概述
RavaAI 包含三个核心组件，每个组件使用不同的技术方法解决特定问题：
RavaCore
状态分析引擎
理解和分析当前状况
识别数据中的模式和洞察
基于大语言模型
RavaTimes
场景推演引擎
推演不同决策选项的可能结果
多角度评估和对比
基于大语言模型的推理能力
RavaPush
时序预测引擎
基于历史数据预测未来趋势
识别异常和风险
基于专门的时序基础模型
这三个组件可以独立使用，也可以协同工作以提供综合分析。
技术方法的差异
大语言模型方法（RavaCore、RavaTimes）
核心能力
- 理解自然语言描述的复杂情境
- 进行多步推理和因果分析
- 生成结构化的分析和推演
- 利用广泛的常识知识
适合的任务
- 需要理解复杂上下文
- 涉及定性因素（如"团队士气"、"品牌声誉"）
- 需要逻辑推理和因果分析
- 信息不完全或难以量化
局限性
- 不进行精确的数值计算
- 不能访问实时数据
- 推理基于训练数据中的知识和模式
- 可能在高度专业化领域的深度有限
时序预测模型方法（RavaPush）
核心能力
- 识别时间序列数据中的模式
- 预测数值的未来趋势
- 检测异常和偏离
- 提供置信区间
适合的任务
- 有规律的历史数据
- 需要数值预测
- 模式相对稳定
- 可以量化的指标
局限性
- 需要充足的历史数据（通常 30+ 数据点）
- 无法预测前所未有的事件
- 基于统计关联，非因果关系
- 对数据不规则性敏感
RavaCore：状态分析
使用大语言模型理解和分析当前状况。
功能
数据理解
- 解析和理解多源数据
- 识别关键信息和模式
- 提取洞察和要点
情境分析
- 理解复杂的业务或个人情境
- 识别问题和机会
- 分析利益相关方和约束
结构化输出
- 将非结构化信息组织为清晰的分析
- 生成总结和报告
- 提供多角度的观察
用例
个人场景
分析职业发展状况
理解财务健康状况
评估学习进度
商业场景
分析业务数据和趋势
理解客户反馈
评估项目状态
技术限制
- 分析基于提供的信息，不能主动获取外部数据
- 不进行复杂的数值计算（适合 BI 工具）
- 不能访问实时信息（除非明确提供）
- 理解深度受限于训练数据
RavaTimes：场景推演
使用大语言模型的推理能力推演不同决策选项的可能结果。
功能
多路径推演
- 为每个决策选项生成可能的发展路径
- 识别关键的转折点和分支
- 展示短期、中期、长期影响
权衡分析
- 从多个维度评估每个选项
- 识别关键的权衡取舍
- 对比不同选项的优劣
不确定性标注
- 明确指出推演中的假设
- 标注不确定性的来源
- 区分"很可能"和"可能"的结果
技术原理
基于推理，非预测：RavaTimes 使用大语言模型理解因果关系、追踪多步骤逻辑链、考虑不同因素之间的相互作用。这不是统计预测，而是基于逻辑推理和常识。
用例
职业决策：输入当前状况 + 2-3 个职业选择 → 每个选择的可能发展路径、关键权衡点
产品决策：输入产品现状 + 几个功能/策略选项 → 每个选项对用户、营收、竞争力的影响分析
资源配置：输入资源现状 + 几个分配方案 → 每个方案的效果、风险、时间线分析
技术限制
- 无法给出精确概率
- 不能预测真正随机或前所未有的事件
- 推演质量依赖输入信息的完整性
- 长期推演（12 个月以上）不确定性显著增加
- 高度专业化领域的推演深度有限
RavaPush：时序预测
使用专门的时序基础模型预测数值趋势并主动推送提醒。
功能
模式识别
- 趋势 — 长期上升或下降
- 季节性 — 定期重复的模式
- 周期性 — 非固定间隔的重复
- 异常值 — 偏离正常范围的数据点
零样本预测
- 基于在千亿级数据上训练的基础模型
- 无需针对每个场景单独训练
- 可以立即应用于新的数据类型
