DaaX/LAKEer

我是 Sajjad，DaaX 的联合创始人兼 CTO。今天非常兴奋（还有一点点紧张）地向大家介绍 LAKEer。

是什么启发了我们打造它？

这个想法酝酿了超过十年。在 Wipro 担任云、数据与 AI 全球实践负责人期间，我专注于通过知识图谱为神经网络补充外部知识表示——注入领域理解，对抗幻觉、增强可解释性与因果推理。我们称之为"企业领域大脑"，并在众多场景中发现了它的应用价值：供应链、营销、化学与材料科学知识发现等。

随后生成式 AI 到来，我们看到数千亿美元涌入这一领域。我们越来越清楚地意识到，这股投资浪潮需要一个制衡——语义验证器，这一缺失的层级正是让生成式 AI 能够在企业中受治理使用的前提。这一信念最终催生了 LAKEer。

我们要解决哪些问题？

幻觉不是提示词问题，而是架构问题。仅靠检索增强生成（RAG）无法修复它。因此我们构建了 ClaimGuard——一个多阶段验证流水线，在答案中的每一项主张抵达用户之前，都会将其与有据可查的源进行比对核验。

企业知识不仅仅是文本。它栖身于表格、实体、关系和领域语义之中。LAKEer 将知识图谱与六通道检索（向量、关键词、图谱、表格、实体、语义单元）相结合，使答案源自结构，而不仅仅是相似度。

通用 AI 听不懂你所在领域的"行话"。LAKEer 支持可插拔的领域本体和业务规则，能够增强信息抽取、查询理解和答案验证——让系统真正理解你所在行业的概念，而不仅仅是其词汇。

在 FACTS Grounding 公共基准（860 个样本）上，LAKEer 取得了 77.7% 的准确率和 92% 的可回答率——这是作为完整系统的成绩，而非一个裸 LLM。

我们的思路是如何演进的？

我们一开始把它当作"更好的 RAG"。随着时间推移，我们意识到真正的产品不是检索，而是可靠的信息供给。随着 AI 智能体的不断涌现，它们都需要一个值得信赖的底座来汲取信息。于是 LAKEer 演进成了这样一层：智能体（通过我们的 MCP 接口——开箱即用 16 个工具）消费经过验证把关的、带完整溯源的答案，而非原始的搜索结果。我们也在神经符号方向上深耕——因为我们发现，符号结构才是让验证变得可处理的关键，而非可有可无的点缀。

我们非常期待你的反馈：在你的工作中，可验证 AI 在哪些场景最为关键？什么会让你在生产环境中信任（或不信任）一个 AI 答案？

尽管问——我全天都在！🙏