1. Data x AI Infra 的中国选择： OceanBase 在「in银泰商业」 落地实践 演讲人 共益互动 / HiGoal AI：祝阳

2. 目录 Contents 01 从业务构想到技术实现 AI 产品求新求快，业务求效求稳，新技术如何在应用中破局 02 零售业AI实践案例 HiGoal Al 在零售业标杆企业「in银泰商业」的实践分享 03 AI 场景下的数据复杂性 AI 场景多数据库并用，OceanBase 让 AI 数据处理更简单

3. 关于 HiGoal AI 技术基因 商业思维 架构哲学

4. 企业智能引擎 销售场景 HiGoal AI 企业智能引擎 电子工牌 语音 其他录音设备 办公场景 企业全场景覆盖 销售/管理/顾客服务| 无缝嵌入现有系统架构 | 模块化设计快速扩展 手机/PC页面 自研语音模型 企业专有模型 应用程序 语音识别 语义识别 应用接口1 声纹识别 应用接口2 智能路由 行业NER微调 从多模态感知 | Agentic Graph RAG 跨域知识推理 | 企业行动链 嵌入IT系统调用 专有模型 公众号/小程序 自然语言 应用Agent 大模型Redirect APP 三方系统 ERP BI …… 可量化价值输出 对话质检、顾客分群等50+业务模型 | 动态拓扑重构 应用接口N 参数校验 自然语言 顾客场景 智能中枢引擎 …… 自研模型库 Conversation Quality Service Evaluation …… Product Profiling Multi-domain NER Community Detect …… NL2SQL Customer Segmentation Voice Search NLP

5. 从业务构想到技术实现，大语言模型落地的“最后一公里”

6. 技术路线的尝试与选择 开源组件以及 Fine tunning 在实际生产环境下的困境 开源组件的问题 系统稳定性 Fine-tuning 训练的困 难 算力成本过高 场景适配性 需要量高质量语料 数据异构 难以快速实时更新 其他兼容性 …… ……

7. 1 2 自研核心组件 3 4 智能体检索 Agentic Retrieval 意图感知检索、多跳推理检索、缓存与记忆机制 知识图谱 Multi-domain Knowledge Graph 多领域知识图谱，行业多模态 NER 库及动态关系 推理算法 智能体协同与决策 Agent Orchestration 多智能体分工（Multi-Agent Roles）、反馈学习 （Feedback Learning） 工程优化 Engineering Optimizations 中文语境的时间算法、NLP NER 识别（含拼音模 糊检索）、多语种支持等

8. 企业知识库 数字员工 自助服务智能体 对客服务 Enterprise Knowledges Base Digital Employee Self-service Agent Customer Service 适配开发 从指令到协同，让系统更可用 可编排的智能体工程链 | 知识即服务 | 企业级智能中枢 智能体工程 Agents Engineering 定制模型服务 标准产品 多域知识库 Knowledge Base 客户系统接口开发 Client Applications Interfaces 智能体协同 Agents Orchestration 图谱工程 Knowledge Graph Engineering AI工程优化 Engineering Optimizations 知识鉴权 Knowledge Authentication 企业专有模型 Customized Models 增强检索 Agentic RAG 企业自采 国产通用大语言模型 General LLM 商智 NL2SQL 数据服务 关系数据库 / 向量数据库 / 图数据库 色块： 标准产品 需 适配开发 需第三方支持

9. 「in银泰商业」 涵盖高端零售「 in 」 、 「 inPARK 」 、银泰城购物中 心等品牌的大型商业集团，是中国零售行业的领导者、变 革者及推动者

10. 「in银泰商业」 多组建筑，空间复杂，游客不熟悉 「in银泰商业」 在杭州「 in77 」有5个区，跨延安路与民生 路、西湖核心景区，游客找店不方便 本地化运营，经营评估体系拉齐难 门店遍布全国，如何评价一家店经营的业绩是“足够好的”， 达到业绩增长和员工满意度的双重目标 服务人员的变更，如何维持高水准的服务水平 一线员工进出频繁，如何保证顾客服务水平的“持续在线”

11. AI 重构的100+场景 解决方案 商智决策图谱： 需求解构 - 场景建模 - 价值涌现的拓扑网络 意图森林 | 实时场景拓扑重构 | 价值度量矩阵 标准化场景 可配置场景 智能衍生场景

12. AI Driven 经营决策中枢 基于 NL2SQL 的实时经营诊断引擎 痛点击穿管理三难 跨门店管理标准不统一 | 集团-单店数据断层 | 运营一体化协调难 技术突破 自然语言转SQL准确率达到生产要求 | 动态经营诊断 | 对话式递进分析 场景赋能 晨会速诊（例会） | 门店业绩对标（战术会） | 集团业绩分析会（战略会） OceanBase 提供实时计算引擎支持

13. 创新驱动 业务连续性导向 行业分析 趋势 管理者诊断结结果导向 业务新问题 受众调查 需求 业务场景下的 新需求 使用人群导向 优劣 竞品分析 市场导向 用户交互结果导向

14. AI 与 IT 的时代差异 数据形态 数据形态 AI 产品的核心是知识驱动服务收益增长 交互逻辑 IT 产品 VS AI 产品 价值核心 交互逻辑 价值核心 AI 时代需要 AI 基建，数据呈指数级的增长

15. 数据量的指数级变化， 以 ABIs (AI+BI）场景为例 陈述性知识 知识 （事实网络） + 规则性知识 （生产规则） = HiGoal 商智 Agents

16. AI 产品需要多类型数据库协同 关系数据库 向量数据库 图数据库 数据库使用痛点 查询请求 处理器 结构化数据和向量数据分离，要做两套数据，工作翻倍，代码复杂 内存向量数据库，超过100万条性能急剧下降 某些商业化数据库和模型要连接外网，对国内的生产环境不友好 SQL 向量 图 SQL 引擎 向量引擎 图查询引擎 执行引擎 复合索引 遍历优化器 存储层 存储层 存储层

17. OceanBase 解决 运维 省心项 效果 对比 1. “关系+向量”二合一，代码量减半 2. 可实现增量数据的动态加载，反思型数据更新不需要停服 3. 独立的数据服务替代内存数据库，解决海量数据加载问题 1. 储存效率高，服务器成本降低（非结构化增量18T， 动态加载+列压缩约为4T） 2. 多服、多云灾备，不再担心数据丢失 3. 商业化数据库，有服务，运维有依靠 *取自品牌历史数据 文件存储（Before) 迁移 OceanBase(After) 精确匹配响应时间 10ms 5ms 向量匹配响应时间 100ms（1K记录） 20ms（1K记录） 数据规模支持 百万级（向量记录数，1024维） 超过亿级

18. 谢谢 Github：https://github.com/HiGoalV/HiGoalVita 微信： 抖音：

19. 谢谢

20. 谢谢