零基础掌握大模型应用开发:用Dify构建智能合同审核系统+专属插件,新手必备指南

手把手实战:快速构建合同智能审查Agent 配置“模型供应商”,选择 “OpenAI-API-compatible”,输入申请到的 “API Key” 和 “URL” 后点击“保存”,如下图示例完成 “AlayaNew/DeepSeek-R1。至此,我们完成了合同智能审核Agent的构建,我们也可以在Dify中把这个智能体发布为API服务,这样企业其它应用如OA就可以通过API集成,在原合同流程中实现智能审核工作。该节点“输入变量”中,配置从“开始”节点中获取上传的文件,输出变量就是合同的内容,配置如下图。接下来我们开始创建智能体。 阅读详情
AI摘要

本文介绍了如何利用Dify开发智能合同审核系统,涵盖合同文件的智能分块处理、分段迭代审核以及批注生成与报告整合。通过语义分块插件和Word文档批注工具,实现了高效的合同审核流程。

近期公司计划引入大语言模型(LLM)对内部合同文件和制度文档进行自动化审核,以减轻人工负担。为此,我着手研究如何利用Dify开发一套智能审核系统。虽然网上有不少相关工作流的教程,但实际落地时却发现诸多挑战。多数方案仅是简单的提示词+文件上传+结果输出模式,在实际应用中存在明显短板:

  • 一次性让模型处理整篇文档易导致注意力分散(长文本场景下,LLM通常对首尾内容记忆更清晰),影响审核质量
  • 文档长度超过模型上下文限制时,如何科学分割内容?
  • 审核结果能否直接在原Word文档中生成批注?

针对这些问题,我想到可以基于标题对Word文档进行智能分割,而非简单截断。但如何在Dify中实现这一功能呢?代码执行节点安装第三方库较为繁琐,且无法完成复杂的文件读写操作。既然Dify插件市场没有合适的工具,那就自己开发一个!

成果展示

说明:原视频时长较长,此处为加速播放版本

下面为大家介绍该工作流的实现过程:

整体流程图

整个工作流分为三个核心模块:

  1. 合同文件的智能分块处理
  2. 分块内容的迭代审核
  3. 带批注的Word文档生成

以下将结合工作流文档的实现逻辑,对这三大模块进行详细技术解析:

模块详解

一、合同文件的智能分块处理

流程图

关键技术点(Word文档智能分块)
  1. 起始节点参数设计


自定义了三个核心参数,其中文件类型为必填项:

  • file_type:用于区分审核类型(合同文件/制度文件),为后续针对性处理提供依据
  • focus_point:用户可输入关注重点,便于LLM在审核时优先关注相关内容
  • contracting_party:用户选择合同立场(甲方/乙方),使审核更具针对性
  1. 格式兼容性处理

  • 原生支持.docx格式(直接使用开发的word-tool插件)
  • 对.pdf格式先转为Word再处理(借助插件中的pdf2word工具)
  • 自动拦截.doc格式(提示用户转换),当检测到.doc文件时,系统会明确提示不支持该格式

关于未开发doc转docx功能的说明:实现这一转换需要在Dify容器中额外安装libreoffice工具,考虑到多数用户操作不便,故未集成该功能,建议用户自行转换格式。

  1. 语义分块插件

这是我开发的核心插件之一,专门针对合同和制度类文件优化。其分块逻辑是通过Python-docx库先识别段落,再判断每个段落是否为标题,最后结合标题与普通段落进行分块,确保每个章节或小节作为独立单元,保持良好的语义完整性。感兴趣的读者可查看我的GitHub源码

该插件包含以下核心模块:

(1) 多维度标题识别
算法通过多重维度精准识别标题:

  • 样式检测:识别Word内置标题样式(如Heading1-6)
  • 格式特征:分析加粗、字体大小、居中对齐、黑体等格式特征
  • 正则匹配:识别数字编号(1.、1.1)、中文序号、章节条目等结构模式
  • 文档类型优化:针对合同和制度文件提供专属标题识别模式
  • 文本分析:结合长度、关键词、结尾符号等特征辅助判断

(2) 智能语义分块
采用语义感知的分块策略:

  • 连续标题处理:将多个连续标题合并为一个逻辑单元
  • 长段落独立:超过1000字符的长段落单独成块
  • 短段落合并:将短段落与相邻内容智能合并,避免碎片化
  • 表格处理:确保表格与其最近的标题处于同一区块

