概述
RavaAI 由三个核心组件组成，各自使用不同的技术路线解决特定问题：
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
情景推演引擎
推演不同决策的可能结果
多角度评估与对比
基于 LLM 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
基于专用时序基础模型
这三个组件既可以独立使用，也可以协同工作以提供综合分析。
技术路线差异
大语言模型路线（RavaCore、RavaTimes）
核心能力
- 理解自然语言描述的复杂情况
- 执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
适用任务
- 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
- 信息不完整或难以量化
局限性
- 不执行精确的数值计算
- 无法访问实时数据
- 推理基于训练数据中的知识和模式
- 在高度专业的领域可能深度有限
时序模型路线（RavaPush）
核心能力
- 识别时间序列数据中的模式
- 预测未来的数值趋势
- 检测异常和偏差
- 提供置信区间
适用任务
- 规律性的历史数据
- 需要数值预测
- 相对稳定的模式
- 可量化的指标
局限性
- 需要足够的历史数据（通常 30 个以上数据点）
- 无法预测前所未有的事件
- 基于统计相关性，而非因果关系
- 对数据不规则性较为敏感
RavaCore：状态分析
使用大语言模型理解和分析当前状况。
功能特性
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
上下文分析
- 理解复杂的商业或个人情境
- 识别问题和机会
- 分析利益相关方和约束条件
结构化输出
- 将非结构化信息组织为清晰的分析
- 生成摘要和报告
- 提供多角度的观察视角
使用场景
个人场景
分析职业发展
了解财务健康状况
评估学习进展
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
技术局限
- 分析基于提供的信息，无法主动获取外部数据
- 不执行复杂的数值计算（更适合使用 BI 工具）
- 无法访问实时信息（除非明确提供）
- 理解深度受限于训练数据
RavaTimes：情景推演
利用大语言模型的推理能力，推演不同决策选项可能带来的结果。
功能特性
多路径推演
- 为每个决策选项生成可能的发展路径
- 识别关键转折点和分支
- 展示短期、中期和长期影响
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
- 明确说明推演中的假设
- 标注不确定性来源
- 区分"很可能"和"有可能"的结果
技术原理
基于推理，而非预测：RavaTimes 使用大语言模型理解因果关系、追踪多步逻辑链，并考虑不同因素之间的交互作用。这不是统计预测，而是基于逻辑和常识的推理。
使用场景
职业决策：输入当前状况 + 2-3 个职业选项 → 每个选择的可能发展路径和关键权衡点
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、收入和竞争力的影响分析
资源分配：输入资源现状 + 几个分配方案 → 每个方案的效果、风险和时间线分析
技术局限
- 无法提供精确的概率
- 无法预测真正随机或前所未有的事件
- 推演质量取决于输入的完整性
- 长期推演（12 个月以上）的不确定性显著增加
- 在高度专业的领域深度有限
RavaPush：时序预测
使用专用的时序基础模型预测数值趋势，并主动推送提醒。
功能特性
模式识别
- 趋势 — 长期的上升或下降走势
- 季节性 — 有规律的重复模式
- 周期性 — 非固定间隔的重复
- 异常值 — 超出正常范围的数据点
零样本预测
- 基于千亿级数据点预训练的基础模型
- 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高准确性
主动推送
- 自动识别需要关注的情况
- 在合适的时机推送提醒
- 按紧急程度和重要性排序
技术原理
- Decoder-only Transformer — 类似语言模型，但应用于数值序列
- Patch 化处理 — 提升效率和模式捕获能力
- 自回归生成 — 逐步预测未来值
- 大规模预训练 — 在超过 1000 亿真实数据点上训练
使用场景
个人场景
习惯追踪和偏差提醒
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
技术局限
| 数据量 | 能力 |
|---|---|
| 最少：30 个数据点 | 基本预测 |
| 推荐：100 个以上数据点 | 准确的模式识别 |
| 微调：500 个以上数据点 | 场景专属优化 |
组件协同
RavaAI 的三个组件设计为协同工作，提供综合分析。
协同场景 1：业务扩张决策
问题：是否应该扩展到新城市？
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，识别现有市场饱和度，了解竞争格局
2. RavaPush（预测趋势）：若不扩张，预测未来 12 个月的收入；现有市场增长潜力预测；根据历史模式，预测扩张后的增长曲线
