字核心构建坚实的数据基础，并以此为依托实现 平台与治理框架的标准化。其次，对AI赋能技术进 行战略性投资，通常先从目标明确的试点项目入 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 例行工作转变为战略性指导与统筹监督。 在自主智能供应链的转型浪潮中，未来的分 界已然清晰可见：那些积极拥抱自主智能供应链 的企业，将创造出前所未有的商业价值，并构建起 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 得益于更优的再利用、再循环和资 源效率，自主化运营将显著推动供 应链的循环性。 实现自主智能供应链 7 1. 构建坚实且安全的数据基础 2. 投资关键AI技术，加速规模化 战略布局 3. 重构人与技术的协作模式 图1 企业应对中断的反应时间与恢复时间 敏捷性 4天 11天 从中断或变更中 恢复的时间： - 60% 应对中断的 反应时间： - 62% 1至5个月（视具体问题而定） 此外，企业预计通过自主化运营能缩减约16%

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 问题，但整体而言仍属于打补丁式的被动应对，缺 乏系统的、持续的学习机制来增强应变能力。 2.4 人机协作不足 人的优势包括创造力、认知力、价值判断等，机 器的优势在于计算能力、存储能力等，系统智能的 提升在于将人的能力与机器的能力有效整合[18]。系 统中人机协作的效率和效果仍然受到人机协作的自 然度、信息处理能力、交互系统智能水平、工作流程 等方面的制约，缺乏有效的机制将人的优势与机器 的优势整合起来。 知识生产场所和应用场景的物理局限，实现知识生 产的人机协作。应急知识生产超级节点作为网络中 联结密度最高的节点，扮演了一个交流中心的角色， 在与知识生产者交互中加深认识、产生联想、激发 想象，最终形成创造力推动复杂问题的解决。同时 超级节点还扮演了存储中心的角色，吸收每一轮问 题解决中生产的新知识，在参与到下一轮问题解决 时应用到新的应用场景中，促进应急知识的转移和 应用。在这样一个人机协作的知识生产模式下，应 急知识的应用与创新之间存在着一种互相促进和动

以上一个输出为下一个输入的 一部分。 Agent ，能自主执行链式调用， 以及访问外部工具。 Multi-Agent ，多个 Agent 共享 一 部分记忆，自主分工相互协作。 Agent System 五层基石理 论 Environment Memory & Decision Making Agent Action n LLM-powered ML community / Tool Library / API ⃞Hugging Face … ⃞open assistant 更复杂的任务：大小模型协作的生成式智能体 HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face, Yongliang Shen, Model Selection Task Execution Response Generation HuggingGPT ：大小模型协作的生成式智能 体 HuggingGPT ：大小模型协作的生成式智能 体 • 大小模型协作 AI Agent ：大语言模型负责规划和决策 ， AI 小模型负责任务 执行 HuggingGPT: Solving AI Tasks with ChatGPT

能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 1.1Agent 模式架构解析 Agent 有效减少人类工作总量，人与 AI 协作才是最终形态。人类与 AI 交互可大致 分为三种模式。Embedding 模式中大模型可以填补一些信息缺失，完成少量子任务，例 如总结信息等等。用户最终会整合挑选 AI 提供的信息，并自主完成任务。Copilot 资料来源：CSDN，海通证券研究所 CrewAI 是世界领先的多智能体框架之一，在多智能体领域用于协调角色扮演型自主 AI 智能体。通过促进协作智能，CrewAI 使智能体能够无缝协作并处理复杂任务。在编 写程序时，用户需要赋予每一位 Agent 角色、任务、以及背景故事。 农业机器人、服务机器人 多 Agent 系统 每个 Agent 都是半自主运行的，但其设计目的是与其他 Agent 互动，形成一个动态的生态系统，从个体行为中产 生集体行为。对于这种 Agent 程序来说，协作是关键。 交通管理系统、用于能源管理 的智能电网、供应链与物流 资料来源：botpress，海通证券研究所 2.1 自动化类：微软智能体 AutoGen 微软研发的

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。 综上所述，个性化医疗不仅是未来医疗发展的重要趋势，也是 个性化治疗方案：为每位患者提供定制化的治疗推荐，基于其 具体的病情和需求。 此外，医务人员在面对复杂病例时，往往需要借助团队协作进 行讨论。AI 生成式大模型能够作为助手，分析病例症状，提供可考 虑的诊断方案，并在团队讨论中充当信息来源，确保每位医务人员 都能获得统一及最新的信息支持。对于团队协作的需求，医务人员 主要关注以下几个方面：  案例分析与讨论支持：AI 模型提供多种诊断假设及其可能性 评估，帮助团队进行有效讨论。 过程。 o 通过访谈、问卷调查等方式，识别主要的痛点和改进需 求。 2. 技术准备阶段（2-3 个月） o 选择合适的 AI 生成式大模型，进行初步的技术评估和选 择。 o 与技术团队协作，完善数据准备，包括数据清洗与标 注，以满足模型训练的要求。 3. 方案设计阶段（3-4 个月） o 根据前期的需求分析，设计详细的解决方案，包括模型 的训练流程、应用场景及用户接口设计。

