华夏幸福、玉龙股份、黑牛食品 银亿系 浙江 熊续强 银亿股份、康强电子、河池化工 广汇系 新疆 孙广信 广汇汽车、广汇能源、 ST 兴业 汇垠系 广东 万家乐、汇源通信、永大集团 长城系 浙江 赵锐勇 长城影视、长城动漫、天目药业 袁志敏、熊 海涛夫妇 广东 袁志敏、熊 海涛夫妇 毅昌股份、高盟新材、东材科技、 金发科技 资本系 地区 掌舵人 旗下上市公司

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 智能软件研发行业是指专注于开发和应用具

50 5% 重新标注 数据集 B 5,000 500 10 2% 修正标注 此外，可引入第三方质量评估机构对标注数据进行独立审查， 以进一步提高数据可信度。为持续优化标注与质量控制流程，应建 立反馈机制，收集标注员与质检人员的意见，定期更新标注手册与 培训内容。通过上述措施，能够有效保障数据质量，为人工智能模 型训练提供可靠的基础。 5. 模型训练方案 模型训练方案是人工智能数据训练考评系统建设的核心环节， 考评结果应以可视化方式呈现，便于相关人员快速理解和决 策。例如，使用仪表盘展示关键指标的实时状态，生成报表对比不 同时间段的考评结果，并通过趋势图分析指标变化规律。 考评方案的持续优化是确保系统长期高效运行的保障。建议建 立考评反馈机制，定期收集用户意见和技术团队建议，结合新技术 和新需求，对考评方案进行动态调整和升级。同时，注重考评数据 的积累和分析，为系统的长期发展提供数据支持和决策依据。通过 以上措施，人工智 先，系统应采用多层次的数据加密机制。对于静态数据，使用 AES-256 等先进的加密算法进行全盘加密；对于传输中的数据，采 用 TLS 1.3 协议确保数据在传输过程中的安全性。同时，系统应建 立完善的数据访问控制机制，基于角色的访问控制（RBAC）和最 小权限原则，确保只有授权用户才能访问特定数据。 为进一步提升数据安全性，系统需实现数据备份与恢复机制。 定期进行数据备份，备份频率可根据数据变化频率设置为每日、每

分布式计算与云原生架构支撑体系 弹性扩展能力 采用分布式计算框架和云 原生架构，能够根据业务 需求动态调整资源分配， 确保系统在高并发场景下 的稳定性和性能。 微服务化设计 通过将系统拆分为多个独 立的微服务，实现模块化 开发与部署，提升系统的 灵活性和可维护性，同时 降低单点故障的风险。 容器化部署 利用容器技术（如 Docker 和 Kubernetes ）实现应 用的快速部署和高效管理，

major emergent events[J]. Journal of Sys⁃ tem & Management, 2013, 22（5）: 708-714.（in Chinese） [20] 蔡立辉, 唐攀, 李伟权, 等 . 推进应急能力现代化的理论与 路径 [J]. 中国应急管理, 2022（7）: 24-31. CAI L H, TANG P, LI W Q, et al. Theories

MongoDB 或 Cassandra，以支持非结构化数据的存储和高效检 索。 在表结构设计上，需根据智能体的功能模块进行划分。例如， 用户数据表应包含用户 ID、姓名、邮箱、注册时间等字段，并建 立索引以优化查询速度。行为日志表应记录用户与智能体的交互行 为，包括时间戳、操作类型、操作内容等信息，以便后续分析和模 型优化。对于模型训练数据，可以设计专门的训练数据表，存储样 本数据、标签、特 智能体在各种环境下都能稳定、高效地运行，为最终用 户提供优质的服务。 10.3 问题修复与优化 在系统集成过程中，问题修复与优化是确保 DeepSeek 智能体 稳定运行和高效性能的关键环节。首先，对于发现的问题，需要建 立一套完整的日志记录与监控机制，确保能够实时捕获系统中的异 常行为。日志记录应包括时间戳、错误代码、错误描述以及相关上 下文信息，以便于快速定位问题根源。监控机制则可以通过设置阈 值和告警规则，及时发现潜在的性能瓶颈或系统故障。 Behavior Prediction[J]. Neural Networks, 2022, 145: 123- 140. DOI: 10.1016/j.neunet.2021.11.001. 8. 孙立, 王芳. 深度强化学习在智能体路径规划中的应用[J]. 机器 人, 2021, 43(4): 567-579. DOI: 10.13973/j.cnki.robot.210456. 9. 李明

能够以算法驱动的方式调整采购策略、重新规划 物流路径并校准库存水平，同时最大限度地减少 人工干预。 关键在于，要突破基于传统能力和现有运营 约束进行优化的局限。仅仅着眼于自动化那些孤 立（且往往不相关）的流程，通常只能带来局部 的、微小的改进，而无法创造新的企业级价值。 反之，若能聚焦于供应链必须达成的关键成果， 并致力于实现全新方式的人机协作，则有望引领 一场全面重塑。 通过奠定坚实的数据基础、投资技术赋能，

