外部專家（按姓氏拼音排序）岑潤哲數(shù)勢科技數(shù)智產(chǎn)品總經(jīng)理黃文婷拓爾思成都拓爾思副總經(jīng)理2

|2025

愛分析·大模型應(yīng)用實踐報告報告指導(dǎo)人張揚愛分析聯(lián)合創(chuàng)始人&首席分析師報告執(zhí)筆人李進寶愛分析高級分析師報告編委特別鳴謝（按拼音排序）3

|2025

愛分析·大模型應(yīng)用實踐報告目錄1.

報告綜述

62.

市場洞察

153.

對話式智能分析市場234.“大模型+政務(wù)”市場

375.

結(jié)語

50關(guān)于愛分析51產(chǎn)品服務(wù)

52法律聲明

534

|2025

愛分析·大模型應(yīng)用實踐報告報告綜述5

|2025

愛分析·大模型應(yīng)用實踐報告1.

報告綜述近年來

，全球人工智能產(chǎn)業(yè)的焦點已從早期的算法創(chuàng)新和參數(shù)規(guī)模競賽

，戰(zhàn)略性地向應(yīng)用深耕與商業(yè)化落地傾斜

。中國大模型市場熱潮的持續(xù)升溫

，反映了其發(fā)展已進入一個由宏觀政策主導(dǎo)

、

內(nèi)生技術(shù)突破支撐

、最終由市場價值牽引的成熟階段。本報告采用三維分析框架

，即政策主導(dǎo)（確定方向）

、技術(shù)供給（提供可能）

、需求牽引（實現(xiàn)價值）

，對驅(qū)動中國大模型市場發(fā)展的核心力量進行結(jié)構(gòu)化

、前瞻性的深度剖析

。只有理解這三股力

量的相互作用及其內(nèi)部結(jié)構(gòu)性變化

，才能準(zhǔn)確把握未來市場的脈絡(luò)和戰(zhàn)略機遇。1.國家戰(zhàn)略導(dǎo)向與政策體系的系統(tǒng)構(gòu)建政策力量是中國大模型市場爆發(fā)的最強外部推力

。它不僅提供了資金和資源支持

，更重要的是通過國家意志確定了行業(yè)發(fā)展的方向

、速度和應(yīng)用深度

，尤其對具有戰(zhàn)略地位的央國企和關(guān)鍵領(lǐng)域產(chǎn)生了巨大的“剛性”需求。1.1

頂層設(shè)計

：從“鼓勵創(chuàng)新”到“戰(zhàn)略強制”的轉(zhuǎn)變中國對人工智能的定位已超越單純的新興技術(shù)領(lǐng)域

，被提升至國家戰(zhàn)略和基礎(chǔ)生產(chǎn)力的高度

。在最新的宏觀規(guī)劃中，這一轉(zhuǎn)變得到了明確的確認

?！笆逦濉币?guī)劃建議已將“全面實施9人工智能+9行動”定為國家核心戰(zhàn)略基調(diào)

。這意味著人工智能不再是可選項

，而是作為一種基礎(chǔ)生產(chǎn)力工具和科研范式變革的引領(lǐng)者被定位

。規(guī)劃建議明確指出

，要“以人工智能引領(lǐng)科研范式變革

”，并“全方位賦能千行百業(yè)”。政策對央國企的直接影響是剛性需求的早期

、最大來源

。24年初至25年初

，

國資委推進“人工智能+”的會議

，標(biāo)志著自上而下的戰(zhàn)略部署形成

。央國企作為國家核心基礎(chǔ)設(shè)施和關(guān)鍵數(shù)據(jù)資產(chǎn)的擁6

|2025

愛分析·大模型應(yīng)用實踐報告有者，其AI化轉(zhuǎn)型是政策驅(qū)動型剛性需求的起始和核心。這種頂層設(shè)計機制保證了國內(nèi)大模型生態(tài)在商業(yè)化初期擁有一個穩(wěn)定且高標(biāo)準(zhǔn)的市場基礎(chǔ)。1.2AI發(fā)展邏輯的根本性轉(zhuǎn)變與戰(zhàn)略優(yōu)先級政策的關(guān)注點已經(jīng)從單一的經(jīng)濟產(chǎn)出指標(biāo)

，擴展到了更廣泛的社會效益和國家韌性層面

。政策文件明確要求加強人工智能與“產(chǎn)業(yè)發(fā)展

、文化建設(shè)

、民生保障

、社會治理”相結(jié)合

。同時

，國務(wù)院關(guān)于深入實施“人工智能+”行動的意見要求

，加快實施“人工智能+”消費提質(zhì)

、科學(xué)技術(shù)

、治理能力三大行動。這表明AI的價值評估體系已經(jīng)超越了單純的GDP貢獻

，提升至社會效益和國家治理能力的層面。政府及央國企作為大模型初期最大

、最穩(wěn)定的用戶群

，通過剛性需求保證了國內(nèi)大模型生態(tài)的基本盤

。此外

，政策的體系化也體現(xiàn)在風(fēng)險管理方面

。在推動技術(shù)加速發(fā)展的同時

，政策采取了“同步治理”的戰(zhàn)略，明確要求“加強人工智能治理，完善相關(guān)法律法規(guī)、政策制度、應(yīng)用規(guī)范、倫理準(zhǔn)則”。這種雙軌制策略，特別提到持續(xù)推動“智能向善”，構(gòu)建中國特色人工智能治理框架

，旨在保證技術(shù)的安全

、可控與合規(guī)性

。對于央國企

、金融

、

醫(yī)療等高敏感度行業(yè)的應(yīng)用落地而言

，這種合規(guī)性基礎(chǔ)是推動應(yīng)用深度普及的必要前提。1.3

政策驅(qū)動的廣度與深度解析1.3.1

廣度拓展

：從技術(shù)領(lǐng)域到全社會覆蓋未來

，政策覆蓋面將顯著擴大

。首先在消費端

，加快實施“人工智能+”消費提質(zhì)行動

，

旨在拓展服務(wù)消費新場景

，培育產(chǎn)品消費新業(yè)態(tài)

，直接拉動了C端對高性能

、高智能服務(wù)的需求

。其次

，政策深入到科研環(huán)節(jié)，要求“以人工智能引領(lǐng)科研范式變革”。這不僅是應(yīng)用層面的賦能

，更是對基礎(chǔ)研究方法的顛覆性投入

，預(yù)示著AI將在科研范式變革中扮演核心角色。7

|2025

愛分析·大模型應(yīng)用實踐報告1.3.2

深度加碼

：投入力度與人才生態(tài)建設(shè)政策的投入力度已從集中在基礎(chǔ)設(shè)施（如算力）

向更廣泛的生態(tài)環(huán)節(jié)延伸，包括人才

、標(biāo)準(zhǔn)和安全。為了解決制約AI產(chǎn)業(yè)發(fā)展的核心瓶頸——高素質(zhì)人才供給不足，工業(yè)和信息化部等機構(gòu)通過征集“人工智能與數(shù)字安全產(chǎn)業(yè)人才基地聯(lián)合建設(shè)機構(gòu)

”，

旨在推動產(chǎn)業(yè)鏈

、人才鏈

、創(chuàng)新鏈

、教育鏈的協(xié)同發(fā)展

。這種結(jié)構(gòu)性的人才供應(yīng)鏈重塑

，為行業(yè)的長期

、高質(zhì)量發(fā)展提供了堅實基礎(chǔ)。同時

，政策落地直接催生了新的勞動價值鏈

。例如

，人工智能提示詞設(shè)計員及基于人工智能進行內(nèi)容創(chuàng)作與模式創(chuàng)新的各類新職業(yè)的出現(xiàn)，不僅代表了就業(yè)機會的增加，也說明AI賦能正在深刻重塑勞動力結(jié)構(gòu)。2.

基礎(chǔ)技術(shù)突破與高質(zhì)量供給的持續(xù)迭代技術(shù)進步是驅(qū)動大模型熱潮的核心內(nèi)生動力

。當(dāng)前的技術(shù)供給正在經(jīng)歷一次系統(tǒng)性的升級

，涵蓋了從底層架構(gòu)效率

、工程化可靠性

、部署形態(tài)優(yōu)化到下一代智能形態(tài)的全面迭代

。這種迭代確保了AI應(yīng)用的商業(yè)可行性和泛化能力。2.1

基礎(chǔ)架構(gòu)

：效率

、規(guī)模與范式創(chuàng)新2.1.1MoE架構(gòu)的市場成熟稀疏激活與動態(tài)選擇機制的MoE（Mixture

of

Experts）架構(gòu)

，

已經(jīng)成為構(gòu)建千億乃至萬億級大模

型的主流技術(shù)路徑

。MoE架構(gòu)的引入有效地解決了超大規(guī)模模型在訓(xùn)練和推理時的計算資源線性增長瓶頸

。通過允許模型僅激活部分專家子網(wǎng)絡(luò)

