章节导语

通用模型在医疗、法律、金融等专业领域往往力不从心。不是AI不够聪明，而是这些领域有独特的术语、规则和逻辑，通用数据里根本没学过。

垂直领域定制，就是让AI真正”懂行”。不是简单喂几篇文档就完事了，而是要从知识体系、术语规范、合规要求等多个维度系统性地改造。

本文系统讲解金融、医疗、法律三大领域的AI定制方案，包括领域知识库构建、术语处理、合规检查等实战内容。每个领域都有完整代码，帮助你快速落地。

为什么要学垂直领域定制？因为通用AI在专业场景的表现往往不尽如人意。一个经过领域定制的AI，专业度可以接近行业专家，而成本只是专家的零头。但定制的过程不是简单调用API，而是要深入理解领域知识体系、监管要求、用户场景。

本文的核心观点：垂直领域定制的成功，30%靠模型，70%靠数据。模型架构再先进，没有高质量的领域数据，也做不出好的垂直应用。

一、前置说明

1.1 学习路径

1.2 读者需要的基础

• RAG开发：会构建知识库、知道检索增强生成
• Fine-tuning：了解微调基本概念
• Python基础：能处理文本数据

1.3 学习目标

学完本文，你将能够：

• 理解垂直领域定制的核心挑战
• 构建金融/医疗/法律领域的知识库
• 实现领域术语识别和处理
• 设计领域合规检查系统
• 综合运用RAG+微调+合规检查

二、垂直领域定制的挑战

2.1 核心挑战分析

图1：垂直领域定制挑战

垂直领域和通用领域最大的差异，不是模型不够好，而是数据分布不同。

第一，术语壁垒。医疗说”高血压”，通用模型可能理解成”压力很高”。法律说”善意取得”，通用模型可能完全不知道这是什么。这些专业术语，在通用数据里出现频率很低，模型学得不好。

