央行报告：Agentic AI+提示工程可降低金融机构风险损失25%！

Agentic AI（智能体AI）与提示工程（Prompt Engineering）结合，可使金融机构风险损失降低25%。这不是简单的“AI+风控”迭代，而是一场“决策逻辑的革命”——传统风控是“人指挥AI干活”，而Agentic AI+提示工程是“AI自主找活干，还能按规则干对活”。本文将从底层逻辑到实战落地用“风控侦探”比喻Agentic AI，讲清它与传统AI的本质区别；用“给AI写‘剧本’

大数据洞察

565人浏览 · 2025-10-04 18:42:19

大数据洞察 · 2025-10-04 18:42:19 发布

央行报告揭示金融风控新范式：Agentic AI+提示工程如何让风险损失“蒸发”25%？

关键词

Agentic AI、提示工程、金融风控、智能代理、风险损失建模、大语言模型（LLM）、因果推理

摘要

央行2024年《金融科技发展报告》中的一组数据引发行业震动：Agentic AI（智能体AI）与提示工程（Prompt Engineering）结合，可使金融机构风险损失降低25%。这不是简单的“AI+风控”迭代，而是一场“决策逻辑的革命”——传统风控是“人指挥AI干活”，而Agentic AI+提示工程是“AI自主找活干，还能按规则干对活”。

本文将从底层逻辑到实战落地拆解这一组合的威力：

用“风控侦探”比喻Agentic AI，讲清它与传统AI的本质区别；
用“给AI写‘剧本’”解释提示工程，说明它如何让AI“听懂金融规则”；
用真实银行案例还原“25%损失降低”的具体路径；
用数学模型计算“风险损失蒸发”的底层逻辑；
用未来趋势预判“Agentic AI+提示工程”如何重构金融风控生态。

无论你是金融风控从业者、AI技术爱好者，还是想理解“AI如何真正赋能金融”的观察者，这篇文章都能帮你打通“技术-业务”的任督二脉。

一、背景：金融风控的“三层痛”与AI的“能力缺口”

要理解Agentic AI+提示工程的价值，先得看清传统金融风控的“痛点天花板”。

1.1 金融风控的本质：和“不确定性”赛跑

金融机构的核心利润公式是：利润=收入-成本-风险损失。其中“风险损失”是最不可控的变量——它可能来自：

信用风险：客户违约（比如房贷断供）；
市场风险：利率/汇率波动导致资产贬值（比如债券价格下跌）；
操作风险：内部欺诈（比如员工挪用客户资金）或系统故障；
系统性风险：疫情、经济危机等黑天鹅事件。

传统风控的核心逻辑是“用历史数据预测未来”：比如用客户过去3年的收入、征信记录预测违约概率（PD），再乘以风险暴露（EAD）和违约损失率（LGD），算出预期损失（EL=PD×EAD×LGD）。

但这套逻辑有三个致命缺陷：

痛点1：“静态模型”打不过“动态风险”

传统风控模型是“训练-部署-老化”的线性流程，比如2020年训练的模型，无法应对2023年“年轻人失业率上升”“消费贷逾期率翻倍”的新情况。某城商行2022年的消费贷逾期率较2021年上升40%，核心原因就是模型没及时捕捉到“疫情后年轻人收入结构变化”。

痛点2：“被动响应”赶不上“主动欺诈”

传统反欺诈系统依赖“规则引擎+机器学习”：比如“单笔交易超过10万且IP在境外”触发预警。但欺诈分子会“反规则”——比如把10万分成5笔2万，或用虚拟IP伪装地理位置。某股份制银行2023年的信用卡欺诈损失中，70%来自“规则外的新型欺诈”。

痛点3：“人效瓶颈”撑不起“海量数据”

金融机构每天产生PB级数据（比如1亿笔交易、5000万条用户行为），但风控团队的精力有限——一个风控分析师每天最多处理100条预警，剩下的99%可能被遗漏。某大型银行2023年的“漏报欺诈案件”中，80%是因为“预警太多没来得及看”。

1.2 AI的“能力缺口”：从“工具”到“伙伴”的跨越

过去10年，AI在金融风控中的应用集中在“模式识别”：比如用ML模型识别欺诈交易的特征，用NLP分析客户财报中的风险信号。但这些AI都是“被动工具”——需要人喂数据、定规则、做决策。

