- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI智能体从入门到实践
构建AI智能体：AI医疗场景实践：医学知识精准问答+临床智能辅助决策CDSS
整合近期的RAG和想来数据库知识结合医疗的两大实际场景了解一下医学知识精准问答和临床智能辅助决策CDSS系统的构建过程。二、医学知识精准问答1. 应用场景医学知识问答： 为医学生、基层医生提供快速、准确的医学知识查询。患者教育科普： 将复杂的医学知识转化为通俗易懂的语言，回答患者疑问。 医学知识问答与检索： 为医学生、护士、低年资医生提供7x24小时的即时知识查询服务。患者教育与科普： 将专业的医学语言转化为通俗易懂的科普解释，生成患者指导材料。 ：适应不同医院、科室的工作流程和需求8. 四、两个系统的协同效应特性医学知识精准问答系统临床智能辅助决策系统 (CDSS)核心目标回答知识辅助决策输入自然语言问题结构化的患者数据输出知识性答案个性化的诊断、治疗建议、预警模式被动响应（用户提问）
91121编辑于 2025-11-23 - 来自专栏山行AI
本草: 基于中文医学知识的LLaMA微调模型
我们通过医学知识图谱和GPT3.5 API构建了中文医学指令数据集，并在此基础上对LLaMA进行了指令微调，提高了LLaMA在医疗领域的问答效果。 百度网盘[4]和HuggingFace[5]•基于医学文献 百度网盘[6]2.对Alpaca进行指令微调的LoRA权重文件•基于医学知识库 百度网盘[7]•基于医学知识库和医学文献 百度网盘[8] 下载 ["皮肤变硬", "头部及眼后部疼痛并能听到连续不断的隆隆声", "晨起头痛加重"], "所属科室": ["中西医结合科", "内科"], "发病部位": ["头部"]} 我们利用GPT3.5接口围绕医学知识库构建问答数据 此外，我们收集了2023年关于肝癌疾病的中文医学文献，利用GPT3.5接口围绕医学文献多轮问答数据。在·. pwd=odsk [7] 百度网盘: https://pan.baidu.com/s/16oxcjzXnXjDpL8SKihgNxw?
2.5K10编辑于 2023-06-14 - 来自专栏NLP/KG
领域知识图谱的医生推荐系统：利用BERT+CRF+BiLSTM的医疗实体识别，建立医学知识图谱，建立知识问答系统
领域知识图谱的医生推荐系统：利用BERT+CRF+BiLSTM的医疗实体识别，建立医学知识图谱，建立知识问答系统 本项目主要实现了疾病自诊和医生推荐两个功能并构建了医生服务指标评价体系。 疾病自诊主要通过利用BERT+CRF+BiLSTM的医疗实体识别， 建立医学知识图谱， 从而实现基于患者问诊文本的疾病初诊。这个功能帮助患者初步了解自身的疾病情况并为下一步与医生的交流提供支持。 因此在进行关系抽取中，我们将各个实体间的关系分为8类，分别为属于、疾病常用药品、疾病对应科室、疾病别名、疾病所需检查、疾病部位、疾病症状、疾病并发疾病。 我们通过以上8类关系判断在知识图谱中实体间两两之间的关系，从而计算出患该种疾病的概率。定义知识图谱实体间关系的描述性统计特征如下表所示。 图片 4. }, {'Unnamed: 0': 0, 'patient_score': 71, 'patient_online': 8515, 'educate': '教授', 'articleCount': '8篇
77930编辑于 2023-07-13 SRE-面试问答模拟-Linux与K8S
8. nginx的异步非阻塞nginx使用事件驱动机制，处理请求时不阻塞当前线程，通过异步方式处理I/O操作，提高并发处理能力。9. 36. k8s 日志采集方案使用 Fluentd、Fluent Bit、Logstash、Loki 等工具采集日志。37. 38. k8s 证书过期更新方法使用 kubeadm certs renew 或手动生成新证书并更新集群。39. K8S QoS 等级Pod 根据资源请求和限制分为 Guaranteed、Burstable 和 BestEffort。 40. k8s 节点维护注意事项优雅停止 Pod，Drain 节点，更新后重新加入集群。41.
