程序运用知识：指在哪些条件下（时间、状态等）运⽤哪些程序的知识，即知识是"条件 化"的，每种程序知识都有其适合运用的条件； 对应到智能客服中，程序性知识指如何完成某一业务的一套流程或步骤，典型的如业务 对话流。以保险业务举例： 办理汽车保险是有一组有序的步骤的： 1. 收集个人和证件信息，包括身份证、驾驶证、行驶证等 2. 验车 3. 根据验车结果 4. 验车结果通过 FAQ 问答引擎是对话机器人重要的问答引擎，基于阿里巴巴达摩院领先的 NLP 算法 研 发，为用户提供高泛化性、灵活拓展的 QA 对匹配引擎，介绍如下： 适用知识 引擎优势 知识结构 模型训练 事实性知识 高泛化性、精准匹 配、向量召回、语义 计算 QA 问答对 FAQ 匹配模 型 支持线上 训练 2.2 任务问答引擎 任务问答引擎负责多轮对话的对话流设计、意图的管理、任务流的执行等功能，任务对 【公开】 适用知识 引擎优势 知识结构 模型训练 程序性知识 小样本识别、精准实 体抽取、上下文槽位 解析、意图分类+匹 配 多轮对话的对话流结 构 分类模型+匹配模型 支持线上训练 2.3 图谱问答引擎 图谱问答负责结构化体系化知识的问答，基于知识图谱 Schema 针对具备一定结构关 系 的三元组知识进行快速问答，支持多跳、计算、推理能力，介绍如下：

67 3.3.2 业务逻辑处理模块.....................................................................69 3.3.3 多轮对话管理模块.....................................................................71 4. 数据准备与处理............ 100%的技术目标。 1.2 DeepSeek 技术优势 DeepSeek 作为新一代 AI 大模型技术，在政务系统智能化升 级中展现出显著的技术优势。其核心能力体现在以下三个维度： 在语义理解与多轮对话方面，采用动态注意力机制和上下文记 忆增强技术，政务场景下的长文本解析准确率达到 92.3%，较传统 NLP 模型提升 37%。典型表现为：可准确识别”低保申请材料不齐 全但符合容缺受理条件”等复杂政务表述，支持连续 问题。 多轮对话管理 采用状态跟踪（State Tracking）和对话策略优化技术，系统可支 持长达 20 轮次的复杂业务咨询对话。典型应用场景包括： - 跨部门事项办理（如企业开办涉及市场监管、税务、社保等多系 统） - 分条件流程引导（根据用户户籍、企业类型等属性动态调整材料 清单） 测试数据显示，相较规则引擎方案，对话完成率从 62%提升至 89%，平均对话轮次减少 3.8

5x | 这种转型需求呈现出明显的技术传导路径：前端需要构建智能 交互层解决服务可及性问题，中台必须建立统一的数据资产中心打 破信息孤岛，后台则需通过 AI 重构核心业务流程。具体表现为： ①对话式交互需支持保险专业术语 90%以上的准确理解；②承保决 策引擎要能在 500ms 内完成多维度风险评估；③理赔自动化系统 需实现医疗票据等非结构化数据的 85%+识别准确率。 在此背景下，行 知、医疗历史、职业风险等 18 个维度的数据。某寿险公司试点数 据显示，模型将高风险保单识别率从人工核保的 76%提升至 94%，同时将自动化核保比例从 15%提升至 63%。 实时交互优化 对话系统支持动态意图识别，在客户服务场景中实现多轮精准追 问。例如处理车险报案时，模型能通过 5 轮交互完整采集事故时 间、责任认定等关键字段，交互效率较传统 IVR 提升 40%，客户满 意度达 2% 72.5% 政策更新响应时效 <2 小时 3-5 工作日 跨产品推荐准确率 91.4% 68.9% 复杂场景交互优化 通过强化学习持续优化对话策略，系统可处理保险服务中的长周 期、多线程交互场景： - 核保咨询：支持超过 20 轮次对话的病史 追溯，自动生成结构化问卷 - 理赔指导：根据用户上传的医疗记录 动态生成补充材料清单 - 争议调解：通过情绪识别自动切换沟通策