第二，知识壁垒。医学指南年年更新，法律条文经常修订。这些最新知识，通用模型的训练数据里根本没有。用通用模型回答专业问题，往往是过时的或者错误的。

第三，合规要求。金融不能预测具体股价，医疗不能给出诊断，法律不能冒充律师执业。这些限制不是技术问题，但处理不好会让产品没法上线。

第四，准确性要求。通用模型有时候会”一本正经地胡说八道”，这在娱乐场景问题不大，但在医疗、法律场景可能害人害命。

2.2 三大领域特点对比

三、金融领域定制

3.1 金融知识库构建

金融领域的数据有几大特点：时效性强（昨天的政策今天可能变了）、术语密集（PE、ROE、MACD等专业术语）、格式规范（年报、公告有固定格式）。

构建金融知识库，需要解决几个问题：

第一，数据源整合。年报来自公开披露，研报来自券商，法规来自监管部门。这些数据源不同，格式不同，需要统一处理。

第二，术语标准化。同样的指标可能有不同说法，比如”市盈率”也叫”PE”、”本益比”。需要建立术语词典，统一检索。

第三，时效性管理。金融政策随时可能变化，知识库里的内容需要标注时间，过时的信息要能识别。

图2：金融知识库架构

3.2 金融合规检查

金融领域的输出有严格的合规要求。不是技术问题，是监管要求。

禁止性表述包括：不能预测具体价格（”会涨到XX元”）、不能保证收益（”稳赚不赔”）、不能夸大收益（”翻倍”）。

必须包含的内容包括：风险提示（”投资有风险”）、免责声明（”仅供参考，不构成投资建议”）。

这些要求不是建议，是监管强制要求。违规的AI产品可能面临监管处罚。

3.3 财报解读助手实战

金融领域最典型的应用是财报解读。输入一份年报，输出关键数据和解读。

核心能力要求：能读懂财务报表、计算关键指标、与行业对比、给出风险提示。

技术方案：RAG用于检索最新法规和行业数据，微调用于优化财报解读的专业语气，合规检查用于过滤违规表述。

四、医疗领域定制

4.1 医疗知识库构建

医疗领域的数据复杂程度更高，主要体现在：

第一，术语体系庞大。ICD-10有约14000个疾病代码，药品名称更是数以万计。还有检验指标、医学影像描述等专业术语。

第二，指南更新频繁。临床指南每年都在更新，新的治疗方案、新的药物不断出现。知识库必须能及时更新。

第三，多模态需求。医学影像、检验报告等非结构化数据也需要处理。

图3：医疗知识库架构

4.2 医疗合规检查

医疗领域的合规要求更严格，核心是不能提供诊断和处方。

禁止性表述：不能诊断疾病（”你得了XX病”）、不能建议用药（”吃这个药”）、不能预测预后（”肯定能治好”）。

原因：医疗问题太专业，AI的判断可能有误，而医疗错误可能危及生命。

正确做法：提供健康信息，提示就医，让用户自己做决定。

医疗AI的定位应该是健康助手，而不是医生替代。

4.3 医患对话助手实战

医疗领域最典型的应用是预问诊分诊。用户描述症状，AI整理信息帮助用户理清思路，同时生成结构化的病情摘要供医生参考。

核心能力要求：症状收集、病历整理、就医指引、健康教育。

技术方案：RAG用于检索最新临床指南，微调用于优化医患对话语气，合规检查用于过滤诊断性表述。

五、法律领域定制

5.1 法律知识库构建

法律领域的数据有其特殊性：

第一，条文优先。法律回答必须有明确的法条依据，不能凭空编造。”根据《民法典》第XX条”这样的表述在法律文本中非常重要。

第二，地域差异。不同地区的法规可能有差异，比如各地的消费投诉规定可能不同。知识库需要能区分地域。

第三，判例参考。法律不仅看条文，还要看实际判例。判例能帮助理解条文在实际中如何应用。

图4：法律知识库架构

5.2 法律合规检查

法律领域的合规核心是不能冒充律师。

禁止性表述：不能给出具体法律建议（”你应该起诉”）、不能预测诉讼结果（”法院会判你赢”）、不能以律师身份回答。

正确做法：提供法律知识普及，告知用户应有的权利，建议咨询专业律师。

定位：法律知识助手，不是律师替代品。

5.3 法律咨询助手实战

法律领域最典型的应用是法律知识科普和文书指引。用户问一个法律问题，AI给出一般性的法律知识，而不是具体的诉讼建议。

核心能力要求：法条检索、类似判例参考、法律流程指引、文书模板提供。

技术方案：RAG用于检索法条和判例，微调用于优化法律文风的严谨性，合规检查用于过滤具体建议性表述。

六、综合领域定制框架

6.1 领域定制架构设计

不同领域的定制方案有共同框架，只是具体实现不同。理解这个通用框架，有助于你快速迁移到其他领域。

在设计垂直领域AI系统时，有几个实践中的关键问题需要考虑：

第一个问题：知识库怎么建？领域知识库的来源是关键。公开数据如法规条文、指南文件容易获取，但高质量的内部数据往往很难得到。以医疗为例，临床指南公开可得，但真实的病历数据因为隐私问题无法使用。所以往往需要用公开数据做基础，再用少量高质量内部数据做微调。

第二个问题：模型选型怎么定？不是越大越好。金融合约分析场景，7B参数的模型可能就够用，70B的模型反而慢且贵。但如果是复杂的法律文书分析，可能就需要更大的模型。选择模型要基于效果测试，而不是盲目追求参数规模。

第三个问题：合规怎么做？合规检查不能依赖模型自己的”判断”，因为模型可能犯错。应该用规则引擎做硬限制，模型只负责内容生成，合规检查独立运行。就像金融的风控系统，交易规则和模型输出是两套独立的系统。

不同领域的定制方案有共同框架，只是具体实现不同。

第一层：数据层。包括领域知识库、术语词典、历史问答数据。知识库要定期更新，术语词典要维护版本。

第二层：模型层。包括通用LLM + 领域微调。可以是LoRA微调，也可以是全量微调，取决于数据量和资源。

第三层：合规层。包括输入过滤（敏感词检查）、输出过滤（违规表述检查）、内容安全（有害内容识别）。

第四层：应用层。包括API服务、Prompt模板、输出格式化。

"""
通用领域定制框架

适用于金融、医疗、法律等垂直领域
"""

from abc import ABC, abstractmethod

class DomainCustomizer(ABC):
    """领域定制基类"""
    
    @abstractmethod
    def build_knowledge_base(self):
        """构建领域知识库"""
        pass
    
    @abstractmethod
    def create_compliance_checker(self):
        """创建合规检查器"""
        pass
    