59510编辑于 2024-09-07- 来自专栏机器之心
复旦大学团队发布中文医疗健康个人助手，同时开源47万高质量数据集
在单轮问答和多轮对话的医疗健康咨询评测中，模型的表现相比现有医学对话大模型展现出明显优势。 图 6：对话重新改写的例子 知识图谱问答对 医学知识图谱包含大量经过良好组织的医学专业知识，基于它可以生成噪声更低的 QA 训练样本。 为增强模型的问答能力，我们选择英文医学领域的多项选择题数据集 MedMCQA，使用 GPT-3.5 对多项选择题中的问题和正确答案进行了优化，生成专业的中文医学问答样本约 8000 个。 表 3：CMB-clin 结果 在 CMD 样本中，如图 8 所示，GPT-4 获得了最高分，其次是 GPT-3.5。 图 8：CMD 结果 CMID 的情况与 CMD 类似，如图 9 所示，GPT-4 和 GPT-3.5 保持领先。除 GPT 系列外，DISC-MedLLM 表现最佳。
3.1K20编辑于 2023-09-08 认知计算·精准应答：AI 智能问答系统重塑知识交互新范式
核心痛点解析语义理解偏差：传统检索依赖关键词匹配，无法理解同义词、否定句等复杂语义场景适配僵化：固定问答对难以应对多样化表述方式与个性化咨询场景多轮交互缺失：无法记忆对话历史，每次问答都是独立会话，体验割裂专业知识壁垒 功能模块对比与效能提升功能模块传统问答系统AI 智能问答系统效能提升幅度意图识别关键词模糊匹配深度学习精准理解用户意图准确率提升至 95.3%多轮对话单轮独立问答上下文感知的连续对话任务完成率提升 68% 专业问答通用知识库回答领域自适应专业问答专业问题解决率提升 42%答案生成固定模板填充个性化动态生成答案用户满意度提升 55% 深度语义理解与推理引擎系统核心技术在于多层次的认知理解能力：语义解析层：通过 医疗健康咨询平台在医疗领域部署专业问答系统，基于医学知识图谱为患者提供症状解读、用药指导、康复建议。通过严格的医学知识校验确保回答准确性，合理分流患者，减轻医护人员负担 30%。 政务便民服务中心构建政务智能问答系统，精准解读政策法规、办事流程、资格条件。通过自然语言交互引导市民准备材料、预约办理，使政务咨询效率提升 8 倍，12345 热线接通率提升至 98%。
47010编辑于 2025-10-30- 来自专栏DrugOne
. | 生物医学知识文献网站PubTator 3.0
今天为大家介绍的是美国国立卫生研究院陆致用教授团队的一篇论文。PubTator 3.0是一款结合了最先进人工智能技术的生物医学文献搜索工具，它专注于蛋白质、遗传变异、疾病和化学物质等关键生物医学概念的语义及关联性搜索。该平台已累积提供超过十亿个实体和关系的注释，覆盖约3,600万篇PubMed摘要和600万篇PMC开放获取的全文文章，每周获取最新的相关信息。作者通过一系列实体对比查询展示了PubTator 3.0在文章检索方面的卓越性能，其检索量和前20条结果的精确度均优于PubMed和Google Scholar。此外，整合ChatGPT（GPT-4）的PubTator API显著提升了查询结果的事实性和可验证性。
81710编辑于 2024-05-13 - 来自专栏Owen's World
redis 问答
当时 Redis 主要以修改操作为主，写读比例差不多在 8:2 左右，也就是说，如果有 100 个请求，80 个请求执行的是修改操作。在这个场景下，用 RDB 做持久化有什么风险吗？
61210编辑于 2021-12-07 - 来自专栏Java实战博客
Spring 问答
答：IOC/DI：分别是控制反转、依赖注入（ depency injection ）作用是解耦 DI是IOC具体体现形式 AOP面向切面编程
35310编辑于 2022-01-17 用DeepSeek看病？腾讯健康安排「专业版」！
患者看病更顺畅，医生更高效，医疗AI也更专业，更靠谱——这次升级，腾讯健康让AI不仅会「回答」，更会「思考」，真正融入就医全流程： //患者就医更顺畅，AI全程智能陪伴 健康问答、智能导诊、预问诊、体检报告解读 但现在，在DeepSeek和混元的双重加持下，它们变得更「聪明」了： ● 健康问答：过去AI只是机械匹配医学知识，现在它能基于最新研究、指南和临床案例，结合语境精准回答问题，甚至可以根据用户习惯调整表达方式 ，让专业解读更易懂； ● 体检报告解读：AI不再只是列出一堆指标参考值，而是能结合个人健康数据和医学知识，分析异常指标的可能原因，并提供科学合理的健康建议，帮助用户更好地理解报告内容。 会「思考」的AI背后，腾讯健康投喂了1000亿医学Tokens训练专属医疗大模型，并结合覆盖98%疾病的医学知识图谱进行检索增强，确保回答更精准，降低虚假医疗信息的风险。 AI不再「自信地胡说八道」，而是基于海量医学知识推理，如同一位资深的「医疗专家」，真正帮助临床医生节省时间，提高诊疗质量。
88320编辑于 2025-02-27打造专业医学问答助手：基于腾讯云ADP平台的健康咨询智能体
