项目编号： DeepSeek 在工程造价上的 应 用 方 案 目 录 1. 引言...............................................................................................................6 1.1 项目背景........................... ..7 1.2 DeepSeek-R1 大模型简介.................................................................10 1.3 工程造价行业现状..............................................................................11 1.4 应用 DeepSeek-R1 ..........................................23 3. 工程造价的关键环节..................................................................................25 3.1 工程量清单编制.............................................

月，麻省理工学院何凯明指出： Al 正在悄然重塑全球科研生态：“过去，不同学科间的交流 像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高 口从经济性角度而言，大部分项目支撑不起如此开销 支撑范式突破：实现能源人工智能个 性 化方案的 "3 D 打印 "! 26/30 大模型的特性： · 工程化产物：大模型是基于现有技术的“大工业流水线式”工程化成果 · 柔性 制造：在实现智能化的过程中，需要更灵活的开发与部署方式 实现的关键： · 工程化要求：需要熟练的工程实现人员参与，确保模型从实验到生产的平稳过渡 · 高投入：必须依赖大数据、大算力、大资金和大能耗的支持，推动模型性能最大化 研究一：基于大语言模型辅助的能源负荷预测方法 ( 能源领域第一篇 ) 30/80 口能源负荷预测：通过人工与 GPT 的交互，可以实现建筑能源系统负荷预测的任务的自动编程， 涉及数据预处理、特征工程、模型训练、模型评估、结果可视化和模型解释等环节 Prompt Cannot work or need modification Code Accuracy: Prediction

公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 应用，推动保险业务模式的重塑与升级。 经过一年的实践与沉淀，可以看到，2024年是大模型技术在各行各业的应用落地之 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 术要点和注意事项，为行业同仁提供理论指导和操作建议。除此之外，成功的落地应用需要 保险公司和科技公司紧密合作，共同构建开放、共享、协同的创新生态。这些内容为保险行 制定明确的数字化转型战略，明确转型目标、路径和重点任务。这些战略通常与公司的长 期发展规划紧密结合，旨在通过数字化转型实现业务模式的创新和升级。中国人寿全面启 2.3.2 保险业数智化转型进展 �� 动金融科技数字化工程建设，制定了“科技国寿”发展战略。阳光保险“新阳光战略”的核心 之一是以数据智能打造“科技阳光”。 二是高层重视，各保险公司高层普遍认识到数字化转型的重要性，将其视为提升公司 核心竞争力的关键

从网络进行搜索并总结报告。通过 LLM 提示工程 (Prompt Engineering) ，让 LLM 以 调研员的角色去规划和拆分任务，使用提供的工具，完成调研过程，生成调研报告。在定义角色 时，会为其注册下面列出的各项工具 工 具 CollectLinks 问题拆解，从搜索引擎进行搜索，并获取 URL 地址列表。该工具基于 LLM 提示工程和搜索引擎 实 现，其功能如下：（ 1 ）将问题拆分成多个适合搜索的子问题（基于 ）将问题拆分成多个适合搜索的子问题（基于 LLM 提示工程） ; （ 2 ）通 过搜 索引擎搜索子问题 ; （ 3 ）筛选出与调研问题有关的 URL ，并根据网站可靠性对 URL 列表进行排 序 （基于 LLM 提示工程） 工 具 WebBrowseAndSummarize 浏览网页并总结网页内容。由两个工具组成：浏览网页和总结网络内容。（ 1 ）浏览网页是通过封 装的 WebBrowserEngine WebBrowserEngine 工具访问搜索引擎实现的 ; （ 2 ）总结搜索结果是通过 LLM 提示工程实 现。 工 具 ConductResearch 生成调研报告。基于 LLM 提示工程的工具，该工具会整合 WebBrowseAndSummarize 的输出给到 LLM ，让 LLM 生成调研报告 • 撰写调研报告： 调研特斯拉 FSD 和华为 ADS 这两个自动驾驶 系统 一个具体的例子 自动发邮

