链的自主化水平。 由此产生的财务效益十分可观。本次调研的 受访企业预计，息税及摊销前利润（EBITA）有望 增长5%，已动用资本回报率则有望提高7%。在运 营层面，企业有望将订单交付周期大幅缩短27%， 生产力提升25%，碳排放量降低16%，同时，从运 营中断事件中恢复所需的时间也能缩短约60%。 在打造自主智能供应链的进程中，领军企业 通过三项关键举措脱颖而出。首先，通过安全的数 字核心构建坚实的数据基础，并以此为依托实现 路线图，助力您在这场关键的重塑中把握先机。 实现自主智能供应链 5 挑战 催生变革， 供应链 亟待重塑 企业正逐渐意识到，传统商业增效策略的回 报日益递减，无论是规模经济、全球化，还是精益 生产和六西格玛TM，这些都催生出了对开辟新价 值来源的迫切需求。 与此同时，线上消费交易额急剧攀升，供应链 所承受的压力也与日俱增。过去三年间，全球消费 者线上支出增长了30%1，这不仅催生了众多新兴 升运营速度、敏捷性，并优化成本。我们的受访者 预计，此举可将息税及摊销前利润提升5%、已动 用资本回报率提升7%。除财务指标外，他们还预 期在运营效率和生产力上取得显著收益。他们相 信，自主化系统不仅能够将订单交付周期缩短27%、 劳动生产率提高25%，从而使企业能够更快地响 应客户需求，同时还可以将按时交付率提升5%。 实现运营绩效的 全面突破 在不可预测的环境中增强运营可靠性，这对于那

究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 大语言模型的知识获取基于联结主义的学习观 点，该观点认为智能源于大脑神经元的物理结构和 复杂 一个典型的应急管理系统架构如图 2 所示，从下至 上依次包括： 数据库层：为应急管理业务应用提供数据服务， 包括风险隐患、应急避难场所、应急物资、应急部 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。 等方面的制约，缺乏有效的机制将人的优势与机器 的优势整合起来。 2.5 智能层次局限 通过引入大数据、人工智能技术系统智能化水 平得到了较大提高，例如，视频识别技术应用在安 全监管中实现的安全生产风险智能监测预警，无人 机及快速建模技术在应急救援中实现的灾害环境智 能感知等。这些技术侧重外部世界数据的收集和处 理，加强了系统的视觉、听觉和触觉等感知能力，使 得应急系统能够及时捕捉外部环境变化。按照机器

广东与浙江紧随其后，分别有14家与12家企业上榜。从城市分布来看，这些企业广泛遍布全国25个省会及经济繁荣的城市。尤为值得关注的是， 百强企业主要植根于京津冀、长三角、珠三角这三大经济高地，其占比分别为40%、31%、20%。 生产制造端 硬件与基础软件 上游厂商 七十年代初，独立数据库公司的崛起推动全球数据库市场快速崛起。 1981年，IBM推出了面向大众市场的IBM PC及其配套软件，该 里程碑事件标志着全新软件时代的开启。 智能软件研发推动工业软件产业升级与加强全球竞争力。 通过引入人工智能、大数据、云计算等先进技术，智能软件能够显著提升工业软件的自动化、智能化水平，优化生产流程，提高生产效 率。2023年，中国工业软件市场规模显著增长至约2,414亿元人民币，实现了12.3%的同比增长率。截至2023年末，中国工业软件企业 的关键生产工序数控化比率攀升至62.2%，而数字化研发设计工具的普及率亦高达79.6%。在此背景下，研发设计类工业软件占据了市 油企业精细化管理水平。推进自主化工业控制等软件应用，提升工 业软件自主保障能力。提升企业数字化水平，推进生产过程数字化管理，加速业务系统互联互通，促进工业数据集成共享。 政策解读 该政策旨在，推动炼油行业向绿色创新和高质量发展转型，促使智能软件研发行业开发更高效的能源管理、污染控制及自动化生产解决方案，提升炼油过程的智能化 水平，促进节能减排和技术升级。 政策性质 指导性政策 智能软件研发行

