text2sql 数据表 可视化 数据库 能力组件 预定义组件 MCP调用 DAP 大模型 平台 云原生AI平台 模型推理服务 大模型 推理加速 大模型 分布式推理 模型 纳管 模型微调 微调 算法 模型 评估 模型训练加速 大模型 训练加速 大模型 分布式训练 数据处理 模型微服务 数据 标注 多数据 源支持 数据 批处理 标准API 高效推理引擎 优化的模型 容器化部署 个人智能助手 多任务处理 部门/团队应用 复杂推理，小模型微调 中小企业服务 模型微调，大并发推理 企业级应用服务 桌面级AI工作站 支持14B以下模型推理 AI推理服务器 支持70B模型推理 训推一体AI服务器 支持70B模型推理 +14B模型微调 柜级训推一体服务器 支持671B模型推理 +70B模型微调 千卡集群方案 支持在两周内完成 671B模型预训练 方案亮点 BACKGROUND 随着AI技术的快速发展，行业客户在智能化转型的过程中面临 应用场景模糊、试错成本和算力成本高昂等一系列问题。 针对这些问题，需通过算法框架优化、加速库升级和软硬件 全栈调优，构建起从模型微调、推理服务到智能体编排应用 的全流程解决方案。 HYGON 13 14 HYGON 海光DCU行业实战手册 软硬一体化交付，全流程自动化部署，真正实现开箱即用， 大幅缩短项目落地时间。

水平。该模型通过在大规模数据集上的预训练，能够理解和生成自 然语言，具备强大的文本分析、情感识别和对话生成能 力。DeepSeek 大模型的核心优势在于其高度可定制性，企业可以 根据自身业务需求，对模型进行微调，从而更精准地服务于特定的 客户群体。 在 CRM 应用中，DeepSeek 大模型能够实现多种功能，包括 但不限于： - 客户意图识别：通过分析客户的语言和行为，准确识 别其需求和意图，帮助企业快速响应。 速。训练过程基于 TensorFlow 或 PyTorch 平台，通过并行计算和 梯度优化算法提高训练效率。模型训练分为两个阶段：预训练和微 调。预训练阶段使用海量通用数据学习语言或图像表示，微调阶段 则针对客户关系管理场景，使用领域数据进行优化。训练过程中， 系统支持动态调整超参数（如学习率、批量大小）以确保模型性 能。 推理服务层部署在容器化的微服务架构中，支持高并发和低延 迟响应。服务层通过 TensorFlow 或 PyTorch，以加速大规模数据的处理。模型的初 始训练采用基于 Transformer 架构的预训练模型，通过自监督学 习方法在通用语料上进行预训练，随后在 CRM 特定数据集上进行 微调。 在优化阶段，采用多种技术手段提升模型性能。首先，通过超 参数调优确定最佳的学习率、批量大小和训练轮数，常用的方法包 括网格搜索和随机搜索。其次，引入正则化技术（如 L2 正则 化、Dro

接下来，选择合适的模型架构和训练策略是优化模型性能的关 键。针对保险公司场景，可以基于 Transformer 架构的大模型进 行定制化开发，例如使用 BERT、GPT 等预训练模型进行微调。模 型微调时，采用基于任务的数据集进行训练，例如保险产品推荐、 理赔预测等。在训练过程中，可以使用混合精度训练（FP16）和 分布式训练策略，以加速训练速度并降低计算资源消耗。同时，引 入正则化技术（如 在训练集上表现优异，但在实际应用中却出现明显的性能下降。这 主要是由于训练数据与真实场景存在差异。为此，建议采用数据增 强技术，如合成数据生成或迁移学习，增加模型的鲁棒性。同时， 建立持续学习和反馈机制，定期用新数据对模型进行微调，确保其 能够适应不断变化的市场环境。 第四，安全性是 AI 大模型应用中不可忽视的环节。保险行业 涉及大量敏感客户信息，一旦发生数据泄露，将造成严重的声誉和 经济损失。在某些案例中，攻击者通过逆向工程或对抗样本攻击， o 开发用户友好的可视化工具 o 定期向客户和监管机构提供模型解释报告 3. 模型泛化能力增强 o 采用数据增强技术，如合成数据生成 o 建立持续学习和反馈机制 o 定期用新数据对模型进行微调 4. 安全性防护 o 实施数据加密和模型混淆技术 o 建立异常检测和应急响应机制 o 定期进行安全评估和渗透测试 5. 跨部门协作与人才培养 o 建立跨部门协作机制，明确责任分工 o

