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.............................................

量化的数据训练质量评估指标体系 - 设计全面的训练过程监控与记 录机制 - 开发智能化的训练资源优化算法 - 构建可视化的评估结果 呈现系统 - 实现训练效果的动态追踪与对比分析 通过本系统的建设，预计可以实现以下具体效果： 1. 数据训 练效率提升 30% 以上 2. 模型质量合格率提高 25% 3. 训练资源利用 率优化 40% 4. 训练评估时间缩短 50% 系统的主要应用场景包括但不限于： 个跨 部门的项目管理委员会，负责监督项目进展、协调资源以及解决跨 部门协作问题。通过这种方式，项目能够有效地控制风险，确保按 时按质完成。 2. 系统需求分析 在人工智能数据训练考评系统的建设过程中，需求分析是系统 设计的基础和关键。首先，系统需要支持多维度数据采集与处理功 能，确保能够覆盖各类人工智能模型的训练数据需求。数据采集范 围包括但不限于图像、文本、语音等多种数据类型，且系统需具备 和需求的增长。例如，系统应支持模块化设计，便于功能扩展和升 级，并提供开放的 API 接口，方便与第三方系统集成。 综上所述，人工智能数据训练考评系统的需求分析需从数据采 集与处理、模型训练支持、考评体系建设、安全性保障以及用户体 验等多个维度进行综合考虑，以确保系统功能完备、性能优异且易 于维护与扩展。 2.1 功能性需求 在人工智能数据训练考评系统的功能性需求分析中，系统需具 备以下核心功能以满足用户的实际需求：

时效局限 传输困难 缺乏收集 数据孤岛 智慧安全 设施 智慧设施 能源 智慧环境 服务 智慧服务 数据 建设数字化、智能化的智慧建筑 / 园区，解决传统建筑 / 园区的痛 点 · · · · 实时采集 传输便捷 全量数据 互联共享 · · · · 远程抄表 智能管理 数据分析 新型能源 人身 资产 安全 高清 监控 高效 信息 通信 管控 移动 管理者 CIO 统一架构 平台 支撑企业卓越运营 符合未来 信息化发 展趋势 智慧建筑 / 园区建设需要从多角色多维度综合考虑业务需 求 IT 联动 物业 员工 大数据 集成通讯 视频云 loT 平台 云计算、云存储、大数据 ( 模型 ) 、 Al 算法、数字孪生 (AR 实景 、 VR 虚拟现实、三维模型、视频空间化 ) 、 APP 、小程序、 Vue/React; 建设特点 与智化子系统 机电设备 步建设并验收 与信息化建设 步 分 验收 集成技术 BMS 以实现建筑物的运营及 管理为目标，形成具有 信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化 集成系统或数字化综合

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 · · · · · · · · 142 6.2.4 关注政策导向与合规要求· · · · · · · · · · · · · · · · · · · · · 143 6.2.6 强化技术合作与生态建设· · · · · · · · · · · · · · · · · · · · · 145 6.2.5 加强数据安全和隐私保护· · · · · · · · · · · · · · · · · ·

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

平台的核心在于能够将复杂的人工智能模型转化 为易于使用的服务。这种服务不仅允许企业根据自身的需求定制化 模型功能，还能保证其在数据安全、隐私保护等方面的合规性。通 过云端计算资源，企业无需投入大量资金进行基础设施建设，即可 获得强大的 AI 能力，这极大地促进了中小企业的创新和发展。 此外，市场调研显示，大模型的应用前景非常广阔。根据 Precedence Research 的报告，全球人工智能市场在 2022 用过程中能迅速获得帮助，最大化服务价值。 通过这些考虑，我们可以构建一个切实可行的人工智能大模型 SaaS 平台，满足市场需求，并帮助企业实现数字化转型。接下来 的章节将详细展开各个模块的设计思路及实施方案，为建设这样一 个平台提供可操作的指导。 1.1 背景 近年来，人工智能技术的迅猛发展为各行各业的数字化转型注 入了强大的动力。在这一背景下，大模型（如 GPT、BERT 等）因 其强大的自然语言 高，SaaS 平台必将在未来的商业环境中发挥更为重要的作用。 1.4 本文目的和意义 在当前人工智能迅猛发展的背景下，大模型 SaaS（Software as a Service）平台的建设尤为重要。本文旨在通过分析市场需 求、技术现状及未来趋势，制定一套切实可行的大模型 SaaS 平台 设计方案。此方案将为企业和开发者提供灵活、高效且易于集成的 人工智能服务，满足各行业对智能化解决方案的迫切需求。

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 实现万物互联，提升国际竞争力和自主创新能力。 政策性质 指导性政策 数据来源: 工信部，国务院，科大讯飞，中国软件，用友网络 规模预测发市场规模 智能软件研发行业规模 政策梳理 8 政策名称 《质量强国建设纲要》 颁布主体 中共中央，国务院 生效日期 2023-01-01 影响 7 政策内容 推动制造业高端化、智能化、绿色化发展，大力发展服务型制造。同时，加快大数据、网络、人工智能等新技

