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 MCP社区群 Nacos 社区群 微服务 AI Nacos 3.0 MCP Registry 罗 鑫 （ 子 葵 ） Nacos Commiter 2025/07/10 易于构建AI Agent应用的MCP管理平台 CONTENT 目录 MCP & MCP Registry MCP 协议

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。 业务应用层：覆盖应急管理全过程，包括监测预 警、社会动员、监管执法、救援处置等应急管理全场 景应用。 决策指挥层：为所有应急管理业务辅助决策。 2 知识管理缺陷 目前的知识库中所存储和管理的应急知识仅限 于应急预案、行动指南、历史案例、法律规范等显性 知识，缺乏诸如专家知识这一类在长期专业工作中 积累的经验、技能、组织记忆等隐性知识。显性知 识通常适用于常规决策中结构化问题的解决，隐性 知识则是临机决策能力提升的关键 [19，21]。然而，知识 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约 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、准备、响应到恢复的全过程[24]，既包括能 明码表示的显性知识，还包括隐性知识，也称默会知 识，例如，应急管理人员的个人经验、技能等长期实 践经验中积累的、难以明确表达的知识，这些知识可 能表现为对特定事件的常识性理解、对不同灾害类型 的应对策略的抽象化认知等。应急部门知识除了各 类预案、行动指南、管理准则等可以言明的显性知识

海 量 产 业 数 据 和 知 识 图 谱 训 练 ， 创 新 性 地 引 入 了 “ 大 小 模 型 协同 ” 的智能体 框架 ， 面向产业 创新业务场景 ， 提供了包括产业知识问答 、 产业报告生成 、 产业技术分析 、 产业文档理解等能力 ， 向上为企业 、 园 区 、 政 府 等 产 业 认 知 决 策 需 求 机 构 提 供 专 业 产 业 知 识 服 务 。 客 户

数据质量监控：建立数据质量监控机制，实时监测数据质 量，及时发现和解决数据问题，确保数据治理的持续性和 有效性。 知识抽取 通过大模型的语义理解和推理能力， 将不同来源的知识进行融合，消除知 识冲突，丰富知识图谱的内容和深度。 知识融合 动态更新 利用大模型技术从多源数据中自动抽 取实体、关系和属性，构建初始知识 图谱，涵盖银行的核心业务、客户、 产品等信息。 动态知识图谱可应用于智能客服、风 多源数据整合：通过整合银 行内部数据（如客户交易记 录、财务报表、业务规则文 档等）和外部公开数据（如 金融新闻、政策文件、市场 研究报告等），构建涵盖广 泛金融知识的语料库，确保 模型具备丰富的金融领域知 识。 01 金融领域预训练语料库构建方法 迁移学习框架 利用迁移学习技术，将通用大模型在 金融领域语料库上进行微调，使其能 够更好地适应银行特有的业务场景和 需求，提升模型在特定任务中的表现。

提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义 l 无监督和有监督方法相结合 l 词向量和句向量相结合 l 机器与人工相结合 深度学习的应用：知 识挖掘 解决 方案 知识库 主要 挑战 核心 价值 层次聚类 相似度计算 词向量训练 句向量训练 相似度计算 问题检索 人工审核 问题挖掘 主题词挖掘 目标

• PDF • WORD • HTML • 输出 • 知识库 • 知识图谱 智慧 现 息 值癿 D知 isco识 ver条 infor目 mation 解决客户问题 • 知识数据量大，人工管 理无法满足工作需要 • 知识格式多样化，碎片 化，收集、整理工作占

MedGPT、腾讯和百度基于自研通用大模型打造的医疗大模型等。这些模型在提升医疗服 务效率、扩大普惠金融覆盖范围等方面发挥了重要作用。 （3）教育行业 教育行业也是大模型应用的重要领域之一。多家科技公司如网易、百度、知乎等相继 披露了旗下大模型在教育领域的最新动态，并发布了搭载AI技术的硬件产品或应用。大模 型在教育领域的应用主要包括个性化教学、智能辅导、内容生成等方面。通过大模型技术， 教育企业可以大幅提升 构，动态地将计算资源分配给 3.1.2.4 推理加速 �� 输入token中的“专家”网络，提高处理能力和效率。 模型压缩：通过减少模型大小来降低推理时的资源需求。压缩技术包括剪枝、量化、知 识蒸馏等，这些方法可以在保持模型性能的同时显著减少模型参数和计算量。 （3）系统层面的优化 推理引擎优化：优化推理引擎的实现，提高执行效率和稳定性。这包括优化内存管理、 并行计算、缓存策略等，以充分利用硬件资源。 、提供企业场景下高频的信 源、工具和技能，以开箱即用的方式快速构建企业智能体应用；并可通过打通内部信源，构 建企业知识大脑，更准确地理解企业需求、合理规划步骤，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

案》（HIPAA）以及各类地区性数据保护法规，需要进行深入调研 和分析。通过建立合规机制，明确数据使用的边界和保护措施，可 以有效降低法律风险，提高应用落地的安全性。 伦理方面，AI 在医疗场景中的应用必须尊重患者的自主权与知 情权。在 AI 决策过程中，患者应被告知数据如何使用以及可能的 风险，确保透明度。在设计和实施 AI 应用程序时，应当坚持以患 者为中心的原则，广泛征集医疗专业人士、患者及社会公众的意 见，以形成良性反馈循环。此外，AI AI 技术在医疗领域的潜力。 首先，培训计划的制定应根据团队的专业背景和项目需求进行 分层设计。可以将培训分为以下几个层次： 1. 基础培训：针对没有 AI 背景的医疗专业人员，讲授 AI 基础知 识，机器学习及深度学习原理，以及 AI 在医疗领域的应用案 例，帮助他们建立对 AI 技术的基本认知。 2. 专业技能培训：对已有基础的团队成员进行更深层次的技能培 训，包括数据处理、模型训练与优化、AI 中提取关键信息，减少误诊和漏诊的可能性。  加速诊断流程：AI 能够迅速对医学影像和临床数据进行处 理，使得医生可以在更短时间内得出结论，提高医疗服务效 率。  辅助临床决策：涉及复杂病例时，AI 系统可以提供丰富的知 识支持，并为医生提出基于症状和体征的多种诊断可能性，辅 助医生做出更加全面的决策。  集成多种数据源：AI 系统能够有效整合个人健康记录、基因 组信息以及相关文献，帮助医生制定个性化的诊疗方案。

游戏科学创始人冯骥：”DeepSeek，可能是个国运级别的科技成果。”“如果有一个AI大 模型做到以下任何一条，都是超级了不起的成就，但DeepSeek全部同时做到了：强大、便 宜、开源、免费、联网、本土” 面壁智能首席科学家刘知远：“DeepSeek的意义更像Llama。DeepSeek R1相当于是像 2023年初的OpenAI ChatGPT一样，让所有人真正地感受到了震撼” V3训练开销&R1效果引发全球热议 ChatGPT

范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 20/80 口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式