合作企业：上海凡米智能科技有限公司
所属学院：华东师范大学亚欧商学院
专业年级：2024级本科班
团队成员：林婉丽、罗本辉、岳永汉、罗本源、翁志辉
01
ICP 经历
1. ICP 公司
上海凡米智能科技有限公司是一家专注人工智能与大数据领域的高新技术企业，也是上海市“专精特新”企业。公司的核心方向是把大模型技术真正落到具体行业里，主要产品包括AI合规助手和AI能源模型。
在接触这家公司之前，小组对AI企业的想象比较扁平，觉得就是做算法、训模型。真正进去之后才发现，凡米的重心其实在“怎么让AI懂某个行业”——模型本身是公开的、大家都能用，真正难的是把政策法规、管理制度这些专业知识，整理成模型能读懂、能准确调用的形式。公司做的智能问答系统，本质是帮用户在海量政策文件里快速找到准确答案，把原本要靠人工翻文件的时间省下来。
这个认知落差，其实是整个项目里第一个收获。小组也由此认识到，科技成果转化并不是简单地把一个模型“做出来”或“跑起来”，而是要围绕真实的行业需求，把技术能力转化为可使用、可交付、可复制的产品和服务。
图1 实习现场
2. ICP 项目
小组的项目是“AI合规小助手——民生与制造领域知识整理实践”。
要解决的问题很具体：政府政策文件、工厂管理手册这类原始资料，格式五花八门，有PDF有 Word，内容冗长、排版混乱、重复信息多。这些文件人看着都费劲，直接丢给AI，它要么找不到、要么答错。企业需要有人把这些资料清洗、拆分、结构化，变成AI真正能用的知识库。
小组五个人分五个阶段推进：
第一阶段是民政领域资料的收集与整理。查政策法规、业务文件和公开资料，筛选、分类、结构化处理之后录入企业的智能体知识库。
第二阶段是补技术底子。系统学Token、Context、Context Window、Prompt、Tool、MCP、Agent、Agent Skills这些核心概念，搞清楚大模型到底是怎么运转的。
第三阶段是本地环境搭建。装Ollama，部署 DeepSeek-R1:1.5B大模型和Qwen3-Embedding:0.6B向量模型，再装 AnythingLLM搭本地知识库，完成文档导入、检索和问答测试。
图2 安装 Ollama 并部署 DeepSeek-R1:1.5B 大模型
第四阶段是地理数据整理。通过高德地图提取多个地区地址的经纬度信息，统一格式录入表格，为公司后续做地图展示和区域分析打基础。
第五阶段是往底层走。装Python和 PostgreSQL，用Python 调用Qwen3-Embedding 模型，把文档拆分、向量化，再把向量数据存进PostgreSQL，跑通从原始文档到数据库存储的完整链路。
图3 AnythingLLM 本地知识库界面
图4 PostgreSQL 与 Python 运行界面
推进的方式上，小组没有靠感觉做事，而是把“科技商学”搬到了企业现场。界定问题时用的是定性加定量的混合方式：一边跟企业导师和业务人员沟通，弄清政策查询在真实业务里是怎么发生的、用户最常问什么；一边在问答测试里记录命中率和错误类型，用数据判断问题究竟出在资料质量、拆分粒度还是提示词。判断一份资料整理得好不好，也不只看“有没有传上去”，而是搭了一个多维度的评估口径——内容完整性、检索命中率、拆分粒度、去重程度、更新成本，逐条对照。反复验证有效的做法，再固化成标准化的操作流程，让下一批进企业的同学能按同一套规范接着做。这种“用系统化、数据化的专业方法拆解企业问题”的工作方式，就是“科技商学”在真实项目里的样子。
最后小组交付了一份完整的咨询报告，从标准化知识整理体系、知识点拆分机制、标签体系、持续更新机制、系统化测试机制等七个方面，给企业提了具体建议。