构化数据（如客户行为日志、社交媒体信息），其反洗钱预警效率 提升了 40% ，误报率降低 25%。 客户服务方面，银行业平均单次人工客服成本高达 5-8 美元， 而智能客服可将成本压缩至 0.3 美元以下。但现有对话机器人仅能 处理 45% 的常规咨询，剩余 55%仍需转接人工，主要原因在于语 义理解深度不足和上下文关联能力薄弱。 以下是金融银行业务智能化转型的三大核心需求对比： 需求维度 传统模式痛点 指标包括：客户咨询意图识别响应时间≤800ms，复杂业务查询的 语义理解准确率≥90%，7×24 小时在线服务可用性达 99.99%。 业务赋能方面重点实现三大突破：一是智能客服场景的深度优 化，通过多轮对话系统处理 80%以上的常规业务咨询，人工坐席 转 接率降低至 15%以下；二是风险管控能力的强化，建立基于大 模型 的实时交易监测系统，异常交易识别效率提升 40%，误报率 控制在 整合宏观数据、行业报告和社交媒体情绪 - 投资组合建议需考虑 客户风险偏好与实时市场波动 - 流动性管理需实现 T+1 的现金流预 测精度（误差<3%） 技术约束方面，需特别注意金融级数据安全要求，包括对话记 录的匿名化处理（ 符合 GB/T 35273-2020）、模型推理的国产化 硬件适配（华为昇腾系列芯片支持）以及审计追踪的完整日志保存 （ 保留期不少于 6 年）。某省级农商行的压力测试表明，在并发量

是由杭州深度求索人工智能基础技术研究有限公司 “ （简称 深度 求索 ”）开发的一系列人工智能模型。该模型拥有数以亿计甚至更多的参数，通 过在海量文本数据上进行预训练，学习到丰富的语言结构和语义信息；并支持智 能对话、准确翻译、创意写作、高效编程、智能解题和文件解读等多种功能。其 “深度思考 ” “ 和 联网搜索 ”功能能够更全面地理解用户问题并提供准确答案。 杭州深度求索人工智能基础技术研究有限公司公司成立于 第三方渠道 规避官方崩溃风险，国产 GPU 加速或白嫖算力 功能受限（如对话记录不保存），需实名认证 /复杂配置 本地部署 隐私性强、永久离线，定制化 模型选择 依赖硬件性能（需高配电脑），技术门槛较高， 大部分部署的是蒸馏版本 4.1 官方渠道 DeepSeek 官方分为网页版和移动版，网页版用户点击“开始对话”并注册后 即可使用；移动版需通过手机下载注册后使用，两者功能相同。 可。如 图 1 所示，输入自己的手机号，点击发送验证码，然后可以通过接收到的验证码登 录 即可。 图 1 DeepSeek 注册页面 登录成功后，进入图 2 “ 所示界面，然后点击 开始对话 ”就可以使用。 图 2 DeepSeek 官方网站主界面 不过需要注意，那就是如何选择 V3 还是 R1 模型，可以参考下图。此外还 “ 可根据需要，选择是否勾选 联网搜索 ”。 图 3

1.4.监管与评估体系建设 5.2 医疗健康行业大模型专业性的提升方式 5.2.1.医疗数据的微调与任务定向优化 5.2.2.意图识别与分发优化 5.2.3. RAG 技术的应用 5.2.4.多轮对话与上下文管理机制 5.2.5.内容生成的精准与个性化 5.2.6.后台运营干预与人机协同 5.2.7.架构协同优化 5.3 医疗健康行业大模型伦理与法规对齐方式 5.3.1.医疗伦理与法规准则嵌入 赖，同时也加速了模型的迭代更新过程。 随着时间的推移，模型的规模得到了快速的膨胀，参数量从最初的数亿增长至如今的数千亿，从而 人工智能的发展迈入了大语言模型时代。这些大语言模型不仅可以用于经典的 NLP 任务，还在多 轮对话、文案生成、编程辅助、多模态交互等新兴应用场景中展现出巨大的潜力。越来越多的领域 如医疗、媒体、艺术、金融等[4]，都在积极采用大语言模型，以提升效率、促进创新和优化决 策。 在众多应用领域中，医疗 ，具体可以分为以下几点： 1． 高准确性要求： 在医疗领域， 错误的预测或诊断可能会对患者的生命造成严重的影响。因此， 医疗健康大模型 需要达到极高的准确性和可靠性， 其推理过程通常需要多轮对话来获取更多的信息 来 辅 助 诊 断 ， 可 能 涉 及 到 更 多 的 验 证 步 骤 和 冗 余 检 查 ， 在 此 采 用 思 维 链 CoT（ Chain of Thought） [12]

打开上述官网链接，在首页中找到 “开始对话” 按钮，点击进入注册页面。 图 3-2 注册页面 10 选择验证码登录或密码登录，填写完上述信息后，点击 “登录” 按钮。此时， 10 您注册的手机号会收到一封包含验证码的信息，将验证码填入注册页面相应位 置， 完成验证后即注册成功。 在正式上手使用前，先对界面进行基本认识。界面左侧为历史对话区域， 右侧是主体部分。输入框集成 deepseek-r1:8b 模型。下载过程中， 会显示下载进度和相关信息，下载 时间取决于你的网络速度和模型大小。 17 图 3-13 安装 DeepSeek-R1:8b 模型 图 3-14 模型对话测试 3.2.3 安装 AnythingLLM AnythingLLM 是一款全栈应用程序，能将各类文档、资源转化为大语言模 型 （LLM）可利用的背景信息，支持多用户管理、多模态以及多种文档格式。 嵌入向量数据库 配置模型连接 ：在 AnythingLLM 界面左下角 点击 “扳手” 图标，进入设置 页面。在 “LLM 首选项” 中，选择 Ollama 作为对话模型（因为部 署的是 Ollama 本 地 实 例 ）， 并 配 置 DeepSeek 的 IP 地 址 （ 一 般 本 地 运 行 时 为 http://127

