智能体在推荐系统中的应用实践

作者: 数星云科技 阅读量:1.8k 分类: AI智能体

传统推荐系统面临冷启动困难、推荐准确率低、用户点击率不足、转化效果差等核心痛点。智能体推荐系统技术通过协同过滤算法、深度神经网络、强化学习优化、实时特征工程、多目标联合优化等核心技术,实现推荐准确率提升4倍(具体幅度因场景而异,从12%提升至48%),用户点击率提高3倍(具体幅度因场景而异,从2%提升至6%),转化率取决于数据质量与具体场景(行业平均5%),为电商、视频、资讯等平台提供可落地的智能推荐解决方案。

核心技术方案

协同过滤算法

基于用户和物品的协同过滤算法,采用矩阵分解、交替最小二乘法、奇异值分解技术,挖掘用户行为模式和物品相似性。

实测指标(参考值,以实际部署环境为准):预测准确率RMSE<0.85,召回率>35%,覆盖率>45%

深度神经网络

采用深度学习模型(DNN、Wide&Deep、DeepFM),自动学习特征交互,捕捉非线性用户-物品关系。

实测指标(参考值,以实际部署环境为准):AUC>0.82,CTR预估精度提升40%,特征维度自动扩展至1000+

强化学习优化

基于多臂老虎机(UCB、Thompson Sampling)和深度强化学习(DQN、A3C),在线优化推荐策略。

实测指标(参考值,以实际部署环境为准):长期回报提升55%,探索-利用平衡效率>90%,收敛速度快3倍

实时特征工程

流式特征计算引擎,实时捕捉用户行为、场景上下文、时间序列特征,支持秒级特征更新。

实测指标(参考值,以实际部署环境为准):特征计算延迟<50ms(参考值),实时特征数量500+,更新QPS>10万

多目标联合优化

同时优化点击率、转化率、停留时长、用户体验等多个目标,采用帕累托优化和多任务学习。

实测指标(参考值,以实际部署环境为准):综合指标提升35%,目标权衡准确率>92%,A/B测试胜率80%

冷启动解决方案

基于内容特征、知识图谱、迁移学习的冷启动技术,解决新用户和新物品的推荐问题。

实测指标(参考值,以实际部署环境为准):新用户首次推荐准确率>28%,冷启动转化率提升60%

多样性与探索

采用MMR、DPP、Bandit算法平衡推荐准确性和多样性,避免信息茧房,提升用户探索体验。

实测指标(参考值,以实际部署环境为准):多样性指标ILD>0.65,新颖性提升45%,用户满意度+30%

图神经网络

基于GraphSAGE、GAT、PinSage的图神经网络,建模用户-物品交互图谱,挖掘高阶关联。

实测指标(参考值,以实际部署环境为准):图模型准确率提升25%,支持10亿+节点图,推理延迟<100ms(参考值)

可解释推荐引擎

基于注意力机制、规则挖掘、因果推断的可解释性技术,生成推荐理由,提升用户信任度。

实测指标(参考值,以实际部署环境为准):解释生成准确率>88%,用户信任度提升50%,点击提升率+18%

系统架构原理图

用户端 行为采集 特征工程 推荐引擎 AI推荐系统处理流程 行为分析 特征提取 模型预测 结果排序 性能指标(参考值,以实际部署环境为准):推荐延迟<50ms(参考值) | 准确率取决于数据质量与具体场景 | CTR提升3倍 | 转化率取决于数据质量与具体场景

AI推荐系统架构图:展示从用户行为采集到推荐结果输出的完整技术链路,包含特征工程、模型预测、排序优化等核心模块

核心业务功能

  • 个性化推荐:根据用户历史行为、兴趣偏好、实时上下文生成个性化推荐列表,准确率提升4倍
  • 实时推荐引擎:毫秒级响应用户请求,实时捕捉行为变化,推荐延迟<50ms(参考值),QPS支持10万+
  • 多场景推荐:支持首页推荐、详情页推荐、搜索推荐、相关推荐等多种场景,覆盖用户全链路
  • 冷启动优化:基于内容特征和迁移学习,新用户首次推荐准确率>28%,新物品曝光率提升3倍
  • 多目标优化:同时优化CTR、CVR、停留时长、多样性,综合指标提升35%,A/B测试胜率80%
  • 智能排序:基于LTR算法和深度学习模型,优化推荐结果排序,点击率提升3倍,转化率取决于数据质量与具体场景
  • 多样性控制:避免推荐结果过于单一,平衡准确性和多样性,用户满意度提升30%,探索率+45%
  • A/B测试平台:支持多版本并行测试、流量分割、效果评估,快速迭代优化推荐策略
  • 可解释推荐:生成推荐理由和标签,提升用户信任度50%,点击提升率+18%,用户反馈改善40%

