中圖分類號：C93 文獻(xiàn)標(biāo)識碼：A 文章編號：2097-0145（2025）03-0001-08 doi：10.11847/fj.44.3.1

0 引言

近年來，大語言模型（largelanguagemodel，LLM，“大模型”）產(chǎn)業(yè)發(fā)展迅猛，自ChatGPT發(fā)布以來，大模型在各行業(yè)的生產(chǎn)實(shí)踐中發(fā)揮了重要作用，推動了企業(yè)數(shù)智化轉(zhuǎn)型。據(jù)Statista統(tǒng)計(jì)，2023年全球大模型市場規(guī)模已達(dá)300億美元，預(yù)計(jì)到2028年將增長至700億美元，展現(xiàn)出廣闊的市場前景。2025年的《政府工作報(bào)告》將“支持大模型廣泛應(yīng)用\"列為政府工作任務(wù)之一，反映出國家對大模型產(chǎn)業(yè)的高度重視。在政策與市場的共同驅(qū)動下，國內(nèi)外大模型技術(shù)持續(xù)演進(jìn)。2025年初，深度求索公司發(fā)布了開源大模型DeepSeek-R1，通過強(qiáng)化學(xué)習(xí)提升了推理能力，并利用混合專家架構(gòu)降低了訓(xùn)練成本。同年3月，Monica推出基于多智能體架構(gòu)的ManusAI，能夠自主完成報(bào)告撰寫、數(shù)據(jù)分析與行程規(guī)劃等復(fù)雜任務(wù)，展現(xiàn)了大模型的應(yīng)用潛力。與此同時，OpenAI發(fā)布的O3系列大模型在推理、多模態(tài)處理與工具調(diào)用方面實(shí)現(xiàn)了突破，進(jìn)一步拓寬了大模型的應(yīng)用邊界。

隨著大模型技術(shù)持續(xù)進(jìn)步，大模型的商業(yè)應(yīng)用也在加速拓展，已在客戶服務(wù)[1]、內(nèi)容生成[2]、教育培訓(xùn)[3]、金融分析[4]和醫(yī)療診斷[5]等領(lǐng)域展現(xiàn)出應(yīng)用價(jià)值。大量的應(yīng)用實(shí)踐表明，領(lǐng)域適應(yīng)性是影響大模型應(yīng)用效果的關(guān)鍵因素[6]。目前，企業(yè)主要通過三種模式實(shí)現(xiàn)大模型的領(lǐng)域適應(yīng)：（1）提示工程[7（promptengineering，PE）通過設(shè)計(jì)提示詞來引導(dǎo)大模型生成內(nèi)容；（2）檢索增強(qiáng)生成[8]（retrieval-augmented generation，RAG）利用外部相關(guān)文檔與知識來提升生成結(jié)果的準(zhǔn)確性與專業(yè)性；（3）監(jiān)督微調(diào)[9]（supervised fine-tuning，SFT）與人工反饋強(qiáng)化學(xué)習(xí)[1o]（reinforcement learning fromhumanfeedback，RLHF）通過深度注人領(lǐng)域知識，提升大模型的領(lǐng)域理解與任務(wù)執(zhí)行能力。

然而，盡管現(xiàn)有應(yīng)用模式提升了大模型的領(lǐng)域應(yīng)用效果，但在大模型商業(yè)化應(yīng)用過程中仍面臨諸多挑戰(zhàn)。例如，大模型在用戶意圖識別準(zhǔn)確性、響應(yīng)內(nèi)容可控性與生成結(jié)果可靠性方面仍存在不足，特別是在醫(yī)療等高風(fēng)險(xiǎn)領(lǐng)域，企業(yè)對輸出結(jié)果的可解釋性提出了更高標(biāo)準(zhǔn)。此外，領(lǐng)域大模型部署對企業(yè)的算力資源、數(shù)據(jù)資源、專業(yè)人才儲備和組織協(xié)同能力也提出了較高要求。因此，企業(yè)需要系統(tǒng)性的應(yīng)用框架，統(tǒng)籌技術(shù)能力與組織資源，確保大模型在復(fù)雜商業(yè)環(huán)境中的高效應(yīng)用，實(shí)現(xiàn)大模型的商業(yè)價(jià)值轉(zhuǎn)化。

1文獻(xiàn)綜述

1.1 大模型技術(shù)原理

隨著人工智能技術(shù)的發(fā)展，以深度學(xué)習(xí)為代表的技術(shù)創(chuàng)新推動了大模型的興起[]。大模型通常指參數(shù)規(guī)模達(dá)到億級的神經(jīng)網(wǎng)絡(luò)模型[12]。憑借出色的泛化性能，大模型已廣泛應(yīng)用于自然語言處理（NLP）、計(jì)算機(jī)視覺、數(shù)據(jù)分析與決策支持等領(lǐng)域[13] 。

大模型的發(fā)展經(jīng)歷了從基礎(chǔ)神經(jīng)網(wǎng)絡(luò)到復(fù)雜網(wǎng)絡(luò)架構(gòu)的演進(jìn)。早期，循環(huán)神經(jīng)網(wǎng)絡(luò)[14]和長短時記憶網(wǎng)絡(luò)[15]推動了深度學(xué)習(xí)在NLP領(lǐng)域的發(fā)展。2017年，Vaswani[16提出Transformer 架構(gòu)，以自注意力機(jī)制高效建模序列數(shù)據(jù)，極大地提升了模型性能，催生了BERT[17]、GPT-3[18]、DeepSeek-V3[19]等大模型，這些大模型在自然語言理解與生成任務(wù)中展現(xiàn)出了卓越能力。隨著應(yīng)用需求的擴(kuò)展，研究者提出了CLIP[20]、DALL- ?E^[21] 、Stable Diffusion[22]等多模態(tài)大模型，使模型能夠同時處理不同模態(tài)數(shù)據(jù)，滿足更復(fù)雜的應(yīng)用場景。

大模型訓(xùn)練的核心在于大規(guī)模神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與高效優(yōu)化策略，參數(shù)規(guī)模的擴(kuò)大增強(qiáng)了模型對復(fù)雜特征與模式的理解與表達(dá)能力[23]，而高效的訓(xùn)練策略兼顧了降低資源消耗與挖掘大模型潛力[19]。為提升大模型領(lǐng)域適應(yīng)性，學(xué)界提出了多種技術(shù)路徑。基于 SFT^[9] 和 RLHF^[10] 的策略組合，增強(qiáng)了模型輸出與人類偏好的對齊程度。提示工程通過設(shè)計(jì)提示詞引導(dǎo)高質(zhì)量輸出[7]，思維鏈[24]通過顯式推理路徑增強(qiáng)了模型的邏輯推理能力與可解釋性。針對計(jì)算資源消耗問題，以DeepSeek[19為代表的基于混合專家架構(gòu)的大模型，通過門控機(jī)制動態(tài)激活少量專家網(wǎng)絡(luò)，有效降低了訓(xùn)練成本。此外，RAG^[8] 通過檢索知識庫或文檔提升模型回答的準(zhǔn)確性與專業(yè)性。多智能體系統(tǒng)25則通過多個Agents的協(xié)同工作，提高了復(fù)雜任務(wù)處理能力。