最优的超参数设置，减少用户手动调节的时间，用户亦可自定义参 数设置以满足特定需求。 模型训练过程中的数据处理能力也是关键。模块将支持数据的 预处理与增强功能，包括数据清洗、标准化、增强和特征工程等， 将用户上传的数据转化为可供模型有效学习的格式。在处理大规模 数据时，模块应实现分布式数据处理能力，确保训练过程不因数据 体量过大而拖慢速度。 为方便用户监控训练进度，模型训练模块需要提供实时的训练 Spark 和 Pandas 可以 极大地提高数据处理效率。Spark 支持分布式计算，适合处理大规 模数据集，而 Pandas 库则提供了便捷的数据操作功能。这两者的 结合可有效用于数据预处理、特征工程及分析。 为了实现高效的模型训练和推理，选择合适的计算资源是必不 可少的。目前，许多云服务提供商如 AWS、Google Cloud 和 Microsoft Azure 均提供 GPU 和 TPU 平台架构设计 o 责任人：系统架构师 o 时间：第 2-3 周 o 交付物：系统架构图及设计文档 4. 数据收集与清洗 o 责任人：数据工程师 o 时间：第 4 周 o 交付物：清洗后的数据集 5. 模型训练与优化 o 责任人：AI 研发工程师 o 时间：第 5-8 周 o 交付物：训练好的模型及优化报告 6. 接口开发与集成 o 责任人：后端开发人员 o 时间：第 9-10

等）获取原始数据，并进行初步的清洗和格式化处理。该层支持多 源数据接入，具备实时数据采集和批量数据导入的能力，确保数据 的完整性和时效性。 数据处理层是整个系统的核心部分，主要负责数据预处理、特 征工程和数据存储。该层对原始数据进行清洗、去噪、归一化等操 作，并通过特征提取和降维技术生成可用于模型训练的高质量数据 集。数据处理层还支持分布式计算框架，能够高效处理大规模数据 集，确保数据处理的效率和准确性。 以下是系统各层的关键功能和技术选型：  数据采集层：支持多源数据接入，采用 Kafka 和 Flume 实现 实时数据采集。  数据处理层：基于 Spark 和 Hadoop 进行分布式数据处理， 特征工程采用 Scikit-learn 和 TensorFlow。  模型训练层：采用 TensorFlow、PyTorch 等深度学习框架， 支持 Kubernetes 进行资源调度和管理。  考评分析层：基于 计：  数据输入接口：支持多种数据格式（如 CSV、JSON、图像文 件等），并具备数据批量导入功能。  清洗与转换组件：内置常见的数据清洗和转换算法，支持自定 义规则配置。  特征工程工具：提供特征选择、特征提取和特征构建的自动化 工具，支持可视化分析。  标注管理平台：集成标注工具，支持多人协作标注和标签管 理，确保标注质量。  数据导出功能：将处理后的数据以标准化格式导出，支持与模

行业需求。在跨领域融合方面，智能软件研发行业正积极与物联网、云计算等前沿技术深度融合，不断拓宽其应用场景与潜力边界。 智能软件研发行业可以分为四个阶段，萌芽期（1960-1969年），软硬件分离定价与软件工程概念的提出，为智能软件研发的独立发展和技 术创新奠定了基础；启动期（1970-2000年），独立数据库公司的崛起为智能软件研发行业在启动期奠定了数据处理与管理的基础；高速发展期 （2001-20 1960-01-01~1969-01-01 1963年，IBM宣布将软件与硬件实行分离定价，此举被视为软件产业迈向产业化的起始点。 1968年，美国计算机科学家在NATO的软 件工程会议上，首次明确提出了软件工程的概念。 智能软件研发行业的兴起推动了软件产业的独立发展、技术创新与产业升级，并广泛拓展了应用领域，满足了多样化的市场需求。 启动期 1970-01-01~2000-01-01 4 理；机械设备租赁；货物进出口；技术进出口；进出口代 理；网络与信息安全软件开发；商用密码产品生产；电子产 品销售；商用密码产品销售；通讯设备销售；通信设备销 售；通信设备制造；专业设计服务；工程管理服务；人工智 能基础软件开发；人工智能应用软件开发；信息技术咨询服 务；人力资源服务（不含职业中介活动、劳务派遣服务）； 信息咨询服务（不含许可类信息咨询服务）；虚拟现实设备 制造；安全

