1. 烟草商业公司AI应用全景图：从23个部门48个场景看落地逻辑

第一次看到“23个部门48个场景”这个数字组合，我的反应是：这不是一份PPT上的概念清单，而是一张实打实的作战地图。烟草商业公司这个体系，外人看着神秘，内里其实是一个极其复杂的商贸流通网络——从烟叶收购、卷烟营销、物流配送到专卖管理、财务审计、人力资源，每个环节都有大量重复性高、规则性强、经验依赖度大的工作。这些恰恰是AI最容易切入的地方。

我花了两周时间，把这份全景图里的场景逐个拆解，结合自己在企业AI应用开发上的踩坑经验，整理出这篇东西。不管你是烟草商业公司的信息化负责人，还是做企业AI应用开发的同行，或者单纯想看看传统行业怎么落地AI，这篇内容都能给你一个可参考的框架。我不会只列场景名称，而是把每个场景背后的技术选型、数据准备、落地难点和实操路径都讲清楚。

1.1 为什么烟草商业公司需要一张AI全景图

先说一个现实问题：大部分传统企业的AI落地是“点状”的——某个部门自己找供应商做了一个小工具，用了一阵子发现数据不通、维护困难，最后不了了之。烟草商业公司尤其如此，省市县三级架构，部门墙厚，数据分散在营销系统、专卖系统、物流系统、财务系统里，各自为政。

全景图的价值在于，它把散落在各部门的AI需求做了系统性梳理，让决策层看到：哪些场景可以共用一套底层能力，哪些场景需要独立建设，哪些场景应该优先做。这就像装修房子，先出设计图再动工，而不是今天贴瓷砖明天改水电。

从技术架构角度看，48个场景可以归为五大类能力：自然语言处理（文本理解、生成、摘要）、计算机视觉（图像识别、OCR）、预测分析（销量预测、风险预警）、智能推荐（客户画像、精准营销）、流程自动化（RPA+AI）。每一类能力背后对应不同的技术栈和供应商生态，全景图的作用就是把这些能力映射到具体业务场景上。

1.2 48个场景的五大分类逻辑

我把这48个场景按技术能力维度重新归类，这样更便于技术团队理解需要建设哪些底层能力。

这个分类的意义在于：自然语言处理和流程自动化类场景可以快速落地，因为技术成熟、数据要求相对低；计算机视觉类场景需要硬件配合（摄像头、边缘计算设备），投入较大；预测分析类场景对数据质量和历史积累要求最高，但一旦跑通，业务价值也最大。

1.3 2027年指引版的时间线意味着什么

标题里“2027年指引版”这个时间节点很关键。它不是说明2027年才做，而是说这份全景图覆盖的是到2027年的建设周期。按我的经验，这种三年期的规划通常分三个阶段：

第一年（2025）打基础，重点做数据治理和平台搭建，同时落地5-8个速赢场景，比如制度学习助手、报表自动化这类见效快的。第二年（2026）规模化推广，把验证过的场景复制到更多部门，同时启动预测分析类场景的建设。第三年（2027）全面深化，实现跨部门数据打通和智能决策闭环。

这个节奏安排是合理的。我见过太多企业一上来就搞大而全的平台，结果数据没准备好，模型跑出来的结果业务不认，最后项目烂尾。先做速赢、再规模化、最后深化，这是传统企业AI落地最稳妥的路径。

2. 核心场景深度拆解：从制度学习助手到销量预测

全景图里48个场景不可能每个都展开讲，我挑几个最有代表性、技术复用性最强的场景做深度拆解。这几个场景搞明白了，其他场景基本可以照葫芦画瓢。

2.1 制度条例学习助手：NLP落地的最佳切入点

这个场景在热词里被反复提到，确实也是烟草商业公司最刚需的AI应用之一。烟草行业制度多、更新快、层级复杂，从国家局到省局到市局，各种条例、办法、细则加起来几百份文件。基层员工要查一个规定，往往要翻好几个文件，还容易查到过期版本。