外部领先的公有大模型以获取最佳性能；而对于处理企业核 智能驱动增长：人工智能客户关系管理系统研究报告（2025 年） 23 心数据、涉及特定业务逻辑的关键任务（如客户流失预警、 精准推荐），则会使用在企业私有数据上进行微调的私有模型 或更小的领域专用模型。这种策略在能力、安全、成本和可 控性之间取得了最佳平衡。 3) 可定制的领域智能体：AI 能力的最终体现形式并非零散功能 点，而是一系列面向业务目标、可自主执行任务的领域专用 模型全生命周期管理能力需涵盖模型从训练、部署、监控到 迭代优化的标准化流程。具体来说，这一能力支持内置常用 AI 模型 模板，例如推荐算法、预测模型、自然语言处理模型等，并支持用户 基于业务数据进行参数微调，以快速生成符合当前业务场景的模型； 支持模型版本管理功能，对每个模型的版本号、训练数据路径、参数 配置、评估指标进行存档，在出现性能问题时快速完成版本切换；支 持持续性能监控与预警能力，能够实时更新模型准确率、召回率、AUC

（一）技术侧痛点：AI 能力的本质局限 1.早期工具针对特定痛点开发，缺乏顶层设计导致工具 演进碎片化 智能开发工具由不同厂商独立研发，技术架构、数据接口和运行 环境各异，导致工具间协同困难。企业多微调开源模型构建工具，底 层核心算法（如语义理解、代码推理）可控性不足，引发性能瓶颈和 安全风险。同时，工具输出格式不兼容，多源异构数据因协议割裂形 成孤岛，开发、测试、运维等环节数据独立存储，格式互斥，严重阻

通过“科目属 性控制策略” 设置不同科目 属性的控制严 格程度 在“科目体 系”设置中 yonyou software Co., Ltd. 科目多版本对照（ V63 新增） 科目变更 科目微调 科目分支调整大 创建新科目版本 创建新旧科目对照表 yonyou software Co., Ltd. 会计平台支持集团统一作账规范 集团总部 集团会计规范 会计平台 公司 1 凭证

力等因素，在套档中合理体现不同员 工的个人差异； • 第二步：结合岗位业务相关性，进行细节调整，优先倾斜到岗位 业务相关性较高的员工； • 第三步：征求高管、人力资源部的意见，对各个具体情况进行合 理微调，始终确保整体调薪增幅在目标涨幅范围内。 SAMPLE 4.7 制定薪酬套改方案进行初始套改测算 步骤 事项 责任岗位 说明 01 填写定级意 见 用人部门 负责人 1 用人部门责任人在《面试评价表》上反馈新干部定

案，提高治疗效果并减少副作用。 在药物优化阶段，DeepSeek 的多目标优化算法能够帮助研究 人员在多个药效指标（如疗效、安全性、生物利用度等）之间找到 平衡点。通过对已有药物的化学结构进行微调，结合深度学习模 型，DeepSeek 可以预测结构修饰后的药物性能，从而指导药物分 子设计。 数据驱动的决策支持是 DeepSeek 在药物研发中的另一大优 势。通过整合实验数据、临床数据和市场反馈，DeepSeek

产瓶颈，以确定实际生 产线上的约束和关键性 设备，例如可以通过仿 真提前识别开关柜母排 加工瓶颈 实际数据，如设备停机 时间、 MTTR 和 MTBF 等来提升仿真模型性能 和准确度 仿真模型校准 假设情景分析 微调工厂仿真模型参数， 使用具有更高可信度的 利用物联网平台采集的 精确校准工厂仿真模型 模拟新的生产条件和测 试场景，执行假设情景 分析，提前验证生产改 进措施有效性 核心 分析 优化 功能 生产瓶颈分析