助力新媒体打造新场景
腾讯云文化传媒场景方案分享
曾亮 | 腾讯云智慧传媒行业技术总监
我们到底
需要
怎样的_
_
?
_ _怎样
？
移动原生
• 没有移动设备就不会存在的应用
• 代表案例；微信、滴滴等
Agent原生
• 没有Agent就不会存在的应用
• 代表案例：元宝、Cursor
从“移动原生”到“Agent原生”
科斯《企业的本质》：企业存在的目的是为了节
约市场交易的成本。
AI的出现会对企业的规模、边界和结构产生重大
影响。
“Agent原生企业”是整个组织都构建在与AI的 协同
之上，人与Agent协作的成本非常低的企业。
如何建设人与Agent的混合团队？
CONTENT
目录
01 演进：从回答到执行
02
03
04
腾讯云智能体开发平台
智能体时代统一数据治理
轻量化虚拟演播制作
演进：从问答到执行一
人工智能即将迈入新阶段
2025
2023
水平维度 影响维度能力维度
7
质疑 Agent，理解Agent，应用 Agent
诸多质疑
显著优势
1、响应速度慢：思考+拆解+推理+流式输出。
4、以前也能做：传统的编码开发或者低代码的配置平
台，同样能实现类似Agent的流程功能。
3、交互不友好：长篇大论罗嗦输出，相对点什么做什
么的模式，明显不友好。
2、会出现幻觉：事实性错误与不遵循指令。
4、协同：多智能体的组装、协同、竞争，能够。
1、成本门槛：极大降低了应用开发成本和门槛。
2、简化流程：让模型来处理参数转换，减少流程配
置工作量。
3、自主提升：与电脑/网络/工具更自然的交互，系
统能力随着模型能力增长可自然提升。
三年来大模型/智能体应用的几点感悟
大量的开源平台和开源模型，让大家比较容易产生一种“我也能”的 错
觉。但越来越深入追求业务落地后往往会发现：
企业级应用与消费级、科研级有本质的差异。
智能体必须深度的嵌入业务工作的全流程
做一个汇聚了几十上百智能体的 AIGC 平台容易，让业务人员留存在
这个平台上持续的发挥价值很难：
系统架构新范式： Data + AI + Agent
智能体的核心是自我思考与交付成果。没有语义统一的数据层支持，
智能体的自动执行与智能决策都无从谈起：
Agent 的媒体落地需要面向“企业级”
支持与维护
高可靠性
扩展性
集成性
安全性
治理与控制
易用性
极高的可靠性：
%的正常运行时间，制定灾难恢复计划。
具备端到端加密、数据防丢失：
严格的访问控制机制、遵守行业法规。
无缝处理高并发、多用户、海量数据支持：
负载增加时不能出现性能下降和可靠性问题。
直观易用，让各类非技术型操作人员快速的上手：
避免其转向消费级替代方案出现安全风险。
需平滑的与企业现有复杂的 IT 生态系统集成：
成为统一的 IT 基础设施。
供应商提供全面技术支持和维护服务：
包括优化服务、定期更新、漏洞修复等。
提供精细化的策略管理能力以控制用户和系统行为：
具备全面审计和日志记录能力。
“企业级”这一术语意味着承受业务严苛的需求
1
2
3
以易用性、可访问性和用户体验为首要目标，主要处理通用任务。 在特定业务环境中完成具体工作，确保安全、合规和高可靠性;
具备通用世界知识，但缺乏对特定组织内部情境的理解
需具备对企业内部环境的深度情境感知能力，包括理解组织架构、员工角
色、权限级别、业务流程及专有数据，理解企业“业务现实”
通常利用用户数据改进通用模型，数据治理标准相对宽松
视企业数据为核心专有资产，确保数据绝不用于训练公共模型，处理过程
完全隔离，并严格遵守企业隐私和安全协议
安全性重要，但风险通常局限于单个用户的个人数据泄露
不接受任何可能损失，需严格验证、风险防范，遵循“安全始于设计”理
念
完成特定工作，通常不强调协同 强调跨部门的连接，强调多系统的协同。
消费级智能体 企业级智能体
设计目标
业务知识
数据处理
安全水准
协同能力
企业级智能体与消费级智能体的差异
视频 图片 文稿 音频 富媒体 向量库表格
非结构化数据 结构化数据
标签库K-V库 图谱库
多模态资产库 多模态语料库 高质量数据集 多领域知识库 多维度运营库
Agent 编辑 插件编辑 工作流画布 智能体仓库 多模型接入调度 多 Agent 交互
MCP
仓 库
插件接入
