第三章 · 企业本地AI应用
第三章
企业本地AI应用
按场景，不按功能 —— 每个场景配一场真机演示
第三章 · 企业本地AI应用
企业本地AI应用：按场景，不按功能
装完之后干什么。第三章不讲功能清单，讲场景。
本页结论：场景选对，落地就成了一半 —— 每个场景先看真机演示，再讲背后怎么做。
第三章 · 企业本地AI应用
高约束场景：从通用方法走到专业环境
把授权材料、带出处检索、人工复核和对外责任连成一条可验收的工作链。
不止是离线部署，更要把数据边界、权限、操作约束、验收和运维一起落到现场。
第三章 · 企业本地AI应用
3.2 企业知识库问答
把制度、法规、技术文档装进内网知识库：员工提问，答案逐条带出处，答不了就明说。这是本地 AI 最普适、也最容易验收的场景。
🎬 真机演示
内网知识库现场提问，看答案怎么带出处；然后上一道真难题 —— 某条法规被新规改写、整部仍然施行，看检索会不会把失效的旧条文当答案端出来。这是知识库场景最典型的翻车点。
落地要点 语料要治理（位阶、时效、去重），权限要继承（谁能看原文档，谁才能看到相应答案），拒答边界要实测。
第三章 · 企业本地AI应用
3.3 合规与风控
以保险业为例：条款审查、报送材料核对、监管问答辅助。特点是对「依据」的要求高于对「流畅」的要求 —— 答案好不好看不重要，引没引对条文才重要。
🎬 真机演示
拿一份脱敏的样例条款现场跑审查：输出问题清单，每条问题挂着依据的法条。
落地要点 核保理赔、授信审批这类高风险场景，按金发〔2026〕8号须经风险管理委员会审批 —— 边界在第四章展开。
第三章 · 企业本地AI应用
3.4 开发与运维提效
编码 agent 接内网模型：代码不出域，提效照样拿。适合已有研发团队、代码资产敏感的企业。选型依据见第一章 1.2。
🎬 真机演示
内网模型驱动的编码 agent 现场接一个小需求：读代码、改代码、跑测试，全程不出内网。
第三章 · 企业本地AI应用
3.5 什么场景不该上
敢用的前提，是知道哪里不能用。
错误代价高、又没人复核的
对外承诺、法律意见直接出口 —— 幻觉一次就赔穿的地方，不上。
要精确计算的
报表、利息、额度 —— 这是规则和数据库的活，大模型只该做入口不该做计算。
数据权限说不清的
语料里混着不同密级、又做不了权限继承 —— 先治理数据，再谈 AI。
毫秒级实时链路
大模型推理是百毫秒到秒级的事，别塞进交易主链路。
🎬 真机演示
现场让它「答不上来」一次 —— 看一个健康的拒答长什么样。从不拒答的系统比常拒答的更危险。
判断一个场景值不值得上，就问三句：数据敏感度可控吗？错误代价可承受吗？有人验收吗？
材料更新于 2026-09-09，内容随课程迭代持续演进。