.....62 7. DeepSeek-R1 在招投标管理中的应用.......................................................63 7.1 投标文件自动生成..............................................................................65 7.2 投标报价分析与优化 模 型的灵活性，还降低了系统升级和维护的复杂度。 其次，DeepSeek-R1 大模型支持多种数据格式和协议，能够 无缝对接现有的工程造价管理系统。无论是传统的 Excel 表格、 CSV 文件，还是现代化的 BIM（建筑信息模型）数据，模型都能高 效处理。此外，模型还兼容多种数据库系统，包括 SQL Server、Oracle 和 MongoDB，确保用户能够在不改变现有 IT 架 可以基于历史数据和市场趋 势，自动生成准确的工程量清单和报价建议，帮助投标方快速制定 合理的投标方案。同时，模型还能够对招标文件进行智能解析，提 取关键条款和技术要求，辅助投标方精准响应招标需求。 在评标阶段，DeepSeek-R1 通过自然语言处理和机器学习技 术，能够对投标文件进行自动化评审，识别其中的合规性、技术性 和经济性要素，生成评标报告，大幅提高评标效率和准确性。此外， 模型还可以

158 7.1.1 知识库数据交付.......................................................................161 7.1.2 模型文件交付...........................................................................162 7.1.3 系统文档交付..... NiFi、Talend）进行批量处理，以提高数据采集的效 率。 4. 文件解析工具：对于非结构化或半结构化数据，如 PDF、Word、Excel 等文档，可使用 Pandas、OpenPyXL、PDFPlumber 等工具进行解 析。Pandas 适用于处理 CSV 和 Excel 文件，OpenPyXL 专门 用于 Excel 文件的操作，而 PDFPlumber 则适用于从 PDF 文 档中提取文本和表格数据。 和预处理，如去除重复数据、处理缺失值、标准化数据格式 等。这能够减少后续数据处理的工作量，并提高数据质量。  数据存储与备份：采集到的数据应按照统一的存储规范进行保 存，并定期备份。建议使用分布式文件系统（如 HDFS）或云 存储服务（如 AWS S3、Azure Blob Storage）进行数据存 储，以确保数据的安全性和可扩展性。  监控与日志记录：在数据采集过程中，应建立完善的监控和日

MongoDB），以满足不同类型数 据的存储需求。实时数据优先存储于内存数据库（如 Redis）中以 支持快速访问，而历史数据则归档到分布式文件系统（如 HDFS） 或云存储（如 AWS S3）中。数据存储层还需实现数据备份和恢复 机制，以保障数据安全。 数据输出模块负责将处理结果以可视化图表、API 接口或文件 的形式呈现给用户或外部系统。为提高交互性，可以使用前端框架 （如 React）构建动态展示界面，或通过消息队列（如 构化数据（如数据库中的表格数据）、半结构化数据（如 JSON、XML 文件）以及非结构化数据（如文本、图像、视频 等）。为实现这一目标，模块应具备灵活的接口设计，能够适配不 同的数据协议和格式。例如，对于数据库数据，可以通过 JDBC 或 ODBC 接口进行访问；对于 Web 数据，可以使用 HTTP/HTTPS 协 议进行抓取；对于文件数据，则需支持本地文件系统或分布式文件 系统（如 HDFS）的读取。 其次， 取、标签化等操作。 为了保证数据的高效存储与访问，数据处理模块采用分布式存 储架构，支持大规模数据的实时写入与查询。常用的存储技术包括 NoSQL 数据库（如 MongoDB、Cassandra）和分布式文件系统 （如 HDFS）。对于需要高并发访问的场景，模块还引入了缓存机 制，使用 Redis 或 Memcached 等工具提升数据读取速度。此外， 数据处理模块还需要支持数据的版本管理，确保不同版本的数据能

