Email:yhy15080@haitong.com AI Agent（智能体）：从技术概念到场景落 地 投资要点：  思维链铸就智能体，多体交互拓展应用：早在上世纪 50 年代，阿兰图灵把“高度 智能有机体”扩展到了人工智能。如今随着大模型的快速发展，这个概念又被重 新拾起。大模型成为了智能体目前最完美的载体，有望完成从概念到实际应用的 蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用 科技。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。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动

本文在分析大语言模型的知识获取原理与知识 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 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以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 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 技术从大量的科学文献中自动提取知识，生成研究 假设，驱动科学试验，开启了科学发现的新模式。 材料科学领域的研究人员利用无监督词嵌入技术自 动学习该领域科学文献，通过高维向量空间的位置 关系分析不仅能捕捉材料结构、属性、元素周期表 等抽象概念，还能发现隐藏的结构-属性关系，从而 找到新的热电材料[14]。利用人工智能技术捕捉人类 未充分探索领域的隐性联系，从而形成新的知识结 构，推动学科知识创新，是一种科学发现模式的创 新，开启了科学知识创新的新途径[15-16]。 图4 大语言模型的知识管理模式 Fig. 4 The mode of knowledge management by large language models 3 基于大语言模型的智慧应急大脑概念框架 3.1 基于大语言模型的应急知识管理模式 应急管理知识是一个更广阔的、跨学科的社会和 经济情境中创造出来的，涉及到自然灾害、事故灾 难、公共卫生、社会安全等多个领域，覆盖了从突发 事件预防

一定要买交强险么？ 交强险癿意义 丌买交强险会有什么后果？ 开车从丌出事，还用买交强险 吗？ 交强险是丌是白交钱？ 基于概念癿智能问答，解决丌同问法，搜索给出同一答案 概念问答 e_ 交强险 +c_ 必要性 概念标签自劢提取技术 形成内部相同的概念搜索表达式 用智慧发现信息价值 Discover information 用智慧发现信息价值 Discover information information 问 答 题 案 小富机器人优势不特色 小富机器人癿工作过程示意 第二步 批量导入，自动打业务标签 无须逐条整理 FAQ 第三步 用户问题语义分析，业务标签匹配 业务建模 + 概念资源 + 语义分 析 第一步 业务建模 用智慧发现信息价值 Discover information 用智慧发现信息价值 Discover information 小富机器人：问题理解和答案相关性癿提升

随行 业进入AI深度整合的新阶段，将有更多阶段性原生AI教育软硬件产品涌现，创新教 育模式、重构学习体验。其中，教育智能硬件赛道有望率先得到突破，值得重点关 注。 行业格局方面，在DeepSeek概念火热、用户普遍使用教育行业产品的背景下，对 此轮技术升级响应较快的教育企业产品将吸收更多流量，实现用户增长和获客转 化。中长期来看，DeepSeek赋予中小教育机构以更低门槛部署高阶AI的能力，加

intelli- gence systems based on large models: A survey. Acta Automatica Sinica, 2025, 51(1): 1−19 具身智能的概念最早可以上溯至 1950 年图灵 在其著名论文“Computing machinery and intelli- gence”[1] 中对未来机器发展方向的设想: 一个方向 是让机器学会抽象技能, 如下棋; 如下棋; 另一个方向则是 为机器人提供足够好的传感器, 使之可以像人类一 样学习. 前者的思想出现在后来发展的各类神经网 络如多层感知机、卷积神经网络中, 即离身智能; 后 者则逐渐发展出了具身智能的概念. 现在, 具身智 能一般指拥有物理实体, 且可以与物理环境进行信 息、能量交换的智能系统[2]. 虽然在过去的几十年 间, 离身智能取得了令人瞩目的成就, 但对于解决 真实世界的问题来说, “具身”的实现仍然是必要的 与强调从经验中学习并泛化的离身智能方法相比, 具身智能更强调与环境的交互, 只有拥有物理身体 才能与世界进行互动, 更好地解决现实问题[3]. 当 前, 随着机器人技术和计算机科学的发展, 具身智 能受到更多的关注, 逐渐从概念走向实际应用, 而如何利用目前飞速发展的计算能力与人工智能 (Artificial intelligence, AI) 技术提高具身智能的表 现则成为学界与产业界的关注重点. 最近的研究表 明, 通过扩大语言模型的规模