1.1 语义理解技术.............................................................................83 5.1.2 多轮对话设计.............................................................................85 5.2 自适应学习系统..... RoBERTa 良好 较高 中等 活跃 中等 通过对以上模型的评估，我们可以得出一些适合教育领域的推 荐模型。例如，GPT-3 和 ChatGPT 由于其出色的生成能力，适合 用于个性化学习和对话系统。而 BERT 和 RoBERTa 更适合于文本 分类和理解任务。 此外，我们还可以考虑使用模型集成的方法，将不同模型的优 势结合起来，从而提高系统的整体性能。例如，可以采用多个模型 组 等，通常是优先选择的对象。这些模型能通过少量的 数据调整，迅速适应特定任务的要求。 适应性也是不可忽视的因素。预训练模型应与教育领域的具体 需求相契合，包括知识图谱的集成、特定领域的知识、以及用户交 互的优化特性等。例如，在教学对话系统中，选择能理解教育行业 术语和上下文的模型，将显著提高系统的有效性和用户体验。 此外，考虑到数据保护与伦理问题，模型选择还需符合相关法 规和伦理要求。选择的模型必须在处理学生数据时保障隐私与安

处理病例量 超过 80 份，导致疲劳作业风险上升，而电子病历系统仅实现基础 结构化存储，无法主动辅助临床决策。 医疗数据利用存在显著瓶颈： - 非结构化数据占比超过 70%（如影像报告、医患对话记录） - 跨系统数据互通率不足 40% ” ” ，形成 信息孤岛 - 实时数据分析延迟普遍在 4 小时以上，影响急症处置 成本控制方面呈现两极化趋势：2023 年国内三甲医院单例诊 疗成本较 随着医疗信息化建设的不断深入，医疗机构正面临海量数据处 理、跨系统协作效率低下等核心痛点。根据国家卫健委 2023 年统 计，三甲医院日均产生临床数据超 50TB，但现有系统对非结构化 数据（如影像报告、医患对话记录）的利用率不足 12%，导致三大 典型问题显现：首先，医生平均每天需花费 2.3 小时处理重复性文 书工作，门诊病历书写占接诊时间的 35%；其次，跨科室会诊因数 据标准不统一导致 30%的临床决策延迟；最后，患者咨询服务响应 医患沟通增强 通过对话理解技术实现： 1. 智能分诊问答：准确理解患者主诉 ” （如 饭后上腹隐痛 3 ” 周 ），匹配科室推荐准确率 89% 2. 医嘱自动 生成：将复杂的治疗方案转化为患者可理解的执行清单，例如： 原始医嘱 患者版指令 “bid po” “ ” 每日两次，口服 “监测 q6h” “每 6 ” 小时测量一次 3. 多语言实时翻译：支持 16 种语言的门诊对话转换，响应延迟

体 的分布领域如下： · 问诊对话占比 48%，即模拟医生问诊过程，基于用户 输入的症状与病史等文本信息，为用户提供疾病诊断与 治疗建议； · 健康评估与咨询占比 24%，即根据用户输入的问题文 本，生成医学相关文本答案，为用户提供健康咨询、报 告解读、用药指导、膳食建议等功能； · 病历生成与结构化医学报告生成占比 14%，根据输 入的医生与病人的对话内容，生成病历和诊断报告等结 构化的医疗文本报告； 的优势高度契合，且该领域技术成熟度较高、 市场需求强烈，成为医疗大模型最常落地的场景之一， 目前应用广泛的典型细分场景应用如下： 1.智能预问诊 智能预问诊通常依托医疗大模型驱动的智能体， 通过图文、语音等方式模拟医患对话，结合患者的病 情描述和辅助检查报告，为其提供初步预诊、医学建 议及判断，并精准推荐就诊科室和医生。目前，智能 预问诊主要有以下三种形式： 一是专业的互联网医疗平台， 如好大夫、春 雨医生等，提供在线图文问诊、电话咨询等服务； AI 应用白皮书 智慧病案与患者管理 人工智能（AI）正通过优化病历生成与管理、患 者分类、随访提醒等方式，显著提升医疗服务的效率 和质量。 1.病历生成及质控 AI 大模型能够自动转录医疗对话内容，辅助 医生撰写病历，从而减少医生的文档工作量，缓解职 业倦怠，并改善患者体验。在一项对中国医学科学院 阜外医院冠心病病区的临床医生的调查研究，80%的 医生高频率使用病历智能书写助手。在病历内容采纳