，MoE極大地降低了超大規(guī)模模型在推理時的總擁有成本（

TCO）

，使得“大模型

、低成本”成為可能

，這是推動大模型商業(yè)化落地的關(guān)鍵一環(huán)。2.1.2

非Transformer架構(gòu)的挑戰(zhàn)與潛力8

|2025

愛分析·大模型應(yīng)用實踐報告在Transformer架構(gòu)占據(jù)主導(dǎo)地位的背景下

，以狀態(tài)空間模型（

SSM）為代表的新興技術(shù)正在快速崛起

。SSM憑借在長序列處理

、訓(xùn)練與推理效率上的顯著優(yōu)勢

，正成為未來大模型技術(shù)突破的關(guān)鍵方向。這種新架構(gòu)的興起預(yù)示著未來大模型技術(shù)將走向多架構(gòu)并行的生態(tài)格局，能夠與Transformer形成優(yōu)勢互補

，為特定任務(wù)（如長文本理解

、時序數(shù)據(jù)預(yù)測）提供更優(yōu)的解決方案。2.2

應(yīng)用工程化路徑

：從“可用”到“可靠”2.2.1RAG成為企業(yè)級應(yīng)用首選RAG（檢索增強生成）結(jié)合向量數(shù)據(jù)庫或知識圖譜

，已成為緩解大模型“幻覺”現(xiàn)象

、提升信息準(zhǔn)確性與可信賴度的主流解決方案

。RAG允許模型從企業(yè)內(nèi)部或外部的權(quán)威知識庫中檢索實時

、準(zhǔn)確的信息

，顯著提升了輸出內(nèi)容的準(zhǔn)確性和可解釋性

。RAG的工程化成熟度高

，正在快速取代高成本

、維護難度大的微調(diào)技術(shù)（

Fine-tuning），成為應(yīng)用廠商構(gòu)建智能系統(tǒng)

、實現(xiàn)知識快速更新的首選路徑

。這種轉(zhuǎn)變反映了市場已經(jīng)進入了商業(yè)化實用階段

，技術(shù)供應(yīng)商必須在模型性能

、成本效益和數(shù)據(jù)安全之間找到最佳平衡點

。RAG逐漸取代微調(diào)

，正是市場對“快速迭代”和“成本控制”的明確投票。2.2.2

輕量化技術(shù)群推動AI能力端側(cè)遷移量化（Quantization）

、蒸餾（Distillation）與剪枝（Pruning）作為大模型輕量化的三大核心支柱技術(shù)，共同推動了AI能力從高成本的云端向低延遲

、高隱私性的端側(cè)高效遷移

。這對于滿足智能手機

、車載系統(tǒng)

、物聯(lián)網(wǎng)等邊緣設(shè)備的需求至關(guān)重要

。未來的持續(xù)挑戰(zhàn)在于如何在壓縮率

、精度保持與硬件適配之間尋找更優(yōu)平衡

，以確保在資源受限的環(huán)境下仍能提供高性能的AI服務(wù)。2.3

下一代智能的核心形態(tài)2.3.1Agent（智能體）

的商業(yè)化雙路徑9

|2025

愛分析·大模型應(yīng)用實踐報告Agent作為大模型落地的核心形態(tài)

，正沿著“流程引擎”與“

自主規(guī)劃”兩條路徑并行發(fā)展：l

流程引擎型

：強調(diào)低門檻

、高穩(wěn)定性

，滿足企業(yè)流程自動化需求

，通過結(jié)構(gòu)化的工具調(diào)用快速實現(xiàn)商業(yè)價值。l

自主規(guī)劃型：

以高泛化能力探索通用智能的邊界

，通過復(fù)雜的任務(wù)拆解和執(zhí)行

，代表了Agent的長期發(fā)展?jié)摿?。隨著MCP（多智能體協(xié)作協(xié)議）

的普及與大模型能力的提升

，Agent將逐步從“工具型助手”演進為“

自主型伙伴

”，成為推動社會智能化構(gòu)建的關(guān)鍵力量

。此外

，多智能體協(xié)作作為AI系統(tǒng)組織方式的重要演進方向

，預(yù)示著AI將從“工具”向“組織”躍遷。2.3.2

交互革命與世界模型OS

Agents

：OS

Agents作為多模態(tài)大模型與操作系統(tǒng)深度融合的產(chǎn)物

，正在開啟“語義驅(qū)動交互”的新紀元

。它利用強大的泛化能力和創(chuàng)新的交互潛力

，有望成為下一代智能交互的核心形態(tài)。端到端語音大模型：通過一體化建模實現(xiàn)了語音交互的質(zhì)的飛躍

，將人機溝通從“聽得懂”推向“說得妙

”，成為大模型時代最具情感溫度的人機接口。世界模型(WorldModel)

：世界模型代表了AI系統(tǒng)從“被動響應(yīng)”向“主動理解”與“預(yù)測”的關(guān)鍵躍遷

。它通過構(gòu)建一個能夠模擬

、理解并預(yù)測復(fù)雜環(huán)境變化的內(nèi)部系統(tǒng)

，為強化學(xué)習(xí)

、機器人控制、自動駕駛等需要高保真環(huán)境模擬的領(lǐng)域提供了基礎(chǔ)

，為構(gòu)建更通用的人工智能系統(tǒng)奠定了基礎(chǔ)。2.4

生態(tài)基礎(chǔ)設(shè)施的韌性與開放性異構(gòu)算力整合是構(gòu)建自主可控AI基礎(chǔ)設(shè)施的關(guān)鍵支撐。通過資源池化與智能調(diào)度，異構(gòu)算力將多元計算資源“化零為整”，不僅提升了大模型的部署效率與系統(tǒng)韌性，也為國內(nèi)大模型產(chǎn)業(yè)的規(guī)模化發(fā)10|2025

愛分析·大模型應(yīng)用實踐報告展提供了可靠基礎(chǔ)

。隨著國產(chǎn)芯片生態(tài)的完善與調(diào)度算法的持續(xù)優(yōu)化

，異構(gòu)算力整合將成為大模型產(chǎn)業(yè)不可或缺的基礎(chǔ)設(shè)施能力。3.

市場認知成熟與多維度需求的全面釋放市場需求是技術(shù)成果轉(zhuǎn)化為商業(yè)價值的最終落腳點

。政策驅(qū)動和技術(shù)成熟共同作用

，加速了G/B/C三端對大模型的價值認同

，并引發(fā)了從IT預(yù)算到戰(zhàn)略投資的投入模式轉(zhuǎn)變。3.1

認知成熟

：價值認同驅(qū)動戰(zhàn)略投入市場教育的深化使得對大模型的認知不再停留在技術(shù)好奇或概念驗證階段。隨著技術(shù)的可靠性（

RAG）和效率（

MoE/輕量化）

的提升

，市場已經(jīng)完成了從“技術(shù)可行性”到“商業(yè)價值”的確認

。投入模式隨之發(fā)生了根本性轉(zhuǎn)變：大模型建設(shè)投入從以往的IT支出或試點預(yù)算

，升級為與企業(yè)核心業(yè)務(wù)流程

深度捆綁的戰(zhàn)略投資

。這體現(xiàn)在企業(yè)愿意投入資源構(gòu)建私有化部署

、定制RAG知識庫以及Agent系統(tǒng)。3.2G/B端需求的剛性釋放與結(jié)構(gòu)性驅(qū)動3.2.1

政策驅(qū)動型剛性需求

(政府和央國企)國資委會議的推動是央國企端需求爆發(fā)的關(guān)鍵催化劑。央國企面臨國家戰(zhàn)略層面的數(shù)字化轉(zhuǎn)型壓力，必須將AI應(yīng)用內(nèi)嵌到核心生產(chǎn)和治理流程中

。這種政策推進首先作用于央國企，創(chuàng)造了高價值

、剛性的“第一批大訂單”。政策機制使得“政府作為第一個大客戶

”，保障了國內(nèi)AI生態(tài)在初期避免陷入純粹的低價競爭

，而是集中資源解決最高標(biāo)準(zhǔn)下的落地可行性問題

。這類需求特征是高安全要求（私有化部署）

、強定

制化（行業(yè)垂直模型）

、高合規(guī)性

。這反過來驅(qū)動了國內(nèi)大模型廠商必須在數(shù)據(jù)安全

、垂直領(lǐng)域精

度和私有化部署能力上快速成熟

，為后續(xù)向中小企業(yè)市場擴張奠定了高質(zhì)量基礎(chǔ)。11

|2025

愛分析·大模型應(yīng)用實踐報告3.2.2

效率驅(qū)動型需求

(普通企業(yè))對于更廣泛的普通企業(yè)

，大模型的價值主要體現(xiàn)在效率提升和成本優(yōu)化上：l

知識管理變革

：RAG技術(shù)直接滿足了企業(yè)解決內(nèi)部海量文檔的檢索

、分析和利用效率問題

，實現(xiàn)了企業(yè)知識資產(chǎn)的有效激活。l

流程自動化升級：Agent流程引擎的成熟推動了

RPA（機器人流程自動化）

的代際升級

，將自動化范疇從結(jié)構(gòu)化任務(wù)擴展到半結(jié)構(gòu)化和非結(jié)構(gòu)化任務(wù)

，極大地提升了白領(lǐng)工作效率。3.3C端消費的場景創(chuàng)新與生態(tài)培育3.3.1AIGC驅(qū)動內(nèi)容消費大模型在內(nèi)容生成（圖像

