Ideas, insights & progress
Notes on building software, thinking through technology and exploring what comes next.
Yuanfan Free Watermark 1.0 Released: Add Watermarks in the Browser, No Download Needed
Yuanfan Technology (Dongguan) Co., Ltd. has released Yuanfan Free Watermark 1.0. It is a lightweight web-based watermark tool. You do not need to download an installer or create an account. Open the page, import a file, set the watermark style,…
Read article ↗Drakvix Repeater 1.0 Released: Turn Real Audio into Repeatable Listening Practice
Yuanfan Technology (Dongguan) Co., Ltd. has released Drakvix Repeater 1.0. It is the first public release in our Learning tools product line, built with one clear goal: help language learners turn real audio into a focused desktop workflow for listening,…
Read article ↗大模型应用落地实践:企业如何从 Demo 走向生产级 AI 系统
2024 年,几乎每家企业都跑过大模型 Demo:上传几份文件问几个问题,效果令人惊艳。但从 Demo 到稳定运行的生产系统,中间横着一条鸿沟——大量企业在这里折戟。本文总结元帆科技服务 20+ 企业大模型落地项目的核心经验,帮你避开最常见的坑。 一、Demo 好用,生产踩坑:五大根本原因 1. 数据质量问题 Demo 阶段用的是精心准备的干净文档。生产环境里,企业文档往往格式混乱(扫描件、表格截图、手写备注)、内容过时(2018 年的产品手册还在用)、结构化程度低。大模型对输入数据质量极其敏感,垃圾数据进,垃圾答案出。 2. 幻觉(Hallucination)未被控制 大模型在不确定时会”自信地编造”答案。Demo 场景下,用户对 AI 保持警惕,每个答案都会核实。生产场景下,用户开始信任系统后,一个错误的合同条款解读或药品剂量建议可能造成真实损失。 3. 响应延迟无法接受 Demo 阶段等 10 秒结果没问题。生产客服场景,用户 5 秒没响应就会离开。私有化部署的大模型如果没有合理的推理服务配置(vLLM 并发、批处理等),在高并发时延迟会急剧恶化。 4.…
Read article ↗业务流程自动化实战:RPA + 工作流引擎,消灭企业里的重复劳动
一家 200 人的制造企业,每天有多少人在做”把数据从一个系统复制到另一个系统”的工作?根据麦肯锡对中国中型企业的调研,这类纯手工重复操作平均占一线员工工作时间的 25%–40%。业务流程自动化(BPA)的目标,就是让系统替代人完成这些可标准化的工作。 一、什么值得自动化?判断三原则 不是所有流程都适合自动化,优先自动化符合以下特征的流程: 高频重复:每天/每周重复执行相同步骤,频率越高 ROI 越高 规则明确:判断逻辑可以写成”如果…那么…”的规则树,不需要主观判断 数字化输入:操作的数据来源是系统、文件、表单,而非口头沟通或需要现场观察 典型的高价值自动化场景:月末财务报表生成(每月重复 2–3 天工作)、订单录入(每天 100+ 条手工录入)、员工入职 IT 账号开通(每次 2 小时人工操作)、供应商对账(每月 4–5 天核对工作)。 二、RPA vs 工作流引擎:选哪个? RPA(机器人流程自动化) RPA 的本质是”数字员工”——软件机器人模拟人的鼠标键盘操作,在系统界面上执行操作。核心优势是无需改造现有系统,即使是没有 API 的老旧系统也可以自动化。…
Read article ↗企业管理系统定制开发完全指南:ERP、CRM、OA 如何选型与实施
很多企业在选型企业管理系统时面临两难困境:市面上的通用 ERP 功能复杂、实施周期长、与自身业务差距大;但完全从零自研又担心成本高、周期长、风险大。本文系统梳理企业管理系统的选型决策框架,以及定制开发的核心优势与实施路径。 一、企业管理系统定制开发 vs 通用软件:如何选择? 通用 ERP(如 SAP、用友、金蝶)适合流程标准化程度高、业务逻辑与通行规范高度一致的大型企业。但对于大多数中型制造、贸易、服务企业而言,通用系统存在以下问题: 业务适配差:通用系统按行业”平均值”设计,企业往往需要为了系统而改变业务流程 实施成本高:SAP 全套实施费用通常在 300 万元以上,中小企业难以承受 升级绑定:依赖供应商的版本更新节奏,数据迁移和定制化成本极高 源码不交付:无法根据自身业务变化进行二次开发 定制开发的核心优势在于:系统 100% 按照企业真实业务逻辑构建,流程不需要妥协;源码完整交付,企业完全掌控系统演进路径;中长期总拥有成本通常低于大型通用 ERP。 二、企业管理系统的核心模块 1. ERP(企业资源规划) ERP 是企业管理系统的”主干”,核心模块包括: 采购管理:供应商管理、询报价、采购订单、入库对账 销售管理:客户管理、报价单、销售订单、发货、回款跟踪 库存管理:多仓库、出入库、盘点、安全库存预警 生产管理:BOM(物料清单)、生产工单、工序管理、产能规划 财务管理:应收应付、费用报销、总账、资产管理…
