RAG模式 | 行业新闻_数智（点击查看更多）

⁣📰 中央财经大学中国金融科技研究中心主任张宁：数智重构保险底层逻辑行业垂类大模型建设引争议2026丽泽全球保险科技大会聚焦“高质守正·数智创新”，从宏观与行业层面剖析数智技术对保险业的影响与转型路径

Fri, 17 Jul 2026 17:24:41 GMT

⁣
📰 中央财经大学中国金融科技研究中心主任张宁：数智重构保险底层逻辑行业垂类大模型建设引争议

2026丽泽全球保险科技大会聚焦“高质守正·数智创新”，从宏观与行业层面剖析数智技术对保险业的影响与转型路径。专家指出，数智变革不仅重塑金融领域，更潜移默化地撼动传统经济学框架，因为数据具备非线性、近似无限供给的特征，导致需重新审视风险定价与管理。会议强调，保险核心的精算定价将首先面临冲击，混沌风险成为新的增长点，传统概率模型难以覆盖的风险类型将催生新业务蓝海。关于垂类大模型，主旨在于以私有知识库+通用大模型的RAG模式实现低成本落地，避免盲目自建专属模型；多轮微调与全新训练在成本与收益上被视为相对低效。AI治理方面，提出将首席合规官纳入科技与风险管理一体化，倡导“化整为零”的分步落地，促进前线业务在合规框架内广泛应用。总体强调在依法治理框架下，金融与保险文化的中国特色将决定数智技术能否有效服务实体经济、守住金融初心。

🏷️ #数智变革 #保险定价 #混沌风险 #RAG模式 #AI合规

🔗 原文链接

⁣📰 FDE 术语表：30 个词看懂这个行业在说什么本篇文章围绕前沿部署工程师（FDE）及其相关角色、工作方法、核心技术和商业治理四大维度，系统用人话把30个高频词解读清楚，帮助读者在阅读FDE相关文献或招聘信息时不再卡词

Sat, 20 Jun 2026 05:34:57 GMT

⁣
📰 FDE 术语表：30 个词看懂这个行业在说什么

本篇文章围绕前沿部署工程师（FDE）及其相关角色、工作方法、核心技术和商业治理四大维度，系统用人话把30个高频词解读清楚，帮助读者在阅读FDE相关文献或招聘信息时不再卡词。首先介绍角色线：FDE为“将AI嵌入真实业务”的核心执行者，FDCE负责理解行业背景与上下文，FDR在现场反馈问题，FAE是其前身，Echo-DeltaPalantir强调行业翻译与落地执行的双人模式，部署专家则偏向落地交付。接着阐述干法路径：驻场与“最后一公里”的落地难点，PoC到生产的转化，以及共建、工作流改造和灯塔客户等实践要点，强调能力中台的重要性。技术部分聚焦RAG、评测套件、智能体、多智能体、工具调用以及私有化/信创等国内特性，突出数据不出域与三道紧箍咒对国内FDE的约束。最后从商业与治理角度分析部署经济、供应商锁定、技术债、组织主权及合作伙伴网络，指出三大核心记忆点：最后一公里、结果工程与组织主权。通过这30个词的梳理，读者可以把FDE的全貌串联起来，理解其产生价值的路径与挑战。未来将提供FDE技术栈清单，帮助行业快速落地。

🏷️ #FDE #FDCE #RAG #评测 #智能体

🔗 原文链接

⁣📰 上海交大AI教授亲授：半天带你拆解Agent底层逻辑 - 智源社区本次AI Talk北京行聚焦生成式AI前沿，围绕AI Agent（智能体）的底层逻辑与落地路径展开

Sat, 23 May 2026 02:44:32 GMT

⁣
📰 上海交大AI教授亲授：半天带你拆解Agent底层逻辑 - 智源社区

本次AI Talk北京行聚焦生成式AI前沿，围绕AI Agent（智能体）的底层逻辑与落地路径展开。课程由上海交通大学人工智能学院教授领衔，系统梳理大模型、Agent 架构、向量数据库与RAG、CoT思维链、工具调用与多智能体协同，以及安全底线与未来趋势等六大核心模块，旨在帮助企业跳出“聊天机器人”和“写作助手”的局限，理解AI在任务拆解、工具协同、长期记忆与在线协同中的实际应用。通过通俗解读与行业洞察，揭示AI如何从“回答问题”演变为主动执行任务的数字员工团队，强调从向量数据库到多智能体协同的落地要点，提供可落地的AI实施路线图与风险防控策略。面向深耕行业的企业家、数字化转型管理者与前沿技术从业者，邀请现场参与并把握AI在业务中的第二增长曲线，以及构建系统认知框架以抢占发展先机。地点在上海交大高金北京校区，课程时间为周日清晨至中午，名额有限，鼓励尽早报名。

