现代化基础设施 高安全 | 高可用 | 高性能 | 高可维 运维知识库如何管理：如何建设行之有效的运维 知识库，如何对运维数据有效治理 运维安全如何保证：如何建设全面、高效的运维 安全保障体系 这些问题并非孤立存在，而是相互交织构成了政企 数智化转型道路上的系统性瓶颈。面对上述挑战， 单点零散的改进显然已力不从心，因此，突破单点 瓶颈，构建一个具备持续演进能力的现代化运维体 系，已成为支撑政企业务可持续发展、实现战略目 混合云现代化运维体系参考架构 规范与流程 安全管控 故障定级规范 业务上线规范 业务变更规范 运维数据治理规范 故障处理流程 应急恢复流程 运维业务管理 变更管理 爆炸半径管理 问题与故障管理 云网跨域协同 事件管理 运维事件、变更事件 监控管理 全链路监测 服务台 配置管理 配置一致性管理 性能管理 限流管理、上线压测 风险管理 应急与混沌工程 版本管理 分为服务请求、故障修复、业务变更及主动运维这 四大类。 4、运维知识库管理 运维知识库管理主要面向对运维资产积累有一定诉 求的中大型政企客户。基于云平台或业务运维过程 中产生的运维数据，如问题单、案例库、变更方案 等进行数据治理，生成运维知识库，对运维风险进 行AI预测等增值类工作。 5、运维平台治理 运维平台治理按照业务属性划分一般涵盖两部分能 力：平台运维和应用运维。平台运维管理对象是不

.................................................................................. 29 4.8 SPAR 模型：问题导向的审计方法 ........................................................................................... .........................32 5.1 工程审计问题相关法条自动检索................................................................................................. 32 5.1.1 工程审计问题相关法条自动检索概述 ........................... ................................................... 32 5.1.2 工程审计问题相关法条自动检索实现 .............................................................................. 32 5.2 工程项目智慧造价.........................

家长辅导时间不足： 89% 的家长每天辅导孩 子 的时间少于 30 分钟 学习辅导能力不足： 72% 的家长遇到“ 四年级 数学题不会做 ”的窘境 。 亲子冲突频发： 65% 的家庭因辅导作业问题 爆 发亲子冲突 。 家长焦虑情绪普遍： 80% 的家长对孩子的学 业 表现感到焦虑， 60% 的家长时刻担忧孩子 出现 意外 。 杠杆点：教育需求的演进 从标准化教学到个性化培养 时间精力不足 / 学习风格） 。 其他家庭成员 祖辈 / 兄弟姐妹：影响教育一致性（如代际观念冲突） 。 2. 系统目标 长期目标 独立人格 、社会适应力 、终身学习（如培养责任感） 。 短期目标 解决具体问题：行为矫正（如拖延症） 、学业支持。 分领域目标 价值观（诚信） 、认知发展（逻辑思维） 、生活技能（自理） 、身心健康（情绪管理） 。 3. 系统内容 显性教育 学科辅导 、技能训练（编程 / 系统边界与交互 内部边界 父母分工：父亲负责运动技能，母亲管理学习。 外部交互 家校协同（作业反馈机制） 、社会影响（短视频对注意力的冲击） 。 特点维度 技术支撑与实现方式 典型应用场景 解决的核心问题 个性化学习路径 机器学习算法分析学 习数据， 动态调整难 度 数学分步拆解 、作 文智能润色 传统教育“一刀切 ” 模式与个体差异不 匹配 实时反馈与迭代 自动化评估系统 +

更连贯的回答 上下文理解能力 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 学习能力强 大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 语言生成能力 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 用于多种任务，无需重新训练 先显式地写出推理的中间步骤。这就像人 类解决复杂问题时会先把思考过程写下来 一样。 OpenAI定义推理模型 也就是说，如果模型在回复你之前有一长 串的思考过程（这个过程必须可以显示输 出），探索了很多不同的路径之后给出答 案，那么有这个能力的大模型就是推理大 模型。推理模型的核心在于处理那些需要 多步骤逻辑推导才能解决的复杂问题。 推理模型的核心 1.4 大模型的分类 n 大模型的分类 Sebastian Raschka博士（Lightning AI的首席教育学家）： 将“推理”定义为通过生成中间步骤来回答复杂问题的过程 2个简单的例子： 非推理问题： ”法国的首都是哪里？” （答案直接、无需推导） 推理问题： ”一列火车以每小时60英里的速度行驶3小时，行驶距离是多少？” （需先理解”距离=速度×时间”的关系，再分步计算） 通用的大语言模型（L