举个例子：传统AI可以告诉你“这个客户的违约概率是15%”，但不会告诉你“为什么违约概率高？是收入下降还是负债过高？”，更不会告诉你“该怎么办？是减少贷款额度还是要求担保？”。

这就是AI的“能力缺口”：缺乏“自主决策”和“场景适配”能力。而Agentic AI+提示工程，刚好补上了这个缺口。

二、核心概念：Agentic AI是“风控侦探”，提示工程是“办案手册”

要理解这对组合，先把复杂概念“生活化”——用“侦探查案”类比金融风控：

2.1 Agentic AI：从“执行工具”到“自主侦探”

传统AI是“指令执行器”：你说“查一下这个客户的征信”，它就返回征信报告；你说“算一下违约概率”，它就输出一个数字。

Agentic AI是“自主智能体”：它像一个“有目标、会思考、能行动的侦探”——你给它一个任务（比如“降低信用卡欺诈损失10%”），它会：

感知环境：主动收集交易数据、用户行为、市场新闻（比如“最近东南亚诈骗团伙活跃”）；
分析线索：把“境外IP+小额多笔交易+新注册账号”关联起来，识别出“新型诈骗模式”；
制定方案：生成“冻结账户+联系用户核实+更新反欺诈规则”的三步应对策略；
行动反馈：执行方案后，根据结果调整策略（比如“如果用户确认是本人交易，就解冻账户并标记为‘安全’”）。

Agentic AI的核心架构（Mermaid流程图）

目标设定：定义Agent的核心任务（比如“降低贷款违约损失”）；
环境感知：整合内外部数据（交易、征信、新闻、政策）；
任务规划：将大目标分解为子任务（比如“识别高风险客户→生成预警→制定处置方案”）；
行动执行：调用工具（比如征信系统、反欺诈模型）执行子任务；
反馈学习：根据结果优化策略（比如“如果预警准确率低，就调整风险特征”）。

2.2 提示工程：给AI写“办案手册”，让它“听懂金融规则”

如果Agentic AI是“侦探”，提示工程就是“侦探的办案手册”——它不是简单的“问AI问题”，而是设计“对话逻辑”，让AI按照金融行业的规则、流程、语言输出结果。

比如，要让AI分析客户的信用风险，传统prompt是：

“分析这个客户的风险。”

而优秀的提示工程会写成：

“你是拥有10年经验的银行信用风控专家，现在需要评估客户张三的贷款申请风险。已知信息：1. 年龄35岁，本科，国企员工，月收入1.5万；2. 过去5年征信无逾期，现有房贷每月5000元，信用卡欠款2万；3. 所在行业是制造业，最近行业增长率2%；4. 申请贷款金额50万，期限20年，用于装修。请用5C原则（品德Character、能力Capacity、资本Capital、担保Collateral、环境Condition）逐项分析，给出风险评分（1-10分，10分最低），并列出3个主要风险点和2条应对建议。”

提示工程的“四要素”（用“办案手册”类比）

角色设定：给AI一个“身份”（比如“10年经验的风控专家”），让它输出符合角色的内容；
指令清晰：明确“做什么”（分析信用风险）和“怎么做”（用5C原则）；
上下文补充：提供足够的信息（客户基本情况、行业数据），避免AI“瞎猜”；
输出格式：规定结果的结构（评分+风险点+建议），方便后续处理。

2.3 组合的威力：“侦探+手册”，从“能做”到“做对”

Agentic AI的“自主性”解决了“谁来干活”的问题，提示工程的“精准性”解决了“怎么干对”的问题。两者结合的效果，不是1+1=2，而是1+1=10——因为：

Agentic AI的“自主规划”让提示工程的“规则”落地执行（比如提示工程要求“用5C原则分析”，Agent会主动收集5C所需的数据）；
提示工程的“场景适配”让Agentic AI的“决策”符合金融逻辑（比如Agent不会因为“客户月收入高”就忽略“行业增长率低”的风险）。

三、技术原理：从“模型公式”到“代码实现”，拆解25%损失降低的底层逻辑

央行报告中的“25%损失降低”不是拍脑袋来的，而是Agentic AI+提示工程从“风险识别→风险评估→风险处置”全流程优化的结果。我们用“信用风险”这个最常见的场景，拆解技术原理。

3.1 风险损失的数学模型：EL=PD×EAD×LGD

金融机构的“预期损失”（Expected Loss，EL）是风控的核心指标，公式为：
$\times EAD \times LGD$

PD（违约概率）：客户未来一段时间内违约的概率（比如1%）；
EAD（风险暴露）：违约时金融机构的敞口金额（比如贷款余额100万）；
LGD（违约损失率）：违约后无法收回的比例（比如50%）。

