AI 在垂直行业的应用

• 检索增强
• 引用溯源
• 合规审核

法律 AI 应用（Harvey、CoCounsel）的工程要点：检索增强——法律检索需结合法规库、判例库、合同库，用混合检索（关键词 + 语义）召回权威来源，要求高召回与可追溯；引用溯源——法律答案必须"有据可查"，每个论断都要关联到具体法条/判例/条款，输出带精确引用（条文号、页码），并支持核验，防止幻觉；合规审核——涉及律师执业规范、保密义务、证据链合规，需权限控制（保密信息隔离）、留痕审计、以及"AI 辅助非替代"的边界（出具意见需律师复核）。工程上常用"高置信度检索 + 引用强制 + 拒答无依据 + 人工复核"的组合，把事实性作为最高优先级。核心是"法律重用检索、引用问责、合规守底线"。

法律场景的痛点是"幻觉不可接受"。检索增强保证来源，引用溯源保证可查，合规审核保证责任边界。工程上把"事实性、可追溯性、复核留痕"做成硬约束，而非追求"答得多"。

• 文档抽取
• 人工复核分工
• 理赔/核保流程

保险 AI（理赔初审、核保问答）工程实战要点：文档抽取——从保单、理赔单、发票、医疗单据中抽取关键字段（金额、日期、条款、病因），用 OCR/多模态 + 结构化抽取，高准确率；存在"字段抽取错误"与"漏判"风险，因此需分层：AI 负责"初筛与推荐"（抽取字段、识别疑点、给出初审结论），人工复核"高风险/高金额/边缘案例"（复核抽取结果、审定理赔）。分工原则：按"金额、风险、置信度"分流——低风险、高置信度、小金额走自动初审；高风险、边缘、低置信度、涉及赔付争议转人工。核保问答用 RAG 检索保单条款，需引用条款原文。核心是"AI 提效、人工把关、分流审慎"，把模型能力用于"处理量"而非"承担风险"。

保险是"高风险 + 高合规"场景，AI 不能全自动。关键是把"抽取"与"复核"分层：AI 做量大的初筛，人工审风险高的个案，用"金额/风险/置信度"分流。这样既提效又守住责任边界。

• 监管审批
• 责任边界
• 数据合规

医疗 AI（影像分析、临床问答）是强监管场景，工程要点：监管审批——医疗器械类 AI 需经监管部门审批（如 NMPA 医疗器械注册/审批），临床问答/辅助诊断需符合医疗软件规范，审批是准入前提；责任边界——AI 定位为"辅助诊断/辅助决策"，最终诊断与责任由医生承担，需明确"AI 建议、医生决策"的边界，避免 AI 直接下诊断；数据合规——医疗数据（患者隐私）受严格监管，需符合临床数据安全与个保要求，数据脱敏、授权、访问控制、加密存储、不可审计外流。工程上把"审批合规、责任边界、数据安全"作为设计约束：AI 输出做"辅助性"界定与风险提示，关键环节人工确认，数据全链路加密与留痕。核心是"审批准入、责任在人、数据守密"。

医疗 AI 的"可行性"首先取决于"合规可行性"。监管审批是准入门槛，责任边界（AI 辅助非替代）决定设计，数据合规决定落地。工程上要把这些当成硬约束而非可选项，否则技术再好也无法合法落地。

• 数据权限
• 合规留痕
• 实时性

金融 AI（研报分析、行情问答）的工程挑战：数据权限——金融数据分级（公开/内幕/客户信息），需严格权限控制，防止越权访问研报、客户数据与未公开信息，投研 AI 要避免"内幕信息"泄露；合规留痕——投顾/研报类输出需合规审查与留痕（记录 prompt、输入数据、输出、审批人），满足监管可追溯，防止"荐股、误导性陈述"；实时性——行情问答/研报需实时数据（行情、新闻、财报），涉及实时数据源接入、延迟控制与缓存时效，答案需反映最新行情。工程上构建"权限分级 + 全链路留痕 + 实时数据管线"，把合规与时效做成系统能力。核心是"权限管数据、留痕管合规、实时管时效"。