审计案例和行业风险 特征，智能体可自动标记异常交易模式，其检测准确率在测试环境 中达到 92%，远超人工抽样检查的 65%水平。最后是智能分析辅 助，通过自然语言处理技术自动解析合同条款、监管文件，生成风 险提示和审计要点，使审计师能够聚焦于专业判断而非基础信息处 理。 关键技术指标对比表： | 维度 | 传统审计方式 | 人工智能辅助 审计 | 提升幅度 | 订的收入确认准则（财会〔2022〕25 号）的具体变化条款。 在审计工作流中的技术适配性主要体现在三个维度：首先，非 结构化数据处理能力可解析 PDF 版银行对账单、扫描件合同等传 统 OCR 难以处理的文件，实测显示对模糊文档的字段提取准确率 达到 92%，较传统技术提升 40%；其次，风险预测模块通过分析 历史审计案例库，可自动生成高风险科目预警清单，在试点项目中 成功识别出 87%的关联方交易异常；最后，其持续学习机制允许接 过自适应解析引擎将异构数据统一转化为 JSON 格式的中间表示， 字段映射准确率达 98.6%。 审计知识库构建采用双通道更新机制，包含以下关键组件： - 法规标准库：实时同步财政部最新审计准则、企业会计准则等权威 文件，版本控制精确到修订条款级 - 行业风险特征库：按制造业/金 融业等 15 个细分行业分类，包含 4200+ 典型风险场景的量化指标 - 历史案例库：结构化存储 3.2 万份审计报告中的关键发现，支持相

数据管理需求 在人工智能数据训练考评系统的建设过程中，数据管理是核心 功能之一，直接影响系统的运行效率和数据质量。首先，系统需具 备高效的数据采集能力，能够从多种数据源（如数据库、API 接 口、文件系统等）实时或批量导入数据。数据采集过程中应支持多 种格式（如 JSON、CSV、Excel 等）的解析，并能够自动识别和转 换数据类型，确保数据的完整性和一致性。 其次，系统需要提供强大的数据存储与管理功能。考虑到人工 源浪费。同时，模块应具备断点续传功能，确保在网络异常或系统 故障的情况下能够恢复并继续采集。 在数据清洗和预处理环节，数据采集模块应内置多种预处理算 法，例如数据去重、缺失值填充、异常值检测、数据标准化等。清 洗规则可通过配置文件或可视化界面进行灵活配置，以满足不同场 景下的需求。对于非结构化数据，模块应支持文本分词、图像特征 提取、视频帧采样等预处理操作，以便将数据转化为适合训练的形 式。 为了确保数据采集的安全性，模块应支持数据加密传输（如 置 接口，允许用户选择合适的算法框架（如 TensorFlow、PyTorch 或 Scikit-learn）并定义模型结构、优化器、学习率、损失函数等 关键参数。用户可以通过图形化界面或配置文件完成模型配置，确 保灵活性与易用性。 在训练执行阶段，系统支持分布式训练以提高效率，特别是在 处理大规模数据集时。系统自动分配计算资源，支持 GPU 集群或 云计算平台（如 Kubernetes

任务，解决跨行业、跨领域的问题。智能体发展能推动政府、金融、制造、能源、医疗、 零售等行业的智能化应用向多模态和跨模态转变。 3.1 海内外政策推动人工智能发展加速 多地陆续出台关于人工智能发展的指导文件，2024 年政府与企业的投入资金有望迎 来大幅增长。国务院在《2024 政府工作报告》中提出，要开展“人工智能+”行动，实 施数字化转型。智能体作为人工智能应用领域的重要研究方向，相信众多企业和研究部 亿用于支持本地的算力发展。广东省也将算力作为重 点发展方向，预测 2025 年的人工智能核心产业规模超过 3000 亿元。 表 2 国内政策推动人工智能发展 政府机构 文件名称 发布时间 具体内容 上海市经 济和信息化 委员会、上海 市发展和改 革委员会等 五部门 《上海市推动人工智能大模 型创新发展若干措施 （2023-2025 年）》 规定了研发投入资金的比重。另外，在 2023 年 5 月，美国白宫发布《国家人工智能研发战略计划》，对之前提出的 8 项重点战 略目标进行了优化和完善，同时强调了人工智能领域国际交流的重要性。另外，文件还 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

Pyspark ， pytorch, vllm ， megatron 等 通用训练框架 u triton, vllm, sg lang, sd, pmml 等 通 用 推 理框架 分布式文件存储 u 公 有 云 分布 式 文 件 存 储 CFS/Turbofs/Goosefsx u 私有化 NFS 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 ），可实现高效应用搭建。 适用于有灵活回复或快速搭建 需 求的服务问答场景。 要稳定选标准模式，要定制选工作流，要尝鲜选 Agent ！ 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