文本编辑类 图像编辑类 图像生成类 视频编辑类 视频生成类 音频编辑类 音频生成类 其他类
创作类 Agent 数据类 Agent
数据科学 数据智能 智能问数文本创作 图像创作 视频编创
业务类 Agent
公文写作 政策服务 IT 服务策划采集
智能体
能力层
智能
引擎层
统一
数据层
跨平台统一入口 企微机器人 AI Bot个人/企业知识库 音视图内容库策采编发企微协同工作台
业务
应用层
新一代传媒 AI 中枢架构
智算
基建层 高性能计算 推理加速高性能存储 训练加速高性能网络
日志 Markdown
半结构化数据
运营类 Agent
业务洞察 人群圈选 效果分析
以“媒体Agent助手”为核心的智能体一站式解决方案
容管存
多
选
题
策
划
营
销
分
析
同
媒
体A 助
媒体
稿件
媒体
风格
内容
解析
企业
章程
办公
文档
角色
知识
个人
文风
生产
流程
个人
工具
收藏
文案
数字
分身
智能体平台
•按照不同人设风格与结合个人
知识库内容属性，进行选题筛
选与智能创作
•实现企业内部办公自动化与一
体化协同，快捷反馈，准确答
复，提质增效
•在内容管存方面，完成事实核
查、内容多模态理解分析，内
容自动化聚合生产的效果
•通过热点平台汇聚数据，结合大
模型智能分析能力，筛选报道热
点，形成自动化线索聚合体系
•全面收集运营数据与传播效果，
形成分析报告与洞察策略，辅助
进行深度运营决策
•面向不同发布平台，以符合媒体
风格的口吻，形成不同发布稿，
支持多平台多类型分发
个人
数据
企业
数据
打造每个媒体人自己独一无二的AI助手
新
库
音
视
识库
营
库
库
一个典型的企业级超高清媒体处理智能体示例
用户目标 意图识别 智能工作流
自动处理
结果输出
视频、图片文件上传
用户意图识别
广播级备播4K超
分
黑白影像修复
对视频进行备播4K超分
进行黑白影像修复
90年代剧集修复超分
完成历史照片修复
……
自动处理
自动处理
剧集修复超分
自动处理
照片修复
基于媒体AI助手的媒体工作台，典型协同工作流程
按照特定人设智能体
基于其关注的热点数据事件进行深度思考
选题视角
保持个人与媒体风格进行不同选题方向的稿件创作
可创建协同任务 任务由智能体优先处理，纳入工作区
面向策采编发全流程的多角色智能体
审核助理
为新闻稿件中的图文内容提
供多源事实核查和文稿智能
审校，并提供修改建议。同
时结合天御能力提供文本和
图片的安全审查功能。
AI能力：
• 事实核查
• 文稿审校
• 文本内容审查
• 图片内容审查
编辑助理
根据热点事件和选题建议，
自动生成新闻大纲。并根据
编辑的需求进多种类新闻稿
件的写作，包括新闻通讯稿、
新闻报道、新闻评论等。
AI能力：
• 新闻大纲写作
• 新闻通讯写作
• 新闻报道写作
• 新闻评论写作
策划助理
自动发现热点事件，可按照
地区热点、分类热点等提供
您最关注的热点内容。还可
根据热点提供多种方向的选
题建议和写作建议，助力选
题策划。
AI能力：
• 热点发现
• 观点分析
• 智能选题建议
采集助理
可提供相关事件检索的AI能
力 ，提高信息采集效率。还
可根 据新闻主题或采访主题
自动 生成包含破冰引入、逐
步深 入的采访问题内容，并
将采 访内容为可用素材。
AI能力：
• 采访问题生成
• 采访目标建议
• 采访内容
• 相关事件检索
运营助理
可将新闻稿件一键生成微博
分享文案、小红书笔记文案
和公众号文案等，提升运营
效率。还可助力社交媒体贴
文智能分析、智能评论等。
AI能力：
• 新媒体分享文案生成
• 贴文智能分析
• 贴文评论创作
• 智能翻译
腾讯云智能体开发平台二
身份权限
平台端/应用端权限
Agent Infra
安全合规
内容安全/模型运行安全等
运行环境
代码沙箱/浏览器沙箱
运行监控
应用评测/应用运营
预置混元&优图
精调模型
模型广场
腾讯云 TiOne
模型对接
自部署
三方优质模型
公有云
其他模型
知识库
文档/问答对/数据库
插件广场
官方插件/MCP
模版库
提示词模板库
RAG
从传统 RAG 到 Agentic RAG
智能体开发接口
Workflow
引入 Agent 节点，流程智能运行
