厦大团队两本数据治理书籍 4.5 企业部署大模型规划路线 构建企业内部知识库 （RAG系统） 短期（0-6月） 开发行业专属大模型 （模型微调） 中期（6-18月） 搭建AI Agent工作流 （企业智能体） 长期（18月+） 4.6 企业级应用集成AI大模型的关键步骤 企业首先需要明确AI应用的具体场景，如文 本生成、情感分析、图片理解和生成等。这 有助于后续模型的选择与技术路线的设计 合规：模型本身是否自主可控？数据是否安全合规？信创要求。 选型：现在市面上第一类大模型由互联网大厂，像阿里、腾讯、华为等大厂研发的相关产品。那第二类是专注单点应用的小厂，比如专注 于 Agent 平台和 Agent 应用开发。第三，现有垂直供应商。所有企业用户都会关注选型问题，虽然大模型大厂本身技术能力很强，但不 一定特别理解企业自身业务场景，而现有的垂直厂商本身技术能力会受到多方质疑，所以选型是重点关注的问题。 智能体和RAG的区别 5.3 典型的智能体类型 5.4 智能体产品 5. 5 国内典型的智能体开发平台 厦门大学大数据教学团队作品 5. 1 智能体的概念 5. 1 智能体的概念 智能体（AI Agent），又称“人工智能代理”，是一种模 仿人类智能行为的智能化系统，它就像是拥有丰富经验和 知识的“智慧大脑”，能够感知所处的环境，并依据感知 结果，自主地进行规划、决策，进而采取行动以达成特定

从 22 年 11 月 OpenAI 推出 ChatGPT 至今，我们看到 Chatbot 应用的能力 不断增强，从最初的文字问答，迅速向具有自主记忆、推理、规划和执行的 全自动能力的 AI Agent 发展。我们认为端侧智能是大模型发展的重要分支。 建议投资人沿着：1）大模型如何赋能终端，2）终端如何解决大模型普及难 点两条思路，寻找硬件的落地机会。我们看好 1）Apple Intelligence 开始普及，3）隐私保护需求 推动办公用 PC AI 化等三大机会。 具备记忆、推理、规划、执行能力的 AI Agent 可能是大模型的最终形态 大模型的应用能力最初功能仅限于文字问答，此后逐渐引入图像理解、文生 图功能，并通过 GPT Store 拓展功能，形成了 AI Agent 雏形，近期 GPT-4o 则实现了具备情感的互动。用户数方面，根据 Similarweb，24 年 5 月 ChatGPT ChatGPT 的 PC+移动端独立访客数达到 3 亿，在全球所有网站中排名第 22。 我们认为大模型的演进方向是智能化和自动化程度逐渐提升，最终形态是 AI Agent，具有自主记忆、推理、规划和执行的全自动能力。 观点#1：Apple Intelligence 推动苹果用户换机，利好产业链业绩增长 6/11, 苹果 WWDC 2024 大会推出由苹果自研的端侧大模型、云端大模型、 以及 OpenAI

诺依曼瓶颈）、存储范式的改变（数据即 智能），到网络范式的跃迁（迈向智能体互联网），其底层驱动力是一致的：即为了支撑智能体在 物理与数字融合的“镜像世界”中进行大规模、实时、可靠的交互与决策。智能体（Agent）作为 核心载体，其从执行工具到决策伙伴的演进，标志着人工智能从处理信息的工具转变为能够主动规 划、协作并作用于环境的认知主体。这不仅是技术的升级，更是生产力和生产关系的范式革命。 智能革命 形成的必由之路。同时，随着大模型的发展，未来 10 年 AI Agent 将进一步理解物理世界的客 观规律，发展为侧重实践的行动系统，能够自主闭环执行多类任务，从执行工具演进为决策伙伴， 最终驱动各个产业发生智能化革命。 其次，人工智能的飞速发展，必将重塑现有的开发范式，改变人机交互模式，并催生更多新应 用。比如：在软件开发领域，人类将更专注于系统架构与创新设计，而 AI Agent 则高效承担具体 执行，开发范式 将从图形交互迈向自然语言交互，并在视觉 汪涛 与听觉的基础上，逐步融合五感，实现沉浸式的空间多模态交互模式，用户体验将在镜像世界中升 维。移动互联网中的百万 App 不再是信息孤岛，而是 Agent 相互连接的智能服务，形成多智能体 协同的新生态。同时，随着世界模型等关键技术突破，全新的 L4+ 自动驾驶汽车将会走入人们的生 活，成为“移动第三空间”。 与前几次工业革命“单点技术突破”不同，AI