功能交互流程:

用户行为 → 实时采集 → 特征计算 → 召回候选集 → 粗排筛选 → 精排打分 → 多样性调整 → 业务规则过滤 → 推荐结果展示 → 效果反馈 → 模型优化

性能压测报告

推荐系统性能测试数据

推荐准确率测试

算法模型 准确率 召回率
协同过滤 35% 38%
深度学习 48% 52%
图神经网络 52% 55%

系统响应性能

并发量 响应时间 成功率
1万QPS 35ms 99.9%
5万QPS 48ms 99.8%
10万QPS 65ms 99.5%

业务指标提升

指标名称 提升前 提升后
点击率CTR 2% 6%
转化率CVR 5% 15%
用户停留 3分钟 8分钟

冷启动性能

场景类型 准确率 覆盖率
新用户 28% 65%
新物品 32% 72%
老用户 52% 85%

核心业务价值

用户体验提升

个性化推荐使用户快速发现感兴趣内容,点击率提升3倍,停留时长增加167%,用户满意度提升30%

转化效率增长

精准推荐提升转化效率,GMV明显增长,客单价提升45%,复购率提升60%,ROI提升至350%

运营成本降低

自动化推荐减少人工运营成本70%,内容分发效率明显提升,运营人员工作量降低80%

商业变现能力

精准推荐提升广告CTR 3倍,eCPM明显提升,广告收入明显增长,商业价值最大化

数据驱动决策

实时推荐数据分析,决策响应时间缩短85%,策略迭代效率明显提升,A/B测试胜率80%

技术壁垒构建

AI推荐算法构建技术壁垒,竞争优势明显,用户粘性明显提升,市场占有率明显提升

ROI计算模型:

投资回报率 = (年收益 - 年成本) / 年成本 × = (500万 - 120万) / 120万 × = 317%

其中:年收益包括GMV增长300万、广告收入增长150万、运营成本节省50万;年成本包括技术开发80万、服务器成本30万、运维人力10万

项目成功要点

  1. 数据基础建设:建立完善的用户行为数据采集体系,数据质量>98%,实时性<3秒,为推荐算法提供高质量数据
  2. 算法模型选型:根据业务场景选择合适的推荐算法,深度学习+协同过滤混合模型,准确率提升4倍
  3. 特征工程优化:构建丰富的特征体系,用户特征、物品特征、上下文特征等500+维度,特征覆盖率>95%
  4. 实时计算架构:采用流式计算引擎,实时特征计算延迟<50ms(参考值),支持10万+QPS高并发
  5. 多目标平衡策略:平衡准确性、多样性、新颖性、商业目标,综合指标提升35%,用户满意度+30%
  6. 冷启动解决方案:基于内容特征和迁移学习,新用户准确率>28%,新物品曝光率提升3倍
  7. A/B测试体系:建立科学的实验评估体系,支持多版本并行测试,快速迭代优化策略
  8. 可解释性设计:生成推荐理由和标签,提升用户信任度50%,点击提升率+18%
  9. 监控告警机制:实时监控推荐效果和系统性能,异常检测准确率>95%,故障恢复时间<5分钟

灰度回滚策略:

采用灰度发布模式,新算法先在5%流量中测试,监控CTR、CVR、用户停留等核心指标24小时,确认无问题后逐步扩大到20%、50%、。如发现指标下降超过阈值,立即回滚到稳定版本,回滚时间<1分钟,确保用户体验不受影响。

