行业研究〃信息服务行业 请务必阅读正文之后的信息披露和法律声明 2 目 录 1. 原理解析：思维链铸就智能体，多体交互拓展应用 ..................................................... 6 1.1Agent 模式架构解析 .... ...................... 6 图 2 AI Agent 智能体工作原理 .................................................................................... 7 图 3 单智能体强化学习原理图 ............................................. ....................................... 7 图 4 多智能体强化学习原理图 .................................................................................... 7 图 5 CrewAI 整体框架 .................................

目录 MCP & MCP Registry MCP 协议 和 MCP Registry 介绍 01 Nacos MCP Registry 能力介绍 Nacos MCP Regsitry 能力和原理介绍 02 Nacos MCP Registry 生态集成 Dify，higress，spring ai alibaba等生态集成 03 MCP Registry 中国站 Public MCP Nacos MCP Router产生的背景 MCP治理问题 • MCP Server限流 • MCP Server调试 • MCP Server观测 Part 2 Nacos MCP架构原理 Agent MCP Client（AI Agent） MCP 协议层 Nacos MCP Router Nacos MCP Router （Local模式） MCP智能路由 MCP代理 Docker部署 多协议支持 主动注册MCP&工具 鉴权&Header透传 工具及描述动态管理 MCP注册与发现 MCP服务器筛选、安装、代理 Agent Nacos MCP Router工作原理--智能路由模式 AI Agent Nacos MCP Router Vector DB query tool call • 智能筛选：根据任务描述及关键字筛选MCP服务器 • 自动安装

Control, 2025, 11（2）: 217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 及业务系统智能化水平的局限，提出了基于大语言 模型技术重构智慧应急的知识管理模式以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 视角和技术路径。 1 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、

构和特性，进而生成具有相似特征的新样本。在医疗领域，生成式 模型的应用前景广阔，包括图像生成、数据增强、合成病例生成 等。 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。 首先，培训计划的制定应根据团队的专业背景和项目需求进行 分层设计。可以将培训分为以下几个层次： 1. 基础培训：针对没有 AI 背景的医疗专业人员，讲授 AI 基础知 识，机器学习及深度学习原理，以及 AI 在医疗领域的应用案 例，帮助他们建立对 AI 技术的基本认知。 2. 专业技能培训：对已有基础的团队成员进行更深层次的技能培 训，包括数据处理、模型训练与优化、AI 模型的评估和部署 影响。因此，对使用 错误的防范和处理措施显得尤为重要。 首先，医疗工作者在使用 AI 系统时，必须接受充分的培训， 以理解系统的功能及其局限性。培训内容应包括：  AI 生成式大模型的基本原理。  可能出现的使用场景和适用条件。  错误使用的案例分析和其后果。 其次，应确保 AI 系统在临床使用中的可追溯性和透明度。通 过设计良好的用户界面，帮助医生清晰理解模型的输入输出，并及

间、推理时间、错误信息等关键数据，并定期进行备份以防止数据 丢失。 为了确保模型部署的顺利进行，建议定期组织培训和演练，使 相关技术人员熟悉整个部署流程和应急处理方案。培训内容应包括 模型的基本原理、部署步骤、故障排除等，演练则应模拟实际部署 过程中可能出现的各种场景，以提高团队的应急处理能力。通过以 上措施，可以确保 Deepseek 大模型在银行系统中的成功部署和稳 定运行。 6. 的培训则更侧重于战略层面的理解，包括模型对业务的价值、风险 管理以及长期发展规划。 为了确保培训效果，培训内容将采用理论与实践相结合的方 式，包括但不限于： - 理论课程：通过在线或线下的方式，系统讲解模型的基本原理、 应用场景以及操作规范。 - 实操演练：通过模拟银行实际业务场景，让参训人员亲自操作模 型，熟悉其工作流程。 - 案例分析：结合银行过往的业务案例，展示模型在实际中的应用 效果，帮助参训人员更好地理解其价值。 大模型在银行系统中的顺利部署和高效运 行，制定全面且有针对性的培训计划是至关重要的。首先，培训计 划将分为三个阶段：基础培训、专项培训和持续提升培训。基础培 训面向所有相关岗位人员，重点介绍大模型的基本原理、核心功能 以及在银行业务中的潜在应用场景。培训形式包括线上课程、线下 研讨会和案例分析，确保理论与实践相结合。专项培训则针对技术 团队和业务骨干，深入讲解模型的部署流程、调试方法、数据管理