- 支持针对特定场景的微调以提升准确率
主动推送
- 自动识别需要关注的情况
- 在适当时机推送提醒
- 根据紧急程度和重要性排序
技术原理
- 仅解码器 Transformer — 类似语言模型但应用于数值序列
- 基于 patch 的处理 — 提高效率和模式捕捉能力
- 自回归生成 — 逐步预测未来值
- 大规模预训练 — 在超过千亿真实世界数据点上训练
用例
个人场景
习惯追踪和偏离提醒
学习进度预测
社交关系维护提醒
商业场景
销售和需求预测
客户流失风险预警
现金流预测
应急场景
系统故障预警
异常流量检测
供应链中断风险
技术限制
| 数据量 | 能力 |
|---|---|
| 最小：30 个数据点 | 基本预测 |
| 推荐：100+ 个数据点 | 准确的模式识别 |
| 微调：500+ 个数据点 | 特定场景优化 |
三个组件的协同
RavaAI 的三个组件设计为可以协同工作，提供综合分析。
协同场景 1：业务扩张决策
问题：是否应该扩张到新城市？
① RavaCore（理解现状）：分析当前运营数据和团队能力、评估财务状况、识别现有市场的饱和度、理解竞争格局
② RavaPush（预测趋势）：如果不扩张，预测未来 12 个月营收；现有市场的增长空间预测；基于历史模式，预测扩张后的增长曲线
③ RavaTimes（推演选项）：现在扩张（资源分配和团队挑战）、等 6 个月（市场深耕的收益）、不扩张（专注单一市场）
协同场景 2：项目进度管理
问题：项目可能延期，如何应对？
① RavaPush（识别风险）：检测到任务完成速度下降，预测完成时间为 45 天而非计划的 30 天
② RavaCore（分析原因）：分析团队工作负载、识别瓶颈环节、评估资源配置
③ RavaTimes（评估应对方案）：增加人手（成本、培训时间）、延长时间（对其他项目的影响）、减少范围（功能完整性）
技术互补性
| 大语言模型（RavaCore、RavaTimes） | 时序模型（RavaPush） | |
|---|---|---|
| 优势 | 理解复杂、非结构化的信息 处理定性因素 进行逻辑推理 不需要历史数据 | 精确的数值预测 识别统计模式 置信区间估计 不需要详细描述 |
| 角色 | 理解"为什么"和"怎么办" | 预测"会发生什么" |
技术架构
RavaCore 和 RavaTimes
基础技术：大语言模型（Large Language Model）
- 在大规模文本语料上训练
- 学习到语言、推理、常识知识
- 通过上下文学习适应特定任务
用户输入（自然语言） ↓ 语言模型理解和推理 ↓ 生成分析结果（自然语言） ↓ 结构化呈现给用户
RavaPush
基础技术：时序基础模型（Time Series Foundation Model）
- 仅解码器 Transformer，基于 patch 的处理，自回归生成
- 在千亿级时间序列数据上预训练
- 支持零样本预测和微调
- 跨领域泛化能力，可提供置信区间
历史数据（数值序列） ↓ 时序模型识别模式 ↓ 预测未来趋势（数值 + 置信区间） ↓ 推送逻辑评估 ↓ 在适当时机推送提醒
能力边界与使用建议
RavaCore 和 RavaTimes
适合
需要理解复杂情境
涉及定性分析
信息不完全或难以量化
需要逻辑推理和权衡分析
不适合
需要精确数值计算
高度专业化的技术决策
需要实时数据访问
生命攸关的决策
RavaPush
适合
有规律的历史数据
需要数值预测
可以量化的指标
需要趋势监控和提醒
不适合
数据少于 30 个点
高度不规则的数据
需要因果解释
前所未有的事件
与其他方法的对比
传统决策支持系统
| 传统 DSS | RavaAI | |
|---|---|---|
| 基础 | 基于规则和数学模型 | 可以理解自然语言描述 |
