首页 文章 精选 留言 我的

精选列表

搜索[辅助功能],共10007篇文章
优秀的个人博客,低调大师

我用 WorkBuddy 辅助草药安全性评价研究的几点心得

做中药安全性评价研究的同行都知道,这类活儿琐碎:GHS 毒性分类要逐条核对、斑马鱼和秀丽线虫等 3R 替代模型的文献要反复查证、投稿用的图形摘要改到十几轮是常事。最近一轮稿件修订中,我把这些工作交给了 WorkBuddy,几点真实体会分享给大家。 ## 一、把专业规则前置,别让它"自由发挥" 我做的第一件事,是在开工前把硬性要求写成规则交给它:分类标签必须用完整斜体(*Category 1* 这种格式)、图形输出必须给可编辑的 PPTX、分辨率不低于 300 dpi、字体字号按期刊要求来。 效果很明显:这些格式类问题在后续十几轮修订里基本没再出过错。**规则说在前面,比每轮返工提醒省事得多。** ## 二、学术内容务必让它先问、再查、后答 安全性评价涉及毒性分级和替代方法学,最怕 AI 幻觉。我的做法是在规则里写死两条:**回答前先向我提问,直到理解清楚为止,一次只问一个**;**回复前先自我检查,确保有依据**。 实际用下来,它会在动手前把模糊点一个一个问清楚,比如分类依据的数据来源、模型的适用范围等,确认后再动笔。专业内容自己再核一遍原始文献,双保险。 ## 三、图形摘要多轮修订,靠"专家复核 + 版本目录" 我的稿件改到第 17 轮时,最大的风险已经不是格式,而是表述的学术准确性。WorkBuddy 内置的领域专家这时候派上了用场——涉及专业判断的内容先让专家视角过一遍,再进入排版环节。 另外一个小习惯:每轮修订的产物和批注稿放在同一个日期命名的文件夹里,下一轮直接说"基于上一轮,新增修订点如下……",上下文不丢,衔接很顺。 ## 总结 一轮图形摘要修订从半天压缩到一两个小时,格式问题基本绝迹。对科研写作这类"高频、规范密集"的任务,WorkBuddy 的**规则前置 + 先问后答 + 专家复核**这套组合,值得试试。 有同行也在做类似工作流的,欢迎评论区交流。

优秀的个人博客,低调大师

智能体在供应链计划与智能排产中的辅助决策

计划与执行,是供应链自动化的两半。过去企业把自动化大量投在"执行层"——自动下单、自动对账、自动发运,但"计划层"(需求预测、排产排程、库存优化)仍靠人拍脑袋或用静态规则。当企业级智能体自动化平台引入 RPA+大模型,计划层由此拥有了"会推理的助手":它读历史数据、看实时库存、听业务约束,给出可解释的计划建议。本文讲清楚智能体在供应链计划与排产里的落地方式。 ## 一、计划层为什么适合上智能体 计划层的难点不是"算得快",而是"算得对且说得清":需求波动、供应中断、产能瓶颈交织,规则写死就容易僵化。智能体的价值在于:用大模型理解非结构化信息(如一封保供函、一条天气预警),用 执行层机器人把计划结果回写到 ERP 与 MES,形成"读—想—写"的闭环。 某工业互联网企业把大宗物料价格监控从 90 分钟压缩到 15 分钟、效率提升约 5 倍,背后是大模型读懂多源价格、机器人回写结果的配合;这种"读行情、出建议"的模式,正是计划层智能体的雏形。 ## 二、三个典型落地点 - **需求感知**:聚合销售、库存、外部信号,生成滚动需求预测,异常自动标红; - **智能排产**:结合产能、物料、交期约束,给出排程建议并标注冲突; - **库存优化**:按周转与波动动态建议安全库存,避免过度囤货或缺料。 某轴承零部件企业的 BOM 校验从 60 分钟降到 20 分钟、效率提升约 3 倍,关键一步就是把物料主数据作为计划基准——计划准,执行才顺。 ## 三、人机协同:人定方向,智能体填细节 计划是高风险决策,不能全交给模型。建议"人审关键参数、智能体填细节":业务方设定产能上限、服务水平等硬约束,智能体在约束内生成多版方案并标注取舍。零售场景下,智能调度让响应偏差下降约 12%、供应链韧性提升约 40%,正是"人定边界、模型寻优"的结果。 ## 四、避坑 - 避免"黑盒排产":每版计划都要可解释,便于人工质疑; - 主数据要准:物料、产能、交期错一处,计划全偏; - 计划与执行要打通:建议必须能回写系统,而非停留在表格。 ## 五、把计划智能体纳入企业自动化体系 计划层智能体不应是部门级的孤立脚本,而要纳入企业级智能体自动化平台的统一治理。在平台"四层闭环"(感知—认知—决策—执行)里,它处在"认知到决策"的关键一段:感知层汇集库存、订单与物流信号,认知层读懂天气、保供函等非结构化信息,决策层综合约束给出计划建议,执行层再把结论回写 ERP 与 MES,形成完整闭环。 治理上要过好"三道门":数据门要求物料、产能、交期主数据口径统一,否则计划全盘失真;系统门要求回写动作带审批与留痕,防止误改生产系统;责任门要求重大计划变更必须由人确认,模型只做建议。借助 CoE 卓越中心与"机器人工厂"模式,单个品类的排产场景跑通后,可快速复制到其他工厂与事业部;多租户架构还能让集团内不同单位共用同一套计划智能体,按角色隔离各自数据。 当计划与执行都沉淀为可复用资产,供应链运营就能从"出问题再救火"转向"事前主动排程",这也是超自动化在企业落地的典型路径。 ## 落地检查清单 - 计划层是否引入非结构化信息理解(函件 / 预警) - 需求 / 排产 / 库存三类场景是否都已覆盖 - 计划结果是否能回写 ERP / MES 形成闭环 - 每版计划是否可解释、可被人质疑 - 主数据与硬约束是否由人把控

资源下载

更多资源
腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

用户登录
用户注册