WThinking

Appearance

第20章 行业实战：教育 + 医疗 + 金融 ​

教育要因材施教，医疗要安全合规，金融要风控精准。三个行业，三种 Agent，三套不同的设计哲学。

我是怕浪猫，前面19章讲了 Agent 的理论、框架和工程实践。这章开始进入行业实战，用3个真实的行业场景，带你构建不同领域的 Agent 应用。

20.1 教育行业：AI 个性化辅导 Agent ​

行业痛点

  1. 大班教学无法因材施教：一个老师对40个学生，无法个性化
  2. 作业批改耗时：老师批改作业占大量时间
  3. 知识盲点难发现：学生不知道自己哪里不会
  4. 学习动力不足：缺乏正向反馈

Agent 设计思路

学生学习数据
    ↓
[学情分析Agent] → 识别知识盲点和学习风格
    ↓
[教学策略Agent] → 生成个性化学习路径
    ↓
[内容生成Agent] → 生成练习题和讲解
    ↓
[作业批改Agent] → 自动批改和反馈
    ↓
[学情报告] → 输出学习报告给家长

学情分析 Agent

python
from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain.tools import tool

@tool
def get_student_records(student_id: str) -> str:
    """获取学生学习记录，包含历次考试成绩、错题记录、学习时长等。"""
    records = query_student_db(student_id)
    return format_records(records)

@tool
def analyze_weak_points(records: str) -> str:
    """分析学生的薄弱知识点。"""
    # 基于错题记录和考试成绩分析薄弱点
    weak_points = identify_weak_knowledge_points(records)
    return format_weak_points(weak_points)

@tool
def determine_learning_style(records: str) -> str:
    """判断学生的学习风格。"""
    # 根据学习行为判断风格
    style = classify_learning_style(records)
    return f"学习风格：{style}"

llm = ChatOpenAI(model="gpt-4o")

student_analyst = create_react_agent(
    llm,
    [get_student_records, analyze_weak_points, determine_learning_style],
    ChatPromptTemplate.from_messages([
        ("system", "你是一个学情分析专家。分析学生的学习数据，找出薄弱点和学习风格。"),
        ("human", "{input}"),
        ("assistant", "{agent_scratchpad}")
    ])
)

个性化练习生成

python
@tool
def generate_exercises(topic: str, difficulty: str, count: int) -> str:
    """根据主题和难度生成练习题。"""
    prompt = f"""
    生成{count}道关于"{topic}"的{difficulty}难度练习题。
    要求：
    1. 题型多样（选择、填空、简答）
    2. 每题附标准答案和解析
    3. 难度梯度递增
    """
    return llm.invoke(prompt).content

合规注意

  1. 未成年人保护：AI 辅导不收集过多个人信息
  2. 内容安全：生成内容需经过安全审核
  3. 家长知情：AI 辅导需告知家长
  4. 不能替代教师：AI 是辅助工具，不是替代品

20.2 医疗行业：AI 健康咨询 Agent ​

行业痛点

  1. 医疗资源不足：优质医生集中在一线城市
  2. 初诊效率低：患者不知道挂什么科
  3. 健康意识薄弱：缺乏日常健康管理
  4. 信息不对称：患者难以理解医学术语

Agent 设计思路

用户描述症状
    ↓
[症状分析Agent] → 初步分析症状
    ↓
[科室推荐Agent] → 推荐就诊科室
    ↓
[健康咨询Agent] → 解答健康问题
    ↓
[用药提醒Agent] → 用药提醒和注意事项

安全红线

AI 健康咨询的绝对禁区：
1. ❌ 不能做诊断——只能说"可能是"，不能说"是"
2. ❌ 不能开处方——只能提供参考建议
3. ❌ 不能替代就医——必须建议就医
4. ❌ 处理急症——立即建议拨打120

症状分析 Agent

python
@tool
def analyze_symptoms(symptoms: str) -> str:
    """分析用户描述的症状，给出可能的健康问题。"""
    prompt = f"""
    用户描述的症状：{symptoms}
    
    请分析：
    1. 可能相关的健康问题（列出2-3个可能）
    2. 建议的就诊科室
    3. 紧急程度判断（紧急/一般/轻微）
    
    重要声明：
    - 以上分析仅供参考，不能作为诊断依据
    - 建议尽快就医，由专业医生诊断
    - 如有紧急情况请立即拨打120
    """
    return llm.invoke(prompt).content