Read article ↗企业内部本地部署 DeepSeek:从硬件选型到服务上线全过程
DeepSeek 是目前性能最强、开放程度最高的国产大语言模型之一。将 DeepSeek 部署在企业内网,可以获得接近顶级云 API 的推理能力,同时确保所有业务数据不离开企业边界。本文从硬件选型到服务上线,完整记录企业本地化部署 DeepSeek 的全过程,适合有一定 Linux 运维基础的技术团队参考。 一、理解 DeepSeek 模型家族 在动手之前,先搞清楚 DeepSeek 的模型体系。DeepSeek 当前主要有两个系列: DeepSeek-V 系列(通用推理):最新版为 DeepSeek-V3,参数量 671B(Mixture-of-Experts 架构,实际激活参数约 37B),是当前开源模型中综合性能最强的选手之一,在代码、数学、中英文理解上表现突出。 DeepSeek-R 系列(深度思考):最新版为 DeepSeek-R1,在复杂推理、数学证明类任务上超越 GPT-4o,适合需要”慢想”的高价值判断场景。 此外,DeepSeek 提供多种量化蒸馏版本,如 DeepSeek-V3-0324…
Read article ↗公有云 API 还是私有化部署?企业 AI 架构选型决策指南
大多数企业在评估 AI 系统时,都会陷入一个共同的困惑:到底该选择公有云 AI 服务,还是在企业内部私有化部署?这个选择没有通用的正确答案,但有一套清晰的决策框架。本文从安全性、成本、能力和运维复杂度四个维度,帮助你做出适合自己企业情况的选择。 公有云 AI 服务的优势与局限 以 OpenAI、阿里云百炼、百度千帆为代表的公有云 AI 服务,是大多数企业 AI 项目的起点。其核心优势在于: 零基础设施投入:按 Token 计费,无需服务器,小规模使用成本极低 最新模型即时可用:模型提供商发布新版本,调用方无感知升级 高并发弹性:业务峰值时无需扩容,服务商负责算力调度 但公有云服务存在两类不可回避的局限:数据主权风险——企业的核心业务数据需要离开企业边界,进入第三方服务商的服务器,对于制造业的配方数据、金融机构的客户数据、医疗机构的病历数据而言,合规风险极高;成本陷阱——在高频使用场景下,Token 费用会随规模线性增长,超过某个临界点后,私有化部署的综合成本会低于云服务。 私有化部署的适用条件 私有化部署(On-Premise 或 Private Cloud)适合满足以下任意一个条件的企业: 业务涉及法规明确禁止数据出境的行业(金融、医疗、政府、军工) AI 调用量已超过每月 1000…
Read article ↗AI 赋能服务业:五大高价值落地场景解析
从 ChatGPT 引发的 AI 浪潮,到如今 Agentic AI 开始真正进入企业流程,AI 技术的商业化落地速度远超预期。对于服务业企业而言,AI 的机会尤为突出——大量依赖信息处理和人工判断的业务场景,都具备极高的 AI 改造潜力。本文从元帆在服务业的实践案例出发,梳理 AI 赋能服务业的五大核心场景。 场景一:智能客服与工单处理 传统客服中心面临的典型困境:客服人员重复回答相同问题、工单分类准确率低、夜间无人值守导致响应延迟。AI 客服 Agent 能够全天候接收用户咨询,基于企业知识库给出准确回答,并将复杂问题智能路由给对应的人工客服,同时自动生成工单并分类。 某物业管理公司引入 AI 客服后,常规咨询的首次解决率从 61% 提升至 88%,人工客服将大量精力从重复性工单处理中解放出来,专注于需要情感沟通的投诉处理。夜间自助解决率达到 72%,大幅提升了业主满意度。 场景二:合同与文档智能审阅 法务部门每年需要审阅数百份合同,逐条核查标准条款的合规性是一项高度重复且容错要求极高的工作。AI 合同审阅 Agent…
Read article ↗多 Agent 协作系统:设计原则与企业落地架构
单一 AI Agent 能解决单一任务,而真正复杂的企业业务流程,需要多个专业化 Agent 协同工作。多 Agent 系统(Multi-Agent System,MAS)正在成为企业级 AI 应用的主流架构。本文介绍多 Agent 协作的核心设计原则与常见架构模式。 为什么需要多 Agent? 想象一个完整的采购流程:需求申请 → 供应商询价 → 价格比对 → 审批 → 合同起草 → 付款对接。如果用一个 Agent 处理所有环节,它需要同时具备供应链知识、法律合同知识、财务规则知识、系统操作能力——这会导致上下文过长、注意力分散、错误率上升。 更好的设计是将流程分解:询价 Agent、合规审查…
Read article ↗AI Agent 的 ROI 计算:如何向管理层证明 AI 投资价值
当你向企业管理层汇报 AI 项目投资计划时,最常遇到的问题是:”这个 AI 系统能带来多少回报?”这个问题看似简单,却是许多 AI 项目迟迟无法立项的核心障碍。本文提供一套可操作的 AI Agent ROI 计算框架,帮助你用数字说话。 为什么 AI ROI 难以计算? 传统 IT 项目的 ROI 相对好算:减少了多少人力、降低了多少错误率、节省了多少时间。但 AI Agent 项目的价值往往更加多维: 直接成本节约(可量化) 质量提升带来的收入增加(部分可量化) 员工体验和保留率改善(难量化) 决策速度提升带来的竞争优势(难量化) 知识沉淀和风险规避(难量化) 难以量化不等于没有价值,关键是建立一套”有限度地量化 +…
Read article ↗