金融是"数据敏感 + 监管严格 + 时效性强"的叠加。权限阻断越权，留痕支撑追溯，实时性保证有用。三者常冲突（留痕与实时、权限与效率），需在工程上做精细平衡。

• 错误反馈设计
• 安全护栏
• 防止不当内容

教育 AI（智能辅导、语言练习）的工程要点：错误反馈——针对学生答案给出"引导式"而非"直接给答案"的反馈（指出错误、提示思路、分步引导），保护学习效果；安全护栏——防止输出不当内容（不当建议、暴力、色情、误导性"知识"）、防止越界（冒充老师下结论、医疗/心理的不当建议）、防止针对未成年人的风险；内容安全——对输出做内容过滤、分级，涉未成年人场景更严格。设计上：错误反馈用"苏格拉底式引导"模板 + 严格的内容白名单/黑名单；安全护栏用"任务边界约束 + 输出过滤 + 风险分级 + 人工兜底"（高风险话题转人工或拒答）；对未成年加强隐私与保护。核心是"反馈促进学习、护栏守住边界、内容安全优先"。

教育 AI 的双重目标：促进学习（引导式反馈）与保护安全（不当内容）。引导式反馈提升学习效果，护栏与内容过滤防风险，面向未成年更严。工程上把"教育正确性"与"内容安全性"并重设计。

• 延迟控制
• 成本控制
• 内容一致性

游戏 AI（NPC 对话、角色扮演）的工程挑战：延迟——游戏要求低延迟（<几百 ms 的实时对话），需用小模型/量化/缓存/预生成，避免长推理拖慢体验；成本——大量玩家高频对话，token 成本高，需路由（简单对话走小模型）、缓存、批处理、按玩家分层；内容一致性——NPC 需保持角色设定一致性（性格、记忆、世界观），不"出戏"、不矛盾，需用"角色卡 + 记忆 + 上下文约束"维持人设，防止角色漂移。工程上常用"分层模型（简单闲聊小模型、剧情复杂大模型）+ 角色记忆 + 缓存 + 流式"组合，平衡延迟、成本与一致性。核心是"快、省、稳（人设稳）"三者的权衡。

游戏场景是"体验型"AI，延迟与成本直接决定可否落地。一致性是"角色体验"的关键。通过分模型路由、缓存、角色记忆与约束，才能在"快、省、人设稳"之间取得平衡。

• 模型输出与业务规则
• 推荐/订单约束
• 规则校验

零售 AI（推荐、订单助手）要把"模型生成"与"业务规则"结合，避免模型输出"违反现实"的内容。实现方式：规则约束/后校验——模型输出的推荐/订单建议，在真正执行前用业务规则校验（库存是否充足、价格是否有效、地区是否可售、限购/优惠规则），不满足则修正或拒绝；数据注入——把库存、价格、促销等实时业务数据注入模型上下文，让模型"基于现实"生成，减少"幻觉式"推荐；结构化输出——模型输出结构化意图（推荐商品、下单动作），由规则引擎执行而非让模型直接操作。核心是"模型给建议、规则守边界"——模型负责"理解与生成"，业务规则（库存/价格/合规）负责"校验与执行"，两者解耦，防止"模型推荐了没货/错价商品"。

零售场景的模型不能"越权"决定业务结果。通过"数据注入 + 规则校验 + 结构化意图 + 规则执行"的隔离，让模型输出始终被库存、价格等硬规则约束，既发挥了模型的灵活性又保证业务正确。

• 与计划系统集成
• 可解释性
• 数据与流程

制造 AI（预测、计划）的工程要点：与现有计划系统集成——AI 预测/计划结果要接入 ERP/MES/APS 等现有系统，通过 API/事件/批处理对接，而非独立"黑箱"；输出需与现有系统数据格式兼容，并做双向闭环（AI 建议 → 系统执行 → 反馈校正）。可解释性——制造决策影响生产，需解释"为什么这样预测/计划"（关键因子、置信度、依据数据），支持人工检查与调整；用"SHAP/特征归因、规则解释、人工可读的报告"呈现，并结合"AI 建议 + 人工确认"降低信任门槛。集成上还要处理数据质量（历史数据、传感器数据）、实时性、异常处理。核心是"集成进既有流程、结果可解释、人工可干预"，让 AI 成为"辅助决策"而非"替代决策"。

