潮信息、中科曙光、神州数码、软通动力、中国长城、科大讯飞、中控技术、海 康威视、大华股份、商汤-W、赛意信息、宝信软件、万兴科技、虹软科技、新致 软件、新国都  风险提示：1.大模型发展不及预期；2. AI 智能体发展不及预期；3.智能体下游需 求不足。 23289 行业研究〃信息服务行业 种常见疾病，2800 种药物以及 6000 种医学检验，其满 足了用户的一些医疗建议需求。 图38 部分星火 AI 智能体展示 资料来源：星火智能体，海通证券研究所 风险提示：大模型发展不及预期，智能体下游需求不足。 4.6 SkyAgents：自研模型降低成本 天工 SkyAgents 是基于昆仑万维天工大模型平台打造的，其具有从感知到决策，从 决策到执行的自主学习和独立思考能 算力快速增长的背景下，AI Agent 的发展前景更加可期。多模态智能体的出现，将进一 步推动各行业智能化应用的升级，智能体的商业化将迎来新的突破。 6. 风险提示 1.大模型发展不及预期；2. AI 智能体发展不及预期；3.智能体下游需求不足。 行业研究〃信息服务行业

化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。  数据清洗与预处理：通过去重、缺失值填充、异常值处理等操 - 知识库的长期维护与更新。 1.4 项目团队及职责分工 本项目的团队由项目经理、数据工程师、算法工程师、AI 模型 训练师、质量保证专家和产品经理组成，确保项目在各个环节都能 高效推进并达到预期目标。项目经理负责整体项目的规划、进度管 理和资源协调，确保项目按时交付并符合预算要求。数据工程师负 责数据的采集、清洗和预处理，确保数据的完整性和质量，同时开 发和维护数据管道，以便为后续的模型训练提供可靠的数据支持。 PNG 格式，并调整分辨率和尺寸 以符合统一标准。音频文件应统一为 MP3 或 WAV 格式，并设置统 一的采样率和比特率。 数据格式标准化完成后，应对处理结果进行验证，确保所有数 据均符合预期格式。可以通过编写自动化脚本或使用数据质量工具 进行检查，识别并修复可能存在的格式异常。最终，标准化后的数 据将为后续的 AI 模型训练提供高质量的基础数据支持。 2.2.3 缺失值处理 在

项目的主要目标包括提高客户服务质量、优化风险管理、增强 反欺诈能力以及提升整体运营效率。为了实现这些目标，我们将采 取以下步骤：  首先，进行需求分析和系统现状评估，明确模型的部署目标和 预期效果。  其次，设计和实施数据集成方案，确保模型的训练数据既全面 又具备高质量。  接着，开发并部署 Deepseek 模型，包括模型训练、验证和 优化过程。  最后，进行系统集成和性能测试，确保模型在实际运行中的稳 括以下几个方面： 首先，通过 Deepseek 大模型实现对银行海量数据的智能分析 与挖掘，提升数据处理效率，降低人工干预成本。模型将能够自动 识别客户行为模式、预测市场趋势，并为银行提供精准的决策支 持。预期在数据处理的响应时间上，能够在现有系统基础上提升 30%以上的效率。 其次，优化客户服务体验，利用 Deepseek 大模型的自然语言 处理能力，实现智能客服的全面升级。通过部署智能对话系统，模 15%以上。 第三，增强风险管理能力，通过 Deepseek 大模型对交易数据 进行实时监控，识别潜在风险并生成预警报告。模型将能够分析复 杂的金融交易模式，识别异常行为，并及时提醒相关人员采取措 施。预期在风险事件的平均识别时间上，能够缩短至 1 分钟以内。 第四，确保系统的高可用性与安全性。在部署过程中，将采用 分布式架构和容错机制，保证模型在高峰期的稳定运行。同时，结 合银行现有的安全策略，设计多层次的数据加密与访问控制机制，