3. RavaTimes（推演选项）：立即扩张（资源分配和团队挑战），等待 6 个月（深耕市场的收益），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）：检测到任务完成率下降趋势，预测完成时间为 45 天而非计划的 30 天
2. RavaCore（分析原因）：分析团队工作量，识别瓶颈任务，评估资源分配
3. RavaTimes（评估应对方案）：增加人手（成本、培训时间），延长时间线（对其他项目的影响），缩小范围（功能完整性）
技术互补
| LLM（RavaCore、RavaTimes） | 时序模型（RavaPush） | |
|---|---|---|
| 优势 | 理解复杂的非结构化信息 处理定性因素 执行逻辑推理 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"该怎么做" | 预测"会发生什么" |
技术架构
RavaCore 和 RavaTimes
基础技术：大语言模型（LLM）
- 在大规模文本语料上训练
- 学习了语言、推理和常识知识
- 通过上下文学习适应特定任务
用户输入（自然语言） ↓ 语言模型理解与推理 ↓ 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
- Decoder-only Transformer，Patch 化处理，自回归生成
- 在千亿级时间序列数据点上预训练
- 支持零样本预测和微调
- 跨领域泛化，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 ↓ 在合适时机推送提醒
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
信息不完整或难以量化
需要逻辑推理和权衡分析
不适合
需要精确数值计算
高度专业的技术决策
需要实时数据访问
攸关生命的决策
RavaPush
适合
规律性的历史数据
需要数值预测
可量化的指标
需要趋势监控和预警
不适合
少于 30 个数据点
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 | 能理解自然语言描述 |
| 输入 | 需要明确的输入参数 | 处理定性和定量因素 |
| 输出 | 结构化的定量结果 | 包含推理过程 |
| 最适合 | 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，需要手动调优 | 无需手动调参 |
| 泛化能力 | 单场景优化 | 跨场景泛化 |
| 能力 | 最适合明显的季节性模式 | 零样本预测，更长的上下文窗口 |
技术演进
当前能力
RavaCore / RavaTimes
自然语言理解与生成
多步推理和因果分析
结构化输出
RavaPush
单变量时间序列预测
最多 2048 个时间点上下文
零样本和微调能力
置信区间估计
已知局限
- 无法访问实时外部数据
- 无法执行代码或访问系统
- RavaTimes 的长期推演（12 个月以上）不确定性较高
- RavaPush 仅支持单变量预测
- 在高度专业的领域深度有限
未来方向
- 多变量时间序列预测
- 外部协变量集成
- 更长的上下文窗口
- 领域专业知识增强
- 工具使用能力（如计算器、数据库访问）
快速开始
选择合适的组件
- 理解当前状况 → RavaCore
- 在多个选项中做选择 → 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
指定你关心的维度
RavaPush
准备历史数值数据
确保等间隔和一致性
至少 30 个数据点（推荐 100 个以上）
解读输出
- 这些是分析工具，不是决策者
- 推演不等于预测
- 预测存在不确定性
- 与有经验的人讨论，寻求专业建议，与自己的判断对比
常见问题
RavaAI 使用的是统一模型吗？
不是。RavaCore 和 RavaTimes 基于大语言模型，而 RavaPush 基于专用的时序预测模型。它们的技术路线针对各自的任务进行了优化。
为什么不用 LLM 做所有事情？
不同的任务适合不同的方法：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。使用专门的方法能获得更好的结果。
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，微调后的模型仅为你服务，不会影响其他用户。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
- 两者都应与其他信息来源交叉验证
能处理多种语言吗？
目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，与语言无关。
系统会给出建议吗？
系统提供分析和推演，指出关键的权衡点，标注风险和不确定性。系统不会直接说"你应该选择 A"，不会为你做价值判断，也不会提供唯一的"正确答案"。
隐私与安全
数据使用
- 输入数据仅用于生成当前的分析/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）
- 微调后的模型仅为该用户服务
- 微调数据不会影响基础模型
- 微调模型和数据可随时删除
使用建议
- 敏感的商业决策应在安全的环境中进行
- 高度机密的信息不应输入
- 重大决策应寻求多方验证