国产算力适配 高性能计算网络架构 客户业务系统 知识引擎应用 数智人 智能客服 多轮改写 文档解析 向量检索 文档拆 分 意图识别 RAG 知识文档 知识问答 开放 对接 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 服务：面向资深开发者 & 企业开发者 （满血版） 目标客户和场景 : • 面向具有一定开发能力的企业 / 资深开发者，期 望通过多款原子能力组建专属服务。 • 可结合文档解析、拆分、 embedding 、多轮改写 等服务进行组装，定制企业专属 AI 业务。 主要优势 : • API 服务更稳定、安全、易用；满足大批量使用， 可以弹性扩容满足客户需求；支持购买专属并 国内率先支持「 DeepSeek 满血版 + 私 域知识管理 + 实时搜索」于一体 • 分钟级搭建大模型应用 • 集成私域知识库，让 AI 更专业，支持 复杂图文混排文档解析 > 目标客户和场景 : • 面向具备简单开发能力的初级开发者、企 业运营人员。 • 可通过模型选择、提示词模版、 RAG 配 置能 力等加速大模型应用构建，实现与自

能性。相较于通用 AI 模型，审计智能体需要具备三个核心能力维 度：首先是领域知识的深度适配，包括国际财务报告准则 （IFRS）、美国通用会计准则（GAAP）等超过 2000 项条款的准 确解析；其次是多模态数据处理能力，既能解析 PDF 财报和扫描 凭证，又能处理 Excel 底稿和数据库日志；最后是可追溯的推理链 条，每个审计结论都必须具备可验证的逻辑路径。以下为审计智能 体与传统工具的对比差异： 识别与异常检测，基于深度学习模型分析历史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 | 政策时效性方面的可靠性，例如能够准确识别 2022 年财政部新修 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

为银行信贷审批注入新动力， 助力审批流程实现智能化与自动化。 n 苏商银行应用 DeepSeek-VL2 多模态模型，通过构建“多模态技术 + 混合专家框架”的创新体系，实现对嵌套表格、影 像资料等复杂场景材料的精准解析，将信贷材料综合识别准确率提升至 97% 以上，信贷审核全流程效率提升了 20% 。 图表：苏商银行 AI 布局 资料来源：苏商银行公众号，中泰证券研究所 n 在银行的日常运营中，处理海量的合同、报表等文档 是一项繁琐且易出错的任务，传统人工审核方式效率 低下，难以满足业务需求。 DeepSeek-VL2 等多模态 模 型具备高精度的文档解析能力，能够提取文档中的 关 键信息， 高效完成合同质检、条款比对等工作，大 幅 提升工作效率与准确性。 n 江苏银行已成功本地化部署微调 DeepSeek-VL2 多模态 模型、轻量 DeepSeek-R1 体系化应用。子公司通过总行平台按需调用模型，严禁自行接入外部模型，保障技术 可 控性 应用场景：建信理财率先探索资产配置优化、风险预警等理财场景，同时通过金融语义框架将“抵押率”“偿债覆盖率”等术语转化为业务逻辑，应用于 合同 解析与风险建模 邮储银行 技术落地：依托自有大模型“邮智”，本地部署并集成 DeepSeek-V3 模型和 DeepSeek-R1 推理模型 应用场景：应用于智能客服“小邮助手”后，新增逻辑推理功

请务必阅读正文之后的信息披露和法律声明 2 目 录 1. 原理解析：思维链铸就智能体，多体交互拓展应用 ..................................................... 6 1.1Agent 模式架构解析 .................................................... 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 6 1. 原理解析：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， 的能力，能提高工作效率和用户体验。另外，智能体也分为单智能体和多智能体。单智 能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 1.1Agent 模式架构解析 Agent 有效减少人类工作总量，人与 AI 协作才是最终形态。人类与 AI 交互可大致 分为三种模式。Embedding 模式中大模型可以填补一些信息缺失，完成少量子任务，例 如总结信息等等。用户最终会整合挑选