@tool
def check_emergency(symptoms: str) -> str:
    """检查是否是紧急症状。"""
    emergency_keywords = ["胸痛", "呼吸困难", "大量出血", "昏迷", "抽搐", "中风"]
    
    for keyword in emergency_keywords:
        if keyword in symptoms:
            return "紧急！请立即拨打120急救电话！"
    
    return "非紧急症状，建议尽快就医。"

合规框架

合规项要求实现方式
数据隐私患者数据不外泄本地化部署+加密存储
诊断限制AI不能做诊断提示词约束+输出声明
处方限制AI不能开处方工具白名单（无处方工具）
内容审核医疗建议需审核输出后处理+关键词过滤
资质标识明确AI身份所有输出附带免责声明

20.3 金融行业：AI 智能投顾 Agent ​

行业痛点

  1. 投资门槛高：普通人不知道怎么投资
  2. 风控难度大：市场变化快，人工风控不及时
  3. 合规要求严：金融行业合规要求最严格
  4. 信息过载：海量数据难以快速分析

Agent 设计思路

用户投资需求
    ↓
[风险评估Agent] → 评估用户风险承受能力
    ↓
[市场分析Agent] → 分析市场趋势和机会
    ↓
[投资组合Agent] → 生成个性化投资组合建议
    ↓
[风控Agent] → 实时风控和预警
    ↓
[合规检查Agent] → 确保建议合规

风控 Agent

python
@tool
def check_risk_level(portfolio: dict) -> str:
    """检查投资组合的风险等级。"""
    risk_score = calculate_portfolio_risk(portfolio)
    
    if risk_score > 0.8:
        return "高风险：建议降低仓位或增加对冲"
    elif risk_score > 0.5:
        return "中等风险：建议关注市场变化"
    else:
        return "低风险：当前配置较为稳健"

@tool
def check_concentration(portfolio: dict) -> str:
    """检查持仓集中度。"""
    max_single = max(stock["weight"] for stock in portfolio["stocks"])
    
    if max_single > 0.3:
        return f"集中度过高：单只股票占比{max_single*100:.1f}%，建议分散持仓"
    return "持仓分散度正常"

合规检查 Agent

python
@tool
def check_compliance(advice: str) -> str:
    """检查投资建议是否合规。"""
    
    compliance_rules = [
        "不能承诺收益",
        "不能保证本金安全",
        "必须提示投资风险",
        "不能推荐具体股票买入/卖出",
        "必须说明建议仅供参考"
    ]
    
    violations = []
    for rule in compliance_rules:
        if violates_rule(advice, rule):
            violations.append(rule)
    
    if violations:
        return f"合规问题：{violations}"
    return "合规检查通过"

免责声明模板

本投资建议由AI系统生成，仅供参考，不构成任何投资建议或承诺。
投资有风险，入市需谨慎。过往业绩不代表未来表现。
请根据自身情况独立做出投资决策，本平台不对任何投资损失承担责任。

20.4 行业 Agent 开发通用方法论 ​

三步设计法

Step 1：理解行业痛点
    → 行业从业者访谈
    → 分析高频低效场景
    → 确定Agent可解决的问题

Step 2：设计 Agent 架构
    → 单Agent vs 多Agent
    → 工具设计（能做什么）
    → 安全边界（不能做什么）

Step 3：合规先行
    → 了解行业法规
    → 设计合规检查机制
    → 输出免责声明

行业 Agent 特性对比

特性教育医疗金融
核心风险内容不当误诊投资损失
合规严格度中极高极高
数据隐私中极高高
人工介入低高高
容错空间中极低低
部署方式云端本地本地/私有云

行业 Agent 的核心不是"技术多厉害"，而是"对行业的理解多深"。技术是通用的，行业知识是专属的。

本章小结

主题核心要点
教育Agent学情分析→个性化路径→练习生成→自动批改
医疗Agent症状分析→科室推荐→健康咨询，4条安全红线
金融Agent风险评估→市场分析→投资组合→风控→合规
通用方法理解痛点→设计架构→合规先行
行业对比合规严格度和容错空间因行业而异

觉得有用？收藏起来，下次直接照抄。

你在哪个行业做过 AI Agent？评论区聊聊你的经验。

关注怕浪猫，下期我们讲电商+法律+制造三大行业的 Agent 实战。

系列进度 20/24

下章预告： 第21章我们将继续行业实战，从电商到法律到制造，三个不同行业场景的 Agent 应用开发。

热爱生活，喜好美食，追求未来！

Copyright © 2026-present 焕然一新组合出版