莉莉丝《远光 84》项目组在 GenAI 的技术实践
内容提要
莉莉丝游戏是中国中生代游戏公司代表，自主研发多款精品游戏并在中国游戏市场保持领先地位。他们在2020年4月位列中国游戏公司收入榜第三。他们还在新加坡成立发行公司Farlight Games，为全球发行提供支持和服务。他们在GenAI的技术实践中采用了Amazon Bedrock + Claude2的方案，快速验证并落地多个GenAI应用。他们在多个业务场景中使用大模型，如文本分类、代码生成、数据分析、知识库和智能Agent助理。他们总结了在GenAI上的经验与最佳实践，包括从实际业务出发、上下文保留、时间问题、减少冗余输出、建立反馈机制等。
延伸解读
GenAI 落地策略：小步快跑与业务驱动
远光84项目组没有一开始就追求大模型或多模态，而是从现有FAQ系统、内部工具等实际业务出发，在较小范围内快速验证。这种小步快跑的方式，让团队在短时间内建立对大模型能力的认知，再逐步扩展到知识库、Agent等复杂场景。对于计划引入GenAI的团队，这种从实际业务出发、快速迭代的思路，比盲目追求技术前沿更稳妥。
技术方案选型：托管服务降低工程门槛
项目组采用Amazon Bedrock + Claude2的托管方案，直接调用API即可使用大模型，无需自行部署和运维。知识库场景中，结合OpenSearch Serverless向量数据库和Titan Embedding模型，实现了文档的自动嵌入与检索。这种全托管组合让团队能聚焦业务逻辑，而非底层设施，尤其适合缺乏AI工程经验但希望快速尝试的团队。
实践中的关键陷阱：时间、常见问题与冗余输出
文章揭示了几个易被忽视的陷阱：大模型对“今天”等相对时间理解偏差，需在提示词或代码中转为标准时间；过于“常见”的报错信息可能导致模型忽略知识库答案而自行发挥，需适当修改问题格式；冗余输出不仅降低体验，还增加token成本，需在提示词中明确要求简明扼要并给出示例。这些经验对任何GenAI应用都有参考价值。
Agent自动化：解耦设计与流程精简
在LLM Agent落地中，项目组通过Lambda将Event转发给本地OpenAPI，使Agent能调用非AWS资源，提升了灵活性。同时强调流程步骤要清晰精简，避免交互过多导致超时；知识库中的流程参数需与OpenAPI schema保持一致。这些设计考量表明，Agent自动化并非简单串联工具，而需在架构上做好解耦与一致性保障。
Q&A
莉莉丝《远光84》项目组在GenAI技术实践中采用了什么技术方案？
项目组采用Amazon Bedrock + Claude2的方案，快速验证并落地多个GenAI应用。
《远光84》项目组在GenAI方面有哪些具体的应用场景？
应用场景包括：大模型文本分类（Text2API）提升FAQ系统体验、大模型代码生成简化网页工具开发、大模型数据分析进行单个玩家体验分析、构建内部知识库（FAQ专家）、利用LLM Agent实现工作流程自动化（流程助手）。
在GenAI实践中，如何处理大模型对时间理解不准确的问题？
需要在提问时或在代码中，将相对时间（如“今天”）转化为标准的timedate值，以确保大模型获得准确的时间信息。
建立知识库时，针对“常见”问题需要注意什么？
对于“常见”问题或以“常见”字符串开头的问题，需要适当修改问题格式，避免大模型自行发挥，确保其按照给定答案回答。
如何减少大语言模型的冗余输出？
在提示工程中明确告知大模型提供“简明扼要”的内容，并给出详细例子说明符合要求的输出格式。
《远光84》项目组在GenAI实践中有哪些经验总结？
经验包括：从实际业务出发小范围尝试、上下文保留（保留10-20条提问）、时间问题转化、注意“常见”问题、减少冗余输出、文档命名与引用、多个知识库、记录召回失败、建立反馈机制和统计指标、搭建智能Agent的心得等。