    @abstractmethod
    def generate_safe_response(self, user_input: str, analysis: str) -> str:
        """生成安全响应"""
        pass

class FinanceCustomizer(DomainCustomizer):
    """金融领域定制"""
    
    def build_knowledge_base(self):
        return FinanceKnowledgeBase()
    
    def create_compliance_checker(self):
        return FinanceComplianceChecker()
    
    def generate_safe_response(self, user_input: str, analysis: str) -> str:
        checker = FinanceComplianceChecker()
        safe_analysis = checker.sanitize_output(analysis, "general")
        return safe_analysis

class MedicalCustomizer(DomainCustomizer):
    """医疗领域定制"""
    
    def build_knowledge_base(self):
        return MedicalKnowledgeBase()
    
    def create_compliance_checker(self):
        return MedicalComplianceChecker()
    
    def generate_safe_response(self, user_input: str, analysis: str) -> str:
        checker = MedicalComplianceChecker()
        safe_analysis = checker.filter_diagnosis(analysis)
        return f"{safe_analysis}\n\n{checker.generate_safe_response('', user_input)}"

class LegalCustomizer(DomainCustomizer):
    """法律领域定制"""
    
    def build_knowledge_base(self):
        return LegalKnowledgeBase()
    
    def create_compliance_checker(self):
        return LegalComplianceChecker()
    
    def generate_safe_response(self, user_input: str, analysis: str) -> str:
        checker = LegalComplianceChecker()
        safe_analysis = checker.check_legal_content(analysis)
        if not safe_analysis['safe']:
            analysis = "# 内容已被过滤\n" + checker.generate_disclaimer()
        return analysis

使用示例中只需几行代码就能创建对应领域的Agent：

```python
# 创建金融领域Agent
finance_agent = DomainAgentFactory.create("finance")

# 创建医疗领域Agent  
medical_agent = DomainAgentFactory.create("medical")

# 创建法律领域Agent
legal_agent = DomainAgentFactory.create("legal")
```

七、金融知识库代码

7.1 金融知识库实现

import re
from typing import List, Dict

class FinanceKnowledgeBase:
    """金融领域知识库
    
    金融领域特点：
    - 大量专业术语（PE、ROE、MACD等）
    - 法规更新频繁
    - 数据要求准确性高
    """
    
    def __init__(self):
        self.documents = []
        self.terminology = {}  # 术语词典
    
    def add_document(self, doc_type: str, content: str, metadata: Dict = None):
        """添加文档
        
        doc_type: 年报/研报/法规/公告
        """
        doc = {
            'type': doc_type,
            'content': content,
            'metadata': metadata or {},
            'extracted_terms': self._extract_terms(content)
        }
        self.documents.append(doc)
        print(f"✅ 添加{doc_type}文档，字数{len(content)}")
    
    def _extract_terms(self, text: str) -> List[str]:
        """提取金融术语"""
        # 常见金融术语模式
        patterns = [
            r'\bPE\b', r'\bPB\b', r'\bROE\b', r'\bROA\b',
            r'\bEPS\b', r'\bGDP\b', r'\bCPI\b', r'\bPPI\b',
            r'\bMACD\b', r'\bKDJ\b', r'\bRSI\b',
            r'\b并购\b', r'\bIPO\b', r'\b定增\b', r'\b回购\b'
        ]
        
        terms = []
        for pattern in patterns:
            matches = re.findall(pattern, text)
            terms.extend(matches)
        
        return list(set(terms))
    
    def search_by_term(self, term: str) -> List[Dict]:
        """按术语搜索相关文档"""
        results = []
        for doc in self.documents:
            if term in doc['extracted_terms']:
                results.append(doc)
        return results
    
    def build_term_glossary(self) -> Dict[str, str]:
        """构建术语表"""
        glossary = {
            "PE": "市盈率，每股价格/每股收益，衡量估值水平",
            "PB": "市净率，每股价格/每股净资产",
            "ROE": "净资产收益率，净利润/净资产，衡量盈利能力",
            "ROA": "资产收益率，净利润/总资产",
            "EPS": "每股收益，净利润/股数",
            "GDP": "国内生产总值，衡量一个国家的经济规模",
            "CPI": "居民消费价格指数，衡量通货膨胀",
            "MACD": "指数平滑异同移动平均线，技术分析指标",
            "并购": " mergers and acquisitions，企业扩张策略"
        }
        self.terminology.update(glossary)
        return glossary

# 使用
if __name__ == "__main__":
    kb = FinanceKnowledgeBase()
    
    # 添加年报
    kb.add_document("年报", """
    公司2023年营收100亿元，净利润10亿元。
    PE为15倍，PB为2倍，ROE达到18%。
    计划进行重大并购重组。
    """, {"year": 2023, "company": "某上市公司"})
    