| 输入 | 需要明确的输入参数 | 处理定性和定量因素 |
| 输出 | 结构化的量化结果 | 包含推理过程 |
| 适合 | 结构化问题 | 半结构化或非结构化问题 |
商业智能（BI）工具
| BI 工具 | RavaAI | |
|---|---|---|
| 分析类型 | 描述性分析（发生了什么） | 解释性 + 预测性 + 推演性分析 |
| 数据 | 需要结构化数据 | 可以处理非结构化信息 |
| 基础 | SQL 和数据仓库 | AI 模型 |
统计预测工具
| 统计工具（ARIMA、Prophet） | RavaPush | |
|---|---|---|
| 参数 | 可解释的参数，需手动调整 | 无需手动调整参数 |
| 泛化 | 单一场景优化 | 跨场景泛化 |
| 能力 | 适合明确的季节性模式 | 零样本预测，更长上下文窗口 |
技术演进
当前能力
RavaCore / RavaTimes
自然语言理解和生成
多步推理和因果分析
结构化输出
RavaPush
单变量时间序列预测
最长 2048 个时间点上下文
零样本和微调能力
置信区间估计
已知限制
- 不能访问实时外部数据
- 不能执行代码或访问系统
- RavaTimes 的长期推演（12 个月以上）不确定性高
- RavaPush 仅支持单变量预测
- 高度专业化领域的深度有限
未来方向
- 多变量时序预测
- 外部协变量集成
- 更长的上下文窗口
- 领域专业知识的增强
- 工具使用能力（如计算器、数据库访问）
开始使用
选择合适的组件
- 理解当前状况 → RavaCore
- 在几个选项中做选择 → RavaTimes
- 预测数值趋势 → RavaPush
- 综合决策支持 → 组合使用
准备输入
RavaCore / RavaTimes
用自然语言描述情况
提供相关背景信息
说明你关心的维度
RavaPush
准备历史数值数据
确保数据等间隔、一致
至少 30 个数据点（推荐 100+）
解读输出
- 这些是分析工具，不是决策者
- 推演不是预测
- 预测有不确定性
- 与有经验的人讨论，寻求专业意见，对比自己的判断
常见问题
RavaAI 是否使用统一的模型？
不是。RavaCore 和 RavaTimes 基于大语言模型，RavaPush 基于专门的时序预测模型。它们的技术方法针对各自任务优化。
为什么不都用大语言模型？
不同任务适合不同方法：语言模型擅长理解和推理，但不擅长精确的数值预测；时序模型擅长识别统计模式，但不理解语义。使用专门的方法可以获得更好的结果。
系统会学习我的数据吗？
RavaPush 可以选择使用你的数据进行微调，微调模型只服务于你，不影响其他用户。RavaCore 和 RavaTimes 不进行微调。
预测/推演有多准确？
- RavaPush — 准确性取决于数据质量、数量和模式稳定性
- RavaTimes — 这不是预测，而是基于逻辑的推演
- 两者都应该与其他信息源交叉验证
可以处理多语言吗？
当前主要支持中文和英文。RavaCore 和 RavaTimes 可以处理两种语言，RavaPush 处理的是数值数据，不涉及语言。
系统会给出建议吗？
系统会提供分析和推演、指出关键权衡点、标注风险和不确定性。系统不会直接说"你应该选 A"、替你做价值判断或提供唯一的"正确答案"。
隐私与安全
数据使用
- 输入数据仅用于生成当前分析/预测
- 不用于训练基础模型
- 不与其他用户共享
微调数据隔离（RavaPush）
- 微调后的模型只服务于该用户
- 微调数据不影响基础模型
- 可以随时删除微调模型和数据
适用场景建议
- 敏感商业决策建议在安全环境下进行
- 不应输入高度机密的信息
- 关键决策应寻求多方验证