小亦助手使用指南

简介

小亦助手是AI工作台的核心智能交互组件，为用户提供开箱即用的智能问答和多模态处理能力。作为系统的智能中枢，小亦助手集成了先进的AI技术，支持自然语言交互、多格式内容处理和智能知识检索。

核心功能模块

通用问答系统

信息

重要提示：小亦助手的基础使用需要先完成大语言模型的接入配置。 请确保已正确配置至少一个大型语言模型服务提供商。

小亦助手的核心对话引擎，提供智能问答能力：

• 自然语言处理：理解用户意图和上下文
• 知识推理：基于已有知识进行逻辑推理
• 内容生成：生成高质量的回答和建议

AI搜索

信息

重要提示：小亦助手的AI搜索功能需要先完成搜索供应商 Serper 的接入配置。

AI搜索是一种结合了传统搜索引擎和生成式AI能力的智能信息检索技术。它不仅能高效地从海量数据中检索相关信息，还能利用大语言模型（LLM）对检索结果进行深度分析、整合和生成，从而提供更精准、全面且易于理解的答案。AI搜索的使用场景非常广泛，包括但不限于：

1. 知识问答与学习辅助：用户可以通过自然语言提问，AI搜索能够快速整合来自权威来源的信息，并生成结构化的回答，极大提升了学习效率。
2. 企业决策支持：企业可以利用AI搜索分析市场报告、行业动态和内部数据，生成深度洞察，辅助管理层做出更明智的决策。
3. 代码开发与技术问题解决：开发者可以通过AI搜索快速找到技术文档、代码示例或解决方案，同时AI还能生成可运行的代码片段，显著提升开发效率。
4. 内容创作与营销：内容创作者可以使用AI搜索获取灵感、事实核查或生成初稿，同时营销团队可以分析用户反馈和趋势，优化营销策略。
5. 医疗与法律咨询：在专业领域，AI搜索能够快速检索相关文献、案例或法规，生成初步建议（需专业人士最终审核），提高工作效率。

对大模型问答的提升

传统的大模型问答（如纯生成式AI）虽然能生成流畅的文本，但可能存在幻觉（捏造事实）或依赖过时的知识。AI搜索通过以下方式提升大模型问答的效果：

• 事实准确性：通过实时检索最新数据（如网页、数据库），减少模型虚构信息的风险。
• 可追溯性：提供答案的来源引用，增强用户信任。
• 动态更新：无需重新训练模型即可获取最新信息，降低成本和时间。
• 上下文增强：结合用户查询和检索到的相关内容，生成更精准、个性化的回答。

---

用例说明

用例1：学生研究论文

• 用户查询：“量子计算的最新进展是什么？”
• AI搜索过程：
  1. 检索最新论文、科技新闻和权威机构（如arXiv、IBM博客）的内容。
  2. 整合信息并生成摘要，包括关键突破（如量子霸权实验）、主要研究团队和未来挑战。
  3. 提供来源链接供用户深入阅读。
• 提升效果：相比纯生成式模型（可能依赖过时知识），AI搜索确保答案的时效性和准确性。

用例2：企业竞争分析

• 用户查询：“特斯拉和比亚迪在电动汽车市场的份额对比？”
• AI搜索过程：
  1. 检索近期市场报告（如Bloomberg、Statista）、财报和行业分析。
  2. 提取数据并生成可视化图表（如市场份额趋势），附分析评论。
  3. 指出数据来源和假设（如区域差异）。
• 提升效果：避免模型臆测数据，提供基于事实的决策支持。

用例3：程序员调试

• 用户查询：“Python如何处理大数据集的内存溢出问题？”
• AI搜索过程：
  1. 检索Stack Overflow、官方文档和最佳实践指南。
  2. 生成代码示例（如使用生成器、分块处理），并解释原理。
  3. 推荐工具（如Dask）和优化技巧。
• 提升效果：直接提供可操作的解决方案，减少试错时间。

---

AI搜索的底层原理

AI搜索的核心是检索增强生成（Retrieval-Augmented Generation, RAG），结合了信息检索和生成式模型。其工作流程如下：

步骤分解：

1. 查询解析：理解用户意图，可能进行查询扩展（如同义词处理）。
2. 检索：从知识库（如网页、数据库）中检索相关文档或片段，常用向量搜索引擎（如FAISS）匹配语义相似性。
3. 重排序：对检索结果进行相关性排序，过滤低质量内容。
4. 生成：将检索到的内容作为上下文，输入大模型（如GPT-4）生成最终答案。
5. 后处理：添加来源引用、格式化输出（如列表、图表）。