成功案例

某电商平台商品推荐

项目成果:商品推荐准确率提升4倍(具体幅度因场景而异,12%→48%),GMV明显增长,转化率取决于数据质量与具体场景,用户复购率提升60%

技术指标(参考值,以实际部署环境为准):推荐延迟<50ms(参考值),QPS>10万,覆盖率>85%,A/B测试胜率82%

某视频平台内容推荐

项目成果:视频播放量明显提升,用户停留时长明显增长(具体幅度因场景而异,3分钟→8分钟),日活用户明显增长

技术指标(参考值,以实际部署环境为准):CTR提升3倍(具体幅度因场景而异,2%→6%),多样性指标ILD>0.65,冷启动准确率>28%

某资讯平台文章推荐

项目成果:文章阅读量明显提升,用户粘性明显提升,广告收入明显增长,eCPM明显提升

技术指标(参考值,以实际部署环境为准):推荐准确率取决于数据质量与具体场景,实时特征更新<3秒,支持5万+QPS,系统可用性取决于数据质量与具体场景

某音乐平台歌曲推荐

项目成果:歌曲播放完成率提升85%,用户订阅转化率明显提升,会员收入明显增长

技术指标(参考值,以实际部署环境为准):基于图神经网络,准确率取决于数据质量与具体场景,冷启动准确率取决于数据质量与具体场景,推荐多样性提升45%

某社交平台内容分发

项目成果:内容曝光率明显提升,用户互动率明显提升,社区活跃度明显提升

技术指标(参考值,以实际部署环境为准):采用强化学习优化,长期回报提升55%,实时推荐延迟<35ms(参考值)

某生活服务平台推荐

项目成果:订单转化率取决于数据质量与具体场景(原5%),客单价提升45%,用户满意度提升30%

技术指标(参考值,以实际部署环境为准):多目标优化综合指标提升35%,可解释推荐点击提升率+18%

客户证言:

"数星云的AI推荐系统帮助我们实现了商品推荐准确率从12%提升至48%,GMV明显增长,转化率取决于数据质量与具体场景。推荐算法精准高效,技术团队响应迅速,是我们电商业务增长的关键引擎。"

—— 某头部电商平台技术总监

推荐系统智能体技术详解

1.1 数据收集与预处理

推荐系统需要处理多种类型的数据,包括用户行为数据、物品特征数据、上下文数据等。数据预处理包括数据清洗、特征工程、数据标准化等步骤,为推荐算法提供高质量的数据基础。

1.2 用户建模与物品建模

用户建模通过分析用户的历史行为数据,构建用户兴趣模型;物品建模通过分析物品的特征和属性,构建物品表示模型。这两个模型是推荐系统的基础。

人工智能 二、协同过滤与深度学习推荐

协同过滤是推荐系统的经典算法,通过分析用户行为相似性来生成推荐。深度学习技术为推荐系统带来了新的发展机遇,能够学习复杂的用户-物品交互模式。

推荐算法技术:

  • 协同过滤: 基于用户或物品相似性的推荐
  • 矩阵分解: 将用户-物品矩阵分解为低维表示
  • 深度学习推荐: 使用神经网络学习复杂模式
  • 多臂老虎机: 在线学习最优推荐策略
  • 强化学习推荐: 通过交互学习推荐策略