五、技术挑战与未来方向 ..................................................................... 50 5.1 智能训练与部署问题 .............................................................. 50 5.2 业务融合方案设计 .................. 力的建设，还需要改变传统的服务范式，按需按量为客户提供计算、 应用、调优、运营、运维等一站式服务。 规模复杂度增高：算力网络规模和复杂度的日益增加，势必会引 入大规模系统的规划、管控、调整、运维、优化等问题，当前“人在 回路”的解决方式在规模、复杂性、动态性和成本等方面难以为继， 亟需自动化、智能化的管控机制实现对算网的规划设计、建设部署、 维护运营、优化调整、运维管理等全生命流程管理。 以 果反馈，确保用户意图正确实现。其中，如何进行用户意图解析是关 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 10 键难点。目前，通过关键字原句和表达语句来描述用户需求的方法存 在缺少语义信息、抽象级别低等问题，无法对复杂的用户需求进行充 分表征。而自然语言处理技术能够对用户意图准确地进行识别、解析 和预测等，是构建用户和算网之间沟通桥梁的有效手段。 此外，如何自动生成满足意图需求的算网融合策略也是实现算网

而存在很大差异，这些因素包括： ● 管辖范围（国家或地区） ● 具体的情景（如行业、应用场景等） ● 具体的人工智能技术或应用 因此，云安全联盟和本文作者强烈建议，如果有任何与人工智能开发、部 署或使用相关的法律层面的问题或疑虑，应单独寻求法律顾问的意见。 前瞻性声明和人工智能的发展前景 本文包含了一些可能具有前瞻性的陈述。为确定其适用性，我们鼓励向相 关的国家监管机构和法律顾问寻求指导。需要注意的是，这些陈述是作者和云 求。随着大型科技巨头计划向人工智能投资数千亿，预计技术创新的步伐不会 放缓，技术革新的快速步伐已经超出了立法适应的能力。 一个令人担忧的缺口正在出现：生成式人工智能的广泛使用，无论是个人 还是专业用途，都伴随着治理缺失的问题。恶意行为者已经开始利用生成式人 工智能执行复杂的攻击，公司也将生成式人工智能视为一种竞争优势，从而进 一步加快了生成式人工智能的应用。 尽管这种快速应用令人兴奋，但需要伴随着负责任的人工智能开发实践， 强大的治理结构，组织可以培育一种负责任的和安全的人工智能创新文化，确 保人工智能在发展的同时对社会产生积极影响。通过多样化的团队、全面的文 档记录和人类监督，负责任的人工智能将通过减轻偏见、及早发现问题以及与 现实世界保持一致，增强模型表现。 ©2025 云安全联盟大中华区版权所有 12 范围和适用性 由于人工智能，更具体地说是生成式人工智能（GenAI）本身具有多样性， 如何应对复杂的

籍孟合子 杭静 生命循环，人机共育 2 前言 PREFACE 生命循环，人机共育 在宏观层面上，如果把人工智能看作一种生命体，AIGC+教育的内涵其实是碳基生命和硅基生命的 交互和培育问题。AIGC技术是对人脑计算、思考、判断等内在能力的延伸，是人的智能在机器形态 上的规模化聚集、运作和反应。由此，部分基础性的专业工作被替代，AI在劳动贡献、价值创造中 逐渐与人比肩甚至超越人类，AI和人类共同成为社会贡献主体。 文性价值如何取舍？师-生-机三位一体的教育形态意 义几何？以知识传递和测评为核心的教育内容该如何升级？大规模的个性化教学是否真的有可能实 现？AI与人类是否会在社会和教育资源上展开竞争？这些重大问题，因AIGC的到来，再一次冲击了 现有的教育体系。 在微观层面上，教育的各场景和环节，都因AIGC技术的应用而有所助益，如教师侧的备课规划、作 业生成和批改，学生侧的自主学习、辅助练习、测试评估等，新技术与古老教育场景的结合，总会 同时需要警惕的是，AIGC技术具有显著的资源密集和依赖特点，而教育是一项社会公益事业，事关 人的发展权，教育福祉应尽可能地保证公平和均衡。如何防止强势资源的相互吸引和马太效应的加 剧，是教育界需要共同面对的问题。 mWiXpYcX9UkXeZlZ9UmVpOoPaQcM7NsQnNpNsOiNpPmOjMrRtP7NsQnNwMrMyQuOtOqP 3 摘要 ABSTRACT SMS 教育进化

