ties）[5]，不仅能够理解和生成自然语言，还具有抽象 和推理的能力[6]，能在艺术创作、代码编写、科学研 究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识 的获取。这一参数调优过程在连续平滑数值空间进 行，与符号化表示的知识获取中的离散符号操作相 比，可以捕捉更为复杂和细致的规律，实现对过往 经验的超越。 1.1.4 知识分布式隐式表示 与符号化知识表示不同，模型获取的知识内嵌 于神经网络模型的海量参数中，无需对其进行显式 表示，这种分布式隐式表示能够处理符号化知识表 示无法处理的情况，例如，无法言明的复杂知识。 decision-making analysis 2.2 知识管理缺陷 目前的知识库中所存储和管理的应急知识仅限 于应急预案、行动指南、历史案例、法律规范等显性 知识，缺乏诸如专家知识这一类在长期专业工作中 积累的经验、技能、组织记忆等隐性知识。显性知 识通常适用于常规决策中结构化问题的解决，隐性 知识则是临机决策能力提升的关键 [19，21]。然而，知识 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约

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 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 动态仿真与智能调控，形成能耗预 测、碳排溯源与节能优化的闭环 口长周期 口难维护 范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 20/80 口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 新时代的核心动力： · 算力： 提 供 强大的计算能力，推动算法复杂性提升 · 算 法 ：更加精准、高效的智能算法，支持决策优化 · 数据： 数据规模和质量驱动模型训练与性能优化 传统模式的局限性： · 靠经验驱动，无法快速适应复杂变化 · 难以扩展，效率低，智能化程度受限 1. 人工智能民主化： Al 技术触手可及 · 简化使用：通过用户友好的界面和预训练模型，大语言模型使得 Al 技术更加易于获取和使用，即

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 业探索大模型技术的应用提供了宝贵的经验和启示。 在优秀案例展示部分，白 速看到成本节约与效率提升的效果。中国人寿财险、阳光保险集团等领先企业正是通过在 这些非敏感且成本可控的场景下开展探索，不仅验证了大模型技术的可行性，还为后续向 更复杂、更高价值的业务场景拓展积累了宝贵经验。 （3）持续深耕高价值场景 在初步验证大模型技术的价值后，保险企业开始将目光投向那些能够带来更高业务 价值的场景，如营销素材生成、代理人销售助理以及销售机器人等。这些用例不仅有助于 提升客 情况下，通过调 整输入的方式来引导模型更精准地完成任务。这种方法有效控制了成本，同时显著提升了 模型的输出质量，使其更贴近用户的期待。 然而，提示词工程也面临一些挑战。它高度依赖于设计者的用户经验，需要对相关领 域知识和模型特性有深入地了解。因此，设计出优秀的提示词需要大量的人力投入和反复 的试错过程。此外，如果设计不当，提示词可能会引入或强化模型的偏见，导致生成不恰当 甚至有害的内容。

............84 6.1.2 案例二：故障预测与维护..........................................................86 6.2 经验总结与教训..................................................................................88 7. 实施步骤与方案 行业趋势分析....................................................................................128 9.1.1 国际经验借鉴...........................................................................130 9.1.2 政策与市场环境影响.. 运行水平。通过持续的监控与学习，该系统能够随着运营数据的增 加而不断优化，使得未来的预测能力更为强大，为城市轨道交通的 维护和管理提供了强有力的技术支持。 6.2 经验总结与教训 在城市轨道交通行业应用 AI 大模型的过程中，积累了丰富的 经验和教训，这些都为后续项目的开展提供了宝贵的参考。 首先，明确项目目标至关重要。在实施 AI 大模型之前，相关 团队需要详细规划长期与短期目标，并确保与城市轨道交通发展的

