专业模型训练） 业务流程自动化（ A g e n t框架） 组织协同（ 工作流） 人机交互 赋能个人和 企业员工 生产力提升 多模态 能力 3 图片理解和处理 视频理解和处理 音频理解和处理 非结构化文档处理 47 政企、创业者必读 DeepSeek能力很强大 个人使用绰绰有余 但要在政府、企业应用需要和场景结合  大模型要藏在产品后面  客户要的不是电动机，是「刮胡刀」「吹风机」 多模态数据处理和理解 非结构化文档处理和理解 搜索，辅助内部办公和外部客户服务 为业务大模型RAG做准备 内部知识管理 • 把企业内部的碎片化知识， 把专 家头脑中的经验转化为显性知识 管理起来， 如员工邮件、 文档文 件、 聊天记录、 工作记录等 工作流知识管理 1 外部情报分析 • 抓取外部情报， 例如行业报告、 市 场情报等 2 多模态处理 • 用大模型多模态能力把非结构化 数据转化为结构化数据， 数据转化为结构化数据， 例如图 纸、 视频、 录音等 4 5 大数据分析 • 把隐藏在企业各种管理信息化业务系统产生的中间结果/中 间操作过程中的知识利用起来， 如ERP系统产生的订单 3 • 把大数据背后的隐藏知识 利用起来， 例如病理化验 单数据背后的知识 60 政企、创业者必读 关键基础之二：基于DeepSeek打造智能体 智能体「反客为主」，大模型成为智能体的组件 大模型是「电动机」，智能体是「吹风机」「刮胡刀」

技术正加速从虚拟空间向实体经 济领域拓展，机器人作为 AI 技术的理想载体，凭借其高度的灵活性 和强大的适应性，正在迅速发展并广泛应用于各个行业，成为推动产 业升级和变革的重要力量。工业领域自动化基础良好、环境结构化程 度高且市场需求大，成为近期“机器人+人工智能”应用落地的首要 方向。凭借其在提高生产效率、降低人力成本、提升产品质量等方面 的显著优势，“机器人+人工智能”正在汽车制造、电子信息、金属 ， 提到要拓展智能机器人在清洁、娱乐休闲、养老助残护理、教育培训 等方面功能，探索开发基于人工智能大模型的人形机器人。 （三）工业领域将成为短期内智能机器人应用落地的主战场 自动化水平高、结构化、封闭式的工业场景是当前技术条件下智 能机器人最大的应用市场。工业环境相对标准化，生产流程固定，对 机器人的自主性和泛化性要求较低，部分领域如汽车、电子信息等已 3 经率先实现了工业机器人的规模化应用。根据国际机器人联合会 2，物流机器人主要得益于三个原因： 一是全球供应链的整合深化，电商和物流行业的发展使得企业对物流 运行效率和响应速度的需求不断提高；二是工厂设计水平的提升，模 块化厂房设计技术为移动机器人提供了封闭性、结构化的活动场景， 便于机器人快速移动和完成任务；三是激光地图构建（VSLAM）技术 的成熟，基于地图数据，深度学习算法能够自主规划行动路径，并进 行动态避障。 此类场景主要包括两种“机器人+人工智能”融合应用模式。一

潜在 复杂、多步骤的核心 流程 主要业务/运营 模型变更 终端用户服务带有“哇！效果” 主 用例 属性 （与 例子） 个性化/相关终端用户 体验 价值创造与其他 行业领域 内部结构化数据基础 内部非结构化数据基础 多领域和多所有者数据基础 虚拟客户服务 中心/助理 车载个人 助手 生成式车辆 零件设计 协作机器人制造 应用 实现规模化的自动化 驱动 自动驾驶车辆 软件生成 并且测试

DeepSeek官方提示词解读 46 • 代码类 • 内容分类 • 结构化输出 • 角色扮演（人设、情景） • 创作类 • 翻译类 • 提示词生成 官方文档链接： https://api-docs.deepseek.com/zh-cn/prompt-library 清晰表达，提示工作流程 目标、能力、知识储备、使用说明 结构化要求+示例 描述角色性格特征、指定输出情景 风格、要求、主题