制造场景的 AI 要"进得了系统、说得清理由"。与计划系统集成保证可用，可解释性保证可信，人工干预保证可控。这三点是工业 AI 落地（而非原型）的关键。

• 格式规范
• 事实核查
• 留痕

政务 AI（公文生成、政策问答）的工程要点：格式规范——公文有严格格式（文种、标题、版式、规范用语），需用"模板 + 结构约束"生成，保证格式合规，避免自由发挥；事实核查——政策/法规内容必须准确，需用权威政策库（RAG 检索权威来源）+ 引用溯源 + 无依据拒答，防止"编造政策"；留痕——政务输出需全程留痕（输入、来源、生成、审批、版本），支撑审计与责任追溯，实行"AI 拟稿 + 人审"的流程。工程上把"模板化格式、权威检索、引用强制、留痕审批"做成系统能力，让 AI 输出"合规、可查、可追溯"。核心是"格式靠模板、事实靠检索、责任靠留痕"。

政务场景"规范 > 发挥"。格式用模板约束，事实用权威检索约束，责任用留痕审批约束。AI 的价值在"拟稿提效"，规范与责任靠系统兜底，防止"AI 生成不规范/虚假公文"。

• 误报成本
• 预测验证
• 专家复核闭环

能源电力预测性维护的工程要点：误报成本验证——预测模型会误报（虚警）与漏报（漏警），误报导致停机检修浪费、漏报导致故障损失，需用"误报率/漏报率 × 各自成本"量化风险，找到"误报/漏报"平衡点（结合故障成本与停机成本），避免模型"过度预警"制造大量无谓检修；专家复核闭环——预测触发的告警需专家复核：AI 给出"预测故障 + 置信度 + 依据特征"，专家确认或否决，确认结果回流训练/调参，形成"预测→告警→复核→反馈→再学习"闭环，持续降低误报率。工程上把"误报/漏报成本模型"与"专家复核回流"作为核心，让预测既灵敏又不过度打扰。核心是"用成本验证预测、用复核校准模型"。

预测性维护的"价值"在"减少误报"而非"多发告警"。误报成本量化决定阈值，专家复核闭环让模型持续校准。二者结合，才能让预测"既准又划算"，避免"告警太多没人信"或"漏报酿事故"。

• 事实性
• 署名规范
• AIGC 标识

媒体 AI（内容生成、编辑辅助）的工程要点：事实性——新闻/内容必须真实，需事实核查（引用权威来源、交叉验证、区分事实与观点、无依据拒答），防止"AI 编造新闻"；署名规范——AI 生成内容需遵守署名与版权规范（标注 AI 参与、区分作者/编辑/AI 生成），避免版权与署名纠纷；AIGC 标识——对 AI 生成内容加显式/隐式标识（水印、C2PA、声明），满足"AI 生成内容披露"要求，增强透明度。工程上把"事实核查管线 + 署名规范 + AIGC 标识"内建到编辑流程：AI 拟稿 → 事实核查 → 编辑审核 → 标识发布，人工对关键事实把关。核心是"事实有人查、署名有规范、生成有标识"。

媒体场景的信任危机是"AI 造假"。事实核查保证真实性，署名规范保证版权清晰，AIGC 标识保证透明度。工程上把"AI 辅助 + 人工核实 + 标识披露"做成流程，让媒体既用 AI 提效又不失可信。

• 行业付费能力
• 按量计费接受度
• 定价匹配

不同垂直行业对"按量计费"的接受度差异大：高付费、高价值行业（金融、医疗、法律）接受度较高，且可接受高单价（因为价值高）；中低付费或预算敏感行业（零售、教育、政务）更偏好"订阅/打包/项目制"以控制成本预期。定价匹配原则：按"行业付费能力 + 模型成本 + 价值"设计——高价值行业用"按价值/效果付费"或高单价按量，覆盖高模型成本；预算敏感行业用"订阅/打包 + 按量上限"，把模型成本摊进固定费，控成本预期；同时考虑"模型成本"——若模型成本低，可让利用订阅挤压同行；若成本高，需按量或效果付费确保毛利。工程上要做"行业分层定价"，用"单位价值"与"单位成本"为各行业定档。核心是"定价与行业付费能力、模型成本、价值匹配"。

定价不是"想收多少收多少"，而是"行业付得起吗 + 我成本够吗 + 价值值多少"。按行业付费能力与模型成本分层定价，才能既覆盖成本又匹配客户预期，避免"贵的卖不动、便宜的亏本"。