这份报告并没有停在“研究结论”这一层。小组真正做的是一条“研究结论→可落地方案→企业实际价值”的转化链路：从原始文档的问题诊断出发，把结论转成企业可以直接复用的实操工具——一套知识整理与知识点拆分的标准化规范、一套打标签与分类的方法、一套持续更新与系统化测试的机制，加上已经跑通的本地部署与向量化入库流程。这些不是写在报告里就结束的观点，而是企业接手就能照着用的东西。
这些成果指向的价值也比较具体：知识整理不再依赖某个人的经验，新资料进来有章可循，运营环节被标准化了；智能问答的答案质量有了可衡量、可追溯的判断依据，排查问题和做决策的效率都会提高；同一套规范可以从民生领域平移到制造领域，未来接到别的行业也不必从零开始，具备规模化复用的基础。技术本身是公开的，模型谁都能下载，补上的是知识与方法这一段——对小组来说，这就是商学研究成果转化成企业实际价值的方式。
3.项目中遇到过的困难和如何解决的？
第一个困难是原始文档远比想象中难处理。
项目初期小组以为整理资料就是读一读、删一删。真正上手才发现，同一批政策文件里，有的是扫描版PDF，有的是排版混乱的Word，条款编号错位、表格提取出来全乱、同一条规定在不同文件里重复出现好几次。如果直接导入知识库，不只是检索效果差，AI还可能因此给出错误答案。
小组的做法是先做统一整理：删掉无关内容、统一标题格式、规范段落结构、去重，再按主题分类打标签。这一步很枯燥，但后面所有环节的效果都建立在它上面。
第二个困难是知识库建设比预想复杂得多。
项目开始前，小组几个人的共同想法是——知识库不就是把资料传上去吗？实际做下来完全不是。同一份资料，拆分方式不同，AI的表现天差地别。知识块切得太大，模型定位不到具体信息；切得太小，上下文断裂，一条规定被拦腰截断。通过反复调整拆分方式，试着让知识内容更贴合 AI 的检索逻辑，才慢慢有了感觉。
这个过程让小组很直观地理解了“垃圾进，垃圾出”这句话——AI的效果不只看模型强不强，更看喂给它的数据整理得好不好。
第三个困难是技术门槛。
小组都是经管专业的学生，之前完全没接触过大模型部署、向量数据库这些东西。第二、三阶段要一边理解Token、Context、Agent这些概念，一边动手装Ollama 和 AnythingLLM，对没有技术背景的人来说压力不小。解决办法说起来朴素：查资料、看教学视频、直接问企业导师，然后在实际操作里反复验证理解对不对。有些概念是装完、跑通一次之后才真正明白的。
第四个困难是团队协作。
小组五个人课程安排不一样，没办法同时进企业，只能采取“3 人一组、2 人一组”分批进入的方式。时间冲突是解决了，但带来了新问题——前一批做到哪、遇到什么坑、参数怎么设的，后一批不知道，很容易重复踩坑。小组靠微信群、共享文档和定期交流来同步进度，把每次的操作记录和问题都写下来，保证工作能接得上。
第五个困难是测试优化没有尽头。
问答测试时经常出现这种情况：明明知识库里有这条内容，AI就是答不准。排查下来，原因可能出在知识库内容质量、拆分方式、提示词设计，也可能是模型本身能力有限。小组只能一轮轮测试、记录错误案例、分析原因、再优化。做到后面才接受一件事：AI系统不是“建好就完了”，它本来就是持续迭代的。
4. 学术和企业导师的帮助
学术导师李旦老师主要帮小组把住方向和方法。项目中期小组很容易陷在具体操作里——今天整理了多少份文件、装了什么工具——李老师会拉小组跳出来，问一句“这些工作最后要回答企业的什么问题”。项目的整体框架，从执行规划到结果，也是在李老师的指导下才组织起来的。没有这一层，小组的成果大概率只是一堆零散的工作。
企业导师的帮助更贴地面。技术上，当小组卡在概念理解和工具安装时，导师会直接给方向和解答。哪些政策场景是用户真的会问的、哪类文档拆分方式在实际业务里更合理，这些是查资料查很难去证实的。
