的潜力。以应收账款审计为例，智能体可实现： - 自动匹配销售订 单、出库单与收款记录的三单一致性校验 - 动态计算账龄分析并可 视化逾期风险分布 - 智能抽样替代随机抽样，使高风险样本覆盖率 提升 40% - 自动生成符合审计准则的询证函和工作底稿 通过流程图的业务逻辑建模可以清晰展现智能体的工作机理： 这种技术路径不仅解决了审计作业中的效率瓶颈，更重要的是 通过数据驱动 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。 性能优化方面采用分级响应策略：简单查询（如法规条款检 索）响应时间<500 （如财务审计中科目余额、交易频率、金额分布等） - 隐藏层设 计：3 层 LSTM（128/64/32 单元）配合 20% Dropout - 输出层： Sigmoid 激活函数输出异常概率 训练时采用对抗样本增强技术，注入 10%-15%的已知异常模 式数据以提升泛化能力。模型评估指标需满足： | 指标 | 阈值要求 | |---------------|----------|

系统正常运行期间征兆变 量的平均值和标准差 归一化 归一化 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 46/80 基于诊断准确率自适应调整每类样本需新增的提示量，并基于 SMOTE 算法合成新样本 ·Nadd 为第 i 个类生成的额外微调对话的 数 量 · N₃ 故障类和无故障类的数量 ·Ntotal 原始微调数据集中的对话数 ·Pj 优化后的模型在第 j 类的诊断准确率 口基于已有检测与诊断提示数据样本，利用 SMOTE 算 法 ， 合成每类别提示对应数量的新的提示样本。 一段时间内征兆变量的平 口根据评估结果对诊断准确率较低的故障 类别按照比例生成额外提示，以提高训 第一段提示中 的数据样本 第二段提示中 的数据样本 第 n 段提示中 的 数据样 本 合成 样 本 序号 题 目 年份 期刊

而如何利用目前飞速发展的计算能力与人工智能 (Artificial intelligence, AI) 技术提高具身智能的表 现则成为学界与产业界的关注重点. 最近的研究表 明, 通过扩大语言模型的规模, 可以显著提高其在 少样本学习任务上的表现, 以 GPT-3 (Generative pre-trained transformer 3)[4] 为代表的大语言模型 (Large language model, LLM) 在没有进行任何参 学 报 Vol. 51, No. 1 2025 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 能学习到丰富 的表示与知识, 具有解决各类任务的潜能, 其作为 具身智能的“大脑”能显著弥补机器人领域训练数据 少且专门化的缺点, 为系统提供强大的感知、理解、 决策和行动的能力. 此外, 基础模型的零样本能力 使得系统无需调整即能适应各种未见过的任务, 基 础模型训练数据的丰富模态也可以满足具身智能对 各类传感器信息的处理需求. 无论是视觉信息、听 觉信息, 还是其他类型的感知数据, 基础模型都能 够为具身智能提供全面和准确的理解

生成式模型是一类能够通过学习数据分布生成新样本的机器学 习模型。与判别式模型不同，生成式模型不仅关注于数据的标签， 而是试图建模数据的生成过程。这些模型能够捕捉到输入数据的结 构和特性，进而生成具有相似特征的新样本。在医疗领域，生成式 模型的应用前景广阔，包括图像生成、数据增强、合成病例生成 等。 生成式模型的核心在于其能够生成新的数据样本，而不仅仅是 进行分类或回归预测。其工作原理通常基于概率分布的学习，通过 分布的学习，通过 对大量样本的分析，生成符合该样本分布的新样本。常见的生成式 模型包括生成对抗网络（GAN）、变分自编码器（VAE）等。每种 模型都有其特定的结构和生成方式，适应不同的应用场景。 在具体应用中，生成式模型具有以下几个特点： 1. 高维数据处理：能够处理高维数据，如医学影像等，生成具有 实际临床价值的新图像。 2. 数据增强能力：通过生成样本，解决数据不足的问题，尤其在 Google 的 BERT 都采用了这种架构，展现了优异的 性能。 其次，生成对抗网络（GAN）是一种颇具影响力的生成模 型。GAN 通过两个神经网络（生成器和判别器）的对抗性训练， 使得生成器生成的样本逐渐逼近真实数据的分布。这种方法在图像 生成、图像修复以及风格转换等领域有着广泛应用。例 如，StyleGAN 就是一种高质量图像生成的 GAN 变体，它能够生成 极为真实的面孔图像，且在医疗图像处理中的应用日益受到关注。

差异较大的样本进行复核和修正。 在标注过程中，应设立专门的质量监督团队，负责抽查已标注 数据的准确性。抽查比例可根据数据规模和项目需求动态调整，通 常建议至少抽取 10%的数据进行人工复核。抽查结果应记录并形成 质量报告，定期反馈给标注团队，以便及时发现和纠正系统性错 误。此外，可以引入自动化工具辅助质量控制，例如利用预训练模 型对标注数据进行初步检查，筛选出可能错误的样本供人工复核。 本，从而提高模型的泛化能力。 在数据预处理完成后，需要将数据集划分为训练集、验证集和 测试集。通常，训练集占总数据的 70%-80%，验证集占 10%- 15%，测试集占 10%-15%。划分时需要保证各类别的样本在训练 集、验证集和测试集中分布均匀。对于时间序列数据，需要按时间 顺序划分，以避免数据泄露。 为了防止过拟合，可以采用正则化技术，如 L1、L2 正则化， 或者在训练过程中使用早停法。此外，训练数据的标准化和归一化 理，包括去除重复数据、处理缺失值、归一化等操作，以确保 数据质量。 2. 随机分层采样：根据数据的类别分布进行分层采样，确保训练 集、验证集和测试集在类别分布上保持一致。例如，对于分类 任务，每一类别的样本在训练集、验证集和测试集中的比例应 当与整体数据集中的比例相同。 3. 划分比例确定：根据具体任务的需求和数据规模，确定训练 集、验证集和测试集的划分比例。常见比例为 70%训练 集、15%验证集和