Gartner【13】）  Agent，AI Agent 与 Agentic AI 的比较 最近看到北京大学发布的《AI+Agent 与 Agentic+AI 的原理和应用洞察与未来展望》研究 报告【14】，该报告深入剖析 AI+Agent 与 Agentic+AI 的原理、应用及未来发展趋势，为 读者呈现一个全面而详细的知识图景。图 9 源于该报告，对 Agent，AI Agent 与 Agentic 作了一个简单的比较。更深入的内容请参看原文【14】。 图 9： Agent，AI Agent 与 Agentic AI 的比较（来源：北京大学【14】） 此外，【15】指出，虽然人工智能代理代表了人工智能能力的重大飞跃，特别是在自动 化狭义任务方面。Agentic AI 系统代表了一类新兴的智能架构，其中多个专门的 Agent 协同工作以实现复杂的高级目标。这些系统由模块化代理组成，每个代理都负责一个更 负责一个更 广泛目标的不同子组件，并通过集中式编排器或分散式协议进行协调（见图 10）。 图 10：左边是单任务 AI Agent，右边是一个多智能体协作的智能人工智能系统（来源：【15】）  应用 Agentic AI 的十大供应链公司 供应链正在经历一场深刻的变革。这场变革的核心是代理型人工智能 (Agentic AI)，这 是一种新一代智能代理，能够自主行动、实时调整，并在无需持续人工干预的情况下提

出通用大模型与N个专家模型多重组合的形态。 在内容层面，基于神经网络技术的AIGC与素养发展具有天然相似的基因，企业可以发力C端小模 型从而引领行业发展；在技术层面，大模型分析+多模态交互+Agent规划+具身智能行动，AGI 完全体与教育场景深度适配；在福祉落地层面，教育各界需通力合作，努力克服机会、技能、资 源的三大鸿沟；在人机协作层面，人机关系进入新历程，人机共育，生命循环，互为滋养，人类 的生成，能真正形成全流程、全场景闭环体验的产品 较少。从教师侧来看，在作业和教案生成场景下，教师需要单独生成每一种类型的题目或者教案素材，再逐项进行验证校对，并最 终合并，全流程的参与度都较高。Agent在该场景落地后，基于其记忆、规划、执行的能力，可拆解教师的完整指令，并逐项生成、 排序及合成，教师只需最后对成稿进行调整，工作量大幅减少。从学生侧来看，以作文写作练习为例，学生在话题理解、框架构思、 单独生成：教师单独提供每一种类型的作业指令 /教案素材，分别指导AI单独生成 1 作业合成：教师对上述生成内容进行验证、逻辑 校对，并按顺序合成一份完整作业 2 Agent按教师要求对不同类型排序，同时校验不同题目/ 素材的内在逻辑合理性和重复率，并给出最终合成版 Agent记忆并拆解教师指令，根据要求输出不同类型的 提示词，并规划每一个任务及顺序、落实执行动作 1 2 1 教师完善：教师对AI生成的完整作业/教案进行调整，

在咨询问诊、开具检查单、线下检查、检查单解 读、治疗方案制定以及随诊追访、慢病管理等环节可以提供全流程智能 化解决方案。未来有望引入 AI 医院，由清华大学智能产业研究院团队 打造的人工智能医院 Agent Hospital 将于 2025 年上半年面向公众开放， 目前首批 42 名 AI 医生正在进行内测。医保方面，AI 能协助咨询服务、 支付审核、智能报销指引、基金监管监测、医保个人健康档案管理等。 ........................................................................................ 7 图 5： Agent Hospital 内测界面 ................................................................................... 图4：医渡科技医院运营分析平台 数据来源：医渡科技官网，东吴证券研究所 未来趋势：AI 医院。由清华大学智能产业研究院团队打造的人工智能医院 Agent Hospital 将于 2025 年上半年面向公众开放，目前首批 42 名 AI 医生正在进行内测。Agent Hospital 目前已扩展至 21 个科室，覆盖 300 多种疾病，包括绝大多数常见病和主要重大 疾病，如肺癌、糖尿病、心血管疾

Workflow ） 合规风控 合规核验 AI 开发平 台 （ Dify ） 多轮对话服务 Chatflow 工具类 （ API 、爬虫、 搜索 ... ） 智能体服务 （ Agent ） 异构数据 服务 层 模型 层 检索增强搜索 （ RAG ） 集团统一智能平台 结构化 非结构化 数据分析 智慧办公 数 据 知识库 15 u nnb ... 某渠道想每个月给机构内勤进行代理人基本法考试 ，能否通过 AI 大模型自动出考题？ 大模型探索及实践过程中的困惑与思考 流程要怎么编排？ Agent 就是“专家” ：只要是围绕着 LLM 组织起 来、具备某种专项能力的 ，就是 Agent ，也可 以 理解为专家。 Agent 的实现形式 ，可以是简 单地 定制一个 SystemPrompt ，也可以是使用 Work Flow 、 Memory 、 RAG RAG 等复杂组件来实 现。从这个角度看 ，框架 （ LangChain 、 Agno 等）也是 AI Agent 。 1. 人工与自动相结合 2. 现有功能升级与新建相结合 3. 现有的问题不解决 ，大模型也难解决 • 数据壁垒 • 应用竖井 ，现有应用扩展性差 • 传统运营方式 • 打通与传统应用的壁垒 大模型探索及实践过程中的困惑与思考 思考 1 ：流程编