• 医⽣临床决策影响模式发⽣改变→从经验驱动 →基于医学搜索、循证医学证据的驱动 • 科研与学术⽅式和效率→通过⼤模型进⾏科研 课题筛选、⽂献收集、数据结构化提取和分析、 摘要及初稿撰写等 科研助⼿ DeepSeek 对于医疗体系有那些影响？ - 医 ⽣ 20 学术推⼴：千⼈千⾯，让销售拜访更专业、更⾼效 话术智能推荐 AI 问答助⼿ 拜访记录⽣成 推理思考能⼒以及医保控费压⼒（需求⾼，难度⼤） → 药品定价策略 • PR 先⾏， 但过去“纸⾯数据、 ⾮标数据”等困境能得到极⼤ 缓解， 医院数据的应⽤价值 可 以得到释放 医学数据结构化提取、标准化 DeepSeek 对于医疗体系有那些影响？ - 医 院 医院 24 研发⽅向探索 • 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需 RAG 未公开数据）

学习/培训模式发⽣改变→交互性、个性化学习 模式 • 医⽣临床决策影响模式发⽣改变→从经验驱动 →基于医学搜索、循证医学证据的驱动 • 科研与学术⽅式和效率→通过⼤模型进⾏科研 课题筛选、⽂献收集、数据结构化提取和分析、 摘要及初稿撰写等 医⽣ 基于DeepSeek推理模型，整合患者的信息，辅助医⽣深度问诊、 鉴别诊断、病情分析和建议，提出治疗、预防等建议 • 基于Deepseek⼤模型，再现医⽣临床思维链路的推理模型 精细化运营管理（DRG/DIP） DS推理思考能⼒以及医保控费压⼒（需求⾼，难度⼤） →药品定价策略 医院 • PR先⾏，但过去“纸⾯数据、 ⾮标数据”等困境能得到极⼤ 缓解，医院数据的应⽤价值可 以得到释放 医学数据结构化提取、标准化 24 新药研发：借助⼤模型，提升药品研发的效率和速度 • 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需RAG未公开数据） • 知识图谱可关联临床试验数据与RWE

从成为企业重塑竞争壁垒的 核心引擎。 1. 技术拐点爆发，AI 大模型开启流程智能化新时代 AI 大模型在认知层级的突破，使得传统流程自动化执行场景范畴得以扩充。 首先，大模型在非结构化数据的处理与分析能力层面实现了跃迁。过去的 RPA 在合同关键条款自 动提取任务上表现不佳，而 AI 大模型在此任务上准确率接近 100%。其次，多模态交互的升级进 一步拓展了流程智能化应用场景 的决策迟滞，在战略层构建起 “目标-资源-行动”强关联的敏捷响应体系。 关键成功要素 2，流程梳理 流程智能化的基础在于流程梳理，其作为成功关键主要体现在五个维度。 首先，企业需构建结构化流程库。通过流程分类、分级与分段形成全景图谱，为 AI 提供可解析的语 义基础，确保机器可理解与执行。其次，企业需要实现战略与执行的动态映射。基于业务架构与流 程架构的贯通，将战略目标拆解为可执行的流程组件，确保