关键技术组件：

• 嵌入模型（Embedding Model）：将文本转换为向量，用于语义检索（例如OpenAI的text-embedding-ada-002）。
• 向量数据库：高效存储和查询向量（如Chroma、Pinecone）。
• 大语言模型（LLM）：生成答案的核心（如GPT、Llama）。
• 检索器-生成器协调：通过提示工程（Prompt Engineering）指导模型利用检索内容。

网页问答

信息

重要提示：小亦助手的网页问答功能需要先完成向量化模型的接入配置。 向量化模型用于内容理解和相似性检索。

信息

指定网页地址问答与AI搜索的不同点

对比项	指定网页地址问答	AI搜索
数据来源范围	局限于指定的单个或少数几个网页，信息范围窄且固定	从互联网海量网页、数据库等多渠道获取信息，覆盖面广
回答特点	针对性强，围绕指定网页内容深入挖掘解读	更注重全面性，综合多来源信息，宏观视角但特定内容解读可能不深入
应用场景侧重	适用于对特定文档、网页内容详细理解分析	适合用户无明确信息来源，需广泛知识信息的场景

可能的案例 - 学术论文解读

• 场景：计算机科学专业研究生研究区块链技术中的共识算法，找到知名学术会议上关于新型共识算法的论文网页。
• 操作：使用指定网页地址问答工具，输入论文网页地址，提问“论文中提出的新型共识算法与传统算法相比，在性能上有哪些提升？”
• 结果：工具从论文网页提取相关内容，给出新型共识算法在吞吐量、延迟等性能指标上与传统算法对比的详细回答。

图像问答

信息

重要提示：小亦助手的图像问答功能需要先完成多模态大模型的接入配置。 确保配置支持图像理解和生成的视觉模型。

使用场景

领域	应用场景	核心价值
📚 教育	在线课程辅助	增强互动学习体验，提升知识理解深度
	智能学习辅导	提供个性化学习支持，突破学习难点
🏥 医疗	远程诊断	辅助医学影像分析，提升诊断准确性
	医学研究协作	促进学术交流，加速科研进程
🎨 设计与艺术	创意灵感激发	汲取设计精华，激发创作灵感
	艺术作品鉴赏	深度解读艺术作品，提升审美素养
⚙️ 工业制造	质量检测与监控	实时缺陷识别，保障产品质量
	设备维护与管理	快速故障诊断，提高维护效率
🛍️ 零售	商品展示与营销	增强购物体验，提升转化率
	市场调研分析	洞察市场趋势，优化营销策略

（一）IT系统故障智能分析

多模态大模型通过简化故障信息输入与智能分析，显著提升IT系统运维效率。用户仅需拍照或截图系统错误界面，模型即可自动解析关键信息，实现快速故障定位。

核心应用方式：

• 视觉化信息输入：支持拍照/截图系统错误界面，自动识别错误代码、告警信息等视觉元素
• 多源数据融合：整合系统日志、性能指标和视觉信息，构建完整的故障画像
• 智能根因分析：通过多模态特征关联分析，精准定位硬件故障、配置错误等根本原因
• 解决方案生成：基于历史案例库，自动输出修复建议和操作指南

（二）财务报销智能审核

多模态大模型通过自动化提取和结构化处理各类报销材料，大幅提升财务审核效率。支持发票、收据、行程单等多种材料的智能识别与信息提取。

核心应用方式：

• 多票据统一处理：同时支持增值税发票、机打收据、手写单据等多种票据类型的智能识别
• 结构化信息提取：自动提取开票日期、金额、税号等关键信息并生成结构化数据
• 智能合规校验：基于企业财务政策，自动验证报销金额、票据真伪、项目合规性
• 异常模式识别：通过数据分析发现重复报销、超额报销等异常模式

文档问答

信息

重要提示：小亦助手的文档问答功能需要先完成向量化模型的接入配置。 向量化模型用于内容理解和相似性检索。

• 点击文件上传按钮，选择需要上传的文件（支持PDF、Word、Excel等多种格式）
• 等待文件状态变为“✅解析成功”，表示文件已成功上传并处理完毕
• 提出您的问题，系统将基于上传的文件内容进行智能回答

知识库问答

信息

重要提示：小亦助手的知识库问答功能需要先完成向量化模型的接入配置。 向量化模型用于内容理解和相似性检索。

提示

重要提示： 使用知识库问答功能前，请前往AI资源库模块上传文档资源来创建自己的知识库。

• 点击知识库问答按钮，在搜索框中搜索并选择已有的知识库
• 提出您的问题，系统将基于所选知识库内容进行智能回答