为了确保用户能够高效地使用 DeepSeek 智能体，用户培训是 不可或缺的环节。培训内容应覆盖智能体的核心功能、操作流程、 常见问题解决方案以及最佳实践。首先，培训应从基础概念入手， 解释智能体的工作原理和适用范围，帮助用户建立正确的认知。接 着，通过实际操作演示，逐步引导用户掌握如何使用智能体进行任 务管理、数据分析、决策支持等功能。培训过程中，应提供详细的 步骤指导和操作手册，方便用户随时查阅。 基础培训为 1-2 天，进阶培训为 3-5 天，实战演练为 1 周。培训内 容应模块化设计，每个模块包含明确的学习目标、教学材料和评估 标准。例如，基础培训模块可包括：  智能体的系统架构与工作原理  基本操作与命令使用  常见问题的排查与解决 评估方式应多样化，包括理论测试、操作考核和项目实战表 现。培训结束后，需收集用户反馈，分析培训效果，并根据反馈优 化后续培训计划。此外，还应提供持续的学习资源，如在线文档、

模型都是一个小型的神经网络，擅长处理任务的某一方面。过去一年中，MoE架构在大规 模语言模型和其他复杂任务中得到了广泛应用，显示出其在处理大规模数据和复杂问题 上的巨大潜力。 MoE模型的具体工作原理可用中国的一句古语“术业有专攻”来概括，通过把任务分 门别类，然后分给多个特定的“专家”进行解决，提高了模型的效率和灵活性。例如， OpenAI的GPT-4、谷歌的Gemini、Mistral 请求下仍能保持稳定的推理速 度，这对于保障用户体验至关重要。 （2）精准度局限 保险业务中的某些场景，如风险评估、定价等，对结果的精准度有极高要求。然而，当 前的大模型技术由于基于概率和统计原理，其输出结果往往存在一定的不确定性。这种不 确定性在可接受范围内时或许可以接受，但在要求绝对精准的场景下则可能成为障碍。 因此，解决这一问题需要采用多种策略，如结合传统方法与AI技术、引入更多的先验

技术提升风险评估和决策能 力。在此过程中，确保系统的兼容性和数据的无缝迁移，避免业务 中断。 培训和支持是实施成功的关键。为银行员工提供全面的培训， 确保他们能够熟练使用新系统，并理解其背后的技术原理。同时， 建立持续的技术支持体系，快速响应用户反馈，不断优化系统性 能。 最后，制定详细的评估和改进机制。通过定期的性能评估和用 户反馈，识别系统中的不足，及时进行优化升级。确保 DeepSeek

为确保 DeepSeek-R1 大模型在工程造价领域的高效应用，用 户培训与支持环节至关重要。首先，针对不同层级的用户需求，制 定分层次的培训计划。对于管理层，重点培训内容应包括模型的基 本原理、应用场景及战略价值，使其理解模型如何提升决策效率与 准确性。对于操作层，培训需侧重实际操作的指导，包括数据输入、 模型运行及结果解读等，确保其能够熟练使用系统进行日常工作。 培训方式将采取线上线下结合的方式，线上培训通过视频教程

在模型响应知识库时，返回的数据格式应包含以下关键信息： { "response_id": "67890", "query_id": "12345", "response_text": "量子计算是一种基于量子力学原理的计算方 式...", "confidence_score": 0.92, "sources": [ { "source_id": "source_001",