中案例 / AI 中台 / Agent / RAG

企业级 AI 中台：从能力分散到可复用的智能体生态

在保险/金融/银行等业务场景中，参与企业级 AI 中台、RAG 框架、智能体应用、评测集和插件生态建设，推动 AI 能力规模化复用。

核心问题

当企业内 AI 能力分散在多个业务线时，怎样把功能堆叠变成可复用、可评测、可商业化管理的平台能力？

这个案例展示我对企业级 AI 产品的理解：不只是做单点智能体，而是围绕中台架构、RAG、评测、应用广场和版本管理建立规模化落地机制。

我重点推动

把分散在业务线里的 AI 诉求收敛成可复用的平台能力
同步推进 RAG、评测、应用广场和插件生态，而不是做单点功能
兼顾上线效率、版本管理与商业化承接边界

公开证据

牵头/参与 1000+ 评测数据建设支持 10+ 产品快速上线覆盖 80% 保险销售场景

当前页面只展示可公开材料，敏感指标、截图和内部细节继续做脱敏收口。

执行链路

先定义平台级问题

把项目从“再做一个 AI 功能”改成“沉淀统一中台能力”，明确复用、评测和管理才是核心。

再补能力底座

围绕 Prompt 调优、知识工程、Benchmark 和 RAG 诊断，补齐企业落地真正依赖的底层模块。

接入应用生态

通过插件生态、应用广场和版本血缘管理，把能力从底层模块接到业务应用与订阅场景。

用评测和业务结果收口

让评测数据、上线数量、场景覆盖和 POC 周期共同证明中台不是概念层建设。

先统一问题定义

先把项目从分散需求拉回到统一平台问题：复用慢、评测弱、版本乱、上线成本高。

补齐能力底座

围绕 Prompt 调优、知识工程、RAG 和 Benchmark，把企业真正反复依赖的基础模块先沉淀出来。

接应用与插件生态

通过应用广场、插件机制和多类智能体场景，把平台能力真正接到业务消费层。

做好版本与订阅管理

把血缘、订阅、购买和版本追踪补齐，让平台从技术能力变成可管理的产品资产。

用结果验证平台价值

最终用评测数据、产品上线数量、场景覆盖和交付效率来证明中台建设不是概念工程。

闭环回写

平台能力上线后继续通过评测数据、业务使用反馈和版本血缘回到下一轮模块优化，而不是一次性 POC 结束。

为什么这块重要

对招聘方来说，这块证据能直接说明我理解企业级 AI 的真正难点在复用、治理和规模化落地，而不只是单个智能体是否可用。

问题

众安保险面向保险、金融、银行等业务线都有 AI 诉求，但如果每个团队都独立建设能力，会出现模型能力重复、知识沉淀困难、效果不可评估、应用上线慢、版本不可追溯等问题。

项目的核心不是“再做一个 AI 功能”，而是把分散能力沉淀为可复用、可评测、可管理的企业级 AI 中台。

洞察

企业级 AI 落地的难点不只在模型本身，而在三类系统性问题：

业务 know-how 分散在非结构化资料和专家经验中，难以复用。
智能体和应用越来越多，但缺少统一评测、版本管理和商业化入口。
业务团队需要可信的工具链，而不是一次性的 demo。

行动

我参与了多轮 AI 中台迭代规划和模块建设，重点包括：

推动多 Agent 协同和多模态交互框架上线。
搭建 Prompt 自动调优、知识工程与评测模块。
规划专属 Benchmark，完成评测指标定义、数据收集、评测实施与迭代闭环。
诊断并优化 RAG 框架，包括分块策略、混合检索、重排模型和元数据索引。
搭建插件生态与应用广场，支持产品订阅、按需购买和应用版本血缘管理。
参与或独立搭建 AI 早报、AI 陪练、保险代理人助手、合同/标书审查助手等智能体应用。

结果

当前简历中可公开表达的结果包括：

构建 1000+ 评测数据，推动 10+ 产品快速上线。
通过 RAG 框架优化，在垂直业务场景中提升召回率与准确率。
智能体应用覆盖大部分保险销售场景。
AI 话术设计与知识库问答体系累计生成 50+ 话术模板，并缩短 POC 交付周期。

代表能力

这个案例体现的是我对企业级 AI 产品的系统理解：AI 中台不只是模型入口，而是知识工程、评测、权限、版本、商业化和业务协同的组合系统。

后续补强

中台模块架构图或应用广场信息架构。
选一个最有代表性的智能体应用展开讲清用户旅程。
哪些指标可以公开，哪些需要继续脱敏。