回复、日程安排等重复性工作。 嵌入式软件是指专门为运行在嵌入式系统上的应用设计的软件，它集成了人工智能算法与技术，以实现特定设备或系统的智能化操作。这 类软件通常被优化以适应有限的硬件资源，如处理器性能、内存和功耗限制，同时提供诸如自动控制、数据采集与分析、故障预测及自我 修复等功能。嵌入式智能软件广泛应用于物联网（IoT）设备、智能家居、工业自动化、汽车电子以及医疗仪器等领域，能够增强产品的功 全可靠的原则下开发的软件产品和服务，旨在减少对国外技术的依赖并提升国 家信息系统的安全性。这类软件涵盖了操作系统、数据库、办公套件、中间件等基础软件领域，以及行业应用软件，强调采用国产处理 器、服务器、网络设备等硬件平台，并结合国内自主研发的技术标准和协议。 智能软件研发的行业特征包括技术依赖性强、产品迭代周期短、多样化与跨领域应用。 技术依赖性强 智能软件研发深度依赖于多样化的开发工具 需求。 启动期 1970-01-01~2000-01-01 4 智能软件研发行业产业链上游为硬件与基础软件供应环节，主要包括硬件设备和基础软件。其中硬件包括计算机硬件设备、嵌入式芯片、传 感器等，软件包括操作系统、开发工具、中间件等；产业链中游为智能软件研发与开发环节，主要包括需求调研、设计、编码、测试和交付等； 产业链下游为应用与服务环节，主要包括行业专用软件、智能硬件以及各种智能解决方案。

界面，以友好的方式展示给用户，如生成交易确认信息、提供投资 建议或展示风险评估报告。 在整个数据流过程中，日志和监控模块会实时记录各个环节的 操作日志和性能指标。这些日志信息被存储在独立的日志服务器 中，供后续的系统审计和性能优化使用。监控模块还会通过实时监 控数据的流动情况，及时检测并报警异常事件，保障系统的稳定运 行。 为了进一步优化数据流的效率，系统引入了缓存机制。高频访 问的数 在银行系统中部署 Deepseek 大模型时，首先需要对硬件资源 进行规划和配置。考虑到大模型的计算需求，建议采用高性能 GPU 服务器集群，以确保模型训练和推理的效率。每个节点应配 备至少两块 NVIDIA A100 GPU，以保证足够的并行计算能力。服 务器之间通过高速 InfiniBand 网络连接，确保数据传输的低延迟 和高带宽。 在软件环境配置方面，采用容器化技术（如 Docker）进行模 接下来，我们采用分布式训练框架，如 TensorFlow 或 PyTorch，以加速训练过程并处理大规模数据。分布式训练不仅提 高了计算效率，还增强了模型的泛化能力。在集群环境中，每个计 算节点负责处理数据的子集，通过参数服务器进行梯度更新和模型 同步。这种方法能够显著减少训练时间，尤其是在处理 TB 级数据 时。为了进一步提高训练效率，我们使用混合精度训练（Mixed Precision Training），即同时使用

金以及个人投资者开始涉足这一领域。特别是在中国等新兴市场， 量化交易的渗透率正在快速提升。根据中国证券投资基金业协会的 数据，截至 2023 年，中国量化私募基金的管理规模已突破 1.5 万 亿元人民币，占整个私募基金市场的比例超过 15%。 量化交易的核心优势在于其能够通过数据驱动的策略减少人为 情绪干扰，提高交易效率和准确性。当前主流量化交易策略包括：  统计套利：通过历史数据挖掘统计规律，捕捉价格差异带来的 易行为超出预设阈值时，风控系统会立即触发预警机制，并采取相 应措施，如自动平仓或暂停交易。以下是一个典型的风控规则表示 例： 风控规则 阈值 触发动作 单笔交易金额限 制 100 万元 拒绝交易 每日交易总额限 制 1000 万 元 暂停当日交易 单一股票持仓比 例 10% 触发平仓操作 止损触发条件 -5% 自动平仓 日志记录系统为交易活动提供了完整的审计追踪功能。每条交 易指令、执行 在测试完成后，根据测试结果进行优化是提升系统性能的重要 步骤。优化措施可以包括：  代码优化：对关键算法和数据处理流程进行优化，提高执行效 率。  系统配置调整：根据测试结果调整系统配置，如增加服务器资 源、优化数据库配置等。  负载均衡：通过引入负载均衡技术，合理分配系统资源，提高 系统的并发处理能力。 此外，为了持续监控系统性能，可以引入实时监控工具，及时 发现并解决性能问题。通过定期进行性能测试和优化，可以确保系

