AI智能體行業(yè)案例1.1概述

1.2教育行業(yè)案例

1.3金融行業(yè)案例

1.4法律行業(yè)案例

1.5醫(yī)療行業(yè)案例

1.6討論

目錄1.1概述隨著大模型技術(shù)的發(fā)展，如何利用AI智能體更好地賦能垂直行業(yè)是工業(yè)界和學(xué)術(shù)界共同關(guān)注的問題，我們結(jié)合教育、金融、法律和醫(yī)療等行業(yè)背景，搭建多種形式的智能體，并重點(diǎn)討論在不同業(yè)務(wù)需求下的智能體設(shè)計(jì)決策。本章的重點(diǎn)是展現(xiàn)搭建智能體的技術(shù)決策。因此，采用的工作流相對(duì)簡單，讀者可以進(jìn)行擴(kuò)展。1.1概述

1.2教育行業(yè)案例

1.3金融行業(yè)案例

1.4法律行業(yè)案例

1.5醫(yī)療行業(yè)案例

1.6討論

目錄1.2教育行業(yè)案例大型語言模型在生成文本方面展現(xiàn)了顯著的能力，使得區(qū)分人類創(chuàng)作與機(jī)器生成的文本變得愈發(fā)困難。這種變化引發(fā)了在學(xué)術(shù)誠信、虛假新聞和在線信息驗(yàn)證等領(lǐng)域的擔(dān)憂。因此，確定一段文本是由LLM輔助生成還是完全由人類撰寫變得至關(guān)重要。1.2教育行業(yè)案例1.2教育行業(yè)案例針對(duì)上述挑戰(zhàn)，我們提出采用垂直領(lǐng)域?qū)Ｓ媚Ｐ偷慕鉀Q方案，該方案具有以下顯著優(yōu)勢：自主可控性：支持本地化部署，確保數(shù)據(jù)安全與系統(tǒng)自主權(quán)成本效益：相較于通用大模型，具有更優(yōu)的TCO（總體擁有成本）性能優(yōu)勢：輕量化模型架構(gòu)帶來更快的推理速度領(lǐng)域適配性：可針對(duì)特定業(yè)務(wù)場景進(jìn)行深度優(yōu)化，準(zhǔn)確率提升顯著難點(diǎn)是如何部署模型，并開放接口讓智能體調(diào)用1.2學(xué)術(shù)論文原創(chuàng)性評(píng)價(jià)：模型及部署AAAI2025關(guān)鍵操作：使用Transformers庫加載模型/token使用FastAPI搭建API1.2學(xué)術(shù)論文原創(chuàng)性評(píng)價(jià)：模型及部署API安全性為了保障API的安全性，一般要求在HTTP請(qǐng)求頭中加入自定義API密鑰。本節(jié)的重點(diǎn)是：對(duì)專業(yè)技能要求高的領(lǐng)域（如教育），如何在智能體中調(diào)用外部API？請(qǐng)求參數(shù)返回內(nèi)容1.2學(xué)術(shù)論文原創(chuàng)性評(píng)價(jià)：插件配置新建插件配置插件參數(shù)1.2學(xué)術(shù)論文原創(chuàng)性評(píng)價(jià)：智能體編排1.1概述

1.2教育行業(yè)案例

1.3金融行業(yè)案例

1.4法律行業(yè)案例

1.5醫(yī)療行業(yè)案例

1.6討論

目錄1.3金融行業(yè)案例金融垂直智能體可以用于解決傳統(tǒng)征信報(bào)告制作中出現(xiàn)的一系列問題。傳統(tǒng)征信報(bào)告的生成是一個(gè)高度依賴人力的任務(wù)，涉及數(shù)據(jù)收集、清洗、分析以及報(bào)告撰寫等多個(gè)環(huán)節(jié)。本節(jié)的重點(diǎn)是：對(duì)于實(shí)時(shí)性要求高的領(lǐng)域（如金融），如何在智能體中開啟聯(lián)網(wǎng)檢索，用于獲取實(shí)時(shí)信息。1.3金融行業(yè)案例：插件配置1.3征信報(bào)告生成器智能體1.1概述

1.2教育行業(yè)案例

1.3金融行業(yè)案例

1.4法律行業(yè)案例

1.5醫(yī)療行業(yè)案例

1.6討論

目錄1.4法律行業(yè)案例近年來，企業(yè)、高校和政府紛紛推出了法律行業(yè)大模型，包括阿里的通義法睿、北京大學(xué)的ChatLaw和最高人民法院的法信法律基座大模型等。這些法律大模型涵蓋了法律咨詢、文書生成、法律檢索和合同審查等豐富的功能解決了傳統(tǒng)法律工作中存在的效率低下和信息分析不足的問題。本節(jié)的重點(diǎn)是：對(duì)于知識(shí)密集型領(lǐng)域（如法律），如何在智能體中添加并使用外部知識(shí)庫。1.4法律咨詢智能體1.1概述

1.2教育行業(yè)案例

1.3金融行業(yè)案例

1.4法律行業(yè)案例

1.5醫(yī)療行業(yè)案例

1.6討論

目錄1.5醫(yī)療行業(yè)案例MLLMs的核心優(yōu)勢在于它們能夠處理和理解來自不同模態(tài)的信息，并將這些信息融合以完成復(fù)雜的任務(wù)。例如，MLLMs可以分析一張圖片并生成描述性的文本，或者根據(jù)文本描述生成相應(yīng)的圖像。這種跨模態(tài)的理解和生成能力，使得MLLMs在多個(gè)領(lǐng)域，如醫(yī)學(xué)、自動(dòng)駕駛、智能助理等，都有廣泛的應(yīng)用前景。本節(jié)的重點(diǎn)是：如何添加自定義外部模型，以豐富智能體平臺(tái)？我們將通過硅基流動(dòng)等平臺(tái)調(diào)用第三方先進(jìn)模型1.5醫(yī)療行業(yè)案例：配置模型標(biāo)識(shí)、URL等必須與硅基流動(dòng)上提供的一致1.5醫(yī)療行業(yè)案例：智能體編排1.1概述

1.2教育行業(yè)案例

1.3金融行業(yè)案例

1.4法律行業(yè)案例

1.5醫(yī)療行業(yè)案例

1.6討論

目錄1.6討論本章搭建了醫(yī)療影像診斷的智能體。然而，出于科學(xué)倫理等多方面考慮，在醫(yī)療等行業(yè)使用大模型面臨著較大的風(fēng)險(xiǎn)和爭議，你是如何看待這個(gè)問題？在智能