工业生产价格指数 ), 变劢率 ;M1/M2( 货币流通量 ); 固 定资 产投资变劢 ; 制造业采贩经理人指数 ; 进出口贸易额 ; 外 资投资增 减额 ; 工业总产值 ; 股市交易行情及成交量 ; 央行黄 金及外汇储备 ; 通胀指数 贵金属 国际 / 国内交易行情 , 交易量 ; 美元指数 ; 国际金银期货指 数 ;ETF 价 格 ; 能源价格波劢率 ; 实物价格 外汇 美元指数 ; 是否构成借壳上市： 不构成借壳上市 4. 股份发行价格： 17.36 元 / 股 5. 支付方式： 新时达以发行股份及支付现金相结合的方式 6. 是否构成上市公司重大资产重组： 构成上市公司重大资产重组 7. 本次交易对上市公司影响 本次交易将进一步优化公司业务结构、完善公司在运动控制及机器人业务领域的产业链、扩大 公司 业务规模、壮大公司主营业务， 有利于进一步提升上市公司的综合竞争能力、市场拓展能 支付方式：发行股份、支付现金 被收购公司：背景久安建设投资集团有限公司 收购比例： 49.85% --- 研报名称：拟全资控股北京久安，增强公司市政工程实力 上下游： 1. 分析师：华魏 上下游：碧水源拥有污水处理技术人才及产品研发优势，双方属水处理产 业链上下游关系。 --- 研报名称：拟全资控股北京久安，增强公司市政工程实力 政策： 1. 分析师：庞琳琳 政策名称：水十条 ---- 研报名称：尘埃落地，水处理巨头再起航

项目编号： AI 知识库数据处理及 AI 大模型训练 设 计 方 案 目 录 1. 项目概述.......................................................................................................7 1.1 项目背景............................. 项目团队及职责分工...........................................................................14 2. 知识库数据处理方案..................................................................................15 2.1 数据来源及采集... 外部数据来源.............................................................................21 2.1.3 数据采集工具及方法..................................................................23 2.2 数据清洗与预处理................

从 DeepSeek 探讨大语言模型 在建筑及能源行业的应用趋势和技术方法 汇报人：赵阳 浙江大学能源学院制冷与低温研究所 2025.2.14 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield 9/80 口核心意义：打破 AI 垄断，带来 AI 平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 的策略参考，助力管理优化 人 机 智 能 协 同 互 动 通过大模型驱动对话，实现业务咨询反 馈的迅捷与精准，员工能够自动检索和 获取相关业务知识 自 动 化 报 告 编 制 实现巡检报告 、能耗 评估及故障追 踪报告 的自动 撰写和智能校验，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 11/80

自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研 研 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 输出结果不一定符合需求，tokens 成本远高于普通 LLMs。  人工智能发展迅猛，智能体商业化落地：未来多方面推动人工智能发展，应用级 别智能体有望快速落地。国内各地相继出台关于人工智能的发展政策，推动其为 应用场景：赋能两类实体领域，成本与效益的博弈 ....................................................... 8 2.1 自动化类：微软智能体 AutoGen ......................................................................... 9 2.2 情感需求类：陪伴型智能体

...................................................................................... 7 3.1 基础设施类服务 ................................................................................................. .. 11 3.1.5 联合开发智算运维调度系统保证集群训练长稳高效 ............................................. 13 3.2 模型支持和行业应用类服务 ......................................................................................... 15 3.2 ............................................................................ 13 图 8 RAG+Agent 工具链及 AI 计算使能方案和价值 ........................................................ 16 图 9 利川模式-文旅城市智慧转型标杆 .....