總體來看，隨著深度學(xué)習(xí)技術(shù)的持續(xù)演進(jìn)，以及高效訓(xùn)練策略和多項(xiàng)創(chuàng)新技術(shù)手段的應(yīng)用，大模型的性能和通用性顯著提升，應(yīng)用范圍不斷擴(kuò)大，已成為當(dāng)前人工智能研究與實(shí)踐的重要方向。

1.2 大模型應(yīng)用模式

大模型在自然語言理解與生成能力上的持續(xù)進(jìn)步，推動其應(yīng)用場景不斷擴(kuò)展[26]。在通用任務(wù)方面，大模型在自然語言處理、圖像理解與多模態(tài)協(xié)同等方面實(shí)現(xiàn)了重要突破[27]。通過學(xué)習(xí)海量數(shù)據(jù)中的復(fù)雜模式，大模型能夠靈活生成符合用戶需求的個性化文本、圖像與視頻[2.28]。在問答系統(tǒng)中，大模型可以直接進(jìn)行問題響應(yīng)，能夠支持智能助理、客戶服務(wù)助手等多種場景[1，29]。在跨模態(tài)理解方面，大模型能夠統(tǒng)一建模文本、圖像與音頻數(shù)據(jù)，完成多模態(tài)生成任務(wù)[30-31]。同時，大模型在數(shù)據(jù)分析與決策支持方面也展現(xiàn)出強(qiáng)大能力，能夠高效處理結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)，挖掘潛在數(shù)據(jù)模式，輔助商業(yè)決策[32-33] 。

在通用能力不斷增強(qiáng)的基礎(chǔ)上，大模型的行業(yè)應(yīng)用也日益深人，已覆蓋醫(yī)療、教育、金融、法律、客戶服務(wù)等多個領(lǐng)域。在醫(yī)療領(lǐng)域，大模型已被用于醫(yī)學(xué)文獻(xiàn)理解、輔助診斷與患者教育[5]；在教育領(lǐng)域，大模型支持個性化學(xué)習(xí)路徑推薦與實(shí)時答疑[];在金融領(lǐng)域，大模型能夠?qū)ω?cái)經(jīng)數(shù)據(jù)和市場信息進(jìn)行深度分析，輔助風(fēng)險(xiǎn)管理與投資決策[4]；在法律領(lǐng)域，大模型被應(yīng)用于法律文本檢索、文書生成與案件梳理[34];在客戶服務(wù)領(lǐng)域，大模型驅(qū)動的智能對話系統(tǒng)能夠?qū)崟r理解客戶需求，提供高效且符合個性化需求的服務(wù)響應(yīng)[35]。值得注意的是，隨著應(yīng)用場景的復(fù)雜化，領(lǐng)域特定任務(wù)對大模型的推理能力提出了更高要求，尤其在醫(yī)療診斷、金融預(yù)測等場景中，準(zhǔn)確的多步邏輯推理成為保障大模型應(yīng)用價(jià)值的關(guān)鍵[36] 。

伴隨應(yīng)用場景的不斷擴(kuò)展，大模型在不同領(lǐng)域的應(yīng)用逐漸演化出三類主流模式，體現(xiàn)了領(lǐng)域知識融合的不同策略。第一類是提示工程[7.24]，通過構(gòu)造高質(zhì)量的提示詞，直接激發(fā)大模型的通用能力以完成響應(yīng)。第二類是RAG[8]，通過檢索外部領(lǐng)域知識庫，提升大模型對領(lǐng)域知識、時效性內(nèi)容的掌握。RAG模式融合了搜索與生成的優(yōu)勢，是實(shí)現(xiàn)大模型“輕量知識增強(qiáng)”的主要機(jī)制。第三類是基于 SFT[6.9]與RLHF[10]的模型重塑路徑，通過高質(zhì)量標(biāo)注數(shù)據(jù)與人類反饋進(jìn)行大模型微調(diào)，將領(lǐng)域知識融入模型參數(shù)中。這種方式適用于構(gòu)建具備領(lǐng)域?qū)I(yè)性、行為對齊能力的大模型，也是當(dāng)前企業(yè)訓(xùn)練垂直領(lǐng)域大模型的主流策略。

雖然大模型在通用任務(wù)與行業(yè)應(yīng)用中展現(xiàn)出巨大潛力，但是企業(yè)層面的大模型應(yīng)用實(shí)踐仍缺乏系統(tǒng)性總結(jié)與指導(dǎo)。一方面，已有研究多聚焦于模型結(jié)構(gòu)優(yōu)化、性能提升等技術(shù)層面，較少關(guān)注企業(yè)在實(shí)際部署中面臨的復(fù)雜挑戰(zhàn)；另一方面，現(xiàn)有關(guān)于大模型應(yīng)用的研究在組織管理方面的思考不足，未能充分揭示企業(yè)在應(yīng)用大模型時所面臨的人員激勵、組織調(diào)整、跨部門協(xié)作等復(fù)雜挑戰(zhàn)，導(dǎo)致學(xué)者們對大模型應(yīng)用問題的認(rèn)識與企業(yè)的實(shí)踐需求之間存在脫節(jié)。

2大模型商業(yè)應(yīng)用的案例分析

為解決當(dāng)前大模型商業(yè)應(yīng)用中的現(xiàn)實(shí)問題，本文調(diào)研了四家已部署大模型的企業(yè)，系統(tǒng)梳理了應(yīng)用情況，并分析了應(yīng)用挑戰(zhàn)與需求。

2.1大模型商業(yè)應(yīng)用場景

A企業(yè)是一家提供孕嬰童產(chǎn)品與服務(wù)的新零售平臺，A企業(yè)于2023年推出了母嬰行業(yè)垂直大模型AGPT（因商業(yè)保密要求，本文均使用代稱），部署于五大業(yè)務(wù)場景。（1）營促銷：基于用戶行為與偏好生成個性化推薦與營銷內(nèi)容，并通過社交媒體平臺優(yōu)化活動策略；（2）社交互動：支持AI寫真、表情包定制等，滿足用戶在社交媒體上的個性化表達(dá)；（3）會員服務(wù)：通過智能客服與智能推薦系統(tǒng)提升服務(wù)響應(yīng)速度與質(zhì)量；（4）門店直播：利用AI數(shù)字人與用戶實(shí)時互動，提高線上直播與線下門店引流效果；（5）自動化分析系統(tǒng)：進(jìn)行門店運(yùn)營與供應(yīng)鏈管理的數(shù)據(jù)分析，輔助決策。A企業(yè)的AGPT主要面向個人消費(fèi)者和內(nèi)部業(yè)務(wù)管理，兼顧用戶體驗(yàn)與運(yùn)營效率。

