01
02
线上 MR-Call 场景：AI 实时录制拜访全过程，结束后自动打分、复盘、提供辅导建议，并开展合规审查；
线下拜访场景：区域经理（DM）对员工（MR）复盘的内容实时语音转写，AI 同步完成总结、合规检测与技巧优化建议；
数字人模拟训练：将优质拜访案例数据标记清洗后灌入 AI 数字人知识库，员工可通过模拟拜访获得实时打分与反馈。
03
事实冲突：专业信息表述错误，例如误称 “某抗生素能治疗儿童普通感冒”—— 实际儿童普通感冒多由病毒感染引起，该抗生素对病毒无抑制作用，属于典型的医学常识偏差；
无中生有：虚构未存在的政策或信息，例如擅自生成 “购买 3 个月慢病药赠送血糖仪” 的促销活动（企业未推出该政策），或误传 “某创新药已实现全国医保报销”（实际仅部分省份纳入医保目录）；
指令误解：未能准确识别用户需求，例如经销商查询 “药品区域铺货率” 相关数据时，AI 却返回 “药品不良反应统计” 结果，与需求严重脱节；
逻辑错误：数据计算或推理出现偏差，例如核算渠道回款周期时，因错算起始时间得出 “25 天” 的结论，与实际 40 天的真实周期存在显著误差。
精细化 Prompt 工程设计，明确 AI 生成边界与信息校验标准；
引入长期记忆机制，强化 AI 对历史交互数据的关联与复用；
提升数据资产质量，通过数据清洗、去重、校验保障输入信息的准确性；
扩充上下文关联维度，整合多源相关信息辅助 AI 决策；
建立用户参与式反馈机制，及时收集生成内容的偏差问题并迭代优化；
开展行业领域专属微调，基于制药行业专业数据优化模型参数，提升领域适配性。
采用混合检索策略，整合向量检索、关键词检索等多种检索方式的优势，扩大精准匹配范围；
引入 ReRank 重排序技术，基于语义相关性、领域适配度等多维度评分标准，对初始检索结果进行二次排序，过滤无关信息，优先呈现与需求高度匹配的内容，显著提升 RAG 召回的精准度。
04