INTRODUCTION 智能化时代 可靠运维发展趋势 第一章 自然语言交互变革：通过NL�SQL技术，简化用户与数据库之间的交互。比如，通过自然语言生成 SQL进行查询，通过自然语言与AI Agent交互，带来数据库交互变革，非技术人员也可以很方便地 操作数据库，未来也会向着“对话即运维”的方向发展。 AI幻觉问题：当前，AI依然存在幻觉和过期信息的问题，运维工作中的准确性和稳定性不足。比 时，可能会出现“幻觉”问题，导致SQL生成错误或者无法执行。此外，一些场景下AI生成的SQL可 能仅满足正确性，而无法保证执行计划的最优性，需要结合专业知识进行调优。 RAG召回率不足：在构建数据库运维AI Agent时，单纯的向量嵌入可能导致召回率低以及召回信 息出现波动等问题，可以引入知识图谱或GraphRAG技术，提供多路召回方式提升召回准确率和 稳定性，此外，也可以通过数据预处理矫正出问题的数据。 AI对传统运维的影响 故障诊断与智能运维：根据不同数据库特性，利用AI生成巡检、监控、处置脚本和工具，协助完成 日常运维的巡检、监控、告警等操作，生成巡检报告以及事件总结报告。也可以构建AI Agent，将 运维排查和维护任务集成到智能工具，自动调用相关数据并结合知识库和预设策略，实现对数据 库的自动排查和维护，提升运维效率。此外，通过分析历史运维数据，AI可以实现预测式运维，变 被动运维

在算法、算力和数据等方面 取得了重要突破，包括自然语言处理、图像处理、强化学习等，已经 从学术研究走向产业实践，正成为推动网络智能化的决定性力量。此 外，以生成式人工智能（GAI）、大语言模型（LLM）和智能体（Agent） 为代表的新兴技术，正深刻推动算力网络向更高阶智能演进。 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 26 首先，传统 AI 算法在算力网络智能化中一直扮演着重要角色，通 基于 LLM Agent 的算网流程自动化示意图 如图 3-2 所示，Agent 作为具备自主感知、决策与执行能力的智能 实体，正在成为算力网络实现分布式智能控制与自主运营的核心技术 支撑。通过引入多 Agent 系统，算力网络中的各个节点能够实现自组 织、自配置与自优化，从而摆脱传统集中式管理的局限，形成更为灵 活、高效的分布式智能架构。每个节点部署的轻量级 Agent 能够实时 感知本地资源状态，并通过与其他 感知本地资源状态，并通过与其他 Agent 的协作，共同完成全局资源 调度与负载均衡，确保系统整体性能的最优。在故障场景下，Agent 的自主性尤为突出，它能够迅速执行隔离、切换、修复等操作，有效 减少人工干预，显著提升网络的高可用性与韧性。这种自主运营模式 不仅增强了系统的鲁棒性，还大幅降低了运维成本，为算力网络在复 杂动态环境下的稳定运行提供了坚实保障。随着 Agent 技术的不断演 进，算

遗忘：微调（迁移学习），尤其是RLHF 3. 推理能力（涌现）：一般需要10B以上，GPT-3时达到 • 模仿学习：代码中蕴涵、文字中蕴含 • 提示能力：ICL • 思考能力：CoT  ReACT，Agent  O1的最新进展（GPT-1时刻）：表现是慢思考；本质是合成数据 有些是产品能力，不是模型本身的能力：  RAG  Function Call  等等 知识助手场景：语言能力+知识能力 • 知识压缩、知识提取、知识组织 • 智能问答 3. 任务执行场景：语言能力+知识能力+逻辑能力 • 任务分解、任务执行 • 操作外部工具或软件接口 • Agent 三种应用类型 1. 模型增强：FT；MaaS；产品包装（ChatGPT） 2. AI赋能：用AI提高原有流程和工具的效率 3. AI原生：新场景、新需求、新应用 三种技术 I安全专家、AI伦理与法规专家  从组织结构和工作流程角度来看，人数很少的公司可能做出影响世界的产品 1. 从人机协作（AI作为Copilot） 2. Agent数字员工和人类员工共同工作 3. 以AI Agent为主、人工为辅 02 对AI教育的思考：如何培养AI专业人才和AI赋能人才  培养什么人 1. 思维能力：批判思维、独立思维、逻辑思维 2. 学习能力：终身学习，善用AI