、視頻

、文本）上的能力突破

，直接驅(qū)動了新一輪的C端應(yīng)用浪潮

。特別是在短視頻

、游戲

、設(shè)計等領(lǐng)域

，AIGC實現(xiàn)了創(chuàng)作效率和個性化體驗的指數(shù)級提升。3.3.2

新交互形態(tài)的拉動與技術(shù)反向推動OS

Agents和端到端語音大模型通過語義驅(qū)動的深度交互，極大地優(yōu)化了用戶體驗，使AI助手從“功能集合”演變?yōu)椤爸鲃踊锇椤?。這種用戶對更流暢

、更智能體驗的追求

，刺激了對高性能端側(cè)AI硬件的更換需求。值得注意的是

，C端需求不再是技術(shù)的被動接收者

，而是通過對體驗和成本的嚴格要求

，反向引導(dǎo)了技術(shù)棧的優(yōu)化和迭代方向

。例如

，用戶對智能手機端側(cè)AI的需求

，直接反向推動了量化

、蒸餾等輕量化技術(shù)的研發(fā)投入

，以滿足低功耗

、高精度運行的要求

。這構(gòu)成了“技術(shù)供給”和“市場需求”之間更緊密的閉環(huán)反饋機制。3.4

社會與人才的需求重塑12|2025

愛分析·大模型應(yīng)用實踐報告需求的全面爆發(fā)正在重塑勞動力市場結(jié)構(gòu)

。人工智能產(chǎn)業(yè)本身及其賦能的應(yīng)用場景催生了新的就業(yè)機會

，例如數(shù)據(jù)標(biāo)注員

、人工智能提示詞設(shè)計員及基于人工智能進行內(nèi)容創(chuàng)作與模式創(chuàng)新的各類新職業(yè)。這種人才結(jié)構(gòu)性需求不僅是就業(yè)量的增加，更代表了社會對新型AI勞動力的迫切需要。此外，隨著大模型應(yīng)用的普及，社會對AI倫理

、治理和負責(zé)任創(chuàng)新的需求也同步提升

。這種對“智能向善”的治理需求反過來驅(qū)動了合規(guī)性強的

、

內(nèi)建安全機制的大模型產(chǎn)品在市場中更受歡迎。13|2025

愛分析·大模型應(yīng)用實踐報告市場洞察14|2025

愛分析·大模型應(yīng)用實踐報告2.

市場洞察1.價值遷移——應(yīng)用層將成為增長的核心引擎我們的分析基于2024年全年及2025年上半年的公開招投標(biāo)數(shù)據(jù)，這些數(shù)據(jù)真實反映了市場的既成采購行為與資金流向

。在此基礎(chǔ)上

，我們深度結(jié)合了對數(shù)十位覆蓋模型

、算力及應(yīng)用領(lǐng)域的行業(yè)專家的調(diào)研訪談

，對未來的技術(shù)趨勢

、商業(yè)化進程和市場接受度進行了前瞻性測算。圖12024-2027年中國大模型產(chǎn)業(yè)規(guī)模（單位

：億元人民幣）根據(jù)我們的測算

，

中國大模型產(chǎn)業(yè)的規(guī)模將迎來爆發(fā)式增長：l

2024年

，

中國大模型產(chǎn)業(yè)規(guī)模為

190.9億元人民幣。15|2025

愛分析·大模型應(yīng)用實踐報告l

從2024年到2027年

，產(chǎn)業(yè)的年均復(fù)合增長率（CAGR）將高達

167.3%。l

到

2027年

，產(chǎn)業(yè)總規(guī)模預(yù)計將增長至3,645.5億元人民幣。然而

，僅僅看到總量的爆發(fā)式增長是不夠的

，產(chǎn)業(yè)內(nèi)部的結(jié)構(gòu)性分化更能揭示未來的價值核心

。我們將產(chǎn)業(yè)解構(gòu)為算力層、模型層、開發(fā)層

、應(yīng)用層以及支撐性的AI

Infra，各層級的增長速度存在顯著差異。l

高增長層級(CAGR:200%-300%):應(yīng)用層

、開發(fā)層

、AI

Infral

穩(wěn)健增長層級(CAGR:90%-110%):

模型層

、算力層這一數(shù)據(jù)差異背后

，是清晰的價值遷移路徑：l

價值重心正從“基礎(chǔ)能力”向“場景落地”高速遷移

。模型層和算力層的增速相對較低

，但這并不代表它們不重要

。相反

，這標(biāo)志著基礎(chǔ)大模型和算力正在加速成為類似于“水”和“電”的新型公共基礎(chǔ)設(shè)施

。隨著市場競爭加劇和技術(shù)成熟，這一層的市場集中度將提高，價格趨于穩(wěn)定，其增長將更多由整體用量的提升驅(qū)動

，而非單價。l

應(yīng)用層是增長最核心的引擎

，是Agent價值的直接體現(xiàn)

。高達200%-300%的復(fù)合增長率預(yù)示著

，絕大部分的商業(yè)價值將在應(yīng)用層被創(chuàng)造和捕獲

。企業(yè)客戶最終購買的不是一個抽象的模型API，而是一個能夠解決具體業(yè)務(wù)問題、創(chuàng)造真實商業(yè)價值的解決方案——例如“AI核保員”、“AI工程師”或“AI法務(wù)助理”。應(yīng)用層的繁榮

，正是“勞動力重構(gòu)”這一宏大敘事的具體落地。l

開發(fā)層與AI

Infra的爆發(fā)是“淘金熱中的賣水人”。要支撐應(yīng)用層的“寒武紀大爆發(fā)

”，必須有一個繁榮的開發(fā)者生態(tài)和完善的配套設(shè)施

。開發(fā)層（如Agent開發(fā)管理平臺）和AI

Infra（如模型推理加速平臺）的超高速增長，是應(yīng)用層需求旺盛的直接投射

。它們?yōu)殚_發(fā)者降低了門檻、提高了效率

，是整個生態(tài)能夠快速運轉(zhuǎn)和創(chuàng)新的關(guān)鍵齒輪。16|2025

愛分析·大模型應(yīng)用實踐報告圖

22024-2027年中國大模型市場分布情況2.12024年：“基礎(chǔ)設(shè)施驅(qū)動”的初期格局在2024年

，市場格局呈現(xiàn)出典型的“基礎(chǔ)設(shè)施驅(qū)動”特征

。算力層占據(jù)著絕對的主導(dǎo)地位

，其市場占比高達

49.7%

，幾乎占據(jù)半壁江山

。這反映出當(dāng)時市場的首要任務(wù)是進行大規(guī)模算力建設(shè)

，以滿足訓(xùn)練和部署模型的需求。2.22025-2027年

：應(yīng)用層崛起

，主導(dǎo)地位易手2.結(jié)構(gòu)重塑——應(yīng)用層將超越算力層成為最大市場大模型產(chǎn)業(yè)正經(jīng)歷一場深刻的市場結(jié)構(gòu)變革。一個核心趨勢日益清晰：市場重心正從基礎(chǔ)設(shè)施建設(shè)，轉(zhuǎn)向上層的應(yīng)用與服務(wù)

。數(shù)據(jù)預(yù)測顯示

，“算力層”與“應(yīng)用層”的市場地位將發(fā)生歷史性的對調(diào)。17|2025

愛分析·大模型應(yīng)用實踐報告這種格局并非一成不變

。隨著企業(yè)算力建設(shè)逐步成熟

，其市場占比將進入持續(xù)下降通道——從2025年的37.5%

，最終在2027年預(yù)計降至24.5%。這表明市場正從“硬件投入”階段轉(zhuǎn)向“價值挖掘”階段。與此形成鮮明對比的是

，應(yīng)用層正以前所未有的速度崛起

。在2024年

，應(yīng)用層占比為33.0%

，仍居于算力層之后

。但隨著技術(shù)成熟和行業(yè)需求釋放

，其占比將水漲船高：l

預(yù)計在2025年達到41.3%

，超越算力層

，成為產(chǎn)業(yè)中的最大市場，l

最終在2027年達到47.3%。2.3

其他層級的演變路徑除了兩大核心板塊的此消彼長

，其他層級也呈現(xiàn)出清晰的演變路徑：l

開發(fā)層

：市場占比將從4.6%（2024年）穩(wěn)步上升至15.7%（2027年）

。這表明為開發(fā)者提供高效工具和平臺的“賣水”生意將日益重要。l

AI

Infra：

市場占比從4.1%（2024年）

增長到9.0%（2027年）

。這反映出在大規(guī)模應(yīng)用部署背景下

，對數(shù)據(jù)管理

、模型部署和運維服務(wù)的需求將持續(xù)增加。l

模型層

：市場占比則呈現(xiàn)下降趨勢

，從8.7%（

2024年）

降至3.4%（

2027年）

。這主要是受開源模型的沖擊

，導(dǎo)致閉源模型商業(yè)化路徑受到根本性挑戰(zhàn)。3.企業(yè)選型策略——大廠（

平臺型）與初創(chuàng)（專業(yè)型）

的場景分野大模型的興起極大地降低了AI應(yīng)用開發(fā)的門檻，但也為企業(yè)的產(chǎn)品選型帶來了新的挑戰(zhàn)

