在不可预测的环境中增强运营可靠性，这对于那 些将快速履约视为核心竞争优势的行业而言，更 是重大利好。 可持续性的提升是另一项重要 成果。近四成（39%）受访企业表示， 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 要实现AI的规模化应用，需要在技术赋能方 面进行重要投资：受访者预计，要发展自主智� 供应链，每年需投入营收的0.9%。这项投资将成 为关键的差异化优势。一些企业将由此进入持续 改进的良性循环，而另一些企业则可能因财务能 力所限而陷入停滞不前的恶性循环。为有效分配 资源，供应链高管应采用“以终为始”的视角，构 想其AI赋能技术栈的理想未来状态，并回答“何 为卓越？”，从而明确团队应如何协同达成这一 目标。 如何培养人才，以适应这场重塑工作体验、学习方 式和技能再造的劳动力变革。供应链专家应尽早参 与进来，以便在使用和优化这些系统的一线员工之 间建立信任。技术本身无法保证转型成功，必须通 过持续的反馈循环，结合员工的参与，才能确保设 计出真正满足运营需求的解决方案。 在引入新技术时，领导层必须以切合实际的 节奏，跨组织地在员工队伍中打造信任和敏捷性。 例如，根据员工当前所处的数字化发展阶段，提供

假设与实验：形成假设进行实 验 https://mp.weixin.qq.com/s/9_zXOJTXIFD9j44phglK0A 发展 ( 实现想法的能 力 ) 盈 假设 实验 想法 例子：智能体多角色协作与循环优化的智能决策流程 56/80 (a)Role Specialization (b)Memry 行 每个 角色 均被赋予明确且对应的职责。 总结与分析，以形成全面的决策依据。 · 协作与互动：各个 角色之间 建立高效的沟通机制，通过 · 循环优化与迭代： 流程采取循环迭代的方式进行，确保 交 流 提 供 必要的支持与反馈 问题得到持续的优化与解决 未来大语言模型的关键突破点二：世界模型 / 数字孪生 57/80 AlphaGo 口通过大模型与智能体的结合，能源行业从数据收集到优化决策的智能化 口大模型的强大推理能力为复杂问题提 供精准 分析，而智能体的灵活适配性保证 了任务的高效执行，能够大幅提升了行业智能程度 口通过实时数据的循环优化和反馈机制，人工智能持续推动能源体系的数字化与 智能化变革，为未来的可持续发展提 供了 强大动力 口对于即将到来的 AGI, 无论是 OpenAl 还是 DeepSeek,

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 单智能体通过试错学习适用于简单任务，而多智能体则在复杂环境中通过合作或 竞争调整最佳策略。当前，智能体主要应用在自动化和情感需求等领域，但商业 化进程仍面临成本挑战，特别是在智能体交互过程中出现的错误循环和高 token 消耗问题。另外，中国政府积极推动人工智能的发展，各地相继出台相关政策。 预计到 2026 年，中国人工智能市场规模将超过 260 亿美元，将在政府、金融、 制造、能源、医疗、零售等 景、任务和智能体需要完成的挑战。ALFWorld 实验发现 3 个智能体的成功率高于 2 个 智能体，说明随着交互的智能体变多，智能体间互相纠错的能力有所提升。但对于 AutoGen 的实验也提到多智能体可能会导致错误循环（智能体之间反馈错误但一直无法 解决），这也是降低成功率的因素之一。4）OptiGuide: 是专门设计来通过自然语言处理， 解读和指导复杂供应链优化决策。在用不同语言模型运行 OptiGuide 的时，发现多智能

越大 ■ 对于复杂机电、大型综合体建 筑 ， IBMS 更不可能替代 BMS BMS 与 iBMS 空调机组管理 风机盘管管理 室内空气质量 业务实现层 送排风机管理 空调水循环泵 与考勤联动 照明管理 照明控制 与考勤联动 AIBOX 平 台 RTSP 协议 信息发布 私有 协议 会议管理 私有 协议 停车场管理 私有 协议 访客预约 能耗网关 信息发布屏 会议终端 / 中控 Modbus 协 议 多联机机组 / 从脸门 禁 IOT 平台 ( 私有化部 署 ) HTTP 协议 Niagara 中间 件 空调水 循环泵 HTTP 协 议 HTTP 协 议 田通设备监控 停车场道闸 HTTP 协议 HTTP 协议 私有 协议 免密 登录 监控终端 能耗管理 风机 /CO 门禁系统

