Ertas 助力内部知识库

    微调理解组织术语、流程和机构知识的模型——驱动员工信任并实际使用的内部问答系统。

    The Challenge

    每个组织都在 Wiki、Confluence 页面、SharePoint 站点、Slack 对话、邮件存档和资深员工的脑海中积累了机构知识。在需要时找到正确的信息是现代组织中最持久的生产力挑战之一。据估计,员工每周花 20% 的工作时间搜索信息、向同事提问和重新创建组织中某处已存在的知识。

    通用 AI 聊天工具和企业搜索解决方案部分解决了这个问题,但在关键方面不足。它们可以检索包含相关关键词的文档,但无法回答需要综合多个来源信息或理解组织特定上下文的问题。「我们处理客户数据泄露的流程是什么?」或「哪个团队负责 Stripe 的计费集成?」等问题需要了解组织的特定流程、团队结构和技术栈——通用模型没有这些上下文,关键词搜索也无法提供。

    The Solution

    Ertas 让组织能够用自己的内部文档、来自服务台和支持渠道的问答对以及流程文档微调知识库模型。生成的模型会学到组织的术语、团队结构、工具和流程,能在公司自身的语境中回答问题,并为员工指出合适的资源。结合基于最新文档的 RAG,它的回答既来自训练所学,也来自最新的文档。

    在 Ertas Studio 中,知识管理团队用从内部支持渠道、IT 服务台工单、HR 常见问题回复和专家访谈中整理出的问答对进行训练。模型会学到每个答案背后的语境:该联系哪个团队、用哪个工具、走哪个流程,以及有哪些例外。模型从 Hub 导出后,通过 AnythingLLM、Dify 或自建的聊天界面部署在内部基础设施上,成为员工可以用自然语言提问的对话助手,问题和答案都留在公司网络内。训练数据需要上传到 Ertas 的云端 GPU,因此请把受限资料排除在训练集之外。文档级权限应放在检索层处理。训练过的模型可能把训练数据中的任何内容告诉任何提问的人,所以只用助手所有用户都有权查看的知识来训练。

    Key Features

    Studio

    组织知识训练

    在 Studio 中用内部问答对、流程文档和组织知识训练模型。模型会学到贵组织的术语、团队结构和操作流程。

    Studio

    在 Data Craft 中整理问答

    在 Studio 的引导式数据集构建器 Data Craft 中构建训练集。各领域专家以 ASSISTANT 轮次撰写或修正答案,在流程变化时保存新版本,并在训练前逐条批准。

    Hub

    私有知识助手

    Hub 列出您训练好的模型。可以导出为 GGUF 用于 Ollama 或 LM Studio,也可以导出完整的 safetensors 用于 vLLM,再部署在聊天界面、Slack 机器人或搜索组件后面。查询和回复都留在您的基础设施内。

    Hub

    权限放在检索层

    把访问规则放在为模型提供最新文档的检索层,让每位用户只能检索到自己本来就能打开的内容。模型本身只用助手所有用户都有权查看的知识来训练。

    Example Workflow

    一家 2,000 人的科技公司,组织知识分散在 Confluence(15,000 个页面)、Slack(3 年的历史记录)和 Zendesk 服务台(50,000 张已解决工单)中。IT 和 People Ops 团队从服务台工单、Slack 支持频道和整理过的常见问题文档中提取 25,000 个问答对,删除个人信息和仅限特定团队查看的内容后上传到 Ertas Studio。专家在 Data Craft 中审阅 HR 和安全相关的答案后再批准。团队微调出一个了解公司工具(内部系统名称、缩写、团队名称)、流程(入职、采购、事件响应)和政策(休假、报销、数据分级)的模型,并用一组预留的真实员工问题比较各次训练。选定的模型导出后通过 AnythingLLM 部署在内部基础设施上,并在现有权限下把 Confluence 页面作为 RAG 上下文加载。员工通过 Slack 机器人和网页界面使用它。团队用自己的评估跟踪服务台工单量和回答准确率,并每季度用新解决的工单重新训练。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.