大模型应用开发 / 系统课时

常见应用形态

常见应用形态

同样使用大模型,不同产品的交互方式、数据来源和执行边界可能完全不同。本课将区分六种常见应用形态,并通过任务特征判断应该做对话助手、知识问答、固定工作流,还是能够自主选择步骤的智能体。

学习目标

  • 区分六种常见大模型应用形态
  • 根据输入、输出和执行方式选择合适方案
  • 避免把所有需求都设计成聊天机器人或智能体

六种应用形态

对话助手以多轮交流为核心。它需要保存必要的会话上下文,根据用户后续问题补充或修正答案,适合客服咨询、学习辅导和办公助手等需要持续互动的场景。

内容生成应用通常接收明确要求,一次生成文章、邮件、脚本、图片描述或营销文案。它更关注模板、风格、长度和审核流程,不一定需要多轮对话。

知识问答应用先检索指定知识,再依据检索结果回答。它适合企业制度、产品手册和技术文档查询,重点是知识范围、引用依据、数据更新和无答案时的处理方式。

信息抽取应用把非结构化内容转换为字段、标签或记录,例如从合同中提取甲乙方、金额和日期。它强调输出结构稳定、字段校验和批量处理,而不是语言表达是否自然。

工作流应用按照预先设计的步骤执行任务,例如先分类工单,再查询客户资料,最后生成回复草稿。步骤、分支和失败处理通常由程序明确控制,模型只处理其中适合语言理解的节点。

智能体能够根据目标和当前状态,自主选择工具、调整步骤并持续执行,适合路径难以预先完全确定的任务。它的灵活性更高,但成本、延迟和不可预测性也更高。

核心差异对比

应用形态 主要输入 主要输出 执行方式 典型场景
对话助手 连续自然语言消息 多轮回复 根据上下文持续交互 客服、辅导、办公问答
内容生成 主题、素材与格式要求 文案或其他内容 通常单次或少量修改 邮件、报告、营销文案
知识问答 问题与检索到的资料 有依据的回答 先检索,后生成 制度、手册、内部知识库
信息抽取 文档、图片或消息 结构化字段 按固定结构解析 合同录入、票据识别、分类
工作流 业务事件与规则 多步骤处理结果 程序预先定义步骤 工单处理、审核、内容生产
智能体 目标、环境状态与工具 动态执行结果 模型自主规划和选工具 开放式研究、复杂任务协作

这些形态并不互斥。一个知识问答产品可以使用聊天界面,一个工作流也可以在某个步骤调用信息抽取模型。分类的目的不是给产品贴标签,而是确定哪个机制承担主要职责。

如何选择应用形态

先看结果是否可以一次生成。输入明确、输出格式固定且不需要查询外部事实时,通常选择内容生成或信息抽取。前者输出面向人阅读的内容,后者输出供程序继续处理的数据。

如果答案必须依据指定资料,应选择知识问答,而不是仅靠提示词要求模型“不要编造”。知识问答的关键步骤是检索和引用,聊天界面只是可选的交互方式。

如果任务包含多个确定步骤和明确分支,优先使用工作流。程序控制执行顺序,可以稳定重试、记录状态并处理异常。只有当下一步无法提前确定,需要模型根据环境动态决策时,才考虑智能体。

当用户会不断追问、补充条件或改变目标时,可以增加对话助手能力。但多轮交互不代表整个系统都应由模型控制,权限、状态和业务规则仍应由应用程序管理。

组合应用示例

以“企业合同审核助手”为例,系统可以先用信息抽取识别合同主体、金额和期限,再从制度库中检索审核规则。随后,一个固定工作流检查必填字段、风险条款和审批条件,最后由内容生成能力形成审核摘要。

用户通过对话助手追问某项风险时,系统继续引用原合同和制度依据回答。只有在需要跨多个系统自主收集材料、反复调整计划时,才有必要加入智能体。这个组合比直接让一个智能体包办全部步骤更容易控制和验证。

容易选错的情况

界面像聊天窗口,不代表应用就是对话助手。若每次问题都独立检索企业文档,它的核心仍是知识问答。

步骤较多也不等于需要智能体。只要执行顺序和分支可以提前描述,固定工作流通常更稳定、更便宜,也更容易排查失败原因。

结构化输出同样不能只依赖模型生成。信息抽取结果应经过类型、枚举、必填项和业务规则校验,未通过的数据需要重试或转人工处理。

本课总结

  • 应用形态应根据输入、输出、数据来源和执行方式判断,而不是根据界面名称判断
  • 固定且可描述的多步骤任务优先使用工作流,只有路径难以预定义时才考虑智能体
  • 多种形态可以组合,但应让每种机制只承担它最擅长的职责

下一课预告

下一课将进一步认识大模型请求中的提示词、上下文与输出结构,为设计第一个可控的大模型功能做好准备。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

常见应用形态

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通