Mult-Agent
全面的智能体协同配置方式
腾讯云ADP智能体引擎
流程画布
低代码流程画布
• 全局视野Agent，智能回退&路由修正；
• 工作流在端到端准确率、参数提取准确率、
意图识别准确率行业领先；
• 强大的多 Agent 协同能力：自由转交、
工作流编排模版、Plan-and- Execute协
同模板；
• 长/短期+执行过程记忆机制；
• 更强的文本/表格/图片理解能力；
• 严肃性问答支持；
• 完善的权限、审计、监控能力；
• 专门优化的内置模型；
• 企业级双层精细化权限管理：支持平台级、
应用级、知识库等完整权限体系配置；
• 提供高效、客观、全方位的智能自动化评
测能力；
• 官方精选的高质量插件库，插件数量达
140+个，持续增长中；
• 官方精选的提示词模板和应用模板
• ……
ADP 平台优势
导入文档/问答对，即可达
到更稳定和精确的知识问
答效果。适用于知识服务、
产品咨询等严肃问答场景。
使用指定的工作流来响应用户
所有对话。适用对应用的执行
流程，有明确流程需求，可以
通过工作流，来拖拉拽各种原
子能力，编排想要的流程。
由大模型进行任务自主规划和
工具调用，可实现高效应用搭
建。适用于有灵活回复或快速
搭建需求的服务问答场景。
Multi-Agent模式
“AI指挥官”
工作流模式
“智能生产线”
标准模式
“最强知识外挂”
腾讯云大模型知识引擎：三大应用模式，满足客户多样需求
要稳定选标准模式，要定制选工作流，要自由度选Agent！
把企业五花八门的知识库喂给大模型，没那么简单！
难点：企业知识格式多样、图文并茂
有线表格 无线表格 少线表格横向多栏 纵向多栏 图/图注群组 表/表注群组
跨栏段落 跨图段落 跨表段落 图表文环绕
复杂的表格结构
复杂的子元素识别
复杂排版的阅读顺序
段落内图像 表格内图像 段落内公式 表格内公式
腾讯云ADP: 强大RAG能力加持，搭建精准的知识问答应用
复杂文档解析、切分、检索、推理、生成准确率保持领先
高准确的复杂文档解析、切分能力
基于OCR大模型，打造的解析引擎，突破图文混排版面分析、
复杂表格识别等文档解析技术瓶颈，支持超过20类文档类型。
业界首个支持200MB以上超大文档 vs. 业内普遍100MB内
丰富的文档类型，超过26类 vs. 业内普遍 10类以内
支持图文混排（多列排版）版面分析 、图文表/公式/页眉等元素识别
识别精度高、图片元素不丢失
高准确的综合检索能力
上线基于LLM的embedding模型，多文档信息召回率从85%
提升到92%；混合检索+Text2SQL能力，提升超大表格单表检
索及跨表检索准确率，SQL执行准确率80%+
通过SQL检索表格信息
Query
“非智能且在售，并且一级分类是
天棚灯的产品包含哪些”
腾讯云ADP：充分考虑文、图两种模态的检索优化、能力打磨
“制动系统怎么保养？”
说明书样例 腾讯云RAG+DeepSeek：图文并貌的产品操作说明
面向复杂业务流程场景，升级复杂应用构建能力
提供10+画布节点，编排复杂应用，复杂 流
程的执行准确率和对话完成率效果领先。
通过可视化拖拉拽的方式编排不同的原子
能力，零代码/低代码构建业务流程。
其中参数提取节点，支持多参数同时提取、
基于对话历史进行多轮反问澄清等优势能
力，对话效果更优势。
大模型相关的节点均接入DeepSeek R1
和V3模型，可支持自由选择和切换。
腾讯云 ADP“工作流”: 支持用户快速编排复杂应用
腾讯云 ADP“工作流”: 全局 Agent 管控
由大模型自主拆解任务和规划路径，模型主动选择和调用工具，并能够主动纠错和反思，回复效果更灵活。
大模型知识引擎“Agent模式”： 自主规划和工具调用
主动纠错/反思
当工具调用失败、工具选择不合理，
上一步行动有瑕疵，模型主动纠正上
一步行为
主动选择和调用工具
Agent
思考规划
任务拆解和任务规划
计算器
百科信息
输入问题
用户输入问题
输出回复
回复结果内
容
转交
智能决策 agent agent agent agent
Agent Handoff
搜索引擎 代码执行
日程预定 股票信息
自定义工具
腾讯云 ADP已升级支持 MCP协议，精选海量工
