助力新媒体打造新场景-腾讯云文化传媒场景方案分享

助力新媒体打造新场景腾讯云文化传媒场景方案分享 曾亮|腾讯云智慧传媒行业技术总监 怎样的____? 需要 我们到底 ____怎样？ 从“移动原生”到“Agent原生” 科斯《企业的本质》：企业存在的目的是为了节约市场交易的成本。 AI的出现会对企业的规模、边界和结构产生重大影响。 “Agent原生企业”是整个组织都构建在与AI的协同之上，人与Agent协作的成本非常低的企业。 •没有移动设备就不会存在的应用•代表案例；微信、滴滴等 如何建设人与Agent的混合团队？ 演进：从回答到执行腾讯云智能体开发平台010203智能体时代统一数据治理04轻量化虚拟演播制作 CONTENT目录 演进：从问答到执行 人工智能即将迈入新阶段 质疑Agent，理解Agent，应用Agent 1、成本门槛：极大降低了应用开发成本和门槛。 诸多质疑 2、简化流程：让模型来处理参数转换，减少流程配置工作量。 1、响应速度慢：思考+拆解+推理+流式输出。 2、会出现幻觉：事实性错误与不遵循指令。 3、自主提升：与电脑/网络/工具更自然的交互，系统能力随着模型能力增长可自然提升。 3、交互不友好：长篇大论罗嗦输出，相对点什么做什么的模式，明显不友好。 4、协同：多智能体的组装、协同、竞争，能够。 显著优势 4、以前也能做：传统的编码开发或者低代码的配置平台，同样能实现类似Agent的流程功能。 三年来大模型/智能体应用的几点感悟 Agent的媒体落地需要面向“企业级” 大量的开源平台和开源模型，让大家比较容易产生一种“我也能”的错觉。但越来越深入追求业务落地后往往会发现：1 企业级应用与消费级、科研级有本质的差异。 做一个汇聚了几十上百智能体的AIGC平台容易，让业务人员留存在这个平台上持续的发挥价值很难：2 智能体必须深度的嵌入业务工作的全流程 智能体的核心是自我思考与交付成果。没有语义统一的数据层支持，智能体的自动执行与智能决策都无从谈起：3 系统架构新范式：Data+AI+Agent 以“媒体Agent助手”为核心的智能体一站式解决方案 •通过热点平台汇聚数据，结合大模型智能分析能力，筛选报道热点，形成自动化线索聚合体系 •面向不同发布平台，以符合媒体风格的口吻，形成不同发布稿，支持多平台多类型分发 •按照不同人设风格与结合个人知识库内容属性，进行选题筛选与智能创作 •全面收集运营数据与传播效果，形成分析报告与洞察策略，辅助进行深度运营决策 •实现企业内部办公自动化与一体化协同，快捷反馈，准确答复，提质增效 •在内容管存方面，完成事实核查、内容多模态理解分析，内容自动化聚合生产的效果 打造每个媒体人自己独一无二的AI助手 一个典型的企业级超高清媒体处理智能体示例 基于媒体AI助手的媒体工作台，典型协同工作流程 面向策采编发全流程的多角色智能体 采集助理 审核助理 编辑助理 策划助理 运营助理 自动发现热点事件，可按照地区热点、分类热点等提供您最关注的热点内容。还可根据热点提供多种方向的选题建议和写作建议，助力选题策划。 可提供相关事件检索的AI能力，提高信息采集效率。还可根据新闻主题或采访主题自动生成包含破冰引入、逐步深入的采访问题内容，并将采访内容整理为可用素材。 为新闻稿件中的图文内容提供多源事实核查和文稿智能审校，并提供修改建议。同时结合天御能力提供文本和图片的安全审查功能。 可将新闻稿件一键生成微博分享文案、小红书笔记文案和公众号文案等，提升运营效率。还可助力社交媒体贴文智能分析、智能评论等。 根据热点事件和选题建议，自动生成新闻大纲。并根据编辑的需求进多种类新闻稿件的写作，包括新闻通讯稿、新闻报道、新闻评论等。 