。市場上的供應(yīng)商正清晰地分化為兩大陣營

：以大型廠商為代表的“平臺型”供應(yīng)商和以初創(chuàng)企業(yè)為代表的“專業(yè)型”供應(yīng)商

。對于尋求AI賦能的企業(yè)而言

，理解二者的能力邊界和優(yōu)勢場景

，是制定正確采購決策的關(guān)鍵。18|2025

愛分析·大模型應(yīng)用實踐報告3.1

何時選擇大型廠商（

平臺型供應(yīng)商）大廠（如互聯(lián)網(wǎng)巨頭、云服務(wù)商）的核心優(yōu)勢在于其長期積累的“三駕馬車”：雄厚的算力基礎(chǔ)設(shè)施、海量的多維數(shù)據(jù)和龐大的用戶生態(tài)

。這使得它們天然占據(jù)了產(chǎn)業(yè)鏈的制高點。企業(yè)在以下場景中應(yīng)優(yōu)先考慮大型廠商：l

尋求通用的

、與現(xiàn)有辦公生態(tài)集成的能力

。大廠具備最強的基礎(chǔ)模型研發(fā)能力

，并已將其深度集成到操作系統(tǒng)、瀏覽器和辦公套件（如Office

Copilot、釘釘、企業(yè)微信）等核心生產(chǎn)力工具中

。典型場景：企業(yè)內(nèi)部的通用AI助理

、文檔總結(jié)

、代碼生成

、多語言翻譯

、會議紀要

。選型理由

：這些功能依賴強大的通用模型能力

，且與企業(yè)現(xiàn)有軟件生態(tài)綁定

。選擇大廠可以確保最佳的集成體驗

、可擴展性和服務(wù)穩(wěn)定性

，避免數(shù)據(jù)孤島。l

依賴底層云服務(wù)和模型即服務(wù)（

MaaS）。各大云服務(wù)商（如阿里云

、騰訊云

、華為云）提供從IaaS到

PaaS再到MaaS

的完整技術(shù)棧。典型場景：企業(yè)希望利用強大的基礎(chǔ)模型API作為“底座”，自行在上層開發(fā)應(yīng)用；或者需要統(tǒng)一的AI開發(fā)平臺（

PaaS）來管理和調(diào)度多個模型

。選型理由

：大廠提供了最具成本效益

、彈性和安全合規(guī)的底層服務(wù)

。企業(yè)無需自行承擔(dān)高昂的算力成本和復(fù)雜的運維工作

，可以按需調(diào)用AI能力。l

嵌入現(xiàn)有C端或B端基礎(chǔ)設(shè)施的應(yīng)用

。對于需要海量用戶數(shù)據(jù)形成飛輪

，或已深度嵌入企業(yè)流程的場景

，大廠具有天然的渠道和數(shù)據(jù)壁壘

。典型場景：

電商平臺的AI導(dǎo)購

、社交媒體的AI推薦

、已有的CRM/ERP系統(tǒng)內(nèi)的AI功能升級

。選型理由：在這些場景下，AI能力需要與平臺的流量入口和業(yè)務(wù)數(shù)據(jù)（如用戶行為

、供應(yīng)鏈數(shù)據(jù)）

緊密結(jié)合

。大廠憑借其既有渠道和數(shù)據(jù)閉環(huán)

，能最快實現(xiàn)AI的規(guī)?；渴鸷蜕虡I(yè)化。選型小結(jié)：

當(dāng)企業(yè)的核心需求是通用能力

、生態(tài)集成

、平臺穩(wěn)定性和基礎(chǔ)設(shè)施（MaaS/PaaS）

時，大型廠商是首選。19|2025

愛分析·大模型應(yīng)用實踐報告3.2

何時選擇初創(chuàng)企業(yè)（專業(yè)型供應(yīng)商）初創(chuàng)企業(yè)的機會在于避開通用競爭

，利用其敏捷性

、行業(yè)深度和交互創(chuàng)新

，在特定領(lǐng)域提供大廠難以匹敵的專業(yè)解決方案。企業(yè)在以下場景中應(yīng)重點考察初創(chuàng)企業(yè)：l

解決極度垂直的專業(yè)領(lǐng)域難題（“

Know-How”壁壘）

。這是初創(chuàng)企業(yè)最主要的突破口

。大廠的模型是“通才

”，但在需要深厚行業(yè)

Know-How和專業(yè)數(shù)據(jù)的領(lǐng)域

，往往不如“專才”。典

型場景：①法律科技：特定法系（如海商法）的合同審查

、合規(guī)AI；②科研/工業(yè)：新藥靶點發(fā)

現(xiàn)

、材料基因組AI

、結(jié)合

BIM的建筑工程設(shè)計優(yōu)化；③金融風(fēng)控：針對特定衍生品交易的實時

風(fēng)險研判

。選型理由

：這些場景對準(zhǔn)確性

、專業(yè)性和可解釋性的要求極高

。初創(chuàng)公司通常由行

業(yè)專家團隊主導(dǎo)

，擁有大廠難以獲取的“小數(shù)據(jù)”和“專家經(jīng)驗

”，能提供真正可用的“專家級”解決方案。l

追求全新的人機交互范式與工作流重塑（“AI-Native”創(chuàng)新）。大模型帶來的不僅是技術(shù)升級

，更是交互范式的革命

。初創(chuàng)公司沒有歷史產(chǎn)品包袱

，能從零開始設(shè)計“AI原生”的產(chǎn)品

。典型

場景

：①Agent（智能體）

：能自主完成特定工作流的

AI（如自動化SaaS營銷

、

自主交易）；②多模態(tài)生產(chǎn)：針對游戲美術(shù)、廣告創(chuàng)意等特定風(fēng)格的高效生成工具；③沉浸式應(yīng)用：利用LLM結(jié)合XR技術(shù)，提供創(chuàng)新的教育、培訓(xùn)體驗。選型理由：大廠往往受制于現(xiàn)有產(chǎn)品線，傾向于“AI+舊軟件”的優(yōu)化

。而初創(chuàng)企業(yè)能提供“AI優(yōu)先”的產(chǎn)品，徹底重構(gòu)工作流

，帶來極為明顯的效率提升。l

尋求高性價比和敏捷部署的效率工具（SME市場）

。大量中小型企業(yè)（SME）預(yù)算有限

，無法采購大廠的重型解決方案

，

它們需要“開箱即用”的輕量化工具

。典型場景：

電商SME

的客服

自動化

、一鍵商品詳情生成

、社交媒體內(nèi)容運營；基于開源模型的高性價比部署方案

。選型理20|2025

愛分析·大模型應(yīng)用實踐報告由

：初創(chuàng)企業(yè)能提供更靈活的SaaS訂閱模式

、更低的部署成本和更快的響應(yīng)速度

。它們專注于解決SME的某個高頻痛點

，性價比極高。選型小結(jié)：

當(dāng)企業(yè)的核心需求是行業(yè)深度

、流程重塑（效率革命）

、AI原生體驗或高性價比時

，專業(yè)型初創(chuàng)企業(yè)是更優(yōu)的選擇。21|2025

愛分析·大模型應(yīng)用實踐報告對話式智能分析市場22|2025

愛分析·大模型應(yīng)用實踐報告3.

對話式智能分析市場對話式智能分析是大模型應(yīng)用的重要分支之一

。企業(yè)在規(guī)劃和落地此類項目時

，不應(yīng)僅關(guān)注技術(shù)的前沿性

，更應(yīng)聚焦于項目如何成功交付并產(chǎn)生實際業(yè)務(wù)價值

。基于對行業(yè)一線廠商的深度調(diào)研

，我們總結(jié)出以下六大關(guān)鍵成功要素

，

它們共同決定了項目的成敗。1.價值定位

：超越“取數(shù)

”，聚焦“高價值分析”項目立項的價值定位是首要的成功要素。l

避免價值陷阱

：如果產(chǎn)品定位僅僅是“用自然語言替代BI工具進行數(shù)據(jù)查詢

”，企業(yè)很快會發(fā)現(xiàn)其價值有限

。業(yè)務(wù)人員在得到一個數(shù)字后

，本能的反應(yīng)是“然后呢？”。l

聚焦高價值場景

：成功的項目應(yīng)將價值重心從金字塔底層的“數(shù)據(jù)查詢”和“數(shù)據(jù)統(tǒng)計

”

，遷移至上層的“數(shù)據(jù)推理”和“智慧決策”。l

“報告生成”是殺手級應(yīng)用：企業(yè)真正的痛點之一是撰寫分析報告。一個成功的系統(tǒng)應(yīng)能實現(xiàn)“

目標(biāo)驅(qū)動”，即用戶只提出一個目標(biāo)（如“幫我寫一份本月的經(jīng)營復(fù)盤報告

”），系統(tǒng)就能自主完成數(shù)據(jù)提取、多維分析、歸因洞察并最終生成一份結(jié)構(gòu)化報告。這種價值提升是將分析師從“以天為單位”的工作量壓縮到“以分鐘為單位

”，其

ROI（投資回報率）遠高于單純的“取數(shù)”。2.技術(shù)選型

：采用混合架構(gòu)

，而非單一模型企業(yè)常誤認為此類項目只是一個大模型接口

。事實上

，成功的企業(yè)級應(yīng)用依賴于一套復(fù)雜的混合技術(shù)架構(gòu)。l

建立統(tǒng)一語義層

：在企業(yè)現(xiàn)有的數(shù)據(jù)倉庫（DWS）之上

，必須構(gòu)建一個統(tǒng)一的指標(biāo)語義層

。這比直接的“Text-to-SQL”路徑更為穩(wěn)健

。大模型通過理解語義層來生成查詢

，而不是直接編寫SQL

，這能從根本上保證指標(biāo)口徑的統(tǒng)一和準(zhǔn)確性。23|2025

愛分析·大模型應(yīng)用實踐報告l

采用“推理模型

+

基礎(chǔ)模型”的雙模策略

：不同任務(wù)需要不同模型

。簡單的查數(shù)

