案例 16 · 电信网络分析

文字由原PDF提取，阅读顺序和表格请以原页为准。

过去仪表盘更像是“我提前把问题定义好，然后给你看答案”；现在则可以围绕数据继
续追问。这对于电信网络这种数据量大、问题变化快的业务来说，其实比单纯生成一张
报表更有价值。
而且从架构角度，我们交付的是一个可以长期运转的Agent系统，所以它的价值在于逐
渐进入客户日常的数据分析工作。
Q5：在部署AI过程中，是否遇到了新问题或挑战？你是怎么解决
的？
这个项目里最大的挑战，恰恰是很多AI演示不会暴露出来的东西：稳定性、准确性、成
本，以及规模化。
很多人做Agent，第一阶段很容易成功。你给它一个问题，它能回答；换一个问题，它
也能回答。于是大家会觉得这个东西已经做好了。
但一旦进入生产环境，问题就来了。比如，同一个问题反复问，答案是不是一致？数据
分析过程有没有出现错误？SQL有没有写错？如果用户数量从一个人变成几十上百个
人，成本还能不能接受？
这些问题，才是真正决定一个Agent能不能落地的地方。
第一个挑战，是稳定性与准确性。
稳定性尤其明显。前面说过，很多人把模型随机性当成“结果不稳定很正常”的借口。
但我们的做法，是通过系统设计，把这种随机性放进一个相对可控的业务流程里。就像
汽油本身不稳定，但汽车工程的意义，就是让汽油可以安全、稳定地驱动车辆。
第二个挑战，是成本。
成本是一个很现实的问题，包含多个层面，“调用模型多少钱”只是其中之一。
162/243