技术实现上，这就是一个典型的RAG（检索增强生成）应用。核心流程是：文档解析→向量化存储→语义检索→大模型生成回答。我具体说一下每个环节的实操要点。

文档解析环节，烟草制度文件通常是PDF或Word格式，表格多、层级深。用普通的PDF解析工具容易丢结构，建议用专门针对中文文档优化的解析方案，比如基于LayoutLM的文档理解模型，能保留标题层级和表格结构。这一步做不好，后面检索出来的内容就是碎片化的，大模型也没法生成准确回答。

向量化存储环节，选Embedding模型时要注意中文语义理解能力。我实测下来，BGE-large-zh和M3E-large这两个模型在中文制度文本上的检索准确率明显优于通用模型。向量数据库可以用Milvus或Qdrant，中小规模场景用Chroma也够。

语义检索环节有个关键技巧：不要只做向量检索，要结合关键词检索做混合搜索。因为制度文件里很多专有名词（比如“卷烟营销市场化取向改革”），纯向量检索可能召回不准。混合搜索的权重建议向量占0.7、关键词占0.3，这个比例我在多个项目里验证过，效果比较稳。

大模型生成环节，建议用国产模型做私有化部署，比如通义千问或智谱的模型。原因有两个：一是数据安全，制度文件不适合走公网API；二是成本可控，私有化部署一次投入，后续调用不花钱。如果预算有限，也可以用API方式，但要做好数据脱敏。

注意：制度学习助手最容易踩的坑是“幻觉”——大模型编造不存在的条款。解决办法是在Prompt里强制要求“只基于检索到的内容回答，如果检索结果中没有相关信息，直接说不知道”。另外，每个回答都要附上原文出处和条款编号，方便用户核实。

2.2 卷烟销量预测：数据质量决定成败

销量预测是烟草商业公司的核心业务需求。省局要预测全省月度销量，市局要预测各品类销量，县局要预测各零售户的进货量。传统做法是靠业务员经验加Excel，误差大、更新慢。

AI预测的技术路线通常有三种：时间序列模型（ARIMA、Prophet）、机器学习模型（XGBoost、LightGBM）、深度学习模型（LSTM、Transformer）。我的建议是不要一上来就搞深度学习，先用LightGBM做基线，特征工程做扎实了，效果往往比调参复杂的深度学习模型还好。

特征工程是销量预测的关键。除了历史销量，还要纳入这些特征：节假日信息（春节、中秋对卷烟销量影响极大）、天气数据（连续阴雨天会影响零售户进货）、政策变量（提税顺价、投放策略调整）、区域经济指标（GDP、人口流动）。我做过一个项目，加入天气特征后，周销量预测准确率提升了8个百分点。

数据质量是最大的坑。烟草商业公司的销售数据往往存在这些问题：零售户信息不完整、历史数据有缺失、异常值没清洗（比如某个月因为系统故障导致数据翻倍）。我的经验是，在做模型之前，至少花60%的时间做数据清洗和特征工程，模型本身反而没那么重要。

预测粒度也很关键。省局级别的月度预测，准确率做到90%以上是可能的；但零售户级别的周预测，准确率能到70%就不错了。所以全景图里不同层级的预测场景，考核指标要分开设定，不能用同一个标准。

2.3 零售户店面陈列检查：计算机视觉的典型应用

这个场景在烟草商业公司里需求很实在。零售户的卷烟陈列是否规范、有没有违规摆放、品牌露出是否符合要求，传统做法是靠市管员上门拍照检查，效率低、覆盖不全。

技术方案是用计算机视觉做自动识别。零售户自己拍照上传，或者市管员巡查时拍照，系统自动识别卷烟陈列情况。核心模型包括：目标检测（识别卷烟包装）、图像分类（判断陈列是否合规）、OCR（读取价格标签）。

实操中的难点在于：卷烟包装相似度高，不同品牌、不同规格的烟盒长得很像，普通的目标检测模型容易混淆。解决办法是收集大量标注数据做fine-tune，同时结合OCR读取烟盒上的文字信息做二次校验。我试过用YOLOv8做检测，配合PaddleOCR做文字识别，准确率能到85%左右。