在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 面对非结构化数据（如合同文本、邮件通信）时仍显乏力。某上市 公司审计案例显示，其采购循环审计中仍有 62%的供应商资质验证 需要人工复核扫描件，这类场景亟需具备多模态处理能力的智能体 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏 对审计底稿逻辑完备性的自动校验能力，导致约 固定资产周转率偏离度 | 标准差 >2σ 启动核查 | 异常检测模块结合孤立森林算法与规则引擎，对交易流水实现 毫秒级扫描。特别设计关联分析功能，可自动构建供应商-客户关 系网络图谱，识别循环交易等复杂模式。测试数据显示，在千万级 数据量下，隐性关联识别的召回率达到 82%，误报率控制在 5%以 内。 底稿生成模块基于 NLG 技术自动输出审计调整建议、管理建 议书等文档，支持三种输出模式： 特别开发的时 间轴对比工具支持跨年度数据叠加分析，可直观显示应收账款周转 率等关键指标的异常波动。 典型应用案例中，某央企审计项目通过智能体可视化模块发 现： - 3 个隐藏的关联方循环交易 - 12 笔超过 500 万元的异常大额 支付集中在季度末 - 7 个成本中心的费用报销存在时间戳篡改特征 数据交互协议采用双层缓存设计，确保亿级数据记录下的响应 时间控制在 2 秒

在技术实现上，声音模态需要结合多个关键技术： 1. 声音信号的高质量采集：使用高灵敏度的麦克风或声学传感 器，以确保捕捉到准确的声音信息。 2. 高效的声音处理算法：应用深度学习模型，如卷积神经网络 （CNN）和循环神经网络（RNN），对声音信号进行特征提 取和分类，识别出不同的声音模式。 3. 实时数据分析与可视化：通过数据分析平台，将声音数据的实 时监测结果可视化，以便于决策者及时作出响应。 4. 现场环境变化数据（如降雨、气温变化） 4. 历史污染记录和周边企业活动数据 通过将这些数据整合，模型能够识别出潜在的污染来源及其对 土壤质量的影响。 在数据分析方面，可以采用深度学习技术，尤其是卷积神经网 络（CNN）和循环神经网络（RNN），对传感器收集的时序数据 进行处理，识别出土壤污染的动态变化趋势。 在检测结果呈现方面，可以通过可视化工具生成实时监测图 表，清晰地标识土壤污染程度及其变化趋势。例如，接入 GIS（地 模型将综合上述数据，通过深度学习算法分析当前 生态恢复效果与历史数据的差异，提供定量评估结果。以下是一些 具体的分析路径和示例：  利用卷积神经网络（CNN）处理处理卫星影像，对植被变化 进行自动分类与特征提取。  运用循环神经网络（RNN）或长短期记忆网络（LSTM）对时 间序列气候数据进行分析，探索气候变化对恢复效果的影响趋 势。  通过决策树或随机森林等模型，分析地面监测数据，建立影响 恢复效果的主要因素模型。

展示了各种深度学习模型在铁路沿线应用中的适用性对 比： 模型类型 适用任务 优势 缺点 卷积神经网络 （CNN） 图像识别和分 类 高效的空间特征提取能 力 对图像质量依赖较强 循环神经网络 （RNN） 时间序列分析 优越的时间依赖建模能 力 训练时间长，容易出现梯 度消失 YOLO 目标检测 实时处理，精度高 对小物体检测效果一般 自编码器 异常检测 无监督学习，适应性强 依赖于具体的任务需求，比如目标检测、场景理解等。一般来说， 我们可以采用以下算法：  基于深度学习的目标检测算法，如 YOLO、Faster R-CNN， 实现对图像中目标的快速检测和定位。  利用循环神经网络（RNN）或长短时记忆网络（LSTM）处理 时序数据，实现对列车运行状态的预测和分析。 最后，模型的训练与优化是提高模型表现的关键步骤。通过对 数据集中选择合适的训练集和测试集进行分割，使用交叉验证的方 150 80 -46.67% 用户满意度 (%) 70% 90% 28.57% 通过评估的结果，能够系统地验证模型优化的有效性。此外， 反馈环节将为后续的迭代优化提供宝贵的信息，形成良性的循环。 在整个过程结束后，结合用户实际使用场景的调研，制定相应的模 型迭代计划，确保模型能够持续满足实际应用需求。 如此，通过细致入微的模型优化与全面的效果评估，我们能够 构建出高效、实用的三维模型，服务于铁路沿线的各种应用场景。

