的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 基于大语言模型技术的智慧应急应用： 知识管理与应急大脑 龚 晶 1 黄 欢 2，* （1. 暨南大学 公共管理学院/应急管理学院，广州 510632；2. 暨南大学 党委政治保卫部/人民武装部，广州 510632）

从 DeepSeek 探讨大语言模型 在建筑及能源行业的应用趋势和技术方法 汇报人：赵阳 浙江大学能源学院制冷与低温研究所 2025.2.14 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 结论和展望 …… 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 15/80 口能源领域智能化目前大多停留在 环节是整个项目的天花板 2025 年 2 月，麻省理工学院何凯明指出： Al 正在悄然重塑全球科研生态：“过去，不同学科间的交流 像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高

打造自适应 AI 运维智慧体： 大语言模型在软件日志运维的实践 刘逸伦 华为 2012 实验室 本科毕业于南开大学 ，硕士毕业于美国佐治亚理工学院。研究方向包括 AI 智能运维 ，大模型质量评估以及大模型提示策略 ，在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解读日志中的自然语言、语义信息来发现问题、分析根因。 分析根因。 (3) 自动日志分析是机器语言的自动翻译过程： 日志文本种类繁多、数量庞大，且多数日志为非结构化文本，无法通过人工方式监控和检测 全部的日志。更重要的是，分析设备日志需要丰富的领域知识，耗时耗力；简单的规则配置也无法理解文本的语义信息。 化⽂本 类 自 然 语 ⾔ 半 结 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施

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..... ..............169 1. 引言 在过去几年中，人工智能（AI）技术的飞速发展及其在各行各 业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 服务（SaaS）平台的兴起，为企业提供了灵活、可扩展的解决方 建设这样一 个平台提供可操作的指导。 1.1 背景 近年来，人工智能技术的迅猛发展为各行各业的数字化转型注 入了强大的动力。在这一背景下，大模型（如 GPT、BERT 等）因 其强大的自然语言处理和生成能力，逐渐成为了技术创新的核心。 大模型通过对大量数据进行训练，能够实现文本理解、情感分析、 自动创作等多种应用，为企业提供了新的商业机会和解决方案。 随着云计算的普及，企业对软件即服务（SaaS）模式的需求不

件常常融合了人工智能 （AI）、机器学习、大数据分析、云计算、物联网（IoT）等前沿技术，为用户提供更加智能化、自动化以及互联的功能。它们不仅能够加 速数据处理和决策过程，还支持预测性分析、自然语言处理、增强现实/虚拟现实体验，并且可以通过持续的学习和适应来改进性能。 信息安全软件是专为保护计算机系统、网络和数据免受未授权访问、攻击及泄露而设计的程序工具。它通过提供防火墙、加密技术、入侵 够更快地收集用户反馈、分析用户需求，并根据反馈结果进行产品调整和优化。这种以用户为中心的开发理念有助于提升用户体验和满意 度，增强产品的市场竞争力。 多样化与跨领域应用 智能软件广泛应用于自然语言处理、计算机视觉、语音识别、自动驾驶及金融分析等多个领域，展现了其高度的多样化特性，精准对接各 行业需求。在跨领域融合方面，智能软件研发行业正积极与物联网、云计算等前沿技术深度融合，不断拓宽其应用场景与潜力边界。 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

.........................................................................................22 3.1 开发语言选择......................................................................................24 3.2 框架与库选择 智能体开发通用方案旨在构建一套高效、灵活且可 扩展的智能化解决方案，以满足企业在复杂业务场景中对智能决 策、自动化处理和数据分析的需求。该方案基于先进的人工智能技 术，结合深度学习、强化学习以及自然语言处理等核心技术，能够 实现对多样化数据的实时处理与智能化分析，从而提升企业的运营 效率与决策质量。 项目的核心目标是通过模块化设计和可配置策略，为企业提供 定制化的智能体开发服务。智能体将具备自主学习能力，能够根据 企业 提供一套标准化、模块化的智能体开发框架，帮助开发者快速构建 高效、可靠且可扩展的智能体系统。 当前市场上，智能体开发的主要痛点包括： - 技术栈复杂：智 能体开发涉及机器学习、自然语言处理、物联网等多个技术领域， 开发者需要具备跨学科知识。 - 可扩展性差：现有解决方案往往针 对特定场景设计，难以适应不同业务需求的变化。 - 维护成本高： 智能体系统在部署后需要持续优化和更新，缺乏统一的开发框架会