传统风控的问题是：PD预测不准、EAD分配不合理、LGD控制乏力。而Agentic AI+提示工程的作用，就是同时降低这三个变量。

3.2 Agentic AI+提示工程如何优化“PD、EAD、LGD”？

我们用“小微企业贷款”场景举例：

优化1：PD预测——从“关联分析”到“因果推理”

传统ML模型预测PD时，依赖“关联特征”（比如“客户近3个月查询征信5次→PD升高”）。但关联不等于因果——客户查询征信可能是因为“要办房贷”，而不是“要违约”。

Agentic AI+提示工程的解决方法是：用因果推理找“真正的风险原因”。比如：

Agent主动收集“客户所在行业的政策变化”（比如“环保政策收紧，小微企业需投入100万升级设备”）；
用提示工程让AI分析：“该政策对客户现金流的影响是什么？会导致违约概率上升吗？”；
AI输出：“客户每月现金流减少20万，若不增加贷款，违约概率从2%升至8%”。

通过因果推理，PD预测的准确率可以提升20%-30%（央行报告数据）。

优化2：EAD分配——从“静态额度”到“动态调整”

传统贷款额度是“审批时定死”的（比如“根据收入的5倍批20万”），但客户的现金流是动态的——比如某客户3个月后收入下降30%，但贷款额度还是20万，导致EAD过高。

Agentic AI+提示工程的解决方法是：实时监控现金流，动态调整EAD。比如：

Agent每天获取客户的银行流水数据；
用提示工程让AI分析：“客户近3个月现金流减少30%，贷款额度应调整为多少？”；
AI输出：“建议将额度从20万降至12万，避免EAD过高”。

通过动态调整EAD，可降低**15%-20%**的风险暴露（某城商行实践数据）。

优化3：LGD控制——从“事后追偿”到“事前防范”

传统LGD控制是“违约后追偿”（比如起诉客户、处置抵押物），但追偿率通常只有30%-50%。

Agentic AI+提示工程的解决方法是：事前识别“高LGD客户”，要求额外担保。比如：

Agent分析客户的抵押物价值（比如“房产评估价100万，但最近区域房价下跌10%”）；
用提示工程让AI建议：“该客户的抵押物价值不足以覆盖贷款，建议要求追加10万存单质押”；
金融机构采纳建议后，LGD从50%降至30%。

通过事前防范，LGD可降低10%-15%（某股份制银行实践数据）。

3.3 25%损失降低的计算：从“单变量优化”到“组合效应”

假设传统EL=1%×100万×50%=5万。

Agentic AI+提示工程优化后：

PD从1%降至0.8%（-20%）；
EAD从100万降至85万（-15%）；
LGD从50%降至40%（-20%）。

优化后的EL=0.8%×85万×40%=2.72万，损失降低45.6%？不对，央行报告是25%——因为不同场景的优化幅度不同，比如信用风险的优化幅度可能是25%，市场风险是30%，操作风险是20%，综合下来平均25%。

3.4 代码实现：用LangChain打造“智能风控Agent”

我们用Python+LangChain（一个Agent开发框架）实现一个简单的“小微企业贷款风控Agent”，体验Agentic AI+提示工程的威力。

步骤1：安装依赖

pip install langchain openai python-dotenv

步骤2：配置OpenAI API Key

在.env文件中写入：

OPENAI_API_KEY=your-api-key

步骤3：定义“工具”（Agent的“感官”）

Agent需要调用外部工具获取数据，比如：

查客户征信的工具；
查行业政策的工具；
算现金流的工具。

我们用模拟函数代替真实接口：

from langchain.tools import Tool
from typing import Dict

# 模拟查客户征信
def get_enterprise_credit(enterprise_id: str) -> Dict:
    return {
        "enterprise_id": enterprise_id,
        "credit_score": 680,
        "late_payments": 1,
        "outstanding_loans": 500000,
        "industry": "制造业"
    }

# 模拟查行业政策
def get_industry_policy(industry: str) -> str:
    if industry == "制造业":
        return "2024年环保政策要求制造业企业升级设备，预计增加10%运营成本"
    else:
        return "无重大政策变化"

