从大模型、智能体到复杂AI应用系统的构建(61页 PPT)浙江大学 DeepSeek 系列专题线上公开课(第二季) 从大模型、智能体到复杂 AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么? • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 编程等能力上达到新的高度, 多种任务上 的表现超过人类水平。 大模型能力不断增长 Source: https://lifearchitect.ai/timeline/ 大模型发展迅速,参数量从百亿到万亿规模 大模型能力涌现,多个任务上性能超越人类水平 1000 Billion 身内部的思考过程,从而在回答问题前进 行更深入的推理,类似于人类的思考方式。 推理大模型的发展 Claude3.7 是 首 个混合推理 模 型,集普 通语 言模型 和推理 模型 于一体的 混 合模型。 OpenAI o1 是专注于复杂推理任务, 通过深度思考和策略优化来解决问题。 2024.09 2024.11 2025.1 2025.2 2025.2 o1/o3 在回答问题之前先20 积分 | 61 页 | 13.10 MB | 6 月前3
DeepSeek智能体开发通用方案项目编号: DeepSeek 智能体开发通用 设 计 方 案 目 录 1. 项目概述.......................................................................................................6 1.1 项目背景................................. 安全性设计..........................................................................................82 9. 智能体算法开发..........................................................................................84 9.1 DeepSeek 智能体开发通用方案旨在构建一套高效、灵活且可 扩展的智能化解决方案,以满足企业在复杂业务场景中对智能决 策、自动化处理和数据分析的需求。该方案基于先进的人工智能技 术,结合深度学习、强化学习以及自然语言处理等核心技术,能够 实现对多样化数据的实时处理与智能化分析,从而提升企业的运营 效率与决策质量。 项目的核心目标是通过模块化设计和可配置策略,为企业提供 定制化的智能体开发服务。智能体将具备自主学习能力,能够根据0 积分 | 159 页 | 444.65 KB | 9 月前3
深度推理驱动的Agent智能体构建研究-33页20 积分 | 33 页 | 24.65 MB | 6 月前3
AI赋能人力资源,助力人力资源数字化转型 -从AIGC技术到Deepseek应用的全面解析?(24页)10 积分 | 24 页 | 2.65 MB | 6 月前3
基于AI大模型Agent智能体商务应用服务设计方案(141页 WROD)项目编号: 基于 AI 大模型 Agent 智能体商务应用服 务 设 计 方 案 目录 1. 引言.....................................................................................................................................5 1.1 背景与意义 ....................................................................................10 2. 商务 AI 智能体概述.................................................................................................. .......................................................................................136 1. AI 智能体在业务流程优化中的显著效果..................................................................136 2. 客户体验大幅提升......10 积分 | 141 页 | 647.35 KB | 6 月前3
2025年大模型一体机服务商研究报告-亿欧智库20 积分 | 16 页 | 3.57 MB | 10 月前3
审计领域接入DeepSeek AI大模型构建Agent智能体提效设计方案(204页 WORD)项目编号: 审计领域接入 DeepSeek AI 大模型构建 Agent 智能体提效 设 计 方 案 目 录 1. 引言................................................................................................................................ .......................................................................................18 2.3 构建智能体提效方案的核心目标........................................................................................... ................................................................................24 3.1 DeepSeek 智能体的架构设计...............................................................................................10 积分 | 212 页 | 1.52 MB | 6 月前3
打造自适应AI运维智慧体:大语言模型在软件日志运维的实践(29页 PPT)打造自适应 AI 运维智慧体: 大语言模型在软件日志运维的实践 刘逸伦 华为 2012 实验室 本科毕业于南开大学 ,硕士毕业于美国佐治亚理工学院。研究方向包括 AI 智能运维 ,大模型质量评估以及大模型提示策略 ,在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 宾 1. 软件日志运维观点 2. 自适应智慧体在运维领域面临的 Gap 3. 大模型 Prompt 引擎助力自适应运维智慧 体 4. 大模型知识迁移打造运维专精模型 5. 未来畅想 目录 CONTENTS PART 01 软件日志运维观点: 智能运维演进趋势是从任务数据驱动到自适应运维智慧体 (1) 日志是机器语言:大规模网络、软件系统在运行过程中每天会产生 预训练语言模型 日志语言理解 BigLog Da-Parser 第四代 原始日志和自然语言 文本 大语言模型 可解释性运维 LogPrompt 指令驱动 第五代 自适应运维智慧体:目标自适应、领域自适应、强交互性、可执行性。 。 。 表: LogAIBox 研究项⽬代际演进思路 [1]LogAnomaly: Unsupervised detection of sequential20 积分 | 29 页 | 9.28 MB | 6 月前3
Nacos3.0开源开发者沙龙·Agent & MCP杭州站 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台(87页)Nacos3.0架构 安全零信任&AI Registry Nacos PMC 2025/07/10 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 柳 遵 飞 ( 翼 严 ) CONTENT 目录 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 01 Nacos3.0 安全零信任 Nacos内核&应用安全零信任实践 02 Nacos Nacos 3.0 AI Registry MCP Registry & MCP Router 03 Nacos 3.0 未来规划演进 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2.0时代:一个更易于构建云原生应用的动态服务发现、配置管理和服务管理平台 密轮转解决方案 Nacos3.0 应用安全:数据库账号密码轮转解决方案 Part 3 Nacos 3.0 AI Registry 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 构建AI Agent应用的通用范式 Model Provider User Ask Response Prompt Model 规划 MCP Tools MCP20 积分 | 87 页 | 11.66 MB | 6 月前3
基于大模型的具身智能系统综述训练基础的模型 (目前一般认为基础模型即大模型, 后文将不对二者作区分). 由于涉及到物理环境, 机 器人深度学习模型往往面临数据获取难度大、训练 的模型泛化性差的困境, 传统机器人往往仅能处理 单一任务, 无法灵活面对复杂的真实环境. 而基础 模型用来自互联网的大量文本、图片数据进行预训 练, 往往包含各种主题与应用场景, 能学习到丰富 的表示与知识, 具有解决各类任务的潜能, 其作为 具身智能的“大脑”能显著弥补机器人领域训练数据 大模型有着 强大的优势, 能有效处理整合多模态的输入数据, 捕获各模态之间的关系, 提取为统一的高维特征, 形成对世界的理解. 如对大量无标签的互联网文本 和图像进行预训练的视觉模型, 能将图像与文本编 码到同样的向量空间中, 这种对齐不仅有利于对环 境的感知, 也有利于对用户自然语言指令的理解, 利于完成复杂的任务. 本节主要讨论各类将大模型 用于具身智能感知与理解的方法, 讨论范围是文本、 图像和音频等信息 能够自然地整合视觉反馈, 使得 机器人能够在动态环境中进行鲁棒的闭环规划: 机 器人执行第一步行动, 并观察结果, 执行行动后, ViLA 会将新的视觉观察作为反馈, 与之前的视觉观察和 已执行的行动步骤一起输入到 GPT-4V 中. GPT- 4V 将根据这些信息更新其对环境的理解, 并调整 后续的行动步骤. 例如, 如果第一次行动没有完全 达到预期的效果, ViLA 可能会生成一个新的行动 步骤来纠正或完成未完成的任务20 积分 | 19 页 | 10.74 MB | 6 月前3
共 38 条
- 1
- 2
- 3
- 4