AI能力： AI能力： AI能力： AI能力： AI能力： •热点发现•观点分析•智能选题建议 •新闻大纲写作•新闻通讯写作•新闻报道写作•新闻评论写作 •采访问题生成•采访目标建议•采访内容整理•相关事件检索 •新媒体分享文案生成•贴文智能分析•贴文评论创作•智能翻译 •事实核查•文稿审校•文本内容审查•图片内容审查 腾讯云智能体开发平台 腾讯云ADP智能体引擎 ADP平台优势 •全局视野Agent，智能回退&路由修正；•工作流在端到端准确率、参数提取准确率、意图识别准确率行业领先；•强大的多Agent协同能力：自由转交、工作流编排模版、Plan-and-Execute协同模板；•长/短期+执行过程记忆机制；•更强的文本/表格/图片理解能力；•严肃性问答支持；•完善的权限、审计、监控能力；•专门优化的内置模型；•企业级双层精细化权限管理：支持平台级、应用级、知识库等完整权限体系配置；•提供高效、客观、全方位的智能自动化评测能力；•官方精选的高质量插件库，插件数量达140+个，持续增长中；•官方精选的提示词模板和应用模板•…… 腾讯云大模型知识引擎：三大应用模式，满足客户多样需求 要稳定选标准模式，要定制选工作流，要自由度选Agent！ 把企业五花八门的知识库喂给大模型，没那么简单！ 难点：企业知识格式多样、图文并茂 腾讯云ADP:强大RAG能力加持，搭建精准的知识问答应用 复杂文档解析、切分、检索、推理、生成准确率保持领先 高准确的综合检索能力 高准确的复杂文档解析、切分能力基于OCR大模型，打造的解析引擎，突破图文混排版面分析、复杂表格识别等文档解析技术瓶颈，支持超过20类文档类型。 上线基于LLM的embedding模型，多文档信息召回率从85%提升到92%；混合检索+Text2SQL能力，提升超大表格单表检索及跨表检索准确率，SQL执行准确率80%+ ➢业界首个支持200MB以上超大文档vs.业内普遍100MB内➢丰富的文档类型，超过26类vs.业内普遍10类以内➢支持图文混排（多列排版）版面分析、图文表/公式/页眉等元素识别 Query“非智能且在售，并且一级分类是天棚灯的产品包含哪些” 腾讯云ADP：充分考虑文、图两种模态的检索优化、能力打磨 说明书样例 腾讯云RAG+DeepSeek：图文并貌的产品操作说明 “制动系统怎么保养？” 腾讯云ADP“工作流”:支持用户快速编排复杂应用 面向复杂业务流程场景，升级复杂应用构建能力 提供10+画布节点，编排复杂应用，复杂流程的执行准确率和对话完成率效果领先。 ➢通过可视化拖拉拽的方式编排不同的原子能力，零代码/低代码构建业务流程。 ➢其中参数提取节点，支持多参数同时提取、基于对话历史进行多轮反问澄清等优势能力，对话效果更优势。 ➢大模型相关的节点均接入DeepSeek R1和V3模型，可支持自由选择和切换。 大模型知识引擎“Agent模式”：自主规划和工具调用 由大模型自主拆解任务和规划路径，模型主动选择和调用工具，并能够主动纠错和反思，回复效果更灵活。 腾讯云ADP已升级支持MCP协议，精选海量工具 文档转换 机器翻译 位置服务 搜索 智能体时代的统一数据治理 媒体“数据”系统建设现状 烟囱式架构，始于业务需求，终于定制系统 当前数据能力的痛点：两个割裂 数据资产与知识能力的割裂 非结构数据与结构数据的割裂 •企业内结构化数据与非结构化数据缺乏统一处理框架。跨模态数据内容难以交叉挖掘，导致洞察片面化。 •显性的内容数据沉睡在分散媒资、内容库中，隐性的知识则散落在文档报告、会议纪要甚至员工头脑中。 •结构化数据处理依赖固定规则，无法灵活理解不同行业的业务逻辑，需针对特定业务场景定制数据开发逻辑或模型，成本高、周期长。 •数据中台的BI工具能处理数据库中的规整数据，却无法连接内容运营、用户增长的策略逻辑。 •从数据洞察到业务价值，需要先从让数据知识化，包括数据准备、知识解析化，再通过智能体实现知识的透传，最终实现智能应用。 •非结构化数据无法自动转化为可理解知识，导致智能应用开发效率低下且准确性无从保障。 