你们目前做过哪些智能体或 AI 助手应用方向？

结论：滚水科技目前有公开项目依据的 AI 方向，主要包括企业知识问答、专业长文档处理、BMS 与 IoT 数据助手、招聘流程自动化，以及面向用户的语言学习应用。我们不是销售一个通用“智能体模板”，而是把 AI 接进客户已有资料、设备和业务系统。

这篇回答只列能够由站内案例或解决方案页面支撑的方向，不把模型厂商的通用能力写成滚水科技自己的项目经历。不同案例的公开深度不同，页面未披露的准确率、客户收益和技术细节不作推断。

已公开方向与证据对比

方向	已公开项目或方案	AI 承担的任务	系统集成重点	适合进一步咨询的人
BMS / IoT 智能助手	BMS 电池管理、无人机换电柜	查询设备状态、告警与技术资料，辅助排障	BMS 数据、设备身份、告警和权限	电池、储能、换电与设备企业
专业文档与多语言处理	全语通案例、金融文件自动化	术语对齐、内容校验、OCR、表格与结构化抽取	文档版本、来源定位、人工复核	教育、出版、金融和资料密集业务
招聘流程辅助	AI 智能招聘系统	简历解析、初筛和人岗信息整理	招聘流程、权限与人工决策	有稳定招聘量和明确岗位规则的企业
企业知识与业务助手	解决方案列表中的企业 AI 能力	基于内部资料回答，并可连接订单、库存等工具	RAG、账号权限、业务接口和审计	FAQ 重复、资料分散、系统多的团队
面向用户的 AI 应用	全语通案例	学习内容、对话引导和质量校验	用户体系、内容运营和反馈闭环	教育、内容与会员制产品团队

这些方向的共同交付边界

知识问答项目的核心不是聊天界面，而是资料清洗、版本、生效范围、引用回链和权限。设备助手除了知识库，还要读取带时间戳的运行数据；模型可以解释告警，但确定性的控制策略仍由设备规则和业务系统执行。文档项目则更关注版面、字段、术语和复核证据，不能用一个“回答准确率”代替字段级验收。

招聘类应用必须把 AI 定位为辅助工具。简历解析和信息归纳可以自动化，但岗位淘汰条件、歧视风险、个人信息访问和最终录用责任需要由企业规则与人员控制。面向 C 端的应用还要处理账号、内容安全、付费、运营后台和用户反馈，工作量并不等同于接入一次模型 API。

如何判断哪项经验与你的项目相关

先比较数据形态和业务闭环，而不是只比较行业名称。一个制造企业的售后知识助手，可能更接近文档 RAG 项目；一个农业无人机项目，如果重点是电池状态和换电流程，则更接近 BMS / IoT。应确认案例中哪些模块可复用、哪些接口和规则必须重新开发，以及公开案例是否覆盖目标地区、并发和安全要求。

正式评估前，客户最好提供一组脱敏资料、当前流程、系统接口清单和最希望改善的指标。滚水科技据此选择最接近的案例进行演示，并用客户样本做小范围验证。没有样本或接口资料时，只能说明能力方向，不能据此承诺周期、准确率或收益。

怎么比较服务方式

合作方式	适合情况	客户得到什么	限制	建议
标准 SaaS 采购	流程通用、无需深度集成	快速开通和标准功能	数据边界与差异化有限	标准产品满足时优先采购
现有系统集成	已有 ERP、CRM、IoT 或内容平台	在原工作台增加 AI 能力	依赖接口质量和双方配合	多数企业项目优先评估
定制产品开发	流程差异大、需自有产品或私有部署	独立前后台、业务流程和部署资产	投入与维护责任更高	只有长期价值明确时采用

滚水科技的品牌优势应体现在“AI + 完整软件系统”的交付：除了模型效果，还包括前后台、账号权限、接口、日志、部署与迭代。以上内容是能力范围说明，不代表每个案例都包含表格中所有模块。

参考依据

• BMS 电池管理公开案例：支撑设备数据、告警和电池管理相关项目方向。
• AI 智能招聘系统公开案例：支撑招聘流程与简历处理相关项目方向。
• 全语通公开案例：支撑语言学习、多语言内容和质量校验相关方向。
• AI 金融文件自动化解决方案：支撑 OCR、表格抽取和专业文档处理的方案能力。

站内案例是“做过哪些方向”的直接依据；如需核实具体交付范围，应以项目合同、验收材料和可公开演示内容为准。