本文看点：

数字员工是一种可以提供生产力的软件，其的价值可以用人效衡量，

软件不仅仅只是服务（SaaS），也可以是“软件即人效（SaaP）”。

在上一篇《企业AI落地三部曲1：为什么95%的企业AI项目失败》中，我们提出了一个判断：企业要真正释放 AI 的生产力，最终一定会走向“数字员工军团”。在我看来，数字员工并不是某一种具体形态的产品，而是企业 AI 落地的终极组织形态。原因并不复杂，至少体现在四个方面：

• ROI 可量化：数字员工可以直接用人力资源成本体系来衡量投入与产出；
• 使用门槛极低：它的交互方式天然贴近“同事协作”，就像在钉钉/企业微信或其他IM中和异地团队成员一起工作；
• 具备指数级扩展能力：一旦形成标准化能力，数字员工可以迅速演化为规模化的“数字员工军团”；
• 与具身智能天然兼容：它是未来 AI 从“软件”走向“实体”的关键大脑。

事实上，在ChatGPT 3横空出世不久，B端市场就已经出现了“数字员工”的概念，只是前面一直处于畅想阶段，未见落地。

直到2025年3月，因参与某银行项目，我们算是第一次近距离接触到了一家大型金融机构正在系统性开展数字员工工程。当时，TorchV 正在全力聚焦于“成为国内领先的企业级 AI 知识库厂商”，我们自己并没有明确的数字员工视角——原因也很简单：我们没有管理过成千上万人的组织，对“人效”提升的感知并不直观。而极致人效问题，恰恰是大型企业 CXO 们最迫切、也最无法回避的挑战。而对于某银行来说，他们在实施数字员工的过程中发现需要有一个可以支撑知识治理、权限控制和高精度RAG能力的知识库作为数字员工的支撑底座，因为数字员工所需的主动性、长期记忆与组织化协作等特质，恰恰是TorchV KBS（可以认为是某银行专有版的TorchV AIS）这样的知识引擎最本质的能力。

阅读全文

别把AI当作“工具”，而是要当作“员工”来设计。

这正是“数字员工”概念的来源，我们会在第二篇中展开。

2025年的企业技术领域的发展很有意思。一方面，全球在人工智能领域的支出预计将突破6000亿美元，基础设施和应用投资的同比增幅高达76%。然而，在这场资本狂欢的阴影下，一个残酷的统计现实正困扰着每一个渴望数字化转型的董事会和CIO：高达95%的生成式AI试点项目未能成功投产，更别说产生商业价值了。这一判断也与 MIT报告《The GenAI Divide》中提到的数据，以及Gartner 对“AI Pilot-to-Production Gap”的研究结论都高度一致。

这便是“生成式AI鸿沟”。本文作为《企业AI落地三部曲》的首篇，旨在通过我们近两年在企业AI落地实践中的教训与经验，为企业技术决策者提供我们的独特视角。时间到了2025年底，企业AI落地的失败已经不能再归咎于模型能力的不足——GPT-5.2与Claude 4.5等模型已足够强大。企业往往陷入了“忽略业务目标”、“单纯技术迷信”、“混淆个人与企业AI差异”这三大误区。

本系列目前的计划是三篇，每周一篇，分配是：

• 上篇：通过我们在企业AI落地实践中获得的教训和经验来分析为什么95%的企业AI落地项目失败了。
• 中篇：数字员工是目前最好用，也必将是未来的主流趋势的企业AI Agents落地形态。
• 下篇：企业AI落地的基石，知识构建、知识治理与知识健康。

以下是上篇内容。

---

一、当AI成为目的而非手段

在所有导致企业AI项目夭折的因素中，最致命的并非技术本身，而是战略出发点的偏离。正如思维导图所强调的，“忽略业务目标”是失败的根源。太多的企业陷入了“为了做AI而做AI”的怪圈，将手段异化为目的。

阅读全文

今年被问的最多的问题之一应该就是“你们和Dify、Ragflow有什么区别？”