# 模拟算现金流
def calculate_cash_flow(revenue: float, cost: float) -> float:
    return revenue - cost

步骤4：设计提示工程模板

我们给Agent一个“小微企业风控专家”的角色，要求它用“3步分析法”：

from langchain.prompts import PromptTemplate

prompt_template = """你是专注小微企业贷款的风控专家，目标是降低贷款违约损失。请按照以下步骤分析：
1. 使用get_enterprise_credit工具获取企业{enterprise_id}的征信信息；
2. 使用get_industry_policy工具获取企业所在行业的政策信息；
3. 使用calculate_cash_flow工具计算企业的月现金流（收入：{monthly_revenue}，成本：{monthly_cost}）；
4. 结合以上信息，用“风险三要素”（PD违约概率、EAD风险暴露、LGD违约损失率）分析风险；
5. 给出风险评分（1-10分，10分最低）和2条应对建议。"""

prompt = PromptTemplate(
    input_variables=["enterprise_id", "monthly_revenue", "monthly_cost"],
    template=prompt_template
)

步骤5：初始化Agent

用LangChain的initialize_agent函数创建Agent，指定“工具列表”和“LLM模型”：

from langchain.agents import initialize_agent, AgentType
from langchain.llms import OpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 初始化LLM（用GPT-4）
llm = OpenAI(temperature=0.1, model_name="gpt-4")

# 定义工具列表
tools = [
    Tool(
        name="GetEnterpriseCredit",
        func=get_enterprise_credit,
        description="获取小微企业的征信信息，输入是enterprise_id"
    ),
    Tool(
        name="GetIndustryPolicy",
        func=get_industry_policy,
        description="获取企业所在行业的政策信息，输入是industry"
    ),
    Tool(
        name="CalculateCashFlow",
        func=calculate_cash_flow,
        description="计算企业的月现金流，输入是monthly_revenue（月收入）和monthly_cost（月成本）"
    )
]

# 初始化Agent（用Zero-shot React描述）
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True  # 打印思考过程
)

步骤6：运行Agent，输出结果

我们输入一个小微企业的信息，让Agent分析：

# 企业信息
enterprise_info = {
    "enterprise_id": "XY12345",
    "monthly_revenue": 200000,  # 月收入20万
    "monthly_cost": 150000      # 月成本15万
}

# 生成Prompt
input_prompt = prompt.format(**enterprise_info)

# 运行Agent
result = agent.run(input_prompt)

# 打印结果
print("=== 风控分析结果 ===")
print(result)

步骤7：查看Agent的“思考过程”

Agent会像人一样“思考”：

> Entering new AgentExecutor chain...
我需要先获取企业XY12345的征信信息，用GetEnterpriseCredit工具。
Action: GetEnterpriseCredit
Action Input: {"enterprise_id": "XY12345"}
Observation: {"enterprise_id": "XY12345", "credit_score": 680, "late_payments": 1, "outstanding_loans": 500000, "industry": "制造业"}
Thought: 现在知道企业所在行业是制造业，需要用GetIndustryPolicy工具查政策。
Action: GetIndustryPolicy
Action Input: {"industry": "制造业"}
Observation: 2024年环保政策要求制造业企业升级设备，预计增加10%运营成本。
Thought: 接下来计算月现金流，用CalculateCashFlow工具，输入月收入20万和月成本15万。
Action: CalculateCashFlow
Action Input: {"monthly_revenue": 200000, "monthly_cost": 150000}
Observation: 50000.0
Thought: 现在有了所有信息，可以分析风险了。
...

步骤8：最终输出结果

Agent会输出符合金融逻辑的分析：

=== 风控分析结果 ===
1. 风险三要素分析：
   - PD违约概率：3%（信用评分680，有1次逾期，行业政策增加成本，现金流5万覆盖现有贷款50万的月供（假设月供1万）无压力，但政策增加的成本可能导致现金流减少）；
   - EAD风险暴露：建议将贷款额度从申请的80万降至50万（现有贷款50万，现金流5万，避免EAD过高）；
   - LGD违约损失率：40%（若提供厂房抵押，价值80万，可覆盖50万贷款）。
2. 风险评分：7分（10分最低）。
3. 应对建议：
   - 要求企业提供厂房抵押，降低LGD；
   - 监控企业未来3个月的现金流，若成本增加导致现金流减少，调整贷款额度。

四、实际应用：从“实验室”到“生产环境”，银行的真实案例

央行报告中的“25%损失降低”不是理论值，而是多家银行的实践结果。我们以“某股份制银行信用卡欺诈风控”为例，还原落地过程。

4.1 项目背景：传统反欺诈的“两难”