编程助手时，平均生产率提高 42% ，代码质量提高 12% 。开发人员的工 作满 意度也显著提高。 价值创造场景之一： AI 编程赋能开发，释放开发价 值 资料来源：《采用 AI 编程助手，发展新质生产力》、中泰证券研究所 17 资料来源：《采用 AI 编程助手，发展新质生产力》、中泰证券研究 所 控制组平均用时（分钟） Copilot 组平均用时（分钟） 生产力提 升 10% 0% Beginner Intermediate Advanced 图表：澳新银行 AI 编程对生产力的提 升 图表： AI 编程为软件开发带来的影 响 45 40 35 30 25 20 15 10 5 0 n 风控管理是银行业务经营的的核心任务之一， DeepSeek

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 相结合的方法。通过深度学习，智能体能够从大量数据中学习复杂 的模式和知识；而强化学习则使智能体能够在不断与环境的交互中 智能体能够通过预测模型和机器学 习算法，提前识别潜在的业务风险，如市场波动、供应链中断等， 并提供相应的应对策略。例如，智能体可以监控供应链中的各环 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 智能体正在多个领域展现出广泛的 应用前景。例如，在零售行业，AI 智能体可以用于库存管理、智能 推荐和供应链优化；在金融行业，AI 智能体可以应用于风险评估、 投资建议和欺诈检测；而在制造业，AI 智能体则可以用于生产流程 优化、设备维护和质量管理。这些应用不仅能够帮助企业提高运营 效率，还能够降低运营成本，提升整体竞争力。 然而，尽管市场需求旺盛，企业在应用商务 AI 智能体时也面 临一定的挑战。首先，技术实施的复杂性和高成本是许多企业望而

· · · · · · · · · · · · · 144 6.1.4 大模型与小模型：互相补充，协同合作· · · · · · · · · · · · · 137 6.1.5 AI代理：推动行业生产力智能升级· · · · · · · · · · · · · · · · 138 6.未来展望与建议篇· · · · · · · · · · · · · · · · · · · · · · · · 我国正加快国产GPU芯片 生态体系的建设，包括从芯片设计、制造到封装测试的全流程加速推进。华为、寒武纪、摩 尔线程、景嘉微、海光信息、沐曦科技、壁仞科技、燧原科技等企业通过加大研发投入、优化 生产工艺、提升测试水平等措施，在GPU设计、制造和封装等环节均取得显著进步，国产芯 片在性能、功耗、成本等方面不断取得突破，与国际巨头的差距不断缩小。 软件、系统、框架不断完善，除硬件层面的提升外，国产芯片还注重与软件、系统、框架 及英特 尔的下一代酷睿Ultra 200V系列Lunar Lake处理器，都是针对AI PC市场的产品。此外，国 内上市公司如春秋电子和泰嘉股份等也参与到AI PC产业链中，为AI PC的研发和生产提供 支持。 1.1.3 模型：多模态崛起，端侧模型影响未来终端应用 �� 与人类反应时间类似；能理解情感，并能以不同的情感风格生成语音。除了语音交互外，还 可以通过视觉+语音的形式，如

通过这一方案，企业能够显著降低智能体开发的技术门槛，缩 短产品上市时间，同时确保系统的高可用性和可扩展性。例如，在 智能制造领域，某企业利用 DeepSeek 方案在三个月内完成了智能 生产调度系统的开发，生产效率提升了 20%。这不仅体现了方案的 实际价值，也为智能体技术在更多行业的推广提供了有力支持。 1.2 项目目标 本项目的核心目标是开发一款高度智能、灵活可扩展的 DeepSeek 两个主要选项。PyTorch 以其动态计算图和易用性著称，适合快速 原型开发和深度学习研究；而 TensorFlow 则在生产环境中表现更 为稳定，支持分布式训练和跨平台部署。根据项目需求，若需要快 速迭代和灵活的模型架构设计，PyTorch 更为合适；若更注重生产 环境的稳定性和大规模部署，TensorFlow 则是更好的选择。 在数据处理方面，Pandas 和 NumPy 是必不可少的 框架：Flask / FastAPI  可视化：Matplotlib, Seaborn, Plotly, Bokeh 通过合理选择这些框架与库，可以显著提高 DeepSeek 智能体 的开发效率，并确保其在生产环境中的稳定运行。 3.3 数据库选型 在 DeepSeek 智能体开发中，数据库选型是一个关键的技术决 策，直接影响系统的性能、可扩展性和维护性。以下是数据库选型 的详细方案： 首先，根

