据库中确定待激活客户以及相应的客户激活任务；
激活任务执行模块，用于将所述客户激活任务确定为新的所述待决策任务，并跳转至所述对所述待决策任务进行解析以确定目标标签数据的步骤。
在一种具体实施方式中，所述装置，还可以包括：
映射表更新模块，用于获取映射表更新指令，并基于所述映射表维护指令对所述目标模型调度器中的模型注册表进行更新，以基于更新后的所述模型注册表对所述目标映射表进行更新。
进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于多源大语言模型的企业业务智能辅助决策方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、 磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222 等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于多源大语言模型的企业业务智能辅助决策方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于多源大语言模型的企业业务智能辅助决策方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，应用于搭载有目标智能辅助决策系统的终端设备，包括：
获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别；
利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库；
利用所述目标智能辅助决策系统的目标模型调度器，基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型；
获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。
2.根据权利要求1所述的基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，所述利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，包括：
利用所述目标大语言模型基于所述结构化参数包和目标提示词模板获取所述目标大语言模型对应的初始辅助决策；
利用所述目标映射表确定目标决策审核模型，并利用所述目标模型调度器调度所述目标决策审核模型，以基于预设决策审核规则判断所述初始辅助决策是否符合决策输出条件；
若所述初始辅助决策符合所述决策输出条件，则将所述初始辅助决策确定为所述待决策任务对应的智能辅助决策。
3.根据权利要求1所述的基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，所述利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型，包括：
利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表确定所有目标大语言模型，并确定所有所述目标大语言模型的目标调用链；
相应的，所述利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，包括：
基于所述目标调用链调用各所述目标大语言模型，以利用所述目标大语言模型基于所述结构化参数包和目标提示词模板获取所述目标大语言模型对应的智能辅助决策。
4.根据权利要求1所述的基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，还包括：
基于所述待决策任务的所述目标标签数据中的任务输出标签确定所述智能辅助决策对应的目标接收端；
确定所述目标接收端对应的目标决策输出规则，并基于所述目标决策输出规则将所述智能辅助决策发送至所述目标接收端。
5.根据权利要求1所述的基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，还包括：
利用目标数据集成接口获取所述智能辅助决策对应的反馈结果；
利用目标量化模型基于所述反馈结果对所述智能辅助决策进行量化评估以确定相应的量化评估结果，并利用目标可视化规则对所述量化评估结果进行可视化输出；
利用预设的目标模型更新规则基于所述待决策任务和对应的所述量化评估结果对所述目标大语言模型进行更新，以利用更新后的所述目标大语言模型执行待决策任务。
6.根据权利要求5所述的基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，所述利用目标量化模型基于所述反馈结果对所述智能辅助决策进行量化评估以确定相应的量化评估结果之后，还包括：
基于所有所述待决策任务和对应的所述量化评估结果从所述客户信息数据库中确定待激活客户以及相应的客户激活任务；
将所述客户激活任务确定为新的所述待决策任务，并跳转至所述对所述待决策任务进行解析以确定目标标签数据的步骤。
7.根据权利要求1所述的基于多源大语言模型的企业业务智能辅助决策方法，其特征在于，还包括：
获取映射表更新指令，并基于所述映射表维护指令对所述目标模型调度器中的模型注册表进行更新，以基于更新后的所述模型注册表对所述目标映射表进行更新。
8.一种基于多源大语言模型的企业业务智能辅助决策装置，其特征在于，应用于搭载有目标智能辅助决策系统的终端设备，包括：
任务解析模块，用于获取与目标企业业务相关的待决策任务，并对所述待决策任务进行解析以确定目标标签数据；所述目标标签数据包括产品类别、渠道类别和客户类别；
参数包生成模块，用于利用所述目标智能辅助决策系统的目标业务知识中台，基于各所述目标标签数据从相应维度的目标业务画像数据库中获取各所述目标标签数据对应的目标画像数据，并基于所有所述目标画像数据生成所述待决策任务对应的结构化参数包；所述目标业务画像数据库包括产品信息数据库、渠道内容数据库、客户信息数据库；
模型确定模块，用于利用所述目标智能辅助决策系统的目标模型调度器基于所述待决策任务对应的任务类型和预先获取的目标映射表，从预先创建的多个大语言模型中确定与所述任务类型对应的目标大语言模型；其中，所述目标映射表用于保存各所述任务类型与所述目标智能辅助决策系统内的各所述大语言模型之间的映射关系；不同所述大语言模型为基于不同类型的数据源构建的模型；
辅助决策生成模块，用于获取预先配置的与所述目标企业业务相关的目标提示词模板，利用所述目标大语言模型基于所述结构化参数包和目标提示词模板生成与所述目标企业业务相关的智能辅助决策，以基于所述智能辅助决策完成所述目标企业业务。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的基于多源大语言模型的企业业务智能辅助决策方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于多源大语言模型的企业业务智能辅助决策方法。
CN202511772607.6A 2025-11-28 2025-11-28 基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质 Active CN121579552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202511772607.6A CN121579552B (zh) 2025-11-28 2025-11-28 基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202511772607.6A CN121579552B (zh) 2025-11-28 2025-11-28 基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN121579552A CN121579552A (zh) 2026-02-27
CN121579552B true CN121579552B (zh) 2026-07-14

Family

ID=98832896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202511772607.6A Active CN121579552B (zh) 2025-11-28 2025-11-28 基于多源大语言模型的企业业务智能辅助决策方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN121579552B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119537521A (zh) * 2024-10-17 2025-02-28 中通服创立信息科技有限责任公司 基于上下文感知的多模态大模型对话方法、系统及介质
CN119939199A (zh) * 2025-04-09 2025-05-06 北京羽乐创新科技有限公司 短信ai训练模型智能匹配方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2805275A1 (en) * 2012-01-20 2014-11-26 Mueller-Wolf, Martin "indima apparatus" system, method and computer program product for individualized and collaborative health care
CN120378452B (zh) * 2025-04-22 2026-01-27 中广核工程有限公司 一种智能核电一体化服务系统、方法及监测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119537521A (zh) * 2024-10-17 2025-02-28 中通服创立信息科技有限责任公司 基于上下文感知的多模态大模型对话方法、系统及介质
CN119939199A (zh) * 2025-04-09 2025-05-06 北京羽乐创新科技有限公司 短信ai训练模型智能匹配方法及系统

Also Published As

Publication number Publication date
CN121579552A (zh) 2026-02-27

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant