“宁犀”政企运维智能助手 支撑江苏移动提质降本增效

通信世界网消息（CWW）伴随着人工智能广泛应用于政企行业方案定制化、业务问题主动发现等关键领域，江苏移动政企用户规模已突破10万，专线业务用户规模已超64万。然而，鉴于政企领域产品形态复杂多样，运维工作面临巨大挑战，售前方案定制效率低下、售中问题繁多难以统一应对、售后维护响应迟缓等瓶颈日益凸显。为此，江苏移动推出了融合先进大模型语言处理技术与多模态交互能力的政企数智化助手，旨在全面加速政企运维领域的数字化转型。

江苏移动聚焦政企装维全生命周期“质”“效”双提升，依托大模型形成意图智能、分析智能、执行智能和稽核智能，面向售前方案生成、售中工单支撑、售后运维分析三大痛点场景，打造“宁犀”政企运维智能助手（如图1所示）。

售前：方案智能生成推荐

以往，政企业务解决方案需要客户经理凭借个人经验分析业务需求、罗列需求摘要，进而生成完整方案，平均耗时1周，响应速度慢。而“宁犀”政企运维助手可根据售前用户的方案需求，用低秩适配（LoRA）指令微调对话知识，开放多轮对话确认需求，并通过文本分析、数据查询、方案提取、自主匹配等能力支撑方案自动生成（如图2所示）。组网方案通过文档下载链接的方式提供，解决方案以知识点的模块化内容来提供。这使得支撑响应效率提升至98.8%，为产品市场竞争赢得先发优势。

在售前场景，“宁犀”政企运维助手使用的关键技术是LoRA算法，这是一种针对大型预训练语言模型的高效微调方法，专注于调整或添加少量与特定任务相关的参数。该技术基于售前客户经理与用户的历史对话数据，通过引入低秩矩阵的训练方式，仅改变原有模型层中权重矩阵的一部分，既保留了模型原有的大部分知识，又提升了售前方案生成的效果。此外，政企领域的综调大模型解决了原生大模型“零”业务知识理解的问题，还能对行业术语和个性化需求予以响应。利用政企基础运维数据对大模型进行微调，通过增加神经网络层数、调整网元参数，使其更好地适应政企业务的语义环境。

收集海量综调领域数据（涵盖运营调度规划、工单知识库、系统需求文档、技术产品手册等），“宁犀”政企运维助手先对其进行预处理，再将历史坐席和装维在线对话数据整理成指令格式。同时，将业务运维文档等基础知识融入大模型，促使大模型学习业务功能（如工单催办）所需的具体流程与操作。完成训练的综调大模型，再注入备好的指令对话数据进行LoRA指令微调训练。运用LoRA方式微调对话知识，开展多轮对话服务，提升大模型的业务理解能力，使问题处理效率提高85%。

售中：支撑装维工单综调质检

在日常政企业务装维场景中，每天需要投入20多名后台综调人员，为上千名装维人员提供支撑，解答400多条现场装维问题，业务繁忙，工作强度大。“宁犀”政企运维助手面向一线装维人员和综调人员，提供工单快速查询、分析、转派、督办等支撑能力，并基于提示词工程技术和智能体调度算法，实现任务识别与抽取，构建问题分析与调度智能体，以此满足售中工单支撑需求（如图3所示）。实测显示，“宁犀”政企运维助手日均自动处理工单达257个，其异常工单处理响应时间也从30分钟缩短至1分钟，问题处理效率提升近30倍。

面向售中开通交付环节，引入大模型与多模态识别能力，实现从电话预约、人员进场、安装工艺检查到满意度评价的整个业务装维流程，由人工转向AI智检，使得装维质检环节耗费时长从15.7小时锐减至0.4小时。

在售中场景中，“宁犀”政企运维助手使用的关键技术是提示词工程技术和智能体调度算法，借此实现高效的任务识别、抽取及处理能力。以下是对这两项技术在技术和算法层面更为详尽的阐释。

提示词工程技术通过精心设计的提示词（例如，查询故障工单信息，请输入工单号XX；查询政企业务信息，请输入用户名称XX）引导大模型学习并生成符合特定场景需求的文本或执行相应任务。该技术涉及大规模语言模型训练后的调优和微调操作，通过将领域知识和业务规则植入模型，增强其针对特定任务的理解和执行能力。

在上下文感知提示生成方面，为提高模型对上下文的理解能力，“宁犀”政企运维助手采用上下文感知的提示生成机制，根据输入内容动态地生成或选择最合适的提示词，使模型准确捕捉当前对话或任务的具体要求。

在多模态提示集成方面，鉴于实际业务场景中信息来源的多样性，特别是针对现场施工工艺图片识别、现场机房布线位置图片识别等需求，“宁犀”政企运维助手支持文本、图像甚至视频等多种形式的提示输入。借助多模态融合技术，系统能够综合各种类型的信息，进而提供更为全面、精准的服务。

在自适应提示优化方面，随着系统的持续运行，“宁犀”政企运维助手会不断收集用户反馈并分析模型表现，随后自动调整提示词库。这一自适应优化流程不但提高了模型的响应速度，而且增强了其处理新问题的能力。

智能体调度算法是“宁犀”政企运维助手的另一核心技术，该技术基于强化学习框架构建而成，旨在优化任务分配和资源管理。具体实现方式有两类。

一是基于强化学习的任务优先级排序。智能体调度算法使用强化学习算法，学习根据不同任务的紧急程度和重要性进行优先级排序。通过奖励机制（包含用户点赞和反馈等），算法能够逐渐学会在不同情况下做出最优决策，以实现时延最小化和效率最大化。

二是动态资源分配策略。针对装维工作的特点，“宁犀”政企运维助手落实动态资源分配策略，根据实时的工作负载情况灵活调配资源，确保每项任务都能获得适当支撑。例如，在高峰期增加后台综调人员数量，在低谷期则减少不必要的人员投入。

售后：业务智能运维分析

政企专线业务是典型的跨域、跨专业端到端场景，其性能、告警及投诉等数据分散在多个专业系统，致使数据查询既复杂又耗时，并且故障处理缺少现场诊断与验证工具。

“宁犀”政企运维助手面向一线维护人员与技术经理，通过大模型的意图识别、NL2SQL等技术，自动与各网管系统交互，完成信息查询、分析，还能调用网管系统的诊断工具和集团网智平台的AI能力，用于问题诊断、恢复验证。不仅如此，“宁犀”政企运维助手还具备运维分析报告自助生成功能，通过大模型的意图智能，获取集团编号或集团名称后，大模型按照报告模板和查询规则，自动调用网管接口采集数据，自动编写报告，运营报告生成时长从原先人工编写的3小时缩短至5分钟（如图4所示）。

在售后场景中，“宁犀”政企运维助手使用的关键技术是意图识别与NL2SQL。依托基于深度学习的大规模预训练模型，“宁犀”政企运维助手可以准确理解用户所提自然语言问题或指令背后的真正意图，并将非结构化的文本信息转化为可执行的操作命令。

在意图解析方面，通过多层神经网络对输入文本进行特征提取，“宁犀”政企运维助手可快速解析出用户的实际需求，无论是查询特定时间段内的网络性能指标，还是请求最新的故障告警信息。

在语义转换方面，利用先进的NL2SQL，将解析后的意图进一步转换为精确的SQL查询语句，该查询语句既能满足业务逻辑要求，又能高效地从各网管系统中获取所需数据。

全流程支撑：政企业务智能知识问答

针对运维人员技能提升与日常支撑需求，“宁犀”政企运维助手聚焦政企业务常见问题，通过大模型检索增强生成（RAG）技术将运维规范、技术文档、故障报告等材料，以政企业务智能问答形式提供服务支撑。该服务可实现7×24小时的问答响应，极大提高了用户问题的应答率。

在全流程支撑方面，“宁犀”政企运维助手使用的关键技术是RAG，这项技术融合了检索与生成两种方式的优势，旨在提供更加精准、高效的文本生成能力。

具体而言，在多源信息检索环节，RAG技术通过搜索引擎或数据库查询等手段，从海量知识库中检索出与用户提问关联性强的文档片段或段落。其来源涵盖政企运维相关技术文档、故障报告、规范手册等，能够快速定位特定问题的历史解决方案或最佳实践案例。

在上下文感知生成方面，RAG技术在获取相关政企运维资料后，利用预训练的大规模语言模型理解并整合这些信息，根据用户的实际需求生成自然流畅的回答。

在动态知识更新方面，考虑到业务环境与技术方案的不断变化，RAG系统支持其文档库的动态更新。每当有新的运维指南发布或故障处理经验总结时，系统能够及时纳入这些最新信息，确保回答的时效性和准确性。

项目应用成效和可推广性

目前，“宁犀”政企运维助手已在江苏全省展开试点应用，在提质量、优服务、降成本方面成效显著。其中，解决方案生成时长由7天缩短至2.5天以内，组网方案生成时长从5小时缩减至20分钟，知识问答实现7×24小时自动应答，用户满意度提升至99.43%，年压降工作量为1329人月。

“宁犀”大模型智能体结合38个AI能力上线，输出5项专利，参与业内首个模型即服务（MaaS）标准制定，该标准已正式发布并在ITU-T立项，江苏移动被授予“核心参编单位”称号。“宁犀”政企运维智能助手具备标准统一易推广、云平台部署兼容性强、低成本可复制性强等特点。值得关注的是，大模型智能体融合的政企AI能力已在中国移动集团内超15个省分公司推广应用。

*本文刊载于《通信世界》

总第960期 2025年1月25日 第2期