对AI应用的思考（源于单页笔记整理）
背景
从单页笔记导出来的一些思路和想法，沉淀一下，看看后续能否有更深入的理解和落地。
思考
| Index | Year | Category | Background | Thought | Status | Review | Link |
|---|---|---|---|---|---|---|---|
| 01 | 2025 | 架构设计 | - | DSL, context, environment整合设计 | ⏳ | - | - |
| 02 | 2025 | 架构设计 | - | 设计反馈系统，数据标注飞轮的建设 | ⏳ | - | - |
| 03 | 2025 | 架构设计 | - | LLM对业务流的改造 | ⏳ | - | - |
| 04 | 2025 | 架构设计 | - | 场景选择，快打慢进 | ⏳ | - | - |
| 05 | 2025 | 架构设计 | - | AI融入业务流，系统性应用，固化到系统流程中 | ⏳ | - | - |
| 06 | 2025 | 架构设计 | - | 企业内知识管理是伪需求吗？ | ⏳ | - | - |
| 07 | 2025 | 场景应用 | - | 质量信息合并，使用embedding模型，进行相似度计算及推荐，报单应该也可以使用 | ⏳ | - | - |
| 08 | 2025 | 场景应用 | - | 产品质量信息报告用agent实现 | ⏳ | - | - |
| 09 | 2025 | 场景应用 | - | 基于零部件的文章生成，还是要做的，一个知识消费的场景 | ⏳ | - | - |
| 10 | 2025 | 场景应用 | - | 服务稽查能否使用多模态模型？例如，场景逻辑性分析、图片翻拍？ | ⏳ | - | - |
| 11 | 2025 | 场景应用 | - | 知识检索与数据分析的融合，如何对agent进行设计，用户体验五层理论，中间态的处理，数据分析的模板，数据异常的标准，运行的流程图，实现路径，提取现象，生成知识检索 | ⏳ | - | - |
| 12 | 2025 | 场景应用 | - | 质量信息直接生成ppt | ⏳ | - | - |
| 13 | 2025 | 场景应用 | - | 质量信息模块，在管好信息的基础上，要能输入提质增效的价值 | ⏳ | - | - |
| 14 | 2025 | 场景应用 | - | Q：市场上一些失效模式，如何反推设计端更新DFMEA？A：知识可以应用在这里，市场故障、DFMEA、图谱，放一块 | ⏳ | - | - |
| 15 | 2025 | 场景应用 | - | 故障树可以用mermaid来实现 | ⏳ | - | - |
| 16 | 2025 | 场景应用 | - | 体系文件查询，精准查询；体系文件修订，对子公司的建议，自动化建议 | ⏳ | - | - |
| 17 | 2025 | 场景应用 | - | 质量信息，引入项目计划里 | ⏳ | - | - |
| 18 | 2025 | 数据处理 | - | 用图谱表述故障案例，结构化提取，还是可以的 | ⏳ | - | - |
| 19 | 2025 | 数据处理 | - | 还是要对发动机进行系统划分，大类，在图谱关联的时候用得到，图是DFMEA很好的承载形式，三元组 | ⏳ | - | - |
| 20 | 2025 | 数据处理 | - | 质量工具，如鱼骨图，可以通过规则来生成。还是要做图谱 | ⏳ | - | - |
| 21 | 2025 | 数据处理 | - | 知识管理及应用 | ⏳ | - | - |
| 22 | 2025 | 数据处理 | - | 元数据，抽取知识时，要有发生日期、分析日期、改进日期 | ⏳ | - | - |
| 23 | 2025 | 数据处理 | - | 大模型友好的知识或文档是怎么个形式 | ⏳ | - | - |
| 24 | 2025 | 数据处理 | - | Q：基于RAG技术进行知识检索，知识是保存在非结构文档（word、ppt、pdf等）中的故障分析报告，包括零部件名称、件号、供应商、故障现象、原因分析、验证、改进方案及日期等，最优的知识形式是什么？如何组织起来？A：初级上元数据，最终要上图谱。reference: Google drive 知识管理组织形式QA | ⏳ | - | - |
| 25 | 2025 | 数据处理 | - | 售后服务维修过程的处理还是要做的，可以用在预测和故障树上 | ⏳ | - | - |
| 26 | 2025 | 数据处理 | - | AI应用的基础是业务的标准化，如失效类型、主数据等 | ⏳ | - | - |
| 27 | 2025 | 开发框架 | - | 从oa接入流数据进行试点 | ⏳ | - | - |
| 28 | 2025 | 开发框架 | - | 业务系统深度集成dify会怎么样 | ⏳ | - | - |
| 29 | 2025 | 开发框架 | - | 工作流编排、RAG、data agent/nl2sql | ⏳ | - | - |
| 30 | 2025 | 开发框架 | - | 借助 LangBot，即可在短时间内将 Dify 接入到 QQ、微信、飞书、钉钉等平台提供服务。同时，LangBot 还提供扩展机制和丰富的生态，能更加灵活地满足需求。 | ⏳ | - | - |
| 31 | 2025 | 开发框架 | - | 知识库建设，邮件发送自动回复，怎么样？还有钉钉机器人，都是产品应用形态 | ⏳ | - | - |
| 32 | 2025 | 技术储备 | - | Deep research open source project | ⏳ | - | - |
| 33 | 2025 | 技术储备 | - | 企业内，deep research还是有场景价值的，但前提是数据治理好 | ⏳ | - | - |
| 34 | 2025 | 技术储备 | - | Agent最有价值的地方，是策略性的做细分领域tool calling，这个tool是护城河。这个tool可以完成复杂的计算，本质是文本但超越文本。 | ⏳ | - | - |
| 35 | 2025 | 技术储备 | - | 文本的结构检测，其实可以做很多事，如关系抽取、结构化信息组建等 | ⏳ | - | - |
图例：
✅：完成
❌：终止
⏳：思考完善中
⚠️：风险项
应用
参考
版本记录
2026-01-04，初稿；