利用 PostgreSQL 构建数据和人工智能平台 (Chinese Edition)

第七章. 如何构建 人工智能应用：入门指南

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

若为企业构建人工智能，切勿局限于"协同助手"的思维模式，而应着眼于平台建设。在这个日益由人工智能驱动、充满智能代理的世界里，企业需要具备可扩展性的基础架构——它能跨越职能边界，与合作伙伴及客户系统无缝集成，并协助企业跨越地域限制应对监管要求。平台之所以比协同助手更具持久力，在于其能标准化数据访问、治理与复用流程，使每个新用例都比前一个更优越、更高效。

曾经遥不可及的未来——AI智能体在极少人工干预下相互协作——如今已成为现实。企业需要兼具技术能力（检索、模型编排、混合数据访问）与运营保障（治理、合规、可观测性）的平台。二者共同构成飞轮效应，推动智能体工作负载在数据与AI平台上实现规模化扩展。 例如摩根大通设立全公司AI治理委员会，确保检索校验、模型选择和合规日志记录等机制在新协同助手上线前全面嵌入。¹

这条道路并非始于登月计划，而是从内部协同助手起步——为内部团队配备的人工智能助手。这类助手风险较低、成效可快速衡量，是培养企业后期所需运营肌肉记忆的理想选择。 理想的切入点包括：处理VPN重置或SSO问题的IT服务台协同助手、管理CRM数据质量与价格查询的销售运营协同助手、指导员工报销编码的财务协同助手。这些都是策略明确、成果可衡量的有界问题。

检索增强生成（RAG）是此类应用的基础模式：将生成式AI模型与PostgreSQL后端结合，既能即时提供实用价值，又能为构建更高级的智能系统积累技能与基础设施。RAG的核心理念是"先检索，后生成"——不让模型凭空构造答案，而是注入受控的实时上下文，确保输出结果准确可追溯。

摩根士丹利的案例堪称典范：该公司为16,000名理财顾问打造的生成式AI助手，所有回复均基于企业专属研究库而非零基础生成，从而确保合规性与准确性。²

我们将分步解析这一过程，因为它极易成为基石。完成后，您将切实理解这些概念如何转化为实际应用，以及在企业中实现AI构想所需的要素。本指南将聚焦一个具体模式：内部支持型协同助手。

全球最成功的企业正凭借广泛部署的生成式与智能型AI蓬勃发展。相较主流AI方案，它们实现两倍产出，并创造五倍投资回报率。其成功秘诀在于从正确切入点起步——这个"正确切入点"通常位于企业内部：反馈迅速、数据可控、风险可管理。

为何选择内部支持副驾驶？

内部支持副驾驶提供了一个有用的用例，突显了生成式人工智能的重要概念。 根据EDB的2025年全球研究，仅有13%的企业将AI投入主流生产环境（定义为超过50%的部署脱离实验阶段）。这看似应从内部团队着手，但历史上该领域常被搁置至最后，因外部需求往往优先处理。³ 成功实践者往往从内部起步——因为经验会向外累积。此策略奏效的五大原因如下：

1. 紧密的反馈循环

组织内部存在着规模最大、声音最响亮的批评者与拥护者，因此在学习过程中，您的反馈循环更贴近开发与行动节点。推动AI广泛应用的关键契机在于：当 员工亲身体验到AI如何优化工作流程——减少瓶颈、加速响应、降低摩擦——他们便更可能在其他场景中倡导AI应用。此类早期成功案例能建立机构信心，为未来举措奠定基础。成为"零号客户"更有利。

现实案例佐证： 高盛集团在约10,000名员工中试点后， 将生成式AI助手推广至全公司，用于文档摘要、内容起草和数据分析——明确以提升生产力为目标。⁴ 通过聚焦内部小规模试用，高盛得以验证工具实用性，基于员工实时反馈进行优化，并在全员推广前建立价值共识。 ...