(3) 数学分组算法
当分块数量超过限制时,采用精确的数学算法处理:

  • 数量精确控制:通过商和余数计算确保最终块数不超过限制
  • 余数优化分配:前余数组每组包含商+1个段落,其余组包含商个段落
  • 相邻合并策略:优先合并相邻段落,保持内容连贯性

由于Dify的迭代节点最多支持30个迭代对象,因此分块数量上限设为30个,同时支持用户自定义分块数量。

  • 输出结构示例(JSON数组,对应Dify中的array[object]类型):
{"1": "第一条 合同主体...", "2": "第二条 付款方式..."}
  1. JSON数据提取
def main(chunks) -> dict:
    # 提取第一个字典
    data_dict = chunks[0]
    # 按数值顺序排序键(1,2,3...30)
    sorted_keys = sorted(data_dict.keys(), key=lambda x: int(x))
    # 按排序后的键构建结果
    content = [{key: data_dict[key]} for key in sorted_keys]
    return {"result": content}

提取分块后的JSON数据,返回array[object]类型对象,便于后续迭代节点处理。

二、分段迭代审核

这一模块主要涉及提示词工程和RAG(检索增强生成)技术,针对合同文件和制度文件分别设计专用提示词,要求模型输出结构化的审查结果,以便后续用正则表达式提取关键信息。

流程图:

关键技术实现
  1. RAGFlow知识库构建
    考虑到RAGFlow知识库对法律文件和制度文件有专业的分块策略,因此合同范本和法律文献均采用RAGFlow平台作为知识库。

合同审核依赖的知识库主要包括合同范本、审核规则和法律法规。由于单位尚未整理专用审核规则(若有则更佳),我将通用审核规则整合到提示词中,目前使用的知识库包括:

  • 合同范本库:企业私有标准合同库(采用General策略分块)

  • 法规库:最新法律法规库(采用LAW策略分块)

  1. 动态关键词检索与段落总结

在迭代节点中,每次处理一个分块内容。若直接将整个块作为关键词检索,容易超过知识检索节点的上限,且召回效果不佳。因此采用先对段落进行关键词提取的策略,以下是LLM的提示词:

【身份】
你是一个段落关键词提取器兼段落结构总结器,主要有两个任务:一是提取段落中的关键词,供后续节点进行知识库检索;二是对当前段落进行目录式总结,为后续全文总结和结构审核提供基础。

【背景】
你是文件审核系统的一个节点,由于文件过长,已被拆分为多个段落,你仅处理其中一个段落。通过对每个段落的总结,后续节点将拼接所有总结内容,形成全文总结并审核结构完整性,避免因文件过长导致超出读取上限。

【要求】

关键词要求:
1、全面提取整个段落的内容;
2、检索关键词不超过10个,数量适中。

段落总结要求:
1、尽量概括该段落的目录结构和主要内容;
2、每个段落总结不超过200字。

输出要求:
严格按照以下JSON格式输出:
{
  "type": "object",
  "properties": {
    "keyword": {
      "type": "string",
      "description": "提取的关键词"
    },
    "paragraph_summary": {
      "type": "string",
      "description": "段落总结"
    }
  },
  "required": [
    "keyword",
    "paragraph_summary"
  ],
  "additionalProperties": false
}
【提示】
当前处理段落:{{#context#}}

通过将段落传入LLM节点,生成该段落的关键词,作为后续知识库检索的依据。同时让LLM生成段落总结,因为迭代切片方式下LLM无法看到全文,通过合并各段总结,可让迭代外的LLM进行整体结构审查与总结。

由于合同审核与制度审核的LLM提示词较长,此处未完全展示,可参考分享的DSL查看详情。

  1. 信息提取
import re

def main(text):
    # 匹配所有问题块(从"合同文件中存在问题的原句摘要"到下一个同类标题前)
    problem_blocks = re.findall(
        r"合同文件中存在问题的原句摘要\b.*?(?=\n\s*(?:\*\*)?合同文件中存在问题的原句摘要\b|\Z)",
        text,
        re.DOTALL,
    )

    result_dict = {}

    for block in problem_blocks:
        # 提取原句摘要(从标题后到问题点前)
        origin_match = re.search(
            r"合同文件中存在问题的原句摘要\b[^\n]*(.*?)(?=\n\s*(?:\*\*)?问题点\b)",
            block,
            re.DOTALL,
        )