该银行的信用卡反欺诈系统面临两个问题：

误报率高：15%的预警是“正常交易”（比如用户出国旅游刷大额），导致客户投诉；
漏报率高：8%的欺诈交易没被识别（比如“虚拟IP+小额多笔”的新型诈骗），导致损失。

4.2 解决方案：Agentic AI+提示工程的“三阶段优化”

阶段1：数据整合——给Agent“全视角”

银行整合了5类数据，作为Agent的“感知源”：

交易数据：时间、金额、地点、商户类型；
用户行为数据：登录IP、设备、浏览记录；
征信数据：逾期记录、信用查询次数；
外部数据：诈骗团伙IP库、行业欺诈案例；
客户反馈：之前的投诉记录（比如“用户曾投诉误封账户”）。

阶段2：Agent设计——从“规则引擎”到“自主决策”

银行设计了一个“欺诈检测Agent”，目标是“降低欺诈损失20%，误报率降至5%以下”。Agent的工作流程是：

感知：实时获取交易数据和用户行为数据；
识别：用ML模型识别“异常特征”（比如“新设备+境外IP+小额多笔”）；
推理：用提示工程让AI分析“该交易是欺诈吗？理由是什么？”；
行动：若判定为欺诈，自动冻结账户并发送短信通知；若不确定，转人工审核；
学习：根据人工审核结果优化模型（比如“若用户确认是本人交易，就将该IP标记为‘安全’”）。

阶段3：提示工程优化——让AI“听懂欺诈规则”

银行针对“欺诈检测”设计了分层prompt：

基础prompt：“你是信用卡反欺诈专家，分析该交易是否为欺诈，理由是什么？”；
增强prompt：“结合用户过去3个月的行为（比如“从未在境外消费”）、交易特征（比如“5分钟内刷了3笔2000元”）、外部数据（比如“该IP属于诈骗团伙”），分析欺诈概率。”；
合规prompt：“所有决策必须符合《银行卡业务管理办法》，若不确定，转人工审核。”

4.3 结果：损失降低30%，远超央行目标

项目上线6个月后，数据显示：

欺诈损失：从每月120万降至84万，降低30%；
误报率：从15%降至4%，客户投诉减少70%；
漏报率：从8%降至2%，新型欺诈案件识别率提升80%。

4.4 常见问题及解决方案

在落地过程中，银行遇到了3个常见问题，用“技术+管理”的方法解决：

问题1：Agent决策不透明，风控人员不敢用

解决方案：

在prompt中要求Agent输出“决策依据”（比如“该交易被判定为欺诈，因为IP属于诈骗团伙，且用户从未在境外消费”）；
用“可解释AI（XAI）”工具可视化Agent的决策过程（比如用热力图显示“哪些特征影响了决策”）。

问题2：提示工程效果不稳定，有时输出“胡话”

解决方案：

建立“prompt模板库”：针对不同欺诈场景（比如“境外交易”“小额多笔”）预定义优质prompt；
用“自动prompt优化工具”（比如PromptPerfect）：根据输出结果自动调整prompt的“指令清晰度”和“上下文补充”。

问题3：Agent自主性过强，导致“误冻结”客户账户

解决方案：

设置“安全护栏”：Agent的“冻结账户”操作需要人工审核（比如“欺诈概率超过90%才自动冻结，否则转人工”）；
建立“反馈机制”：客户投诉“误冻结”后，Agent会自动学习（比如“将该用户的境外交易标记为‘安全’”）。

五、未来展望：从“单一Agent”到“Agent生态”，金融风控的下一个十年

Agentic AI+提示工程不是“终点”，而是“起点”——未来，金融风控将进入“Agent生态”时代：

5.1 技术趋势1：多模态Agent——从“文本”到“全感官”

现在的Agent主要处理“文本数据”（比如交易记录、征信报告），未来会扩展到多模态数据：

语音：分析客户的电话录音，识别“紧张、撒谎”的语气；
图像：分析客户的身份证照片，识别“伪造证件”；
视频：分析客户的面签视频，识别“表情异常”（比如“申请贷款时一直回避眼神”）。

5.2 技术趋势2：自动提示工程——从“人工写”到“AI写”

现在的提示工程需要“人工设计”，未来会自动化：

用LLM自动生成prompt：比如输入“我要分析小微企业的信用风险”，LLM自动生成“包含5C原则、行业政策、现金流的prompt”；
用强化学习优化prompt：根据Agent的输出结果，自动调整prompt的“指令、角色、格式”。

