5.3 典型应用场景与案例

同引擎不同调法

本节在实践章的第三站：配置不是纸上谈兵，要落到真实场景才知道灵不灵。全册前面四章的能力，在三类场景里被反复验证——法律查判例、投研扫赛道、医学跟进展。一个值得记的数字：同样一套底座，换一套配置参数，在这三类上的表现能差出一倍，差别不在模型，在场景适配。这一节用可复现的案例，演示"同一引擎、不同调法"。

法律场景吃"来源权威性"和"时效性"。判例如有新旧冲突，必须标最新且附法条出处（呼应 4.4 诚实）。投资场景吃"多源对立"和"动态"——同一赛道多方观点并存，整合分（4.3）权重最高。医学场景吃"谨慎"——不确定就明说，不确定闸门（5.2）设到最低，宁转人工不瞎答。下面用代码演示"按场景生成配置"：

# 按场景生成配置：同一底座 不同权重
def config_for(scenario: str) -> dict:
    base = {"loop": {"max_steps": 20}, "honesty": {"uncertain_gate": 0.3}}
    if scenario == "legal":
        return {**base, "weights": {"authority": 0.5, "freshness": 0.3, "diverse": 0.2}}
    if scenario == "invest":
        return {**base, "weights": {"authority": 0.2, "freshness": 0.2, "diverse": 0.6}}
    if scenario == "medical":
        return {**base, "honesty": {"uncertain_gate": 0.15},  # 更谨慎
                "weights": {"authority": 0.4, "freshness": 0.4, "diverse": 0.2}}
    return base

# 运行示例
import json
print(json.dumps(config_for("medical")))   # uncertain_gate 降到 0.15
print(json.dumps(config_for("invest")))    # diverse 权重 0.6 最高
​

运行输出两份配置：医学场景把不确定闸门压到 0.15（最易转人工），投研场景把多样性权重拉到 0.6（最重对立视角）。这印证一句话——场景决定权重，不决定模型。你换十次模型，不如调一次权重贴合场景。

我们主张：场景适配的第一动作是"改权重、改闸门"，不是"换模型"。很多团队一效果不好就换更大模型，结果成本翻倍、适配没变。先把场景的诉求量化成权重（像 4.5 那样），再谈硬件。

下面用完整案例串起三类。每个都走"背景→操作→结果→解读"，统一看变式：

• 法律：背景是律师要梳某法条的判例演变。操作=法律配置（权威/时效高权重），检索后端切官方库。结果=报告按时间线列判例并标最新冲突。解读=权威权重让营销软文被降权。变式=若做"类案推送"，则 diversity 权重上调以覆盖异见。
• 投研：背景是经理扫储能赛道。操作=投研配置（diversity 0.6），强制对立源并存。结果=报告并列利好/利空两派，不强行统一。解读=整合分高但单源不盲信（呼应 4.3）。变式=若做"危机核查"，authority 权重上调、freshness 拉满。
• 医学：背景是医生追某疗法新进展。操作=医学配置（闸门 0.15），不确定即转人工。结果=存疑项全标待验证并附原始文献。解读=谨慎换可信（呼应 4.4）。变式=若为"科普"，闸门放宽、等级压缩成角标。

完整案例（统一模板）：

• 背景：三类团队同日各用默认配置跑自家任务，均反馈"不够贴"。
• 操作：分别套 config_for 三套权重与闸门。
• 结果：法律漏判旧例率降、投研对立覆盖升、医学误答转人工率升。
• 解读：默认即平均，平均即不贴任何场景。配置按场景分化是部署必做的一步。
• 变式：若做跨场景综合（如政策+市场），取权重加权平均并人工复核边界。

5.4 看这些场景跑起来后，token 和延迟怎么压下来。

场景错配怎么被发现：用表现反推配置偏差

5.3 用 config_for 按场景给权重，但"我选对场景了吗"需要反馈。一个实用做法是监控一轮研究的"不确定性闸门触发率"：医学场景设了 0.15 的低闸门，若实际触发率却很低（说明系统很少转人工），要么任务其实很确定性，要么闸门形同虚设；反之投研场景 diversity 0.6，若报告仍严重同质，说明检索后端没真拿到对立源。用表现反推配置是否贴合，比凭感觉定场景更稳。

下面演示一个"场景契合度"自检：输入实际运行指标，判断当前配置是否贴合预设场景：

# 场景契合自检：用实际指标反推配置是否贴场景
def scenario_fit(scenario: str, metrics: dict) -> str:
    if scenario == "medical":
        return "贴合" if metrics["human_handoff"] > 0.3 else "闸门形同虚设"
    if scenario == "invest":
        return "贴合" if metrics["opposing_cover"] > 0.5 else "对立源不足"
    if scenario == "legal":
        return "贴合" if metrics["authority_ratio"] > 0.6 else "权威源不足"
    return "未知场景"

# 运行示例
print(scenario_fit("medical", {"human_handoff": 0.4}))   # 贴合
print(scenario_fit("invest",  {"opposing_cover": 0.2}))   # 对立源不足
​

运行输出第一行医学场景转人工率 0.4（>0.3）判贴合，第二行投研对立覆盖 0.2（<0.5）判对立源不足——此时不该怪模型，该回去调 config_for 的 diversity 权重或换检索后端。这把"场景适配"从一次性配置变成带反馈的闭环。

💡 关键直觉：场景配置不是"设完就完"，要跑起来看指标对不对得上。5.3 的 config_for 给的是预期，scenario_fit 验的是现实——预期与现实对不上，优先怀疑"配置没生效"或"后端不支持"，而非换模型。

⚠️ 常见坑：跨场景综合时直接取权重平均（如政策+市场的加权平均），却忘了两类场景的"冲突处置"逻辑可能相反——政策要权威优先、市场要对立并存，平均后两边都拧巴。跨场景应分模块跑、最后人工复核边界，而不是在权重层硬平均。