        # 提取问题点(从标题后到相关法律依据前)
        problem_match = re.search(
            r"问题点\b[^\n]*(.*?)(?=\n\s*(?:\*\*)?相关法律依据\b)", block, re.DOTALL
        )
        # 提取风险等级
        risk_level = re.search(
            r"风险等级\b[^\n]*(.*?)(?=\n\s*(?:\*\*)?修改建议\b)", block, re.DOTALL
        )

        # 提取修改建议(从标题后到是否有需要补充的条款前)
        suggestion_match = re.search(
            r"修改建议\b[^\n]*(.*?)(?=\n\s*(?:\*\*)?是否有需要补充的条款\b)",
            block,
            re.DOTALL,
        )

        if origin_match:
            origin = origin_match.group(1).strip()
            problem = (
                problem_match.group(1).strip() if problem_match else "未找到问题点"
            )
            suggestion = (
                suggestion_match.group(1).strip()
                if suggestion_match
                else "未找到修改建议"
            )
            risk = (
                risk_level.group(1).strip()
                if risk_level
                else "未找到风险等级"
            )

            # 拼接问题点和修改建议作为value
            result_dict[origin] = f"问题点:\n{problem}\n\n风险等级:\n{risk}\n\n修改建议:\n{suggestion}"

    # 提取全局的补充条款
    additional_match = re.search(
        r"是否有需要补充的条款\b[^\n]*(.*?)(?=\n\*\*\*合同文件中存在问题的原句摘要\b|\Z)", text, re.DOTALL
    )

    return {
        "problems": result_dict,
        "additional_clauses": (
            additional_match.group(1).strip() if additional_match else ""
        ),
    }

通过正则表达式提取LLM的审核结果,前提是必须要求LLM按固定结构输出,否则难以用正则提取。输出格式要求如下:

【输出要求】
1、审核结果按以下格式输出:
**合同文件中存在问题的原句摘要**
[具体原句内容]
> 注意:`合同文件中存在问题的原句摘要`要以一个句子或一个小段落为单元,不允许一次性输出多个段落或长段落。若有多句话或多个小段落有问题,可重复该结构,但不得超过5个。原句不允许省略,务必保证完整性!

**问题点**
[具体问题描述]

**相关法律依据**
> [法律1]
> [法律2]

**风险等级**
> [风险等级]

**修改建议**
[具体修改建议,不超过五点]

**是否有需要补充的条款**
[是/否及补充内容]

(多个问题重复以上结构,每个结构不可缺少,每段问题不超过5条!)

这里说明一下为何不使用Dify中LLM节点的JSON结构化输出:因为我使用的是chatflow而非workflow,需要保证用户能看到过程输出。

三、批注生成与报告整合

这一模块主要实现迭代内容的整合及Word文档批注功能。

关键技术(Word文档批注)
  1. 批注数据构建
// 批注数据结构
{
"原文摘要": "第十条 违约金为总价20%",
"批注内容": "风险等级:中\\n建议:应明确约定违约金计算基数"
}

将正则表达式每次迭代输出的原文与批注键值对存储在会话变量中,通过代码节点进行JSON类型转换,将array[object]类型转为JSON类型,以便传入批注工具。

转换代码如下:

import json

def main(comment) -> dict:
    result = json.dumps(comment)
    return {
        "result": result,
    }
  1. 批注插件

这款插件的开发颇费功夫,能够在Word文档中查询LLM输出的原文,支持对一句话、一段话或连续多段话进行检索匹配并生成批注。

该插件包含以下核心模块:

(1) 多格式JSON数据处理

  • 格式兼容性:同时支持数组格式[{<原文>:<批注>},{}...]和对象格式{<原文>:<批注>}

(2) 多维度智能文本匹配算法

第一层:精确匹配
# 首先尝试精确匹配
if target_text in paragraph_text:
    return True, target_text, 1.0
第二层:单段落语义匹配
  • 标准化匹配:去除多余空格和标点后进行精确匹配
  • 句子级匹配:使用SequenceMatcher计算语义相似度
  • 滑动窗口算法:动态调整窗口大小匹配长文本片段
  • 关键词密度分析:基于关键词分布和顺序进行智能匹配
第三层:跨段落组合匹配
# 多段落匹配逻辑
for start_para_idx in range(start_index, len(all_paragraphs) - len(target_paragraphs) + 1):
    # 尝试在连续段落中匹配所有目标段落

