对于防范化解重大安全风险、及时应对处置各类灾 害事故，保护人民群众生命财产安全和维护社会稳 定具有重要意义。智慧应急是应急管理信息化建设 的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ 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、 决策支持的应急大脑，从而实现整体业务系统智能化水平从感知智能到认知智能的提升。 关键词 大语言模型，智慧应急，知识管理，应急大脑 引用格式 龚晶，黄欢. 基于大语言模型技术的智慧应急应用：知识管理与应急大脑 [J]. 指挥与控制学报，2025，11（2）：217-224 门、救援队伍等应急业务对象的主题数据库，以及 监测预警、安全生产、监管执法、指挥救援、社会动 员等重点业务的专题数据库。包括结构化数据、半 结构化数据和非结构化数据。 知识库层：为应急管理业务应用智能化提供知 识服务，主要存储管理法律法规、典型案例、应急预 案、方法和模型等应急知识。 业务应用层：覆盖应急管理全过程，包括监测预 警、社会动员、监管执法、救援处置等应急管理全场 景应用。 决策指挥层：为所有应急管理业务辅助决策。 2.1

知识引擎 配置项 工作流 联网搜索 模型部署 服务管理 应用场景 大模型 广场 大模型精调 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 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 u 7b 13b 70b 不同参数量级 数据构建 预置 3 大类精调 数 算力投入持续降低 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B R1-Distill-Llama-8B R1-Distill-Qwen-7B R1-Distill-Qwen-1.5B DeepSeek 部署方案 DeepSeek 全系大语言模型支持服务部署 并行解码

， 同 时 软 件 服 务 系 统 也 是 在 同 步 跟 进 。 软硬一体化解决方案 全联接、数字化、安全、智慧、绿色 智能运营平台 可视、可控、可管 配 智慧工单 设备监控 智能安防 智能停车场 智能门禁 智能照明 事件监控 决策支持 智能消防 智慧能源 软 硬 兼 施 综合态势 联动指挥 智能电梯 BMS IBMS 维保查询 工单管理 派单 接单 验收 iBMS iBMS 考勤管理 每日看板 考勤查询 汇总统计 用户管理 角色管理 报警管理 中盈能源管 大华监控 理系统 系 统 消防设施 智能电表 智能水表 环境传感器 机房监控 报警管理 设备状态 门禁管理 设备管理 报表查询 设备监测 会议预约 坐席管理 私有 协议 监控存储 设备管理 (BMS) 内部联动 外部指令联调 边缘计算与网关 控制终端 .PLC 实时域系统 信息域系统 系 统 框 图 运营管理 AI 算 法 大数据分析 BIM/CIM 加 持 访 客 与 信 息 发 布 会 议 管

时识别出异常情况，并发送预警信息，确保铁路安全。  数据分析与决策支持：通过对历史数据和实时数据的深度分 析，提供智能决策支持，如预测设备故障、评估环境影响等。  用户交互与反馈：用户可以通过平台进行数据查询和反馈，系 统根据用户的需求不断优化模型和分析策略。 为确保系统的稳健运行与数据的高可用性，技术方案中还包括 了数据管理模块的建设，采用分布式存储与云计算技术，实现数据 的高效存储与处理。同时，定期的模型更新与维护也是方案的重要 在不同高度、不同角度拍摄，获得高分辨率的影像数据。同时，结 合机载激光雷达（LiDAR）技术，可以获取高精度的三维点云数 据，准确描绘地形及铁路设施的空间分布。 其次，地面数据采集也至关重要。我们将配备移动激光测量系 统（MLS）在铁路沿线进行拍摄，特别是对复杂结构（如桥梁、隧 道、车站等）的详细测量。MLS 系统通过激光扫描与高分辨率摄影 相结合，能在相对较快的时间内获取高密度数据，确保模型的细节 得以 息的完整性和精度。此方案的实施会遵循以下步骤：  制定详细的航拍方案和地面采集计划，确定各自的时间安排、 人员分工和技术要求。  根据项目需求，进行数据源评估与整合，确保航拍图像和地面 数据在坐标系和精度上的一致性。  采集结束后，进行数据清洗与校验，筛除错误数据，确保数据 质量合格。  最后，利用采集到的航拍图像和地面数据进行整合，形成符合 模型建立需求的完整数据集，为后续的三维建模和分析提供支

