Nacos3.0架构 安全零信任&AI Registry Nacos PMC 2025/07/10 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 柳 遵 飞 （ 翼 严 ） CONTENT 目录 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 01 Nacos3.0 安全零信任 Nacos内核&应用安全零信任实践 02 Nacos Router 03 Nacos 3.0 未来规划演进 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2.0时代：一个更易于构建云原生应用的动态服务发现、配置管理和服务管理平台 https://nacos.io/ Nacos社区 2.0发展回顾 • Github仓库突破3w 构建AI应用部署形态改变 • 原生配置&服务的模型如何支持 AI应用构建，相比微服务时代提 供更易用的产品化功能 • 默认命名空间不统一：服务&配 置标识不一致 • 配置及服务的动态订阅 • 分布式锁功能支持 • 内核和控制台同端口 • 鉴权开关绑定 • 应用侧数据源动态无损轮转 Nacos-Controller : k8s 配置及服务同步 价值 • 可视化管理界面

训练算法选择......................................................................................64 5.2 训练参数配置......................................................................................65 5.3 训练过程监控 .......................................................................................95 8.1 硬件资源配置......................................................................................98 8.2 软件优化策略 部署环境准备....................................................................................106 9.2 系统安装与配置................................................................................109 9.3 系统测试与验收...

析，帮劣用户判断搜索结果导向。 生成报告：对搜索癿分析结果进行报告生 成，可以保存或进行订阅、推送。 简报观察角度自定义，分析结果实时呈现 自由选择观察角度： 配置观察对象、配置观察领 域、选择观察时间段 内容结果分析：提供多种简报模板，用户可根据 配置癿观察角度自由分析，生成相应癿简报。分 析结果采用图表列表癿展示斱式。 添加对比：分析结果可添加对比，添加其他癿观 察角度即可 订阅推送：对搜索癿分析结果进行订阅推送，通 资讯简报 用智慧发现信息价值 Discover information . 用户可以自己定义观察视角，自 定义关注对象、关注领域。 . 同一事物，丌同癿人有丌同癿观 察视角，每个用户可以独立配置 自己癿使用习惯。 . 定义癿关注领域，可以是多层级 癿，用户可以定义具有父子关系 癿多层级领域树。 自定义观察领域树 自定义观察对象 自定义观察对象、观察维度 观察对象 4 观察对象 新产品 用智慧发现信息价值 Discover information 自由定义观察角度 关注对象配置：用户可以自由配置自己所关注 癿对象。 关注领域配置：用户可以自由配置自己所关注 癿领域。 自定义观察对象、观察维度 分类展示用户所关注的重要资讯 内容结果分析： 用户可根据选择配置癿 观 察角度自由筛选结果，展示相应类别癿重 要资讯展示。 自定义分类：内容癿筛选分类可从类别库

提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需 求和业务变化。 Kafka 和 Flink ），实现大 模型对实时数据的快速处理和分析，满足银行业务对实时 性的高要求。 GPU 集群优化 算力动态调度 混合云架构 成本控制与优化 针对大模型的高计算需求，配置 高性能 GPU 集群，并通过优化算 法和并行计算技术，最大化利用 硬件资源，提升模型训练和推理 效率。 通过智能调度算法，根据任务优 先级和资源使用情况，动态分配 算力资源，确保关键任务的高效 务部署在私有云中，确保数据安 全性和可控性，同时利用公有云 的弹性资源应对突发的高计算需 求。 结合资源使用监控和成本分析工 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件 和云服务成本，提升整体经济效 益。 高性能算力资源配置与弹性扩展方案 05 数据治理与知识图谱构建 多源异构数据清洗与标准化处理 数据源整合：银行系统中存在大量多源异构数据，包括结 构化数据（

.......................................................................................88 6.1.2 资源配置.....................................................................................90 6.2 硬件与软件选型 硬件与软件选型..................................................................................92 6.2.1 服务器配置.................................................................................95 6.2.2 AI 软件工具.... 覆盖范围：确保采集设备能覆盖所有危险区域和人流密集的场 所，自然形成监控网络。  角度调节：设备应具备云台功能，支持远程或自动调整视角， 以优化监控视野。  设备数量：依据覆盖区域的大小和监控需求合理配置采集设备 数量。 此外，视频数据采集还需支持实时数据传输和存储，并能满足 大数据量下的高并发需求。具体要求如下：  实时传输：确保视频数据以低延迟的方式传输至服务器，为实 时监控和分析提供支持。

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 业务需求动态调整其行为模式，并支持多任务并行处理。此外，方 案特别注重系统的可扩展性和兼容性，确保智能体能够无缝集成到 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。 为提升协作效率，团队配置了专业的开发环境，包括高性能计算集 群、数据存储系统及测试平台。每个成员都配备了符合开发要求的 工作站，确保开发过程的顺利进行。 2. 需求分析 在进行 DeepSeek 智能体开发之前，首先需要明确项目的核心 的形式呈现给用户或外部系统。为提高交互性，可以使用前端框架 （如 React）构建动态展示界面，或通过消息队列（如 Kafka）实 现与其他系统的异步通信。同时，输出模块需支持数据过滤、聚合 和定制化配置，以满足不同用户的需求。 为优化数据流性能，系统需引入监控和优化机制：  监控：通过日志记录和实时监控工具（如 Prometheus）跟踪 数据流各环节的状态，及时发现并解决瓶颈问题。 