李老师帮小组把工作组织成有逻辑的成果，企业导师帮小组确认这些成果在真实环境里站得住。
5. 亚欧的课程知识对 ICP 的帮助
这个项目让小组很具体地体会到亚欧商学院“科学化商学”方法赋能真实产业的培养思路：课上学的不是一堆术语，而是一套能直接拿到企业现场用的工作方法。
管理咨询／商业分析类课程帮助最直接。整个报告的结构——先定义问题、再讲方法、再呈现结果、最后给建议和实施规划——用的就是课上的咨询逻辑。
商务沟通与写作用在和企业的每一次交流、以及最终报告的表达上。怎么把技术过程讲给非技术背景的人听、怎么让建议听起来可执行而不是空话。
统计与数据分析类课程，在文档清洗和地理数据整理阶段派上了用场——什么叫数据质量、格式统一为什么重要，这些意识不是凭空来的。
中法创新实验班的语言训练也帮助小组在查阅 Ollama、AnythingLLM 这类开源工具的资料时有辅助，当中文内容有限，且很多文档和教程要看英文原版，语言能力就直接决定了信息获取的效率。
如果说这些课程给了小组“科学的方法”，那 ICP 给的是“真实的题目”。同一套问题定义、假设验证、结构化表达的逻辑，在课堂案例里用是练手，用在凡米的政策文件和知识库上，结果会直接影响企业产品好不好用、用户查到的答案准不准。商学知识就是在这个过程里，从“课堂理论”变成了“实战解法”。
02
个人成长
1. 参与 ICP 项目前后，你认为自己哪些专业能力、软技能提升最明显？
最明显的是信息整理与结构化思维能力。
整个项目小组读了大量政策文件和管理手册，要从冗长的原文里提取关键信息，判断哪些是核心条款、哪些是重复表述、怎么切分才既完整又不臃肿。这个训练强度是课堂作业给不了的。现在拿到任何一份复杂材料，第一反应不再是从头读到尾，而是先想它的结构是什么、可以怎么拆。这个习惯已经迁移到其他课程的学习里了。
第二是从零学习陌生领域的能力。
作为经管专业学生，小组在这个项目里被推着接触了一整套完全陌生的技术栈——本地大模型部署、Embedding、向量数据库、PostgreSQL。刚开始看到 Ollama 的命令行界面是真的懵。做完之后，小组对“不懂”这件事的恐惧小了很多。技术细节未必全记得住，但知道遇到陌生领域该怎么下手：先搞清楚整体流程，再逐个击破，边做边理解。
图5 个人拓展学习 Python 记录
第三是对 AI 的认知从使用者变成了理解者。
以前对人工智能的理解停留在 ChatGPT、DeepSeek 这些应用层面、觉得神奇，但完全是黑箱。现在知道所谓 AI“理解”文档，实际是 Embedding 模型把文本转成向量，再靠向量检索找到最相关的这么一个闭环的运行方式。
第四是学会了用方法做判断，而不是靠感觉。
以前做小组作业，结论常常是“这样比较好”。这个项目里这样说不下去——说一份资料整理得好，要说得出好在哪个维度；说一种拆分方式更合适，要有测试记录支撑。先定性了解真实场景，再定量验证效果，最后把有效的做法固化成标准流程，这一套走下来，才明白商学方法不是写报告用的模板，而是真的能提高判断质量的工具。
软技能方面，提升最大的是主动沟通和跨批次协作。
分批进企业这个安排逼着小组改变工作习惯。以前倾向于自己先做完再说，现在知道必须把过程记录下来、及时同步，因为下一批人接手时全靠这些信息。这种“要让别人能接得上我的工作”的意识，是很职业化的一种转变。
还有就是面对模糊状态的耐受力。测试优化那个阶段特别磨人——答不准，但不知道是哪个环节的问题，只能一个个排查。习惯这种没有标准答案、只能靠试的状态，本身就是成长。
2. 经过 ICP 项目，你是否发现你需要提升的知识或能力，后续打算如何弥补？
发现了几个很具体的短板。