域的智能监控，及时识别异常行为，提升安全防范能力。 2. 事件预测与预警：通过历史数据的学习与分析，AI 可以精准 预测潜在的安全风险，并及时发出预警信息。 3. 高效调度与响应：在突发事件发生时，AI 能够帮助指挥中心 快速调度资源，制定响应策略，提高处置效率。 4. 数据整合与共享：通过构建视频数据平台，整合各类监控资 源，为决策提供依据，促进信息共享。 这些措施不仅能够有效预防和减少安全事故的发生，还能够增 流量 数据，保证数据的不间断存储。  数据压缩技术：采用高效视频编码技术，如 H.265，以降低存 储空间和带宽需求，同时不影响画质。 最后，视频数据采集系统的设计应考虑用户的操作便捷性和系 统的安全性。具体需求包括：  用户友好的界面：提供简单直观的数据管理和设备监控界面， 使用户能够轻松进行设置和操作。  数据安全性：确保视频数据在传输和存储过程中的加密，防止 黑客攻击和未授权访问。 运动或遗留物品等可疑行为，系统能够立即触发相应的警报，并动 态记录和标记此事件的相关视频片段。下表展示了几种主要事件类 型及其对应的处理逻辑： 事件类型 处理逻辑 人群聚集 识别人群密度，触发警报并实时向指挥中心发送数据 异常运动 对于超速、逆行等行为进行识别并发起告警 遗留物品 识别可疑遗留物品，自动标记并发送至安保人员查验 突发事件 人员奔跑、动态聚集等情况，自动触发全局告警并锁定摄像头视角

CP），确保 在发生安全事件或系统故障时能够快速恢复服务。备份策略应采用 异地多副本存储，定期进行恢复演练，验证备份的有效性和可用 性。 最后，安全培训和意识提升也是不可忽视的一环。所有涉及系 统操作的人员应定期参加安全培训，了解最新的安全威胁和防护措 施，确保在日常工作中能够严格执行安全策略。 以下是安全需求的关键点总结：  数据加密：传输和存储数据均需加密，采用 SSL/TLS 询和决策支持，而客户则可以通过智能客服等渠道获得个性化 的金融服务。 为了更清晰地展示模块之间的关系和功能协作，以下是一个简 化的模块交互图： 通过以上模块的划分与设计，Deepseek 大模型能够在银行系 统中高效、安全地运行，满足金融业务中复杂且多变的需求，同时 为银行提供强大的智能化支持。 3.3 数据流图 在 Deepseek 大模型与银行系统的集成过程中，数据流图的设 计是确保系统高 研究，同时推动数据的价值最大化。 通过上述措施，可以构建一个安全、高效、合规的数据管理体 系，为 Deepseek 大模型在银行系统中的成功部署奠定坚实基础。 4.1 数据采集 在银行系统的数据采集环节，Deepseek 大模型的部署需要确 保数据的全面性、准确性和实时性。首先，数据采集应覆盖银行系 统的多个关键领域，包括但不限于客户信息、交易记录、风险评估 和监控数据。这些数据可以通过自动化的

9%的正常运行时间。为 此，需采用冗余设计，包括双机热备、负载均衡等技术手段，以应 对硬件故障或网络中断等意外情况。通过以上性能需求的满足，系 统将能够为用户提供高效、可靠的人工智能数据训练与考评服务。 2.2.2 安全性需求 在人工智能数据训练考评系统的建设中，安全性需求是确保系 统稳定运行和数据保护的关键要素。系统必须具备多层次的安全性 措施，以应对潜在的外部攻击和内部数据泄露风险。首先，系统应 为因素导致的安全风险。通过这些措施，人工智能数据训练考评系 统能够在保障数据安全的同时，提供稳定可靠的服务。 2.2.3 可扩展性需求 系统应具备良好的可扩展性，以应对未来业务规模的增长和技 术的迭代更新。首先，系统架构应采用模块化设计，确保各个功能 模块之间松耦合，便于独立升级和扩展。例如，当需要增加新的训 练算法或评测指标时，只需在对应的模块中进行开发，而不影响系 统其他部分的正常运行。同时，系统应支持分布式部署，以提升处 gRPC），外 部系统可以便捷地接入系统功能，实现数据的共享和服务的扩展。 此外，系统应支持插件机制，允许用户根据实际需求开发和加载自 定义功能模块，从而在不改变系统核心架构的前提下，灵活扩展系 统功能。 在数据存储方面，系统应采用可扩展的数据库设计，支持数据 量的动态增长。例如，可以结合关系型数据库（如 MySQL）和 NoSQL 数据库（如 MongoDB）的优势，根据数据类型和访问频