B企業(yè)是大宗商品行業(yè)信息服務(wù)商，擁有豐富的行業(yè)數(shù)據(jù)與專家知識。2024年，B企業(yè)基于開源大模型開發(fā)了大宗商品行業(yè)領(lǐng)域大模型BGPT，部署于五大業(yè)務(wù)場景。（1）查數(shù)據(jù)：提供實(shí)時價(jià)格、庫存、供需數(shù)據(jù)查詢，支撐企業(yè)客戶及時掌握市場動態(tài);（2）讀咨詢：智能解讀行業(yè)分析報(bào)告與宏觀政策動態(tài)，提高信息處理效率；（3）寫報(bào)告：輔助市場研究報(bào)告與公文撰寫，減少企業(yè)用戶重復(fù)性勞動；（4）問百科：提供行業(yè)知識、上市公司信息查詢服務(wù)；（5）找商機(jī)：聚合供需信息與行業(yè)動態(tài)，幫助企業(yè)發(fā)現(xiàn)合作機(jī)會。B企業(yè)的BGPT主要面向企業(yè)用戶和內(nèi)部專家團(tuán)隊(duì)，聚焦于數(shù)據(jù)洞察、信息檢索與決策支持。

C企業(yè)是一家創(chuàng)新情報(bào)與知識產(chǎn)權(quán)服務(wù)平臺，C企業(yè)于2024年發(fā)布了生物醫(yī)藥大模型CGPT，主要應(yīng)用于四個業(yè)務(wù)場景。（1）醫(yī)藥競爭格局分析：

通過聚合全球藥物研發(fā)管線信息與市場數(shù)據(jù)，輔助企業(yè)戰(zhàn)略布局；（2）文獻(xiàn)與數(shù)據(jù)檢索：支持文獻(xiàn)檢索并鏈接至Synapse等外部平臺的詳情頁，支持臨床試驗(yàn)數(shù)據(jù)檢索，輔助臨床試驗(yàn)管理；（3）化合物與序列檢索：支持精準(zhǔn)檢索化合物結(jié)構(gòu)、基因序列及相關(guān)專利，輔助藥物研發(fā)與專利申請；（4）醫(yī)藥政策問答：提供多國藥政信息，幫助用戶了解藥品監(jiān)管政策。CGPT主要面向生物醫(yī)藥企業(yè)、科研機(jī)構(gòu)與內(nèi)部研究人員，聚焦于提升專業(yè)檢索能力、創(chuàng)新情報(bào)分析與研發(fā)支持。

D企業(yè)是一家酒店服務(wù)管理平臺，D企業(yè)于2024年推出了基于RAG模式的大模型DGPT，服務(wù)顧客、加盟商與自有員工三類用戶。（1）酒店虛擬前臺：支持入住自助辦理與常見問題解答等；（2）加盟商小助手：為加盟商提供實(shí)時經(jīng)營數(shù)據(jù)分析并生成報(bào)告；（3）員工支持助手：輔助員工入職培訓(xùn)和企業(yè)內(nèi)部的問題解答。DGPT在提升顧客服務(wù)質(zhì)量、優(yōu)化企業(yè)運(yùn)營效率方面發(fā)揮了作用。

2.2大模型商業(yè)應(yīng)用實(shí)施方案

制定契合業(yè)務(wù)需求的大模型實(shí)施方案是保障應(yīng)用效果的前提。四家企業(yè)在開發(fā)階段，結(jié)合自身行業(yè)特性和服務(wù)對象，制定了差異化的大模型應(yīng)用策略，涵蓋數(shù)據(jù)準(zhǔn)備到模型訓(xùn)練的全過程。

A企業(yè)基于LLaMA-3，融合私有育兒知識庫與公共數(shù)據(jù)進(jìn)行了微調(diào)，其模型訓(xùn)練采用云端分布式架構(gòu)，支持持續(xù)迭代優(yōu)化。B企業(yè)自建GPU集群，采用多智能體架構(gòu)，基于行業(yè)數(shù)據(jù)庫與宏觀政策數(shù)據(jù)進(jìn)行了微調(diào)，支持高時效性業(yè)務(wù)。C企業(yè)基于LLaMA-3，融合專利、論文、試驗(yàn)等數(shù)據(jù)進(jìn)行了微調(diào)，并引入強(qiáng)化學(xué)習(xí)對齊行業(yè)標(biāo)準(zhǔn)，結(jié)合RAG動態(tài)檢索增強(qiáng)專業(yè)輸出。酒店服務(wù)行業(yè)對大模型專業(yè)性要求相對較低，D企業(yè)采用輕量化策略，利用運(yùn)營手冊與常見問題庫構(gòu)建檢索數(shù)據(jù)集，基于RAG的模式實(shí)現(xiàn)高效問答，無需深度微調(diào)。表1總結(jié)了四家企業(yè)在基座模型、數(shù)據(jù)準(zhǔn)備、服務(wù)器條件與實(shí)現(xiàn)方式上的差異。

2.3大模型商業(yè)應(yīng)用效果分析

根據(jù)調(diào)研發(fā)現(xiàn)，盡管四家企業(yè)所處行業(yè)、服務(wù)對象和應(yīng)用場景不同，但在大模型應(yīng)用過程中普遍實(shí)現(xiàn)了以下成效。

首先，大模型推動了客戶服務(wù)從規(guī)則驅(qū)動向動態(tài)生成轉(zhuǎn)型，能夠在理解用戶意圖的基礎(chǔ)上實(shí)時響應(yīng)。AGPT可以根據(jù)用戶畫像生成營銷文案；DGPT的虛擬前臺實(shí)現(xiàn)了自助服務(wù)。其次，大模型重塑了企業(yè)對專業(yè)知識的利用方式。BGPT整合行業(yè)資訊，提高了報(bào)告撰寫效率；CGPT的智能檢索降低了研發(fā)信息獲取成本。再次，大模型提升了企業(yè)應(yīng)對復(fù)雜任務(wù)的能力。BGPT借助多智能體提升了整體業(yè)務(wù)流程的響應(yīng)效率與系統(tǒng)協(xié)同能力；CGPT實(shí)現(xiàn)復(fù)雜專業(yè)信息處理，優(yōu)化了藥政研判流程。最后，大模型拓展了企業(yè)智能系統(tǒng)的邊界，支持多角色、多任務(wù)協(xié)同應(yīng)用。AGPT同時服務(wù)消費(fèi)者與門店運(yùn)營；BGPT用于對外咨詢與內(nèi)部管理；CGPT服務(wù)外部科研與內(nèi)部研發(fā)；DGPT則構(gòu)建了面向顧客、加盟商與員工的多角色助手體系。表2對四家企業(yè)在大模型應(yīng)用場景與應(yīng)用效果方面進(jìn)行了總結(jié)。

