McKinsey & Company
企业知识与Agent平台 Lilli
企业原始材料
管理咨询
企业部署案例
⚙ 技术方案
深度案例｜关键链路较完整
A级证据
全公司规模化/持续重构
A
证据等级
Meet Lilli: McKinsey’s custom-built gen AI platform
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
深度案例｜关键链路较完整
12 / 12
业务背景2 / 2
改造流程2 / 2
技术工作流2 / 2
人机与治理2 / 2
量化结果2 / 2
来源定位2 / 2
六个维度均达到当前完整度标准。
业务问题
麦肯锡近百年知识分散在40多个内部来源中，顾问查找、综合和转化知识耗时；首版平台又依赖单一模型提供商，随着用例和调用增长出现成本、速度与准确率无法同时优化的扩展瓶颈。
解决方案
四人团队先用一周完成概念验证，五周开发MVP并交给200名Alpha用户，再分三个月渐进式全员推广；Lilli以编排层组合大型和小型模型、内部与外部知识及权限控制，后来重构为LLM无关的可组合开源底座，并以Alpha/Beta、用户反馈和质量指标逐项发布能力。
技术架构与生产工作流
Step 01
40多个内部知识源及外部知识
→
Step 02
访问控制、数据安全和内容治理
→
Step 03
大模型与小型专家模型组合
→
Step 04
意图识别、知识编排与答案生成层
→
Step 05
LLM无关的可组合开源平台
→
Step 06
Alpha/Beta、使用分析、输出质量和成本评测
关键技术与基础设施组件
Lilli平台多模型编排企业知识源权限与安全控制Agent框架用户分析与质量评测LLM无关架构
人机分工与责任边界
顾问用Lilli检索、综合和起草，但仍判断内容是否适合客户情境并承担交付责任；产品团队进行用户观察、用例优先级、Alpha/Beta测试和风险控制，知识贡献者持续改善可用资料。
FDE 动作拆解
- 用一周PoC验证领导投资意愿
- 通过访谈和工作坊按价值与可行性排用例
- 让200名Alpha用户先验证MVP
- 根据真实单位成本把单一供应商架构重构为多模型
- 所有新能力经过Alpha/Beta及质量指标再全员发布
可迁移复用的落地方法论
- 企业知识平台应把用例问题而不是模型作为产品路线中心
- 单一模型架构在规模化后可能造成成本与性能瓶颈
- 渐进发布可把真实使用反馈带入架构决策
- 知识工作节省时间仍需专业人员判断和客户责任
业务成效与交付成果
麦肯锡披露平台上线后72%的公司人员活跃使用，每月回答50多万次提示，员工报告知识搜索与综合最多节省30%时间；团队从4人扩展到150多人。
证据边界与核验记录
- 72%、50万次和最多30%来自麦肯锡自述，不代表所有员工或所有任务平均效果。
- 平台并非单一RAG实例，公开材料明确描述为多模型知识编排层。