Nacos3.0架构 安全零信任&AI Registry Nacos PMC 2025/07/10 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 柳 遵 飞 （ 翼 严 ） CONTENT 目录 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 01 Nacos3.0 安全零信任 Nacos内核&应用安全零信任实践 02 Nacos MCP Registry & MCP Router 03 Nacos 3.0 未来规划演进 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2.0时代：一个更易于构建云原生应用的动态服务发现、配置管理和服务管理平台 https://nacos.io/ 基于Nacos内核安全零信任架构，结合KMS实现的数据库帐密轮转解决方案 Nacos3.0 应用安全：数据库账号密码轮转解决方案 Part 3 Nacos 3.0 AI Registry 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 构建AI Agent应用的通用范式 Model Provider User Ask Response Prompt

具身智能的概念最早可以上溯至 1950 年图灵 在其著名论文“Computing machinery and intelli- gence”[1] 中对未来机器发展方向的设想: 一个方向 是让机器学会抽象技能, 如下棋; 另一个方向则是 为机器人提供足够好的传感器, 使之可以像人类一 样学习. 前者的思想出现在后来发展的各类神经网 络如多层感知机、卷积神经网络中, 即离身智能; 后 者则逐渐发展出了具身智能的概念 使之输出结构化内容如控制代码、任务分解等指令. 2 自 动 化 学 报 51 卷 Wang 等[25] 探索了使用 GPT-4V 赋能的具身 智能任务规划的可能性, 作者提出一个基于 GPT- 4V 的框架, 用于通过结合自然语言指令和机器人 视觉感知来增强具身任务规划. 框架使用视频数据 的初始帧和对应的文本指令作为输入, 根据输入的 指令和环境图像, 生成一系列动作计划 与之前的视觉观察和 已执行的行动步骤一起输入到 GPT-4V 中. GPT- 4V 将根据这些信息更新其对环境的理解, 并调整 后续的行动步骤. 例如, 如果第一次行动没有完全 达到预期的效果, ViLA 可能会生成一个新的行动 步骤来纠正或完成未完成的任务. 通过这种以多模 态大模型提供实时反馈的设计, ViLA 能够自然地 利用视觉反馈来实现闭环规划, 使得机器人灵活地 适应环境变化, 并有效地执行长期任务.

pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 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 复杂的网络连接，是由大量如神经元的简单元素通 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识 的获取。这一参数调优过程在连续平滑数值空间进 行，与符号化表示的知识获取中的离散符号操作相

Research 的报告，全球人工智能市场在 2022 年达到 了 387 亿美元，预计到 2030 年将增至 1,391 亿美元，复合年增长 率达到 17.5%。基于此，开发一个高效、稳定的大模型 SaaS 平 台，无疑是一个充满潜力的投资机会。 在设计方案中，需要重点考虑以下几个方面： 1. 模型选择与优化：需选择适合行业需求的大模型，并在此基础 上进行高效的模型优化，以确保在不同场景下的表现。 安全与合规：必须建立完善的数据安全机制，确保用户数据的 隐私保护，并遵守相关法律法规。 5. 运营和支持：提供优质的客户支持和技术保障，确保用户在使 用过程中能迅速获得帮助，最大化服务价值。 通过这些考虑，我们可以构建一个切实可行的人工智能大模型 SaaS 平台，满足市场需求，并帮助企业实现数字化转型。接下来 的章节将详细展开各个模块的设计思路及实施方案，为建设这样一 个平台提供可操作的指导。 1.1 背景 平台， 它们通过 API 接口为企业提供便捷的功能调用，降低了技术门槛。 然而，随着需求的多样化和市场的竞争加剧，这些平台面临着如何 提升用户体验、增强数据安全性、提供高效支持的挑战。 通过搭建一个人工智能行业的大模型 SaaS 平台，不仅可以满 足多样化的业务需求，还可以提供高效的技术支持和数据处理能 力，从而提升企业的核心竞争力。该平台将整合多种先进的自然语 言处理技术、深度学习算法及大数据处理框架，以实现全面的

