浙江大学 DeepSeek 系列专题线上公开课（第二季） 从大模型、智能体到复杂 AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么？ • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI 公司于 练后，可以生成模 型在回答问题时 经历的思考过程。 推理大模型 ：通过测试时拓展（ Test-Time Scaling ） 、强化学习、蒸 馏 等技术，大模型的推理能力不断增强。 o3 通过模拟推理技术，能够暂停并反思自 身内部的思考过程，从而在回答问题前进 行更深入的推理，类似于人类的思考方式。 推理大模型的发展 Claude3.7 是 首 个混合推理 模 型，集普 通语

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⁃ tional encoder representations 视角和技术路径。 1 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、 Transformer 架构和注意力机制[1，4]、端对端神经网络 训练等方法和技术学习文本数据中的语义和语法规 律，从而具有理解文本并生成语法正确、语义连贯 的文本的能力。当训练的数据足够大，模型的参数 足 够 多 ，模 型 开 始 涌 现 某 些 能 力（emergent abili⁃ 点，该观点认为智能源于大脑神经元的物理结构和 复杂的网络连接，是由大量如神经元的简单元素通 过非线性相互作用产生的集体行为结果，智能行为 的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并 不 断 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采

人行利率政策发布 ; 银行间同业拆放利率 ; 债券回贩 价 格 ; 债券发行量 ; 债券违约信息 ; 债券发行量 境内网站 新华社、外汇管理局、证监会、上交所、 深交所、东斱财富网等财经网站 境外网站（英文） 路透、彭博、纽交所、纳斯达克等境外网 站 利用全斱位高敁癿大数据采集技术，提供多来源、多渠道、 多时敁、 多类型数据癿获取和收集工具和 手段，实现数据癿全面融合。 information 大数据 ODS 存储区 内存网 格 （ Ignit e ） 数据 分析 非结构 化分析 挖掘 大数据 融合 OLAP 分 析 HDFS/Hb ase 数据 资源 非结构化数据 结构化数据 文本 数据 采集 批量 采集 批量 采集 实时 采集 数据仓库 关系型数 据库 信息库 数据存储 HIVE 搜索引擎 数据模型 分析模型 关系型数 据库 数据抽取 数据挖掘 数据汇总 关系型 数据库 图片 实时性要求高 实时性要求丌 高 集市区 缓冲区 1. 最终交易价格： 13,965 万元。 2. 交易标的： 晓奥享荣 3. 是否构成借壳上市： 不构成借壳上市 4. 股份发行价格：

础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 度”“数据主权治理”“垂直场景深度适配”三大主线展开。 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 内的一些单核敏感型业务的需要，云服务仍将 持续提升单核、单实例性能。 多技术融合提升连接性能：云服务商综合利用内存/缓存、PCle、RDMA、IP网、EIP、VPC 等一系列技术升级和软硬件融合优化成果，大幅提升云、边、端不同位置服务之间的协同效 率，这对于保障在线业务的体验至关重要。 存储方案升级应对大数据量冲击：云服务商通过采用更高性能的存储设备和更高效的存储架 构，结合对数据布局 、数据库模糊检查询等任 务，云实例基于新一代处理器的向量指令集、矩阵加速指令集等，能够直接支持相关AI算子 执行，简化系统架构，提升响应性能与可靠性，持续改善搜推广、语音/视频处理以及中小模 型的推理体验。 云原生方案形成整体保障：除了算力层面的降本措施，云服务商还通过持续增强弹性伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例

公布的测试案例集验证，效率提升需经 3 个月并行作业对比测试。 最终形成可复用的智能审计工作台，使项目团队人均产能提升 2-3 倍。 3. 技术方案设计 在技术方案设计中，我们采用模块化架构实现审计智能体的构 建，核心分为数据层、模型层、应用层三层结构。数据层通过 ETL 管道对接企业 ERP、财务系统、合同数据库等多源异构数据，采用 动态字段映射技术解决审计场景下数据标准不统一的问题。例如， 针对不同客户使用的 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 30 万条审计程序-底稿对照数据进行有监 督微调；最后通过强化学习优化风险判断能力，奖励函数设计为： 风险检出率×0.7 + 误报率×0.3。模型部署采用 Triton 推理服务 20+并发查询，平均响应时间控制在 800ms 以 内。 关键审计判断逻辑采用混合决策机制： 1. 结构化数据规则引 擎：处理税率计算、勾稽关系校验等确定性任务 2. 深度学习模 型：处理关联方识别、异常交易检测等非结构化问题 3. 专家系 统：对重大风险事项启动预设审计程序链 应用层构建审计工作台界面，集成三大核心功能：智能抽样模 块采用分层贝叶斯方法，在 95%置信水平下将抽样量降低

企业现有系统中，完成数据对接与功能验证； 5. 运维与支持：提 供长期的技术支持与系统优化服务，确保智能体的持续高效运行。 通过上述方案的实施，DeepSeek 智能体将成为企业数字化转 型的有力助手，助力企业在竞争激烈的市场中脱颖而出。 1.1 项目背景 随着人工智能技术的快速发展，智能体（Agent）在各个领域 的应用日益广泛。从工业自动化到智能家居，从金融服务到医疗健 康， 数据一致性 和事务处理能力、以及可扩展性。在此基础上，我们推荐采用混合 数据库架构，结合关系型数据库（如 PostgreSQL）和 NoSQL 数 据库（如 MongoDB）的优势，以满足不同场景的需求。 对于结构化数据的存储，关系型数据库是首选。PostgreSQL 作为一个成熟的开源关系型数据库，具备完善的事务支持、复杂查 询优化以及强大的扩展能力。其 ACID 特性保证了数据的一致性和 特性保证了数据的一致性和 可靠性，适用于需要严格事务处理的场景，如用户账户管理、订单 处理等。此外，PostgreSQL 支持 JSONB 数据类型，能够存储半结 构化数据，为智能体的灵活数据模型提供了支持。 对于非结构化或半结构化数据的存储，MongoDB 是一个理想 的选择。其文档存储模型能够高效处理大规模的非结构化数据，适 合用于日志存储、用户行为数据记录等场景。MongoDB 的可扩展 性极佳