o 预测性客户分级 2. 业务场景落地 o 售前咨询智能导购 o 投诉预警主动干预 o 高价值客户识别模型 项目预算控制在现有 CRM 年维护费用的 120%范围内，确保 6 个月内完成生产环境部署。技术团队将重点关注模型冷启动阶段的 准确率优化，通过注入 2000 组历史工单数据进行监督微调，确保 上线初期即达到 85%以上的意图识别基准准确率。最终交付物将包 含完整的 API 连接复用：保持长连 接存活时间 120 秒，心跳间隔 30 秒 实施时需在测试环境验证接口稳定性，建议使用 Postman 进 行 2000 次/秒的压力测试，确保 P99 延迟<500ms 后再进入生产部 署。所有接入过程需通过审计日志记录，满足 GDPR 等合规要求。 4.1.2 数据标准化处理 数据标准化处理是确保 CRM 系统与 DeepSeek 大模型高效交 互的核心环节，需通过统一规则消除原始数据的异构性，提升数据 callback_url strin g 否 异步回调地址，需符合 HTTPS 协议 retry_policy objec t 否 重试策略配置，默认 3 次指数退避重试 数据处理流程采用生产者-消费者模式： 性能指标保障措施： 1. 采用内存缓存+磁盘持久化双写机制， 确保任务不丢失 2. 动态线程池配置： - 基础线程数 = CPU 核心数 × 2 -

GDPR、PCI DSS 等。 为了提升系统的可维护性和可扩展性，建议采用 DevOps 实 践，实现持续集成和持续部署（CI/CD）。通过自动化测试和部署 工具，确保大模型的更新和升级能够快速、安全地应用到生产环境 中。同时，引入监控和告警系统（如 Prometheus 和 Grafana）， 实时跟踪系统性能和健康状况，及时发现和解决潜在问题。 以下是集成方案的关键技术栈： - 微服务架构：Spring 银行系统，为银行业务提供强大的智能支持，同时确保系统的稳定 性和可扩展性。 6.3 集成测试 在 Deepseek 大模型与银行系统的集成测试阶段，首要任务是 确保各模块之间的接口兼容性和数据流畅通。测试环境应模拟真实 的生产环境，包括硬件配置、网络拓扑结构和安全策略。测试过程 中，需验证以下关键点： 1. 数据接口测试： o 检查 Deepseek 模型与银行核心系统之间的数据交换接 口，确保数据格式、传输协议和加密方式符合标准。 测试完成后，需生成详细的测试报告，包括测试用例、结果分 析、问题列表和修复建议。报告应由技术团队和业务团队共同审 核，确保所有问题得到妥善解决，并且模型能够无缝集成到银行系 统中。测试阶段应在生产环境部署前完成，以最小化部署风险和确 保系统的整体稳定性和可靠性。 7. 安全性设计 在 Deepseek 大模型部署于银行系统时，安全性设计是确保系 统稳定运行和用户数据安全的核心环节。首先，采用多层次的身份

全流程训推工具链，注重实战灵活性、扩展性 • 内置 Angel 加速能力，切实提升训推效率 • 训练过程白盒化、资源碎片监控、训练资源调度灵活可配， 切 实提升资源利用率 注重灵活性、扩展性的生产级大模型精调工具链 DeepSeek 蒸馏方案 DeepSeek 全系大语言模型支持 SFT 快速 直观 R1 推理结果 生成 R1 推理服务调用 构造蒸馏数据 集 清洗 R1 推理结果 . ① 标准模式 内置 RAG 最优流 程 文档解析 多轮改写 文旅 虚拟 导游 政务 一网 通办 ② 自定义插 件 应用 场景 三方大模型 插件 工作流模式 “ 智能生产线 ” 使用指定的工作流来响应用户所 有对话。如果你对应用的执行流程， 有更加个性化的需求，可以通过工 作流，来拖拉拽各种原子能力，编 排你想要的流程。 标准模式 “RAG