• 其他业务特定的敏感信息 敏感配置强化加密存储 敏感配置强化加密存储 敏感配置强化加密存储 Nacos 控制台 maintainer-client 默认鉴权 浏览器 独立域名https TLS TLS • 数据源配置统一托管 账号密码，数据库地址，连接池大小，超时 参数 • 密文存储 应用运行时内存解密 • Agent侧MCP工具代理 MCP 是AI应用连接业务系统的桥梁，是AI最终是否业务提效的关键所在 MCP Registry：存量接口转化&MCP管理 1.【存量业务 API 接口转化】 • API接口元数据手动注册到Nacos • 通过Higress转为MCP 服务“0 代码” 配 置生成MCP 协议； 2.【MCP Server自动注册】 • MCP Server 自动注册服务，支持 Java Server的 元信息 3. MCP 客户端需要一个可信来源 的的MCP Server的安装和使用说 明 不会解决的问题 1. 源代码的托管 2. 高级搜索，排序，过滤等能力 3. 对私有部署的支持 Part 2 Nacos MCP Registry Nacos MCP Registry 能力介绍 Nacos MCP Registry 基本架构 MCP Server 元数据中心 提供标准MCP

统的设计将严格遵 循现有的数据安全与隐私保护法规，确保所有数据处理活动在法律 框架内进行。 项目的技术约束主要源于当前的硬件资源与预算限制。系统需 要支持至少 100 个并发用户的访问，服务器响应时间不超过 2 秒。 此外，系统应具备良好的可扩展性，以适应用户数量和数据量的增 长。在开发过程中，将采用微服务架构，以确保系统模块的高度解 耦与独立部署能力。 在项目实施过程中，还将面临以下主要挑战： 行安全漏洞扫描和渗透测试，确保符合 ISO 27001 等国际安全标 准。 可扩展性和可维护性也是非功能性需求的重要组成部分。系统 应采用模块化设计，便于功能扩展和升级。在硬件层面，应支持横 向扩展，能够通过增加服务器节点来提升系统容量。在软件层面， 应提供完善的 API 接口，支持与第三方系统的无缝集成。维护方 面，系统应具备自动化监控和告警功能，能够实时监控 CPU、内 存、磁盘等资源使用情况，并在异常情况下自动发送告警信息。 指南和在线帮助，降低学习成本。在多语言支持方面，系统应至少 支持中文和英文两种语言，并可根据用户需求灵活扩展其他语言。 最后，系统应具备良好的兼容性和可移植性。硬件方面，系统 应支持主流服务器品牌和型号；软件方面，应兼容 Windows、Linux 等主流操作系统。在云环境部署时，系统应支持 公有云、私有云和混合云等多种部署模式，确保在不同环境下均能 稳定运行。 2.2.1 性能需求

架构，主 要包括数据层、服务层、接口层和用户层。数据层负责数据的存储 与管理，采用分布式数据库系统，支持结构化与非结构化数据的存 储，确保数据的可靠性与高效访问。服务层是系统的核心处理单 元，包含 AI 模型训练与推理引擎，利用机器学习与深度学习算 法，提供智能决策支持、客户行为分析、自动化任务处理等功能。 接口层通过 RESTful API 和 WebSocket 协议与外部系统进行数据 供应商、用户行为数据、社交媒体数据以及物联网设备数据等。为 保障数据的全面性和准确性，企业应制定严格的数据收集规范，确 保数据来源的合法性和合规性。此外，数据收集过程中需采用自动 化工具与技术，如 API 接口、网络爬虫、传感器数据采集等，以提 高效率并减少人为错误。 在数据存储方面，应采用分层存储策略，将数据分为热数据、 温数据和冷数据，以优化存储资源并提高查询效率。热数据通常为 实时或高频访问的数据，存储于高性能的分布式数据库或内存数据 构化数据、半结构化数据和非结构化数据统一存储于一个可扩展的 存储系统中，便于后续的数据分析与挖掘。数据湖的建设需遵循以 下原则：  数据分区与分类：根据数据的使用频率、业务需求和安全级别 进行分区和分类管理。  元数据管理：建立完善的元数据管理系统，记录数据的来源、 格式、更新频率等信息，便于数据追踪和审计。  数据生命周期管理：制定数据保留和销毁策略，确保数据的合 规性和存储成本的最优化。 此外，数据存储的安全性至关重要。企业需采用加密技术对静

治理 集约敏捷的 AI 中台式建 设 业务系统 B 业务系统 C 业务系统 A AI 项目的烟囱式建 设 知识引擎 大模型 API （ DeepSeek/ 客户专属 模型 / 混元 / 行业模型等） 模型 API 行业大模型 客户专属模型 模型 API 兼容 OpenAI 接口规范 复刻 Deep seel 的推理加速能力 一键发起模型部署 推理加速 解决方案 腾讯云精调知识大模型 DeepSeek 系 列 模 型 DeepSeek 系 列 模 型 一键发起模型训练 模型训练 内置 DS 全系模 型 客户专属模型 客户专属模型 混元系列模型 混元系列模型 TI 平 台 模型服务 腾讯云 TI 平 台 大模型模型训练和推理开发平台，灵活精调和部署私有 DeepSeek 训练 部署 应用 数据中心 分布式推理： 解决大参数量模型部署，提供超长上下文窗口 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM 统一纳 管 自研行业大模型 u 金融 / 汽车 / 医疗，提升垂类任务性能 u 支持知识增强、实时更新知识库 开源大模型 u Deep seek 全 系 u Llama/baichuan/chatglm/Qwen 等 自研混元大模型 u 从零训练自主创新的通用大模型