技术基础不够扎实。虽然完整跑通了整个流程，但很多环节是“照着做出来了”而不是“理解了为什么”。遇到报错基本靠搜索和试错，效率很低。项目结束后自己开始补Python——报告附录里还留着小组当时的学习记录。接下来打算系统学一遍Python基础和数据处理，目标不是转技术岗，而是能自己动手验证想法不用每一步都等别人。
对行业和商业模式的理解偏浅。讨论的时候小组经常只能停留在“这个功能好不好用”，很难往上走一层去看“这对企业的价值在哪、值不值得投入、商业模式跑不跑得通”。这是咨询工作里更核心的能力，未来将通过多读行业研究报告、多看真实商业案例来补，也希望在实习中真正接触到业务决策的场景。
结构化表达还要练。写这份咨询报告时发现，脑子里有东西和能把它组织成一条清晰的论证线，是两回事。初稿改了很多遍才把逻辑理顺。这个只能靠写，后续将有意识地用咨询报告的结构去做其他课程的作业和展示。
技术与业务之间的翻译能力。在企业里很强的一种人就是同时可以和技术人员与业务人员有效沟通的人。这需要更多跨领域的项目经历和实战才能慢慢积累的能力。后续小组还需要慢慢去积累，这次的ICP也将是一次宝贵的经历。
3.参与真实企业咨询项目和课堂案例学习最大的区别是什么？
最大的区别是：课堂案例的信息是被整理好的，真实项目的信息要自己去挖，而且往往一开始是乱的。
这一点在这个项目里体现得特别讽刺——小组的整个工作内容，就是把混乱的原始资料整理成结构化的知识。课堂案例已经把背景、数据、关键矛盾都摆好了，你的任务是分析和判断；而真实项目里，光是把材料弄到能分析的状态，就要花掉大量时间。这部分工作在案例教学里是完全隐形的，但它才是实际工作的大头。
第二个区别是没有标准答案，也没有对照组。
案例讨论完老师会讲这家公司后来怎么做的，你能对答案。真实项目里，小组提的七条建议好不好，要等企业实际采纳、落地之后才知道，甚至可能永远没有明确结论。一开始这让小组很不踏实，后来慢慢接受了：能做的是保证每一条建议都基于实际观察到的问题，而不是凭感觉。
第三个区别是责任感完全不同。
课堂作业做差了，影响的是自己的分数。但小组整理的知识库是企业真的要用的，测试时发现 AI 答错一条政策，小组第一反应不是“哦这题错了”，而是“如果真的有用户按这个答案去办事怎么办”。这种压力反过来推着人做得更认真。
第四个区别是要面对真实的约束。
课堂案例里时间、人力、技术条件都是理想化的。真实项目里，小组五个人课表冲突只能分批进企业，本地部署只能选 1.5B这种小参数模型（受硬件限制），能做的测试量也有限。学会在约束条件下把事情做成，而不是抱怨条件不够，这是很实际的一课。
4. 这段 ICP 经历，对你未来实习、求职、深造产生了哪些影响？
第一，最直接的影响是小组有了一段能完整讲出来的经历。
不是“参与过一个AI项目”这种模糊表述，而是能说清楚：企业面临什么问题、小组分几个阶段做了什么、每一步遇到什么困难、怎么解决的、最后交付了什么、还有哪些没解决。这种颗粒度在面试或者跟人介绍自己时的分量，和课程作业完全不是一回事。
第二，它让小组对创新创业这个方向从模糊的向往变成了具体的想法。
在进入凡米之前，小组对创业的理解偏浪漫——有个好点子，然后把它做出来。这个项目让小组看到了一家真实的科技公司是怎么运转的：凡米做AI合规助手，靠的不是某个惊天动地的创意，而是发现了一个足够真实的痛点（政策文件太多、太散、查起来太费人力），然后老老实实地把知识整理这件苦活干好。技术是公开的，模型谁都能下载，真正的壁垒在于你有没有把某个行业的知识吃透。
这个观察对小组影响很大。现在理解的创业，起点是“找到一个别人还没解决好的具体问题”，而不是“想一个别人没想过的点子”。
第三，它让小组看到了行业机会在哪里。