    # 添加研报
    kb.add_document("研报", """
    预计公司2024年EPS为1.5元，目标PE 20倍。
    当前CPI处于低位，利好消费板块。
    """, {"date": "2024-01"})
    
    # 构建术语表
    glossary = kb.build_term_glossary()
    print(f"\n📖 术语表：")
    for term, definition in glossary.items():
        print(f"  {term}: {definition}")
    
    # 按术语搜索
    results = kb.search_by_term("并购")
    print(f"\n🔍 搜索'并购'相关文档：{len(results)}篇")

八、金融合规检查代码

8.1 金融合规检查器

import re
from typing import List, Dict

class FinanceComplianceChecker:
    """金融合规检查器
    
    金融领域的输出有严格的合规要求：
    - 不能提供具体投资建议
    - 风险提示必须完整
    - 禁止预测具体价格
    """
    
    def __init__(self):
        self.violations = []
        self.risk_keywords = [
            r'\d+元.*必涨',
            r'\d+元.*稳赚',
            r'保证.*收益',
            r'100%.*盈利',
            r'翻倍',
            r'涨停.*预测'
        ]
        self.required_disclaimers = [
            "投资有风险",
            "仅供参考",
            "不构成投资建议"
        ]
    
    def check_investment_advice(self, text: str) -> Dict:
        """检查投资建议合规性"""
        violations = []
        
        # 检查禁止性表述
        for pattern in self.violations:
            matches = re.findall(pattern, text)
            if matches:
                violations.append(f"禁止表述: {matches}")
        
        # 检查风险提示
        has_disclaimer = any(d in text for d in self.required_disclaimers)
        
        # 检查预测性表述
        prediction_patterns = [
            r'预计.*涨到.*元',
            r'预测.*达到.*元',
            r'目标价.*元'
        ]
        predictions = []
        for pattern in prediction_patterns:
            matches = re.findall(pattern, text)
            predictions.extend(matches)
        
        return {
            'violations': violations,
            'has_disclaimer': has_disclaimer,
            'predictions': predictions,
            'passed': len(violations) == 0 and has_disclaimer
        }
    
    def generate_disclaimer(self, content_type: str = "general") -> str:
        """生成合规声明"""
        if content_type == "stock":
            return """
【风险提示】
本报告仅供参考，不构成投资建议。股市有风险，投资需谨慎。
请勿根据本报告进行任何投资决策。入市有风险，投资需谨慎。
""".strip()
        elif content_type == "fund":
            return """
【基金风险提示】
基金过往业绩不代表未来表现。
本金有可能亏损，请充分了解产品风险后再投资。
""".strip()
        else:
            return """
【免责声明】
本内容仅供参考，不构成任何投资建议。
投资有风险，决策需谨慎。
""".strip()
    
    def sanitize_output(self, text: str, content_type: str = "general") -> str:
        """合规化输出"""
        # 添加免责声明
        disclaimer = self.generate_disclaimer(content_type)
        
        # 如果没有免责声明，添加
        if not any(d in text for d in self.required_disclaimers):
            text = text + "\n\n" + disclaimer
        
        return text

# 使用
if __name__ == "__main__":
    checker = FinanceComplianceChecker()
    
    # 测试：不合规的表述
    bad_text = """
    某股票预计涨到100元，目标价翻倍！
    保证收益稳赚不赔。
    """
    
    result = checker.check_investment_advice(bad_text)
    print("不合规检查结果：")
    print(f"  违规项: {result['violations']}")
    print(f"  有免责声明: {result['has_disclaimer']}")
    print(f"  通过: {result['passed']}")
    
    # 测试：合规的表述
    good_text = """
    从技术面看，该股处于上升趋势。
    仅供参考，不构成投资建议。
    """
    
    result2 = checker.check_investment_advice(good_text)
    print("\n合规检查结果：")
    print(f"  违规项: {result2['violations']}")
    print(f"  通过: {result2['passed']}")
    