另一个难点是拍摄角度和光线条件不可控。零售户拍照水平参差不齐，有的逆光、有的模糊、有的角度歪。数据增强时要重点模拟这些场景，比如随机调整亮度、对比度、旋转角度。另外，模型推理要放在端侧或边缘侧，因为零售户数量大，全部上传到云端处理成本太高。

2.4 智能客服与工单自动分派：流程自动化的代表

烟草商业公司每天要处理大量零售户咨询和投诉，传统做法是人工接听、手工记录、手动分派。AI可以在这个环节做两件事：智能问答和工单自动分类分派。

智能问答用RAG方案，把常见问题、政策文件、操作指南做成知识库，零售户提问时自动匹配答案。工单分派用文本分类模型，把工单内容自动归类到对应的处理部门（比如专卖类、营销类、物流类），然后根据预设规则自动分派。

这个场景的技术门槛不高，但业务价值很大。我了解到的数据是，智能客服可以承接60%-70%的常见问题，工单自动分派准确率能到90%以上，整体效率提升明显。

实操建议：先从高频问题入手，比如“如何办理烟草专卖零售许可证”“卷烟订货流程是什么”这类，把Top 50的问题做扎实，覆盖80%的咨询量。工单分派模型用BERT做fine-tune就够了，不需要大模型，推理速度快、成本低。

3. 技术架构与工具选型：怎么搭一套能复用的AI底座

48个场景如果每个都单独建设，成本高、维护难。正确的做法是搭一套共用的AI底座，上层场景按需调用。我结合自己的经验，给一个可落地的架构方案。

3.1 四层架构设计

底层是数据层，包括数据采集、清洗、存储。烟草商业公司的数据分散在多个系统里，需要先做数据归集。建议用数据中台思路，把营销、专卖、物流、财务的数据统一接入，做标准化处理。这一步是基础，做不好后面全是坑。

第二层是AI能力层，包括大模型服务、向量数据库、OCR服务、语音服务等。大模型建议私有化部署，用vLLM或TGI做推理加速。向量数据库用Milvus，支持大规模向量检索。OCR用PaddleOCR，中文识别效果好。

第三层是应用开发层，提供低代码/无代码的开发工具，让业务部门能自己搭建简单的AI应用。比如扣子、Dify这类平台，支持拖拽式编排工作流，业务人员培训一下就能上手。

第四层是场景应用层，就是48个具体场景。每个场景作为一个独立应用，调用下层能力。

3.2 大模型选型：私有化还是API

这是很多企业纠结的问题。我的建议是分场景决定：

私有化部署的硬件门槛：7B模型需要至少一张A10或A100显卡，14B模型需要两张，70B模型需要四张以上。如果预算有限，可以用量化技术把模型压缩，7B模型量化后一张消费级显卡就能跑。

3.3 数据治理：AI落地的前置条件

我见过太多AI项目死在数据上。烟草商业公司的数据治理要重点解决三个问题：

数据标准化。同一个零售户在营销系统、专卖系统、物流系统里的编码可能不一样，需要做实体对齐。建议建一个主数据管理平台，统一零售户、卷烟品牌、组织机构的核心编码。

数据质量监控。建立数据质量规则，比如零售户手机号格式校验、销量数据异常波动预警。发现质量问题要及时修复，不能等到模型训练时才发现。

数据安全分级。烟草行业数据敏感度高，要按敏感程度分级，不同级别数据对应不同的访问权限和使用规范。AI应用调用数据时要做权限校验，防止越权访问。

4. 落地实操：从0到1搭建第一个AI应用

理论讲再多不如动手做一遍。我以“制度学习助手”为例，给一个完整的实操路径。这个场景技术成熟、数据要求低、业务价值明显，适合作为第一个AI应用。

4.1 环境准备与工具安装

先列一下需要的工具和版本：

# Python环境 Python 3.10+ # 核心依赖 pip install langchain==0.1.0 pip install chromadb==0.4.22 pip install sentence-transformers==2.2.2 pip install paddleocr==2.7.0 pip install pdfplumber==0.10.3 # 大模型推理（如果私有化部署） pip install vllm==0.2.7