中石油、中石化、南网、星网、中广核、中铝等央 国企均在拥抱对接或重新研判 DS开源策略全面冲击基础模型商业模式，将大厂在C端、B端过去一年构建的技术优势拉回同一起跑线 ，市场竞争从一阶段比拼模型能力，进入比拼应用、数据、工程化交付能力的第二阶段 -11- 目录 Contents 02 03 01 04 05 -12- 中美在AI领域的对比：人才与技术 n 我国高端人才的数量和密度跟美国有明显差距 7月，该试点实验室进展收到了公安部领导的肯定，对取得的成果进行充分肯定，希望在中 国联通元景大模型的加持下，探索视频侦查新技术提高案件查办效率  利用以图搜图、以文搜图提升检索效率，可服务平安城市、雪亮工程、平安乡村等场景 利用以图搜图、以文搜图，检索监控内容，提升办案效率 -24- 大模型赋能医疗智能应用 n 联通数智公司支撑广东产互/医疗军团打造多款智慧医疗应用，助力中山三院智能化升级 大模型医疗应用服务平台 DS应用落地同样面临挑战 DS优势在6000亿级语言大模型，在R1版惊艳的推理效果，在应用侧落地仍需要多模型组合、多外挂 工具，以及大量工程化配合 C端AI应用需要通才，需要百晓生 B端应用需要专才，需要超高性价比的产线工人 DS很好纠结各应用需要一个超强大脑需求 各单位应用DS落地需要 工程化 套壳 1、安全监管增强+灌入企业价值观 2、灌入企业独有数据 3、推理算力消耗、效果等方面优化 …. 多模型

审计数据的处理流程如下表所示： 处理阶段 技术实现 输出标准 数据抽取 增量日志捕获技术(Capture Change Data) 时间戳标记的原始数据 数据清洗 基于审计规则的异常值检测算法 标准化凭证流水 特征工程 审计指标计算引擎(ROI、周转率等) 多维特征向量 模型层采用 DeepSeek-V3 作为基座模型，通过三阶段训练实 现领域适配。首先在千万级审计报告语料上进行继续预训练，使模 型掌握专业术语；其次用 5% | ≤ | 推理延迟 | <200ms | 风险预测模型 构建集成学习框架，采用 XGBoost 为主模型、LightGBM 为辅助 模型的级联结构。特征工程阶段需嵌入审计专家规则： 1. 第一阶 特征：原始财务指标（流动比率、资产负债率等） 2. 第二阶特 征：动态衍生指标（同比波动率、行业偏离度） 3. 第三阶特征： 关联方交易网络特征（通过 在审计领域的自然语言处理（NLP）技术应用中，核心目标是 实现非结构化文本数据的自动化解析与语义理解，以支持审计证据 提取、风险识别和报告生成等关键任务。以下是具体技术实施方 案： 文本预处理与特征工程 采用混合式文本清洗流程，结合规则 引擎与深度学习模型，处理审计文档中的噪声数据。关键步骤包 括： 1. 基于正则表达式的实体掩码处理，例如隐藏合同中的敏感 金额与个人信息 2. 使用

，大模型质量评估以及大模型提示策略 ，在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 师 演讲嘉 宾 1. 软件日志运维观点 2. 自适应智慧体在运维领域面临的 Gap 3. 大模型 Prompt 引擎助力自适应运维智慧 体 4. 大模型知识迁移打造运维专精模型 动，而是指令驱动，可以进行 根因查找与自我纠偏，充当设 备系统与工程师之间交流沟通 的桥梁 根据本轮分析结果由 大语言模型自动生成 了分析报告，推荐解 决方案。 对异常日 志生成了 解释，可 以快速判 断虚报、 漏报。 11 PART 03 大模型 Prompt 引擎助力自适应运维智慧体： LogPrompt ：利用 Prompt 工程激发大模型运维潜能，零样本推断 + 可解释性 LogPrompt