首先，选择适合的模型类型至关重要。针对城市轨道交通的不 同应用场景，如客流预测、设备故障诊断、调度优化和智能运营 等，可考虑以下几种主流模型： 1. 时序预测模型：使用 LSTM（长短期记忆网络）或 GRU（门 控循环单位）等模型进行客流量预测。由于客流数据往往具有 时序特征，这类模型能够有效捕捉数据中的时间依赖性。 2. 图神经网络（GNN）：在调度优化和网络分析中，图神经网 络可以有效建模轨道交通网络中的节点及其边的关系，帮助提 析，提取出关键特征。例如，在列车运行预测中，提取的特征可能 包括时速、乘客上下车时间、以及前方线路的状态。这些特征将用 于模型的输入，有助于提高模型的预测精度。 模型训练模块采用深度学习的方法，比如使用图卷积网络 （GCN）或循环神经网络（RNN），以充分挖掘时序数据和空间 数据的潜在关系。模型的选择应依据具体任务的不同而定，比如对 于客流预测，应使用时序数据模型，而设备故障预测可能更适合使 用图结构模型。 在这一过 案。模型架构的设计需要考虑到数据的特性、计算资源的限制以及 应用场景的需求。以下是对深度学习模型架构设计的具体方案，包 括模型选择、网络结构、训练方法和优化策略。 在选择深度学习模型时，我们主要关注于卷积神经网络 （CNN）和循环神经网络（RNN）。CNN 适合于图像和空间数据 处理，而 RNN 则擅长于时间序列数据分析。考虑到城市轨道交通 的数据类型，我们通常会将这两种模型结合，以实现对复杂信号和 时序变化的高效学习。例如，在轨道交通的故障检测中，CNN

化 学 报 51 卷 这些技能定义了一个相对较小的词汇表, PaLM-E 的规划由这些技能的序列组成. 当 PaLM-E 用于任 务规划时, 会被集成到一个控制循环中, 依据用户 指令与训练的数据将目标分解为一些低级策略, 执 行完毕后依据新的观测结果重新进行规划. SayCan[74] 指出, 尽管大模型具有一定的推理 能力与理解能力, 但因为模型没有直接接触现实世 Instruct2Act[51] 提出了一种框架, 通过大语言 模型将多模态指令转换为机器人操作任务的序列化 动作. 该框架的核心在于利用预训练的大语言模型 生成 Python 程序, 这些程序构成了一个全面的感 知、规划和动作循环. 在感知部分, Instruct2Act 使 用预定义的 API 调用多个基础模型, 其中 SAM 用 于精确定位候选对象, 而 CLIP 模型用于对象分类. Instruct2Act 的一个关键特点是其在处理不同指令 规模模型中的广泛且多变的知识, 并将其转移到机 器人领域, 用以应对机器人研究中长期存在的挑战, 即如何让机器人掌握多样的技能, 并在各类环境中 执行任务. RoboGen 为机器人设计了一套自我引导 的“提议−生成−学习”循环: 首先, 机器人基于大语 言模型提议潜在的有趣任务与技能; 接着, 生成包 含适当空间配置的物体及资产的模拟环境; 然后, 将高级任务分解成子任务, 选择最优学习方式 (强 化学习、运动规划或轨迹优化)

Nacos MCP Router产生的背景 Token消耗问题 幻觉问题 安全问题 • 过多的MCP Server及工具可能会有 大量的描述，导致token消耗过多 • 工具过多产生幻觉导致循环调用问题 • 过多的MCP Server及工具可能会导 致大模型用错工具，产生无效token 消耗 • Stdio协议mcp server数据泄露风险 • 权限管理不统一 • 明文token/api-key问题