实时评估，并生成详细的考评报告。  支持历史数据的对比分析，用户可通过图表或表格形式对比不 同训练阶段的考评结果，以便直观了解模型的优化进展。  具备异常检测能力，当模型的考评结果偏离预期范围时，系统 能够及时发出预警并生成诊断报告。 此外，为提高考评的客观性和可重复性，系统应引入标准化考 评流程。例如，在每次考评任务开始前，系统应自动执行数据预处 理、环境配置等准备工作，确保考评条件的一致性。同时，系统应 处理时间、数据加载速度以及数据分布的变化。例如，检查训练数 据是否按预期分布加载，是否存在数据倾斜或数据重复加载的情 况。这些因素会直接影响模型的训练效果和速度。 此外，学习率监控是优化训练过程的重要手段。通过动态调整 学习率（如使用学习率调度器），可以在训练初期快速收敛，后期 则细致微调。监控学习率的变化曲线，确保其符合预期调整策略， 避免因学习率过高或过低导致的训练不稳定。 对于大规 通过上述监控措施，可以全面掌握模型训练过程中的各项关键 指标，及时发现并解决问题，确保训练任务的顺利进行和模型性能 的优化。 5.4 模型优化与调参 模型优化与调参是确保人工智能系统性能达到预期目标的关键 步骤。首先，通过交叉验证对模型进行初步评估，确定其在不同数 据集上的表现是否稳定。交叉验证通常采用 K 折交叉验证，K 值一 般设定为 5 或 10，以确保模型在多样化的数据子集上都能表现良

为了直观展示算法选择与设计的流程，以下是一个简单的流程 图： 在性能评估阶段，需采用多维度指标全面评估算法表现，例如 准确率、召回率、F1 分数或平均精度（mAP）。根据评估结果， 进行迭代优化，直至达到预期性能目标。整个算法选择与设计过程 需要紧密结合实际应用场景，确保最终的智能体既能高效完成任 务，又具备良好的可扩展性和适应性。 9.2 算法实现 在算法实现阶段，首先需要明确智能体的核心任务和环境交互 并行计算：为提高训练效率，可以使用多线程或分布式计算技 术并行处理数据。  模型评估：通过测试集或仿真环境评估模型性能，确保模型具 有良好的泛化能力。  持续迭代：根据评估结果，不断优化模型结构和训练策略，直 至达到预期效果。 通过以上步骤，可以高效地实现智能体算法，并在实际场景中 验证其可行性和有效性。 9.3 算法优化 在智能体算法开发中，算法优化是确保系统高效运行和性能提 升的关键环节。首先，针对算法的时间复杂度和空间复杂度进行详 线前应进行灰度发 布，逐步扩大用户范围，最大限度地降低潜在风险。 10.1 模块集成测试 在模块集成测试阶段，核心目标是验证各个独立开发的功能模 块在集成后能否协同工作，并确保其整体性能达到预期。首先，需 要明确集成测试的范围和优先级，通常基于模块间的依赖关系和业 务流程的关键路径来确定。测试团队应根据设计文档和接口规范， 制定详细的测试用例，涵盖正常流程、异常处理以及边界条件。在

模型训练造成严重影响。因此，对异常数据的处理必须引起足够的 重视。在实际应用中，异常数据处理可以分为几个关键步骤，包括 异常检测、异常数据标记、数据修复和数据去除等。 首先，异常检测是识别出数据集中不符合预期的异常点。可以 采用多种方法进行异常检测，如基于统计的方法（如 Z- score、IQR）和基于机器学习的方法（如孤立森林和支持向量机 等）。这些方法可以帮助我们自动化地识别出不合常规的样本。例 据处理为目标格式，并将其保存为新的文件。 o 在转换过程中，检查并纠正数据中的异常值和错误，确 保最终输出的数据质量。 4. 验证转换结果：进行转换后，必要对输出文件进行验证，确保 数据无误且符合预期格式。可以截至比对原始数据和转换后的 数据，如采样检查项： o 行数是否一致 o 主要字段数据类型是否正确 o 数据内容是否符合业务逻辑 5. 保存和文档化：将转换结果保存至相应的目录，并为数据格式 。  在出现几何复杂且难以捕捉的细节区域时，可以通过局部放大 与细节拓展，倍增加工与处理，以确保细节的完整性和准确 性。  最后，在模型完成后，进行全面检查，确保各个环节和细节都 达到预期的效果。 以下是模型细节调整的工作流程示意图： 综上所述，通过对三维模型的细节调整，我们可以有效提升模 型的真实性和可用性，为后续的应用提供坚实的基础。这些精细化 的步骤不仅有助于确保模型的质量，也是实现模型最终目的的重要