辨别式 AI 对现有内容进行分析、分类、判断、预测 客户流失预测 生成式 AI 自动生成开放的文本、图像、音频、视频等内容 短视频片段 广告视频 多模态生成 相对通用的人工智能 一个大模型解决多个问题 自适应地应对复杂外界环境的挑战 专用人工智能 一事一模型，每个模型完成特定智能任务 解决特定的智能问题 里程碑： ChatGPT 的成 功 AI 1.0 时代 AI 2 谁是第一个登 上月球的人 请告诉我独角兽 的历史起源 尤里 · 加加林是第 一 个登上月球的人。 独角兽被记载在大 约公元前 10000 年 漫 游亚特兰蒂斯平 原， 它们经常与皇 室联 系在一起。 模型的回答与事实不符， 因为尼尔 · 阿姆斯特朗 才是第一个登上月球的 人，而尤里 · 加加林是 第一个进入太空的人。 模型的回答是虚构的，因 推理过程和答案不一致 Yann LeCun 的批判观点： 对纯粹扩大规模方法的根本质疑 Mehrdad Farajtabar ： "LLM 本质上是统计模式匹配工具，而非真正的 推 理系统 " 、 " 下一个词预测框架不足以产生真正的理解 " Yann LeCun ： 自回归大型语言模型没有前途 Apple 提出 LLM 并非真正的推理系统

本项目的核心目标是开发一款高度智能、灵活可扩展的 DeepSeek 智能体，旨在满足多场景下的智能化需求，提升业务处 理效率与用户体验。通过对先进深度学习算法与大数据分析技术的 深度整合，构建一个具备自主学习、动态优化与高效执行能力的智 能体框架。项目将重点解决以下几方面问题：首先，实现智能体在 多模态数据（包括文本、图像、音频等）下的精确感知与理解能 力；其次，优化智能体在不同业务场景中的决策逻辑，使其能够快 括但不限于以下功能： 1. 基于用户行为分析的个性化搜索结果排 序。 2. 多模态数据（文本、图像、音频等）的联合搜索与语义理 解。 3. 上下文感知的智能推荐与问答系统。 第三，项目将构建一个可扩展的用户界面与 API 接口，支持多 种终端的无缝集成。用户界面将提供直观的操作体验，支持多语 言、多平台（Web、移动端、桌面端）的访问。API 接口则将提供 标准化的数据查询与分析服务，便于第三方系统的集成与二次开 60%曾参与过类似 规模的人工智能项目开发。产品设计组成员具备丰富的互联网产品 设计经验，曾主导多项获得市场认可的产品设计。 为确保团队协作效率，采用 Scrum 敏捷开发模式，每两周为 一个迭代周期。团队设置有明确的职责分工和绩效考核体系，具体 如下：  技术研发组：负责智能体核心模块的算法研发、模型优化与性 能调优  产品设计组：完成需求分析、原型设计及用户体验优化 

自然语言处理：用于智能客服、文档自动分类与合规性审查。  图像识别：用于身份验证、票据处理与自动化结算。  增强学习：用于动态定价策略、风险评估与投资组合优化。 为了直观展示 DeepSeek 技术的应用效果，以下是一个基于实 际数据的性能对比表： 技术模块 传统方法准确率 DeepSeek 准确 率 提升幅度 交易异常检 测 85% 95% +10% 客户情感分 析 78% 90% +12% Learning）作为人工智能领域的核心技术，在金融银行的应用中具 有广泛的实用价值。机器学习通过从大量数据中提取模式并建立预 测模型，能够帮助银行优化业务流程、提升风险管理能力以及增强 客户体验。而深度学习作为机器学习的一个重要分支，通过构建多 层神经网络，能够处理更为复杂的数据结构，特别适用于图像识 别、自然语言处理和时间序列分析等场景。 在金融银行领域，机器学习可以应用于信用评分、欺诈检测、 客户分群等任务 和语音。在银行的应用中，深度学习可以用于智能客服系统的开 发，通过自然语言处理技术理解客户需求并提供精准的反馈。同 时，深度学习还可以应用于图像识别，例如自动识别支票或合同中 的关键信息，从而提高业务处理效率。 下面通过一个表格对比机器学习和深度学习在金融银行应用中 的典型场景： 技术 应用场景 优势 挑战 机器学 习 信用评分、欺诈检 测、客户分群 处理结构化数据，模型解 释性强 难以处理非结构化数据，

