版本发布 69 3.3 OS底座（openEuler系操作系统） 70 3.3.1 openEuler简介 70 3.3.2 openEuler基础能力 71 3.3.3 openEuler工具和社区服务 75 04 行业案例 80 4.1 金融 81 4.1.1 恒生电子：基于鲲鹏原生开发经纪场外业务系统，让证券数据处理更高效 81 4.1.2 宇信科技：基于鲲鹏原生开发金融软件，让金融信息处理更高效 原生开发插件 1 小时接入两大主流（Jenkins、GitLab）CI/CD 流水线，高效提升 鲲鹏流水线搭建及版本发布效率。 » 鲲鹏亲和 & 极致性能：鲲鹏流水线使能鲲鹏亲和分析工具、编译器、性能工具等，实现应用性能提升。 » 多架构兼容：1 套流水线同时支持多样性算力版本构建及测试。 鲲鹏原生开发的核心技术理念： 基于鲲鹏硬件 +openEuler+ 鲲鹏开发套件 DevKit+ 鲲鹏版本发布 X86 版本发布 • 应用迁移 • 亲和分析 • 编码规范检查 • 毕昇编译器 • 毕昇 JDK • GCC for openEuler • 自动反馈优化 • 测试框架 • 测试工具 • 测试样例 • 病毒扫描 鲲鹏兼容 & 亲和， 性能 5%↑ CFGO/LTO/ 自动向量化 / 指 令流水优化，性能 10% ↑ 应用编译调试， 性能 5%~10% ↑ 多样性算力测试套件，

的“大脑”， 近半年在推理侧实现大幅进步 AI Agent 大规模语言模型（ LLMs ） GPU 算力供 给 3 02 以“自主规划与工具使用”响应“复杂任务”要求： Agent 的核心能力——自主规划、记忆、使用工具 （网页、软件、 API ）使其天生就擅长处理需要与 外部环境交互的复杂、多步骤流程，完美解决了传 动化复杂流程的潜力，有望带来指数级效率提升和生产力解 放，满足市场对显著价值回报的需求。 过去的状态： 停留在概念验证（ PoC ）或小范围试点， AI 更像一个需要被验证的“玩具”或“辅助工具”； 现在的要求： 必须是能够无缝集成到现有系统、在真实生产环境中稳定可靠运行的解决方案，并能产出可被量化的业务成果； 期望的 AI 角色： 从旁观的“助手”（ Assistant ），转变为能独立承担责任、解决问题的“正式员工”（ 创造性、洞察性与战略性工作。 2025 年， AI Agent 风口已至：企业级 AI 过去的状态：局限于简单的问答、内容续写等“答案生成式”的单一任务； 现在的要求：渴望自主规划、调用不同工具、横跨多个系统、涉及复杂步骤的端到端工作流。 核心挑战： 这些正是传统 AI 应用难以企及的、高价值的“流程自动化”领域。 数据来源：公开资料、甲子光年智库总结整理

Tools MCP Server 业务API Agent Agent = Model + Prompt + MCP Tools 工具调用 存量业务接口快速转化 Agent侧MCP工具代理 MCP 是AI应用连接业务系统的桥梁，是AI最终是否业务提效的关键所在 MCP Registry：存量接口转化&MCP管理 1.【存量业务 API 接口转化】 【MCP Server增强】 • MCP Server描述、工具列表、工具 Schema等内容的动态修改和维护 Nacos MCP Router: 面向Agent的MCP智能路由 1.【Agent MCP代理】 • Local stdio MCP Server安装 • 远程 sse/streamable Mcp server 的工具 代理 • 替代在mcp.json文件中编辑 2.【MCP 【MCP Server筛选 】 • 处理任务时对任务其所需要工具列表进行 预筛选减少token消耗 项目地址：https://github.com/nacos-group/nacos-mcp-router Part 4 Nacos 3.0 未来的规划 AI能力持续迭代 & 微服务生态持续探索 一个更易于构建 AI Agent 应用的AI智能体管理平台 1.【Agent运行时配置统一托管】

