介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型 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. 现在, 具身智 能一般指拥有物理实体, 且可以与物理环境进行信 化 学 报 Vol. 51, No. 1 2025 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、

• 其他业务特定的敏感信息 敏感配置强化加密存储 敏感配置强化加密存储 敏感配置强化加密存储 Nacos 控制台 maintainer-client 默认鉴权 浏览器 独立域名https TLS TLS • 数据源配置统一托管 账号密码，数据库地址，连接池大小，超时 参数 • 密文存储 应用运行时内存解密 • 只需要在Nacos中配置存量服 务相关的参数Schema和请求模 版等信息即可实现存量API转 MCP服务，无需任何代码改造 存量Http 服务转化MCP服务 Part 3 Nacos MCP 生态集成与演示 Dify，Higress，Spring ai alibaba 生态集成 Nacos MCP Registry 生态集成 Higress 1. MCP To REST 协议转化 2. 服 务 暴 露 WAF防护 服务发现 绿网/敏感信息过滤 MCP Server 工具集 Higress AI 网关架构 AI开发插件集 AI安全防护 多模型适配 LLM缓存 提示词模板 提示词装饰器 请求/响应转换 向量检索 内容审核插件 Token限流插件 Token配额插件 AI 代 理 插 件 协议转换 多API Key管理 Fallback LLM访问日志 Token消费观测

算 基础设施提供灵活的适配和资源编排能力，以及严格的资源隔离与共享保障。 利用硬件加速提升数据预处理和AI推理效率：在处理器内部增加专用硬件加速单元和专用指 令集，提升数据清洗、加密与传输效率。对于视觉模型、视频处理、数据库模糊检查询等任 务，云实例基于新一代处理器的向量指令集、矩阵加速指令集等，能够直接支持相关AI算子 执行，简化系统架构，提升响应性能与可靠性，持续改善搜推广、语音/视频处理以及中小模 伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例如，在强化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服 务治理以及相关的配置管理等云原生能力，在提高弹性伸缩的速率的同时，持续增强自动化 预测能力以及优化自适应策略。 1.3 持续的融合创新，助力企业的国际化布局 面对智能化、全球化、融合化的发展浪潮， 据平台运行时，CPU负载普遍在60%以上， 内存带宽利用率可高达80%以上。高负载情况下，保持算力的平稳输出非常重要，包括性能 的线性度指标以及资源隔离的力度等。特别在是高密度计算环境下，单服务器下的租户更 多，相关租户之间的故障隔离以及缓存、存储等资源的共享访问问题会更加突出，既要确保 租户之间运行不受任何影响，又不能以牺牲用户访问性能为代价。此外，多副本存储策略在 面对存算分离架构时

术服务业/软件开发、头豹分类/信息传输、软件和信息技术 服务业/软件和信息技术服务业/软件开发 Copyright © 2025 头豹 2 智能软件研发：算力与场景双驱动，智能软件研发进入“平台+服 务”融合新阶段 头豹词条报告系列 饶立杰、饶立杰RLJ 2025-07-11 未经平台授权，禁止转载 行业分类： 信息传输、软件和信息技术服务业/软件开发 信息传输、软件和信息技术服务业/软件开发 回复、日程安排等重复性工作。 嵌入式软件是指专门为运行在嵌入式系统上的应用设计的软件，它集成了人工智能算法与技术，以实现特定设备或系统的智能化操作。这 类软件通常被优化以适应有限的硬件资源，如处理器性能、内存和功耗限制，同时提供诸如自动控制、数据采集与分析、故障预测及自我 修复等功能。嵌入式智能软件广泛应用于物联网（IoT）设备、智能家居、工业自动化、汽车电子以及医疗仪器等领域，能够增强产品的功 全可靠的原则下开发的软件产品和服务，旨在减少对国外技术的依赖并提升国 家信息系统的安全性。这类软件涵盖了操作系统、数据库、办公套件、中间件等基础软件领域，以及行业应用软件，强调采用国产处理 器、服务器、网络设备等硬件平台，并结合国内自主研发的技术标准和协议。 智能软件研发的行业特征包括技术依赖性强、产品迭代周期短、多样化与跨领域应用。 技术依赖性强 智能软件研发深度依赖于多样化的开发工具