其实这个问题并不好回答，每个产品都有自己的优势和特定用户群体。如果你陷入功能模块和技术参数的比较，那么就会脱离创造产品是为了实现客户价值这个初衷。所以回答这个问题最佳的方式是分析一下我们现有客户（如微众银行、浪潮信息、物产中大等）为什么选择我们的TorchV企业级AI知识库。

所以在本文中我会重点回答以下两个问题，特别是第二个问题：

• 为什么需要特别重视企业级知识引擎？
• 企业级AI知识引擎需要有哪些重要特性？

一、AI生产力悖论

阅读全文

导读：

• 为什么企业AI落地往往不顺？
• 重新认识一下知识，不是数据，也不是文档；
• AI企业知识库不等于RAG；
• 如何将文档、数据变成知识，TorchV对SECI模型的实现介绍。

一、AI时代知识为什么很重要

今年的AI应用里，让我最惊艳的应该是Gemini的Deep Research（pro版本）和Manus了，似乎AI真的走到了自己思考和执行事项的时代，相信已经用上这些产品的朋友会有同样的感叹。

但别急，我也发现了它们的一些局限。

也许用显微镜看的时候，它们的局限会很多，比如相对来说还比较高的执行失败率，或者明明规划路径是对的，最终结果却未达预期。但对我来说，最大的差距是Deep Research在规划时不能理解企业特有的业务流程，造成很多它们给的结果明明很好，但和我的业务无关，特别是企业自身的知识无法用几句话就讲清楚的时候，再聪明的AI也无法理解企业知识。

所以你猜到了，我想说的就是在真正的企业AI应用中，没有知识库是不行的。就像你请了一个国际高级咨询师，如果人家完全没有了解公司业务和知识的情况下，给你开了三天闭门会，也许你会觉得如沐春风，然并卵。

阅读全文

主要内容：

TorchV创业一年半的经历，以及对产品和市场的感想。

我们对AI企业知识库的定义。

昨天（2025.05.29）是TorchV创业一年半的日子，本来不想写什么的，因为最近被业务推进的速度摧残的都没有好好休息。但是突然看到红薯老师的文章里面引用了Srinivas Rao的《99% 的 AI 初创公司将在 2026 年前消亡》，让我突然有想写一篇创业感想的冲动。在这个时候看到这篇文章，应该说也算是一种警醒，至少会让我去好好总结和思考。AI有很多方向，我们到底应该聚焦在什么方向上。

Srinivas Rao的《99% 的 AI 初创公司将在 2026 年前消亡》观点带有一些悲观色彩，他分析99%AI初创公司消亡的主要原因缺乏真正的技术护城河，仅仅是依赖类似openai、anthropic等公司的大模型提供的API来进行包壳。这其实也是我们一开始创业就考虑的问题，不是因为我们多么有先见之明，而是实力不允许。所以我们一路走来，不自觉地就往更落地的方向走去了，去做AI企业知识库，而不是高举高打那些非常性感的技术和应用。就像《投名状》里面的台词：有希望打赢的仗，绝对轮不到我们上，让我们上的，肯定是没希望打赢的。把没有希望打赢的仗打赢，我们才有机会，但仅仅是个机会。你说很难？但不难根本轮不到你。当然，我们的处境还不至于如此凶险，但是低头看路是我们生存之道。

下面是我们创业的一些历程，以及一些思考。写的比较仓促，大家就当流水账看吧。

阅读全文

DeepSeek火爆现象背后企业可以得到什么实质提升？

本文的主要内容：

1. DeepSeek火爆最值得关注的点；
2. 企业可以在DeepSeek进化中得到哪些好处；
3. 企业如何更近一步拥抱AI。

DeepSeek-R1（其实还有V3）这个春节真的太火爆了，感觉比上一个春节期间的Sora带来的轰动要更加强烈，而且在最终效果上也非常落地和成功，媒体热度和DeepSeek的服务器一样，近20天了依然热得发烫。但我们也不能只看个热闹，还是想分析一下企业AI应用市场可以在火爆现象背后得到那些实质提升。