從四家企業(yè)的大模型應(yīng)用效果可以看出，大模型在企業(yè)中的應(yīng)用呈現(xiàn)出從工具性嵌入向系統(tǒng)性重構(gòu)的趨勢：一是逐步成為智能系統(tǒng)核心模塊，參與任務(wù)調(diào)度與系統(tǒng)協(xié)同；二是通過交互積累形成企業(yè)知識資產(chǎn)；三是部署范圍從局部應(yīng)用擴(kuò)展到跨部門、全流程；四是推動企業(yè)圍繞大模型能力，重構(gòu)業(yè)務(wù)邊界與組織設(shè)計(jì)，推動管理模式升級。

2.4大模型商業(yè)應(yīng)用挑戰(zhàn)與需求分析

雖然調(diào)研的四家企業(yè)已在多個場景實(shí)現(xiàn)了基于大模型的智能應(yīng)用，并取得了初步成效，但在實(shí)際部署與運(yùn)行過程中，仍面臨諸多挑戰(zhàn)，集中體現(xiàn)在模型響應(yīng)質(zhì)量、領(lǐng)域適應(yīng)能力、數(shù)據(jù)隱私保護(hù)與組織協(xié)同四個方面。

首先，在處理用戶請求時，大模型往往難以準(zhǔn)確識別用戶的真實(shí)意圖，導(dǎo)致生成內(nèi)容無法完全滿足用戶期望。AGPT回應(yīng)消費(fèi)者關(guān)于育兒的多維度咨詢時，常出現(xiàn)回復(fù)片面、意圖覆蓋不足的問題；CGPT在面對專業(yè)程度高的研發(fā)類問詢時，輸出結(jié)果容易泛化，難以貼合實(shí)際需求。其次，在高度依賴專業(yè)知識的業(yè)務(wù)場景中，大模型的輸出在準(zhǔn)確性與一致性方面仍存在明顯不足。B企業(yè)和C企業(yè)均反映，即使經(jīng)過微調(diào)，大模型輸出的結(jié)果仍需專業(yè)人員反復(fù)核驗(yàn)，難以替代傳統(tǒng)的知識服務(wù)流程；C企業(yè)的大模型還存在“幻覺”問題（生成與事實(shí)不符的信息），降低了大模型在高風(fēng)險(xiǎn)領(lǐng)域的可信度與可用性。再次，在使用企業(yè)數(shù)據(jù)對基座模型進(jìn)行微調(diào)時，企業(yè)需要在算力成本與數(shù)據(jù)隱私保護(hù)之間權(quán)衡。B企業(yè)選擇自建GPU集群，以保障商業(yè)敏感數(shù)據(jù)的本地化處理，雖然有效降低了數(shù)據(jù)泄露風(fēng)險(xiǎn)，但也帶來了高昂的運(yùn)維與更新成本。最后，基于大模型的智能系統(tǒng)在內(nèi)部推廣過程中面臨人員接受度低與跨部門協(xié)同不足的問題。A企業(yè)與B企業(yè)的員工對大模型接受度不高，仍傾向于使用傳統(tǒng)方式進(jìn)行數(shù)據(jù)分析與報(bào)告撰寫；B企業(yè)與C企業(yè)在知識庫更新與模型迭代優(yōu)化時，部門之間缺乏統(tǒng)一的反饋渠道與協(xié)同機(jī)制，模型調(diào)優(yōu)進(jìn)度緩慢。

以上問題的出現(xiàn)，反映了企業(yè)在推動大模型商業(yè)應(yīng)用的過程中，尚未構(gòu)建起以知識為核心的系統(tǒng)性支撐機(jī)制，從技術(shù)基礎(chǔ)到業(yè)務(wù)流程，再到組織架構(gòu)，企業(yè)的領(lǐng)域知識未能作為一種可治理、可調(diào)度、可共創(chuàng)的資源有效嵌入企業(yè)的大模型智能系統(tǒng)，成為制約企業(yè)大模型應(yīng)用效能提升的關(guān)鍵挑戰(zhàn)。

首先，在技術(shù)層面，模型缺乏對領(lǐng)域知識的深度融合與理解。雖然企業(yè)通過RAG引入了企業(yè)知識庫，但由于內(nèi)容更新滯后、語義覆蓋不足、結(jié)構(gòu)化建模缺乏，僅僅采用RAG的大模型在面對用戶復(fù)雜請求時會出現(xiàn)召回偏差與信息斷層，導(dǎo)致響應(yīng)內(nèi)容的準(zhǔn)確性下降；此外，雖然 A，B，C 三家企業(yè)基于領(lǐng)域知識對基座大模型進(jìn)行了監(jiān)督微調(diào)，但是由于微調(diào)數(shù)據(jù)覆蓋有限、結(jié)構(gòu)化知識缺失，模型無法建立知識推理路徑，在回復(fù)用戶復(fù)雜問題時會出現(xiàn)理解不深入、推理缺失與響應(yīng)不穩(wěn)定的問題。

其次，在業(yè)務(wù)層面，企業(yè)的領(lǐng)域知識體系未能與業(yè)務(wù)流程形成有效聯(lián)動，限制了模型對業(yè)務(wù)邏輯的理解能力。盡管企業(yè)可以從大量業(yè)務(wù)經(jīng)驗(yàn)中積累企業(yè)私有知識，但是沒有明晰知識資源與業(yè)務(wù)場景的邏輯映射關(guān)系，導(dǎo)致知識難以嵌入關(guān)鍵業(yè)務(wù)鏈條，使得大模型在復(fù)雜任務(wù)處理中難以實(shí)現(xiàn)領(lǐng)域知識推理與業(yè)務(wù)判斷。

再次，在組織層面，企業(yè)尚未建立起面向大模型應(yīng)用的知識治理機(jī)制，制約了知識在組織內(nèi)部的高效流動與動態(tài)更新。一方面，企業(yè)知識生產(chǎn)與維護(hù)仍依賴個體經(jīng)驗(yàn)，缺乏基于知識貢獻(xiàn)的激勵機(jī)制，導(dǎo)致專業(yè)人員在知識結(jié)構(gòu)化、反饋標(biāo)注與模型優(yōu)化中參與不足；另一方面，組織內(nèi)部存在“知識孤島”，不同部門在知識使用標(biāo)準(zhǔn)和反饋流程上缺乏統(tǒng)一規(guī)范，限制了跨部門協(xié)同與大模型應(yīng)用效果的進(jìn)一步釋放。

