需求侧
- 需求探索三原则：
- 所有需求都有目的，需与提出者沟通 “为什么”；
- 所有目的存在边界，需明确自身所处位置；
- 所有边界有实现路径，需寻找最佳实践路径。
- 需求处理流程：
- 需求场景化：以 “通过自然语言生成图表” 为例，将抽象需求转化为具体场景。
- 实现需求路径：拆解为 “拿到准确数据→理解语言意图→生成图表”，其中涉及自然语言转 SQL、SQL 查询数据、数据生成图表等步骤，最终实现 ChatBI。
- 需求功能化：将需求转化为可执行的功能（如 ChatBI）。
- 需求扩展：从 ChatBI 扩展到多模态智能 BI，提升应用范围与能力。
技术侧
- 工具选型：提供 Diffy、Milvus/neo4j、vLLM 等工具，支持不同技术实现。
- 所需工具：包括大模型应用开发平台、向量库 / 图形化数据库、大模型运行工具，支撑技术落地。
- 技术栈与理论：
- 核心技术栈基于大语言模型（LLM）、向量库、知识库及检索增强生成（RAG）等理论，RAG 可弥补大模型在知识时效性、专业性上的局限。
- 技术理论涉及大语言模型、嵌入模型、时序数据库等，同时关注模型微调、提示词工程、数据标注、多模态技术（如图像、语音模型）等关键点，确保技术实现的精准性与有效性。
这张图通过需求与技术的双向映射，构建了从需求分析、功能实现到技术支撑的完整逻辑，体现了如何将用户需求系统化地转化为基于大模型的解决方案。
这张 “AI大模型相关技术全景图” 采用分层设计，清晰呈现了从底层硬件到上层应用的完整技术体系，各层功能如下：
- 基础设施层：提供基础硬件资源，包括 GPU/TPU/ 昇腾（高性能计算）、CPU、内存（RAM）、存储（HDD）和网络，是整个架构的运行基石。
- 云原生层：采用 Docker（容器化技术）和 K8S（容器编排工具），实现模型与应用的高效部署、管理及弹性扩展，确保系统稳定性与可维护性。
- 模型层：包含各类核心模型，如大语言模型（LLM）、视觉 - 语言模型、语音 - 语言模型、图像识别 / OCR 模型、召回排序小模型、智能文档理解模型及多模态检测分析模型，提供多样化的智能处理能力。
- 应用技术层：涵盖实现应用的关键技术，如 Agent / 智能体（自主决策实体）、RAG / 检索增强生成（结合检索与生成）、Prompt 提示词工程（优化输入指令）、Fine-tuning 微调（模型个性化训练）、COT / 思维链（分步推理），以及数据抓取、清洗、向量处理和访问控制，支撑上层应用的落地。
- 应用架构层：包括工程技术架构（技术实现方案）、业务架构（业务逻辑设计）和云原生架构（云环境适配设计），从宏观层面规划应用的整体结构与实现路径。
- 应用层：呈现具体业务场景，如 RAG 类应用（企业知识库）、Agent 类应用（多智能体、财务分析、合同对比）、OLTP 类应用（智能客户、文本优化助手）、OLAP 类应用（企业级报告生成、NLP2SQL BI 可视化系统），直接服务于用户需求。
该架构通过分层协作，从硬件支撑到具体应用，形成一个完整且逻辑清晰的技术体系，确保 AI 大模型在不同场景下的高效运行与落地。
