我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。在实际银行落地应用 中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 如架构设计、算法优化或用户体验创新。 n AI 编程在银行业可有效赋能内部研发。从具体用例看， 澳新银行对 1000 名软件开发人员进行了为期六周的 AI 编程助手试 用实验。实验发现，当软件开发人员使用 AI 编程助手时，平均生产率提高 42% ，代码质量提高 12% 。开发人员的工 作满 意度也显著提高。 价值创造场景之一： AI 编程赋能开发，释放开发价 值 资料来源：《采用 AI 编程助手，发展新质生产力》、中泰证券研究所 编程助手，发展新质生产力》、中泰证券研究所 17 资料来源：《采用 AI 编程助手，发展新质生产力》、中泰证券研究 所 控制组平均用时（分钟） Copilot 组平均用时（分钟） 生产力提 升 60% 50% 40% 30% 20% 10% 0% Beginner Intermediate Advanced

· 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 使是没有深厚编程背景的能源专业人士也能轻松应用。 2. 解耦合开发与应用场景 · 灵活性增强： 大模型的架构允许开发者不必深入了解每个具体业务场景的复杂性，即可快速构建 适用的应用程序。 3. 碎片化应用的成本效益革命 AGI 将带来颠覆 结论和展望 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: 能的控制。专家们对这些风险的现有证据有不同的解读：一些人认为这些风险还需 要几十年的时间，而另一些人则认为通用人工智能可能在未来几年内导致社会规模 的危害。通用人工智能能力的最新进展——特别是在科学推理和编程测试方面—— 为人工智能支持的黑客攻击和生物攻击等潜在风险提 供了新的 证据，导致一家主要 的人工智能公司将其对生物风险的评估从最佳模型的“低”提高到“中”。 As general-purpose

PC及其配套软件，标志着智能软件研发行业进入了一个全新的大众市场时代，推动了软件技术的普及与应用。 高速发展期 2001-01-01~2021-01-01 2001年，来自极限编程、Scrum、DSDM、自适应软件开发、水晶方法、特征驱动开发、实效编程等领域的17位软件开发领域的教授 和推动者共同签署了《敏捷软件开发宣言》。 2005年，中国上网用户总数达1.11亿，其中宽带上网用户激增至6430万，这一数据标 领先企业通过AI赋能推动智能软件研发效率和应用体验，将进一步巩固其在市场上的领先地位并提高市场集中度。 在第一梯队中，科大讯飞通过讯飞星火iFlyCode赋能软件研发流程，涵盖设计、编码及测试等环节。借助iFlyCode，编程初学者学习时间得以缩 减60%，开发人员的代码优化效率提升5倍，而测试人员的代码用例采纳率亦增长了44%。此外，金山办公已成功构建WPSAI基础设施平台，积 极融入主流大型语言模型，通过统一认证

4.1 开发工具与技术栈..............................................................................72 4.1.1 编程语言选择.............................................................................74 4.1.2 框架与库....  版本控制：支持 API 的版本管理，使得平台能够在不影响已有 客户的情况下，无缝推送新功能和改进。用户可选择使用最新 版本或保留旧版本，确保服务的持续稳定性。  SDK 和示例代码：为多种编程语言（如 Python、Java、JavaScript 等）提供客户端 SDK，简化用户 的集成过程。同时，平台提供多个示例项目帮助用户更快理解 API 的使用场景和最佳实践。  错误处理 进行容器化和编排管理，是部署和扩展微服务架构的 一种成熟解决方案。这样可以有效隔离各个服务，降低应用间的影 响，并提升系统的可维护性和可伸缩性。 总结以上内容，以下是本平台的主要技术栈概述： 层级 技术栈 编程语言 Python 深度学习框 架 TensorFlow, PyTorch 数据处理 Apache Spark, Pandas 云计算平台 AWS, Google Cloud, Microsoft

坚实基础——创建基于规则的具有可变化能力的虚拟劳动力。按目前的发展 情况来看，他们需要在智能自动化的基础上进行构建——虚拟劳动力可以学 习并适应业务需求。这意味着用更新的人工智能技术来改善机器人流程自动 化，并从预先编程发展为智能决策。 就保险行业而言，以上转变带来的最明显效益将体现在客户服务上。智能的 端到端解决方案可以将前端和后台连接起来。例如，它会让客服访问相关的 客户数据，或者为索赔处理人员提供建议。这一解决方案将为客户创造无摩