媒体数据分析的痛点 数字化的后面几公里 数据中台建设解决了数据沉淀、分析、使用问题没有解决知识沉淀问题，没有解决数据洞察问题，更没有解决基于数据的决策与执行问题 在GenAI时代，数据处理/分析的方式在极速变化 是一种数据分析过程，通过在Data-to-Insight的工作流程中应用AIAgent，以半自主或自主的方式协调任务，朝着AI主动洞察&决策的目标推进。 整体而言AgenticAnalytics在世界范围内也处于早期阶段 专注于Agent平台的建设 推出一系列DataAgents，及AIQueryEngine 构建自己的CortexAgent SnowflakeCortex DataAgents MosaicAI Snowflake的AI套件，它利用大型语言模型（LLMs）来理解非结构化数据、回答开放式问题并提供智能辅助。包括： •主要做数据准备相关的工作，数据清洗、转换、验证等•无缝处理结构化&非结构化数据数据工程agent •AgentFramework：Agent开发平台•AgentEvaluation：端到端的Agent效果评估模块，支持HumanFeedback/Expert Review等机制•Playground：可以选择基础大模型和工具，探索性Agent的使用效果•VectorSearch：非结构化数据处理内置向量检索服务，Agent实时检索各类DeltaLake中非结构化数据 •CortexLLM•DocumentAI：Doc转成结构化数据only•CortexSearch：TEXTonly•CortexAnalyst：强调高准确度，但目前仅支持单表•CortexAgent「preview」 数据科学agent •参与model开发的所有环节，例如：自动特征工程、提供智能模型选择、训练等。•嵌入在Colabnotebook 对话式分析•用自然语言进行数据分析•嵌入在Looker、application 在结构化和非结构化数据源之间进行协调，以提供洞察。规划任务，使用工具来执行这些任务，并生成响应。CortexAgent使用CortexAnalyst和CortexSearch作为工具，与LLMs一起分析数据 AIQueryEngine •以引擎的形式出现，统一纳管多模态数据，纳管Data&AI模型，加速从数据到智能决策的过程。•同时处理传统SQL和Gemini，以实现在运行时访问现实世界知识、语言理解和推理能力。强调无缝处理结构化和非结构化数据•例子：这些社交媒体图片中包含的主要产品，是在哪些新兴经济体国家生产的？ SnowflakeML SnowflakeML提供端到端的机器学习服务，所有功能都在单一平台上实现。统一的机器学习开发和生产环境，经过优化，可实现大规模分布式特征工程、模型训练和推理，支持CPU和GPU计算，无需手动调优或配置。 腾讯云数据分析智能体 为企业提供一个全托管的智能体服务，用于整合、检索和分析结构化&非结构化数据，帮助用户更直观的理解数据，并提取有价值的洞察，从而支持更快、更准确的决策。 数据分析智能体：打通结构化与非结构化数据 协调结构化和非结构化数据源，提供全面洞察，打破数据孤岛 关键能力 数据融合 适用场景 •智能分析：智能数据分析、智能日志分析等•智能检索：AI搜索、企业知识管理等•数据科学：智能构建数据科学Pipline，低门槛完成复杂分析任务 数据分析智能体场景——智能问数 智能问数——智能选表&智能多表关联 用户提问后，ChatBI支持根据数据表名称、数据表备注、字段名称、字段备注、关联配置等信息进行语义理解后，智能选表/关联回答 智能问数——覆盖各类数据查询、计算、分析场景 •计算类场景（同比/环比/占比/增长率等） •排名类场景（产品/金额/机构排名等） •基础指标查询（按产品/地区/机构/渠道，按时间/