本文探讨了AI对话中常见的生硬和准确率低的问题，并提出引入专家系统作为解决方案。专家系统通过对大模型结果进行校验或兜底处理，提升AI在复杂场景中的准确性和实用性。文章以医疗诊断和财务报销为例，展示了专家系统如何通过规则校准和数据反哺，解决AI应用中的实际问题。
最近持续在为一些企业做AI培训，公司这边会有很多问题，其中最常见的有两个：
要解决这两个问题，都会进入AI应用开发的深水区，一般的解决方法都是要引入专家系统了：
其实这里的所谓专家系统也没那么神秘，简单来说就是一套算法，他要么对大模型的结果进行一次校验，要么是对大模型给出结果进行兜底性处理。
从这个角度来说，专家系统其实是比较简单的，但真实使用场景又是巨复杂的，这里涉及了很多技术密度，所以这里做简单介绍即可，大家能领悟多少算多少。
AI聊得不像人，很蠢的问题我们之前讨论过，后续还会有专门的章节，这里首先说下准确率问题：
举个例子，有以下医患对话，模型需要判断患者到底是什么疾病：
以上是我用一个真实病历进行简化的聊天记录，当时检查后的诊断是社区获得性肺炎，但只看这个对话，模型下的症状是：急性病毒性上呼吸道-支气管炎。
所以，这里模型诊断错了，并且这是不被接受的！
在这个基础上专家系统就出现了，要构建这个系统会需要一些基本数据，比如：
社区获得性肺炎：
咳嗽 ± 痰 ＋ 气促或胸痛 ＋ 发热 > 38 ℃/寒战
精神食欲轻-中度受影响；发热常 > 38 ℃，夜间盗汗
急性病毒性上呼吸道：
流清涕/鼻塞/喷嚏/咽痛 ＋ 咳嗽常为刺激性、无痰或少痰
低热或无热；可伴乏力、肌肉酸痛但一般活动如常
专家系统需要拿着这些基础数据，在上下文对话中一一对照，对模型的回答进行校准，他实际的过程可能如下：
这里专家系统的工作是紧盯关键决策点，给出可解释的yes/no/再问一句；
最终两者互补，就能把诊断正确率从80% 拉升到可接受的95%+，同时保持人性化的交流体验。
以上只是一个非常简单的场景，接下来再说一个场景。
还是以医疗行为为例，比如现在已经做了诊断给了药物方案，但却在用药禁忌和用法用量上有些问题：
社区获得性肺炎，给出的治疗方案：
阿奇霉素 500 mg 口服，1 次/日，共 3 天
同时服用布地奈德福莫特罗吸入剂（慢阻肺合并哮喘患者常用）
PRN 对乙酰氨基酚退热
在这个场景下实际存在三个问题：
这里专业术语过多，可能大家看着头疼，只不过所有的AI应用一到深水区全部是这种术语…
类似于这种漏洞不能期待模型100%给出，所以需要有详细的规则，这个规则可以来源于药品说明书。
只不过这里的药品说明书是需要结构化到系统中的，而且真实的错误也未必是单一的药品说明书能够涵盖，那么就会有个根据真实数据不停补足的过程！
比如，上述真实问题有3个，如果系统记录了2个漏了1个，那么在系统中补足剩下的一个就是我们所谓的飞轮系统了。
与之前一致，这里只是个非常简单的场景，具体实现难度会难非常多，而就我实际AI项目过程中，只要是深水区用户都是这么玩的。
今天，我们蜻蜓点水的介绍了下AI的深水区技术专家系统，细细看来好像也并不是什么很难的技术，但是各行各业却切实的在使用，比如之前做的一个财务场景：
报销差旅费：北京-上海高铁票 553，住宿费 800 (附发票)，打车费 150
类似上述审核任务，表面看，合理合规，但专家系统介入校验后，就可以发现之前忽略了问题：
一、发票合规性
住宿发票为“增值税普通发票”，但该酒店是一般纳税人，且员工选择了开具专票（系统记录偏好）。
按规定，一般纳税人应提供增值税专用发票用于抵扣。普通发票入账可能导致公司进项税损失。
二、费用标准超标
公司上海地区住宿标准：普通员工600/晚。800超标33%。
AI不止要识别发票真伪和基础信息就放行，还必须符合内部政策，比如这里不注意看可能大家不会发现这个员工打的是专车！
以上，都需要专家系统兜底，否则公司体系下会存在很多漏水点。
所以，无论是医疗、HR、财务还是销售等部门，当AI应用触及核心业务时，单纯依赖大模型的能力，就像让一个博览群书但毫无临床经验的医学生直接主刀，这种行为风险极高。
如何用专家系统对AI应用进行兜底，如何用日常产生的业务数据反哺系统形成飞轮系统，这是每个进入AI深水区的同学需要思考的问题。
本文由人人都是产品经理作者【叶小钗】，微信公众号：【叶小钗】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。