• 毛利模型
• 倒推模型选型
• 路由策略

垂直行业 AI 毛利模型：毛利 = 客单价 - 成本（token + 人工 + 运维）。倒推逻辑：先定毛利目标与客单价 → 反推"可承受的成本上限" → 反推"token 成本预算" → 决定模型选型（贵模型还是便宜模型、能否用推理模型）与路由策略（哪些任务用贵模型、哪些用小模型）。举例：客单价低、毛利目标紧 → 需严格控 token 成本 → 用便宜模型 + 高位路由（小模型做大部分）+ 缓存，只有高价值任务才用强模型；客单价高、价值高 → 可容忍强模型高成本。实现上把"毛利模型"固化为"成本预算"：为每个任务/客户设定 token 成本上限，路由与降级据此触发，让"毛利目标"直接约束"模型选型与路由"。核心是"毛利倒推成本、成本约束选型与路由"。

毛利模型是"选型与路由的财务标尺"。从毛利目标倒推成本上限，再映射到模型档次与路由策略，让"每单都要赚"落地为"每单成本可控"。这是 AI 商业化从"能用"到"能赚"的关键。

• 数据壁垒
• 行业语料与知识库
• 反馈闭环

垂直行业 AI 的数据壁垒需构建三层：行业语料——积累行业内特殊的语料（术语、专家标注、历史案例），形成通用模型没有的"私有数据"；领域知识库——构建结构化/语义化的领域知识（法规、流程、产品、案例），支撑 RAG 与检索，让 AI 回答"懂行业"；反馈闭环——把真实业务反馈（用户采纳、错误修正、专家评审）回流，持续优化模型与知识库，形成"越用越准"的飞轮。工程上：语料与知识库做严格质量治理（清洗、标注、授权），反馈闭环做"问题样本 → 标注 → 优化 → 回归"；同时把"数据接入、权限、沉淀"做成可复用能力。壁垒的持续性在于"数据不公开 + 反馈不共享 + 持续积累"，让通用模型即使能力增强也无法轻易获得这批私有数据与闭环。核心是"私有语料 + 领域知识 + 飞轮闭环"。

通用模型能力会追平"通用任务"，但"垂直壁垒"来自"私有数据 + 领域知识 + 反馈飞轮"。工程上把这三者做成可积累、可复用的资产，让 AI 在垂直场景的竞争力来自"数据+闭环"而非"模型本身"。

• 试用驱动增长
• 模板与示例
• 免费试用成本控制

垂直行业 AI 增长策略：试用——让目标客户免费体验核心价值，降低决策门槛；模板与行业示例——预置行业模板（公文、报告、合同、话术）与示例，让用户"开箱即用"、快速看到价值，降低上手成本；行业示例同时展示"能做什么"，驱动转化。控制免费试用成本：试用额度限"价值体验"（足够体验核心功能、不足以替代付费）；用模板/示例做"缓存与预生成"（高频模板结果可复用）；按任务分级路由（试用走小模型/标准模型，仅关键功能用强模型）；对试用用户做限流与时长限制，防滥用。核心是"用模板示例放大价值、用额度与路由控制成本"，让增长获客与推理成本平衡。工程上把"试用漏斗 + 模板库 + 成本控制"串起来。

增长与成本常冲突。用模板/示例让用户"低成本看到价值"，用额度/路由/缓存让"免费试用不烧钱"。这样既驱动试用转化，又控制免费池的推理成本，实现"增长可负担"。

• 行业适配内容
• 通用能力
• 边界划分

交付中要划清"通用能力"与"行业适配"的边界：通用能力——模型、推理、基础 RAG、对话框架、网关等，可复用、可标准化，作为平台底座；行业适配——行业术语（词典、提示词、微调）、业务流程（工作流、审批、状态机）、数据接入（行业数据源、格式、权限、与现有系统对接）。边界划分原则：把"可复用、与行业无关"的放通用层，把"与行业强相关、变化快"的放适配层；用"适配层对接件"（插件、配置、数据源适配器）把行业差异封装，避免"行业定制污染通用底座"。工程上：通用能力做成产品化组件，行业适配做成可配置/可插拔的"行业包"，数据接入用统一适配器。这样既复用通用能力降低成本，又灵活适配行业，避免"每个客户都重写一套"。核心是"通用做底座、行业做适配、适配可插拔"。

边界不清会导致"通用层被行业定制拖垮"或"行业需求无法满足"。把"通用底座"与"行业适配包"分层，用可插拔适配器封装行业差异，才能兼顾复用与定制，降低交付成本与周期。