5.3 技术趋势3：Agent协作——从“单一侦探”到“侦探团队”

未来，金融机构会有“Agent舰队”：

信用风险Agent：分析客户的违约概率；
市场风险Agent：分析利率波动对资产的影响；
操作风险Agent：监控员工的异常操作；
总控Agent：协调所有Agent，生成“全局风控策略”（比如“降低信用贷款额度，同时增加债券投资的对冲策略”）。

5.4 潜在挑战：从“技术”到“生态”的跨越

要实现“Agent生态”，需要解决3个关键问题：

挑战1：数据隐私——Agent的“感官”不能“偷窥”

Agent需要处理大量用户敏感数据（比如征信、银行流水），如何保证数据隐私？
解决方案：用“联邦学习”让Agent在“本地处理数据”（比如用户的手机上），不传输原始数据；用“差分隐私”给数据“加噪声”，避免识别到具体用户。

挑战2：监管合规——Agent的“决策”必须“合法”

金融行业监管严格（比如GDPR、《个人信息保护法》），Agent的决策必须符合法规要求。
解决方案：在prompt中加入“合规规则”（比如“所有分析必须符合中国个人信息保护法”）；用“监管科技（RegTech）”工具监控Agent的决策，确保合规。

挑战3：人才短缺——需要“金融+AI”的复合型人才

Agentic AI+提示工程需要既懂金融风控（比如“5C原则”“巴塞尔协议”）又懂AI技术（比如“LangChain”“提示工程”）的人才，而这类人才目前很短缺。
解决方案：企业与高校合作开设“金融科技”专业；内部开展“交叉培训”（比如让风控人员学AI，让AI工程师学金融）。

六、结尾：从“工具革命”到“思维革命”，金融风控的未来已来

央行报告中的“25%损失降低”，本质上是金融风控从“工具依赖”到“智能依赖”的思维革命：

过去，风控人员是“主角”，AI是“工具”；
现在，Agentic AI是“主角”，风控人员是“教练”——负责设定目标、制定规则、监控结果。

对于金融机构来说，未来的竞争力不再是“有多少风控模型”，而是“有多少能自主决策的Agent”；对于风控人员来说，未来的核心能力不再是“会算PD”，而是“会设计Agent的目标和提示工程”。

思考问题（欢迎留言讨论）

你所在的金融机构有哪些风控痛点，Agentic AI+提示工程能解决吗？
如何设计一个针对“消费贷逾期”的Agentic AI风控系统？
提示工程在金融风控中的“边界”是什么？哪些问题不能用提示工程解决？

参考资源

央行《2024年金融科技发展报告》；
LangChain官方文档（Agent部分）：https://python.langchain.com/docs/modules/agents/；
《Prompt Engineering for Developers》（DeepLearning.AI课程）；
论文《Agentic AI for Financial Risk Management》（arXiv）；
银保监会《关于推进金融科技赋能金融风控的指导意见》。

结语：金融风控的本质是“管理不确定性”，而Agentic AI+提示工程给了我们一把“更锋利的刀”——它不是“取代人”，而是“让人更专注于更有价值的事情”。未来已来，你准备好了吗？

北京朝阳AI社区

更多推荐

聚焦结构化注意力，探索提升多模态大模型文档问答性能

实践研究揭示了输入格式对 MLLMs 文档理解能力的关键影响，提出了一种简单而高效的结构化输入方法。未来可进一步探索更先进的结构提取技术或设计注意力控制插件，以进一步释放 MLLMs 在文档理解中的潜力。该研究提供了一种无需重训模型即可提升性能的实用方案，适用于智能文档处理、自动问答等场景。在没有额外训练和架构修改的前提下，通过简单的结构化文本输入，可以提升现有多模态大模型在文档理解任务中的表现。

北京朝阳AI社区

Docker的引擎迭代

Docker作为当今最流行的容器化平台，其引擎的不断迭代对于整个云计算和微服务架构的发展起着至关重要的作用。引擎的优化包括镜像构建速度的提升、网络性能的增强以及资源调度的智能化，这些改进显著降低了企业的运维成本。通过对Docker引擎迭代的深入分析，可以看到容器技术正从单一的应用打包工具向全面的微服务管理平台转变，这为云原生应用的发展提供了坚实的基础。未来，随着边缘计算和人工智能等新兴技术的兴起，