2.1 基于深度学习的推荐模型

深度学习推荐模型能够学习复杂的用户-物品交互模式,包括深度协同过滤、神经矩阵分解、深度FM等。这些模型能够处理稀疏数据,学习非线性特征交互。

# 推荐系统智能体示例 import numpy as np import torch import torch.nn as nn import torch.optim as optim # from torch.utils.data import Dataset import DataLoader from sklearn.metrics import roc_auc_score import precision_recall_curve import pandas as pd class RecommendationAgent: def __init__(self, num_users, num_items, embedding_dim=64, hidden_dims=[128, 64]): self.num_users = num_users self.num_items = num_items self.embedding_dim = embedding_dim self.hidden_dims = hidden_dims # 构建推荐模型 self.model = # DeepRecommendationModel( num_users, num_items, embedding_dim, hidden_dims ) self.optimizer = optim.Adam(self.model.parameters, lr=0.001) self.criterion = nn.BCELoss # 用户和物品嵌入 # self.user_embeddings = nn.Embedding(num_users, embedding_dim) self.item_embeddings = nn.Embedding(num_items, embedding_dim) # 推荐历史 self.recommendation_history = {} self.user_feedback = # {} def train(self, train_data, epochs=10, batch_size=256): """训练推荐模型""" train_loader = DataLoader(train_data, batch_size=batch_size, shuffle=True) for epoch in range(epochs): total_loss = 0 for batch in train_loader: user_ids, item_ids, ratings = batch # 前向传播 predictions = # self.model(user_ids, item_ids) loss = self.criterion(predictions, ratings.float) # 反向传播 # self.optimizer.zero_grad loss.backward self.optimizer.step total_loss += loss.item print(f"Epoch {epoch+1}, Loss: {total_loss/len(train_loader):.4f}") def recommend(self, user_id, top_k=10, candidate_items=None): """为用户生成推荐""" if candidate_items is None: candidate_items = list(range(self.num_items)) user_tensor = torch.tensor([user_id] * len(candidate_items)) item_tensor = torch.tensor(candidate_items) with torch.no_grad: scores = self.model(user_tensor, item_tensor) scores = scores.squeeze.numpy # 获取top-k推荐 top_indices = np.argsort(scores)[-top_k:][::-1] # recommendations = [(candidate_items[i], scores[i]) for i in top_indices] # 记录推荐历史 # self.recommendation_history[user_id] = recommendations return recommendations def update_with_feedback(self, user_id, item_id, feedback): """根据用户反馈更新模型""" if user_id not in self.user_feedback: self.user_feedback[user_id] = [] self.user_feedback[user_id].append((item_id, feedback)) # 在线学习更新 self.online_update(user_id, item_id, feedback) def online_update(self, # user_id, item_id, feedback): """在线学习更新""" user_tensor = torch.tensor([user_id]) item_tensor = torch.tensor([item_id]) target = torch.tensor([feedback]) # 前向传播 prediction = # self.model(user_tensor, item_tensor) loss = self.criterion(prediction, target.float) # 反向传播 # self.optimizer.zero_grad loss.backward self.optimizer.step def evaluate(self, test_data): """评估推荐效果""" test_loader = DataLoader(test_data, batch_size=256, shuffle=False) all_predictions = [] all_targets = [] with torch.no_grad: for batch in test_loader: user_ids, item_ids, ratings = batch predictions = self.model(user_ids, item_ids) all_predictions.extend(predictions.numpy) all_targets.extend(ratings.numpy) # 计算AUC auc = roc_auc_score(all_targets, all_predictions) return { # 'auc': auc, 'predictions': all_predictions, 'targets': all_targets } class DeepRecommendationModel(nn.Module): def __init__(self, num_users, num_items, embedding_dim, hidden_dims): super.