.................... 10 ( 三 ) 组织已基本具备数智化审计所需数据环境.......................... 12 ( 四 ) 组织在数智化审计时比较重视工具的使用.......................... 13 ( 五 ) 当前数智化审计还没有充分开展........................................ 14 ( 计团队及相关审计机构迫切需要开展的工作。 在数字化审计方面，随着各类组织数据量的急剧增加，传统的审计方法已经无法满足对 海量数据高效处理和深度挖掘业务风险的需求。因此，采用云计算、大数据、数据分析工具 等数字技术手段进行数字化审计已经势在必行。同时，数字化审计还包括对组织的数字化系 统进行 IT 审计，确保这些系统的可靠性、安全性和效率；在智能化审计方面，由于人工智能、 机器学习等先进技术 组织已具备基本的数据治理环境。68.06% 的受访者认为其所在组织可以为开展数智 化审计提供有质量的数据支撑。 ■ 数智化审计时比较重视工具的使用。已经开展数智化审计的组织较多使用的辅助工具 分别是数据分析、数据可视化、数据库审计、数据资产管理、AI 数据分析等类型的工具。 ■ 当前数智化审计还没有充分开展起来。只有 24.08% 的组织开展过 IT 审计，仅有 15.71% 和 9.95% 的组织开展过数字化和智能化审计。

.................29 2.2.1 英特尔® oneAPI 工具包 — 跨架构性能加速 .................................................................................29 2.2.2 OpenVINO™ 工具套件 ..................................... 随着制造工艺提升，集成电路芯片制造的工艺线宽不断缩小，这将带来更复杂和更大规模的电路设计，传统 EDA 设计流程在应对设计规则复杂度、功耗及热管理、信号完整性等方面面临一系列挑战。 将 AI 技术与 EDA 工具相结合，在电路设计阶段，AI 可以自动识别和优化电路拓扑结构，通过深度学习模型预测 不同电路设计的性能指标（如功耗、速度、面积等），从而快速筛选出最优设计方案。这种方法大大减少了人工试 错的时间 英特尔® 深度学习加速技术 （英特尔® DL Boost）和 VNNI 指令支持基于硬件的 AI 加速，通过 Int8 量化实现强大的 AI 性能。平台支持英特尔® 发行版 OpenVINO™ 工具套件，可提供优化的性能，同时帮助开发人员对常见用例进行 AI 模型预训练，从而加快上市时间。 2.1.1 第 12 代英特尔® 酷睿™ 移动处理器 性能测量结果基于同 第 11 代英特尔® 酷睿™

www.iresearch.com.cn 宏观：AIGC带来的生产力革新 AIGC延伸扩展人脑智能，降低使用门槛，应用影响力无限泛化 麦克卢汉提出，媒介是人的延伸。AIGC技术作为一种人造工具（媒介），是对人脑计算、思考、判断、学习等内在能力的延伸，同 时在巨量数据的加持下，AIGC在发现、认识、运用规律上有着明显的优势，是人的智能在机器形态上的规模化聚集、运作和反应， 突破了人类能力的 律上有着明显的优势，是人的智能在机 器形态上的规模化聚集、运作和反应。 菜 单 式 交 互 … … … … … … … xxxxxxxxxxx xxxxxxxxxxx 问 答 式 交 互 工具可得性提高 工具易用性提高 • 需环境和软件配置 • 人工智能专家使用 • 使用费用高昂 • 无需下载和配置 • 普通用户可使用 • 模型开源及降价 数据来源多样 模型开源及插件应用生态 用户无限创造力 OpenAI托管插件 第三方海量插件 不同参数、厂商的模型逐渐开源 用户主观能动性得以发挥 人工智能与人类智能共创 AI技术走向平权化、社会化 AIGC技术的生产力革新 传统AI工具 AIGC工具 传统AI工具 AIGC工具 人脑智能 AIGC人工智能 计算、思考、 判断、学习能力 通过模拟人类大脑，具备了思考、判断、学习能力 人类投喂巨量数据和语料，AI能力涌现 AI能够更深入地解析和发现事物特点、问题及规律

文档问答 知识摘要 • 模型 + 训练平台 + 应用构建 平台 全链路能力。 • 提供从训练——推理——应 用的一站式丝滑服务体验 • 全面接入 deepseek 模型 大模型工具链支持大模型研发至应用全栈技术 算力 计算集群（ H20/A10 等） 国产算力适配 高性能计算网络架构 API 及体验工具，大幅缩短业务 接入大模型能力周期 u 公有云自带容器底座 TKE u 私有化自带容器底座 TCS 腾讯云 TI 平台产品核心能力 面向实战的一站式大模型精调部署解决方案 AI 建模部署 大模型精调 u 快速试一试： 零代码一键部署大模型，网页问答体验推理效果 u 精调训练： 低代码、灵活自定义两种精调模式自由选择 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 工具，交互式代码开发工具，专业的通用任务调度工具 分布式稳定训练：支持多机多卡大规模训练，故障自动重启续训 镜像制作：基于 jupyter 的高效自定义镜像制作工具 训练指标监控：丰富的指标监控及告警，覆盖网络及 GPU 算力 内置训练加速：全新升级 Angel 训练框架加速能力，性能提升 30% 精调数据配比训练： 内置 100+ 任务类型精调配比数据

从结果导向到过程赋能 亲子关系紧张 01 02 03 04 教育普遍 焦虑 从封闭场景到 OMO （线上 线 下）融合 注：《中国家庭教育现状调研》数据 从传统工具到 AI 赋 能 家 庭 教 育 系 统 结 构 拆 分 分 析 系统模块 子模块 / 要素 核心描述与示例 1. 系统主体 家长 主导者：传递价值观 、行为示范。教育理念（权威 / 民主型） 系统方法 沟通方式 对话与倾听（非暴力沟通） 、非语言互动（拥抱鼓励） 。 激励与约束 正向强化（积分奖励） 、负向反馈（暂停特权） 。 参与模式 共同活动（家庭运动日） 、自主探索（提供实验工具） 。 5. 环境与资源 物理环境 学习角布局 、书籍 / 电子设备配置。 心理环境 民主氛围（允许表达意见） 、情绪安全（接纳失败） 。 外部资源 社区图书馆 、学校合作（家长会） 、心理咨询服务。 经验主义 数据驱动 被动学习 主动探索 线性进程 非线性 、跨界学习 家长单向教导 家长 、孩子 、 A I 三方互动 定义： A I 家庭教育是以人工智能技术为核心支撑， 家长 、孩子与智能工具共同参与的教育生态系统 。它不是 取代 A I 家庭教育特点 什么是 AI 家庭教育？ A I 家庭教育与传统家庭教育的区别 家长的角色， 而是通过多方协同， 为家庭教育带来新的可能性 。

2 外部数据来源.............................................................................21 2.1.3 数据采集工具及方法..................................................................23 2.2 数据清洗与预处理.............. 3.1 标注标准制定.............................................................................37 2.3.2 标注工具选择.............................................................................38 2.3.3 标注质量控制.... 续的模型训练提供高质量的数据基础。数据清洗的关键指标包括： - 数据准确率提升至 99% 以上 - 缺失值处理率达到 98% - 重复数据 删除率不低于 95%。 其次，构建知识图谱与实体关系网络。通过自动化工具和人工 校验相结合的方式，从清洗后的数据中提取实体及其关系，形成结 构化的知识图谱。知识图谱的构建将支持多维度查询和推理，为 AI 模型提供丰富的上下文信息。知识图谱的关键性能指标包括： -

推理过程和答案不一致 Yann LeCun 的批判观点： 对纯粹扩大规模方法的根本质疑 Mehrdad Farajtabar ： "LLM 本质上是统计模式匹配工具，而非真正的 推 理系统 " 、 " 下一个词预测框架不足以产生真正的理解 " Yann LeCun ： 自回归大型语言模型没有前途 完成，其余步骤均需要用户 自行手动操作 有没有更加智能或者自动化 的工具来协助我们完成这些 手动操作呢？ • 如果你只有一个大模型，使用它回复邮件的过程大致如下： 用大模型写邮件 大语言模型（ LLM ） 可以接受输入 ， 可以分析 & 推理、 规划任务、 输 出文字 \ 代码 \ 媒体。 然而 ， 其无法像人类一样 ， 拥有运用各种 工具与物 理世界互动 ， 以及拥有人类的记忆能力。 智能体 智能体 (AI Agent) • LLM ：接受输入、思考、规划任务、输出 • 人类： LLM （接受输入、思考、规划任务、输出） + 记忆 + 工具 Reflection Self-critics Chain of thoughts Subgoal decomposition Calendar() Calculator() CodeInterpreter() Search()