如果不想自己搭环境，可以用Dify或扣子这类平台，注册账号就能用，适合快速验证。

4.2 文档解析与向量化

第一步是把制度文件解析成结构化文本。PDF文件用pdfplumber提取文字和表格，Word文件用python-docx读取。

import pdfplumber def parse_pdf(file_path): with pdfplumber.open(file_path) as pdf: text = "" for page in pdf.pages: text += page.extract_text() # 提取表格 tables = page.extract_tables() for table in tables: for row in table: text += " | ".join([cell or "" for cell in row]) + "\n" return text

解析完成后，把长文本切分成小块（chunk），每块500-800字，块之间保留100字重叠，防止语义断裂。

第二步是向量化。用BGE-large-zh模型把每个chunk转成向量，存入Chroma数据库。

from sentence_transformers import SentenceTransformer import chromadb model = SentenceTransformer('BAAI/bge-large-zh-v1.5') client = chromadb.Client() collection = client.create_collection("regulations") def add_documents(chunks): embeddings = model.encode(chunks) collection.add( embeddings=embeddings.tolist(), documents=chunks, ids=[f"doc_{i}" for i in range(len(chunks))] )

4.3 检索与生成流程

用户提问时，先把问题向量化，然后在Chroma里检索最相似的5个chunk，拼接到Prompt里送给大模型生成回答。

def query(question): # 检索 q_embedding = model.encode([question]) results = collection.query( query_embeddings=q_embedding.tolist(), n_results=5 ) # 构造Prompt context = "\n".join(results['documents'][0]) prompt = f"""基于以下制度条款回答问题，如果条款中没有相关信息，直接说不知道。 制度条款： {context} 问题：{question} 回答：""" # 调用大模型 answer = llm.generate(prompt) return answer

4.4 效果评估与迭代

上线后要持续评估效果。我建议从三个维度评估：

回答准确率。随机抽100个问题，人工判断回答是否正确。准确率低于80%就要优化检索策略或调整Prompt。

用户满意度。在回答后面加“有用/没用”按钮，收集用户反馈。差评集中的问题要重点分析。

响应速度。从提问到返回答案的时间，控制在3秒以内体验比较好。如果太慢，可以优化检索数量或换更小的模型。

实操心得：制度学习助手上线初期，用户最容易问的是“XX规定是什么”这类事实性问题，回答准确率很高。但遇到“XX情况下应该怎么处理”这类需要推理的问题，准确率会下降。解决办法是在知识库里补充一些案例文档，让模型有更多参考。

5. 常见问题与避坑指南

这一部分是我踩过的坑和同行交流中收集的经验，都是真金白银换来的。

5.1 数据相关的问题

问题一：数据分散在多个系统，取数困难。这是最常见的问题。建议先做数据归集，把需要的数据同步到数据仓库或数据湖。如果短期内做不到，可以用API方式实时调用，但要注意接口稳定性和调用频率限制。

问题二：历史数据质量差，模型效果不好。不要试图用脏数据训练模型，先做数据清洗。清洗规则包括：去除重复记录、填补缺失值、修正异常值、统一格式。清洗后的数据要人工抽检，确认质量达标再用于训练。

问题三：数据标注成本高。计算机视觉类场景需要大量标注数据，外包标注成本高、质量难控。建议用主动学习策略，先标注少量数据训练初始模型，然后用模型预测未标注数据，人工只修正预测错误的部分，这样标注效率能提升3-5倍。

5.2 技术相关的问题

问题一：大模型幻觉严重。除了在Prompt里加约束，还可以用RAG方案，让模型基于检索到的内容回答。另外，可以在输出后加一层校验，用规则或小模型检查回答是否包含不存在的条款编号。

问题二：模型推理速度慢。优化方向包括：模型量化（FP16转INT8）、推理框架优化（用vLLM或TensorRT）、缓存常用问题的答案。如果还是慢，考虑换更小的模型，7B模型在多数场景下够用。

问题三：多场景共用一套模型效果不好。不同场景对模型的要求不一样，制度学习助手需要强理解能力，工单分派需要强分类能力。建议用基座模型加LoRA微调的方式，每个场景训练一个轻量适配器，共用基座模型，既省资源又保证效果。