因此，企業(yè)要實(shí)現(xiàn)高效、穩(wěn)定的大模型商業(yè)應(yīng)用，關(guān)鍵在于將領(lǐng)域知識由分散資源轉(zhuǎn)化為系統(tǒng)能力，構(gòu)建貫穿技術(shù)、業(yè)務(wù)與組織全鏈條的知識賦能機(jī)制。這一機(jī)制不僅要支撐大模型對復(fù)雜任務(wù)的知識建模與知識推理，還應(yīng)保障企業(yè)在多角色、多部門、多場景下的大模型協(xié)同運(yùn)行，實(shí)現(xiàn)從信息驅(qū)動向知識驅(qū)動的能力躍遷，推動大模型從輔助工具向智能中樞演化。

3基于知識增強(qiáng)的大模型商業(yè)應(yīng)用框架

經(jīng)過對四家企業(yè)大模型商業(yè)應(yīng)用現(xiàn)狀進(jìn)行梳理并對他們面臨的挑戰(zhàn)與需求進(jìn)行分析后，本文提出以知識增強(qiáng)為核心的大模型商業(yè)應(yīng)用框架，旨在為企業(yè)在技術(shù)路徑選擇、領(lǐng)域知識融合與組織機(jī)制建設(shè)等方面提供實(shí)踐指引。如圖1所示，本文提出的應(yīng)用框架分為四個層次：需求層、模型層、應(yīng)用層與基礎(chǔ)設(shè)施層，每一層明確了需要重點(diǎn)構(gòu)建的要素，以實(shí)現(xiàn)技術(shù)、業(yè)務(wù)與組織的知識聯(lián)動與協(xié)同，賦能領(lǐng)域大模型的商業(yè)應(yīng)用。

3.1 場景需求發(fā)現(xiàn)

本文提出的基于知識增強(qiáng)的大模型商業(yè)應(yīng)用框架中，場景需求發(fā)現(xiàn)是企業(yè)大模型應(yīng)用的出發(fā)點(diǎn)，決定了后續(xù)模型開發(fā)的目標(biāo)方向與重點(diǎn)任務(wù)。

在該階段，企業(yè)需要從業(yè)務(wù)實(shí)踐場景出發(fā)，圍繞三類關(guān)鍵用戶群體展開需求發(fā)現(xiàn)。個人用戶需求側(cè)重于內(nèi)容生成、個性化推薦與智能交互等，強(qiáng)調(diào)用戶體驗(yàn)的提升；企業(yè)用戶需求主要集中于數(shù)據(jù)分析、市場洞察與專業(yè)報(bào)告解讀等，強(qiáng)調(diào)業(yè)務(wù)支持與決策效率；內(nèi)部員工需求則涵蓋知識檢索、任務(wù)協(xié)同與流程優(yōu)化等環(huán)節(jié)，強(qiáng)調(diào)提升員工工作效率與知識賦能水平。通過發(fā)現(xiàn)用戶需求，企業(yè)能夠?yàn)楹罄m(xù)大模型的應(yīng)用提供明確方向，確保大模型應(yīng)用目標(biāo)與業(yè)務(wù)價(jià)值一致。

3.2 基礎(chǔ)設(shè)施建設(shè)

在開展領(lǐng)域大模型開發(fā)與優(yōu)化之前，企業(yè)需要從人力資源、算力資源、數(shù)據(jù)資源與組織架構(gòu)四個維度，構(gòu)建穩(wěn)定的能力與資源支撐體系。

首先，企業(yè)開發(fā)領(lǐng)域大模型，不僅需要熟悉業(yè)務(wù)流程與場景邏輯的業(yè)務(wù)人員，也需要具備大模型訓(xùn)練與調(diào)優(yōu)能力的技術(shù)人員，兩類人員的協(xié)作可以彌合技術(shù)與應(yīng)用之間的認(rèn)知差距，使得模型輸出更貼合業(yè)務(wù)需求。其次，企業(yè)需要根據(jù)數(shù)據(jù)敏感程度與計(jì)算任務(wù)強(qiáng)度，在本地部署與云端訓(xùn)練之間做出權(quán)衡，也可以引入隱私計(jì)算技術(shù)，在保護(hù)數(shù)據(jù)隱私的基礎(chǔ)上進(jìn)行模型訓(xùn)練。再次，企業(yè)的私有知識是構(gòu)建大模型行業(yè)認(rèn)知能力與行業(yè)邏輯理解能力的核心支撐。企業(yè)需要?dú)w納整理包括歷史業(yè)務(wù)數(shù)據(jù)、客戶服務(wù)記錄、操作手冊與領(lǐng)域知識文檔等各類企業(yè)知識數(shù)據(jù)，同時引入具備清晰實(shí)體邊界、層級關(guān)系與邏輯規(guī)則的結(jié)構(gòu)化知識（如知識圖譜、業(yè)務(wù)流程結(jié)構(gòu)等），幫助模型建立明確的知識調(diào)用路徑和邏輯推理鏈條，提升模型的推理能力，為實(shí)現(xiàn)高質(zhì)量的領(lǐng)域知識增強(qiáng)奠定基礎(chǔ)。最后，企業(yè)需要建立清晰的大模型開發(fā)管理機(jī)制，構(gòu)建技術(shù)、數(shù)據(jù)、業(yè)務(wù)團(tuán)隊(duì)之間的協(xié)調(diào)機(jī)制，打通組織內(nèi)部壁壘，提升知識流通效率，保障模型開發(fā)與優(yōu)化過程中各團(tuán)隊(duì)的目標(biāo)一致。

3.3 模型開發(fā)優(yōu)化

（1）知識增強(qiáng)的PE

基于PE的知識增強(qiáng)方式，是指通過設(shè)計(jì)提示詞模板，將領(lǐng)域知識以“提示”的形式輸入大模型，引導(dǎo)大模型生成符合專業(yè)語境的輸出。在這種模式下，企業(yè)需要通過構(gòu)建問題模板、加人領(lǐng)域背景信息、設(shè)定語言風(fēng)格等方式，提升模型對任務(wù)語境的感知能力。PE適用于需求變化頻繁、試錯成本較低的場景，如FAQ問答生成、營銷文案撰寫等，其優(yōu)點(diǎn)在于響應(yīng)速度快、部署成本低，但由于知識融合是通過輸人提示的淺層引導(dǎo)完成，模型對復(fù)雜邏輯關(guān)系與深層語義的把握有限，難以支撐復(fù)雜場景下的推理任務(wù)。