    # 生成合规输出
    sanitized = checker.sanitize_output("一些分析内容", "stock")
    print(f"\n合规化输出：\n{sanitized}")

九、医疗知识库代码

9.1 医疗知识库实现

import re
from typing import List, Dict

class MedicalKnowledgeBase:
    """医疗领域知识库
    
    医疗领域特点：
    - 术语极其专业（ICD-10、药品名等）
    - 涉及生命安全，准确性要求极高
    - 诊断建议有严格限制
    """
    
    def __init__(self):
        self.documents = []
        self.icd_codes = {}  # ICD编码
        self.drug_db = {}    # 药品数据库
    
    def add_guideline(self, guideline_type: str, content: str, metadata: Dict = None):
        """添加临床指南"""
        doc = {
            'type': guideline_type,  # 指南/文献/药品说明
            'content': content,
            'metadata': metadata or {},
            'extracted_entities': self._extract_medical_entities(content)
        }
        self.documents.append(doc)
        print(f"✅ 添加{guideline_type}指南")
    
    def _extract_medical_entities(self, text: str) -> Dict[str, List]:
        """提取医疗实体"""
        entities = {
            'symptoms': [],      # 症状
            'diseases': [],      # 疾病
            'drugs': [],         # 药品
            'procedures': [],    # 手术/检查
            'icd_codes': []      # ICD编码
        }
        
        # 简单关键词匹配（实际应该用NER模型）
        symptom_keywords = ['疼痛', '发热', '咳嗽', '头痛', '乏力']
        disease_keywords = ['糖尿病', '高血压', '冠心病', '肺炎', '肝炎']
        drug_keywords = ['阿司匹林', '布洛芬', '二甲双胍', '胰岛素']
        
        for kw in symptom_keywords:
            if kw in text:
                entities['symptoms'].append(kw)
        
        for kw in disease_keywords:
            if kw in text:
                entities['diseases'].append(kw)
        
        for kw in drug_keywords:
            if kw in text:
                entities['drugs'].append(kw)
        
        # ICD-10编码模式
        icd_pattern = r'[A-Z]\d{2}\.\d{1,2}'
        entities['icd_codes'] = re.findall(icd_pattern, text)
        
        return entities
    
    def search_by_symptom(self, symptom: str) -> List[Dict]:
        """按症状搜索相关指南"""
        results = []
        for doc in self.documents:
            if symptom in doc['extracted_entities'].get('symptoms', []):
                results.append(doc)
        return results
    
    def search_interaction(self, drug1: str, drug2: str) -> str:
        """查询药品相互作用"""
        # 简化实现
        interactions = {
            ("阿司匹林", "华法林"): "增加出血风险",
            ("布洛芬", "阿司匹林"): "可能降低阿司匹林的心脏保护作用",
            ("二甲双胍", "胰岛素"): "需调整剂量，避免低血糖"
        }
        
        key = (drug1, drug2)
        reverse_key = (drug2, drug1)
        
        if key in interactions:
            return interactions[key]
        elif reverse_key in interactions:
            return interactions[reverse_key]
        else:
            return "未发现明确相互作用"

# 使用
if __name__ == "__main__":
    kb = MedicalKnowledgeBase()
    
    # 添加指南
    kb.add_guideline("糖尿病指南", """
    糖尿病诊断标准：
    - 空腹血糖≥7.0mmol/L
    - 糖化血红蛋白≥6.5%
    
    二甲双胍是首选药物。
    合并心血管疾病可考虑GLP-1受体激动剂。
    
    ICD-10: E11.9 (2型糖尿病)
    """, {"version": "2023", "source": "中华医学会"})
    
    # 按症状搜索
    results = kb.search_by_symptom("多饮")
    print(f"搜索'多饮'相关指南：{len(results)}篇")
    
    # 查询药物相互作用
    interaction = kb.search_interaction("阿司匹林", "华法林")
    print(f"\n药物相互作用：{interaction}")

十、法律知识库代码

10.1 法律知识库实现

import re
from typing import List, Dict

class LegalKnowledgeBase:
    """法律领域知识库
    
    法律领域特点：
    - 法规条文繁多、更新频繁
    - 司法解释补充
    - 判例参考价值高
    """
    
    def __init__(self):
        self.laws = []       # 法规
        self.precedents = [] # 判例
        self.interpretations = []  # 司法解释
    
    def add_law(self, law_name: str, article_number: str, content: str):
        """添加法规条文"""
        law = {
            'name': law_name,
            'article': article_number,
            'content': content,
            'effective_date': None,
            'key_terms': self._extract_legal_terms(content)
        }
        self.laws.append(law)
        print(f"✅ 添加{law_name}第{article_number}条")
    
    def add_precedent(self, case_number: str, case_type: str, ruling: str, key_points: List[str]):
        """添加判例"""
        precedent = {
            'case_number': case_number,
            'type': case_type,
            'ruling': ruling,
            'key_points': key_points
        }
        self.precedents.append(precedent)
        print(f"✅ 添加判例{case_number}")
    