5.3 业务相关的问题

问题一：业务部门不配合。这是组织问题，不是技术问题。解决办法是找到业务部门的痛点，用速赢场景证明AI的价值，让业务部门看到效果后主动参与。另外，要有高层领导支持，把AI应用纳入考核指标。

问题二：用户不会用、不愿用。培训要跟上，做操作手册和视频教程。产品设计要简单，最好嵌入到现有工作流程里，不要让用户额外打开一个系统。比如制度学习助手可以嵌入到OA系统里，用户查制度时自动弹出。

问题三：效果评估标准不统一。业务部门觉得AI回答不准确，技术部门觉得准确率已经很高了。解决办法是在项目初期就和业务部门对齐评估标准，比如“回答准确率90%以上”“用户满意度85%以上”，用数据说话。

5.4 常见问题速查表

6. 组织保障与推进节奏

技术和工具只是AI落地的一部分，组织和推进节奏同样重要。我见过技术方案很漂亮但推不动的项目，也见过技术一般但组织得力做成的项目。

6.1 团队配置建议

一个完整的AI应用团队需要这些角色：项目经理（负责整体推进和协调）、算法工程师（负责模型开发和优化）、数据工程师（负责数据治理和管道搭建）、应用开发工程师（负责前端和后端开发）、业务专家（负责需求梳理和效果评估）。

初期团队不用太大，5-7人就能启动。随着场景增多再逐步扩充。如果内部能力不足，可以引入外部供应商，但核心能力要自己掌握，不能完全外包。

6.2 推进节奏：速赢、规模化、深化

前面提到过三阶段推进，这里展开说一下每个阶段的关键动作。

速赢阶段（6个月内）：选3-5个技术成熟、数据要求低、业务价值明显的场景，快速上线。目的是证明AI有用，争取更多资源和支持。制度学习助手、报表自动化、智能客服都是不错的选择。

规模化阶段（6-18个月）：把验证过的场景复制到更多部门，同时启动预测分析类场景的建设。这个阶段要重点做平台化，把共用的AI能力沉淀下来，避免重复建设。

深化阶段（18-36个月）：实现跨部门数据打通和智能决策闭环。比如销量预测的结果自动同步到投放策略系统，陈列检查的结果自动生成整改工单。这个阶段的技术难度最大，但业务价值也最高。

6.3 考核指标设计

不同阶段的考核指标要有所侧重。速赢阶段看场景上线数量和用户活跃度，规模化阶段看场景覆盖率和效率提升数据，深化阶段看业务指标改善（比如销量预测准确率、客户满意度）。

指标要可量化、可追踪。比如制度学习助手，可以考核“月活跃用户数”“问题解决率”“平均响应时间”。销量预测可以考核“预测准确率”“库存周转率提升”。

实操心得：考核指标不要定太多，每个场景2-3个核心指标就够了。指标太多反而分散注意力，而且数据收集成本高。另外，指标要定期回顾和调整，业务在变，指标也要跟着变。

7. 我个人的一些体会

做企业AI应用这些年，最大的感受是：技术不是瓶颈，组织和数据才是。烟草商业公司这个体系，技术人才可能不如互联网公司多，但业务场景丰富、数据积累深厚，只要组织得当，AI落地的效果不会差。

另外，不要追求一步到位。我见过太多项目想做一个大而全的平台，结果做了两年还没上线。正确的做法是小步快跑，先做一个场景，跑通了再做下一个。每做一个场景，就把共用的能力沉淀下来，慢慢就形成了平台。

最后说一个具体的技巧：做AI应用一定要让业务部门参与进来，最好是深度参与。业务部门提需求、提供数据、参与测试、反馈效果，技术团队负责实现。双方配合好了，项目成功率会高很多。我做过的最成功的一个项目，就是业务部门派了一个人全职参与，从需求到上线全程跟进，最后效果远超预期。

这个全景图里的48个场景，不可能一年全做完，也没必要。选对场景、搭好底座、建好团队，剩下的就是时间问题。2027年回头看，能落地20个场景就算很成功了。