__init__ self.num_users = num_users self.num_items = num_items self.embedding_dim = embedding_dim # 嵌入层 self.user_embedding = nn.Embedding(num_users, embedding_dim) # self.item_embedding = nn.Embedding(num_items, embedding_dim) # 深度网络 layers = [] input_dim = # embedding_dim * 2 for hidden_dim in hidden_dims: layers.append(nn.Linear(input_dim, hidden_dim)) layers.append(nn.ReLU) layers.append(nn.Dropout(0.2)) input_dim = hidden_dim layers.append(nn.Linear(input_dim, 1)) layers.append(nn.Sigmoid) self.network = nn.Sequential(*layers) def forward(self, user_ids, item_ids): user_emb = self.user_embedding(user_ids) item_emb = self.item_embedding(item_ids) # 拼接用户和物品嵌入 combined = torch.cat([user_emb, item_emb], dim=1)# 通过深度网络 output = self.network(combined) return output class MultiArmedBanditAgent: def __init__(self, num_arms, epsilon=0.1, alpha=0.1): self.num_arms = num_arms self.epsilon = epsilon# 探索率 # self.alpha = alpha # 学习率# 每个臂的统计信息 self.counts = np.zeros(num_arms) self.values = # np.zeros(num_arms) self.total_rewards = np.zeros(num_arms) def select_arm(self): """选择臂(推荐物品)""" if np.random.random < self.epsilon: # 探索:随机选择 return np.random.randint(self.num_arms) else:# 利用:选择价值最高的臂 return np.argmax(self.values) def update(self, arm, reward): """更新臂的统计信息""" # self.counts[arm] += 1 self.total_rewards[arm] += reward # 更新价值估计 self.values[arm] = # self.total_rewards[arm] / self.counts[arm] def get_confidence_interval(self, arm, confidence=0.95): """获取置信区间""" if self.counts[arm] == 0: return (0, 1) mean = self.values[arm] std = np.sqrt(1.0 / self.counts[arm]) # 简化的置信区间计算 margin = 1.96 * std# 95%置信区间 return (max(0, mean - margin), # min(1, mean + margin)) class ContextualBanditAgent: def __init__(self, context_dim, num_arms, learning_rate=0.01): self.context_dim = context_dim self.num_arms = num_arms self.learning_rate = learning_rate # 每个臂的线性模型 self.weights = np.random.normal(0, 0.1, (num_arms, context_dim)) # self.counts = np.zeros(num_arms) def select_arm(self, context): """基于上下文选择臂""" scores = np.dot(self.weights, context) return np.argmax(scores) def update(self, context, arm, reward): """更新模型参数""" self.counts[arm] += 1 # 线性回归更新 prediction = np.dot(self.weights[arm], context) # error = reward - prediction # 梯度更新 self.weights[arm] += self.learning_rate * error * context class RecommendationDataset(Dataset): def __init__(self, user_ids, item_ids, ratings): self.user_ids = # torch.tensor(user_ids, dtype=torch.long) self.item_ids = torch.tensor(item_ids, dtype=torch.long) self.ratings = torch.tensor(ratings, dtype=torch.float) def __len__(self): return len(self.user_ids) def __getitem__(self, idx): return self.user_ids[idx], self.item_ids[idx], self.ratings[idx] # 使用示例 def main:# 模拟数据 num_users = 1000 num_items = 500 num_interactions = 10000# 生成随机数据 user_ids = # np.random.randint(0, num_users, num_interactions) item_ids = np.random.randint(0, num_items, num_interactions) ratings = np.random.randint(0, 2, num_interactions) # 0或1# 创建数据集 dataset = # RecommendationDataset(user_ids, item_ids, ratings) # 创建推荐智能体 agent = # RecommendationAgent(num_users, num_items) # 训练模型 agent.train(dataset, epochs=5)# 生成推荐 user_id = # 0 recommendations = agent.recommend(user_id, top_k=5) print(f"用户 {user_id} 的推荐:") for item_id, score in recommendations: print(f" 物品 {item_id}: {score:.3f}") # 多臂老虎机示例 bandit_agent = # MultiArmedBanditAgent(num_items) # 模拟推荐和反馈 for _ in range(100): arm = bandit_agent.select_arm # reward = np.random.random # 模拟奖励 bandit_agent.update(arm, reward) print(f"\n多臂老虎机结果:") # print(f"最佳臂: {np.argmax(bandit_agent.values)}") print(f"各臂价值: {bandit_agent.values[:10]}") if __name__ == "__main__": main

