时，会为其注册下面列出的各项工具 工 具 CollectLinks 问题拆解，从搜索引擎进行搜索，并获取 URL 地址列表。该工具基于 LLM 提示工程和搜索引擎 实 现，其功能如下：（ 1 ）将问题拆分成多个适合搜索的子问题（基于 LLM 提示工程） ; （ 2 ）通 过搜 索引擎搜索子问题 ; （ 3 ）筛选出与调研问题有关的 URL ，并根据网站可靠性对 URL 列表进行排 序 （基于 LLM 提示工程） 工 大 小 模 型 协同 ” 的智能体 框架 ， 面向产业 创新业务场景 ， 提供了包括产业知识问答 、 产业报告生成 、 产业技术分析 、 产业文档理解等能力 ， 向上为企业 、 园 区 、 政 府 等 产 业 认 知 决 策 需 求 机 构 提 供 专 业 产 业 知 识 服 务 。 客 户 可 私 有 化 部 署 ， 也 可 根 据 需 求 替 换 模 型 基 座 和 场景数据

据。同时需具备数据管理功能，支持数据的分类、检索 和清理策略，以实现高效的存储利用。 o 预警与通知机制：一旦检测到异常事件，系统应能迅速 生成预警信息并通过多种渠道（如短信、APP 通知、电 子邮件等）将其传递给相关人员或部门。 o 数据可视化界面：系统应提供友好的用户界面，支持事 件回放、数据可视化及统计分析，帮助管理人员快速掌 握公共安全状况，做出决策。 o 用户权限管理：应具备完善的用户管理功能，允许多级 应速度。 第二个案例涉及到大型活动的安全管理。为了确保群众活动的 顺利进行，相关部门引入了 AI 视频分析技术，对活动现场进行实 时监控。通过对参会人员的行为识别，系统能够快速识别出不法分 子和潜在的安全风险，并通过数据分析提供必要的战术建议。数据 显示，在活动期间，安保人员的干预成功率提高了 50%，事件发生 前的预警机制明显增强。 第三个案例是关于校园安全的应用。在验收了 AI 视频监控系 制，让模型在每次运行中积累经验，并进行自我优化。另外，定期 更新数据集和模型，以保持对新出现威胁的敏感性和准确度，也是 必须要实施的策略。 再者，针对用户需求和使用场景的定制化服务将逐步推广。政 府机构、公共安全部门以及企业对于视频智能挖掘的需求存在显著 差异，未来可以根据具体需求提供相应的解决方案。例如，为大型 活动提供实时监控和数据分析，为社区安全提供常态化监测服务， 从而实现更具针对性的安全保障。

元景—经济大模型在“粤经济”上部署实施，发挥联通多源 大数据的独特优势，基于全国高质量经济语料，打造经济垂 直领域大模型，模型在查数据、问知识、做推理、快分析等 经济领域任务中都表现良好。 广东政数局 ”粤经济“平台 n 经济运行大模型落地北京发改委、广东政数局等多省市项目 -23- 大模型赋能公安智能化 n 联通数智公司联合北京联通等打造元景公安大模型，在北京西城、安徽省厅等多省市视侦智能化升级项目试点应用 

腾讯云大模型知识引擎：三大应用模式，满足客户多样需求 文件助手 员工服务 专家助手 智能客服 把企业五花八门的知识库喂给大模型，没那么简单！ 难点：企业知识格式多样、图文并茂 复杂排版的阅读顺序 复杂的子元素识别 复杂的表格结构 跨栏段落 跨图段落 少线表格 无线表格 有线表格 段落内图像 段落内公式 表格内图像 表格内公式 跨表段落 图表文环绕 纵向多栏 图 适合处理过程复杂且分支较多、对结果准确性要求高的业务场景 员工服务 自动化服务 智能客服 提供 10+ 画布节点，编排复杂应用，复杂 流程的执行准确率和对话完成率效果领先。 通过可视化拖拉拽的方式编排不同的原 子 能力，零代码 / 低代码构建业务流程。 其中参数提取节点，支持多参数同时提取、 基于对话历史进行多轮反问澄清等优势能 力，对话效果更优势。 大模型相关的节点均接入 DeepSeek