（2）知識增強(qiáng)的RAG

基于RAG的知識增強(qiáng)主要通過檢索企業(yè)知識庫，引導(dǎo)大模型在生成過程中動態(tài)調(diào)用外部知識。在這種模式下，企業(yè)首先需要構(gòu)建覆蓋關(guān)鍵業(yè)務(wù)內(nèi)容的領(lǐng)域知識庫，將包括文檔資料、結(jié)構(gòu)化知識與外部可信數(shù)據(jù)在內(nèi)的各類知識數(shù)據(jù)進(jìn)行整合與組織，然后對知識內(nèi)容進(jìn)行向量化編碼，并基于語義匹配機(jī)制建立高效的檢索系統(tǒng)，使得大模型能夠在響應(yīng)用戶請求時，實(shí)時獲取相關(guān)知識片段，并將其作為上下文用于內(nèi)容生成。RAG適用于時效性強(qiáng)、知識更新頻繁的任務(wù)，其優(yōu)勢在于靈活性與可擴(kuò)展性，但大模型本身并未內(nèi)化領(lǐng)域知識，其理解與推理能力依賴于檢索內(nèi)容的質(zhì)量。

（3）知識增強(qiáng)的SFT/RLHF

知識增強(qiáng)的SFT需要企業(yè)將領(lǐng)域知識轉(zhuǎn)化為訓(xùn)練樣本，并基于任務(wù)場景構(gòu)建微調(diào)數(shù)據(jù)集，通過監(jiān)督訓(xùn)練、目標(biāo)對齊與效果評估等步驟，優(yōu)化大模型對特定領(lǐng)域的理解與表達(dá)能力。特別地，在結(jié)構(gòu)化知識的支持下，模型能夠?qū)W習(xí)到知識實(shí)體關(guān)系與業(yè)務(wù)邏輯規(guī)則，從而提升其對復(fù)雜任務(wù)的推理能力與專業(yè)領(lǐng)域的判斷能力。知識增強(qiáng)的RLHF需要企業(yè)基于反饋數(shù)據(jù)建立強(qiáng)化學(xué)習(xí)評價(jià)體系，根據(jù)實(shí)際輸出偏差進(jìn)行模型參數(shù)微調(diào)與策略更新；同時，在組織層面，企業(yè)還需要構(gòu)建系統(tǒng)化的知識反饋采集機(jī)制，并引人基于知識貢獻(xiàn)的激勵機(jī)制，提升一線人員在知識標(biāo)注與知識結(jié)構(gòu)校驗(yàn)中的積極性。

知識增強(qiáng)的SFT/RLHF適用于任務(wù)復(fù)雜度高、語義理解要求深、決策容錯率低的業(yè)務(wù)場景，如醫(yī)療問診、法律分析、金融風(fēng)控等。需要注意的是，由于SFT/RLHF模式通常涉及大量高質(zhì)量訓(xùn)練樣本的構(gòu)建與多輪迭代優(yōu)化，對算力資源、數(shù)據(jù)標(biāo)注能力與人才配置提出了更高要求，企業(yè)在采用該模式時需要充分評估。

3.4Agents系統(tǒng)協(xié)同

在完成領(lǐng)域大模型的開發(fā)與優(yōu)化之后，企業(yè)可以采用多智能體（multi-agent）策略，實(shí)現(xiàn)復(fù)雜業(yè)務(wù)場景的模塊化拆解與智能協(xié)同處理，賦能大模型商業(yè)應(yīng)用。通過引入具備不同功能的Agents，企業(yè)可以將整個業(yè)務(wù)流程劃分為多個子任務(wù)，并由不同Agent分別處理，如市場分析、報(bào)告撰寫、價(jià)格預(yù)測、合規(guī)檢查等。各Agent之間通過任務(wù)規(guī)劃機(jī)制進(jìn)行任務(wù)分發(fā)與信息傳遞，并根據(jù)全局目標(biāo)動態(tài)調(diào)整行動策略，實(shí)現(xiàn)從局部響應(yīng)到系統(tǒng)執(zhí)行的升級。

在這種模式下，企業(yè)需要構(gòu)建涵蓋工具集成、記憶管理、任務(wù)控制與用戶交互在內(nèi)的多智能體應(yīng)用系統(tǒng)。具體而言，企業(yè)首先需要構(gòu)建系統(tǒng)工具，鏈接大模型與企業(yè)內(nèi)部的業(yè)務(wù)系統(tǒng)和外部工具平臺，使各Agent具備任務(wù)執(zhí)行能力，如自動調(diào)用CRM、ERP或數(shù)據(jù)可視化工具等;其次，引入長期記憶與知識緩存機(jī)制，支持Agents跨任務(wù)、跨輪次的知識延續(xù)；再次，在任務(wù)組織層面，需要構(gòu)建基于工作流引擎或任務(wù)圖的規(guī)劃與控制機(jī)制，實(shí)現(xiàn)任務(wù)鏈的編排與過程管控，提升Agents協(xié)同過程的可控性與透明度；最后，還需設(shè)計(jì)友好的用戶交互界面，使終端用戶能夠?qū)崟r查看Agents運(yùn)行狀態(tài)，并在關(guān)鍵節(jié)點(diǎn)進(jìn)行有效干預(yù)，確保人機(jī)協(xié)同的有效性。上述能力共同構(gòu)成了企業(yè)實(shí)現(xiàn)Agents系統(tǒng)協(xié)同的基礎(chǔ)要素。

企業(yè)通過多智能體策略，可以將領(lǐng)域知識嵌入任務(wù)系統(tǒng)、將模型能力嵌入組織結(jié)構(gòu)，各Agent以領(lǐng)域大模型為底座，通過協(xié)同調(diào)度與知識共享形成互補(bǔ)，推動大模型在任務(wù)執(zhí)行中的系統(tǒng)性響應(yīng)。進(jìn)一步地，企業(yè)還可以結(jié)合知識更新機(jī)制，將任務(wù)執(zhí)行過程中沉淀的高質(zhì)量問答、業(yè)務(wù)判斷與策略建議補(bǔ)充至知識庫，構(gòu)建以知識為核心、以Agents為載體的大模型智能協(xié)同應(yīng)用系統(tǒng)。