    def _extract_legal_terms(self, text: str) -> List[str]:
        """提取法律术语"""
        terms = []
        # 常见法律术语
        legal_terms = [
            '合同', '违约', '侵权', '赔偿', '责任',
            '故意', '过失', '连带责任', '解除', '无效'
        ]
        for term in legal_terms:
            if term in text:
                terms.append(term)
        return terms
    
    def search_laws(self, query: str) -> List[Dict]:
        """搜索相关法规"""
        results = []
        query_terms = set(query)
        
        for law in self.laws:
            # 术语匹配
            law_terms = set(law.get('key_terms', []))
            if query_terms & law_terms:
                results.append(law)
            # 内容匹配
            elif query in law['content']:
                results.append(law)
        
        return results
    
    def search_precedents(self, case_type: str = None, key_point: str = None) -> List[Dict]:
        """搜索判例"""
        results = self.precedents
        
        if case_type:
            results = [p for p in results if p['type'] == case_type]
        
        if key_point:
            results = [p for p in results if key_point in p['key_points']]
        
        return results

# 使用
if __name__ == "__main__":
    kb = LegalKnowledgeBase()
    
    # 添加法规
    kb.add_law("民法典", "第五百零二条", """
    依法成立的合同，自成立时生效，但是法律另有规定或者当事人另有约定的除外。
    """)
    
    kb.add_law("民法典", "第五百七十七条", """
    当事人一方不履行合同义务或者履行合同义务不符合约定的，应当承担继续履行、采取补救措施或者赔偿损失等违约责任。
    """)
    
    kb.add_law("民法典", "第一千一百六十五条", """
    行为人因过错侵害他人民事权益造成损害的，应当承担侵权责任。
    """)
    
    # 添加判例
    kb.add_precedent(
        case_number="(2023)最高法民终123号",
        case_type="合同纠纷",
        ruling="构成违约，应承担赔偿责任",
        key_points=["合同成立", "违约责任", "赔偿损失"]
    )
    
    # 搜索法规
    results = kb.search_laws("违约责任")
    print(f"\n🔍 搜索'违约责任'相关法规：{len(results)}条")
    for r in results:
        print(f"  {r['name']}第{r['article']}条")

    # 搜索判例
    precedents = kb.search_precedents(case_type="合同纠纷")
    print(f"\n🔍 合同纠纷判例：{len(precedents)}个")

十一、总结与练习

11.1 垂直领域定制的实战经验

在实际项目中，垂直领域定制往往比想象中更复杂。这里分享几个实战经验：

经验一：数据准备比模型训练更花时间。一个典型的金融AI项目，80%的时间花在数据准备上：清洗历史对话、标注数据质量、整理知识库。模型训练和调参反而是相对快的环节。

经验二：合规检查要独立于模型。很多团队犯的错误是把合规检查寄托于Prompt工程，觉得只要Prompt写得好，模型就不会输出违规内容。但模型是不可控的，Prompt再严格也可能被绕过。正确的做法是用规则引擎做硬限制。

经验三：领域定制不是一次性工作。法规在更新、知识在演进、用户在变化。一个成功的垂直领域AI产品，需要建立持续运营的机制，包括数据更新、模型迭代、效果监控。

经验四：用户期望要管理好。用户容易把AI当成全能专家，但实际上垂直领域AI的能力有边界。在产品设计中要明确告知用户AI能做什么、不能做什么，避免用户过度依赖AI而导致风险。

经验五：效果评估要接地气。不是所有指标都越高越好。比如医疗AI的诊断准确率，如果为了追求数字好看而牺牲了召回率，可能漏诊更危险。评估指标的选择要基于业务场景的实际风险。

11.2 要点回顾

• 金融领域：术语密集、合规严格，投资建议限制多
• 医疗领域：诊断建议禁止、生命相关、安全第一
• 法律领域：执业资格限制、诉讼结果禁止预测
• 通用框架：知识库+RAG+微调+合规检查

11.2 合规要求对比

11.3 延伸阅读

• 金融合规：证监会法规
• 医疗合规：《医疗机构管理条例》
• 法律合规：《律师法》

11.4 课后练习

基础题：为金融领域构建一个术语词典，包含至少20个常见术语。

进阶题：实现医疗领域的药品相互作用查询系统。

挑战题：构建一个通用的领域合规检查框架，支持自定义规则。