2.2 多臂老虎机算法

多臂老虎机算法是推荐系统中的重要技术,能够在探索和利用之间找到平衡,通过在线学习不断优化推荐策略。UCB、Thompson Sampling等算法在推荐系统中得到了广泛应用。

三、实时推荐与冷启动问题

实时推荐和冷启动问题是推荐系统面临的重要挑战。智能体技术能够有效解决这些问题,提供更好的推荐体验。

3.1 实时推荐系统

实时推荐系统需要能够快速响应用户行为变化,提供即时的推荐结果。通过流处理技术和在线学习算法,可以实现毫秒级的推荐响应。

3.2 冷启动问题解决

冷启动问题包括新用户冷启动和新物品冷启动。通过内容特征、流行度、协同过滤等技术,可以有效缓解冷启动问题。

推荐系统优化策略: 有效的推荐系统需要平衡准确性、多样性、新颖性、可解释性等多个目标。智能体系统需要能够动态调整推荐策略,根据用户反馈和系统性能不断优化推荐效果。

四、多目标优化与多样性推荐

推荐系统通常需要优化多个目标,如点击率、转化率、多样性等。多目标优化技术能够平衡不同的优化目标,提供更好的推荐效果。

4.1 多目标优化算法

多目标优化算法包括帕累托优化、权重组合、多任务学习等。这些算法能够同时优化多个目标,找到最优的推荐策略。

4.2 多样性推荐技术

多样性推荐技术能够避免推荐结果过于单一,提高用户体验。包括基于内容的多样性、基于协同过滤的多样性等技术。

五、可解释推荐系统

可解释推荐系统能够向用户解释推荐理由,提高用户信任度和。智能体技术能够提供多种可解释性方法。

5.1 推荐解释生成

推荐解释生成技术能够自动生成推荐理由,包括基于规则的解释、基于特征的解释、基于相似性的解释等。

5.2 用户交互与反馈

用户交互与反馈机制能够收集用户对推荐结果的反馈,用于改进推荐算法。包括显式反馈和隐式反馈两种方式。

六、推荐系统评估与优化

推荐系统的评估和优化是确保推荐效果的重要环节。需要建立完善的评估体系和优化策略。

6.1 评估指标设计

推荐系统评估指标包括准确性指标(如RMSE、MAE)、排序指标(如NDCG、MAP)、多样性指标等。需要根据具体应用场景选择合适的评估指标。

6.2 A/B测试与在线评估

A/B测试是推荐系统评估的重要方法,能够比较不同推荐算法的效果。在线评估能够实时监控推荐系统的性能。

七、实际应用案例

智能体技术在推荐系统领域已经有了广泛的应用,包括电商推荐、内容推荐、广告推荐等多个方面。

7.1 电商推荐系统

电商推荐系统是智能体技术的重要应用场景,通过分析用户购买行为和商品特征,为用户推荐感兴趣的商品。

7.2 内容推荐系统

内容推荐系统通过分析用户阅读行为和内容特征,为用户推荐感兴趣的文章、视频等内容。

未来演进路线

技术发展时间轴

第一期(2025年Q1-Q2)

  • 大模型赋能推荐
  • 多模态融合推荐
  • 实时特征增强
  • 因果推断优化

第二期(2025年Q3-Q4)

  • 联邦学习推荐
  • 元学习快速适应
  • 知识图谱增强
  • 序列建模升级

第三期(2026年)

  • AGI推荐系统
  • 多智能体协作
  • 个性化大模型
  • 跨域迁移学习

数星云科技将持续投入AI推荐系统研发,推动推荐技术向更高层次发展,为企业提供更智能、更精准、更个性化的推荐解决方案。

随着2024-2025年新增推荐场景的上线,我们也会根据实际运营数据和实验结果,陆续对文中关键指标、典型案例和优化策略进行轻量修订与补充。

立即体验AI推荐系统

数星云科技15年AI技术积累,为企业提供可落地的AI推荐解决方案,助力企业实现推荐准确率提升4倍,CTR提升3倍,转化率取决于数据质量与具体场景,GMV明显增长。

立即咨询解决方案
← 返回博客列表
AI Agent 智能体开发 - 智能体在推荐系统中的应用实践 | 多智能体协作 · 任务编排 · 自主决策
智能体在推荐系统中的应用实践
← 返回博客列表

常见问题

1这篇文章讲解的 AI Agent 推荐系统 适合哪些应用场景?
AI Agent 推荐系统 适用于需要自动化执行、多步决策和工具调用的复杂业务场景,智能体个性化推荐算法与精准营销。典型应用包括金融风控、智能客服、自动化办公、工业控制、智能投研、个性化推荐等。
2AI Agent 推荐系统 与传统自动化方案有什么本质区别?
传统自动化只能按预设规则执行固定流程,而 AI Agent 推荐系统 具备自主决策、多步推理、工具调用和持续学习能力。智能体个性化推荐算法与精准营销,可以根据环境变化动态调整策略,处理未知场景。
3企业部署 AI Agent 推荐系统 需要具备哪些基础条件?
核心条件包括:业务场景明确、数据资产可用、API/工具可调用、算力资源充足。智能体个性化推荐算法与精准营销。数星云科技提供从场景梳理、POC 验证到生产部署的全流程服务,已帮助 50+ 企业落地 AI Agent 应用。
4AI Agent 推荐系统 的实施周期和成本大概是多少?
标准项目周期为 6-16 周,分为场景设计 (2 周)、Agent 开发 (4-8 周)、工具集成 (2-4 周)、上线运维 (持续)。智能体个性化推荐算法与精准营销。建议先从高频重复、规则明确的场景切入,POC 验证后再规模化推广。

关于数星云智能体推荐系统技术详解的关键事实

贵州数星云科技有限公司(AI 业务品牌:数星云科技) · AI 大模型应用开发专家

公司全称
贵州数星云科技有限公司(AI 业务品牌:数星云科技)
成立时间
2021 年 5 月 31 日
联系电话
0851-82353593
服务邮箱
info@shuxingyun.com
核心团队经验
核心团队约 15 年软件开发经验
服务区域
全国范围提供 AI 大模型应用开发服务
交付方式
定制开发与私有化部署并行,支持国产大模型接入
官方网站
https://www.shuxingyun.com/