例如，市场数据可能存在噪音和异常值，模型的预测结果也可能受 到市场结构变化的影响。因此，量化交易系统需要具备较高的灵活 性和适应性，以应对市场的变化。 通过引入 DeepSeek 等先进的技术，可以有效提升量化交易系 统的性能和稳定性。DeepSeek 技术能够通过深度学习算法，自动 从大量历史数据中抽取有用的特征，并生成更为精准的预测模型。 此外，DeepSeek 还可以结合其他技术，如自然语言处理和图像识 通过高速计算和并行处理技术， 能够在毫秒级别内完成交易决策和执行，大大提高了交易的效率。 而传统的量化交易系统由于计算能力的限制，往往无法达到如此高 的响应速度。此外，DeepSeek 还具有强大的容错能力，能够在系 统出现异常时自动切换至备用策略，确保交易的连续性和稳定性。 为了更直观地展示 DeepSeek 与其他技术的差异，以下是一个 简单的比较表： 技术特性 DeepSeek 传统量化技术 数据处理 能，支持多种回测指标（如夏普比率、最大回撤、年化收益率 等），并通过可视化工具展示回测结果。回测过程中，系统会考虑 交易成本、滑点等实际因素，确保策略的可行性和鲁棒性。 实盘交易模块将模型生成的交易信号转化为实际交易指令。系 统支持与多个券商和交易所的 API 对接，实现自动化交易。为降低 交易风险，系统内置了多种风控规则，如单笔交易限额、日交易限 额、止损止盈等，并实时监控交易状态，及时发现和处理异常情 况。

成与二次开 发。 此外，项目还将重点关注系统的性能优化与安全保障。性能优 化方面，系统将采用分布式计算架构与高效的缓存机制，确保在大 规模数据环境下的快速响应与高并发处理能力。安全保障方面，系 统将实现多层次的安全防护机制，包括数据加密、访问控制、身份 认证与审计日志等，确保数据的安全性与合规性。 最后，项目将制定详细的测试与部署计划，确保系统的稳定性 和可维护性。测试计划将包括单元测试、集成测试、性能测试与安 和处理。采用集中式日志管理工具（如 ELK Stack）和监控平台 （如 Prometheus 和 Grafana），能够实时监控系统的运行状态， 并通过预定义的报警规则，及时通知运维人员进行处理。此外，系 统应支持自动化部署和持续集成/持续交付（CI/CD），以减少人为 错误，提高部署效率。 在用户体验方面，系统应具备良好的响应性和易用性。通过优 化前端代码和减少网络请求，确保页面加载时间在 2 作。在实际开发中，各模块可采用微服务架构进行部署，以提升系 统的可扩展性和灵活性。同时，模块划分需结合具体业务需求进行 调整，确保系统能够满足实际应用场景的需求。 4.3 接口设计 在接口设计部分，我们采用模块化设计思想，确保系统各组件 之间的高内聚、低耦合，同时提供可扩展性，便于后续功能迭代和 维护。接口设计主要分为内部接口和外部接口两部分，分别用于系 统内部模块间的通信以及与外部系统的交互。

率。例如，通过分析用户的购买历史和偏好，智能体能够推荐最合 适的产品或服务，从而提高转化率。 为了确保智能体的高质量服务，我们实施了严格的质量控制流 程。在开发阶段，每个功能模块都需经过单元测试、集成测试和系 统测试，确保其稳定性和可靠性。同时，我们采用了持续集成和持 续部署（CI/CD）的实践，以便于快速发现并修复问题，减少生产 环境中的错误率。 在智能体的训练和优化方面，我们采用了深度学习与强化学习 工具链（如 Jenkins、GitLab CI/CD）实现自动化部署和 持续集 成。此外，系统还实施全面的安全策略，包括身份认证 （如 OAuth 2.0）、权限管理和网络安全（如防火墙、入侵检测系 统），以确保数据的机密性、完整性和可用性。 通过以上技术架构设计，商务 AI 智能体应用服务不仅能够高 效处理海量数据，还能提供智能化、个性化的服务，满足不同业务 场景的需求，同时确保系统的稳定性和安全性。 台，支持高吞吐量的数据捕获和传输。 o 数据清洗：采用 Python 中的 Pandas 库和 PySpark 进 行数据预处理，确保数据质量和一致性。 o 数据存储：对于结构化数据，选用 PostgreSQL 作为关 系型数据库，支持复杂查询和事务处理；对于非结构化 数据，采用 Elasticsearch 实现高效的全文检索能力。此 外，使用 Amazon S3 或阿里云 OSS 作为海量数据的存 储解决方案。