具
CO
S
机器翻译
搜索
文档转换
BangBox
位置服务
智能体时代的统一数据治理三
媒体“数据”系统建设现状
数据汇聚业务操作
埋点
数据汇聚
埋点
数据汇聚设备数据
收视体验
埋点
数据处理 数据库
数据处理 数据仓库
数据处理 数据库
BI
业务系统
业务系统
数据难复用数据重复存储 模型不一致 指标不统一
这样的数据不
是资产
数据割裂 无法挖掘
烟囱式架构，始于业务需求，终于定制系统
用户行为
监控系统
日志系统
大数据系统
业务系统
记录
数据库
内容系统
生产/采集
内容库内容生产 内容加工 制播发
当前数据能力的痛点：两个割裂
• 企业内结构化数据与非结构化数据缺
乏统一处理框架。跨模态数据内容难
以交叉挖掘，导致洞察片面化。
• 结构化数据处理依赖固定规则，无法
灵活理解不同行业的业务逻辑，需针
对特定业务场景定制数据开发逻辑或
模型，成本高、周期长。
• 非结构化数据无法自动转化为可理解
知识，导致智能应用开发效率低下且
准确性无从保障。
• 显性的内容数据沉睡在分散媒资、内
容库中，隐性的知识则散落在文档报
告、会议纪要甚至员工头脑中。
• 数据中台的BI工具能处理数据库中的
规整数据，却无法连接内容运营、用
户增长的策略逻辑。
• 从数据洞察到业务价值，需要先从让
数据知识化，包括数据准备、知识解
析化，再通过智能体实现知识的透传，
最终实现智能应用。
非结构数据与结构数据的 割裂 数据资产与知识能力的 割裂
经营分析
播放分析
增长分析
喜好分析
流失分析
用户运营
… …
2
业务部门
数据库
提需求
数据部门
做报表
01 慢
无法及时获取有效
数据进行决策
06 累
无法承接所有需求 超
80%的数据被浪费
管理层
洞察
决策
解读
汇报
03猜
数据隐藏关系多，
归因靠经验、靠猜
测，难复制
02 难
全面系统性地了解
真实情况难
05 繁
数据指标多而繁，
数据异动发现慢
04 漏
数据解读欠专业，
人工解读易出错、
易遗漏
1个
数据分析师
传统分析流程成为数据价值变现卡点 数据分析供需错位 大量需求被压抑
需
~80%
数据分析需求
为一次性灵活分析
媒体数据分析的痛点
数十个
业务人员
熬 夜 Coding
数字化的后面几公里
知识 & 信息
模式BI / 大屏
规则
关联
偏好
洞察
决策 & 执行
数据
• 数据集成
• 湖仓一体
• 数据资产
• 数据服务
约束
行业知识 政策知识 竞对信息通用知识
数据中台建设解决了数据沉淀、分析、使用问题
没有解决知识沉淀问题，没有解决数据洞察问题，更没有解决基于数据的决策与执行问题
自主策略制定
自主任务执行
自主评估优化
传统数据中台范畴
分析呈现
在GenAI时代，数据处理/分析的方式在极速变
化
数据智能（Data Intelligence）平台
以直观、对话的方式
让用户直接与数据互动
大数据与ML训练融合
提供一体化体验
改变一
通过检索增强，激活企业
80%+非结构化数据价值
运营数据与生成式AI
深度融合
改变二
改变三
改变四
云原生大数据平台
BI 看板&离线报表
分析师精心处理、分析而
形成的“固定“数据洞察
数据 ETL
数仓分层 & 数据预处
理 & 特征工程
检索分析
基于文本倒排的检索与分析
实时数据服务
为营销自动化/运营数据
等场景提供在线数据服务
自然语言数据查询
自然语言理解生成分析
SQL，提高数据开发的生
产力
DataOps+AIOps一体化
提供一体化数据分析和AI
应用，降低运维与开发成本
AI Search
可提供一站式的高精度全文
检索+向量检索RAG方案
智能体（Agent）应用
企业内业务数据融合LLM，
产生更好的GenAI应用
ChatBI
自然语言BI分析，
无需用户具备专业
的SQL分析技能
利用灯塔一平台，实现
播放页千人千面推荐模
型+用户行为统计分析
支持书籍内容智能检索，
包括书籍引源、猜你想
问等丰富的互动能力
一站式AI广告创意
平台腾讯广告妙思
22002244 2025
进入“代理分析”时代
（Agentic Analytics）
使用群体
AI Agent人
使用方式
人找数据
Agent带着
问题找数据
平台定位
