《准确率低》 你需要一套专家：系！统

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：

AI聊得不像人，最常见案例就是生硬，就算上RAG或知识库也不好使；

AI准确率不高，最常见就是AI能覆盖80%的场景，但业务的及格线是95%；

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：

专家系统与准确率

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。

规则兜底与飞轮系统

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500mg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：

疗程不足：标准门诊疗程常为「首日500mg，随后250mg/日，再服4天」，或「500mg/日×5天」；3天有复燃风险

潜在禁忌：患者67岁，已在用胺碘酮（抗心律失常药）。阿奇霉素有显著QTc延长风险，联合胺碘酮可触发尖端扭转型室速

用药冲突：若无哮喘/慢阻肺史，布地奈德福莫特罗属于多余治疗

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。

结语

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。