觉问答问题, 解决了自然语言表达能力不精确的问 题. MOKA 框架包括两个层次的推理过程: 高层任 务推理和低层动作推理. 在高层任务推理阶段, 视 觉语言模型将自然语言描述的任务分解为一系列简 单的子任务, 并总结每个子任务的信息, 如抓取对 象、未固定对象和运动方向等; 在低层动作推理阶 段, MOKA 根据当前观察到的环境图像, 提出关键 点和路径候选, 并通过视觉提问的方式让 VLM 从 候选中选择正确的关键点和路径点 提出了一种新的解 决方法, 可以结合大模型的高级语义知识和与物理 环境相关的低级技能. 方法提出了两个模块: Say 和 Can. 前者使用大语言模型解析和生成与任务相 关的自然语言描述, 为每个可能的技能 (或子任务) 生成一个概率分布, 表明它们对于完成整个指令的 价值; 后者利用价值函数来评估每个技能在当前状 态下的可行性. 最终结合 Say 模块的概率评分和 Can 模块的价值函数, SayCan 选择最有可能成功 EmbodiedGPT[55] 通过 CoT 生成更详细和可执行 的计划, 从而提高机器人执行任务的成功率. 首先, 模型识别任务的关键要素, 例如目标、所需对象和 预期的结果, 将任务分解为一系列子目标. 这些子 目标是实现最终目标所需的中间步骤, 随后规划模 块为每个子目标生成详细的行动计划. 类似地, LLM- Planner[78] 使用大语言模型分解任务, 并根据环境 观察来提供每一步的指导. 对于在自由环境中的智

06-07 08-09 10-16 实现自主智能供应链 4 前言 克里斯·蒂默曼斯（Kris Timmermans） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 治波动与多变的贸易环境正在重塑全球格局；与 此同时，气候压力日益加剧，消费者期待持续高 涨，传统增效策略所带来的回报却日渐式微。当 下，供应链重塑的关键在于两项关键议题。 其一，打破职能孤岛。自主决策需要在各职能

应用的服务、配置和AI智能体管理平台 稳定 谢谢 Thank You 安全 Nacos MCP社区群 Nacos 社区群 微服务 AI Nacos 3.0 MCP Registry 罗 鑫 （ 子 葵 ） Nacos Commiter 2025/07/10 易于构建AI Agent应用的MCP管理平台 CONTENT 目录 MCP & MCP Registry MCP 协议 和 MCP

目前多为企业自研，仅有少部分企业将 Agent 融入真正工作中，若 AI Agent 能在未来用低成本撬动高效益，则会引起越来越多的企业重视。定制化 AI Agent 或成为一片蓝海市场，拥有成熟技术和一揽子解决方案的企业能占据大量市场份额。 图18 企业 AI Agent 使用情况 资料来源：IDC 与钉钉《2024 AIGC 应用层十大趋势白皮书》，海通证券研究所 风险投资青睐 GITM 采用大型语言模型（LLM）作为核心，打破了这一传统架构。GITM 由 LLM Decomposer、LLM Planner 和 LLM Interface 三部分组成，逐步将复杂任务分解为子任 务、结构化动作，直至最底层的键盘鼠标操作。LLM Decomposer 利用外部知识将复杂 任务分解为简单子任务；LLM Planner 为每个子任务规划结构化动作，并根据反馈信息 调整规划，不断总结成功经验；LLM

企业涉诉类 行政处罚类 质检环保 舆情数据 违规数据 • 高管自杀 • 失信被执行 • 企业重大事 敀 • 企业停业 高风险因子 0.3 中风险因 子 0.2 低风险 因子 0.1 企业风险指数 (7 日 内 ) 企业风险模型 企业风险分数 标准化处理 用智慧发现信息价值 Discover information 加权平均 案例：某国有银行企业风险预警

回答完整、全面，考虑到多方面情况，语 言表达流畅、自然、清晰、简洁；具备合 理的逻辑思维能力，推理和判断能力不错 逻辑更符合现实场景， ChatGLM130B 的 解 答优势在于部分问题可以引入生动的例 子加 以说明，这对于客户理解而言是个亮 点 心思缜密“推理者” 旁征博引“实用者” 专家点评 专家点评 专家点评 评测结果——国内大模型 简洁干练“精英范” 整体的解答优多于劣，部分的解答在保证