AI Agent智能体产业图谱（1.0） Data Intelligence Conference 2025 DATA AI，数据燃动智能 金融行业智能体 水利行业智能体 能源行业智能体 政务行业智能体 通信行业智能体 行业智能体 医疗行业智能体 数据分析智能体 运维智能体 智慧办公智能体 场景智能体 客服智能体 营销智能体 具身智能体 财务审计智能体 时空智能体

发展图谱 2023 易观分析 2024 年 1 月 本产品保密并受到版权法保护 Confidential and Protected by Copyright Laws 中国制造业人工智能行业应用 制造业人工智能行业应用发展背景 2012-2022 年中国规模以上制造业增加值情况 35% 31. 5% 30.7% 30% 27.7% 25% 83.2 74 97.35% 16.14% 6 4 2 0 3.23% 3.72% 3.69% 3.61% 4.46 4.69 3.19 2019 2020 6% 制造业人工智能行业应用发展图谱及 行业应用案例 制造行业 AI 心竞争力与质量，实现可持续发展 制造行业是我国加快建设现代化产业体系的重要支撑，增强制造行业全价值链条数智化能力，全面提升智能制造整体水平与实力当务之急。 同时，制造行业在 Practice) 工业机理模型 数字孪生体 Digital Twin 天智工业大模型 Tianzhi Industrial Large Model 数字空间 Digital Spaco 知识图谱 通过建设面向工业的现代模型栈，在在开源基础大模型基础上自主 研发了天智工业大模型，协同 3900 多个机理模型与 200 多个专家 算 法库，提升了大模型在工业场景下的精度。目前已在工业设计 与研

个月的时间。 5.产业知识图谱构建： AI 可以自动从互联网、企业数据库等多个数据源中抓取相关的化工 数据。接下来通过机器学习，可以对收集到的数据进行清洗和修复。通过建立数据模型，算 法可以识别出数据中的错误、重复和异常值，并进行自动纠正，找出可能存在错误的记录， 甚至通过推理发现数据之间的逻辑关系，补充缺失的数据。比如潘锋教授团队构建了锂离子 电池正极材料知识图谱，并预测出潜在的正极材料 Li₂TiMn₃O₈。 ................................. 11 1.4 高通量机器人验证：大幅提升新产品的研发速度 .................. 14 1.5 产业知识图谱构建 ........................................... 16 2. 高通量机器人+AI 驱动的生产流程革命：成本与精度双突破 .............. 15： 材料知识图谱的架构 .......................................... 17 图表 16： 材料知识图谱在锂电池材料预测中的应用（以 LiFePO4的发展里程碑为例） ..................................................................... 18 图表 17： 材料知识图谱用于锂电池正极材料的发现

力，满足不同大模型和应用场景的算力需求；多模态 大模型部署模块要实现对 DeepSeek、通义千问、智 谱等通用大模型的统一部署和管理，支持各类智能应 用的调用；数据治理工具链要提供数据清洗、脱敏、 标注、知识图谱构建等功能，提升数据质量；可信管 控系统要实现对数据的身份认证、权限管理、安全审 计等功能，确保数据安全；智能应用开发平台要为各 部门提供便捷的开发工具和环境，支持快速构建各类 智能应用。 2.2.1 数据治理 平台需要提供全面的数据治理功能，包括数据清 洗、脱敏、标注、知识图谱构建等。数据清洗要能够 去除数据中的噪声、重复数据和错误数据，提高数据 的准确性；数据脱敏要对敏感数据进行处理，确保数 据在使用过程中不泄露隐私信息；数据标注要为机器 学习模型提供高质量的训练数据；知识图谱构建要将 分散的数据关联起来，形成结构化的知识体系，为智 能应用提供知识支撑。 通过这些功能，形成高质量的公共数据集，为大 定相应的采集策略，确保数据的及时性和完整性。 数据治理：利用数据清洗工具（如 Talend）、 脱敏算法（差分隐私）、知识图谱构建工具（如 Neo4j），对采集到的数据进行处理，形成高质量数 据集。数据清洗工具能够去除数据中的噪声和错误， 提高数据的准确性；脱敏算法能够对敏感数据进行处 理，保护个人隐私；知识图谱构建工具能够将分散的 数据关联起来，形成结构化的知识体系，为智能应用 提供知识支持。 数据存储：采用金仓数据库和极易数据湖，支持

机器学习中的隐私保护................................................................................. 144 关系图谱在贝壳找房风控体系的应用与实践.............................................162 新一代联邦学习技术及应用实战.................... 隐私保护， 最后做含差分隐私的融合。 今天的分享就到这里，谢谢大家。 DataFunTalk 成就百万数据科学家！ 162 关系图谱在贝壳找房风控体系的应用与实践 ​ 分享嘉宾：王学志 贝壳 资深工程师 文章整理：李光明 内容来源：贝壳找房知识图谱技术大会 出品平台：DataFun 温馨提示：疫情期间，勤洗手，戴口罩。 导读： DataFunTalk 成就百万数据科学家！ 163 的利益联盟和 信任联盟，以及为经纪人服务的尊严联盟，品质联盟和网络联盟。围绕贝 壳的 ACN 业务模式，从以下三方面介绍贝壳的风控体系：  贝壳风控的业务概况  关系图谱在贝壳风控的应用与实践  关系图谱的规划 ▌贝壳风控的业务概况 首先分别介绍贝壳的风控业务风险，风控特点以及对应的风控体系。 DataFunTalk 成就百万数据科学家！ 164 1. 贝壳的业务风险 