被动的
数据“仓库”
主动的
AI 数据平台
是一种数据分析过程，通过在Data-to-Insight的工作流程中应用AI Agent，以
半自主或自主的方式协调任务，朝着AI主动洞察 & 决策的目标推进。Agentic Analytics
整体而言Agentic Analytics在世界范围内也处于早期阶
段
Mosaic AI
专注于Agent平台的建设
Snowflake Cortex
Snowflake ML
Snowflake的AI套件，它利用大型语言模型（LLMs）来理
解非结构化数据、回答开放式问题并提供智能辅助。包括：
在结构化和非结构化数据源之间进行协调，以提供洞察。
规划任务，使用工具来执行这些任务，并生成响应。
Cortex Agent使用Cortex Analyst 和Cortex Search 作
为工具，与LLMs一起分析数据
Snowflake ML 提供端到端的机器学习服务，所有功能
都在单一平台上实现。统一的机器学习开发和生产环境，
经过优化，可实现大规模分布式特征工程、模型训练和推
理，支持 CPU 和 GPU 计算，无需手动调优或配置。
• Cortex LLM
• Document AI：Doc转成结构化数据 only
• Cortex Search：TEXT only
• Cortex Analyst：强调高准确度，但目前仅支持单表
• Cortex Agent「preview」
构建自己的Cortex Agent
Data Agents
数据工程agent
• 主要做数据准备相关的工作，数据清洗、转换、验证等
• 无缝处理结构化 & 非结构化数据
数据科学agent
• 参与model开发的所有环节，例如：自动特征工程、提供智能模
型选择、训练等。
• 嵌入在Colab notebook
对话式分析
• 用自然语言进行数据分析
• 嵌入在Looker、application
AI Query Engine
• 以引擎的形式出现，统一纳管多模态数据，纳管 Data & AI 模型，加
速从数据到智能决策的过程。
• 同时处理传统SQL和Gemini，以实现在运行时访问现实世界知识、语
言理解和推理能力。强调无缝处理结构化和非结构化数据
• 例子：这些社交媒体图片中包含的主要产品，是在哪些新兴经济体国家
生产的？
推出一系列Data Agents，及AI Query
Engine
Feedback /
• Agent Framework：
Agent开发平台
• Agent Evaluation：
端到端的Agent效果评估模块，支持 Human
Expert Review等机制
• Playground：
可以选择基础大模型和工具，探索性Agent的使用效果
• Vector Search：非结构化数据处理
内置向量检索服务，Agent实时检索各类Delta Lake中非结构化
数据
腾讯云数据分析智能体
腾讯云数据分析智能体 为企业提供一个全托管的智能体服务，用于整合、检索和分析结构化&非结构化数据，帮助用户更直观
的理解数据，并提取有价值的洞察，从而支持更快、更准确的决策。
TCDataAgent 应用
智能分析Agent 数据工程Agent 智能搜索Agent 数据科学Agent
灵活根据用户话题
发起即时问询，直
接获取数据结果或
深度分析
自动构建数据工
程Pipeline，完
成项目开发、调
试、调优等工作
一站式构建基于
企业知识库并与
大模型无缝集成
的智能搜索应用
根据需求自动调用一
体化平台，自动生成
数据科学Pipeline
Agent服务层
模型服务
提示词
管理
基础服务
工具管理 记忆管理 意图识别 多轮改写 自主规划 信息收集
Workflow 服务
条件判断 处理回复
TCCatalog语义层
LLM 自动标注 手动标注 文档理解 标签抽取
Semantic Model Graph Hybrid Search
基础能力
数据集管理(训练/评测)
Ray on TKE
AI Guardrails
TCLake
Data Agent
原子能力
NL2SQL
Code Gen
AI Search
Document
AI
数据科学
Xpark