节，预测可能出现的延迟或中断，并自动调整采购计划，确保生产 的连续性。 最后，商务 AI 智能体还支持与现有企业系统的无缝集成，无 论是 ERP、CRM 还是财务系统，智能体都能够与企业现有的 IT 架 构无缝连接，确保数据的实时同步和流程的自动化。通过 API 接 口，智能体可以与其他第三方应用进行数据交换，进一步扩展其功 能和应用场景。  实时数据分析与可视化  自动化商务任务执行  智能体应用服务方案通过满足企业对自动化、 数据驱动决策和个性化客户体验的需求，为企业提供了一个切实可 行的解决方案。在未来的市场竞争中，率先应用 AI 技术的企业将 占据先机，而商务 AI 智能体应用服务正是推动这一转型的关键力 量。 3.1 目标客户群体 商务 AI 智能体的目标客户群体可以广泛覆盖多个行业和企业 规模，主要集中在那些希望通过智能化解决方案提升运营效率、优 化客户体验、降低运营成本的企业。具体而言，目标客户群体可以 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。

Nacos3.0架构 安全零信任&AI Registry Nacos PMC 2025/07/10 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 柳 遵 飞 （ 翼 严 ） CONTENT 目录 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 01 Nacos3.0 安全零信任 Nacos内核&应用安全零信任实践 02 Nacos https://nacos.io/ Nacos社区 2.0发展回顾 • Github仓库突破3w stars • 贡献者突破400 • 开源生态：多语言&集成 社区活跃度 影响百万开发者 • 官网访问用户数达90万 • 下载量达到300w次 • 服务超百家各领域头部知名企业 • 被国内大多云厂商托管 • 获得各类社区奖项8个 企业级应用 • 2021 OSC 中国最受欢迎开源项目 • 2022 生态融合探索 Go & Python 框架支持 K8S Controller & xDS协议 Mesh支持 成熟插件并入 国产化支持 Spring AI & Diff 等AI框架支持 官网持续优化 易用 ｜ Nacos3.0 一个易于构建 AI Agent 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

大模型能够通 过对大量传感器数据的实时分析，识别潜在的安全隐患，提前 预警。 3. 数据驱动的决策支持：城市轨道交通系统在运行中产生了海量 数据，包括乘客流量、列车运行状态、设备状况等。AI 大模 型可以帮助分析这些数据，为决策提供支持，提升服务效率和 质量。 4. 可持续发展的需求：在当前全球倡导可持续发展的趋势下，城 市轨道交通必须采取更科学的运营方式。AI 大模型通过优化 调度和能耗 AI 大模型的强大功能，行业内还可以 实现智能化、精细化的管理，为未来的城市交通发展提供坚实的技 术保障。 1.3 本文目标与结构 本文旨在分析并指导城市轨道交通行业如何有效应用 AI 大模 型，以提升运营效率、优化乘客体验和增强决策支持。通过对行业 现状的深入研究和案例分析，我们希望明确 AI 大模型在轨道交通 中的具体应用方向，制定一系列可行的实施步骤，并提供切实的建 议与操作方案。 决策的实时优化。 首先，实时数据的来源主要包括列车运行状态、乘客流量、天 气条件、设备故障信息等。通过建立数据采集系统，车辆上、车站 内及关键节点的传感器可以不断发送数据，形成一个全面的监控 网。 数据收集后，AI 大模型的作用在于对这些数据进行实时分析， 以识别潜在的问题并预测未来的趋势。例如，模型可以通过分析历 史客流数据，结合实时监控的信息，预测某个时间段内某条线路的 客流高峰

journey towards autonomy implies a true transformation along 4 maturity steps 25% 50% 75% 完全自主化 增强型决策 自动化 人工驱动 Autonomy index Maturity scale definitions 自主化指数：0~25% 自主化指数：25%~50% 自主化指数：50%~75% 60 65 70 75 80 未来状态描述 主要由 人工驱动 主要为 自动化 增强型 人工决策 自主化 质量与生产控制 1 生产制造 2 客户与现场支持 3 6 运输 7 计划与排程 设计、研发与战略采购 4 基于AI解决方案的自动化质量控制，根据预警自动调整生产控制。 • 混合型客户支持模式，结合AI驱动的自主问题解决与科技增强的现场支持，基于经验教训 和客户具体情况提供定制化建议。 现快速的 机器设置。 • 完全自动化的生产流程，通过制造业数字孪生来引导流程，实现无人工干预的切换。 • • 利用预测、财务标准、产能和运营多约束优化计划与排程，并提供可借鉴的实用建议。 增强型人工决策，实现跨域跨组织的无缝计划变更。 • 超过95%的交易实现自动化流程及问题解决。 • 利用分析工具监督流程以提高流程效率。 • 利用事件和预测算法实现自动化维修计划，并通过人机增强支持高效的任务执行、备件订购和