
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
随着人工智能技术的飞速发展,许多企业都开启了AI战略试点项目。然而,不少企业却被困在试点阶段,无法将成功的试点经验进行规模化复制,实现AI在企业内的广泛应用和价值最大化。本文的目的就是聚焦这一困境,为企业和相关技术人员提供切实可行的规模化复制方法,帮助企业突破瓶颈,推动AI战略从试点走向全面应用。范围涵盖AI战略试点中遇到的常见问题以及解决这些问题的5种核心方法。首先,我们会介绍AI战略试点的背景
我是李阳,一名资深软件工程师,专注于AI在社会服务中的应用。拥有10年的AI研发经验,曾参与多个国家级“智慧社区”“社会救助”项目的技术开发。我的目标是用AI技术让社会服务更有温度,让每个人都能获得公平、高效的服务。欢迎关注我的公众号“AI与社会服务”,一起探讨AI的未来。(注:文中案例为真实项目改编,部分数据已做 anonymization 处理。
知识底座”是存储用户所在领域的专业知识、规则、案例的数据库,提示可以随时调用这些知识,让输出更符合领域要求。医疗AI的知识底座:包含“常见疾病的症状、治疗方案、用药禁忌”;法律AI的知识底座:包含“最新的法律法规、案例判决、合同模板”;电商AI的知识底座:包含“商品的库存、价格、售后政策”。我是张三,一名资深软件工程师,专注于大模型应用和提示工程。曾主导过多个企业级AI产品的提示优化项目,帮助客户
Agentic AI的潜力:能解决传统金融科技系统的“决策僵化、效率瓶颈、个性化不足”等痛点,成为金融科技的“核心引擎”;提示工程的作用:是优化Agentic AI性能的关键,能引导代理做出更符合业务需求、更符合用户期望的决策;落地关键:需要解决数据隐私、决策透明度、实时性等问题,通过联邦学习、可解释AI、边缘计算等技术实现规模化落地。
大语言模型(LLM)是「超级大脑」,但它的能力需要「激活」:你让它写论文,得告诉它「用学术风格,引用3篇最新文献」(提示设计);你让它懂医疗知识,得用医疗文献训练它(微调)。帮你彻底区分「提示工程」和「微调」——不再把「写个好prompt」和「调参训练模型」混为一谈;让你理解两者的协同价值——为什么「先微调再提示」能让模型既专业又灵活;明确提示工程架构师的未来能力要求——不是「工具使用者」,而是「
问题背景某高校实验室的科研人员反馈:写SCI摘要时,要么太啰嗦(把实验细节都写进去),要么没抓住重点(漏了研究Gap或创新点),导致摘要不符合目标期刊的要求。手动调Prompt的效果:“写个SCI摘要”→录用率38%;“按‘Gap-方法-结果-意义’结构写摘要”→录用率45%,但还是不够。我是陈默,资深软件工程师,专注于AI优化算法和提示工程,曾为多家企业提供AI解决方案(比如电商客服机器人、科研
传统提示工程(Prompt Engineering)作为大语言模型(LLM)的核心交互范式,本质是静态指令与预定义逻辑的映射,但其在复杂场景下暴露出适应性差、复杂度爆炸、缺乏动态推理三大局限。Agentic提示工程(Agentic Prompt Engineering)通过引入智能体(Agent)架构,将Prompt从“一次性指令”升级为“可自主决策、跨轮次学习、工具增强的动态系统”,从根本上解决
传统提示工程(Prompt Engineering)作为大语言模型(LLM)的核心交互范式,本质是静态指令与预定义逻辑的映射,但其在复杂场景下暴露出适应性差、复杂度爆炸、缺乏动态推理三大局限。Agentic提示工程(Agentic Prompt Engineering)通过引入智能体(Agent)架构,将Prompt从“一次性指令”升级为“可自主决策、跨轮次学习、工具增强的动态系统”,从根本上解决
深入解析大语言模型(LLM)适配、检索增强生成(RAG)、财务知识图谱等关键技术的落地实践,并提供可复现的实现路径。财务数据存在复杂关联关系(如“发票-合同-付款单”的三流合一校验),知识图谱通过实体(如“发票ID”“供应商”)与关系(如“关联合同”“付款状态”)建模,支持深度关联查询(如“查询与A供应商关联的所有未付款合同”)。:在测试集(100个财务问题)上,微调后模型的“答案准确率”(与标准
工业4.0的核心是**“数据驱动的智能”**——当工厂的机器会“说话”(传感器采集数据)、系统会“思考”(AI分析数据)、流程会“优化”(数据反馈决策),智能制造才能真正落地。但现实中,90%的工业数据仍沉睡在PLC、SCADA等系统里,AI模型要么“水土不服”(不理解工业流程),要么“孤掌难鸣”(没有数据支撑)。此时,AI应用架构师。