加速AI应用落地，大模型与智能体何以成为“双骄”

嘉宾丨詹坤林

撰稿丨51CTO-诺亚

搭建AI平台，弥合算力到应用之间的巨大鸿沟

詹坤林介绍，“从去年开始我们全面拥抱大模型，尤其是大语言模型。在此背景下，我们构建了我们自己的垂类大语言模型——灵犀大模型，灵犀大模型当前已通过生成式人工智能服务备案，备案编号：Beijing—LingXi—202407050027。以此为基础，我们对传统的智能对话平台进行了升级，并搭建了我们的智能体平台，核心目的是让我们的AI应用能够快速落地。”

作为知名生活服务平台，58同城的主要业务模式是连接B端与C端用户，促成双方交流，与此同时，近年来也在推动平台内的交易闭环，进行产业化升级，深化产业价值链。

AI Lab作为58同城基础平台部，重点在支撑房产、招聘、汽车、本地服务四大业务线。鉴于从最基础的AI算力到实际的AI应用之间存在巨大鸿沟，AI平台就需要着力搭建桥梁，确保AI应用与算力高效对接，驱动创新实践。

基于这一诉求，AI平台架构分为这样三层：底层为AI计算引擎，统一管理CPU/GPU资源，实现算力调度、模型训练及推理，目标是“模型即服务”。在此基础上，集成图文音算法与大语言模型、多模态模型，供应用方调用构建服务；同时，为加速AI应用，增设AI应用平台层，涵盖智能对话、数字人、Agent等解决方案，使应用方能基于中间的应用平台层的解决方案去快速落地应用；最终，让AI应用渗透至销售、客服、产品及内部办公等全业务流程。

构建大模型平台，适应多样化的业务场景和硬件环境

那具体来说要怎么做呢？

詹坤林首先提到了构建大语言模型平台的思路：之所以要打造这样一个平台，一则是因为AI Lab作为平台部门需要提供一个能够满足各业务线需求的通用平台，使大家能够便捷地利用大模型，避免重复造轮子；二则基于这样的认知——通用的大语言模型结合Prompt提示在某些应用场景下可能难以满足特定需求，需要应用方基于特定应用场景进行模型的微调。

在这样的思路指引下，建设路径也渐趋清晰：构建一套支持大语言模型训练、推理的平台，集成各类开源通用大模型，供应用方调用和微调。

落到实处，平台建设遵循了这一路径：集成了主流开源大模型，并嵌入LoRA、QLoRA微调算法及MoE训练策略，支持从模型微调到一键部署的全流程。应用方仅需上传数据，选择微调方法，即可快速上线定制模型，利用开源推理框架如vLLM实现高效推理。

与此同时，詹坤林强调，有了平台还不够，还需要持续追踪业界进展来不断优化。比如，采用MoE架构，通过分割大模型为小模块，减少推理时所需参数，优化GPU资源利用；再比如，针对GPU稀缺场景，采用S-LoRA技术，可以在同一张GPU卡上部署和运行多个微调过的模型，显著降低部署成本。

打造垂类大模型“灵犀”，为具体业务场景量体裁衣

在58同城的创新之旅中，除了构建大模型平台之外，打造垂类大模型是另一个重点。

考虑到58同城特有的房产、招聘等垂直场景，通用大模型往往因缺乏针对性数据而在这些领域表现平平。因此，AI Lab在搭建平台之外开始着手开发专属于58的垂直大模型，以期获得更佳的场景适应性和表现效果。

据詹坤林介绍，为了避免从0到1的高昂成本，他们决定在开源模型基础上，利用58同城丰富的业务数据进行增量预训练，从而平衡模型性能与资源消耗。

训练过程分为三个阶段，融入58业务数据的同时引入公共数据，然后进行精心配比，确保模型既能够吸收特定领域的知识，又能够保留通用语言模型的能力，避免灾难性遗忘的问题，之后再进行微调和对齐，确保其在特定任务上的表现达到最优。