基于数字网点，开通客户线上通道，客户即可进入虚拟 网点，虚拟网点通过语音识别、自然语言处理、视频图像分 析等技术，融合业务建模、深度学习、大数据分析等手段， 对业务办理、客户服务过程中产生的图片、语音、视频等非 结构化数据进行深度信息挖掘与分析，构建可以与客户完美 互动的虚拟网点环境（见图2）。 18 图 2 基于数字孪生技术的虚拟网点逻辑架构 （二）数字人 1.应用场景概述 数字人技术目前已大量应用于金融产品营销、金融业务 建所需的样本数据，为冷启动提供更多数据支撑。 3.技术实现方案 基于数字孪生技术的仿真业务数据生成，在技术实现上 主要涵盖数据语料库、算法基础层、工具引擎三部分，为了 更加真实地模拟业务数据，需要对结构化及非结构化业务数 据进行归类，按照业务流程进行整合梳理，并生成一整套与 业务流程相匹配的数据语料库，通过变分自动编码器 VAE、 生成对抗网络 GAN 等生成模型，结合业务规则模型及大语言 模型 通过数字孪生技术，对银行各个业务条线、前中后台、总分 支机构的业务、运营、财务、风险、安保等各方面数据资源 进行整合，在数据层面设计业务流程相关各类监控及展示指 标体系，在分析层面使用机器学习、深度学习算法，对结构 化、非结构化数据进行深入挖掘，并最终通过智慧大屏、管 理驾驶舱对业务运营情况进行一体化展示，通过对比分析、 趋势分析、热点分析等分析方法，结合丰富图表展示，构建 业务运营的数字孪生智能管理驾驶舱（见图 12）。

理能够以无与伦比的速度和精度分析大量数据，从而简 化后台的欺诈检测、合规监控和风险评估等流程。 价值蓝图 为了克服上述挑战，抓住相关机遇，为利用下一代人工 智能技术做好准备，银行应采取精心设计的结构化方法 对人工智能加以应用。本报告介绍了含三个阶段的人工 智能价值框架，以帮助银行确定应优先开展的工作并相 应调整投资，从而充分发挥人工智能的潜力。 的受访者表示他们的员工正在迅速掌握 如何使用他们引入的人工智能工具/技术 下使用创新解决方案，这可能会减缓人工智能的应用速度 并导致其无法大规模推广。 发展进步 很明显，银行在应用人工智能的过程中面临着复杂的挑 战。尽管他们已经作出重大努力，但存在战略分散和准备 有限等问题，这就需要采取更强的结构化方法加以应对。 本报告介绍了实现人工智能价值的三个阶段。这三个阶段 构成一个框架，可帮助银行从发展孤立的基础能力转变为 实现内部整体的创新。通过建立信任、调整战略、使用技 术和赋能员工，银行可以在降低风险的同时发挥人工智能 。 智慧银行的发展之道 有效的人工智能转型不仅限于实施相应的技术。通过对领先实践进行研究，我们发现银行可以通过三个人工智能转型阶 段增强人工智能能力并挖掘价值。 这三个阶段形成了一个灵活的结构化框架，以应对人工智能应用的复杂性。它有助于在提高短期效率的同时，为未来的 增长和创新做好准备。能够帮助银行对工作进行优次排序，有效分配资源，打造能力，并使其人工智能举措与短期目标 和长期战略目标保持一致。

的视觉推理能力，并且可 以 无限生成训练样本。 文本渲染数据 是通过将文本内容转换为视觉格式创建的，使模型能够在不同模态下保持一致的文本处理能力。 通过将文本文档、代码片段和结构化数据转换为图像，确保模型无论接收的是纯文本输入还是截图或照片中的 文本，都能提供一致的响应。这也有助于增强模型在处理文本密集型图像（如截图、表格、公式等）时的能力。 Long2Short 没有被使用 (Reward Hacking 的考虑 ) MCTS 是一种 Structure, A* 也是 Structure, 人为加入 Inductive Bias 强求 LLM 按照结构化 先验进 行思考可能会限制模型的能力； PRM 容易被 Reward Hacking, 且 绝对值 Value 很难准确 Kimi K1.5 更多是从 In-Context RL 的角度出发，直接训练模型 应用于模型的训 练 可能会限制模型的思考过程？ MCTS 是一种 Structure, A* 也是 Structure, 人为加 入 Inductive Bias 强求 LLM 按照人为的结构化先验进行思 考可能会限制模型的能力； 不通过额外的 Structure, 模型自身是否可以学会思考： Algorithm Distillation: 将 RL 的 Training History