Albus by Springworks：为企业员工赋能的企业搜索引擎

大型语言模型（LLMs）和检索增强生成（RAG）的出现为公司利用其数据开辟了许多途径，但同时也带来了如何将不同数据源连接到单一通信接口的问题。人力资源科技创新公司 Springworks 与 Jina AI 深度合作，致力于解决这一问题。

本案例研究探讨了 Springworks 的工作场所生产力工具 Albus 如何使用 Jina Embeddings 和 Reranker 让用户与来自不同应用程序的数据进行对话。

Embedding API

Start with 1M free tokens. Top-performing, 8192 context length bilingual embeddings for your search and RAG systems.

Reranker API

Maximize the search relevancy and RAG accuracy at ease.

Albus - AI Slack Search & Web Assistant

Seamlessly access workplace search and enhance collaboration. Albus is also your intelligent web assistant for rapid answers and browsing.

AI Slack Search & Web Assistant

tag将所有应用程序连接到单一工具

当今的数字化带来了工作场所协作工具的爆炸性增长，造成了信息分散在多个孤立平台的环境。员工经常需要无休止地搜索他们记得在某处读到的信息，但却找不到，比如过去头脑风暴会议的结果或上周敏捷开发计划会议的记录。这种信息碎片化造成了障碍，降低了生产力并增加了挫折感。生成式 AI 承诺解决这个问题，创建能够访问多源数据的问答系统，使员工拥有单一的答案来源。为此，我们需要一个能够访问所有这些信息孤岛并将其整合的 AI 应用程序。

tagSpringworks Albus 来拯救

Albus 集成了100 多个常用的工作场所应用程序，包括 CRM、票务系统、人力资源管理系统和知识管理工具。通过利用 Jina AI 最先进的 Embedding 和 Reranker 模型以及用于生成答案的 LLM，Albus 在分析所有连接的数据源后使用最相关和最新的信息来回答员工的问题。员工不再需要在多个应用程序中搜索或记住特定的文件名和位置。

"我们在我们手工制作的公司内部基准测试中评估了几乎所有最先进的 embeddings 和 reranker 模型，Jina 的模型真正脱颖而出。他们的技术不仅满足而且超出了预期。"

— Kartik Mandaville，Springworks 创始人兼 CEO

tagSpringworks 解决方案的支柱

Springworks 正在与 Jina AI 合作开发并迭代改进 Albus 的高级 RAG 系统。Albus 检索结构化和非结构化数据。AI 分类器决定是应该通过查询关系数据库还是使用 jina-colbert-v1-en 在向量数据库中查询非结构化数据来解决用户的请求。无论来源如何，检索到的结果随后都会使用 jina-reranker-v1-base-en 进行重新排序，以找到最相关的信息来回答任何用户问题。

"Jina AI 的客户成功团队在优化我们对这些模型的使用方面发挥了关键作用。通过他们的及时响应和详细讲解，他们简化了我们的实施过程并大大改善了我们的结果。"

— Kartik Mandaville，Springworks 创始人兼 CEO

举个例子，假设用户想要使用 Albus 查询 Jira ticket 数据库，并询问以下问题：

Which tickets were created since March about updating the Dockerfile
to use the latest Ubuntu version?
Copy

查询分类器判断这个查询最适合结构化搜索（"since March"暗示了一个传统的过滤查询），并生成等效的 Jira Query Language，这是 Jira 中使用的 SQL 变体：

project = "BACKEND_API"
  AND created >= "2023-03-01"
  AND text ~ "dockerfile"
  AND text ~ "Ubuntu"
Copy

这会返回一组 tickets，它们的文本内容连同原始自然语言查询一起被发送到 jina-reranker-v1-base-en。Jina Reranker 对它们重新排序，排名最高的 tickets 文本与模板一起编译成 LLM 的提示。这会创建一个传输给用户的自然语言文本响应。

现在，让我们想象一个不太适合结构化搜索的请求：

How does the company's ESOP policy differ between senior management
and associate-level employees?
Copy

查询分类器认识到这更适合基于 embeddings 的向量搜索，并使用 jina-colbert-v1-base-en 生成 embedding，向量数据库将其与 tickets 匹配。这些结果与原始查询一起传递给 jina-reranker-v1-base-en，就像结构化搜索情况一样，并通过相同的程序生成自然语言响应。

tag即时部署和一键集成

Albus 设计的目标是尽可能用户友好。你可以通过单击集成你的工作应用程序：

Albus 将在几分钟内启动并运行，将你的整个工作场所转变为一个单一的聊天环境，你的团队只需提问就能找到任何信息。

tag知识共享的新前沿

Springworks 为公司访问数据创建了一种新方式，并有望成为值得信赖的办公工具。通过提供一个集中的、由 AI 驱动的信息检索解决方案，Albus 减少了员工搜索所需信息的时间和精力。得益于 Jina AI 以及该工具能够与现有系统集成并提供准确的、上下文相关的答案的能力，Albus 使公司知识比以往任何时候都更容易获取。

Jina AI 致力于以具有竞争力的价格为企业提供最高质量的模型。如果您也希望从我们的实施经验和企业级产品中受益，请通过我们的网站与我们联系。通过我们的 Discord 频道直接与我们对话，分享您的反馈并了解我们最新模型的动态。我们每天都在改进产品，您的意见对我们的开发过程至关重要。