4結(jié)論與展望

4.1 研究結(jié)果

（1）從大模型的應(yīng)用模式來看，目前企業(yè)主要通過三種模式實(shí)現(xiàn)大模型的領(lǐng)域適應(yīng)：提示工程（PE）、檢索增強(qiáng)生成（RAG）與監(jiān)督微調(diào)/人工反饋強(qiáng)化學(xué)習(xí)（SFT/RLHF）。PE適用于需求靈活、試錯成本低的場景，RAG適用于知識更新頻繁、時效性要求高的場景，SFT/RLHF適用于需要復(fù)雜推理、嚴(yán)謹(jǐn)決策的場景。這三種應(yīng)用模式代表了企業(yè)在增強(qiáng)大模型領(lǐng)域適應(yīng)的過程中，根據(jù)應(yīng)用場景復(fù)雜度對知識利用深度采取的差異化選擇。（2）從大模型的應(yīng)用挑戰(zhàn)來看，企業(yè)應(yīng)用大模型主要存在意圖召回不準(zhǔn)確、知識利用不深入、回復(fù)生成不穩(wěn)定與組織協(xié)同不高效四個方面的挑戰(zhàn)，反映出企業(yè)在推動大模型商業(yè)應(yīng)用時，尚未構(gòu)建起以知識為核心的系統(tǒng)性支撐機(jī)制。從技術(shù)基礎(chǔ)到業(yè)務(wù)流程，再到組織架構(gòu)，領(lǐng)域知識未能作為一種可治理、可調(diào)度、可共創(chuàng)的資源有效嵌人企業(yè)的大模型智能系統(tǒng)。（3）本文從大模型商業(yè)應(yīng)用的挑戰(zhàn)與需求出發(fā)，提出基于知識增強(qiáng)的大模型商業(yè)應(yīng)用框架，系統(tǒng)串聯(lián)了企業(yè)在需求發(fā)現(xiàn)、資源建設(shè)、模型優(yōu)化與應(yīng)用部署四個階段的關(guān)鍵要素與任務(wù)，為企業(yè)實(shí)現(xiàn)大模型的商業(yè)應(yīng)用提供了實(shí)踐路徑與參考指引。

4.2 研究局限和展望

首先，雖然大模型技術(shù)發(fā)展迅速，但其商業(yè)化應(yīng)用仍處于起步階段，本文所分析的四家企業(yè)案例難以全面反映各行業(yè)的應(yīng)用情況。隨著大模型在各行業(yè)的深人部署，未來研究有必要結(jié)合更廣泛的企業(yè)實(shí)踐，探討新興的應(yīng)用場景、方法路徑與挑戰(zhàn)需求。其次，本文的案例分析主要來源于企業(yè)內(nèi)部人員的主觀反饋，受限于數(shù)據(jù)可得性，尚缺乏對大模型實(shí)際應(yīng)用效果的量化驗(yàn)證。未來研究可以引入多維度客觀數(shù)據(jù)，深人評估大模型對企業(yè)運(yùn)營效率、決策質(zhì)量與業(yè)務(wù)創(chuàng)新的實(shí)際影響。再次，本文從案例出發(fā)，主要討論單一領(lǐng)域的知識增強(qiáng)應(yīng)用框架，未考慮跨領(lǐng)域的知識遷移。未來研究可進(jìn)一步探討如何實(shí)現(xiàn)領(lǐng)域知識的有效遷移與泛化，支持大模型在多領(lǐng)域、多任務(wù)環(huán)境下的穩(wěn)定應(yīng)用。此外，本文提出了基于多智能體的大模型應(yīng)用框架，但是對智能體之間的協(xié)作機(jī)制、沖突管理與任務(wù)規(guī)劃細(xì)節(jié)的探討尚不充分。未來研究可以系統(tǒng)設(shè)計(jì)任務(wù)劃分策略、沖突檢測方法與協(xié)同優(yōu)化機(jī)制，提升多智能體大模型系統(tǒng)在復(fù)雜業(yè)務(wù)環(huán)境下的穩(wěn)定性。最后，隨著大模型技術(shù)演進(jìn)與應(yīng)用場景拓展，其對企業(yè)管理實(shí)踐將提出新的要求與挑戰(zhàn)。未來研究仍需從技術(shù)架構(gòu)、人機(jī)協(xié)作機(jī)制及應(yīng)用方案設(shè)計(jì)等維度展開更系統(tǒng)的研究。

參考文獻(xiàn)：

[1] Li Z，Wang L，Luo Q，et al.． Large language model based on full-text retrieval for temporal knowledge Qamp;A approach[A]. AINIT[C]. Nanjing，2024. 441-446.

[2]LiY A，Han C，Raghaan V，et al.. Styletts 2：towards human-level text-to-speech through style diffusion and adversarial training with large speech language models [J].AdvancesinNeuralInformationProcessing Systems，2024，36：19594-19621.

[3]KasneciE，SeBler K，Kuchemann S，et al.．ChatGPT for good？ On opportunities and challengesof large language models for education[J]. Learning and Individual Differences，2023，103：102274.

[4]Lee J，Stevens N，Han S C. Large language models in finance（FinLLMs）[J]. Neural Computing and Applications，2025（1）：1-15.

[5]Liu L， Yang X，Lei J， et al.. A survey on medical large language models： technology，application， trustworthiness，and future directions[J].arXiv preprint arXiv： 240603712，2024.

[6]Lu W，Luu RK，Buehler MJ.Fine-tuning large language models for domain adaptation：exploration of training strategies，scaling，model merging and synergistic capabilities[J].NPJ Computational Materials，2025， 11（1）： 84.

[7] Mesk6 B. Prompt engineering as an important emerging skill for medical professionals：tutorial［J]. Journal of Medical Internet Research，2023，25：e50638.

[8] Asai A， Wu Z， Wang Y， et al.. Self-rag： learning to retrieve， generate，and critique through self-reflection [A].ICLR[C].Kigali，2023．1-13.

[9]Liu Z， Xu Y， Xu Y， et al.. Improved fine-tuning by better leveraging pre-training data［J]. Advances in Neural Information Processing Systems，2022，35： 32568-32581.

[10]Yu T， Yao Y，Zhang H， et al.. Rlhf-v： towards trustworthy mllms via behavior alignment from fine-grained correctional human feedback[A]. CVPR[C]. Seattle， 2024．13807-13816.

[11]Yao Y，Duan J，Xu K，et al..A survey on large language model （llm） security and privacy：the good， the bad，and the ugly[J]. High-Confidence Computing，2024，4（2）：100211.

[12]Kaplan J，Mccandlish S，Henighan T，et al.. Scaling laws for neural language models[J]. arXiv preprint arXiv：200108361，2020.

[13] Zhao H，Chen H，Yang F，et al..Explainability for large language models： a survey[J]. ACM Transactions on Intelligent Systems and Technology，2024，15（2）： 1-38.

[14]Elman JL.Finding structure in time[J]. Cognitive Science，1990，14（2）： 179-211.

[15]Yu Y，SiX，Hu C，et al..A review of recurrent neural networks：LSTM cells and network architectures[J]. Neural Computation，2019，31（7）：1235-1270.

