数据库设计小结.doc下载

【AI大模型应用开发】【项目实战】18.RAG智慧问答项目-(六)基于Milvus库的问答系统之向量存储

本文详细阐述RAG系统中基于Milvus的向量存储模块设计与实现，涵盖BGE-M3嵌入模型的稠密/稀疏向量生成、Milvus集合创建与字段定义、文档向量化存储、混合检索（稠密+稀疏）及BGE-Reranker重排序等关键技术环节，强调向量数据库在提升问答准确率与检索效率中的核心作用。

可视化ETL平台--Kettle

本文详细介绍了Kettle这款开源的ETL工具，包括ETL概念、Kettle的特点与安装流程。通过实例演示了在Windows环境下配置JDK、安装Kettle，并创建MySQL数据库的过程。接着，展示了如何使用Kettle进行数据转换，包括从txt到Excel、Excel到MySQL的数据转换，以及使用插入/更新组件同步数据。最后，探讨了如何通过作业（Job）设置定时任务，实现每5秒执行一次数据迁移。

AI如何真正理解人类整句话意图？任务理解三层架构实战

本文聚焦AI如何真正理解人类自然语言中的完整任务意图，提出并验证了意图层、上下文层、执行层的三层洋葱架构。针对指令模糊性、跨平台语义鸿沟、动态约束缺失三大断层，通过小模型+规则引擎混合方案、上下文编织器、任务契约建模等工程技术，在教育与电商场景中实现高可靠任务理解。强调可解释性、时效性保障与人类行为建模，拒绝端到端大模型黑箱依赖。

医疗智能体与RAG：构建可溯源的临床决策支持系统

本文详述基于RAG架构构建可溯源临床决策支持系统（CDSS）的全流程，强调Medical Agent在状态感知、任务分解、工具调用与结果验证中的工作流智能；提出三层检索漏斗（元数据过滤、临床实体三元组匹配、精调Cross-Encoder重排序）保障精确召回；详解语义感知切片、临床问句归一化、知识源质量控制等关键技术，并指出系统必须锚定权威指南原始载体以满足医疗器械合规要求。

本地部署Med-PaLM M实现病历结构化抽取实战

本文详述在M1 Pro笔记本上本地部署开源医疗大模型Med-PaLM M，实现非结构化病历文本到标准化医学实体（疾病、药物、剂量、时间等）的端到端结构化抽取。涵盖硬件适配（Q4_K_M量化、内存优化）、三阶段预处理（OCR纠错、结构化解析、医学实体初筛）、分层提示工程（JSON Schema约束、Few-shot示例、锚点文本）、纯模型抽取架构设计，以及真实病历基准测试（F1达84.3%）。全程离线运行，保障数据隐私与合规性。