本文将介绍如何使用腾讯云智能体开发平台（TencentCloudADP）构建一个专业的医学知识问答助手——“健康助手”，它能够基于腾讯医典的权威医学内容，为用户提供准确、专业的健康咨询服务。 ，它能够从腾讯医典的权威医学知识库中检索与用户问题相关的内容。 配置要点：●输入变量：引用大模型节点的输出内容●输出格式：保持原始格式，包含参考链接核心优势1.权威数据源●基于腾讯医典的专业医学内容●确保信息的权威性和准确性●覆盖全面的医学知识领域2.智能检索优化● 结论健康助手代表了智慧医疗发展的重要方向，通过深度整合自然语言处理、权威医学知识库和大模型分析技术，实现了从用户健康咨询到专业医学回复的全流程自动化。 基于腾讯云智能体开发平台（TencentCloudADP）的强大基础能力，该助手不仅显著提升了健康咨询的效率和专业性，更为普及医学知识和提升全民健康素养提供了强有力的技术支撑。
21910编辑于 2026-02-13- 来自专栏前端导学
前端架构问答
A 做到三点： 1 文件夹约束（将变更的影降低到最小） 2保守的看待代码复用这件事（避免为了代码复用而引入不必要的库，导致更高的维护成本） 3加强你的边界 (保护好现有的架构，阻止新人想要改造架构的冲动）
78320发布于 2020-11-23 - 来自专栏陌上风骑驴看IC
大牛问答 | LBIST
今早把一篇老文《葵花宝典：DFT问答第二篇》，文中有一段LBIST 的描述： A：LBIST （Logic Built-In Self Test）是针对逻辑电路的自测试。
5.9K31发布于 2020-04-08 - img{width:50px;border:1px solid #8e8e8eimg{width:50px;border:1px solid #8e8e8e img src="images/4.jpg"/>来自专栏MIKE笔记 技术教程
HTML【知识问答】
Java学习问答
（8）Web服务器后端与各类数据库连接管理器(队列、缓冲池)。 （9）安全扫描系统(包括网络安全扫描、数据库安全扫描、用户安全扫描等)。 （10）网络/应用管理系统。
Huginn问答汇总
问: 有一台闲置的 服务器，搭点什么服务比较有意思呢？ Huginn ，主要用来价格监控和 RSS 订阅 有没有一种爬虫服务，只需要我指定网站和规则，就可以定时爬数据，并且可以提供我指定格式的 json api 的，本人比较喜欢看自然科学相关的文章，经常看环球科学的网站，加上我是做 iOS 开发的，所以我想用 swift 做一个 app 方便看文章。本来是想自己做全栈的，包括设计和前后端(前后端全用 swift)，但是由于我对爬虫方面的知识不太了解，我想先完成 app，后期再用 Perfect 自己学习写爬
这 8 个问答解决你所有疑问
Spark 非常适合大型数据集❤️ 这篇博文会以问答形式涵盖你可能会遇到的一些问题，和我一开始遇到的一些疑问。 问题一：Spark 是什么？ Spark 是一个处理海量数据集的框架。
智能问答：视觉问答系统在客户服务中的创新
对于智能问答系统的部署过程和创新应用，这里将展示详细的部署步骤，并结合实际示例和代码解释。智能问答系统的应用在客户服务中具有重要意义，可以提高服务效率和用户体验，下面是部署过程的详细说明：I. 项目介绍和发展智能问答系统是一种结合了自然语言处理（NLP）和计算机视觉（CV）技术的人工智能系统，能够理解和回答用户提出的问题，其中视觉问答系统则通过分析图像内容来回答问题。 智能问答系统的发展历史可追溯到基于规则的系统，发展到统计机器学习方法和深度学习技术，尤其是近年来深度学习的发展使得问答系统在语义理解和问题解答方面取得了显著进展。 视觉问答系统则结合了计算机视觉和自然语言处理，使得系统能够根据图像内容回答问题，逐渐成为智能客服和虚拟助手领域的研究热点。II. 智能问答系统部署过程1. # 定义注意力层 self.attention = nn.MultiheadAttention(embed_dim=num_classes, num_heads=8)
问答系统调研
在完成毕业论文（设计）期间的调研工作，主要研究了几个经典的问答系统和机器阅读理解模型。 其实这里开始就会有不同的版本，这里是按照CS224n课程中的理解 DrQA 出自论文：Reading Wikipedia to Answer Open-Domain Questions 解决的问题：开放域问答 \beta (H_t,\check{U}_t, \check{H}_t) ，下标t表示列号，其中 \beta(a,b,c)=[a;b;a\bigodot b;a\bigodot c] ，G 的维度是 8d Retriever 出自论文：Answering Complex Open-domain Questions Through Iterative Query Generation 解决的问题：开放域问答
CSDN问答精选
csdn的问答模块回答了一些问题，有些还是比较有意思的，跳出来供大家阅览参考 留个标记点——2021-12-07 之前的回答 文章目录 1、会计用Python写月末一次加权平均法、先进先出法、移动加权平均法代码 ") print(f"最高分：{max(real_score_list)}") print(f"最低分：{min(real_score_list)}") # 第四题 for i in range(1,8,2 api.sssbrowser.com:443/v1/sec/policy [('device', '1'), ('vpn_user', '0'), ('sign', '1a309eb59366b4c1d50620e393f8e585031de595340c04415333314bb2eb1859