大模型采用了一种创新的混合架构，结合了 Transformer 和 Graph Neural Network (GNN) 的优势，以应对 工程造价领域的复杂数据结构和高精度需求。模型的核心是基于 Transformer 的编码器-解码器结构，用于处理文本和数值数据， 而 GNN 则专门用于处理工程项目中的图结构数据，如项目网络 图、资源分配图等。这种混合架构使得 DeepSeek-R1 能够同时捕 捉到数据的序列特征和图结构特征，从而在工程造价预测和分析中 训练数据经过严格的清洗和标注，确保其准确性与一致性。训练过 程中，采用了混合精度计算技术，显著提高了训练效率，同时降低 了硬件资源消耗。 模型的优化主要基于梯度下降算法，结合自适应学习率调整策 略，如 Adam 优化器，确保在训练初期快速收敛，并在后期进行精 细调优。为了防止过拟合，引入了 L2 正则化以及 Dropout 技术， 增强了模型的鲁棒性。此外，通过交叉验证方法对模型性能进行了 评估，确保其在未见数据上的表现稳定。 型收敛。  数据增强：通过随机噪声注入、数据扩充等技术，提升模型的 泛化能力。 以下是模型训练过程中的关键参数配置： 参数名称 参数值 批量大小 128 初始学习率 0.001 优化器 Adam 参数名称 参数值 正则化系数 0.01 Dropout 概 率 0.5 为了进一步提升模型性能，引入了多任务学习机制，使模型能 够同时处理工程造价中的多个子任务，如成本预测、工程量估算等。

图呈现： 技术部署建议采用混合云架构，核心数据保留在本地审计系 统，通过 API 调用云端模型能力。某会计师事务所的实践表明，这 种模式可使每 TB 审计数据的处理成本从传统方案的 3200 元降至 800 元，且满足三级等保要求。未来 6-12 个月的演进路线应包 括：Q3 完成企业私有知识库的定制训练，Q4 实现与审计软件（如 鼎信诺）的深度集成，最终达到审计项目全流程 30%以上的人工工 业务时，标准审计程序覆盖率不足 55%。下表展示了典型新兴业务 领域的传统审计盲区： 业务类型 传统程序覆盖率 主要盲点 加密货币交易 38% 链上交易追溯缺失 跨境云服务收入 45% 服务器地理位置验证困难 ESG 衍生品 29% 碳足迹数据链校验空白 审计资源分配存在结构性低效。约 70%的审计时间消耗在基础 数据核对等低价值工作（Deloitte 2023 年审计效率报告），导致 型掌握专业术语；其次用 30 万条审计程序-底稿对照数据进行有监 督微调；最后通过强化学习优化风险判断能力，奖励函数设计为： 风险检出率×0.7 + 误报率×0.3。模型部署采用 Triton 推理服务 器，支持每秒处理 20+并发查询，平均响应时间控制在 800ms 以 内。 关键审计判断逻辑采用混合决策机制： 1. 结构化数据规则引 擎：处理税率计算、勾稽关系校验等确定性任务 2. 深度学习模

生成式模型的核心在于其能够生成新的数据样本，而不仅仅是 进行分类或回归预测。其工作原理通常基于概率分布的学习，通过 对大量样本的分析，生成符合该样本分布的新样本。常见的生成式 模型包括生成对抗网络（GAN）、变分自编码器（VAE）等。每种 模型都有其特定的结构和生成方式，适应不同的应用场景。 在具体应用中，生成式模型具有以下几个特点： 1. 高维数据处理：能够处理高维数据，如医学影像等，生成具有 实际临床价值的新图像。 通过两个神经网络（生成器和判别器）的对抗性训练， 使得生成器生成的样本逐渐逼近真实数据的分布。这种方法在图像 生成、图像修复以及风格转换等领域有着广泛应用。例 如，StyleGAN 就是一种高质量图像生成的 GAN 变体，它能够生成 极为真实的面孔图像，且在医疗图像处理中的应用日益受到关注。 此外，变分自编码器（VAE）也是一种重要的生成模型，其通 过编码器和解码器的组合，学习潜在变量的分布。VAE 在具体实施上，影像生成与增强技术的应用可以按照以下步骤 进行： 1. 数据收集：从医院或医疗机构获取大量高质量的医学影像数 据，包括不同病种、不同阶段的影像样本。 2. 模型训练：利用经典的生成对抗网络（GAN）或变分自编码 器（VAE）对收集到的数据进行训练，学习其分布特征，从而 生成新影像。 3. 影像生成：使用训练好的模型，从潜在空间生成新的医学影 像，特别是稀有病症的影像样本。 4. 模型测试与优化：将生成的影像与真实病例进行对比，评估其