解决方案感兴趣的用户。可根据广告的点击率及转化率 进行优化调整，以获取最佳效果。 为了更加系统化地推进以上策略，建议制定一个月度网络推广 计划。该计划可包含以下几个要素： 月 份 目标 活动 预期成果 第 1 月 提高品牌知名度 开展社交媒体营销，发布 3 篇技术博客，投 放 Ads 广告 品牌曝光 量提升 30% 第 2 月 增加网站流量 优化 SEO，定期发布 SEO 以 确保项目按照预定计划顺利进行。以下是项目的各阶段里程碑，包 括时间节点、预期成果及责任人。 阶段一：需求分析与规划 里程碑 1.1：项目启动会议 时间：第 1 周 预期成果：明确项目目标，确认参与团队成员及其职责。 责任人：项目经理 里程碑 1.2：需求收集完成 时间：第 3 周 预期成果：完成用户需求调研报告，并获得相关利益相关者的确 认。 责任人：产品经理 1：系统架构设计完成 时间：第 6 周 预期成果：完成系统架构设计文档，包含技术选型、平台架构图及 接口设计。 责任人：技术负责人 里程碑 2.2：原型设计评审 时间：第 8 周 预期成果：完成初步原型设计，并通过利益相关者评审，修正需 求。 责任人：UI/UX 设计师 阶段三：开发阶段 里程碑 3.1：核心模块开发完成 时间：第 12 周 预期成果：实现主要功能模块，如用户管理、数据处理及

部署与运维 Docker, Kubernetes, Prometheus 容器化、编排、监控与日志分析 通过以上技术选型，能够确保商务 AI 智能体在性能、可扩展 性、稳定性及安全性等方面达到预期目标，同时为后续功能扩展和 技术优化奠定坚实基础。 4.2 系统架构 系统架构设计是商务 AI 智能体应用服务方案的核心部分，旨 在确保系统的高效性、可扩展性和稳定性。系统采用分层架构，主 出最优决策方案。例如，在供应链管理中，模块可以预测需求波 动，建议最优库存水平，从而减少库存成本和缺货风险。  实时监控与预警：模块能够实时监控关键业务指标（KPI）， 并通过可视化仪表盘展示。当指标偏离预期范围时，系统自动 触发预警，提醒决策者及时干预。  情景模拟与决策优化：模块支持用户输入不同假设条件，进行 情景模拟分析。例如，在市场营销领域，用户可以通过模拟不 同预算分配方案，评估其对销售目标的影响。 智能体服务的高效稳定运行。 10. 实施与部署策略 在实施与部署商务 AI 智能体应用服务方案时，须遵循系统 性、渐进性和可操作性的原则。首先，应明确项目的目标与范围， 确保所有利益相关者对预期成果达成一致。接下来，制定详细的项 目计划，包括时间表、资源分配、风险评估及应对措施。项目计划 应涵盖从需求分析、系统设计、开发、测试到最终上线的所有关键 阶段。 为确保方案的顺利实施，建议采用敏捷开发方法。该方法允许

市场风险进行量化评估。例如，系统可以计算资产组合在不同市场 情境下的价值变化，并估算其潜在损失。以下是典型的风险评估指 标示例：  在险价值（VaR）：衡量在特定置信水平下，资产组合在未来 一段时间内的最大可能损失。  预期损失（ES）：在 VaR 基础上，进一步评估损失超过 VaR 部分的平均值。  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 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，展示了某资产组合在不同市场情景下的风险指标计算： 情景 VaR（95%置信水 平） 预期损失 （ES） 波动率 基准情景 500 万美元 600 万美元 12% 经济衰退情景 800 万美元 950 万美元 18% 市场崩盘情景 1200 万美元 1400 万美元 25% 最后，DeepSeek 投资组合管理：DeepSeek 提供智能化的投资组合管理工具， 支持自动调仓和再平衡功能。通过对投资组合的持续跟踪和优 化，确保投资组合始终处于最优状态。 以下是一个资产配置优化的示例： 资产类别 配置比例 预期收益率 风险等级 股票 60% 8% 高 债券 30% 4% 中 现金 10% 2% 低 此外，DeepSeek 还支持通过可视化界面展示投资组合的表现 和风险状况，帮助投资者直观地了解其投资情况。通过动态图表和

其开箱 即 用、软硬件一体化设计等优势， 正在成为很多中小银行智能化转型的重要选择。 n 建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。 n 风险提示 ： AI 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 23 各银行 DeepSeek 落地进展情 况 金融机构 n AI 技术落地不及预期的风险。从研发到实际应用的转化过程里， AI 技术遭遇了诸多阻碍。算法的复杂性、数据质量的 参差不齐， 以及应用场景的适配难题， 可能阻碍 AI 技术迅速、有效地融入各个行业。 n 行业竞争加剧的风险。越来越多的企业投身