、制表

，使用輕量級基礎(chǔ)模型（如V3或72B模型）

即可

，

響應(yīng)快

、成本低

。但要實現(xiàn)復(fù)雜的歸因分析

、報告撰寫，則必須依賴更強大的推理模型（如

DeepSeek

R1）來執(zhí)行復(fù)雜的思維鏈（

CoT）任務(wù)。l

構(gòu)建多智能體（Multi-Agent）協(xié)作架構(gòu)：面對“生成一份財務(wù)報告”這樣的復(fù)雜目標(biāo)，單一Agent無法勝任。成功的架構(gòu)應(yīng)是多Agent協(xié)作式的：例如，一個“指標(biāo)Agent”負責(zé)取數(shù)，一個“洞察Agent”負責(zé)歸因分析

，一個“報告Agent”負責(zé)撰寫

。這種架構(gòu)不僅能完成復(fù)雜任務(wù)

，且具有高度解耦和可維護性。l

具備企業(yè)級大數(shù)據(jù)處理能力

：許多產(chǎn)品在演示時使用本地Python腳本

，只能處理萬級或十萬級數(shù)據(jù)

。企業(yè)實際業(yè)務(wù)數(shù)據(jù)動輒上億

。因此

，系統(tǒng)后端必須具備基于分布式計算（如Spark）的能力

，才能滿足企業(yè)級大數(shù)據(jù)量的處理和性能要求。3.信任構(gòu)建

：確保結(jié)果“可追溯”與“可干預(yù)”準(zhǔn)確性是此類項目最大的挑戰(zhàn)和落地痛點

。由于大模型存在“幻覺

”，用戶對AI生成的答案（尤其是關(guān)鍵業(yè)務(wù)數(shù)據(jù)）

天然抱有不信任感。l

設(shè)定合理的準(zhǔn)確率預(yù)期

：企業(yè)必須明確

，系統(tǒng)無法達到

100%的準(zhǔn)確率

。在項目初期

，應(yīng)設(shè)定清晰的驗收標(biāo)準(zhǔn)

：例如

，對于簡單的取數(shù)

，準(zhǔn)確率應(yīng)達到90%以上；對于復(fù)雜的建模分析，準(zhǔn)確率達到80%以上被認為是可接受的。l

過程可追溯：這是建立信任的唯一途徑

。杜絕“黑盒

”：系統(tǒng)在給出答案時，必須能清晰展示其分析過程

?；旌仙赡Ｊ剑涸谏蓮?fù)雜報告時

，成功的做法是“分步走

”：首先

，大模型利用其24|2025

愛分析·大模型應(yīng)用實踐報告推理能力生成報告的“大綱

”

；然后

，針對大綱中的每一個數(shù)據(jù)點

，系統(tǒng)通過調(diào)用語義層（而非大模型編造）來執(zhí)行可信的數(shù)據(jù)查詢

；最后，大模型再對這些“可信數(shù)據(jù)”進行分析和解讀。l

結(jié)果可干預(yù)：“可追溯”不應(yīng)只是“展示代碼”。成功的系統(tǒng)必須允許業(yè)務(wù)人員（非技術(shù)人員）能輕松地對分析過程進行干預(yù)和修改。例如，通過可視化的算子流

或點擊配置項，用戶可以自行修改過濾條件

、更換圖表類型

，并立即看到結(jié)果刷新。4.場景選擇

：從“容錯場景”切入

，逐步賦能“核心決策”由于準(zhǔn)確性無法達到100%

，項目的切入點選擇至關(guān)重要。l

優(yōu)先選擇“高容錯”場景：項目啟動初期，應(yīng)選擇那些對錯誤容忍度較高的場景進行試點。例如，在客戶營銷推廣中

，AI分析出

10個潛在客戶

，即使用戶多發(fā)了

1條錯誤的短信

，其后果也是可接受的

，但價值在于提升了效率。l

定位為“人機協(xié)同”的輔助角色：在準(zhǔn)確性要求高的場景（如財務(wù)分析

、安全生產(chǎn)）

，系統(tǒng)不應(yīng)替代人

，而應(yīng)扮演“數(shù)據(jù)分析師助手”的角色

。AI負責(zé)完成80%的繁重工作（如自動生成算子流或分析報告初稿）

，但最終的決策和審核必須由人來完成。l

發(fā)掘“大海撈針”型場景

：在某些領(lǐng)域（如情報分析

、商機挖掘）

，AI的價值在于其強大的信息處理能力

。即使AI分析出的

10條線索中有9條是錯的

，但只要有

1條是對的

，就具有了極大的業(yè)務(wù)價值。5.落地前提

：客戶側(cè)的“數(shù)據(jù)治理”與“資產(chǎn)積累”項目的成功不僅依賴于供應(yīng)商的技術(shù)

，更依賴于企業(yè)自身的“地基”。25|2025

愛分析·大模型應(yīng)用實踐報告l

數(shù)據(jù)治理成熟度是項目周期的決定因素

：供應(yīng)商無法憑空交付價值

。如果企業(yè)自身的數(shù)據(jù)倉庫（

DWS）

、數(shù)據(jù)治理

、寬表建設(shè)等基礎(chǔ)工作尚未完成

，項目周期將被無限拉長

。反之

，如果企業(yè)數(shù)據(jù)基礎(chǔ)良好

，AI應(yīng)用的部署和初始化（如指標(biāo)配置

、模板配置）

可在數(shù)周內(nèi)完成。l

高質(zhì)量的“行業(yè)模板”是關(guān)鍵資產(chǎn)：AI分析的質(zhì)量很大程度上取決于“投喂”給它的范例質(zhì)量

。企業(yè)（或供應(yīng)商）積累的高質(zhì)量

、體系化的分析報告模板和行業(yè)黑話（Know-how）

，是決定AI能否生成深度洞察的關(guān)鍵

，其重要性甚至不亞于模型技術(shù)本身。6.價值衡量：

具備清晰的

ROI

，實現(xiàn)“降本增效”最后

，項目必須能被清晰地衡量

。成功的項目往往在立項之初就有明確的ROI（投資回報率）

目標(biāo)。l

降本：最直接的價值體現(xiàn)在“砍預(yù)算”。例如，某金融機構(gòu)原有數(shù)百人的數(shù)據(jù)分析外包團隊，每年成本高達數(shù)千萬元

。引入智能分析平臺的核心驅(qū)動力之一，就是用AI替代大部分初級和中級外包分析師的工作

，實現(xiàn)顯著的成本節(jié)約。l

增效

：一是將核心分析師從繁瑣的“取數(shù)”和“報告撰寫”中解放出來

，投入到更具價值的決策工作中；二是通過降低數(shù)據(jù)門檻，使一線的業(yè)務(wù)人員（如分支行行長）也能直接獲取數(shù)據(jù)并進行自助分析

，提升整個組織的決策效率和數(shù)據(jù)參與度。26|2025

愛分析·大模型應(yīng)用實踐報告案例

1

:城商行借助數(shù)勢科技Agent

實現(xiàn)智能分析

，

降本增效隨著智能化轉(zhuǎn)型的加速

，越來越多的銀行開始探索大模型技術(shù)的應(yīng)用

，

以提升運營效率

、優(yōu)化服務(wù)質(zhì)量

、優(yōu)化成本結(jié)構(gòu)

。數(shù)據(jù)分析作為大模型落地的重要場景之一

，備受關(guān)注

。然而

，許多銀行基于大模型的數(shù)據(jù)分析項目僅停留在取數(shù)階段

，無法實現(xiàn)報告生成這一更深層次的需求

，導(dǎo)致大模型在銀行數(shù)據(jù)分析領(lǐng)域的應(yīng)用價值較為有限。在這種背景下

，某頭部城商行與數(shù)勢科技的合作

，為這一難題提供了創(chuàng)新解決方案

。通過引入先進的技術(shù)和架構(gòu)

，該城商行成功實現(xiàn)了從自然語言取數(shù)到深度洞察報告生成的跨越

，顯著提升了數(shù)據(jù)處理效率

，

同時大幅降低了人力成本

。本文將詳細探討這一合作項目的背景

、解決方案及實施成果

，為其他銀行提供參考。01.大模型驅(qū)動

，某城商行開啟數(shù)據(jù)分析降本增效新路徑某城商行的數(shù)據(jù)管理部擁有一個500人左右的團隊

，其中約一半為外包人員

。外包成員主要包括數(shù)據(jù)分析師

、產(chǎn)品經(jīng)理

、工程師等角色

，其主要服務(wù)內(nèi)容是利用

BI（商業(yè)智能）

工具

，為分支行領(lǐng)導(dǎo)及業(yè)務(wù)人員提供數(shù)據(jù)提取服務(wù)