Data Agent
配置管理
数据配置
语义理解
模型配置
意图/规划
记忆管理
会话管理
混元大模型
模型部署
DeepSeek
模型微调
腾讯云TCDataAgent技术架构
规划中
数据分析智能体：打通结构化与非结构化数据
关键能力
业务理解
数据融合
智能交互
• 自然语言交互，支持自动拆解用户需求，
智能编排任务，自主运行和优化任务，
并详细展示执行过程
• 结构化数据支持连接多种数据源，非结
构化数据支持内置知识库和自有知识库
• 支持语义理解和配置，自动理解业务语境
和业务规则
• 智能分析：智能数据分析、智能日志分析等
• 智能检索：AI 搜索、企业知识管理等
• 数据科学：智能构建数据科学 Pipline，低
门槛完成复杂分析任务
适用场景
协调结构化和非结构化数据源，
提供全面洞察，打破数据孤岛
结构化数据
非结构化数据
数据源 数据接入
MCP 连接
元数据获取
文档/图片处理
Document AI
Agents
TCAnalyst
Semantics | NL2SQL | Code
Gen
TCSearch
Embed | Hybrid Search | Rerank
Tools
记 忆 检 索
联 网 搜 索
代 码 执 行
解读报告
…
GUI
API
SDK
MCP
问答式分析
小白都会用
秒级响应
出结果
随时随地
便捷分析
定制式BI 自助式BI 对话式BI
提出定制式需求
交付定制式报表
业务部门 数据部门
根据需求自助拖拽
自助化交付报表
数据分析师 自助式
BI
根据需求自助问数
实时获取数据结果
基层业务人员 ChatBI
周级别 秒级别响应时间： 月级别
适用人群：老板、业务负责人等
数据分析师 基层业务人员
学习成本： 定制 高 0门槛
用户数量： 个位数 10人左右 大量业务人员
数据分析智能体场景 —— 智能问
数
用户提问
“展示2024年全国的订单情况”
“显示2024年上海仓的库存情况”
用户提问后，ChatBI支持根据数据表名称、数据表备注、字段名称、字段备注、关联配置等信息进行语义理解后，智能选表/关联回答
销售表 库存表
数据表信息
智能选表结果
“展示2024年缺货商品情况”
订单ID 商品ID 需求量 …… 商品ID 库存量 … …
用户提问
数据表信息
订单ID 商品ID … …
销售表 关联 库存表
需求量 库存量
缺货量
智能多表关联结果
智能选表
智能多表关联
关联字段
“业务人员无
需关注数据表
和字段”
智能问数——智能选表&智能多表关
联
• 基础指标查询（按产品/地区/机构/渠道，按时间/周期）
示例：“2024年财经栏目每个月的日活分别是多少”
• 计算类场景（同比/环比/占比/增长率等）
示例：“24年每季度广告费收入和同比增长率分别是多少”
• 排名类场景（产品/金额/机构排名等）
示例：“25年公司所有产品的销售额排名”
• 占比类查询（按占比，比例等）
示例：“不同的品类的占比情况如何”
• 复合指标场景
• 示例：“上周订单的毛利率是多少”（毛利率=毛利/总金
额）
• 对比场景
• 示例：“各个渠道的数量和占比”
智能问数——覆盖各类数据查询、计算、分析场
景
数据分析智能体场景 —— 智能搜
索
• 开放数据存储，无缝对接原有生态
• Document AI 多种格式自动文档解析，结合文
本检索和数据分析
关键能力
应用场景
客户价值
• 自动数据链路：支持用户上传文档，自动进行数据处理、解析、
向量化等步骤
• Document AI：解析文档中的多模态数据，针对结构化数据，
进行自动提取，并导入数据库进行精准分析
• 知识库集成：内置全托管 ES 知识库，知识基于用户第三方知
识库创建自有知识库
• 联网搜索：融合公共知识和私有知识，对数据进行全面检索和
解析
• 行业研报解读、咨询报告智能检索
• 企业知识管理
托管/第三方向量存储
知识库
数据存储
数据库
Document AI
数据表
文本
问题
回答
Source 1
Source 2
智能搜索——传媒全模态知识库建
设
知识图谱库数据科学结果库键值数据库文本知识库 文档结构化数据库
自然语言问答 智能问数 趋势分析 自动摘要生成 事件溯源 …….