(3) 原生Word批注API集成

  • 采用python-docx 1.2.0原生API:doc.add_comment(runs, text, author, initials)
  • 精确Run分割:实现Run级别的精确文本定位
  • 样式保持技术:分割Run时保留原有的加粗、斜体、下划线、字体等格式属性

(4) 自定义文件名处理

文件名处理逻辑:

  • output_filename参数:支持用户自定义输出文件名,无需包含扩展名

通过插件的批注功能,最终生成带批注的Word文档(示例文档为网上下载的公开合同范本)。

总结与扩展

以上就是智能合同审核智能体的完整构建流程。作为首次分享技术内容,若有不足之处,欢迎大家指正。希望本文能为大家提供帮助,也请多多点赞转发,欢迎在评论区交流讨论。

这款插件已上架Dify插件市场,搜索"word文档操作工具"即可下载使用。建议安装前将Dify的.env文件中PIP_MIRROR_URL参数设置为国内源,避免因网络问题导致第三方库安装缓慢。目前为第一版,使用中若有问题,可在我的GitHub反馈或在文章下方留言。

此外,为进一步提升系统实用性,未来计划增加以下功能:

  • 支持多人协作审核,实现批注合并与冲突解决
  • 增加审核结果的统计分析功能,生成风险评估报告
  • 优化分块算法,提高对复杂格式文档的处理能力
  • 扩展支持更多文件格式,如Excel表格中的条款审核

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

为什么要学习大模型?

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年,人才缺口已超百万,凸显培养不足。随着AI技术飞速发展,预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

在这里插入图片描述

在这里插入图片描述

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!

img


2、大模型学习书籍&文档

学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。

在这里插入图片描述

3、AI大模型最新行业报告

2025最新行业报告,针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。

img

4、大模型项目实战&配套源码

学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。

img

5、大模型大厂面试真题

面试不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我精心整理了一份大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。

img

适用人群

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

基于 Dify +大模型(LLM)+ Qwen3模型,输出合同审查智能体(Agent) 在商业合作与法律事务中,合同审查与起草是高频且专业的需求,传统的人工处理方式效率低、成本高,且容易因疏忽导致法律风险。如今,借助大语言模型(LLM)和低代码AI开发平台,企业可以快速构建私有化、智能化的合同处理助手,实现合同条款解析、风险提示、自动修订等核心功能。本文将详细介绍如何基于平台和大模型,从零开发一个高效、安全的企业级合同智能体,涵盖模型微调、法律知识库构建、合规性校验等关键技术,助力企业法务与商务团队降本增效,同时确保数据隐私与法律合规。 阅读详情

相关推荐

dify案例-基于Dify打造智能合同审查助手:零代码搭建工作流全指南

Dify的工作流(Workflow)功能是一个可视化流程编排工具,允许用户通过拖拽节点的方式构建复杂的AI应用。与简单的问答应用不同,工作流支持多步骤任务处理、条件分支、并行执行等高级功能,非常适合合同审查这类结构化任务。可视化编排:无需编写代码,通过拖拽连接节点即可构建复杂流程多模型协作:可在不同节点使用最适合的AI模型灵活集成:支持知识库检索、条件判断、API调用等多种节点类型迭代优化:可随时测试和调整单个节点,不影响整体流程可视化搭建:无需编码经验,拖拽式构建复杂审查流程灵活扩展。

weixin_44245188的博客 1941

一文搞懂AI大模型学习路线:核心知识点 + 实战路径全解析

一文搞懂AI大模型学习路线:核心知识点 + 实战路径全解析

Android_XG的博客 1629

Dify智能体:通用合同审查助手.yml

Dify智能体:通用合同审查助手.yml

10分钟搭建合同审查AI智能体!Dify+Qwen3保姆级教程,小白轻松上手

大家好,我是小肥肠,专注AI干货知识分享,今天给大家分享的是Dify智能体教程:教你从0到1搭建合同审查小助手。

c18213590220的博客 2589

Dify合同智能审核助手[源码]

本文详细介绍了如何利用Dify平台实现合同智能审核助手,解决企业合同审核中的痛点。传统合同审核效率低下,易漏关键信息,而智能审核助手通过文档提取、大模型(如DeepSeek V3.1)审核、Markdown转Docx等步骤,显著提升审核效率和质量。文章还提供了完整的DSL文件内容,可直接复制使用,帮助开发者快速搭建合同审核应用。此外,文章还探讨了AI大模型在各行业的应用前景,并提供了学习资料和路径,适合不同背景的读者学习。

计算机网络实验六 RIP 配置实验

Man! What can I say?