阅读全文

转眼到了2024年尾，和小伙伴一起创立TorchV也接近一年。虽然这一年做了很多事情，但从技术层面上来说，RAG肯定是不得不提的，所以今天分享一下作为大模型应用创业者所感知的这一年，RAG技术和市场环境的变化。

首先申明，本文更多来自于本人主观感受，且内容更多是回顾性的结论，不建议作为其他文章的引用材料。

主要内容包括：

• RAG技术变化
  • 主要架构变化
  • 技术细节变化
• 市场需求变化
  • 上半年：AI无所不能，大而全；
  • 下半年：回归理性，小而难；
  • 明年预测：应用才是王道；
  • 从业者变化。

其中技术部分放在上篇，市场需求变化放在下篇。

一、RAG技术变化

RAG（检索增强生成）其实是由两部分组成的，分别是检索和大模型生成。当然，既然有检索就必然会先有索引，包括chunking、embedding等动作都是为了建立更好的索引。因为我们之前从零开始创建并运营了一个千万级用户的智能问答类产品，所以在2021年左右其实就已经采用Java技术栈在使用RAG里面“RA”的大部分技术了。在2023年年中，RAG这个词突然火了起来，于是我们就立马就扑进去了，而且相信RAG在企业应用领域比纯粹使用大模型会更具实用性，至少在三年之内是这样的（随着最近传闻Scaling Law遇到瓶颈，好像这个时间还有可能被推后）。短短几个月，RAG开始的火爆程度甚至有超过LLM的趋势，在2024年1月我甚至还参加了“共识粉碎机”的EP15讨论会，主要话题就是“2024年是否会成为RAG元年？”。

阅读全文

原作者：Deval Shah

原文：Reciprocal Rank Fusion (RRF) explained in 4 mins — How to score results form multiple retrieval methods in RAG

图：RAG 中的倒数秩融合（图片由作者提供）

检索增强生成 （RAG） 是自然语言处理中的一种强大技术，结合了基于检索的模型和生成模型的优势。
检索阶段可以成就或破坏您的 RAG 管道。
如果检索器未能从检索器中获取相关文档，则精度较低，幻觉的可能性会增加。

有些查询适合基于关键字的检索技术，如 BM25，而有些查询在密集检索方法中可能表现得更好，其中我们从语言模型嵌入了 embedding。有混合技术可以解决这两种检索方法的缺点。

在这篇博文中，我们将深入探讨 RRF、它的机制、数学直觉和在 RAG 系统中的应用。

什么是倒数秩融合？

阅读全文

好久没打理Blog了，今天抽时间聊聊当下的企业AI应用需求趋势。

一、企业AI应用需求的底层逻辑

如果从去年年底开始算，我们接触的需求也不少了，具体数量肯定在四五百个以上，各类需求都有。如果一定要做个归纳分类，那可以从客户需求的出发点切入来分类，或者说从底层逻辑来分类。

01用新技术解决老问题

阅读全文

写在前面

在我的产品研发生涯中，出品的产品已经超过十个了，有 toG、toB也有toC，有复杂的，也有非常简单的。回顾这十多个产品，也发现一个有意思的想象，但凡现在依然还被很多客户在使用的，往往都是目的很纯粹的产品，至少从产品初衷来说，都是仅为了解决一个核心问题的。而那些单个产品就带有很多功能的toG系统，现在基本上都已经被扔进垃圾桶了……

所以在我和八一菜刀自己出来创业之后，就“立志”要做简单但强大的产品。

• 简单：也就是上面说的产品的初衷非常单纯，就是去解决一个问题；
• 强大：这可能有多个解释，如对客户非常有效，有很高的使用价值；产品使用体验非常好，上手很快，能被广泛使用；产品性能好，性能稳定，可解释性（可控）强。

阅读全文