<?xml version='1.0' encoding='utf-8'?>
<rss version="2.0"><channel><title>苏打企业AI大脑 · 技术博客</title><link>https://ai-soda.com/ai-brain/blog/</link><language>zh-CN</language><description>技术文章与业务实践</description><item><title>问错数据源时，一个好答案应该怎样回应</title><link>https://ai-soda.com/ai-brain/blog/data-boundaries/</link><guid>https://ai-soda.com/ai-brain/blog/data-boundaries/</guid><description>当用户在销售资料里询问库存，真正有价值的回答不仅要避免猜测，还要说清缺少什么、接下来去哪里。这是企业问数从流畅对话走向可靠使用的关键。</description></item><item><title>让答案与证据处在同一条阅读路径</title><link>https://ai-soda.com/ai-brain/blog/traceable-answers/</link><guid>https://ai-soda.com/ai-brain/blog/traceable-answers/</guid><description>一个结论写得清楚，还不足以让团队据此行动。读者需要知道数字来自哪里、采用什么范围，并能在产生疑问时回到原始依据。</description></item><item><title>从“销售额”开始，把一个指标定义清楚</title><link>https://ai-soda.com/ai-brain/blog/ontology-metrics/</link><guid>https://ai-soda.com/ai-brain/blog/ontology-metrics/</guid><description>同一家公司里的两个团队，可能都在谈销售额，却分别计算订单、开票和回款。先解释数字的含义，才能让自然语言真正连接业务。</description></item><item><title>一条问数请求，要在哪些地方检查权限</title><link>https://ai-soda.com/ai-brain/blog/permission-gates/</link><guid>https://ai-soda.com/ai-brain/blog/permission-gates/</guid><description>登录成功只是入口。企业问数还会经过数据查询、知识检索、缓存、追问与文件下载；这些路径都需要维持相同的身份与访问范围。</description></item><item><title>从分析到报告，为什么交付状态很重要</title><link>https://ai-soda.com/ai-brain/blog/campus-report/</link><guid>https://ai-soda.com/ai-brain/blog/campus-report/</guid><description>一段分析、一组图表和一份最终报告，服务于不同的工作阶段。把状态说清楚，团队才能知道哪些内容可以讨论，哪些内容已经具备交付条件。</description></item><item><title>怎样测量问数性能，才有可比性</title><link>https://ai-soda.com/ai-brain/blog/benchmark-method/</link><guid>https://ai-soda.com/ai-brain/blog/benchmark-method/</guid><description>首问、缓存与并发描述的是不同条件下的行为。只有把数据、负载、计时边界和答案质量一起记录，性能数字才有助于部署决策。</description></item><item><title>30 分钟现场验证，应该验证什么</title><link>https://ai-soda.com/ai-brain/blog/customer-question-validation/</link><guid>https://ai-soda.com/ai-brain/blog/customer-question-validation/</guid><description>短时间演示最有价值的部分，是让客户提出问题，并现场核对答案、出处、口径与权限。时间安排可以帮助聚焦，但不能替代数据准备和正式验收。</description></item><item><title>读懂车队相关性，先说清两个变量</title><link>https://ai-soda.com/ai-brain/blog/fleet-correlation/</link><guid>https://ai-soda.com/ai-brain/blog/fleet-correlation/</guid><description>报警次数、行驶暴露、出险与赔付金额描述的是不同现象。分析时先明确比较对象与分母，再讨论统计关系，才能避免把一张图解读成未经验证的决策规则。</description></item><item><title>从四类数据开始，设计一个文旅问数试点</title><link>https://ai-soda.com/ai-brain/blog/tourism-data-pilot/</link><guid>https://ai-soda.com/ai-brain/blog/tourism-data-pilot/</guid><description>客流、门票、住宿和服务反馈可以形成一个可讨论的起点。首期价值在于把少量问题核对清楚，再决定需要哪些更深的联动分析。</description></item><item><title>从边缘事件到企业分析，协同边界怎样划分</title><link>https://ai-soda.com/ai-brain/blog/edge-to-enterprise/</link><guid>https://ai-soda.com/ai-brain/blog/edge-to-enterprise/</guid><description>现场设备感知事件，企业系统解释业务上下文。让两者协同，需要一份清楚的事件定义、可靠的时间与身份信息，以及可追溯的处理结果。</description></item><item><title>图纸与手册，怎样成为带出处的回答</title><link>https://ai-soda.com/ai-brain/blog/manual-retrieval/</link><guid>https://ai-soda.com/ai-brain/blog/manual-retrieval/</guid><description>检索到一段文字，并不意味着理解了它旁边的图示。图文知识需要保留阅读顺序、版本、页码和关联关系，才能在回答中帮助用户回到正确依据。</description></item><item><title>从企业数据到可信答案：SebAgent 的架构与实践</title><link>https://ai-soda.com/ai-brain/blog/seb-agent-architecture/</link><guid>https://ai-soda.com/ai-brain/blog/seb-agent-architecture/</guid><description>从业务系统、知识文档和设备数据出发，理解企业 AI 大脑如何组织语义、查询数据，并把答案带回业务工作流。</description></item><item><title>SebAgent 与 Palantir AIP、WorkBuddy：企业 AI 架构与能力对比</title><link>https://ai-soda.com/ai-brain/blog/sebagent-palantir-workbuddy-comparison/</link><guid>https://ai-soda.com/ai-brain/blog/sebagent-palantir-workbuddy-comparison/</guid><description>从企业数据连接、本体、规则、智能体、权限和部署出发，比较三种产品的设计重点与选型问题。</description></item></channel></rss>