需实现医疗票据等非结构化数据的 85%+识别准确率。 在此背景下，行业亟需具备以下特性的解决方案：①开箱即用 的保险垂直领域 AI 能力；②与现有核心系统无缝对接的轻量化部 署方案；③持续自优化的业务知识图谱。这为 DeepSeek 智能体的 接入提供了明确的价值锚点—— 通过构建保险专属的 AI 数字员工 体系，在服务响应速度、风险识别精度、运营成本控制三个关键指 标上实现突破性改进。 1.2 与条款中的 突发急性病身故责任 自动关联，同时支持对语音、 文本、图像（如理赔单据）的多模态输入处理。在客户咨询场景测 试中，意图识别准确率达到 98.7%，显著高于行业平均的 89.3%。 动态知识图谱构建 基于保险行业的垂直领域训练，系统可自动构建动态更新的知识图 谱，涵盖产品条款、监管政策、医疗术语等核心要素。关键数据对 比如下： 指标 DeepSeek 方 案 传统规则引擎 条款关联覆盖率 个月预测保障缺口，推动转化率提升 15-20%。 技术架构上要求实现三个关键能力：一是支持日均 300 万次 API 调用的高并发处理，响应时间控制在 800 毫秒内；二是构建包 含 50 万保险专业术语的领域知识图谱，确保回答准确率达 95%以 上；三是建立持续学习机制，每月自动更新模型参数以适配监管政 策变化。最终交付物包括可私有化部署的智能体中台系统、标准化 API 接口文档以及配套的运营监控看板。

现状迫切需要通过智能化技术重构医疗服务流程，实现从被动治疗 到主动健康管理的转型。 人工智能技术为医疗系统优化提供了新的突破口。以自然语言 处理和多模态学习为核心的 DeepSeek 平台，具备医疗知识图谱构 建、临床决策支持和非结构化数据处理三大核心能力。某三甲医院 的试点数据显示，接入智能体后的门诊流程平均耗时从 120 分钟缩 短至 75 分钟，电子病历自动生成准确率达到 92%，显著降低了医 个 月） 实现路径 影像诊断周转时 间 4.2 小时/病例 ≤2.5 小时/病例 DeepSeek-Rad 影像特征自动提 取 处方审核效率 12 分钟/处方 5 ≤ 分钟/处方 药品知识图谱+禁忌症实时校验 住院床位周转率 78% ≥85% 智能出院预测模型+资源动态调度 算法 从医疗质量提升维度，项目将重点攻克两个技术瓶颈：一是利 用 DeepSeek-NLP 构建的病程进展预测模型，在肿瘤化疗领域实 分钟/份 结构化输入+AI 模板生成 资源调度优化 检查预约平均等待 3.2 天 ≤1.5 天 动态优先级算法+资源预测 模型 患者服务响应 在线咨询满意度 82% ≥95% 意图理解引擎+知识图谱构 建 该方案需重点突破三个技术瓶颈：第一，医疗实体关系的动态 建模，要求构建覆盖 500+疾病种类的本体库，支持 ICD-10 与 SNOMED CT 的双向映射；第二，多源异构数据的实时处理能力，

.....................................................................................67 5.1.1 展品知识图谱构建................................................................................................. 通过先进的多模态交互技术，为博物馆、景区、交通枢纽等公共场 所提供高自然度、低延迟的智能语音服务。该方案以 DeepSeek- V3 大语言模型为核心引擎，结合语音合成（TTS）、语音识别 （ASR）及知识图谱技术，构建端到端的智能化讲解系统。系统部 署采用混合云架构，支持每秒千级并发请求，平均响应时间控制在 800 毫秒以内，确保高峰时段的稳定性。 系统核心模块包括： 1. 多模态输入处理：支持语音、文本、 等）实时生成个性化讲解内容，支持 40+ 语言切换 3. 语音交互优 化：采用流式传输技术将语音延迟压缩至 1.2 秒内，声学模型 MOS 评分达 4.3 分 4. 知识库管理：构建分级更新的行业知识图谱，包含 超过 500 万实体关系对，支持每日增量更新 关键性能指标如下： 指标 参数 测试条件 并发处理能力 1200 QPS 4 核 16G 云服务器集群 端到端延迟 ≤1.5 秒 50Mbps

日均处理能力 500 件/人天 3000 件/系统 6 倍 客户投诉率 12.5% 4.8% -7.7% 实施该方案将重构理赔价值链：前端通过 OCR+语音识别实现 7×24 小时无间断受理，中台依托知识图谱构建涵盖 3000+医疗条 款、5000+事故场景的决策树，后台通过联邦学习在数据隔离前提 下实现跨机构风控模型协同进化。预计全面部署后，保险公司综合 赔付率可下降 3-5 个百分点，同时将小额案件自动化率提升至 关键业务指标改进需求如下表所示： 指标维度 当前水平 目标水平 技术实现路径 案件初审时效 4.2 小时 ≤0.5 小时 智能文档分类+关键信息抽取 欺诈识别准确率 72% ≥89% 多模态行为图谱分析 人机协作效率 3.1 次交接 ≤1.5 次 智能工单路由+自动预警触发 客户满意度 82 分 ≥92 分 实时进度推送+智能问答支持 技术选型需满足三个刚性约束：首先，医疗影像等非结构化数 成本的 15%。通过引入 DeepSeek 大模型，可针对性解决上述痛 点：其多模态识别能力能实现医疗票据、交通事故照片等材料的智 能解析，将单证处理时间压缩 90%以上；内置的保险条款知识图谱 能自动完成责任匹配，使标准案件自动化处理比例提升至 70%。 2.1.2 人工审核成本高 传统保险理赔业务中，人工审核环节存在显著的成本效率问 题。理赔案件通常需要经过多级人工复核，从材料初审、验真、定