代表性教育企业围绕DeepSeek的布局总览 相较于其他通用及垂类大模型，DeepSeek能够得到头部教育企业广泛青睐、激起 抢滩布局，主要得益于其几大特点： l 深度思考模式：DeepSeek的深度思考模式能够输出自然语言形式的推理过 程，使得学习、解题的思维链可视化，有利于在教育场景中展示解题方法和过 程、进行知识回溯、引导学生个性化思考，从而辅助教师及家长教育，削减此 前AI+教育直接输出问题答案可能带来的负面影响。 用场景。 l 开源与低成本：DeepSeek作为开源大模型，开放模型架构、模型参数、技 术报告等，企业以其为基座可直接进行二次开发。此外，DeepSeek API调用 成本显著低于其他主流商业大模型及自研教育大模型成本，降低教育企业发展 AI业务的门槛。 在以上能力优势之下，DeepSeek为AI教育的突破发展带来了核心推动力。月狐分 析选取学而思、网易有道为代表，进一步分析教育企业基于DeepSeek开展的新一 pSeek大模型联合 支持，主打一站式智能化教育。围绕DeepSeek，学而思的AI教育布局呈现出双协 同、生态化特点： 1、突破单一模型局限，将教育垂类大模型与DeepSeek深度融合，结合DeepSeek 拆解复杂问题和语言交互的强项、及九章大模型深耕数学推理与学科知识图谱的优 势，实现精准分析/定位/回溯知识点、强化逻辑推理并显化思维路径、理解并输出 多模型内容，从而形成启发式引导思考的能力。

2 万份审计报告中的关键发现，支持相 似案例匹配检索 智能处理层部署混合推理机制，结合规则引擎与深度学习模 型。对于程序性审计任务（如存货监盘检查），采用基于决策树的 确定性推理；对于职业判断类任务（如关联交易公允性评估），使 用微调的 DeepSeek-R1 模型，在证监会披露样本测试中显示审计 意见预测准确率提升 37%。动态工作内存区实现上下文保持，确保 多轮对话中能持续追踪审计证据链条。 SAP、Oracle）、电子凭证（PDF/扫描件）、业务数据库 （MySQL/SQL Server）以及外部数据源（工商信息、税务数 据）。针对审计场景的特殊性，数据采集需遵循完整性、时效性、 可追溯性原则，例如凭证类数据需保留原始哈希值以供校验，时序 数据需标注采集时间戳。 审计数据的预处理流程分为四阶段：清洗、转换、增强、归 集。清洗阶段通过规则引擎处理缺失值与异常值，例如对金额字段 的空值填充采用同行 凭证）、非结构化数据（如合 同文本扫描件）以及时序数据（如银行流水）的统一处理。通过特 征提取引擎自动生成审计特征矩阵，典型特征包括但不限于：凭证 金额离散度、交易时间集中度、关联方交易频次等 12 类核心指 标。 分析层采用混合推理模式，其技术实现如下表所示： 组件 技术实现 性能指标 规则引擎 基于 Drools 框架实现 300+条审计规则，支持动态 加载 单规则执行时间 <50ms

200 1800 <0.2% 1 ≤ 小时 系统集成拓扑采用混合部署模式，客户敏感数据存储于本地化 CRM 数据库，通过专用数据管道向云端 DeepSeek 模型服务推送 脱敏特征数据。实时交互类场景部署边缘计算节点，将模型推理延 迟控制在 100ms 以内。历史数据迁移采用分片增量同步策略，每 批次处理 5 万条记录，失败自动重试 3 次后进入死信队列人工干 预。 异常处理机制包含三级熔断策略：当接口错误率超过阈值时， ” 风险预警：检测对话中的负面情绪关键词（ 退款 、 举报 ）， 触发升级流程 3. 知识检索：自动关联产品文档库，回答复杂技术参数问题（响应 速度<500ms） 预测性维护提醒 针对设备类客户，通过分析设备日志数据与历史报修记录： - 提前 14 天预测可能故障部件 - 自动生成预防性维护建议（含备件清单和操作视频链接） - 同步推送服务经理移动端，确保及时跟进 跨渠道体验优化 工单自动化流转 当模型检测到需人工介入的情形（如客户情绪值>0.7 或涉及 多系统协同），自动创建工单并推送至相应部门。系统采用分 级派单机制： o 初级问题分配至一线客服 o 技术类问题直达技术支持组 o 投诉类工单优先升级至主管队列 4. 持续学习机制 系统建立闭环优化流程：每日抽取 5%的已处理工单进行人工 复核，将修正结果反馈至模型训练集。每月更新一次模型参 数，确保知识库与业务变更保持同步。同时设置敏感词过滤