策略的理解执行能力 BGL HPC Window s … Linux Mac Apache Domain Adaptio n SuperLog: 初步实验结 果 • 任务：日志解析 • 实验设置： 10% 训练， 90% 推理 • Baseline: LLaMA-7B 直接下游任务微调 • 指标： F1-Score HDFS Hadoop Zookeeper 面使用数量，单位为 个，总 体趋势在 9 月份有高 峰。 从应用角度来看，从文本、图片、 语音视频等全模态支 撑 LLMOps 运维系统。 语音 模型： Whisper GPT-4o 日志解析 异常检测 根因分析 报告生成 图片 模型： StableDiffusion CogVLM/LLaVA 文本 模型： GPT3.5/4 LLaMA/Qwen Prompt ：帮我打开控制台目

运 营。 应用架构 描述企业应用的组成、交互和部署，确保应用系统 能够高效支持业务流程，提升业务敏捷性和响应速 度。 企业架构（ EA ）理论与分层模型解析 自动化建模 大模型通过自然语言处理和机器学 习技术，自动解析业务需求，生成 业务模型，减少人工干预，提升建 模效率。 大模型能够根据不同业务场景，动 态调整业务模型，支持个性化业务 需求，提升业务灵活性和适应性。

增强长文本召回匹配度 自适应拆分 增强知识理解完整性 多路检索融合 增强检索能力多样性 支持OCR 解析能力 支持富文本知识 问答能力 支持答案出处 定位至原文 支持统计类 问答能力  针对多模态装备文档做精准 查询和智能问答，重点解决 长文本、复杂表格、数字序 列、OCR解析、网页资源解 析、统计类问答等挑战并快 速迭代，问答效果优于头部 竞品。业界首创RAG中的富 文本知识问答、来源出处定

大模型的应用，可以实现招投标流程的智 能化与高效化。首先，DeepSeek-R1 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 在工程量清单编制中的应用 在工程量清单编制过程中，DeepSeek-R1 大模型通过其强大 的数据处理能力和智能分析功能，显著提升了编制的效率和准确性。 首先，DeepSeek-R1 能够自动解析工程图纸和相关技术文件，提 取关键工程量信息，如结构尺寸、材料规格、施工工艺等，并通过 其内置的算法进行标准化处理，生成初步的工程量清单。这一过程 大幅减少了人工读取和输入的工作量，避免了传统方法中常见的遗 DeepSeek-R1 在预算编制与审核中的应用 在预算编制与审核阶段，DeepSeek-R1 大模型通过其强大的 数据处理能力和智能化算法，能够显著提高工作效率和准确性。首 先，DeepSeek-R1 能够自动解析项目设计图纸和工程量清单，快 速生成初步的预算方案。通过与历史项目数据的对比分析，模型能 够识别出潜在的异常数据，并提出合理的修正建议。例如，在某一 工程项目中，DeepSeek-R1 成功识别出某项材料的单价异常偏高，

理客户的多样化需求，提供全天候的即时响应。该系统不仅能够理 解复杂的金融术语和业务流程，还可以根据用户的历史行为和偏好 进行个性化服务推荐。例如，当客户询问信用卡账单时，系统能够 自动识别账户信息并提供详细的账单解析，同时推荐相关的理财产 品或优惠活动。 在操作层面，DeepSeek 智能客服通过以下几个核心功能提升 服务效率：  自动问答（FAQ）：系统内置的 FAQ 模块能够快速解答客户 常见问 （NLP）技术，可以实现对客户问题的快速理解与精准回答。首 先，系统会基于历史问答数据和实时交互信息，构建一个庞大的知 识库，涵盖银行业务、产品信息、常见问题解答等内容。当客户通 过在线渠道或移动应用提交问题时，系统会自动解析问题意图，并 从知识库中检索最相关的答案。 为提高系统的响应速度和准确性，可以采用以下优化策略：  语义理解优化：通过深度学习模型，如 BERT 或 GPT 系列， 提升对复杂问题的语义理解能力，特别是在处理含糊或多义词 据，保 证业务的连续性。 此外，为了进一步提升数据处理的效率和效果，可以采用先进 的数据分析技术和机器学习算法来优化数据处理流程，提高数据处 理的智能化水平。例如，利用自然语言处理技术来自动解析和标准 化非结构化数据，使用机器学习模型来预测和修正数据质量问题。 通过上述措施，可以有效提升金融机构的数据质量和可用性， 从而支持更精准的金融分析和决策，增强企业的市场竞争力。 6.1.2