🏷️ #AI #智能体 #大模型 #RAG #多智能体

🔗 原文链接

⁣📰 从产品规格到智能制造：基于生成式人工智能的流程创新，实现BOM（物料清单）数字化及其应用 - 生物通本文提出一个基于生成式AI的端到端框架，将大型语言模型（LLMs）与检索增强生成（RAG）结合，用以实现BOM（物料清单）的数字化、跨语言一致性及数据治理

Fri, 13 Feb 2026 18:29:56 GMT

⁣
📰 从产品规格到智能制造：基于生成式人工智能的流程创新，实现BOM（物料清单）数字化及其应用 - 生物通

本文提出一个基于生成式AI的端到端框架，将大型语言模型（LLMs）与检索增强生成（RAG）结合，用以实现BOM（物料清单）的数字化、跨语言一致性及数据治理。通过多模态文档解析、JSON 模式、外键验证以及受控回写的机制，框架在提升信息提取精度与可追溯性的同时，确保输出符合企业治理约束，解决传统BOM创建中零件编号不一致、记录冗余及跨语言难题。核心思路是在一个闭环流程中通过阶段性文档解析、知识检索和受限解码，将非结构化的产品数据转化为规则化、语义一致的部件编号，并将结果同步为可执行的x-EDBOM，作为PLM、ERP、MES的统一真实来源。工业案例显示，该方法将处理时间从25分钟缩短至2分钟，平均准确率达91%，月节省成本约70万美元，并具备跨供应商价格、交货时间与规格对比的能力，辅助数据驱动采购与供应商管理。此外，该框架还能支持跨语言数据标准化与并购背景下的系统整合，提升智能制造转型的可扩展性与鲁棒性。未来工作将聚焦进一步验证、跨域扩展与治理机制优化。

🏷️ #生成式AI #BOM数字化 #跨语言 #RAG #数据治理

🔗 原文链接

⁣📰 深入聊聊RAG本文探讨了RAG（Retrieval Augmented Generation）技术的实现与优化，强调其在AI应用开发中的重要性

Mon, 25 Aug 2025 21:19:46 GMT

⁣
📰 深入聊聊RAG

本文探讨了RAG（Retrieval Augmented Generation）技术的实现与优化，强调其在AI应用开发中的重要性。RAG被视为黑盒，导致问题定位困难，因此需要对各模块进行调整以提升召回率和精确率。文章详细分析了文档分块、索引增强、编码、混合检索和重排序等关键环节，指出这些环节对RAG效果的影响，强调应结合具体场景进行优化，以实现更高效的检索与生成。

在RAG的实施过程中，文档的结构、内容和切分方式至关重要。通过语义chunking和索引增强等技术手段，可以有效提升检索的准确性和相关性。混合检索结合了关键词匹配与语义匹配的优势，为用户提供更精准的搜索结果。重排序则确保返回的文档与用户查询的相关性，从而提高最终输出的质量。

最后，随着AI应用的普及，RAG的深度优化将是未来发展的方向。快速上手虽然容易，但深入探讨细节并进行循环优化，才能真正提升效率与用户体验。希望通过本文的分析，能为实践中的开发者提供有价值的参考与指导。

🏷️ #RAG #AI应用 #检索技术 #优化策略 #深度学习

🔗 原文链接

RAG模式 | 行业新闻_数智（点击查看更多）

⁣📰 中央财经大学中国金融科技研究中心主任张宁：数智重构保险底层逻辑 行业垂类大模型建设引争议2026丽泽全球保险科技大会聚焦“高质守正·数智创新”，从宏观与行业层面剖析数智技术对保险业的影响与转型路径

⁣📰 上海交大AI教授亲授：半天带你拆解Agent底层逻辑 - 智源社区本次AI Talk北京行聚焦生成式AI前沿，围绕AI Agent（智能体）的底层逻辑与落地路径展开

⁣📰 深入聊聊RAG本文探讨了RAG（Retrieval Augmented Generation）技术的实现与优化，强调其在AI应用开发中的重要性

⁣📰 中央财经大学中国金融科技研究中心主任张宁：数智重构保险底层逻辑行业垂类大模型建设引争议2026丽泽全球保险科技大会聚焦“高质守正·数智创新”，从宏观与行业层面剖析数智技术对保险业的影响与转型路径