NVIDIAAI实践月|代理式AI落地应用，助力企业提升效率

在当今数字化浪潮席卷全球的时代，AI 正以前所未有的速度重塑各个行业。在这场变革中，代理式 AI (Agentic AI) 作为前沿技术的代表，正逐渐成为企业提升效率、优化决策的关键工具。正如 NVIDIA CEO 黄仁勋在 GTC 2025 的演讲中提到，我们正在迈向一个 Agentic AI 的新时代。

在 AI 智能体火热的当下，NVIDIA 不仅支持客户构建智能体，内部的许多团队也一直在积极实践，通过 Agentic AI 简化工作流，解决业务挑战。因此，我们特别推出 NVIDIA Agentic AI 实践月系列内容，带您了解代理式 AI 在 NVIDIA 内部的各个实践，分享 NVIDIA 内部团队的解决方案和重要经验，供您参考和借鉴。

本次分享的实践内容包括：

• 微调小型语言模型以提高代码审查准确性

  
  

• 构建 AI 智能体以自动创建软件测试案例

  
  

• 构建 AI 销售助理的经验与挑战

  
  

• 使用 NVIDIA NIM 和 LangChain 创建自定义 Slackbot LLM 智能体

完整内容可点击“阅读原文”或下方链接：

https://developer.nvidia.com/zh-cn/blog/tag/chat-labs/

微调小语言模型 (SLM) 通常利用知识蒸馏等技术，相较于采用大型基础模型，可提供接近更大模型的性能，并且速度更快、成本效益更高。此外，SLM 可以部署在本地或虚拟私有云 (VPC) 中，使企业能够确保敏感数据的安全。然而，微调较小的模型需要高质量的标记数据，而创建这些数据既耗时又昂贵。

基于此，NVIDIA 团队使用了一种自动微调方法，该方法通过使用数据飞轮策略来应对这些挑战。数据飞轮策略是一种反馈驱动机制，可迭代地提高模型性能。通过使用大型“教师”模型生成和结构化合成训练数据，此方法可优化微调过程，使较小的模型能够更有效地处理复杂任务，同时尽可能减少人工干预。

微调 SLM 可帮助企业在解决成本、延迟和可扩展性相关挑战的同时，实现具有竞争力的准确性。虽然这里的重点是代码辅助，但该方法适用于各种企业用例。

在软件开发中，测试对于确保最终产品的质量和可靠性至关重要。然而，创建测试计划和规范可能耗时且需要大量人力，尤其是在复杂系统中管理多种需求和不同测试类型时。许多此类任务通常由测试工程师手动执行。

为了简化这一过程，NVIDIA 的 DriveOS 团队开发了 Hephaestus (HEPH)，这是一个用于自动测试生成的内部生成式 AI 框架。HEPH 可自动执行各种测试的设计和实施，包括集成测试和单元测试。它使用大语言模型 (LLM) 进行输入分析和代码生成，显著减少了创建测试用例所花费的时间。通过根据输入文档、代码样本和反馈循环生成上下文感知测试，HEPH 使测试更快、更高效。

在 NVIDIA，销售团队依赖于内部和外部文档将先进的硬件和软件推向市场，而寻找这些文档通常会浏览多个存储库来查找信息。为其打造 AI 销售助理则是一项有意义的技术挑战，可为设计可扩展的 AI 驱动型解决方案提供宝贵见解。

借助基于 RAG 的架构，我们集成了各种知识来源，优化了查询处理，并确保了高性能和准确性，从而满足动态数据密集型环境的需求。

通过将先进的 LLM、结构化工作流程和实时数据检索相结合，AI 销售助理可为销售团队提供即时的定制见解，同时显著提高工作流程效率和用户参与度。

该项目为开发者在快节奏领域处理复杂的决策支持系统提供了蓝图。

在企业运营的其他方面，如日常办公协作中，同样可以通过技术提升效率。通过利用 NVIDIA NIM 微服务的强大功能，企业可以利用 API 目录中的模型，快速构建超越简单自动化的智能 Slackbot。这表明 API 目录可用于生产部署。

这些 Slackbot 成为宝贵的虚拟助手，能够处理各种任务——从回答基本查询到解决复杂问题，甚至生成创意内容。这不仅可以节省时间和资源，还可以打造更具协作性和高效的工作环境。

使用 NVIDIA NIM 和 LangChain 针对特定用例创建自定义 Slackbot 智能体的逐步指导可参考博客全文。

通过这些前沿实践，NVIDIA 不断突破技术创新的边界，积极加速代理式 AI 的落地应用，为开发者和企业打造了一系列极具价值的参考范例与强大工具，助力他们在各自的专业领域中实现突破性创新，提升效率与竞争力。

Agentic AI 的时代刚刚开始，未来还会有更多应用场景，NVIDIA 也将继续创新和实践，为您带来更多可借鉴的经验和总结。

了解以上 NVIDIA 的实践内容，请点击“阅读原文”或下方链接：