• 行业评测集构建
• 行业术语与流程
• 适配度量化

行业专属评测集构建：用行业术语——构造覆盖行业专用词汇、术语、缩写、行话的用例，测"是否听懂行业语言"；用行业流程——构造覆盖"行业端到端流程"的用例（如理赔流程、合同审查流程、公文流程），测"是否走对流程、产出符合规范"；用行业场景——用真实业务场景数据（脱敏）构造验收用例。行业适配度量化：定义"行业术语识别率"、"流程正确率"、"规范符合率"、"业务场景正确率"等指标，在评测集上打分，得到可量化的"适配度分数"；配合人工验收（行业专家评审）补充主观维度。验收时把"适配度分数 + 行业专家评审"作为交付门禁，量化"AI 是否真的懂行业"。核心是"用行业原料建评测集、用行业指标量化适配度"。

行业适配度若不可量化，交付"好不好"就靠感觉。用行业术语、流程、场景构建评测集，用"术语识别率、流程正确率、规范符合率"量化，让"行业适配"成为可验收、可对比的指标，也支撑持续优化。

• 工作量评估
• 数据接入
• 排期

项目制交付中，模型效果调优与客户数据接入是两大工作量来源，评估与排期要点：数据接入——评估数据源复杂度（格式、质量、权限、量级、更新频率）、是否需要清洗/标注、与现有系统对接的工程量，数据接入往往是最耗时且不确定的环节（数据质量问题不可控）；模型效果调优——评估是否需要微调/提示词优化/RAG 构建、评测集构建、效果达标所需的迭代轮数，效果调优是"经验性"工作，需预留迭代缓冲。排期原则：先做"数据接入 POC"（小范围验证数据可行性与质量），再排全量接入；效果调优并列于数据接入，用"评测集 + 迭代节奏"管理；预留"数据返工"与"效果不达标"的缓冲时间；把"数据治理"与"评测集"作为前置工作。核心是"数据先行、缓冲预留、迭代管理"，避免"数据接不通"或"效果调不达标"导致延期。

项目制交付的延期风险主要来自"数据不确定"与"效果不确定"。数据接入要 POC 先行、预留返工，效果调优要评测集+迭代缓冲。用"可验证的里程碑"而非"估工时"来排期，才能控风险。

• 成功标准量化
• 留存/使用深度/业务指标
• 工程支持闭环

垂直行业客户成功标准量化分三层：留存——客户是否持续使用（续费率、流失率、活跃率），反映"产品是否值得留"；使用深度——功能使用率、调用量、覆盖的流程/场景，反映"是否用起来"；业务指标——客户实际业务收益（效率提升、成本下降、转化提升、错误率下降），反映"是否带来价值"。工程支持闭环：把"成功指标"接入监控（埋点、看板、告警），定期分析"哪些客户在用/弃用、哪个功能没用、业务指标是否达标"；对"没用起来/价值没兑现"的客户，工程侧定位问题（功能体验、数据接入、效果、集成）并改进；形成"指标监测 → 问题定位 → 工程改进 → 价值提升 → 留存提升"的闭环。核心是"用业务指标衡量成功、用工程支持兑现价值"，让客户成功有数据支撑、改进有路径。

客户成功不是"服务好"，而是"价值兑现"。用留存、使用深度、业务指标三层量化，让"成功"可衡量；工程支持把"指标缺口"转化为"改进项"，形成闭环。这样客户成功从"口碑"变成"可运营、可问责"。

• 偏见风险
• 可解释性
• 人工复核

HR AI（简历筛选、面试评估）的工程设计：偏见风险——简历筛选易受性别、年龄、地域、学校等敏感属性影响，需用"脱敏/去除敏感属性"的公平设计，并做偏见评测（属性置换对照），防止"算法歧视"；可解释性——筛选/评分需给出"为什么"（匹配的关键技能、经验、依据），让候选人/用人方理解，避免"黑箱打分"；人工复核——AI 做"初筛/推荐"，最终录用决策由 HR 与用人部门人工确认，AI 不能替代招聘决策，且需对敏感岗位（如合规、高管）更谨慎。工程上把"公平评测 + 可解释评分 + 人工复核"内置到流程：AI 给建议与理由，人工做最终决定，偏见指标纳入监控。核心是"AI 辅助、人有最终决定、公平可解释"。

HR 场景的公平与合规风险最高。去除敏感属性防偏见、评分带理由保可解释、人工把关保责任，三者缺一不可。工程上把"公平与可解释"做成硬指标，避免"AI 招聘"引发歧视与合规问题。