.....................................................................................67 3.3.1 硬件资源配置.............................................................................70 3.3.2 超参数调优....... 的方法， 如 Baggging 和 Boosting，通过组合多个模型来提高预测的准确 率和稳定性。此外，模型的调参也是一个不可或缺的环节，通过调 整网络层数、神经元数量等参数，找到最优的模型配置。 最后，模型的部署和监控是确保模型在实际应用中有效运行的 重要步骤。部署时需要考虑模型的压缩和加速，以适应不同的应用 场景。监控则是在模型投入使用后，持续跟踪其性能，及时发现并 解决问题，确保模型的长期稳定运行。 3.1 硬件资源配置 在模型训练阶段，硬件资源配置是确保训练效率和模型性能的 关键因素。根据模型规模、数据量以及训练时间的要求，需合理配 置计算资源、存储资源以及网络资源。以下是对硬件资源配置的具 体规划。 首先，计算资源方面，建议采用高性能 GPU 集群作为主要计 算单元。对于大规模 AI 模型的训练，GPU 在处理矩阵运算和并行 计算方面具有显著优势。具体配置建议如下： - GPU

数据准备与预处理..............................................................................85 9.3 模型部署与配置..................................................................................87 9.4 系统集成与测试.. 风险管理建议。  自动化报表生成：自动生成各类造价报表，减少人工操作，提 高报表的一致性和准确性。 此外，DeepSeek-R1 大模型还具备良好的可扩展性和适应性， 能够根据不同项目的需求进行定制化配置。例如，在处理大型基础 设施项目时，可以增加对地质条件、环境保护等复杂因素的考量； 而在住宅建设项目中，则侧重于材料成本和施工周期的优化。 综上所述，DeepSeek-R1 大模型在工程造价领域的应用，不 操作流程，使得非技术人员也能轻松使用。 在实施 DeepSeek-R1 大模型时，企业需要确保数据的质量和 完整性，这是模型能够发挥最大效用的基础。同时，模型的持续维 护和更新也是确保长期稳定运行的关键。通过合理的资源配置和专 业的操作培训，DeepSeek-R1 大模型将成为工程造价管理中的一 项强大工具，助力企业在激烈的市场竞争中取得优势。 1.3 工程造价行业现状 当前，工程造价行业正面临着前所未有的挑战与机遇。随着全

络（CNN）与迁 移学习相结合，实现了高精度的自动化处理。 为提升模型的鲁棒性与适应性，DeepSeek 还引入了增强学习 技术，通过模拟金融市场的动态变化，不断优化算法策略。例如， 在资产配置与风险管理中，DeepSeek 能够通过增强学习模型，自 动调整投资组合，以应对市场波动。以下是一些关键技术的具体应 用场景：  大数据处理：用于客户行为分析、交易记录监控与异常检测。  警潜在的欺诈风险，确保资金安全。 在投资管理领域，DeepSeek 可以通过机器学习算法分析市场 趋势，为投资者提供个性化的投资建议。例如，根据客户的风险偏 好和投资目标，系统可以推荐合适的投资组合，优化资产配置，提 高投资回报率。 此外，DeepSeek 还可以应用于内部运营管理，优化业务流 程。例如，通过自动化文档处理和数据分析，DeepSeek 可以加快 贷款审批速度，减少人工错误，提高工作效率。同时，DeepSeek 波动率：反映资产价格波动的程度，用于评估市场不确定性。 此外，DeepSeek 还支持建立动态风险管理策略。通过实时监 控市场信号和模型输出，系统能够自动生成风险预警，并建议金融 机构调整资产配置或采取对冲措施。例如，在预测到某一资产类别 可能出现大幅度下跌时，系统可以建议减少相关头寸或增加反向对 冲工具的使用。 为了更好地展示市场风险预测的效果，以下是一个简单的表格 示例，展示了某

硬件与软件环境..................................................................................74 5.2.1 服务器配置与选择......................................................................77 5.2.2 数据库与存储方案........ 设施老化： o 部分老旧设施影响安全与服务质量。  技术滞后： o 老旧系统难以满足现代化需求。 通过信息技术与 AI 技术的深度融合，未来城市轨道交通行业 有望实现智能化转型，从而优化资源配置、提升乘客体验，并促进 可持续发展。 1.2 AI 大模型的定义与应用背景 在当今快速发展的科技背景下，人工智能（AI）大模型的定义 与应用日益受到重视。AI 大模型通常指的是训练时使用海量数据的 源配 置。这些应用主要集中在以下几个方面： 首先，智能调度系统的应用是一个关键场景。利用 AI 大模型 分析实时数据，包括列车运行状态、乘客流量、天气变化等，可以 动态调整列车发车频率和线路配置，以应对不同的需求波动，减少 乘客的等待时间，提高整体运行效率。 其次，基于大数据和 AI 技术的预测性维护也是一项重要的应 用。通过对历史故障数据进行分析，AI 大模型能够预测设备可能出