AI 系统能够实时分析这些数据，及时反馈给医生和患者，支持灵活的 医疗决策。 在实施个性化医疗的过程中，以下几点是必不可少的：  数据隐私保护：确保患者的个人信息和健康数据得到保护，建 立健全的伦理和法律框架。  多学科协作：集合医学、数据科学、伦理学等多领域专家，共 同推动个性化医疗的实施。  患者教育与参与：增强患者对个性化医疗的理解和参与，使其 能够更加主动地管理自身健康。 康记录（EHR）、医学影像、基因组数据、临床试验数据以及医疗 文献等。这些数据源提供了丰富的信息，有助于多维度理解患者病 情，提高模型的预测和决策能力。 数据获取的第一步是与医疗机构、研究机构及数据分享平台建 立合作关系，确保数据的合法性和合规性。根据当地法律法规（如 HIPAA 或 GDPR），获取患者同意书和数据匿名化处理至关重要。 此外，医疗数据的共享和集成需要考虑到数据不同源之间的标准 化，例如采用 模型。 此外，各相关领域的政策制定者应积极支持 AI 在医疗领域的 应用。通过纠正制度中的不合理限制，鼓励 AI 技术的试点应用与 创新，能够为行业带来更多的投资和发展机会。例如，可以考虑设 立 AI 医疗应用的专项资金、建立相关的监管机构及评估机制，以 确保技术的合规性和有效性。 最后，行业应重视患者参与与反馈机制。AI 生成式大模型的应 用最终目的是为了改善患者的医疗体验，因此患者的反馈显得尤为

置、 软件环境搭建以及模型参数优化，确保模型能够稳定、高效地运 行；第三，完成与银行现有系统的无缝集成，确保数据流的顺畅和 安全性，同时开发相应的 API 接口，便于其他系统调用；第四，建 立完善的监控和维护机制，及时发现并解决模型运行中的问题，确 保系统的长期稳定运行。 项目的技术范围主要包括：使用业界领先的深度学习框架进行 模型训练和优化；采用分布式计算技术，确保模型在大规模数据处 情况，确保资金使用效率，并根据实际情况进行动态调整。 16.3 成本控制 在 Deepseek 大模型在银行系统的部署过程中，成本控制是确 保项目在预算范围内顺利完成的关键环节。首先，项目团队需要建 立严格的成本监控机制，定期对各项支出进行审查和比对，及时发 现并纠正预算偏差。为了有效控制硬件成本，可以采用云计算资 源，根据实际需求动态调整计算资源的使用量，避免过度配置。例 如，通过 AWS 或 期需求。 为了确保改进计划的顺利实施，组建专门的模型优化团队，负 责从数据收集、模型训练到部署上线全流程的优化工作。团队需与 业务部门保持紧密沟通，确保优化方向与业务目标一致。同时，建 立改进效果评估机制，定期跟踪和验证优化举措的实际效果，并根 据反馈进行动态调整。  定期收集用户反馈，识别高频问题和改进需求  引入自动化测试工具，提升模型评估效率  探索联邦学习等隐私保护技术，确保数据安全

对于数据质量风险，建立严格的数据清洗和验证流程，并引入人 工审核机制。 - 对于技术实现风险，采用模块化设计，确保各部分独立开发与测 试，同时预留技术备选方案。 - 对于资源协调风险，制定详细的项目计划，明确各方职责，并建 立备用资源池。 - 对于法规遵从风险，聘请法律顾问全程参与，确保数据处理和模 型训练过程中的合规性。 此外，项目团队应定期进行风险评估，动态调整风险应对策 略。例如，每季度召开风险评估会议，结合项目进展和外部环境变 为应对此 类风险，制定详细的项目时间表，明确各阶段的关键里程碑和交付 物。同时，采用敏捷管理方法，将项目分解为多个迭代周期，每个 周期结束后进行评估和调整，确保项目始终按计划推进。此外，建 立沟通机制，及时汇报项目进展，发现问题立即协调解决。 外部环境风险 外部环境风险如政策变化、市场需求波动等，虽不可控但可提前预 警。为此，建立外部环境监测机制，定期收集和分析相关信息和数 据，及 火墙、入侵检测系统等安全设备，防范外部攻击。对于 AI 模型的 安全，还需关注模型的反向工程和对抗样本攻击，采取相应的防护 措施。 最后，用户支持与反馈管理也是日常维护的重要组成部分。建 立用户支持渠道，及时响应用户的反馈和问题。定期收集用户的使 用体验和建议，作为系统改进的依据。对于常见的用户问题，可以 建立知识库或 FAQ，提升用户自助解决问题的能力。  系统监控  数据备份与管理