大模型的训练提供高质量的数据支持。 最终，该方案将广泛应用于金融、医疗、教育等多个行业，推动人 工智能技术的深入应用和创新发展。 1.2 项目目标 本项目的核心目标在于构建一个高效、精准的知识库数据处理 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 能化水平的 AI 大模型。通过系统的数据处理和模型训练，最终实 现从海量异构数据中提取有价值的信息，并将其转化为可支持决策 和创新的知识资产。具体目标包括以下几个方面： 括： - 实 体识别准确率达到 95% 以上 - 关系抽取准确率达到 90% 以上 - 知识 图谱覆盖率达到 80%以上 再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键 目标包括： 通过上述目标的实现，本项目将显著提升知识库数据的处理效 率，为 AI 大模型的训练提供坚实的基础，最终为企业或组织提供 智能化解决方案，助力业务创新与决策优化。 1.3 项目范围 本项目旨在构建一个高效、精准的知识库数据处理流程，并结 合最新的 AI 大模型技术，设计并实施一套完整的训练方案。项目 覆盖的范围包括数据收集、清洗、标注、存储与管理，以及基于这 些数据的 AI 大模型训练与优化。具体而言，项目将处理多源异构

4. 数据整合与共享：通过构建视频数据平台，整合各类监控资 源，为决策提供依据，促进信息共享。 这些措施不仅能够有效预防和减少安全事故的发生，还能够增 强公众对安全管理的信任感，有助于构建一个安全、和谐的社会环 境。 最后，未来公共安全领域将朝着智能化、系统化的方向发 展。AI 大模型的应用是提升公共安全管理效率的重要途径，期待这 一技术在实际运用中发挥更大的作用，助力城市安全管理的现代化 效率。 o 支持多种 AI 模型：系统应支持多种 AI 模型，同时具备 自适应学习能力，能够根据反馈不断优化模型，提高事 件检测能力。 通过以上系统需求的全面分析，我们可以为公共安全领域构建 一个切实可行、功能强大的 AI 智能视频挖掘系统，为有效应对各 种公共安全事件提供有力支持。 2.1 功能需求 在公共安全领域，引入 AI 大模型进行视频智能挖掘的系统功 能需求应充分考虑实际应用场景、用户需求和技术实现的可行性。 大模型视频智能挖掘的有效实施依赖于高 效而可靠的数据存储与管理方案。该方案需要确保视频数据的完整 性、可用性和安全性，以便在涉及公共安全的紧急情况下迅速检索 和分析视频内容。 首先，该系统应建立一个结构化的数据存储体系，将视频数 据、元数据和分析结果分别进行分类存储。数据存储层次需包括： 1. 视频数据存储：采用分布式存储平台，以支持海量视频数据的 存储需求。视频数据应根据录制时间、地点和事件类型进行分

首先，通过系统调研和分析，以确定 AI 生成式大模型在不同 医疗场景中的应用潜力。这包括对现有技术的评估以及对各类医疗 实践需求的深刻理解，以确保所选应用方向具有实用性和必要性。 其次，旨在搭建一个可供临床验证的 AI 生成式大模型框架， 实现医疗数据与模型输出之间的有效整合。通过与医疗工作者和技 术团队的合作，将数据处理流程、模型训练及生成结果的反馈机制 紧密结合，以确保模型在实际应用中的准确性和可靠性。 设计标准化数据输入与模型训练流程  监测应用效果并制定评价标准  探索伦理合规路径与风险管理策略 因此，本研究不仅仅是对 AI 生成式大模型技术的探索，更是 希望为其在医疗领域的实际应用提供一个系统化的解决方案，以推 动科技与医疗的深度融合，实现更好的健康管理。 2. AI 生成式大模型概述 AI 生成式大模型，正如其名称所示，是通过深度学习技术训练 的复杂模型，能够基于输入数据生成新的内容。这些模型广泛应用 医疗数据的生成和去噪方面，VAE 已经显示出了其潜在的应用价 值。 现阶段除主流算法外，还有一些新兴的算法，比如自回归模型 和扩散模型。自回归模型如 PixelCNN 和 PixelSNAIL，在生成过程 中通过逐步生成每一个元素来保持连续性。而扩散模型通过模拟数 “ ” 据分布的逐步 去噪 过程，生成高维数据，特别是在图像生成领域 表现出了竞争力。 综上，当前 AI 生成式大模型的发展格局展示了多样化的主流 算