非常先进。这是一场差距很小的竞争。” 虽然 DeepSeek已证明研发AI所需的资金和算力比之前预想的要少，但Meta不会因此减少AI支 出：“我仍然认为，从长远来看，大力投入资本支出和基础设施建设将成为一种战略优势。” 卷积神经网络之父Yann LeCun: “与其说中国AI正在追赶美国，不如说开源模型正在超越 闭源”。 Anthropic CEO达里奥·阿莫迪：我认为一个公平的说法是“ C端现象级应用。微信、钉钉等头部应用纷纷接入 截至2月15日，全国10省省委书记将人工智能作为 新春第一会重点部署，B端大模型应用进一步加速 省份 要求 广东 集中发力人工智能和机器人领域 浙江 加快建设创新浙江、因地制宜发展新质生产力 广西 不能妄自菲薄、行动迟缓 江西 强化企业科技创新主体地位，推动科研成果向现实生产力转化 安徽 在抢占科技制高点上奋勇争先 江苏 找准“一中心一基地一枢纽” 中石油、中石化、南网、星网、中广核、中铝等央 国企均在拥抱对接或重新研判 DS开源策略全面冲击基础模型商业模式，将大厂在C端、B端过去一年构建的技术优势拉回同一起跑线 ，市场竞争从一阶段比拼模型能力，进入比拼应用、数据、工程化交付能力的第二阶段 -11- 目录 Contents 02 03 01 04 05 -12- 中美在AI领域的对比：人才与技术 n 我国高端人才的数量和密度跟美国有明显差距

术革新，更是推动行业进步的重要力量。通过将 AI 技术与传统轨 道交通运营管理深度融合，可以为提升城市轨道交通的高效性、安 全性和服务质量提供强有力的支持，为城市出行带来革命性的变 化。最终，建设更加智能、高效、便捷的城市轨道交通系统，满足 日益增长的城市出行需求，将是我们努力的方向。 1.1 城市轨道交通行业现状 城市轨道交通行业是现代城市公共交通系统的重要组成部分， 随着城市化进 公共运输效率、促进城市可持续发展等方面的重要性日益凸显。目 前，许多城市已构建了较为复杂的轨道交通网络，包括地铁、轻 轨、有轨电车等多种形式。然而，尽管行业发展迅速，仍面临着诸 多挑战。 首先，轨道交通的建设和运营成本高昂。根据行业统计，地铁 线路建设的平均投资额在每公里数亿元人民币不等，且运营维护费 用也相对较高，要求城市在财政支出方面做出长期的投入。同时， 随着客流量的增加，如何提高运输效率以满足乘客需求也成为一大 等大城市，某些轨道交通线路在高峰期的客流密度已达到 30000 人/公里·小时，这给列车调度、站台管理、乘客安全等方面带来了 巨大压力。 另外，城市轨道交通系统的设施老化和技术更新滞后问题也日 益显现。许多建设于上世纪 90 年代和 2000 年代初的地铁线路，面 临着设备老化、技术不足等问题。系统的老化不仅会导致故障频 发，还可能对乘客的安全隐患造成威胁。 为了应对这些挑战，各城市正在积极探索和应用新技术。其

策提供科学依据，为产业的技术创新和投资方向提供“指南”。 展望未来，我国算力发展之路机遇与挑战并存。我坚信，在全国各界的共 同努力下，我国算力产业必将实现量的稳步增长与质的显著提升，加速高质量 发展的新征程！ 邬贺铨 中国工程院原副院长 算力产业发展方阵指导委员会主任委员 综合算力指数 前 言 近年来，AI 快速发展。算力、存力、运力以及模型能力的协同 发展水平成为衡量地区数字竞争力的关键。算力支撑数据处理与计 廊坊市、张家口市、大同市、广州市、杭州市等位居前列。 我国算力产业发展已取得一定进展，但产业数字化转型进程仍 面临诸多挑战：区域间算力发展水平差距较大，综合算力协同发展 潜力尚待充分挖掘，亟需通过深化一体化算力网建设，强化统筹协 同与动态优化能力；全面提升算力供给质效，加速推动结构的迭代 升级；夯实存力运力底座，促进“算存网”协同演进；构建绿色低碳 体系，加速基础设施绿色升级；深度开展融合创新实践，助力产业 业 生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 掘各地区综合算力发展问题，并给出发展建议，为我国算力产业“点、 链、网、面”体系化发展提供参考，为数字中国建设实现跨越式发展 筑牢根基。 时间仓促，报告仍有诸多不足，恳请各界批评指正。后续我们 将不断更新完善，如有意见建议请联系中国信通院研究团队： dceco@caict.ac.cn。 综合算力指数