项目做完小组有一个明确判断：AI的发展不只依赖模型有多先进，更依赖高质量数据和行业知识的积累。大模型正在变成基础设施，就像当年的水电和互联网，真正的机会在于把它接到某个具体行业里。民生和制造只是两个切口，人力资源、内控管理、安全生产、客户服务，每一个都还有大片空白。这些领域的共同点是：需要懂行业的人，不只需要懂技术的人——这对商科背景反而是机会。
第四，也让小组看清了自己离创业还差什么。
这个项目暴露了小组的短板：技术理解还停在“会操作”的层面，对商业模式和成本结构的判断也很浅。如果真要做创新创业，光有想法和执行力不够，还要能判断一个方向值不值得投入、资源该怎么配、什么时候该坚持什么时候该转向。这些是接下来要补的。
所以接下来的规划也随之清晰了：一方面继续补技术底子（Python、数据处理），让自己在和技术团队对话时不掉链子；另一方面主动去找和创新创业相关的实践机会——创业类竞赛、初创公司的实习、学校的创新创业课程和孵化资源，去真实环境里检验自己的判断。相比进大公司做一颗螺丝钉，更希望在能看到全局、能参与决策的地方积累经验。
回看整个项目，小组完成的不只是资料整理、软件安装和模型部署，而是参与了一次小型的科技成果转化实践：从识别企业面临的真实问题出发，对行业资料进行数字化处理，搭建并验证知识库系统，再思考这些技术成果如何支持产品优化、运营管理和业务决策。
这次经历也让小组对“科技商学”有了更加具体的理解。技术本身并不会自动产生商业价值，只有将技术能力与客户需求、行业知识、应用场景和商业模式结合起来，才能真正形成有价值的产品。“科技商学”所培养的，正是连接技术与商业的能力——既要理解大模型、知识库和数据处理的基本逻辑，也要能够把技术语言转化为客户价值、管理效率和可落地的商业解决方案。
03
其他问题
回顾这段经历，对未来参加 ICP 的同学建议
1.别把专业背景当成退缩的理由。 我们小组都是经管专业，接到一个AI项目时都很慌。但做下来会发现，工具是能学的，而信息整理、逻辑梳理、沟通表达这些商科训练给你的能力，恰恰是这类项目最需要的。最后能提出七条建议，靠的不是技术水平，而是把观察到的问题组织成有说服力的分析。
2.把过程记录当成任务的一部分。 每次的操作步骤、试错参数、会议要点、遇到的报错，当时觉得麻烦，写报告的时候会救你的命。分批进企业，全靠这些记录才能保证工作接得上；最后整理报告时，很多细节也是翻记录才想起来的。
3.早点问，别自己憋着。 小组走过的弯路里，有不少是本来问一句就能避开的。有些技术概念自己啃三天，不如请教企业导师三分钟。导师的时间比你想象中好约，主动一点没有任何坏处。
4.先想清楚“要解决什么问题”，再想“要做什么东西”。 很容易一上来就规划做个什么系统、什么功能，但更重要的是先弄明白企业真正的痛点在哪。这两步顺序反了，后面返工成本非常高。
5.接受不完美，但要保证核心扎实。 时间和能力都有限，做不出完美的交付物是常态。与其纠结于打磨细枝末节，不如确保你真正回答了企业的一个具体问题，并且这个回答经得起追问。小组的知识库离“完美”还很远，但它确实解决了一部分真实存在的问题——这就够了。
6.别只盯着做完，多想一层“为什么”。 同样是装 Ollama、传文档，有人做完只知道操作步骤，有人会顺带搞明白向量检索是怎么回事。差别不在时间投入，在有没有多问一句。这段经历能给你多少，很大程度取决于你自己往里挖多深。
7.把ICP当成一次提前观察商业世界的机会，而不只是一门课。 你在里面看到的东西——企业怎么发现需求、怎么权衡投入、为什么某些看起来很好的方案推不动——这些观察的价值可能比交付物本身更长久。尤其如果你对未来创业或者做产品有兴趣，这是难得的近距离视角。
撰文 | 林婉丽、罗本辉、岳永汉
罗本源、翁志辉
审核 | 金婷玮、盛晨
编辑 | 杨文婷
⬇ 点击下方链接，阅读更多相关文章
长按二维码 关注亚欧更多资讯吧！
