大模型通过构建业务知识图谱，将 业务实体、关系和规则进行结构化 表示，支持业务模型的深度分析和 推理。 大模型在业务架构建模中的应用逻辑 智能化优化 场景化应用 知识图谱构建 大模型能够实时集成多源异构数据，确 保业务模型的实时性和准确性，支持实 时决策和业务监控。 大模型能够根据实时业务变化，动态调 整业务模型，确保模型与业务环境的一 致性，提升业务响应速度。 大模型基于历史数据和实时数据，进行 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件 和云服务成本，提升整体经济效 益。 高性能算力资源配置与弹性扩展方案 05 数据治理与知识图谱构建 多源异构数据清洗与标准化处理 数据源整合：银行系统中存在大量多源异构数据，包括结 构化数据（如交易记录、客户信息）和非结构化数据（如 文档、邮件），需要通过数据清洗和标准化处理，确保数 据的一致性和可用性。 数据清洗技术：采用基于规则和机器学习的清洗方法，识 理等方式，确保只有授权人员才能访问和操作敏感 数据，降低数据泄露风险。 数据安全与隐私保护合规性设计 06 智能业务场景应用规划 智能风控建模与实时反欺诈系统 多维度数据整合 通过大模型整合银行内部及外部的 多源异构数据，包括交易记录、客 户行为、信用评分等，构建全面、 动态的风险评估模型，提升风控的 精准性和实时性。 实时反欺诈预警 利用大模型的深度学习能力，实时 监测异常交易行为，如高频交易、

对审计底稿逻辑完备性的自动校验能力，导致约 28%的监管问询源 于底稿链条断裂。 在此背景下，构建深度融合审计专业知识的智能体成为破局关 键。这类系统需要同时满足三个刚性要求：审计准则的强合规性约 束、海量异构数据的实时处理能力，以及审计判断的可追溯性。这 要求技术方案必须采用模块化架构，既能继承现有审计方法论的核 心逻辑，又能通过机器学习优化风险评分模型，最终形成人机协同 的审计增强模式。 1.2 倍，同时将人为错误率降低至传统方法的 1/3 以下。 具体而言，人工智能在审计领域的应用主要体现在三个维度： 首先是自动化数据采集与清洗，通过智能体对接财务系统、银行对 账单和税务平台，实现多源异构数据的实时归集与标准化处理，解 决传统审计中数据孤岛问题。某试点项目数据显示，采用智能体 后，数据准备周期从平均 72 小时缩短至 4 小时以内。其次是风险 识别与异常检测，基于深度学习模型分析历史审计案例和行业风险 实践为例，其年度审计项目中，仅财务报表科目核对环节就需投入 超过 2000 人天，且人工错误率高达 3%-5%，而 AI 技术的成熟为 流程重构提供了可能。 审计智能化的核心痛点可总结为以下三点： 1. 数据异构性：企业 ERP、银行对账单等数据源格式差异大，预处 理消耗 40%以上工时 2. 规则迭代滞后：现行审计准则每年更新，但人工维护的检测规则 更新周期长达 3-6 个月 3. 风险识别盲区：传统抽样方法仅覆盖

时，AI算力需求持续高速 增长，为保障AI系统的实时响应，云基础设施需要在架构层面做出创新，以应对多种类型的挑战。 数据处理挑战：除AI海量、多模态特征外，工业制造、医疗等领域的AI应用所涉及的异构数据 多，格式和标准不统一，进一步导致管理和存储成本的上升。在海量AI数据预处理过程中， 非结构化数据清洗、数据标注等工作的效率往往不高，也严重影响了AI应用目标的达成。 协同计算挑战：规模化 分布式架构执行，参数同步时的通信 需求巨大，传统云网络在高并发实时通信场景下难以满足 PB 级数据传输的低延迟需求。同 时，很多AI任务混合使用CPU、GPU、TPU等算力，但一些云平台对大量的异构算力缺乏统 一管理和调度框架，算力有效利用率长期难以提升。 体验与效率挑战：大量的AI模型服务以API形式向外输出，当云架构设计不合理时，用户端的 高并发请求极易导致服务崩溃。值得注意的是，A 难度。大型企业可能使用跨区域、跨云环境下数以千计的实例，处理自动化扩容、故障转移 等复杂任务。企业需投入大量的云原生开发和运维人才，采购昂贵的监控与自动化工具等。 成本控制⸺算力性价比难题：企业多云集群和异构计算资源的效率和适配不足，使算力成 本长期居高不下，弹性能力的缺失造成的大量云实例闲置，也加剧了浪费现象。在企业加速 业务创新的背景下，大型企业的多业务线体系需要频繁地应付新业务上线部署时千奇百怪的

转变。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 单智能体通 6 万亿美元。海外以美国为例， 相关政策出台时间较早，人工智能领域发展更加成熟，许多智能体应用已在服务各类企 业。并且美国有意与人工智能强国组成战略伙伴，共同发展 AI 科技。 多模态大模型利用异构数据提升应用效率，促进 AI Agent 发展。将智能体赋能于图 片+语音的多模态大模型中，可以减少使用工具和交互的过程，使智能体完成更多复杂 任务，解决跨行业、跨领域的问题。智能体发展能推动政府、金融、制造、能源、医疗、 17 图19 专注于横向应用的 Al 代理初创企业率先获得融资 资料来源：点滴科技资讯公众号，海通证券研究所 3.3 多模态智能体有望实现大规模商业化 多模态大模型能利用大量异构的数据资源提升应用的效率和能力上限，同时也利好 AI Agent 发展。多模态的概念或能提高智能体的工作效率，例如将其赋能于一个能形成 图片+语音的多模态大模型中，单个智能体能完成更多复杂的任务，有效的减少智能体

