Question 1

北京夙棠科技做哪类型的软件开发？

Accepted Answer

以移动应用开发和企业级Web 系统开发为核心，覆盖 Flutter、Android 原生、Vue 3 与 Node.js。同时承接 AI 能力接入、端侧语音处理与业务系统定制。自主研发的知识库平台、吾同传译、CourseNote、AudioVocab 四套系统均可作为技术能力的直接参考。

Question 2

企业知识库项目你们做过吗？

Accepted Answer

做过。我们自主开发了一套知识继承型 AI 平台：以巴菲特投资思想为原型，把 246 篇原始资料编译成 246 个结构化知识页面（98 封信件、61 家公司、49 个概念、27 篇访谈、7 位人物），用双向链接形成 2896 组引用关系的知识网络。AI 以第一人称回答、引用具体年份与数据、沿用其判断语言，推理过程与结论分开呈现。知识库没有的内容它会明确说明再给推测，不编造。这套模式可以直接用于企业的专家经验继承与制度资料沉淀。本案例的演示站已部署在 suttech.cn/kb/，可在线浏览全部知识页面与知识图谱。

Question 3

知识库类的 AI 和通用问答机器人有什么区别？

Accepted Answer

三点核心差异。第一，回答依据是企业自己的资料而不是模型的通用知识，编译产物是可读的结构化页面而非不可追溯的向量片段。第二，AI 可以承载专家的思维方式和判断语言，回答时会引用具体年份、数据与出处，而不只是给出结论。第三，知识库没有覆盖的问题会明确说明再基于已有框架推测并标注，这一点决定了它能不能被信任——模型天然倾向于给出一个像模像样的答案，而企业级场景需要的恰恰是它敢于承认边界。

Question 4

你们做知识库用的是 RAG 吗？

Accepted Answer

不是。我们对比过两种方案。传统 RAG 需要把文档切块存向量库，每次提问重新检索再交给模型，召回质量随提问方式波动。我们改为让模型把资料一次性编译成互相关联的知识页面，查询时采用两阶段检索——先做多粒度匹配定位核心页面，再沿知识图谱邻接关系扩展关联内容，命中数量固定为 4+2。代价是编译阶段需要投入人工校对，适合资料稳定且关系重要的场景。

Question 5

可以接 AI 相关的开发需求吗？

Accepted Answer

可以。我们的项目已覆盖大模型工程化接入、按场景分流请求、上下文构建、配额管理与失败降级；端侧语音识别与语音活动检测的本地推理集成；以及知识编译与两阶段检索。需要注意我们更擅长把 AI 落到具体业务里并保证稳定性，而不是单纯调API。

Question 6

有没有做过需要离线的AI 功能？

Accepted Answer

有。听词记 AudioVocab 完全离线运行，不设账号、不做云同步，学习数据只存本机。吾同传译的语音识别与端点检测同样下沉到设备本地，音频不出设备，弱网或无网环境下仍可使用。这两个项目都不是把本地数据同步到云端，而是从架构上就不依赖服务器。

Question 7

有做过真实客户的交付项目吗？

Accepted Answer

有。目前正在为一家连锁瑜伽馆提供配套软件定制开发，覆盖多门店的会员、课次与教练调度管理。这类项目的特点是业务规则复杂、数据口径需要跟客户对齐、且必须在真实营业场景下运行，我们会把它作为行业方案中的「连锁门店数字化」案例来介绍。

Question 8

你们的自研产品为什么在应用商店里找不到？

Accepted Answer

我们的定位是软件开发团队，自研系统主要用于验证和展示工程能力，不是面向公众的商业化产品。其中 CourseNote 在应用商店上架流程中，其余处于内部验证阶段。知识库平台可以直接在线体验。公开展示的是系统形态与技术实现，具体业务合作请直接联系我们。

Question 9

项目一般怎么报价？

Accepted Answer

按交付范围和阶段划分。我们倾向先做一个可运行的最小版本验证方向，确认可行后再扩展，而不是一次性报价一个大而全的系统。报价会在方案沟通阶段给出明确范围，不做模糊承诺。具体金额取决于功能复杂度与技术选型，需要先沟通需求。

Question 10

团队规模多大，能同时接几个项目？

Accepted Answer

小团队精交付模式。我们同时承接的项目数量有限，这既是限制也是优势——每个项目都能由核心成员直接负责，不做层层转包。如果你的项目需要大量并行人力，我们会坦诚告知，不硬接。

Question 11

开发完成后怎么交付？

Accepted Answer

交付可运行的产品、源代码、部署文档，以及可复现的验证证据（自动化测试结果、构建产物）。我们的做法是把核心不变量写进代码断言并配套自动化测试，交付时你拿到的不只是能跑的代码，还有证明它为什么不会出错的依据。

听词记 AudioVocab

具体做了什么

记忆模型

离线优先

自动音频队列

内容生产管线

实际跑起来的样子

关于这套系统的定位