1 项目成果总结..................................................................................138 14.2 经验教训总结..................................................................................139 14.3 后续改进建议 1 名项目助理构成。 团队成员的选拔严格遵循行业标准与项目需求，确保每位成员 都具备相关领域至少 3 年以上的工作经验。技术研发组成员均拥有 计算机科学或相关专业的硕士及以上学位，其中 60%曾参与过类似 规模的人工智能项目开发。产品设计组成员具备丰富的互联网产品 设计经验，曾主导多项获得市场认可的产品设计。 为确保团队协作效率，采用 Scrum 敏捷开发模式，每两周为 一个迭代周期。 质量保障组：负责系统测试、质量监控与持续集成  项目管理组：制定项目计划、风险管理及资源协调 为确保知识传递与技能提升，团队内部建立了完善的培训机 制。每月组织两次技术分享会，内容涵盖最新技术动态、项目经验 总结等。同时，与外部科研机构建立了长期合作关系，定期邀请专 家进行技术指导。 团队采用敏捷看板进行任务管理，使用 GitLab 进行代码版本 控制，通过 Jira 进行缺陷跟踪，确保开发过程的透明度和可控性。

.........................132 1. 引言 在当今数字化和智能化迅速发展的背景下，工程造价行业面临 着前所未有的机遇与挑战。传统的工程造价方法依赖大量的人工计 算和经验判断，不仅耗时费力，还存在一定的主观性和误差率。随 着建筑项目的复杂性和规模不断增加，传统方法已难以满足高效、 精准的造价需求。因此，引入先进的人工智能技术，特别是大模型 技术，成为提升工程造价效率和精度的关键路径。 结合， 我们有信心推动工程造价行业迈向更加智能化、精细化的未来。 1.1 项目背景 随着建筑行业的快速发展，工程造价管理在项目全生命周期中 的重要性日益凸显。传统的造价管理方法主要依赖于人工经验和历 史数据，存在效率低下、误差率高、适应性差等问题。尤其是在当 前建筑项目规模日益扩大、复杂度不断提升的背景下，传统方法已 难以满足精细化、智能化的管理需求。近年来，人工智能技术的迅 猛发 定针对性的成本控制策略。 最后，在项目收尾阶段，DeepSeek-R1 能够生成详细的成本 结算报告。报告中不仅包含实际成本与预算的对比分析，还会指出 成本控制中的亮点与不足，为后续项目提供经验借鉴。同时，模型 还可以根据项目的最终成本数据，更新成本数据库，为未来项目的 成本估算提供更准确的参考。 通过以上方式，DeepSeek-R1 大模型为工程造价管理提供了 全方位的成本控制与

刻变革，均对企业的敏捷性提出了前所未有的要 求。突发且不可预测的地缘政治变局以及持续变 化的贸易环境，正迫使首席供应链官们迅速调整 其运营网络。更为复杂的是，劳动力老龄化、员工 在职年限的缩短以及技能短缺，正导致宝贵的组 织经验不断流失。 时至今日，仅仅追求成本效益 已远远不够。供应链亟需在速度、 敏捷与可持续方面实现突破，从而 开拓新的价值高地。 得益于快速发展的AI技术2，自主化正是通往 这一目标的必由之路。我们的研究亦表明，这是企 6 运输 7 计划与排程 设计、研发与战略采购 4 基于AI解决方案的自动化质量控制，根据预警自动调整生产控制。 • 混合型客户支持模式，结合AI驱动的自主问题解决与科技增强的现场支持，基于经验教训 和客户具体情况提供定制化建议。 • 广泛运用生成式设计、自动化和基于仿真的测试来增强产品开发，并通过算法优化实现快速的 机器设置。 • 完全自动化的生产流程，通过制造业数字孪生来引导流程，实现无人工干预的切换。 超过95%的交易实现自动化流程及问题解决。 • 利用分析工具监督流程以提高流程效率。 • 利用事件和预测算法实现自动化维修计划，并通过人机增强支持高效的任务执行、备件订购和 行动建议。 • 通过问题解决方案、风险分析和基于经验教训得出的行动建议，使人工驱动活动得以增强。 • 高度自动化的仓库运营，采用先进的自动导引车（AGV）进行拣选、存储、包装和装载。中央控制中心 管理流程、检测问题并提供行动建议。 • 14 28