2 用户接受度...............................................................................123 6.2.3 跨部门协作...............................................................................125 6.3 解决方案....... 的深入沟通，确定关键业务痛点，如客户服务效率、风险控制能 力、数据分析精度等。基于此，制定详细的实施计划，包括时间 表、资源分配和里程碑。 接下来，构建一个跨部门的项目团队，确保 IT、业务、风险管 理和客户服务等关键部门的紧密协作。项目团队应定期召开会议， 监控项目进展，及时调整策略以应对实施过程中出现的挑战。 在技术部署方面，采用模块化方法逐步引入 DeepSeek 的各项 功能。首先在客户服务部门试点智能客服系统，通过机器学习优化 6.2.3 跨部门协作 在金融银行的运营过程中，跨部门协作是一项至关重要的任 务。然而，由于各部门的业务目标、流程和信息系统的差异，跨部 门协作常常面临诸多挑战。首先，部门间的信息孤岛现象严重，导 致数据无法实时共享，影响了决策的效率和准确性。其次，不同部 门使用的系统和技术标准不一，难以实现无缝对接，增加了协作的 复杂度。此外，缺乏统一的沟通平台和流程规范，导致协作过程中 信息传递不畅，甚至出现误解和延误。

数据安全与合规性成为核心关注点..........................................................................137 4. 跨部门协作与 AI 智能体的无缝集成........................................................................137 5. 持续优化与迭代的重要性 测分析优化库存水平，减少资金占用；在客户服务领域，智能客服 系统能够全天候响应客户需求，提升客户满意度。 此外，随着企业组织结构的复杂化，跨部门协作和流程整合成 为企业内部管理的难点。AI 智能体能够通过自动化流程和智能调度 功能，优化内部资源配置，提升团队协作效率。例如，智能任务分 配系统可以根据员工的技能和工作负荷，自动分配任务，确保资源 的合理利用。 在市场营销方面，AI 智能体可以通过大数据分析和用户行为预 益 的对比： 应用领域 主要功能 潜在效益 供应链管理 预测分析、库存优化 减少库存成本，提升供应链效率 客户服务 智能客服、实时响应 提升客户满意度，降低人力成本 内部协作 智能任务分配、流程自动化 提高协作效率，优化资源配置 市场营销 精准营销、个性化推荐 提高转化率，降低营销成本 通过以上分析可以看出，AI 智能体在多个商务场景中的应用能 够为企业带来显著的价值。因此，制定和实施符合企业需求的

......................................................................................173 9.2.1 团队协作问题................................................................................................. 优化清单。 技术团队需建立热修复通道，对以下高优先级问题实现 24 小时内 响应： - 规则引擎误判率超过阈值 - 多源数据对接异常 - 审计底稿自动生成格式错误 业务融合期重点监控人机协作效能，通过埋点采集三类核心数 据： 1. 人工复核率变化曲线（目标：每周下降 15%） 2. 高风险事项发现耗时对比（基准值：传统模式 8.5 小时/项） 3. 审计程序执行完整度（要求：AI 占年审计预算 的 8%-12%）和持续训练成本（约节约额的 15%）。建议采用分阶 段部署策略，优先在数据标准化程度高的领域（如货币资金审计） 实施，首年即可实现部署成本回收。通过动态调整人机协作比例， 最终实现审计团队规模缩减 30%而业务吞吐量提升 50%的优化目 标。 8.3.1 人力成本节约 在审计领域引入 DeepSeek 智能体后，人力成本节约主要体现 在任务自动化、效

套完整的深 度搜索解决方案。 1.4 项目团队组成 项目团队组成为 DeepSeek 智能体开发项目的成功实施提供了 坚实的人才保障。团队采用扁平化矩阵结构，确保各职能部门间的 有效沟通与协作。核心团队由以下五个专业组构成：技术研发组负 责智能体核心算法的设计与实现，成员包括 3 名高级算法工程 师、2 名系统架构师和 1 名数据科学家；产品设计组专注于用户体 验与界面设计，由 2 年以上的工作经验。技术研发组成员均拥有 计算机科学或相关专业的硕士及以上学位，其中 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  总结等。同时，与外部科研机构建立了长期合作关系，定期邀请专 家进行技术指导。 团队采用敏捷看板进行任务管理，使用 GitLab 进行代码版本 控制，通过 Jira 进行缺陷跟踪，确保开发过程的透明度和可控性。 为提升协作效率，团队配置了专业的开发环境，包括高性能计算集 群、数据存储系统及测试平台。每个成员都配备了符合开发要求的 工作站，确保开发过程的顺利进行。 2. 需求分析 在进行 DeepSeek 智能体开发之前，首先需要明确项目的核心

数据量大且复杂：建筑项目涉及的数据类型繁多，包括设计图纸、 材料价格、人工成本、施工进度等，传统方法难以高效处理。 - 动 态变化快：市场材料价格、人工成本等因素波动频繁，传统的静态 分析方法无法及时响应变化。 - 跨专业协作难度高：造价管理需要 与设计、施工、采购等多个专业部门协同工作，信息流通不畅容易 导致误差和延误。 - 风险管理不足：传统方法在风险预测和应对措 施上较为薄弱，难以提前识别潜在的成本超支或工期延误风险。 提高准确性。 2. 动态预测与调整：基于实时数据，模型能够动态 预测成本变化趋势，并提供优化建议，帮助管理者及时调整策略。 3. 跨专业协同：通过集成多源数据，模型能够实现跨部门信息的无 缝交互，提升协作效率。 4. 风险预警与管理：模型能够识别潜在 风险点，并提供可行的应对方案，降低项目的不确定性。 以下是一个示例，展示了 DeepSeek-R1 大模型在某一建筑项 目中的应用效果： 通过引入 程造价中得到了初步应用，但其潜力和效益尚未完全释放。BIM 技 术虽然在项目设计和施工阶段提供了强有力的支持，但在造价管理 中的应用仍需进一步深化，特别是在数据集成和自动化处理方面。 云计算则为大数据分析和远程协作提供了可能，但在实际应用中， 数据安全和隐私保护问题仍是主要障碍。 市场环境方面，工程造价行业的竞争日益激烈，企业面临着成 本控制和效率提升的双重压力。一方面，客户对造价服务的质量和 效率要