Update Technologies.mdx

Author: xueqidove

docs/pages/Technologies.mdx

@@ -27,7 +27,7 @@ RAG （Retrieval-Augmented Generation）技术是提升智能体知识准确性
 - **检索策略优化**：RAG 的性能取决于检索的准确性。企业需要优化检索策略，包括关键词检索、语义检索、混合检索等，确保能够从知识库中检索最相关的文档片段。同时，构建好高效的多路召回机制进一步提升检索准确率。
 - **生成与融合**：将检索到的信息与 LLM 的生成能力相结合，确保 LLM 在生成回答时能够充分利用检索到的知识，并以自然流畅的语言呈现。这涉及到提示词工程的优化，引导 LLM  更好地融合外部知识。
 
-## 10.3.工具调用（Tool Use）
+## 10.3.工具调用（Tool Uses）
 
 工具调用是智能体实现“手脚”的关键，它使智能体能够与外部系统进行交互，执行具体动作，从而将 LLM 的语言理解能力转化为实际行动。
 - **工具库的构建与管理**：企业需要根据业务场景，构建丰富的工具库，包括 API 接口请求工具（如 CRM 系统 API、ERP 系统 API）、数据库操作工具、文件读写工具、网络爬虫工具、计算工具等。工具的定义应清晰、功能单一，并提供详细的描述，以便 LLM 理解其用途和调用方式。
@@ -75,7 +75,10 @@ LLM 首先学习并理解企业数据库的结构（Schema），包括数据表
 ## 10.7.人在回路（Human-on-the-loop）机制
 “人在回路”（Human-on-the-loop, HoTL）机制是确保企业智能体在关键业务场景中的可靠性、安全性与合规性的必要手段。现有大模型和智能体在处理复杂、高风险或涉及伦理判断的任务时存在局限性，通过将人类专家的判断和监督嵌入到智能体的决策和执行流程中，实现人机协同工作。
 
+<div align="center">
 表格 2 ：人在回路的关键应用场景与机制
+</div>
+
 | 机制类别 | 关键应用场景 | 机制描述 | 技术实现要点 | 
 |------------|----------|----------------|------------| 
 | 高风险操作确认| 涉及敏感数据修改、财务交易、核心系统配置变更等不可逆或高成本操作。| 智能体在生成或确定执行高风险动作（如调用删除数据的 API、发送关键邮件）前，暂停执行，并向人类专家发出通知和待执行的动作清单。只有在收到人类专家的明确指令或审批后，智能体才能继续执行。 | 智能体状态管理： 需具备任务挂起、通知触发、超时处理和恢复执行能力。集成审批流： 与企业内部的工单系统或审批流程（如 OA 系统）集成。 | 
@@ -89,7 +92,10 @@ LLM 首先学习并理解企业数据库的结构（Schema），包括数据表
 ## 10.8.安全风险管控
 智能体作为高度集成的 AI 应用，其安全风险是企业建设中不可忽视的核心环节。风险管控应贯穿智能体设计的全生命周期，涵盖 LLM 本身的安全、智能体与外部系统的交互安全以及数据隐私保护。
 
+<div align="center">
 表格 3 ：核心安全风险与管控措施
+</div>
+
 | 风险类别 | 风险描述 | 管控措施 | 
 |----------|----------|----------------|
 |模型内容安全|幻觉（Hallucination）： LLM生成虚假、不准确或带有偏见的内容，影响结果和决策。| **RAG 技术增强**： 强制LLM优先引用可信的外部知识库信息。**内容过滤**： 在输出层进行二次校验和敏感词过滤。**事实核查**： 引入可信数据源进行事实比对。 |