项目编号： 基于 AI 大模型 Agent 智能体商务应用服 务 设 计 方 案 目录 1. 引言.....................................................................................................................................5 1.1 背景与意义 本。最后，我们强调数据安全和隐私保护，在智能体的设计和开发 过程中，严格遵循相关法律法规，确保用户数据的安全性和隐私 性。 通过上述方法论的实践，我们能够确保商务 AI 智能体应用服 务方案不仅技术上先进，而且在实际应用中能够为企业带来显著的 商业价值。 2. 商务 AI 智能体概述 商务 AI 智能体是一种基于人工智能技术的智能化解决方案， 旨在提升企业运营效率、优化决策流程，并增强客户体验。它通过 3. 数据分析：通过大数据分析，提供商业洞察，支持战略决 策。 4. 自动化流程：通过自动化工具，减少人工干预，提高运营效 率。 在设计商务 AI 智能体时，需要充分考虑企业的具体需求和业 务场景。以下是设计过程中需要关注的几个关键点：  需求分析：明确企业需求，确定智能体的功能范围和目标。  数据准备：确保数据的质量和完整性，为智能体提供可靠的 数据支持。  技术选型：选择适合的技术平台和工具，确保智能体的性能

统的设计将严格遵 循现有的数据安全与隐私保护法规，确保所有数据处理活动在法律 框架内进行。 项目的技术约束主要源于当前的硬件资源与预算限制。系统需 要支持至少 100 个并发用户的访问，服务器响应时间不超过 2 秒。 此外，系统应具备良好的可扩展性，以适应用户数量和数据量的增 长。在开发过程中，将采用微服务架构，以确保系统模块的高度解 耦与独立部署能力。 在项目实施过程中，还将面临以下主要挑战： 行安全漏洞扫描和渗透测试，确保符合 ISO 27001 等国际安全标 准。 可扩展性和可维护性也是非功能性需求的重要组成部分。系统 应采用模块化设计，便于功能扩展和升级。在硬件层面，应支持横 向扩展，能够通过增加服务器节点来提升系统容量。在软件层面， 应提供完善的 API 接口，支持与第三方系统的无缝集成。维护方 面，系统应具备自动化监控和告警功能，能够实时监控 CPU、内 存、磁盘等资源使用情况，并在异常情况下自动发送告警信息。 指南和在线帮助，降低学习成本。在多语言支持方面，系统应至少 支持中文和英文两种语言，并可根据用户需求灵活扩展其他语言。 最后，系统应具备良好的兼容性和可移植性。硬件方面，系统 应支持主流服务器品牌和型号；软件方面，应兼容 Windows、Linux 等主流操作系统。在云环境部署时，系统应支持 公有云、私有云和混合云等多种部署模式，确保在不同环境下均能 稳定运行。 2.2.1 性能需求

在功能需求定义阶段，我们首先需要明确 DeepSeek 智能体的 核心功能模块及其具体实现方式。智能体的核心功能应涵盖数据采 集、数据处理、智能决策、用户交互等关键环节。数据采集模块负 责从多种数据源（如传感器、数据库、API 接口等）实时获取数 据，并确保数据的完整性和准确性。数据处理模块则对采集到的数 据进行清洗、转换和存储，以便后续分析和决策。智能决策模块通 过机器学习和人工智能算法，对处理后的数据进行深度分析，生成 统性能、可扩展性和安全性。以下为数据流的详细设计方案： 首先，数据源多样化，包括传感器数据、用户输入、外部 API 调用以及历史数据存储。这些数据以结构化（如 JSON、CSV）或 非结构化（如图像、文本）的形式流入系统。数据流入后，经过预 处理模块进行清洗、格式化和归一化操作，以确保数据质量并降低 后续处理复杂度。例如，传感器数据可能需要去除噪声，而文本数 据则需要进行分词和语义分析。 接下来， 策和响应执行；辅助功能则涵盖用户管理、日志记录、权限控制 等。每个功能模块的开发应遵循模块化设计原则，确保高内聚、低 耦合，以便于后续的维护和扩展。 数据采集模块是系统的基石，负责从多种数据源（如传感器、 数据库、API 等）获取信息。开发时需考虑数据源的多样性，实现 统一的接口适配器，支持实时和批量数据采集，确保数据的完整性 和时效性。数据处理模块则负责对采集到的数据进行清洗、转换和 存储。常用的技术包括