网络以及 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI 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 large-language-models 大语言模型易产生幻觉 ，在数学推理方面表现在推理能力严重不足， 体现在简单数值比较错误、 多步推理能力弱、推理不一致等 早期大模型在推理能力上存在明显短板 9.11>9.9? 简单数值比较错误 多步推理错 误 事实性幻觉问题 大语言模型易产生幻觉 ，在数学推理方面表现在推理能力严重不足，

是在产品开发、风险管理和客户体验方面。 保险公司正在大力投资人工智能技术，他们预计在未来三年对以下领域进行 投资：深度学习（78%）、嵌入式智能解决方案（81%）、机器学习（81%）、 视频分析（71%）、自然语言处理（78%）。 图 1：保险公司 AI 投资方向 4 资料来源：埃森哲 保险科技初创企业也意识到了这些技术的重要性，许多公司都将人工智能作 为战略核心， 据分析能力，通过事务 型数据，来改进算法，并以新的方式组合数据以发现趋势。 人力资源：通过科技提高工作效率，人机协作成未来发展趋势 许多保险公司已经在深度学习、视频分析和自然语言处理等技术上投入巨资。 尽管智能技术的发展十分迅速，但除非保险公司能够使现有劳动力适应人工 智能带来的改变，否则它们将无法充分挖掘人工智能的潜力，这其中包括培 养正确的企业文化和技能基础。 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

大模型训练数据通常来自网络获取数据、外部付费/开源数据集、企业自有数据以及AI 合成数据。大模型训练和微调所需数据量快速增长，真实世界数据将在数年内被用尽。研 究机构Epoch估计，机器学习可能会在2026年前耗尽所有“高质量语言数据”。据Gartner 预测，2024年用于训练AI的数据中有60%将是合成数据。以Meta今年7月发布的 LLaMA3.1模型为例，监督微调环节的数据里有相当比例是合成数据，使用合成数据确实 低，尚不足总量的十分之一， 这凸显了中文自然语言处理领域对高质量数据资源的迫切需求。为应对此挑战，国内已相 继开源了多个中文预训练数据集，诸如CCI 2.0、SkyPile-150B、IndustryCorpus、Tele-AI 以及MAP-CC等，这些数据集广泛覆盖了网页、书籍、官方媒体等多种信息源，经过不同程 度的清洗与去重处理，为中文语言模型的训练提供了数据基础。今年6月，智源研究院推出 MoE）架构是一种新颖的深度学习模型架构，它通 过将多个“专家”子模型集成在一起来处理更大规模的数据和更复杂的任务。每个专家子 模型都是一个小型的神经网络，擅长处理任务的某一方面。过去一年中，MoE架构在大规 模语言模型和其他复杂任务中得到了广泛应用，显示出其在处理大规模数据和复杂问题 上的巨大潜力。 MoE模型的具体工作原理可用中国的一句古语“术业有专攻”来概括，通过把任务分 门别类，然后分给多个特定的

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 结果。 图1 人类与 AI 的交互模式 资料来源：腾讯研究院，海通证券研究所 以 LLM 为核心，四模块铸造 AI Agent。从 OpenAI 的定义来看，智能体以大语言模 型为核心，其拥有长期和短期记忆、自主规划能力、能自动化执行复杂任务、能够使用 工具等四个特点。1）记忆模块：智能体像人类一样，能留存学到的知识以及交互习惯 等，这样的机制能让智能体在处理重复工 资料来源：CrewAI，CSDN，海通证券研究所 1.3 Prompt 提示词的艺术 Prompt 是一种基于自然语言处理的交互方式，它通过机器对自然语言的解析，实现 用户与机器之间的沟通。可以理解为是一段给定的文本或语句，用于启动和引导机器学 习模型生成类型、主题或格式的输出。在自然语言处理领域中，Prompt 通常由一个问 题或任务描述组成，例如“帮我写一篇有关人工智能的文章”，“帮我编写一段可以整理