跨系统信息，一次关联
连接 BMS、CRM 与 LabMall 的只读业务数据，将订单、采购、仓储和跟单信息组织为连续的查询流程。
LD Assist
一次对话，串联订单到交付的信息。
基于本地部署的大模型构建企业履约 Agent，连接订单、采购、仓储与跟单系统，让客服通过自然语言查询履约进度、确认批次并生成回复草稿。
从需求定义、产品设计到全栈开发与测试上线，独立完成企业履约 Agent 的构建与交付。
- 位客服使用
- 30
- 次查询 / 日
- 约 300
让工作方式发生改变
原有工作方式
客服需要在多个系统之间查订单、核对商品与采购批次，再拼接仓储和跟单信息，才能回答一次履约问题。
产品支持的工作方式
在统一对话入口提出问题，按提示确认商品与批次，获取关联的履约信息，并在同一上下文中继续追问。
核心能力
关键对象，准确定位
面对多个商品或采购批次，提供候选选择与确认，确保后续查询围绕用户选定的业务对象展开。
连续追问，保持上下文
沿用已确认的订单与批次，重新读取相关信息，支持对出库数量、物流进度和信息来源继续追问。
从查询结果到回复草稿
展示查询过程与信息来源，生成可供客服核对的回复草稿，配合历史恢复与异常提示完成日常服务。
本地大模型部署与应用接入
基于采购的 GPU 设备部署大模型，将本地推理能力接入 LD Assist，连接业务查询、Agent 编排与回复生成，形成从模型运行到业务应用的完整链路。
产品流程
- 01
提出履约问题
- 02
确认商品与批次
- 03
关联查询业务系统
- 04
查看结果与继续追问
关键设计选择
先确认对象，再关联查询
同一订单可能涉及多个商品和采购批次。我将候选选择放在查询之前，让客服明确选中目标，再关联对应的仓储与跟单信息，后续追问也围绕同一业务对象展开。
业务信息有来源，回复可核对
客服需要能核对的履约信息。我将只读业务查询、信息来源与回复草稿连接起来，让客服看到答案依据，再确认如何向客户回复。
沿用上下文，重新读取信息
连续追问时，不必重复选择已经确认的订单与批次；查询会重新读取相关业务记录，让上下文保持连续，也让出库数量和物流进度有对应的数据依据。
PRODUCT / ENGINEERING
我的交付
需求定义
梳理客服履约问题，确定产品范围、业务对象与查询路径。
产品设计
完成对话流程、候选确认、连续追问与异常交互。
全栈开发与模型部署
完成 H5 前端、后端服务、Agent 编排、系统数据连接与状态恢复；在采购的 GPU 设备上完成大模型本地部署及应用接入。
测试上线
建立单元测试、集成检查、CI 和发布流程。
我通过 LangGraph 编排查询流程，结合权限校验和确定性业务规则处理日期、数量及关键选择，并实现会话状态恢复。单元测试、集成检查与 CI 支撑后续迭代和发布。
亲手试一试
交互演示一次查询，走完完整流程。
交互演示使用示例数据与预置结果，不连接企业系统或实时 AI。
- 01 提出问题
- 02 选择商品
- 03 确认批次
- 04 查看与追问
从一个真实的工作问题出发
点击下方示例，体验从订单定位到回复草稿的过程。
订单已定位 · DEMO-2026-001
这笔订单有两种商品，你想查哪一个？
先明确查询对象，避免把不同商品的信息混在一起。
找到两个采购批次，请确认。
不同批次可以处于不同履约阶段，结果会按你选择的批次展示。
查询完成 · 以下为预置样例
先看事实，再组织回复。
- 商品
- 采购批次
- 履约状态
- 物流单号
继续了解
你的业务也有类似流程？
从一个具体场景开始，聊聊如何把 AI 接入现有业务。
跟一下