#BestBlogs 看我如何用 Prompt 工程将大模型调教成风控专家 | 京东技术 文章详细阐述了如何通过循序渐进的 Prompt 工程,将通用大模型调教成精准识别复杂电商风控风险的 AI 专家。 摘要: 文章作者作为交易风控算法工程师,分享了将大语言模型(LLM)引入电商风控工作的实践经验。通过四个阶段的“Prompt 工程心法”,作者将一个通用大模型从“什么都懂一点”的初级分析员,逐步培养成能精准识别复杂电商风控风险的“AI 专家”。这包括:第一阶段的角色扮演和结构化输入输出,实现自动化;第二阶段注入业务常识和“豁免规则”,显著降低误报率;第三阶段提升分析深度,教会 AI 识别协同作案的“行为指纹”;第四阶段引入“双假设裁决框架”和“硬链接”证据,使 AI 能在模糊信息中做出审慎判断。文章总结了“始于模仿,终于框架”、“规则是骨架,背景是血肉”等心法,强调 Prompt 工程是连接领域专家与 AI 的创造性交叉学科。 主要内容: 1. 通过角色扮演和结构化 I/O,将通用大模型训练成初级风控分析员。 -- 设定 AI 为资深风控专家,定义分析维度,并规范 CSV 输入和 JSON 输出,实现风控分析流程的自动化和初步结构化。 2. 注入业务常识和“豁免规则”,显著提升大模型对业务复杂性的理解和准确性。 -- 针对高折扣、随机串用户 ID 等业务中正常现象的误判,明确业务背景知识,有效降低误报率,使模型更具业务敏感性。 3. 提升大模型分析深度,教会 AI 识别团伙级协同风险的行为指纹。 -- 通过拓宽风险定义,从订单级提升到团伙级,识别如远超个人合理消费范畴的低价值快消品和“购物车一致性”等行为模式,发现更深层次的隐蔽风险。 4. 引入“双假设裁决框架”和“硬链接”证据,使大模型能在模糊信息中做出审慎判断。 -- 要求 AI 在“协同风险团伙”和“良性特征客群”两个假设间权衡,并以“硬链接”作为决定性证据,从而区分真假聚集,实现法官式的终极裁决。 文章链接:
#BestBlogs 凡人程序员进入修仙时代?意图即代码的范式革命即将到来 | 腾讯云开发者 文章提出“意图即代码”的 AI 原生开发范式,通过意图编排、资源发现和意图约束三大支柱,将开发者从编码细节中解放,回归业务逻辑与架构设计。 摘要: 本文深入探讨并构想了“意图即代码”这一革命性的 AI 原生开发范式,旨在通过提升抽象层次,让开发者仅用自然语言定义业务意图,而由 AI 负责具体的实现、探索与验证。 文章详细阐述了支撑这一范式的三大核心支柱:意图编排,通过可视化画布和结构化意图树管理业务逻辑及隐式数据流;资源发现,构建 AI 可理解的外部世界地图,实现动态交互式工具利用;以及意图约束,通过契约和行为测试确保 AI 生成代码的可靠性与可预测性。文章还通过一个“用户登录”示例,完整展现了 AI 原生开发的工作流,强调了该范式在提升开发效率、保证软件正确性和实现敏捷开发方面的巨大潜力,并展望了开发者角色从“代码工匠”向“思想创造者”的转变。 主要内容: 1. “意图即代码”范式将开发者从编码细节中解放,聚焦业务逻辑 -- 通过自然语言定义意图,AI 负责实现,使开发者能站在更高抽象层级,回归架构师和思想家的角色,提升开发效率和业务理解。 2. 意图编排、资源发现、意图约束是支撑新范式的核心支柱 -- 意图编排管理业务流程,资源发现为 AI 提供工具地图,意图约束通过契约和测试保证 AI 生成代码的质量与可控性。 3. 该范式通过“生成-测试-反馈-迭代”闭环确保 AI 创造力可靠 -- AI 根据意图和契约生成代码,系统自动沙箱测试并反馈失败案例,驱动 AI 自我修正,实现代码质量的自动化保证。 文章链接: