项目编号： DeepSeek 在工程造价上的 应 用 方 案 目 录 1. 引言...............................................................................................................6 1.1 项目背景........................... ..7 1.2 DeepSeek-R1 大模型简介.................................................................10 1.3 工程造价行业现状..............................................................................11 1.4 应用 DeepSeek-R1 ..........................................23 3. 工程造价的关键环节..................................................................................25 3.1 工程量清单编制.............................................

设计 目标：模块选择，应用设计 成果：信息化初设文本 硬件配置 目标：配置硬件，定义接口 成果：智能化设计图纸 实施路径 实施 目标：定制开发，软硬件交付 成果：信息化平台，智能化工程 运维 目标：系统维护，降本增效 成果：能源优化，应用升级迭代 咨询 目标：分析需求，策划场景 成果：可研报告、咨询报告 产品一 产品二 设计同步 建设同步 应用模块迭加 EPC 总承包 智能化工程 信息化工程 建筑设计版块 建筑科技工程 信息化建设 算法提供商 旷世、科大讯飞。。。 B 中间件提供商 Tridium Siemens Jons 打造生态链 银行、证券、购物中心、 大型商超。。 交通枢纽 机场、火车站、汽车 站。。。 医疗 医院、康养园。。。 企业总部 国企、私企 第 转 型 与 创 新 章 HD 智能工程中心 2017 年确定转型目标，从建筑智能化工程设计转入建筑机电 设备 通讯接口、物联网技术、集成技术等领域的研究。编制了湖南地标《湖南省 智能 建筑评价标准》一本、公开发表关于集成技术研究论文三篇，两人次经培 训与考

的应用还可以显著提升模型的自适应性，使其能够 更好地应对市场变化，从而在长期交易中实现更稳定的收益。本文 将详细探讨如何将 DeepSeek 框架引入股票量化交易的具体方案， 包括数据预处理、特征工程、模型训练与优化、策略回测及风险控 制等关键环节，为金融机构和投资者提供一套切实可行的应用方 案。 1.1 股票量化交易概述 股票量化交易是一种通过数学模型和计算机技术来执行交易策 略的方 历史交 易数据、实时市场数据、财务数据、新闻舆情数据等。通过 DeepSeek 的数据处理能力，系统将能够快速清洗、去重、标准化 这些数据，并构建高质量的训练数据集。此外，系统还将引入特征 工程模块，自动提取关键特征，为后续的模型训练提供有力支持。 模型构建是项目的关键环节，将采用 DeepSeek 的深度学习框 架，设计并训练多层次的神经网络模型。这些模型将针对不同的交 易策略进行 市场风 险，自动触发止损或止盈操作，确保交易风险在可控范围内。 项目的实施范围将涵盖以下关键模块：  数据采集与预处理模块：负责从多个数据源获取数据，并进行 清洗、标准化处理。  特征工程模块：自动提取并构建关键特征，为模型训练提供高 质量输入。  模型训练与优化模块：采用 DeepSeek 技术训练多层次神经 网络模型，并进行动态调参和优化。  交易执行模块：实现从信号生成到订单执行的全程自动化，支

公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 应用，推动保险业务模式的重塑与升级。 经过一年的实践与沉淀，可以看到，2024年是大模型技术在各行各业的应用落地之 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 术要点和注意事项，为行业同仁提供理论指导和操作建议。除此之外，成功的落地应用需要 保险公司和科技公司紧密合作，共同构建开放、共享、协同的创新生态。这些内容为保险行 制定明确的数字化转型战略，明确转型目标、路径和重点任务。这些战略通常与公司的长 期发展规划紧密结合，旨在通过数字化转型实现业务模式的创新和升级。中国人寿全面启 2.3.2 保险业数智化转型进展 �� 动金融科技数字化工程建设，制定了“科技国寿”发展战略。阳光保险“新阳光战略”的核心 之一是以数据智能打造“科技阳光”。 二是高层重视，各保险公司高层普遍认识到数字化转型的重要性，将其视为提升公司 核心竞争力的关键

从网络进行搜索并总结报告。通过 LLM 提示工程 (Prompt Engineering) ，让 LLM 以 调研员的角色去规划和拆分任务，使用提供的工具，完成调研过程，生成调研报告。在定义角色 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 ）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 具 WebBrowseAndSummarize 浏览网页并总结网页内容。由两个工具组成：浏览网页和总结网络内容。（ 1 ）浏览网页是通过封 装的 WebBrowserEngine WebBrowserEngine 工具访问搜索引擎实现的 ; （ 2 ）总结搜索结果是通过 LLM 提示工程实 现。 工 具 ConductResearch 生成调研报告。基于 LLM 提示工程的工具，该工具会整合 WebBrowseAndSummarize 的输出给到 LLM ，让 LLM 生成调研报告 • 撰写调研报告： 调研特斯拉 FSD 和华为 ADS 这两个自动驾驶 系统 一个具体的例子 自动发邮

最优的超参数设置，减少用户手动调节的时间，用户亦可自定义参 数设置以满足特定需求。 模型训练过程中的数据处理能力也是关键。模块将支持数据的 预处理与增强功能，包括数据清洗、标准化、增强和特征工程等， 将用户上传的数据转化为可供模型有效学习的格式。在处理大规模 数据时，模块应实现分布式数据处理能力，确保训练过程不因数据 体量过大而拖慢速度。 为方便用户监控训练进度，模型训练模块需要提供实时的训练 Spark 和 Pandas 可以 极大地提高数据处理效率。Spark 支持分布式计算，适合处理大规 模数据集，而 Pandas 库则提供了便捷的数据操作功能。这两者的 结合可有效用于数据预处理、特征工程及分析。 为了实现高效的模型训练和推理，选择合适的计算资源是必不 可少的。目前，许多云服务提供商如 AWS、Google Cloud 和 Microsoft Azure 均提供 GPU 和 TPU 平台架构设计 o 责任人：系统架构师 o 时间：第 2-3 周 o 交付物：系统架构图及设计文档 4. 数据收集与清洗 o 责任人：数据工程师 o 时间：第 4 周 o 交付物：清洗后的数据集 5. 模型训练与优化 o 责任人：AI 研发工程师 o 时间：第 5-8 周 o 交付物：训练好的模型及优化报告 6. 接口开发与集成 o 责任人：后端开发人员 o 时间：第 9-10

等）获取原始数据，并进行初步的清洗和格式化处理。该层支持多 源数据接入，具备实时数据采集和批量数据导入的能力，确保数据 的完整性和时效性。 数据处理层是整个系统的核心部分，主要负责数据预处理、特 征工程和数据存储。该层对原始数据进行清洗、去噪、归一化等操 作，并通过特征提取和降维技术生成可用于模型训练的高质量数据 集。数据处理层还支持分布式计算框架，能够高效处理大规模数据 集，确保数据处理的效率和准确性。 以下是系统各层的关键功能和技术选型：  数据采集层：支持多源数据接入，采用 Kafka 和 Flume 实现 实时数据采集。  数据处理层：基于 Spark 和 Hadoop 进行分布式数据处理， 特征工程采用 Scikit-learn 和 TensorFlow。  模型训练层：采用 TensorFlow、PyTorch 等深度学习框架， 支持 Kubernetes 进行资源调度和管理。  考评分析层：基于 计：  数据输入接口：支持多种数据格式（如 CSV、JSON、图像文 件等），并具备数据批量导入功能。  清洗与转换组件：内置常见的数据清洗和转换算法，支持自定 义规则配置。  特征工程工具：提供特征选择、特征提取和特征构建的自动化 工具，支持可视化分析。  标注管理平台：集成标注工具，支持多人协作标注和标签管 理，确保标注质量。  数据导出功能：将处理后的数据以标准化格式导出，支持与模

01%）。通过对比测试集基准值±20%判定异常。 告警策略实施三级响应机制： - Level1（单指标超标）：自动 触发企业微信/ 钉钉通知运维人员 - Level2（多指标关联异常）：同 步呼叫值班工程师，启动备用节点 - Level3（服务不可用）：自动 切换灾备集群，技术负责人需 15 分钟内响应 典型监控看板包含以下关键指标： 监控项 采集频率 正常范围 告警升级条件 API 吞吐量(QPS) 小时内提供书面指 导。 技术团队配备需满足以下分工要求： 角色 职责范围 技能要求 常驻人 数 大模型运维工程 师 API 监控/性能调优/版本迭代 NLP 模型部署、Prompt 工程 2 CRM 系统架构师 数据管道维护/模块兼容性验 证 微服务架构、ETL 工具 1 全栈支持工程师 前后端问题排查/用户端故障 修复 JavaScript/Python/SQL 3 系统监控体系 ≤800ms）、对话任务完成率（目标≥92%）以及异常错误率（阈 值<0.5%）。 监控指标 阈值标准 监控频率 负责人 API 平均响应时 间 ≤800ms 每分钟 运维工程师 意图识别准确率 ≥88% 每小时 NLP 团队 并发会话崩溃率 <0.3% 实时 SRE 工程师 上线首周执行每日站会复盘机制，重点处理三类问题：高频用 户咨询的未覆盖场景（如合同续约条款查询）、系统响应延迟峰值 （集中在工作日 10:00-11:30

行业需求。在跨领域融合方面，智能软件研发行业正积极与物联网、云计算等前沿技术深度融合，不断拓宽其应用场景与潜力边界。 智能软件研发行业可以分为四个阶段，萌芽期（1960-1969年），软硬件分离定价与软件工程概念的提出，为智能软件研发的独立发展和技 术创新奠定了基础；启动期（1970-2000年），独立数据库公司的崛起为智能软件研发行业在启动期奠定了数据处理与管理的基础；高速发展期 （2001-20 1960-01-01~1969-01-01 1963年，IBM宣布将软件与硬件实行分离定价，此举被视为软件产业迈向产业化的起始点。 1968年，美国计算机科学家在NATO的软 件工程会议上，首次明确提出了软件工程的概念。 智能软件研发行业的兴起推动了软件产业的独立发展、技术创新与产业升级，并广泛拓展了应用领域，满足了多样化的市场需求。 启动期 1970-01-01~2000-01-01 4 理；机械设备租赁；货物进出口；技术进出口；进出口代 理；网络与信息安全软件开发；商用密码产品生产；电子产 品销售；商用密码产品销售；通讯设备销售；通信设备销 售；通信设备制造；专业设计服务；工程管理服务；人工智 能基础软件开发；人工智能应用软件开发；信息技术咨询服 务；人力资源服务（不含职业中介活动、劳务派遣服务）； 信息咨询服务（不含许可类信息咨询服务）；虚拟现实设备 制造；安全

审计数据的处理流程如下表所示： 处理阶段 技术实现 输出标准 数据抽取 增量日志捕获技术(Capture Change Data) 时间戳标记的原始数据 数据清洗 基于审计规则的异常值检测算法 标准化凭证流水 特征工程 审计指标计算引擎(ROI、周转率等) 多维特征向量 模型层采用 DeepSeek-V3 作为基座模型，通过三阶段训练实 现领域适配。首先在千万级审计报告语料上进行继续预训练，使模 型掌握专业术语；其次用 5% | ≤ | 推理延迟 | <200ms | 风险预测模型 构建集成学习框架，采用 XGBoost 为主模型、LightGBM 为辅助 模型的级联结构。特征工程阶段需嵌入审计专家规则： 1. 第一阶 特征：原始财务指标（流动比率、资产负债率等） 2. 第二阶特 征：动态衍生指标（同比波动率、行业偏离度） 3. 第三阶特征： 关联方交易网络特征（通过 在审计领域的自然语言处理（NLP）技术应用中，核心目标是 实现非结构化文本数据的自动化解析与语义理解，以支持审计证据 提取、风险识别和报告生成等关键任务。以下是具体技术实施方 案： 文本预处理与特征工程 采用混合式文本清洗流程，结合规则 引擎与深度学习模型，处理审计文档中的噪声数据。关键步骤包 括： 1. 基于正则表达式的实体掩码处理，例如隐藏合同中的敏感 金额与个人信息 2. 使用