可能的答案 基于链式思维，逐步推理问题的每个步骤来得到答案 模型性能 响应速度快，适合即时任务 响应速度慢，适合复杂任务 决策能力 依赖预设算法和规则进行决策 能够自主分析情况，实时作出决策 伦理问题 作为受控工具，几乎没有伦理问题 引发自主性和控制问题的伦理讨论 优势领域 函数调用、信息抽取、文本生成、创意写作、多轮对话、复杂角色扮演、打标、开放性问题，多样性高的 任务 数学推导、 数学推导、逻辑分析、代码生成、复杂问题拆解，逻辑密度高的任务 提示语 需显式引导推理步骤 提示语更简洁，只需明确任务目标和需求 适用场景 （功能点粒度） • 客服场景：做话术理解与意图分类，以及简单问题的回答；且时效性要求高 • 信息打标：对每日新闻资讯中涉及到的实体（行业、公司、股票、基金等）识别，分析正负向情绪 及影响面 • 办公场景： ，根据场景功能点对模型能力的要求 ，发挥不同模式模型的优 势 在人工智能语境下， “ 问行合一 ”是指一种高效的人机交互理念， 它融合了深度查询与精准执行 。 其中 ，“ 问 ”代表对未知或 复 杂问题的深度挖掘与探索， 体现了人类对知识与智慧的追求； “行 ”则代表基于 AI 分析结果的迅速且精准的行动实施， 彰显了人类 对 于机器智能输出的高效利用与转化 。 此理念倡导在 AI 技术的辅助下，

法作恶等问题日 益突出。比如，有些平台利用大数据“杀熟”，同样的商品或服 务，老客户获得的价格反而比新客户要高；有些平台只推荐能带来 潜在商业利益的产品甚至假冒伪劣产品，而不是对用户来说最适 合、最恰当的商品；有些平台滥用人性弱点，过度激励、劝服、诱 导用户消费，使人们习惯“被喂养”，不自觉地对算法投放的产品 沉迷；而算法的具体原理和参数只有运营企业的少部分人才能知 道，易引发利益侵占问题；还有一些平台甚至利用算法作恶，推送 连接起来，用户可以以极小的成本从一个服务商转移到另一个服务 商。用户与建设者平权，不存在谁控制谁的问题，这是Web 3.0作为 分布式基础设施的显著优势。 Web 3.0是安全可信的价值互联网 在计算机世界，若没有可信机制，由电子信息承载和传送的价 值（Value）就很容易被随意复制和篡改，引发价值伪造与“双花” （Double Spending）问题。Web 1.0和Web 2.0仅是信息互联网，虽 然可以传播文字、图 资产。分布式账本技术为数字资产提供了独一无二的权益证明。哈 希算法辅之以时间戳生成的序列号，保障了数字资产的唯一性，使 其难以复制。一人记录、多人监督复核的分布式共识算法杜绝了在 没有可信中间人的情况下数字资产的造假行为和“双花”问题。数 字资产还能做到不可分割（Non-fungible），如NFT可以以完整状态 存在、拥有和转移。 除了来自链上原生，数字资产还可来自链下实物资产，如一幅 画、一幢房子。如何保障链上数字资产和链下实物资产的价值映射

个左右审计通用场景应用问题（侧重内部审计），并给出简要提示与典型 案例，旨在为金融审计领域的学习者及工作人员提供实用性的操作指南。以下是 本手册编写的核心逻辑与框架说明。 一、精准化问题拟定：用技术激活大模型价值的关键 “ 大模型的价值并非源于其 全知全能 ”，而在于使用者能否通过精准提问引 导其聚焦业务痛点。为此，结合金融审计实践，为了帮助使用者更精准提出多元 化场景下的问题，本手册的提问设计遵循以下原则： 化场景下的问题，本手册的提问设计遵循以下原则： l 场景化：围绕商业银行、证券公司以及保险公司的具体场景拆解问题， 避免抽象化表述； l 可操作性：根据审计场景提供有操作价值的问题、提示与案例； l 合规与价值导向：本手册问题不但嵌入合规政策提示，而且提出更多关 于价值导向审计的思路与方法。 二、整体内容框架搭建：从基础审计场景认知到实战推演 “ 本手册业务审计板块分几个部分，形成 场景-方法-示例-案例 场景-方法-示例-案例 ”的闭环： l 场景部分：从金融审计理念与模式到金融审计质量管理，然后主要围绕 商业银行、证券公司以及保险公司审计提出可供参考的场景问题并给出相关的提 示； l 大数据应用部分：涵盖风险建模、文本分析、流程自动化等技术，提供 Prompt 设计与调优策略的简要提示与思路； l 示例与案例部分：详解大数据分析技术等在合同审查、关联交易识别、 风险揭示等场景中的具体审计示例与案例分析。