[16]Vaswani A.Attention is all you need[A]. NeurIPS [C]．Barcelona，2017.2-17.

[17]Devlin J. Bert： pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv：181004805，2018.

[18] Brown T B. Language models are few-shot learners[J]. arXiv preprint arXiv：200514165，2020.

[19]Liu A， Feng B， Xue B， et al.. Deepseek-v3 technical report[J].arXiv preprint arXiv：241219437，2024.

[20]Radford A，Kim JW，Hallacy C，et al..Learning transferable visual models from natural language supervision[A]. ICML[C]. Online，2021.8748-8763.

[21]Ramesh A，Pavlov M，Goh G，et al.，Zero-shot text-toimage generation[A]. ICML[C].Online.2021.8821-8831.

[22]Rombach R，Blattmann A，Lorenz D，et al..Highresolution image synthesis with latent diffusion models [A].CVPR[C].NewOrleans，2022.10684-10695.

[23]Menghani G. Efficient deep learning： a survey on makingdeeplearningmodelssmaller，faster，andbetter [J].ACMComputing Surveys，2023，55（12）：1-37.

[24]Wei J，Wang X，Schuurmans D，et al.. Chain-ofthought prompting elicits reasoning in large language models[A]．NeurIPS[C].New Orleans，2022. 24824-24837.

[25]ChanC-M，Chen W，SuY，et al..Chateval：towards better llm-based evaluators through multi-agent debate [J]．a(chǎn)rXivpreprint arXiv：230807201，2023.

[26]Srivastava A，Rastogi A，Rao A，et al.．Beyond the imitation game：quantifying and extrapolating the capabilities of language models[J].arXiv preprint arXiv： 220604615，2022.

[27]Hadi MU，Qureshi R，Shan A，et al..A survey on large language models：applications，challenges，limitations，and practical usage［J]. Authorea Preprints， 2023，3（1）：1-12.

[28]Kojima T，Gu SS，Reid M，et al.．Large language models are zero-shot reasoners[J]. Advances in neural information processing systems，2022，35：22199-22213.

[29］張金營，王天堃，么長英，等.基于大語言模型的電力 知識庫智能問答系統(tǒng)構(gòu)建與評價(jià)［J].計(jì)算機(jī)科學(xué)， 2024，51（12）：286-292.

[30]FeiN，Lu Z，Gao Y，etal..Towards artificial general intelligencevia a multimodal foundation model[J]. NatureCommunications，2022，13（1）：3094.

[31]JiangF，DongL，Peng Y，et al..Large AImodel empowered multimodal semantic communications[J]. arXivpreprintarXiv：2023.01249，2024.

[32]XuFF，AlonU，NeubigG，etal..Asystematicevaluation of large language models of code[A]. Proceedings of the 6th ACM SIGPLAN International Symposium on MachineProgramming[C].Online，2022.1-10.

[33]Liu Y，Yang B，Liu Q，et al.．Textmonkey：an ocr-free large multimodal model forunderstanding document[J]. arXiv preprint arXiv：240304473，2024.

[34]Shu D，Zhao H，Liu X，et al..LawLLM：law large language model for the US legal system[A].Proceedings of the 33rd ACM International Conferenceon Information and Knowledge Management[C].Online， 2024.4882-4889.

[35]Pandya K，Holia M. Automating customer service using langchain：building custom open-source GPT Chatbot for organizations[J]. arXiv preprint arXiv：2310o5421， 2023.

[36]Lucas M M，YangJ，Pomeroy JK，et al..Reasoning with largelanguagemodels formedical question answering[J].Journal of the American Medical Informatics Association，2024，31（9）：1964-1975.

Challenges and Managerial Strategies in Commercial Application of Large Language Models ： A Knowledge-enhanced Framework

JIN Xulei，CHEN Gang1，HUANG Lihua'， XIAO Shuaiyong2， ZHANG Chenghong1 （1.School of Management，F(xiàn)udan University， Shanghai 20433，China；2. School of Economics and Management， Tongji University，Shanghai 200092，China）

Abstract：Since the release of ChatGPT，large language models （LLMs） have experienced explosive growth.LLMs' technological innovationsand wide-rangingapplicationshaveunlockedtremendous potentialforthedigitaland inteligent transformation of enterprises.In China，the development of AI andLLMs has garnered significant atention from the government，which have emphasized the strategic importance ofdomestic LLM in high-qualitydevelopment.Since 2023， thedomestic landscape of LLMdevelopment has witnessdarapid proliferation of models，accompanied bysignificant advancements incore technologies.DeepSeek—known for itsopen-source accessibility，balanced capabilities，and low inferencecosts—has gained widerecognition both domesticalland internationally.LLMsare becoming adriving force forlocalized innovationandapplicationofAI.However，thepath tocommercializing LLMsremains fraughtwith chalenges.Beyond ensuring model performance，enterprises face additional hurdles related to_personnel training， organizational restructuring，and governancereform.Despite increasing scholarlyatention，existing research largely centers on technical aspects，with limited systematic exploration from the viewpoint of enterprise management.

This study adopts aqualitative methodologyand conducts an in-depth analysis offour representative enterprises that have implementedLLMs.Through semi-structured interviews，document analysis，and cross-case comparisons，it systematicallyidentifies the core challengesand obstacles faced in the process of commercial LLM deployment.The research focuses on how enterprises can overcomedual bariers in technologyandmanagement andadapt across key dimensions suchasinfrastructure，businessprocesses，organizational structures，and humanresources.Furthermore， thestudyofersa detailed examinationof three mainstreamappication paradigms—promptenginering，retrievalaugmented generation，andsupervised fine-tuning with reinforcement learning from human feedback—clarifying their respective roles and implementation pathways in enterprise-level deployment.

The findings indicate that successful commercialization of LLMs requires more than technological readiness—it hingeson theefective integrationof model capabilitieswith internal management strategies.Enterprisesmust simultaneously enhance cross-functional collaboration，strengthendatagovernance，and invest inworkforcereskiling to fullyunlock thetransformativepotentialof LLMs.Thisstudycontributesamanagement-orientedframework thatleverages domain-specificknowledgetoguidetheapplicationofLLMsinbusinesscontexts.Itidentifiesfouressentialpillrsfor implementation：infrastructure，user needs，modelarchitecture，anddeployment strategy.Fromamanagerialperspective， theresearchoutlinesactionable strategies tohelporganizationsnavigatebothorganizational and technicalchallnges associated with embedding LLMsintocore business operations.These insightsofferavaluablereference for enterprises exploring AI-driven innovation and provide anew analytical lens for academic discussionson LLM commercialization.

Key words：large language model； framework for commercial application；case analysis