随着人工智能技术的迅猛发展，知识库数据处理及 AI 大模型 训练已成为推动智能化应用落地的核心环节。本项目旨在构建一套 完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 存储和检索等多个环节，每个环节都存在技术难点和优化空间。例 如，数据采集需要考虑多源异构数据的兼容性问题，数据清洗则需 要处理缺失值、噪声和不一致性等。这些问题的解决方案，直接影 响到最终模型训练的成果。 为了应对上述挑战，本项目旨在设计一套全面的知识库数据处 理及 AI 大模型训练方案，具体包括以下核心内容：  数据采集模块：支持多源异构数据的自动化采集和整合；  数据清洗模块：提供多种数据清洗算法，确保数据质量； 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 能化水平的 AI 大模型。通过系统的数据处理和模型训练，最终实 现从海量异构数据中提取有价值的信息，并将其转化为可支持决策 和创新的知识资产。具体目标包括以下几个方面： 首先，实现知识库数据的高效清洗与整合。针对多源异构数 据，设计并实施数据清洗规则，确保数据的准确性、完整性和一致 性。同时，建立数据标准化流程，统一数据格式和语义表达，为后

算力池 大模型时代企业 AI 项目“烟囱式 ”建设痛点越发严重 智能化趋势下：多品牌多场景下的重复造车轮，导致模型算法和镜像等 AI 资产管理分散，无法沉淀复用和统一运用。 底层统一 上层统一 中层异构 AI 治理 集约敏捷的 AI 中台式建 设 业务系统 B 业务系统 C 业务系统 A AI 项目的烟囱式建 设 知识引擎 大模型 API （ DeepSeek/ 客户专属 模型

Nacos-Controller : k8s 配置及服务同步 价值 • 可视化管理界面 • 配置变更实时推送 • 配置历史&回滚 • 配置灰度发布 • 跨k8s集群互通 • 非k8s异构发现 快速接入 • helm install & crd deploy • 全量一键双向同步 • 按需部分双向同步 项目地址：https://github.com/na

核 心功能的各类技术组件，包括数据处理、机器学习、自然语言处 理、系统集成及部署等。以下是对各个技术模块的详细选型说明。 1. 数据处理与存储 数据处理是商务 AI 智能体的基础，针对多源异构数据的采 集、清洗、存储和分析，选用以下技术： o 数据采集：使用 Apache Kafka 作为实时数据流处理平 台，支持高吞吐量的数据捕获和传输。 o 数据清洗：采用 Python 中的 块。核心功能模块主要包括智能数据处理、智能客服、智能合约生 成与执行、智能推荐系统，辅助功能模块则包括用户管理、日志监 控、数据分析与可视化、安全与权限管理。 智能数据处理模块是 AI 智能体的基础，负责对多源异构数据 进行采集、清洗、存储和分析。首先，利用自然语言处理（NLP） 技术和机器学习模型，对非结构化数据如合同、邮件、文本报告进 行解析和分类。通过数据挖掘和关联分析，抽取关键信息，形成结 构 智能体的核心组成部分之一，旨在通 过智能化的数据处理与分析技术，为企业提供精准的决策支持和业 务优化建议。该模块主要包含数据采集、数据清洗、数据存储、数 据分析和可视化展示五大功能单元。首先，数据采集单元通过多源 异构数据接口，实时获取企业内部系统（如 ERP、CRM、SCM） 以及外部市场数据（如行业报告、社交媒体数据），确保数据的全 面性和时效性。其次，数据清洗单元采用自动化规则和机器学习算 法，对原始

在系统架构设计中，模块划分是确保系统可扩展性、可维护性 和高效运行的关键环节。针对 DeepSeek 智能体的开发，我们将其 划分为以下几个核心模块： 1. 数据采集与预处理模块 该模块负责从多源异构数据中采集信息，并进行初步清洗和格 式化处理。其核心功能包括数据爬取、去重、缺失值处理及异 常值检测。 o 数据爬取：支持 API 调用、网页抓取及数据库直接读 取。 o 数据清洗：通过正则表达式、机器学习算法等工具进行 智能体开发中的核心组成部分，主 要负责从各种数据源中高效、准确地获取所需信息。该模块的设计 需兼顾数据的多样性、实时性以及安全性，确保采集到的数据能够 为后续的处理和分析提供可靠的基础。 首先，数据采集模块需要支持多源异构数据的接入。这包括结 构化数据（如数据库中的表格数据）、半结构化数据（如 JSON、XML 文件）以及非结构化数据（如文本、图像、视频 等）。为实现这一目标，模块应具备灵活的接口设计，能够适配不 智能体开发中，数据处理模块是整个系统的基 石，负责数据的采集、清洗、转换和存储，确保后续模块能够高 效、准确地利用这些数据。该模块的设计和实现需要具备高可扩展 性、稳定性和实时性。首先，数据采集部分通过多源异构数据接 入，支持结构化数据（如数据库、API 接口）和非结构化数据（如 文本、图像、视频）的实时流式接入。采集到的原始数据可能存在 噪声、缺失值或格式不一致等问题，因此需要进行数据清洗。清洗

788 EFLOPS（FP16）。 另一方面，算力技术创新推动算力水平提升。芯片技术方面， 我国自主研发的高性能处理器、加速器等产品不断涌现，为算力设 备性能提升奠定坚实基础。计算架构方面，异构计算架构成为主流 模式，多样化、跨体系处理器协同成为提升计算并行度和能效的重 要手段。绿色节能方面，一是我国积极推进绿色节能技术创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力