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 （2001-2021 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 智能软件研发行

real 21 21 实现自主智能供应链 舍弗勒：运用AI与机器人重塑制造业 正发生在舍弗勒工厂内部的一场变革或将 在不久后重新定义全球供应链的运作方式。这 家领先的运动技术公司已成功打造了一项概念验 证，运用实体AI和机器人技术来创建更自主、更 高效的运营模式，同时全面提升员工能力。 通过与微软、Agility Robotics和英伟达等 合作伙伴携手，该公司正在探索AI辅助的创新应 孪生环境中测试机器人集群，包括通用人形机器 人。实体AI（如人形机器人）因其多功能性而备受 青睐。它们能够快速轻松地融入以人为中心的环 境，参与物理空间的重复性工作流程。 机器人运营的实时优化是该概念验证中探索 的另一项创新。利用模拟数据，舍弗勒可以优化仓 库和车间内机器人的物理性能，如避免拥堵。来自 各种模拟场景的数据被输入到微软Fabric，这是 一个统一由AI赋能的数据平台。随后，负责运营的

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 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 DeepSeekMath项目则充分利用深度学习技术的优势，创造性地生成了包含多种难度级 别与问题类型的复杂数学题目及其解答。这一举措不仅丰富了合成数据的维度，还显著提 升了模型在处理复杂数学问题时的性能表现，尤其是在深化对数学概念的理解与应用能 力上，更是展现出卓越的成效。 合成数据的应用，不仅有效克服了现实世界数据在获取难度、规模限制及多样性不足 等方面的挑战，更为开发出更加健壮、可靠且公平的大模型奠定了坚实基础。具体而言，合 让企业轻松打造懂行业、懂场 景、知业务、会规划的AI助理。 进行垂直领域大模型的预训练、微调等技术环节，离不开领域内AI可用数据的治理和 应用。面向人工智能的数据治理（DG4AI）是一个新兴的概念，它是一个在人工智能应用中 管理和控制数据的过程与实践，旨在确保数据的质量、可靠性、安全性与合规性，以便数据 能够被准确地用于训练和部署AI模型，同时保护数据的隐私和安全。 AI可用数据的治理，主要目标有以下四点：

据进行深度清洗，去除噪声 和冗余信息，并通过人工或 自动化工具对关键数据进行 标注，确保语料库的高质量 和可用性，为模型训练提供 精准的输入。 02 知识图谱嵌入：将金融领域 的核心概念、实体及其关系 构建为知识图谱，并将其嵌 入到预训练语料库中，增强 模型对金融知识的理解能力， 提升模型在复杂场景下的推 理和决策能力。 03 隐私保护与合规性：在语料 库构建过程中，严格遵守数

12. 用户培训 为了确保用户能够高效地使用 DeepSeek 智能体，用户培训是 不可或缺的环节。培训内容应覆盖智能体的核心功能、操作流程、 常见问题解决方案以及最佳实践。首先，培训应从基础概念入手， 解释智能体的工作原理和适用范围，帮助用户建立正确的认知。接 着，通过实际操作演示，逐步引导用户掌握如何使用智能体进行任 务管理、数据分析、决策支持等功能。培训过程中，应提供详细的 步骤指导和操作手册，方便用户随时查阅。 通过这些技术和方法，我们成功开发出了一个高效、灵活且安 全的 DeepSeek 智能体，能够广泛应用于各种场景和领域。 15.1 术语表 在开发 DeepSeek 智能体的过程中，涉及的术语涵盖了从基础 概念到高级技术的多个方面。以下是一些关键术语的解释，以帮助 开发者更好地理解和使用相关技术：  智能体（Agent）：指能够感知环境并采取行动以实现特定 目标的计算实体。智能体可以是简单的规则系统，也可以是复 超参数（Hyperparameter）：在模型训练过程中需要手动 设置的参数，如学习率、网络层数等。 理解这些术语对于开发和优化 DeepSeek 智能体至关重要。开 发者应结合实际应用场景，灵活运用这些概念，以构建高效、可靠 的智能体系统。 15.2 参考文献 1. 王伟, 张强. 智能体开发中的深度学习应用[J]. 计算机科学与技 术, 2022, 37(5): 123-134. DOI: 10