广东银行在企业架构中集成了大模型技术，用于自动化交易和风险管理。通过 AI 模型的预测分析，该银行能 够更准确地预测市场趋势，优化资产配置，提升投资回报率。 广东银行 AI 架构创新 跨行业成功经验借鉴（如保险、证券） 平安保险利用大模型技术优化了其理赔流程，通过 AI 模型的自动化处理，显著缩短了理赔时 间，提升了客户满意度。同时， AI 模型的应用还提高了风险评估的准确性，降低了理赔欺诈 定制化培训课程 02 根据银行数字化转型的具体需求，设计定制化的培训课程， 涵盖大模型技术、企业架构建模、敏捷开发等前沿知识， 提升员工的专业技能和创新能力。 实战项目经验积累 03 通过参与实际数字化转型项目，让员工在实践中积累经验， 提升解决复杂问题的能力，同时通过项目复盘和总结，持 续优化人才培养方案。 激励机制与职业发展路径 04 建立完善的激励机制和职业发展路径，包括绩效考核、晋

项目报告、会议纪要等。这些文档通常包含丰富的专业知识，能够 为知识库提供坚实的基础。 其次，企业内部的知识管理系统（如 Confluence、Wiki 等） 也是重要的数据来源。这些平台通常存储了大量的知识资产，包括 员工的经验分享、最佳实践、常见问题解答（FAQ）等。通过与这 些系统的集成，可以定期抽取和更新数据，确保知识库的时效性和 准确性。 此外，企业的业务系统（如 CRM、ERP、SCM 等）同样是不 可忽 具辅助标 注。例如，利用预训练模型对数据进行初步标注，再由人工审核和 修正。这一过程不仅可以减少人力成本，还能提升标注质量。 为保障标注质量，需建立多级审核机制。初级标注人员完成标 注后，由经验丰富的审核人员进行检查，确保标注的准确性和一致 性。同时，应定期对标注数据进行抽样评估，计算标注一致率（如 Kappa 系数）和错误率，及时发现并纠正系统性问题。 在标注数据的管理方面，应采用版本控制机制，记录每次标注 人员提高工作质量。 为确保标注过程中的一致性，可以采用以下具体措施：  制定并分发标注手册，定期更新和完善手册内容。  定期组织标注人员培训，解决实际操作中的疑难问题。  建立标注经验分享平台，鼓励标注人员交流经验和技巧。 最后，建立标注数据的版本管理机制，记录每次标注的修改历 史和责任人，便于追溯和审计。通过以上措施，可以有效提升标注 数据的质量，为后续的 AI 模型训练提供可靠的基础。

用以前的经验，从而避免用户进行大量 重复交互。短期记忆适用于所有上下文的学习，类似平常我们与 ChatGPT 沟通的模式； 长期记忆则保留知识和交互回忆，例如智能体在特定行业积累的大量数据和经验，则能 提供更专业、更具深度和个性化的回答，提升用户体验。2）规划模块：将复杂任务分 解成子目标并逐一解决，完成任务后进行反思总结。例如反思自己大量输出重复内容或 在单一子目标耗时过长等问题，将经验存入长期记忆以规避类似错误。3）工具模块： 3）工具模块： 智能体可利用工具来弥补自身短板，通过调用外部 API 来实现功能拓展。例如调用连接 互联网的 API 去搜索实时信息。4）行动模块：智能体会形成完整的计划流程。例如先 读取以前工作的经验和记忆，之后规划子目标并使用相应工具去处理问题，最后输出给 用户并完成反思。 行业研究〃信息服务行业 务、结构化动作，直至最底层的键盘鼠标操作。LLM Decomposer 利用外部知识将复杂 任务分解为简单子任务；LLM Planner 为每个子任务规划结构化动作，并根据反馈信息 调整规划，不断总结成功经验；LLM Interface 通过键盘鼠标操作执行结构化动作，并在 与环境交互中获取观察信息。 图42 解锁科技树的成功率（蓝色是 GITM） 资料来源：Xizhou Zhu《Ghost