层，对涉及隐私或合规的内容自动触发人工审核。 实施过程中需特别注意三个关键点： - 建立人工复核通道，对自动生成的工单摘要进行二次确认 - 设置服务降级预案，当模型置信度低于 70%时自动转人工 - 定期清洗对话数据，剔除无效样本提升训练质量 该方案在某电商平台试点期间，使客服人力成本降低 37%，首 次响应时效提升至 98% within 30 秒，工单误派率从 15%降至 6%。建议初期配置 3 人运维团队负责模型监控和知识库维护，后 单。通过 ETL 流程清洗非结构化文本数据，包括去除特殊符号、标 “ ” “ ” 准化行业术语（如将 开票 统一为 发票申请 ）、标注意图标签 （咨询/投诉/下单）。建议构建以下数据分布表确保样本均衡： 数据类型 占比 标注要求 售前咨询 35% 标注产品型号、价格敏感度 投诉处理 25% 标注问题分类、紧急程度 订单操作 30% 标注商品 SKU、支付方式 其他 10% 人工复核 数提高 21% 关键参数配置： 持续优化机制 建立闭环反馈系统实现模型迭代： 1. 在线学习 模块实时捕获客服人员的修正操作（如改写自动生成的回复） 2. 每周增量训练时引入硬样本挖掘（Hard Negative Mining），重 点优化错误率高于 15% 的场景 3. 每月进行全量数据 retraining， 结合业务指标（如转化率、解决率）调整损失函数权重 性能监控体系

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 解决传统日志分析两大 Gap 传统方法 in-domain training data, with an average improvement of 55.9% in terms ofF1-score. 实验 : LogPrompt 在零样本日志分析场景取得了较好效果， 因而可以减轻算法的数据依赖 The advantage of LogPrompt makes it a suitable choice for log analysis

生态监测的局限性 生态监测在保障环境安全和可持续发展中发挥着至关重要的作 用。然而，其应用过程中也面临诸多局限性，影响了生态监测的有 效性和全面性。 首先，传统的生态监测方法往往依赖人工巡查和样本采集，这 种方式不仅成本高昂，而且面临时间延迟的问题。监测数据的获取 和分析周期较长，使得生态变化无法及时反映，进而影响管理和决 策的时效性。这种选择在面对突发环境事件（如污染泄漏或生态灾 害）时，往往显得捉襟见肘。 此外，监测设备的精度和可靠性问题也是不可忽视的局限性。 部分设备受到环境条件的影响，可能出现数据偏差或故障，从而影 响监测结果的准确性。这种不确定性可能会对生态环境的管理决策 产生负面影响，进而影响生态保护效果。  人工巡查和样本采集成本高、时间延迟；  偏远区域监测覆盖不足，缺乏全面了解；  监测网络和数据整合能力欠缺，信息孤岛现象严重；  监测设备精度和可靠性的问题，影响数据准确性。 为了解决这些局限性，考虑引入多模态 实施效果评估是训练与优化的最后一步。此过程可以通过对比 模型预测结果与实际结果的差异进行系统评估，如下表所示： 评估指标 描述 目标值 精度 根据真实结果判断模型预测的准确性 90% ≥ 召回率 衡量模型识别出正样本的能力 85% ≥ F1-score 精度与召回率的综合评估 0.9 ≥ ROC- AUC 描述二分类问题中模型的判别能力 0.95 ≥ 通过系统的训练与优化流程，生态环保智慧诊断系统能够以高

模型具备丰富预训练知识 • 高质量的推理链示范 LIMO 通过 817 个训练样本 （题目难度高，覆盖知识面广， 解题步骤 精 细） ，模型就能在复杂的数学推理任务中取得有益的表现 如何低成本实现推理模型？ 1. 自动化思维链 (CoT) 的实现是新一代大模型的精髓之一 2. 经过精心设计的少量高质量样本即可实现适用于某个专业领 域 的高性能低成本推理模型 小结二： 智能体 (AI

自然语言处理等任务中。可以通过人工标注或半自动标注工具为数 据添加标签，确保数据具备明确的目标输出。为提高标注效率，可 以采用主动学习（Active Learning）策略，优先标注对模型提升贡 献最大的样本。 为优化数据预处理流程，可以通过以下步骤进行模块化设计：  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 Spark、Flink）或高效 数据预处理工具（如 Pandas、NumPy）加速处理流程。 以下为数据清洗与预处理的关键步骤总结： 1. 缺失值处理 o 均值、中位数或模型预测填补 o 删除缺失率过高的特征或样本 2. 异常值处理 o 3σ 原则或孤立森林检测 o 剔除或修正异常值 3. 重复数据处理 o 哈希值比对或数据指纹识别 4. 数据标准化与归一化 o Min-Max 归一化 o Z-score 模型训练方案是人工智能数据训练考评系统建设的核心环节， 旨在通过高效、可靠的训练流程，确保模型能够准确反映实际需求 并具备良好的泛化能力。首先，需要明确训练数据的来源和预处理 流程。训练数据应涵盖多样化的场景和样本，以确保模型的鲁棒 性。数据预处理包括数据清洗、标注、归一化等步骤，确保数据的 质量和一致性。对于标注数据，需制定严格的标注规范，并通过多 轮审核保证标注的准确性。 在模型选择阶段，应根据具体应用场景选择适合的算法架构。