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 API 接口、数据库同步和 日志文件解析等多种方式进行采集。为确保数据的高效传输和安全 性，应采用加密通道和访问控制机制，防止数据在传输过程中被截 获或篡改。 数据采集的频率应根据业务需求进行定制化设置。对于高频交 易数据，应 进行容器编排，实现模型的自动化部 署和扩展。 模型训练方面，建议采用分布式训练策略，利用 Horovod 或 PyTorch 的分布式训练框架，将训练任务分布到多个 GPU 节点 上。训练数据存储在分布式文件系统（如 HDFS 或 Ceph）中，以 确保数据的高可用性和高速访问。训练过程中，定期进行模型检查 点保存，以防止训练中断导致的数据丢失。 模型推理阶段，使用 TensorRT 或 ONNX 在银行现有的操作系统上，确保与现有系统的无缝集成。在部署过 程中，建议采用容器化技术，如 Docker，以便于模型的快速部署 和扩展。 模型部署的关键步骤包括模型文件的加载、模型服务的启动以 及模型的监控和维护。在模型文件加载阶段，需要将训练好的模型 文件从存储设备上传至 GPU 集群，并进行必要的初始化操作。模 型服务的启动则通过部署脚本实现，建议编写自动化脚本来完成这 一过程，以减少人为操作带来的风险。模型部署后，需要设置实时

多省市12345项目 -22- 大模型辅助政府经济决策  2023年10月，服务北京发改委面向经济领域数据查询及分 析、报告撰写、经济领域知识问答等业务场景，实施经济大 模型， 打造“学文件、读数据、出观点、快呈现”的高效 AI工具，赋能经济运行调度工作，人工智能辅助经济决策；  打造国内首个经济数据分析智能体和区域经济分析智能体。 北京发改委 AI经济运行监测分析应用  联通数智公司支撑广东产互/医疗军团打造多款智慧医疗应用，助力中山三院智能化升级 大模型医疗应用服务平台 中山三院私域GPT应用 私域GPT应用和服务平台  私域GPT应用：集医教研管全方位智能助手于一体的应用，整合了业务文件1500+、医学教材指南1800+、管理报表100+，为医 护人员提升信息获取效率，为精准医疗提供有力保障。  大模型医疗应用服务平台：提供模型微调、测评、推理加速等全链路工具箱，为医院管理、临床、教学、科研等工作提供新范式。

部地 区为主。省级行政区综合算力指数 Top10 历年情况详见图 3。 其中，河北省充分发挥京津冀枢纽节点算力资源优势，印发 《关于进一步优化算力布局推动人工智能产业创新发展的意见》等 政策文件，促进省内算力、数据、算法协同应用，加速建设协同京 津、国内领先的人工智能产业创新发展高地。江苏、广东、浙江、 北京、上海则依托自身经济、技术、产业、市场等强大优势，在算、 存、运、模力发展水 南。除内蒙古、甘肃等西部枢纽节点外，我国中西部地区同样在加 强在清洁能源的利用，且成效明显。从政策支持力度来看，我国各 地区高度重视算力及人工智能产业发展。浙江、江苏、山东、广东 等地发布超过 10 项相关政策文件规划产业发展。 3.市场环境 综合算力指数 34 我国省级行政区环境分指数-市场环境 Top10 为上海市、江苏省、 北京市、广东省、河北省、浙江省、山东省、山西省、湖北省、广 西壮族自治区，具体情况详见图 个地级市、28 个自治州，不含直辖市） 的算力发展进行评估。本报告除明确时间的数据，其他数据截止时 间为 2025 年 3 月底。各指标的数据来源于中国算力平台及工信部、 中国信通院、各地方政策文件、文献、公开数据整理。 附件二 计算方法 计算方法：指标的标准化，采用极差标准化法，即参考每项指 标的最大值、最小值，利用极差标准化公式对各项指标数值进行标 准化处理。确定指标权重，针对形成指数体系的一级、二级、三级