在评测效果方面，灵犀大模型经公开数据集与内部场景双重评测，相较于同尺寸开源模型，在特定指标上展现优势。另外，安全模型的开发尤为关键，针对内容审核需求，如涉政、涉黄信息识别，灵犀安全大模型在与GPT4的对比中也展现出显著优势。

目前，58同城灵犀大模型已经正式通过生成式人工智能服务备案（模型名称：灵犀，备案单位：北京五八信息技术有限公司，上线备案编号：Beijing—LingXi—202407050027）。点击可见

詹坤林还提到，在某些场景下，基于百亿参数的模型去打造应用，相比千亿参数模型更有优势。“去年，在业界未开源大参数模型时，我们的百亿参数模型效果和性能媲美甚至优于某闭源千亿参数模型，证明小规模模型亦可高效应对复杂场景。”

为满足不同技能水平团队的需求，58同城AI Lab构建了全面的大模型API体系，不仅允许迅速部署内部模型，确保新模型发布后能即时上线，而且整合了市场上的商用大模型API，简化了调用流程。

依托这套逻辑，AI平台与应用方的合作形式灵活多样：应用方可直接在平台上微调模型；也可以采用垂直模型定制解决方案；即使是缺乏技术背景的团队也可以直接收获一站式服务。

建设AI Agent平台，按下应用落地加速键

需要承认的是，对于不少应用方，尤其是小型团队开发者来说，微调大模型还是成本过高、耗时过长。为此，58同城AI Lab以灵犀大模型作为大脑驱动，构建了一套AI Agent平台，旨在加速AI应用落地。

詹坤林简单说明了这套智能体平台的构建过程：他们基于开源模型微调出适应Agent场景的模型，强化角色扮演（如扮演HR或销售）和工具调用能力。经过优化，不仅提升了工具调用的准确性，还增强了模型的通用性能。

平台的关键特色之一是自主研发的RAG功能，允许上传文档以构建知识库，从而丰富AI的回答。工作流自动化使得AI Agent能独立执行任务。

区别于业界其他智能体平台只能在自有生态下生成智能体页面，该平台可以生成智能体API，提供的API便于开发者将智能体无缝整合进自定义应用，极大地提高了灵活性和创新空间。

对比多家智能体平台，实测表明，在综合场景下，因对文本向量化和大模型进行了针对性微调，平台的RAG方案优势明显借助此技术，运营方即使无算法团队，也能通过AI Agent平台快速搭建应用。只需上传文档，系统便自动完成解析、向量化、检索与排序，由大模型完成回答，大幅简化了文档问答的实现过程。

目前58同城正全面应用大模型技术，涉足销售、客服、用户体验和内部办公等多个领域，已成功部署逾50款AI应用。

以销售培训场景为例，58同城面对高流动性的电销团队，新员工需迅速掌握销售技巧。传统培训耗资费时，涉及大量人力一对一指导话术。为解决此问题，引入了基于大模型的角色扮演机器人作为陪练，它能模仿优秀销售的沟通方式及不同客户的反应，帮助新员工通过互动学习提高销售技能，减少真人培训的成本。   

再比如，在内部办公和研发效率方面，SQL智能助手优化了数据分析流程。这款工具专注于生成SQL语句、自动纠错以及响应自然语言查询，例如快速获取部门收入数据或图表展示，极大提升了决策者和业务团队获取关键信息的速度，减少了编写复杂查询的需求。

结语

最后，詹坤林分享了他关于大模型开发与应用的实践总结：

第一，对于专注于特定垂直领域的公司而言，基于开源大模型开发的垂直模型展现出了显著的优势。

第二，参数量并非决定一切。不必对于模型大小过度焦虑，选择模型时应更加注重具体应用场景的需求。

第三，无论是垂直模型的构建，大模型平台的搭建，还是智能体平台的开发，所有努力的共同目标都是为了孵化出具有重大影响力的应用。

总而言之，企业应该采取开放态度，积极利用大模型的力量，通过定制化和开放合作，寻求在垂直领域内创造对业务具有高价值、高影响力的新型应用，这一趋势有望在未来几年内持续发展并带来行业变革。