，并撰寫相關(guān)報告。以核心報告之一——分支行業(yè)績對比及經(jīng)營考核報告為例。在總行進行經(jīng)營分析時

，需要完成兩項主要工作

：一是對所有分支行的核心指標(biāo)進行排名；

二是撰寫績效考核報告

。這一過程目前主要依靠人工完成。例如，若圍繞10個指標(biāo)撰寫一份經(jīng)營分析報告，需先由數(shù)據(jù)分析師提取相關(guān)數(shù)據(jù)報表

，再由業(yè)務(wù)人員依據(jù)該報表制作報告模板

，

隨后數(shù)據(jù)分析師與業(yè)務(wù)人員協(xié)同手工撰寫報告，整個流程通常耗時約兩天。由于效率偏低

，雖然數(shù)據(jù)管理部人數(shù)較多

，但仍常出現(xiàn)工單積壓的情況

。并且

，該城商行目前每年在200多名外包人員上的成本約為7,000萬元

。為優(yōu)化成本結(jié)構(gòu)，銀行管理層期望借助大模型27|2025

愛分析·大模型應(yīng)用實踐報告技術(shù)

，提升數(shù)據(jù)處理效率

，以及節(jié)省相應(yīng)的人力成本。02.指標(biāo)語義層+推理模型+Agent

，數(shù)勢科技為城商行降本增效提供新解法在考察了一些智能分析廠商后

，該銀行發(fā)現(xiàn)目前的智能分析產(chǎn)品大多仍停留在查數(shù)這一基礎(chǔ)場景上

，價值比較有限

。然而

，銀行內(nèi)部真正高頻且亟待解決的痛點是報告生成

。例如

，員工在向領(lǐng)導(dǎo)匯報工作時

，往往需要先制作一份業(yè)績復(fù)盤報告

，其中不僅要包含數(shù)據(jù)表格

，還要有對數(shù)據(jù)的解讀以及相應(yīng)的策略建議

。只有真正滿足報告生成這一核心需求

，才能有效賦能團隊

，實現(xiàn)智能決策。在此背景下

，該銀行與數(shù)勢科技展開接觸

，并認識到數(shù)勢科技的獨特優(yōu)勢

，進而與之展開合作。具體而言

，數(shù)勢科技的三點獨特優(yōu)勢如下：l

高回答準(zhǔn)確率：

回答準(zhǔn)確率是銀行做數(shù)據(jù)應(yīng)用的基礎(chǔ)

。當(dāng)前市場上的

ChatBI類產(chǎn)品多采用NL2SQL技術(shù)路線，通常準(zhǔn)確率在60%，且存在數(shù)據(jù)安全風(fēng)險，而數(shù)勢科技SwifAgent產(chǎn)品則在2023年便首創(chuàng)了大模型+指標(biāo)平臺的技術(shù)路線

，在取數(shù)環(huán)節(jié)采用選NL2Semantic

Layer的方式

，也就是在自然語言和數(shù)據(jù)底表間構(gòu)建指標(biāo)語義層

，讓大模型去做擅長的自然語言意圖理解

，讓指標(biāo)語義層去做和底表數(shù)據(jù)之間的業(yè)務(wù)邏輯和映射關(guān)系

，從而解決大模型幻覺問題

，將自然語言取數(shù)準(zhǔn)確率實現(xiàn)

100%。l

深度需求滿足：在滿足了精準(zhǔn)問數(shù)需求的基礎(chǔ)上，數(shù)勢科技

SwiftAgent也在2025年實現(xiàn)版本升級

，通過融入

DeepSeek

R1推理模型和企業(yè)知識庫

，可自動化的沉淀企業(yè)知識

，

降低對于微調(diào)的依賴

，更好地滿足銀行進行數(shù)據(jù)波動歸因

、預(yù)警分析和報告生成等深度需求

，為銀行提供一站式智能指標(biāo)平臺和智能分析方案。l

成功案例背書：據(jù)公開資料了解到，2024年數(shù)勢科技與中原銀行合作智能指標(biāo)平臺建設(shè)，項目28|2025

愛分析·大模型應(yīng)用實踐報告以數(shù)勢科技智能分析助手SwiftAgent為核心產(chǎn)品

，為中原銀行構(gòu)建統(tǒng)一指標(biāo)管理平臺

，確保指標(biāo)定義的統(tǒng)一性和標(biāo)準(zhǔn)化

，通過低代碼

、

自動化的指標(biāo)生產(chǎn)代替人工開發(fā)進而提高指標(biāo)交付效率，以便更好地挖掘數(shù)據(jù)中的價值。在此基礎(chǔ)上，項目還融合大模型能力構(gòu)建智能分析平臺，實現(xiàn)指標(biāo)問答

、圖表生成、報告生成以及歸因分析等靈活應(yīng)用，有效提升了業(yè)務(wù)分析決策效率，助力銀行業(yè)務(wù)發(fā)展

。銀行內(nèi)部人員對該項目給予了高度評價

。這一成功案例為數(shù)勢科技的技術(shù)實力和產(chǎn)品可落地性提供了有力背書。03.數(shù)勢科技SwiftAgent的產(chǎn)品架構(gòu)與核心落地場景SwiftAgent產(chǎn)品最新版本的核心架構(gòu)分為三層

：數(shù)據(jù)層

、引擎層和應(yīng)用層。數(shù)據(jù)層支持多源異構(gòu)數(shù)據(jù)接入，提供靈活的數(shù)據(jù)集成方案，包括存算一體、存算分離和存算外置。通過這些方案

，確保不同數(shù)據(jù)源能夠無縫連接并進行高效處理。引擎層是整個產(chǎn)品的智算核心

，包含三個關(guān)鍵模塊：l

數(shù)據(jù)語義模塊

：通過精準(zhǔn)的指標(biāo)和標(biāo)簽平臺

，解決大模型的幻覺問題

，確保自然語言與數(shù)據(jù)之間的精準(zhǔn)映射

。該模塊通過結(jié)構(gòu)化轉(zhuǎn)譯消除語義鴻溝

，并利用預(yù)計算加速引擎將復(fù)雜查詢響應(yīng)時間壓縮至秒級

，確保實時決策需求的滿足。l

智能模型引擎模塊

：采用混合智能架構(gòu)

，結(jié)合大模型和小模型的動態(tài)協(xié)同

。大模型負責(zé)語義理解與邏輯推演

，調(diào)用行業(yè)知識增強的百億參數(shù)模型；小模型則專注于結(jié)構(gòu)化分析

，處理時序解析和指標(biāo)計算等任務(wù)

。動態(tài)路由控制器根據(jù)任務(wù)自動分配算力

，實現(xiàn)推理成本與精度的最優(yōu)平衡。l

數(shù)據(jù)分析技能池

：涵蓋從數(shù)據(jù)提取到歸因分析再到報告生成的完整閉環(huán)

，提供全面的數(shù)據(jù)分析能力

，幫助決策者獲取精確的洞察。29|2025

愛分析·大模型應(yīng)用實踐報告圖3

數(shù)勢科技SwiftAgent產(chǎn)品架構(gòu)圖基于以上產(chǎn)品架構(gòu)

，在與該銀行的合作中

，數(shù)勢科技通過SwiftAgent智能分析助手的核心能力，顯著提升了企業(yè)的數(shù)據(jù)分析準(zhǔn)確性以及洞察決策的效率和質(zhì)量。1.

低門檻取數(shù)與數(shù)據(jù)洞察SwiftAgent利用自然語言交互技術(shù)結(jié)合

DeepSeek大模型

，使業(yè)務(wù)人員無需掌握復(fù)雜的技術(shù)工具

，便能通過對話式查詢快速獲取數(shù)據(jù)和可視化結(jié)果

。該功能不僅極大降低了數(shù)據(jù)獲取門檻

，還能夠?qū)?shù)據(jù)結(jié)果清晰地呈現(xiàn)給決策者

，在該銀行的應(yīng)用

，支持業(yè)務(wù)人員迅速生成包含資產(chǎn)配置優(yōu)化建議

、市場趨勢預(yù)測等關(guān)鍵報告，幫助金融機構(gòu)精準(zhǔn)研判市場動態(tài)，提升決策的專業(yè)性和效率。2.

多端適配與決策敏捷性SwiftAgent的多端適配能力

，確保無論在

PC端還是移動端

，該銀行領(lǐng)導(dǎo)也團隊都能隨時隨地獲應(yīng)用層是SwiftAgent

向上為企業(yè)提供功能場景的重要支撐

，通過

Multi-Agent架構(gòu)

，將多個數(shù)據(jù)應(yīng)用智能體協(xié)同工作

。在不同業(yè)務(wù)場景下

，智能體可以聯(lián)合調(diào)用

，如分析報告場景需要同時調(diào)用取數(shù)Agent

、分析Agent

和報告Agent

，實現(xiàn)高效協(xié)作

，滿足業(yè)務(wù)需求。30|2025

愛分析·大模型應(yīng)用實踐報告取數(shù)據(jù)分析結(jié)果

，使日常運營決策更加迅速和高效。3.