益等。通过这些指标，我们可以对模型的效果进行量化评估，并根 据反馈进行必要的调整和优化。 总之，通过部署 Deepseek 大模型，我们期望能够显著提升银 行系统的智能化水平，为客户提供更加个性化、高效和安全的服 务，同时增强银行的风险管理和运营能力。 1.1 项目背景 随着金融科技的迅速发展，银行业务的复杂性和数据量呈现指 数级增长，传统的 IT 系统在处理效率、智能化水平和客户体验方 面已逐渐显现出瓶 主要参与者 在 Deepseek 大模型在银行系统的部署方案中，主要参与者涵 盖了多方面的角色和机构，确保项目的顺利实施和持续优化。首 先，银行内部的核心参与者包括信息技术部门、风险管理部门、业 务运营部门和客户服务部门。信息技术部门负责模型的硬件基础设 施搭建、系统集成和日常运维；风险管理部门确保模型的应用符合 监管要求，并对模型输出进行风险评估；业务运营部门利用模型优 化业务流程，如信 要具备强 大的自然语言处理能力，能够准确理解并响应客户的查询，包括账 户余额查询、交易记录查询、贷款申请进度查询等常见业务需求。 此外，模型还需具备语义理解能力，能够处理复杂的金融术语和业 务逻辑，确保在对话中提供准确且专业的回答。 其次，模型需要支持多轮对话管理，能够在长时间的交互中保 持上下文的一致性，避免客户在多次询问同一问题时得到不一致的 答案。同时，模型应具备情感分析能力，能够识别客户的情绪波

DeepSeek-V3 是在 14.8 万亿高质量 token 上完成预训练的一个强大的混合专家 (MoE) 语言模型，拥有 6710 亿参数（激活参数 370 亿）。作为通用大语言模型，其在 在知识类任 务（知识问答、内容生成等）领域表现出色。 ● DeepSeek-R1 是基于 DeepSeek-V3-Base 训练生成的强化推理能力模型，在数学、 代 码生成和逻辑推断等复杂推理任务上表现优异。 分布式文件存储 u 公 有 云 分布 式 文 件 存 储 CFS/Turbofs/Goosefsx u 私有化 NFS 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM 统一纳 管 自研行业大模型 u 金融 / 汽车 / 医疗，提升垂类任务性能 u 支持知识增强、实时更新知识库 开源大模型 u Deep 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 身业 务系统的无缝对接。 接入搜狗搜索增强 API ，一键开关，即可让 DeepSeek 实时 获取 互联网最新资讯，提升时效性和回答准确度 腾讯云大模型应用开发平台“知识引擎” —— 免部署，分钟级搭建应用

需通过数据脱敏 和合规性审查后纳入知识库。 为确保数据的全面性和时效性，网络爬虫技术可应用于社交媒 体、新闻网站、论坛等公开平台，采集实时信息。爬虫设计需遵循 目标网站的服务协议，避免对服务器造成过大负载，并使用反爬虫 策略（如 IP 轮换、请求间隔控制）降低被拦截的风险。此外，数 据的采集频率应根据需求动态调整，如新闻类数据可每日采集，而 行业报告可按季度更新。 在数据采集过程中，需建立质量控制机制，包括： 准确性。 此外，企业的业务系统（如 CRM、ERP、SCM 等）同样是不 可忽视的数据来源。例如，客户关系管理系统中的客户反馈、销售 数据、服务记录等，都可以提取出有价值的知识，帮助构建客户服 务知识库。同样，供应链管理系统中的供应商信息、采购记录、物 流数据等，也可以为供应链管理知识库提供支持。 为了更高效地采集内部数据，建议采用以下策略：  自动化数据抽取：通过 API 接口或 ETL 后续的 AI 模型训练提供高质量的基础数据支持。 2.3.1 标注标准制定 在制定标注标准时，首先需要明确标注任务的目标和范围，确 保标注数据能够满足后续 AI 模型的训练需求。标注标准应基于业 务场景和数据类型进行定制化设计，同时兼顾一致性和可扩展性。 以下是制定标注标准的具体步骤和内容： 1. 明确标注对象和类别 根据知识库的数据类型（如文本、图像、语音等），确定需要 标注的对象及其