AClerk的博客 1597

【收藏级教程】Dify大模型应用:合同智能审核助手实现指南,附完整DSL

本文介绍基于Dify平台实现的合同智能审核助手,针对企业合同审核痛点,通过文档提取、LLM审核、格式转换等流程,使用DeepSeek模型提供专业法律审核建议,并附完整DSL代码,帮助开发人员快速构建智能合同审核系统。

2401_85325726的博客 1988

【阿里云大模型高级工程师ACP习题集】2.7 通过微调增强模型能力 (上篇)(⭐️⭐️⭐️ 重点章节!!!)

【摘要】这是我精心整理出对应的习题集,里面足足有 30 道题目,从基础概念到深度拓展,全方位覆盖章节重点、难点。不管你是想检验自己的学习成果,还是想针对薄弱环节进行强化训练,它都能完美适配!

davidkorhenn的博客 1606

智能体技术解析与职场应用指南

智能体技术作为人工智能领域的重要分支,通过模块化架构实现自主决策与任务执行。其核心原理结合大语言模型的认知能力与专业化工具链,在数据处理、流程自动化等方面展现出显著优势。从技术实现来看,现代智能体系统通常包含认知中枢、记忆模块、工具集和控制机制四大组件,支持复杂业务场景的智能化改造。在金融、医疗等行业中,智能体技术已实现工作效率的质的飞跃,如财报分析时间从3天缩短至2小时。对于职场人士而言,掌握Prompt工程、工作流设计等智能体相关技能,将成为未来职场竞争力的关键。随着Dify、LangChain等开发平

weixin_29054195的博客 254

压电陶瓷传感器避坑指南:实测阻抗匹配对信号输出的影响(附示波器调试技巧)

本文深入探讨压电陶瓷传感器在工业振动监测中的阻抗匹配问题,通过等效电路模型和实测数据揭示负载阻抗对信号输出的关键影响。文章提供从元件选型到示波器调试的完整解决方案,特别强调100kΩ以上负载阻抗的重要性,并分享JFET缓冲器设计和PCB布局的实用技巧,帮助工程师避免信号失真和输出不稳定问题。

ooo22的博客 518

别再让地图加载慢吞吞!GeoServer + GeoWebCache 缓存配置实战(附性能对比)

本文详细介绍了如何通过GeoServer和GeoWebCache优化地图服务性能,实现地图加载速度的显著提升。从缓存机制解析到实战配置流程,再到高级性能调优技巧,帮助开发者构建高效地图缓存系统,解决地图加载慢的问题。

weixin_42525369的博客 407

48-dify案例分享-Qwen3 vs 传统合同审查,这场对决谁能胜出?

本文介绍基于本地 ollama 搭建 Qwen3 模型结合 dify 1.3.1 版本实现合同评审工作流。涵盖 ollama 安装、模型下载与启动,dify 配置与验证,工作流搭建及测试。对比显示 Qwen3 生成报告风险点更详细,有法律依据,具创新性,能提升审查效率与质量。

个人技术 1953

LangChain Agent Skills 实战指南:12个案例玩转智能体技能封装与编排

大语言模型应用开发中,智能体(Agent)的能力扩展正从零散的函数调用走向标准化封装。Agent Skills 将某项具体能力组织为带说明、代码与依赖的技能目录,让模型能自动发现和调度,其核心价值在于解决工具数量膨胀后的维护混乱与调用失控问题。与 Tool 的单一执行、MCP 的协议连接不同,Skill 更强调能力的语义描述与组合复用,配合 LangGraph 的状态编排和 LangSmith 的可观测性,可构建生产级智能体系统。在实际场景中,Agent Skills 可覆盖 RAG 知识库问答、多轮记忆保

weixin_34335458的博客 408

实践06: Dify实现DeepSeek合同合规审核

摘要:本文介绍了一个基于Dify平台的合同合规审核智能体开发实践,通过1小时操作指导用户掌握自动化合同审核流程。实践内容包括:创建Chatflow应用、配置文件上传与提取节点、设置法律审查提示词(使用DeepSeek-reasoner模型)、集成Markdown转换器生成Word报告等核心步骤。该方案实现了从合同文件上传、关键信息提取、AI法律审查到自动生成格式化报告的全流程自动化,并强调可复用性——通过修改提示词即可适配不同行业场景。实验采用真实合同测试,重点关注主体合法性、授权范围等风险点,最终输出包含

jackalvin的博客 3687

保姆级教程:用MATLAB搞定双目相机标定,从导入图片到参数解读全流程

本文提供了一份详细的MATLAB双目相机标定全流程指南,涵盖从图片准备到参数解读的每个环节。重点讲解了棋盘格选择、拍摄技巧、MATLAB工具箱设置及参数优化,帮助读者避免常见错误并提升标定精度。特别适合机器人导航、三维重建等领域的开发者。

weixin_33737134的博客 431

YOLOv11【第三章:高阶应用与落地篇·第1节】一文搞懂,YOLOv11-Seg 实例分割:Mask 原型生成与系数预测原理解析!