Token限流插件 Token配额插件 AI 代 理 插 件 协议转换 多API Key管理 Fallback LLM访问日志 Token消费观测 可用性告警 可观测 插件开发工具 插件编程AI助手 插件代码WebIDE AI统计插件 支持MCP MCP Servers Proxy MCP Server Converter MCP Client身份认证 MCP Server动态发现

应用（PWA）技术，能够提升用户在 不同设备上的使用体验。 最后，系统的可移植性也应被纳入考虑。通过采用跨平台技术 和标准化接口，确保系统能够在不同操作系统和环境中无缝迁移。 例如，采用 Java 或 Python 等跨平台编程语言，能够减少系统在不 同环境中的适配成本。此外，系统应支持多种数据库和中间件，确 保在面临技术栈变更时，能够快速进行迁移和适配。 综上所述，非功能需求的定义不仅关注系统的性能、安全和可 扩 开发团队在有限的资源下，最大化地实现产品价值。同时，这种分 类方法也为后续的迭代开发和功能扩展提供了明确的方向。 3. 技术选型 在技术选型部分，我们需要综合考虑系统性能、开发效率、可 维护性以及未来的扩展性。首先，选择编程语言时，Python 由于 其丰富的生态系统和高效的科学计算库（如 NumPy、Pandas、Scikit-learn）成为首选。对于需要高性能计算 的部分，可以考虑使用 C++或 Rust 进行优化。在框架选择 直接影响到开发效率、系统性能和未来的可维护性。首先，考虑到 智能体的核心功能涉及数据处理、机器学习模型训练与推理，以及 与其他系统的集成，Python 因其丰富的生态系统和社区支持成为 首选编程语言。在机器学习框架方面，PyTorch 和 TensorFlow 是 两个主要选项。PyTorch 以其动态计算图和易用性著称，适合快速 原型开发和深度学习研究；而 TensorFlow 则在生产环境中表现更

https://paperswithcode.com/sota/multi-task- language-understanding-on-mmlu 大模型在知识问答、数学、 编程等能力上达到新的高度， 多种任务上 的表现超过人类水平。 大模型能力不断增长 Source: https://lifearchitect.ai/timeline/ 大模型发展迅速，参数量从百亿到万亿规模

面，需要根据不同的业务场景和需求，灵活选择上述三种路线之一或结合使用： 直接使用大模型服务适用于不涉及数据安全的场景，可通过引入开源大模型或租赁 商业化的大模型服务，在非敏感场景下进行低成本的场景探索和应用。如营销文案生成、 编程辅助等。 工程化适配这种路线涉及对大模型进行本地化部署和训练，结合自主研发，优化算法 以适应特定的业务需求。当前，保险的销售、理赔、服务等核心场景都适用此路线，如销售 辅助、复杂风险评估、智能客服等。 行回答；在处理客户需求、数据分析和报告撰写等方面工作效率提高40%。 （2）代码开发助手“常青藤” 自动编程可辅助研发人员自动生成代码，提高研发效率和质量，目标成为研发人员必 备的编程工具，产品能力覆盖大部分研发场景，并逐步将产品打造为在部分关键场景能完 全自主的AI软件工程师。研发的辅助编程“常青藤”工具已覆盖全部研发岗位，涵盖通用编 码、注释、测试多场景，具体包括生成代码片段、解释历史代码、生成注释、生成单元测试、 布道”的作用；其次，基于对业务流程和需求的深入分析，优先在业务价值较高、受众人群 较广的领域部署大模型应用；然后，构建了统一的大模型应用管理平台，该平台旨在整合 ��� 模型增强科技团队的日常编程能力。经过半年多的实践与测试，这一举措使得华农研发团 队的整体工作效率提升了近20%，同时，人均有效代码产量也实现了显著增长。此外，自 2024年下半年起，华农保险进一步拓展了大模型的应用边界，探索其在测试用例编写、研

子任务，例 如总结信息等等。用户最终会整合挑选 AI 提供的信息，并自主完成任务。Copilot 模式 则更加智能化，AI 可根据用户设定的流程去执行任务。例如让 AI 根据写一段稿件或者 根据需求编程，但其对 Prompt 的要求也更高。在 AI 完成流程后，用户需要对内容结果 进行调整并自主结束工作。Agent 智能体模式的 AI 参与度更高，但也不是完全由 AI 代 理。用户需要给 AI 设