智能報告生成與深度分析結(jié)合DeepSeek大模型的能力，SwiftAgent在深度思考、歸因解讀、智能報告生成和決策建議四大維度實現(xiàn)了飛躍

。在該項目落地中

，SwiftAgent能夠在5至10分鐘內(nèi)給提供精確

、符合銀行需求的深度分析報告

，報告內(nèi)容不僅全面

，還支持該城商行提供模板定制分析維度

，具有高度的可用性性和決策支持價值

，使得銀行的管理層能夠迅速調(diào)整戰(zhàn)略

，提高決策效率。圖4

數(shù)勢科技SwiftAgent生成AI報告功能展示04.從2天縮短至

10分鐘

，數(shù)勢科技SwiftAgent賦能銀行報告撰寫效率數(shù)勢科技SwiftAgent報告生成能力是在自然語言精準(zhǔn)取數(shù)的基礎(chǔ)上

，結(jié)合DeepSeek的深度思31|2025

愛分析·大模型應(yīng)用實踐報告考能力和沉淀的金融行業(yè)分析模板，結(jié)合自研小模型和多Agent架構(gòu)調(diào)用共同實現(xiàn)的。具體而言，報告生成的過程包括以下幾個關(guān)鍵步驟：1.

報告框架生成

：首先

，基于企業(yè)數(shù)據(jù)庫和行業(yè)通用知識

，

自動化生成報告框架

，作為后續(xù)內(nèi)容填充的結(jié)構(gòu)基礎(chǔ)；2.

子問題生成

：根據(jù)指標(biāo)語義層

，SwiftAgent生成報告中每個子問題

，嚴格依據(jù)存量指標(biāo)進行構(gòu)建；3.

數(shù)據(jù)提取與分析

：針對每個子問題

，

自動化調(diào)用相應(yīng)的Agent進行數(shù)據(jù)取數(shù)

、分析

，并生成相應(yīng)的內(nèi)容；4.

結(jié)果填充

：最終

，生成的分析結(jié)果被填充到報告框架的相應(yīng)位置

，完成報告的形成。通過這種創(chuàng)新的AI報告生成能力

，SwiftAgent能夠為用戶提供結(jié)構(gòu)化的報告

，如金融領(lǐng)域的資產(chǎn)配置優(yōu)化建議和市場趨勢預(yù)測

。這種報告不僅幫助用戶精準(zhǔn)研判市場動態(tài)

，也提升了投資決策和風(fēng)險管控的專業(yè)效能。05.六周完成項目落地

，該城商行信用卡部門報告生成效率提升40倍1.

項目落地步驟一

：分析報告場景與指標(biāo)體系梳理（約2周

）在引入AI報告生成技術(shù)的初期，關(guān)鍵任務(wù)是將抽象的業(yè)務(wù)需求轉(zhuǎn)化為可量化的分析指標(biāo)。項目團隊首先與業(yè)務(wù)部門合作

，確定從信用卡用戶活躍度和營銷策略分析兩個場景入手

。通過從銀行數(shù)據(jù)中臺接入信用卡交易數(shù)據(jù)

、手機銀行行為日志以及第三方支付渠道等數(shù)據(jù)

，

團隊構(gòu)建了涵蓋DAU（日活躍用戶數(shù)）

、MAU（月活躍用戶數(shù)）

、消費頻次

、綁卡交易占比

、留存率等指標(biāo)的活躍度分析體系。32|2025

愛分析·大模型應(yīng)用實踐報告圖5信用卡用戶活躍度分析體系建設(shè)方法同時

，在信用卡運營策略效果評估方面

，

團隊與銀行共同對活動進行了細致分類

，針對促活類、增收類

、留存類活動分別設(shè)計了不同的評估指標(biāo)和歸因分析模型。2.

項目落地步驟二

：分析模板設(shè)計與持續(xù)優(yōu)化（約2周

）實現(xiàn)報告生成自動化與智能化的關(guān)鍵在于打造可復(fù)用的分析模板

。項目團隊與銀行分析師合作，定義了分析模板的整體架構(gòu)

，并為每種分析范式設(shè)計了不同的可視化類型和總結(jié)側(cè)重點

。針對核心信用卡活躍類指標(biāo)的歸因分析，采用了維度歸因

、因子歸因和分析樹歸因三種范式的融合方案，確保報告接收方能夠從多個視角全面了解指標(biāo)變化的原因

。通過與銀行分析師的共同努力

，項目團隊建立了約20個分析模板庫，按報告類型分類存儲，并記錄版本迭代歷史。這一舉措旨在提升33|2025

愛分析·大模型應(yīng)用實踐報告AI生成報告的采納率

。測試數(shù)據(jù)顯示

，采納率由最初的30%提升至80%。3.

項目落地步驟三

：培訓(xùn)推廣

，從試點到規(guī)模化的跨越（約2周

）試點推廣是驗證項目價值的關(guān)鍵環(huán)節(jié)

。項目團隊與銀行合作

，選擇信用卡中心的用戶運營與活動運營團隊作為試點對象

，覆蓋超過50%的分析師團隊

，并建立了問題反饋通道

，每周收集用戶需求

。經(jīng)過2周的試點運行，報告生成時間從原來的2.5天（純?nèi)斯ぷ珜懀┛s短至30分鐘（大模型生成

10分鐘+

人工輔助優(yōu)化20分鐘）

。在為信用卡中心快速提效并完成速贏場景后

，項目團隊制作了培訓(xùn)視頻

，將報告生成能力推廣至對公貸款業(yè)務(wù)團隊

，鼓勵更多業(yè)務(wù)團隊嘗試使用AI報告工具。項目效果經(jīng)過一系列實踐和探索，該頭部城商行信用卡部門在AI報告生成方面取得了顯著成效。根據(jù)業(yè)務(wù)團隊實測反饋

，報告生成效率提升了約40倍

，從2.5天縮短至30分鐘

。這一效率提升使業(yè)務(wù)團隊能夠?qū)⒏嗑ν度氲叫庞每ㄉ芷诖倩畈呗缘闹贫ê蛢?yōu)化中，而非重復(fù)進行數(shù)據(jù)搬運工作。圖6

報告生成用時對比34|2025

愛分析·大模型應(yīng)用實踐報告此外，在項目開展過程中，銀行沉淀了20多個分析模板，涵蓋了用戶活躍度分析和營銷策略分析等場景

。這些模板將原本存在于分析師腦海中的“分析經(jīng)驗”產(chǎn)品化，并讓大模型得以吸收

，為后續(xù)分析思路的“可復(fù)制性”奠定了堅實的知識基礎(chǔ)。35|2025

愛分析·大模型應(yīng)用實踐報告“大模型+政務(wù)”市場36|2025

愛分析·大模型應(yīng)用實踐報告4.“大模型+政務(wù)”市場大模型在政務(wù)領(lǐng)域的應(yīng)用（如政府門戶網(wǎng)站的智能問答），其核心價值在于激活“沉睡”的政務(wù)數(shù)據(jù)。政府在常年運行中積累了海量的網(wǎng)站

、政策和服務(wù)數(shù)據(jù)

，但這些數(shù)據(jù)往往未被有效利用

，公眾訪問率低

、查找困難。然而

，政務(wù)場景對信息的權(quán)威性

、準(zhǔn)確性和安全性要求極高

，這使得大模型落地面臨極大挑戰(zhàn)

?；趯π袠I(yè)一線項目的深度分析，我們總結(jié)出以下五大關(guān)鍵成功要素

，它們共同決定了政務(wù)AI項目的成敗。1.信任與安全

：嚴控“幻覺”是項目的生命線在政務(wù)領(lǐng)域，信息的權(quán)威性壓倒一切

。項目最大的難點和核心痛點，就是解決模型的“幻覺”和敏感問題。l

嚴格的內(nèi)容邊界控制

(RAG)：這是杜絕幻覺的首要技術(shù)手段

。系統(tǒng)必須限制大模型只在政府提供的

、受控的數(shù)據(jù)庫范圍內(nèi)進行回答

。對于超出范圍的問題（例如非本領(lǐng)域問題）

，系統(tǒng)應(yīng)配置為拒絕回答

，而不是任由模型從外部循環(huán)中編造答案。l

完備的敏感性知識庫

：政務(wù)應(yīng)用必須配備一套積累深厚的敏感詞庫和問題庫

。這不僅包括常規(guī)的敏感詞

，還必須針對政務(wù)領(lǐng)域的特殊性

，如涉及落馬官員的政績評價等問題

，進行嚴格的限制和預(yù)設(shè)回答。l

前置的意圖識別：成功的架構(gòu)通常會在大模型前端部署一個“小模型”。這個小模型不負責(zé)生成答案

，而是專門用于快速識別用戶的意圖（例如

：是查詢政策

、查詢領(lǐng)導(dǎo)信息

，還是查詢新聞資訊）

，然后將問題精準(zhǔn)路由到對應(yīng)的專業(yè)知識庫（如政策庫

、領(lǐng)導(dǎo)人庫等）

。2.