🏆 本文收录于专栏 《YOLOv11实战:从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开,系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案,内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。

**My Coding Family** 1253

45-dify案例分享- 用 Dify 搭建智能合同评审工作流,10 分钟搞定风险排查

本文分享利用 Dify 搭建智能合同评审工作流的实战案例。通过文档提取、GLM4 大语言模型三维度分析(法律 / 风险 / 心理)、Markdown 转 Word 及企业微信通知等节点,实现合同风险自动识别与报告生成。附操作流程、避坑指南及开源项目,助力企业提升合同评审效率,降低法律风险。

个人技术 6528

服务器取证——服务器基础知识

服务器基础知识

记录并分享学习安全的知识点.. 2483

在本地部署Qwen3大模型与Dify环境中亲测制作“合同审查智能体”应用,大模型入门到精通,收藏这篇就足够了!

在私有化部署的大模型与AI应用开发平台中开发本地可用的“合同审查智能体”,就像给企业装了一个既聪明又可靠的“法律秘书”。

2301_81888214的博客 1261

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

大模型入门实战:通过 HuggingFace 调用 Llama3

至此,我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型,并获取了模型的回答。但是如果你的需求只是简单地调用模型,而无需进行微调或复杂的部署,可以尝试使用 Ollama。它不仅操作更加便捷,还提供了开箱即用的 RESTful 接口,适合快速集成到生产环境中。下一篇,我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。

python12345_的博客 2606

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

【AI】推荐12个AI智能体应用开发平台

人工智能(AI)已经成为推动创新和增长的关键力量。无论是在医疗、金融、教育还是零售行业,AI的应用都在不断扩展,为各行各业带来革命性的变化。本文将介绍12个AI Agent和AI应用开发平台,平台的兴起,为广泛的用户群体提供了一个易于访问、成本效益高的解决方案,AI技术和应用不再是大公司的专属。AI应用开发平台通过提供预训练的模型、拖放界面和丰富的API,非技术用户也能快速构建和部署自己的AI应用。

赵英超的博客 3万+

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

Dify零代码搭建合同AI,10分钟告别人工审查,大模型入门到精通,收藏这篇就足够了!

今天教你用Dify搭建一个智能合同评审工作流,10分钟搞定,AI帮你自动识别风险点,再也不用担心踩坑了!

2401_82469710的博客 695

在本地部署Qwen3大模型与Dify环境中亲测制作“合同审查智能体”应用

在与多位律师朋友以及自己开公司的老板朋友聊天中发现,他们都有一个迫切的需求:“希望对自己手头的大量合同文本,做一个全面的合同风险评估,提前采取措施规避风险点,或者提前准备以应对风险的爆发,并减少损失。”因此,在私有化部署的大模型与AI应用开发平台中开发本地可用的“合同审查智能体”,就像给企业装了一个既聪明又可靠的“法律秘书”。想象一下,公司的合同就像家里的贵重物品。如果使用网上的大模型和类似DeepSeek、豆包等AI助手,虽然方便,但总担心数据泄密。

m0_63171455的博客 1585

基于 Dify +大模型(LLM)+ 智能体(Agent),从0-1构建私有化部署智能助手,为后续合同检查调研

python复制下载description = "执行数据库查询"# 实现安全的数据库查询逻辑。

zzlyx99的专栏 1747

大模型实操指南:用 Dify 打造企业级合同审核Agent,建议收藏!

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

2401_85375186的博客 1795
上一篇: 【程序员进阶指南】AI Agent 与 AI Workflow:大模型落地架构深度对比及实战选型手册(建议收藏)
下一篇: 别慌!32 岁转行 AI 不 “大龄”,小白 & 程序员都能学的大模型逆袭手册
冻感糕人~
博客等级 码龄3年 8926粉丝 2398原创
评论 12
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值