知识提取
知识分类
存量 增量
音频 文档 图片/视频
新闻稿件 评论/社论 节目脚本 专栏文章
市场分析
用户分析
定期报告
白皮书
运营数据 图片素材库 影视内容节目录制 采访录音 新闻素材库
键值处理 图谱化 专家模型
通用智能体插件
数据科学 数据聚类 机器学习
数据智能体插件
数据工程
知识源
知识处理
知识库
分类构建
智能应用
数据
视频类数据
音
频
数
据 文
稿
类
数
据
营
数据用
据
混
索
知识
多模态向量
键
值
知
识
图
谱
识库结
据
构筑从内容到知识的数据飞轮li’can
“数据+知识”的双向融合。
传媒场景举例：相关节目片段，支持交互式对话和相关推荐
TCDataAgent 智能搜索 产品关键能力
多源数据接入
TCDataAgent内置高性能内容理解
场景语义理解
结合不同场景语义，
深度理解用户问题，提供高质量搜索
多模型协同
Agent 流程自动选用最优模型，
发挥不同模型优势，满足不同场景需求
项目背景 在电视台等传媒行业中，积累了大量的节目视频，在移动互联网下，希望可以智能化地检索往期内容，查看相关节目视频。
数据格式转换
知识库
用户问题
多轮改写 意图识别
反问澄清
抽取
多路召回 混合检索 结果重排
答案总结与关联推荐
模型服务
理解
数据源
文稿库
媒资库
政策文档
数据爬虫
数据埋点
模型精调训练平台
知识处理
自然语言
交互
智能
问数
归因
分析
知识
拉取
数据
汇聚
数据
服务
应用大模型，解决动态的知识/数据来源和治理问题。
稳定可靠的语料采集和持续标准的知识沉淀，为私有模型构建及业务智能带来坚实的基础。
一体化数据Agent平台 智能交互分析
数据
清洗
数据集构建
主题
分类
问答对
构建
内容
提取
数据
清洗
知识
去重
知识
去重
模型推理
API
个人助手
ChatBI
数据洞察
基于大模型构筑动态知识库和专业语料库
数据科学
数据湖
数据仓库
知 识 库
语 料 库
数据集
智能
决策
业务
洞察
Data Agent交互设计
新对话开启 TCData Agent
1
配置结构化数据和非结构化数据
2
Agent配置，提升准确度
3
Agent输出执行过程，汇总任务结果
4
子场景Agent切换
5
支持
human
-in-
loop
反馈
轻量化虚拟演播制作四
仅需一台美术机即可运行，交付轻量便捷
• 功能说明：实时处理，支持输出抠图、运镜、防抖、渲染的虚实融合效果
• 场地要求： 搭建3面式二维码绿幕，3*3*3m大小
• 拍摄设备：摄像机、镜头、灯光、三脚架
• 传输设备：SDI信号接入，需提供BMD采集卡
• 渲染设备：虚实融合SDK+渲染客户端+模板库
SDI/IP SDI/IP
虚实融合 SDK
客户/ISV腾讯
绿幕棚 拍摄设备
模板库
多种搭建方式（LED棚、绿幕棚）
投屏至LED屏
幕
• 已有LED的演播室可直接使用
• 节省安装、搭建的时间
• 低成本、高质量的绿幕棚，无绿幕反光，整体可拆卸
• 适合线下新建固定棚、展会展览等场景
新建绿幕棚
…
…
高画质抠图 无硬件跟踪 虚实交互 人物跟踪
智能场景
定制
2D/全景/VR
渲染
降本增效的同时，开拓更多玩法
THANKS！
感谢倾听
