摘要

当通用大模型越来越容易获得，企业的差异化可能更多来自独有数据、专业判断与持续回流的业务结果。二十年的资料不会自动变成壁垒，只有把经验整理成可检索、可验证、可更新的知识，并在真实业务中不断纠错，才可能形成难以快速复制的优势。行业小模型的机会，就在于先把一件专业工作做扎实，再探索向客户授权、提供接口或联合运营，让积累多年的经验成为可持续交付的服务。

---

 

你可以采购一套先进模型，同行也可以。

但同行能不能同时买到：你处理过的特殊工况、售后反复碰到的故障、老师傅排除过的错误方向，以及客户采用方案之后的真实结果？

这些经验，可能散落在工单、检测报告、邮件和老员工的记忆里。企业拥有它们，却未必能在下一次需要时找到，更未必能让新人稳定使用。

这正是“行业小模型”值得讨论的起点：假设通用模型能力逐步普及，企业更难被复制的部分，将是独有的数据、经过验证的专业判断，以及持续获得新反馈的业务关系。

标题里的“别人买不走”，说的是难以靠一次采购快速补齐的积累优势。它仍会被竞争、技术进步和客户选择检验，不是永久成立的保证。

二十年数据，最值钱的可能是“后来怎么样了”

设想一家经营二十年的工业泵企业。以下为示例场景，并非思捷智云客户案例。

它保存了产品手册、历年选型记录、现场服务工单、检测报告和维修结果。客户提出问题时，老工程师往往会先追问工况，再排除几种看起来相似、实际原因不同的情况。

通用模型可以解释原理，却未必知道这家企业某批产品的历史问题，也未必知道某个建议在特定现场已经失败过。

一份手册告诉你“产品是什么”，一条完整的服务记录则可能告诉你：当时有哪些条件，尝试了什么，为什么修改，最后是否解决。

**真正有价值的积累，往往包含条件、行动与结果之间的关系。**如果只保留最终结论，忽略适用边界，就很容易把一个现场的经验错误地推广到另一个现场。

先整理资产，找到值得保留的判断

第一步，可以从一个经常发生、结果可核验的问题入手。例如先辅助售后人员整理某一产品系列的故障排查资料。

企业需要盘点：资料在哪里，谁负责，能用于哪些场景，涉及哪些客户限制；再把同一设备的型号、版本、工况、处理过程与结果关联起来。

重复内容要合并，失效说明要标记，结论冲突要交给专业人员核实。旧记录不必一律删除，但不能与现行规则不加区分地提供给模型。

还有一个容易忽视的问题：**资料保存在企业系统里，不代表它就适合用于所有训练和对外服务。**客户图纸、第三方报告、人员信息和合作方数据，需要先确认允许使用的范围。内部辅助与对外商业化，应分别核对。

整理的交付物，应是一批有来源、有版本、有适用条件、有责任人的知识和样本，而不只是一个体量更大的文件夹。

检索增强负责查依据，轻量微调负责练方法

起步时，可以让通用大模型连接经过整理的私有知识库：遇到问题先检索相关资料，再结合资料组织回答，并保留来源。这就是检索增强，通常称为 RAG。

对于版本变化、现行规则和具体案例，更新知识库往往比反复训练更便于维护。微调则会调整模型参数，更适合用经过审核的样本改善特定任务的处理方式。两者可以组合，但职责不同。(IBM 技术说明)

例如，资料已经能够查到，但系统仍经常漏问关键条件、混淆术语，或不能按统一方式整理工单，可以先改进提示与流程；若问题持续存在，再评估是否用轻量微调训练这些稳定的方法。

这里的“行业小模型”，强调在较窄业务中形成专门能力，不意味着必须从零训练，也不能把接入知识库直接称为训练出了自有模型。若希望换用参数更少的模型，还需另测效果、响应速度和成本。

评测时也应区分“资料没找对”和“找到后答错了”。微软的 RAG 质量指南明确区分检索质量与生成质量，提醒两者都会受到数据和处理流程的影响。(微软技术指南)

让每次服务，都有机会留下更好的下一次答案

持续反馈不能只靠一个点赞按钮。

在示例企业中，一次辅助服务应留下：客户提供的条件、系统引用的资料、生成的建议、工程师的修改及理由。服务结束后，再补充实际采取的措施、是否解决、有没有复发。

“客户采纳了”与“问题解决了”需要分开记录；尚未跟踪到结果的案例，应标为待验证。

系统可以辅助归类，专业人员负责复核。只有经过审核的内容才进入正式知识或训练样本，不能把模型生成的答案直接当作正确答案反复回灌。

改进也不等于实时自动训练。有些反馈用于修正文档，有些用于优化检索，少部分才进入微调。每次更新都应保留版本，先评测再发布，效果下降时能够回退。

先让自用有价值，再让客户愿意持续付费

内部使用，可以先看新人是否更容易找到正确依据、专家是否减少重复查找、工单是否减少返工。这些改善有实际价值；若要进一步判断收入贡献，还要看是否增加可承接的服务、改善客户续约，且有相应证据。

当效果在明确范围内稳定之后，可以优先验证一种产品：面向经销商或服务合作伙伴的专业知识辅助服务。

客户购买的内容，可以包括限定产品范围的知识访问、资料更新、使用记录和明确的人工升级路径；收费依据可以是账号、覆盖设备范围或年度服务，而不是笼统地出售“二十年数据”。持续责任则包括知识维护、错误处理、服务可用性与支持边界。

如果客户希望嵌入自己的工单系统，再考虑按调用量和服务等级提供 API。若合作伙伴拥有场景入口、企业提供知识与专家，也可以探索联合运营，但须先约定收入分配、服务责任，以及新增反馈如何使用。

这些是不同的商业选项，应先验证一种。客户愿意长期付费，取决于它能否持续解决工作中的问题，以及采购、集成和使用成本是否合理。

对外服务还需隔离不同客户的数据。关键设备的处置建议保留专业复核，不能让自动回答直接控制现场操作。

护城河要靠持续工作形成，不能靠模型命名形成

如果二十年资料主要是公开手册，结果记录缺失，也没有人负责更新，那么即使完成微调，优势也可能有限。

反过来，当企业持续接触真实工况，能够获得经过核验的结果，并把经验转化为有边界、可重复使用的服务，竞争者需要补齐的就包括专业积累、数据质量、服务关系和改进机制。

更早开始验证的价值，在于更早发现哪些资料有用、哪些结论过时、哪些反馈根本没有收集。最终能否形成优势，取决于这些发现是否真正用于改善业务。

可以按“假设—验证—放大”推进：选一个产品系列、一个服务任务，先建立与训练样本分离的测试集，再比较原流程、通用模型和加入私有知识后的表现。来自同一工单或高度相似的案例，不应分散到训练和测试两边，避免把记忆误当能力。

观察专业判断、来源准确性、人工修改量和处理时间，也核算整理、标注、推理、复核与维护成本。对外试点进一步看客户是否实际使用、愿不愿付费、是否续约，以及扣除持续服务成本后的毛利。若私有数据没有带来可验证的改善，应先查原因，再决定是否追加投入。

思捷智云关注的，是企业经验如何变成能够持续交付的行业应用。你可以带着一类反复出现的业务问题、几份经过适当处理的历史记录和已知结果，与思捷智云讨论：哪些经验值得先整理，怎样验证它比通用模型更有用，以及谁可能愿意为它持续付费？