AI 应用如何不被淘汰？深耕 RAG 与数据底座是关键

截至 2025 年，生成式 AI 大模型的能力仍在迅速提升。如果关注这个领域，会发现有不少创业者花大量精力打造的 AI 应用，但往往很快就被新一代大模型“原生功能”所取代。

这一类应用被归类是 Prompt（提示词）包装层应用，这些应用通过设计提示词调用大模型基础能力，但没有构建更深层次业务价值。因为应用的价值主要靠大模型的原始能力，所以很容易被不断变强的大模型取代。

如何开发出不容易被大模型“抄家”的 AI 应用？

对此，英特尔技术专家认为，大模型应用开发不应仅仅沿着大模型本身能力的延展，直接基于大模型开发智能体，这样很容易随着大模型能力的提升而被淘汰。大模型应用开发要从大模型不擅长或无法克服的点进行切入，如解决数据地基的问题。

目前大模型最明显的两个问题都与数据有关。

首当其冲的就是幻觉。大模型本质上是在做概率运算，输出的内容越多，概率偏差就越大。此外，训练数据质量也会导致幻觉。而要在短期内彻底消除幻觉问题，则需要根本性的技术变革为前提。

第二，是大模型的知识无法实时更新。大模型预训练都有固定的时间，可能是几个月甚至是几年之前，完全不知道新发生的事情，无法及时更新自己的知识库。做出的回答也只能基于旧的已知内容。

针对这两大问题，业内达成的共识就是基于 RAG（检索增强生成）构建知识库，它在预训练的大模型基础上连接外部的数据源，所有的任务和回答的内容上下文都从知识库中提取，然后，由大模型做出回答。

具体操作中，企业需要把内部的文档资料转化为机器能读懂的形式。先对文档进行切分，然后再进行向量化处理，最后存到向量数据库里。当用户提出问题时，问题也被转成向量，基于这些在向量数据库里进行检索，最后根据检索到的内容生成答复。

在生成答复的时候，召回率和准确率是非常关键的指标。召回率看的是，在所有“真正相关”的文档中，有多少被检索到了。而准确率 Precision 看的是，在所有被检索出来的文档中，有多少是“真正相关”的。

英特尔专家表示，当看到这些技术细节后，就应该意识到，大模型的效果受到太多因素或环节的影响。比如，负责把文本转换成向量的 Embedding 模型的选择，切分文档的大小，检索数据的处理等等都会影响最后生成的结果。

在英特尔专家看来，做大模型开发，直接从智能体开始或许不是最优选。数据基础上的微小差异，最终效果可能会差出很多。换言之，如果能处理好数据本身，而不只是单纯依靠大模型本身的表现，则会创造更多不可替代的价值。

快速上手，在云上构建企业级 RAG 开发环境

目前，国内外多家大型企业都基于大语言模型和 RAG 技术构建了企业知识库，而且很多一线员工都非常认可。鉴于 RAG 知识库对企业非常重要，火山引擎推出了支持 RAG 场景的云主机镜像。

火山引擎在大模型服务领域表现非常亮眼。根据 IDC 发布的《中国公有云大模型服务市场格局分析，1Q25》报告，火山引擎在 2024 年中国公有云大模型调用量市场中占据了 46.4%的份额，位居第一。

火山引擎不仅有火山方舟这种大模型服务平台，还有扣子（Coze）这类低代码 AI 应用开发平台，以及 HiAgent 这样的企业专属 AI 应用创新平台。新推出的 RAG 镜像则是让普通开发者以更低的门槛，开发出不容易被大模型“抄家”的 AI 应用。

RAG 镜像中不仅包含 Embedding（嵌入式）模块，还有向量数据库、Re-rank 模型和 7B 的 DeepSeek 蒸馏模型，甚至还提供了数据预处理服务，以及处理在线问答服务的模块和前端页面，而且所有软件栈都经过了提前优化。

火山引擎的 RAG 镜像作为面向企业的服务，参考了 OPEA 的架构。OPEA 是英特尔在去年发起的开源社区，利用开放架构和模块化组件的方式，帮助企业构建可扩展的 AI 应用部署基础。相比普通的开源架构，火山引擎的镜像具备更多企业级特性。

很多云厂商也提供了 RAG 服务，这些服务对普通用户来说门槛更低，但对于专业开发者而言，这些“黑盒”屏蔽了大量技术细节。而火山引擎的 RAG 镜像作为开源方案，让开发者能够看到更多底层细节，从多个技术维度进行优化，从而构建起真正的技术壁垒。

DeepSeek 爆火之后，很多企业都计划进行本地部署，市场上出现了很多一体机解决方案，一台一体机里经常会有 8 张高性能显卡，这套方案的成本并不低，在没有明确业务需求之前，动辄几十万的成本投入或许并不明智。

现在，用户只需要在火山引擎上选择好虚拟机和镜像，就能在三分钟内搭建好一套开发环境，开始各种学习和实践。为了帮助开发者提升能力，英特尔还准备了一系列课程，帮助大家补齐相关知识，更轻松地迈出从 0 到 1 的第一步，打好数据基础。

大模型应用开发的三要素，硬件平台是基础

英特尔专家总结了大模型应用开发的三要素，除了刚才提到的软件栈和配套的指导课程，硬件环境同样至关重要。火山引擎基于英特尔至强处理器打造了多种云主机，最近推出的基于英特尔至强 6 性能核处理器的通用型实例 g4il，非常适合做大模型应用开发。

g4il 是火山引擎的第四代通用型实例，其中 “g” 代表通用型，“4” 表示第四代，“i” 代表英特尔 CPU 平台。与第三代相比，其整体性能有显著提升，无论是在数据库应用、Web 应用，还是图像渲染方面表现都更加出色，而在 AI 推理方面的优势更是尤为突出。

得益于集成 AMX 加速器，英特尔至强 6 处理器已成为目前最擅长 AI 推理的 x86 架构处理器之一。在火山引擎的 g4il 实例中，用户可以使用 CPU 完成 AI 推理。相比基于 GPU 的方案，它具备成本更低、资源更容易获得的优势，能满足基本需求。

基于 CPU 的 AI 推理方案特别适合用于 AI 应用的开发和验证阶段。搭配前面提到的火山引擎 RAG 镜像，用户可以在云上快速搭建起一套大模型应用的开发环境，大大降低了对硬件资源的门槛。

而到了生产环节，通常需要采用 CPU+GPU 的异构计算架构。比如，可以使用带有 AMX 的至强 CPU 来处理 Embedding（文本嵌入）、Re-Rank、向量数据库等轻量级 AI 负载，让 GPU 专注于处理重型 AI 负载，从而提高资源利用率和整体处理能力。

g4il 的一大亮点在于：用户只需选择一台配备 16 vCPU 或 32 vCPU 的云主机，即使不使用 GPU，也能运行参数量为 7 或 14B 的 DeepSeek 蒸馏版模型。值得一提的是，该方案还支持 DeepSeek 推荐的高精度计算格式 BF16，进一步提升推理质量。

小结

在技术快速演进的当下，借助云平台进行开发，既能降低试错成本，又能加快创新速度，为企业和开发者提供了更灵活的选择。更重要的是，通过精细化 RAG 等技术深耕数据底座，而不只是单纯靠巧妙的提示词，才能打造出不容易被大模型“抄家”的 AI 应用。