Ch19 应用 AI · 考研/期末复习大纲¶

承接 Ch18 口诀: "Ch18 给系统设计 — CAP/云/ML 平台. Ch19 给应用落地 — 金融/蛋白/药物/Agent/医疗。" 跨章承接: Ch07 §04 Transformer → Ch19 全部; Ch12 §05 EGNN → Ch19 §02 蛋白; Ch08 §04 Diffusion → Ch19 §03 药物

一 · 考点分级速览 (🔴 12 / 🟡 16 / 🟢 8 / ⭐ 4, 共 40 考点)¶

考频	考点	章节
🔴	Sharpe ratio	§01
🔴	Value at Risk	§01
🔴	高频交易 ML	§01
🔴	AlphaFold 架构	§02
🔴	MSA 多序列比对	§02
🔴	pLDDT / TM-score	§02
🔴	药物分子生成	§03
🔴	QED / LogP	§03
🔴	LLM Agent vs LLM	§04
🔴	ReAct 框架	§04
🔴	RAG 原理	§04
🔴	Tool use	§04
🟡	量化回测	§01
🟡	信用评分 ML	§01
🟡	反欺诈	§01
🟡	蛋白结构模型 (RoseTTAFold)	§02
🟡	Evoformer 细节	§02
🟡	分子 docking	§03
🟡	药物 - 靶点相互作用	§03
🟡	ADMET 性质	§03
🟡	LangChain / LlamaIndex	§04
🟡	Function calling	§04
🟡	AutoGPT / BabyAGI	§04
🟡	医学影像分割	§05
🟡	临床预测 (MIMIC)	§05
🟡	多模态医学 AI	§05
🟢	反洗钱	§01
🟢	情感交易	§01
🟢	AlphaFold-Multimer	§02
🟢	DiffDock	§03
🟢	Memory in Agent	§04
🟢	联邦学习医疗	§05
⭐	Quantum ML 在金融	§01
⭐	Boltz / ESMFold	§02
⭐	AlphaFold 3	§02
⭐	AutoDock Vina	§03

二 · 概念关系图¶

graph LR
    A[金融] --> B[蛋白]
    B --> C[药物]
    C --> D[Agent]
    D --> E[医疗]
    A --> F[多模态]
    F --> G[AI 应用栈]

三 · 必考点精讲¶

🔴F1: Sharpe ratio¶

$$S = \frac{R_p - R_f}{\sigma_p}$$ $R_p$ 组合收益, $R_f$ 无风险, $\sigma_p$ 波动。 S > 1 好, > 2 极好, > 3 罕见。

🔴F2: Value at Risk¶

损失分布的 $\alpha$ 分位数。 - VaR 99% 5M: 99% 信心日损失 < 5M - 局限: 不看尾部

🔴F3: AlphaFold¶

输入: MSA + 模板
核心: Evoformer (pair + MSA)
输出: 3D 结构 + pLDDT

🔴F4: pLDDT¶

残基置信度 [0, 100]: - > 90 高置信 - 70-90 中等 - < 70 低

🔴F5: TM-score¶

结构相似度 [0, 1]: - > 0.5 同 fold - > 0.17 同 SCOP 超家族

🔴F6: 分子生成¶

SMILES 表示
VAE / GAN / RL / Diffusion
优化: QED / LogP / docking

🔴F7: LLM Agent¶

LLM + 工具 + 记忆 + 规划 = Agent

🔴F8: ReAct¶

Reasoning + Acting 循环: Thought → Action → Observation → Thought → ...

🔴F9: RAG¶

检索增强生成: - 文档 → embedding → 向量库 - query → 检索 → top-k - LLM 生成

🔴F10: Tool Use¶

LLM 调用外部 API: - Function calling (OpenAI) - LangChain tools - MCP (Anthropic)

四 · 公式卡片¶

金融¶

\[S = \frac{R_p - R_f}{\sigma_p}$$ $$\text{MaxDD} = \max_t (\text{peak}_t - \text{trough}_t)\]

蛋白¶

\[\text{pLDDT} = 100 \cdot \text{pLDDT}_{\text{raw}}$$ $$\text{TM-score} = \max \left[ \frac{1}{L_{\text{nat}}} \sum_i \frac{1}{1 + (d_i / d_0)^2} \right]\]

药物¶

\[\text{QED} = f(\text{MW}, \text{LogP}, \text{HBA}, \text{HBD}, ...)\]

Agent¶

\[\text{Action}_{t+1} = \pi(\text{Observation}_t, \text{Thought}_t)\]

RAG¶

\[\text{score} = \cos(q, d_i)\]

医学¶

\[\text{Sensitivity} = \frac{TP}{TP + FN}$$ $$\text{Specificity} = \frac{TN}{TN + FP}\]

五 · 跨章综合题¶

#	题型	涉及的章	难度
综合1	Ch07 + Ch19 §02 AlphaFold Transformer	Ch07+Ch19	★★★
综合2	Ch12 + Ch19 §02 GNN + 蛋白	Ch12+Ch19	★★★
综合3	Ch08 + Ch19 §03 Diffusion 药物生成	Ch08+Ch19	★★★
综合4	Ch07 + Ch19 §04 Agent = LLM + Tools	Ch07+Ch19	★★
综合5	Ch17 + Ch19 §04 Agent vLLM 部署	Ch17+Ch19	★★★
综合6	Ch05 + Ch19 §01 量化策略评估	Ch05+Ch19	★★★
综合7	Ch12 + Ch19 §01 GNN 推荐 (金融)	Ch12+Ch19	★★
综合8	Ch10 + Ch19 §05 多模态医学	Ch10+Ch19	★★★

六 · 自测题 (20 题)¶

Part A 单选 (10 题)¶

Sharpe > 2 表示?
VaR 99% 含义?
AlphaFold 关键模块?
pLDDT 范围?
TM-score > 0.5 含义?
QED 含义?
ReAct 框架?
RAG 三阶段?
Tool use 代表?
医学影像 Dice 范围?

Part B 简答 (5 题)¶

Sharpe ratio 解释
AlphaFold 三阶段
分子生成的 4 种方法
Agent 与 LLM 区别
RAG 与微调取舍

Part C 论述 (5 题)¶

量化策略 ML 工程实践
AlphaFold 3 改进
药物发现端到端流程
Agent 框架对比 (LangChain / AutoGPT)
联邦学习在医疗的合规优势

七 · 易错点¶

Sharpe 与 Sortino: 后者只算下行波动。
AlphaFold pLDDT: 残基级, 不是全蛋白。
TM-score: 与 RMSD 不同, 长度无关。
QED: 不是唯一指标, 还有合成难度等。
RAG vs 微调: RAG 适合知识更新频繁, 微调适合模型能力。

八 · 速记口播版 (60s)¶

Ch19 共 5 节: §01 金融 (Sharpe/VaR/量化) → §02 蛋白设计 (AlphaFold/Evoformer) → §03 药物发现 (分子生成/QED) → §04 Agent 系统 (ReAct/RAG/Tool use) → §05 Healthcare (影像分割/临床预测)。是 AI 在垂直行业落地的"应用"课。