數(shù)據(jù)基礎(chǔ)

：統(tǒng)一的數(shù)據(jù)底座是項目加速器37|2025

愛分析·大模型應(yīng)用實踐報告大模型的效果取決于數(shù)據(jù)質(zhì)量

。供應(yīng)商能否成功交付

，很大程度上不依賴于模型本身

，而依賴于數(shù)據(jù)基礎(chǔ)。l

統(tǒng)一資源庫：成功的政務(wù)項目往往建立在一個預(yù)先建成的“統(tǒng)一資源庫”之上

。政府客戶（如省級政府）如果已經(jīng)將下轄數(shù)百個網(wǎng)站的數(shù)據(jù)統(tǒng)一匯聚到一個標(biāo)準(zhǔn)化的平臺進行管理

，將極大降低AI項目的實施難度。l

數(shù)據(jù)的實時同步

：政務(wù)信息（如領(lǐng)導(dǎo)任免

、政策發(fā)布）

具有高時效性

。AI所依賴的知識庫必須與政府網(wǎng)站的生產(chǎn)系統(tǒng)（內(nèi)容發(fā)布系統(tǒng)）

完全打通

。當(dāng)網(wǎng)站內(nèi)容更新時

，知識庫必須實現(xiàn)實時同步

，否則AI將提供過時甚至錯誤的信息。l

向量化基礎(chǔ)：如果底層的“統(tǒng)一資源庫”在建設(shè)時就天然支持向量庫，那么數(shù)據(jù)的接入和實時入庫將變得非常簡單和高效。3.領(lǐng)域深度

：超越技術(shù)

，積累政務(wù)“Know-How”政務(wù)服務(wù)不是一個通用的聊天場景

，

它需要深度的行業(yè)知識。l

深度的數(shù)據(jù)加工能力

：僅僅采集數(shù)據(jù)是遠遠不夠的

。成功的關(guān)鍵在于對原始數(shù)據(jù)（尤其是長文本的政策文件）進行深度的結(jié)構(gòu)化加工和拆解

。例如

，必須能理解一篇上千字的政策

，并將其關(guān)鍵要素（如補貼對象

、申領(lǐng)條件

、截止日期）提取出來。l

積累行業(yè)通用數(shù)據(jù)資產(chǎn)：一個關(guān)鍵的成功要素是，供應(yīng)商自身是否積累了海量的行業(yè)通用數(shù)據(jù)。如果供應(yīng)商擁有一個覆蓋全國的“政策庫”或“政務(wù)服務(wù)庫

”

，就可以擺脫對單一客戶提供數(shù)據(jù)的依賴。這不僅能保證數(shù)據(jù)來源的豐富性

，還能實現(xiàn)跨區(qū)域比較（如比較兩市的購車優(yōu)惠政策）

，極大提升服務(wù)價值。38|2025

愛分析·大模型應(yīng)用實踐報告l

理解公眾真實訴求：必須基于對政府網(wǎng)站長期的用戶行為分析（如公眾常搜什么

、?？词裁矗?，來理解公眾的真實意圖和訴求

，并以此為中心優(yōu)化模型和服務(wù)。4.

架構(gòu)能力

：支持快速復(fù)制與迭代政府體系是分層級的（省

、市

、縣）

，一個成功的應(yīng)用必須具備高度的可復(fù)制性。l

中間層管理平臺：在基礎(chǔ)模型和上層應(yīng)用之間，必須有一個強大的“一體化管理平臺”。該平臺用于管理數(shù)據(jù)來源

、配置數(shù)據(jù)處理能力

、設(shè)定數(shù)據(jù)范圍限制以及管理權(quán)限。l

應(yīng)用的快速復(fù)制

：基于該管理平臺

，為省政府開發(fā)的應(yīng)用可以被快速“克隆

”出一個市級版本。實施過程僅需在新應(yīng)用中配置其對應(yīng)的數(shù)據(jù)源和權(quán)限

，而無需重新開發(fā)。5.

客戶因素

：關(guān)鍵決策者的認知與推動l

核心決策者的推動：項目往往由對新技術(shù)有深刻認知、且有強烈意愿解決“數(shù)據(jù)沉睡”痛點的核心部門（如電子政務(wù)處）

牽頭推動。l

對新技術(shù)的合理容忍度

：政府客戶對新技術(shù)的接受程度和容忍度至關(guān)重要

。愿意積極擁抱新技術(shù)的客戶

，會給予項目更多的測試和優(yōu)化時間

，并通過聲明（如“AI生成內(nèi)容

，請自行鑒別

”）來共同管理風(fēng)險。39|2025

愛分析·大模型應(yīng)用實踐報告案例2:

智能問答大模型“小貴”上線

，助力貴州政務(wù)服務(wù)升級貴州省人民政府辦公廳為提升政務(wù)服務(wù)水平，推動數(shù)字政府建設(shè)，與拓爾思合作開發(fā)了智能問答大模型“

小貴

”。該模型基于拓爾思的拓天政務(wù)大模型和大模型一體化管理平臺，通過多層次架構(gòu)設(shè)計

，

實現(xiàn)了對政務(wù)數(shù)據(jù)的深度整合與智能化應(yīng)用

?！靶≠F

”已正式上線貴州省人民政府官網(wǎng)

，提供包括猜你想問

、推薦主題

、辦事主題等功能在內(nèi)的智能問答服務(wù)

。

它能夠一鍵觸達全省各級政府網(wǎng)站及應(yīng)用的信息和服務(wù)

，

支持PC端和移動端

，

顯著提升了搜索的精準(zhǔn)度和效率

。項目的實施不僅優(yōu)化了公眾的使用體驗，增強了獲得感，還鞏固了貴州省政府網(wǎng)站集約化改革的成果

，

提升了資源利用效率

。此外

，“

小貴

”的構(gòu)建模式具備可復(fù)制性

，

為其他地區(qū)政務(wù)智能化建設(shè)提供了參考

。圖

7智能問答大模型“

小貴

”主界面40|2025

愛分析·大模型應(yīng)用實踐報告01

.貴州省政府辦公廳

：

以大模型技術(shù)突破政務(wù)數(shù)據(jù)價值瓶頸隨著數(shù)字政府建設(shè)的深入推進，貴州省政府辦公廳積極響應(yīng)數(shù)字政府實施工作要求，致力于創(chuàng)新探索云計算

、大數(shù)據(jù)

、人工智能

、區(qū)塊鏈等新型技術(shù)在數(shù)字政府領(lǐng)域的應(yīng)用

。貴州省政府網(wǎng)站集約化平臺作為支撐全省黨政機關(guān)網(wǎng)站的重要平臺，承擔(dān)著鞏固拓展集約化改革試點成果的重任

。為實現(xiàn)這一目標(biāo)，省政府辦公廳積極探索利用大模型技術(shù)，推動政務(wù)大模型在生成

、問答

、推理等方面的場景應(yīng)用建設(shè)

，以滿足用戶實際業(yè)務(wù)需求

，提升管理和服務(wù)水平

，

打造整體聯(lián)動

、高效惠民的網(wǎng)上政府

，

進一步優(yōu)化網(wǎng)站體驗

。貴州省作為大數(shù)據(jù)建設(shè)的先行者，建立了全省統(tǒng)一的集約化網(wǎng)站，集中管理全省黨政機關(guān)網(wǎng)站

。然而

，隨著網(wǎng)站運行

，積累了大量政府自有數(shù)據(jù)

，這些數(shù)據(jù)雖沉淀于網(wǎng)站之中

，卻未能充分發(fā)揮其價值

。如何有效利用這些數(shù)據(jù)

，更好地為公眾提供服務(wù)，成為貴州省政府辦公廳亟待解決的痛點問題

。以往

，政府網(wǎng)站訪問量相對較低，公眾僅在有需求時才會訪問

，且有時難以找到相關(guān)數(shù)據(jù)

。盡管政府內(nèi)部沉淀了大量政務(wù)服務(wù)數(shù)據(jù)

、政策數(shù)據(jù)等

，但未能有效利用

，

導(dǎo)致數(shù)據(jù)價值未能充分體現(xiàn)

。在此背景下，貴州省政府辦公廳提出建設(shè)智能問答大模型的需求

，旨在通過大模型賦能貴州省政務(wù)智能化應(yīng)用建設(shè)

，充分整合現(xiàn)有業(yè)務(wù)

、數(shù)據(jù)

、系統(tǒng)等資源

，以基礎(chǔ)設(shè)施

、數(shù)據(jù)資源

、基礎(chǔ)能力為支撐，聚焦省政府核心業(yè)務(wù)，如省政府辦公廳的辦文

、辦會

、辦事等職能

。通過對業(yè)務(wù)職能和需求的深入分析梳理，切實推動信息化

、數(shù)字化

、智能化政府的發(fā)展目標(biāo)

，

開展業(yè)務(wù)能力提升與轉(zhuǎn)型

，加快推進大模型落地應(yīng)用

，建設(shè)覆蓋

PC

端

、貴政通

、

中國貴州APP等多個應(yīng)用場景

，

為貴州省政府?dāng)?shù)字化建設(shè)的發(fā)展和創(chuàng)新注入新動力

。02

.拓爾思

：

政務(wù)數(shù)據(jù)與智能技術(shù)的深度融合經(jīng)過綜合評估，貴州省政府辦公廳選擇拓爾思作為合作伙伴，承擔(dān)智能問答大模型的建設(shè)41|2025

愛分析·大模型應(yīng)用實踐報告任務(wù)

。這一選擇主要基于拓爾思在政府行業(yè)多年深耕所積累的豐富經(jīng)驗和技術(shù)優(yōu)勢，具體體現(xiàn)在以下三個方面：一

、

強大的數(shù)據(jù)資源與深度加工能力拓爾思在政務(wù)領(lǐng)域積累了深厚的數(shù)據(jù)資源

，建立了全國政策庫

，覆蓋國家

、省

、市以及部分縣的幾乎所有互聯(lián)網(wǎng)發(fā)布的政策內(nèi)容

。這些數(shù)據(jù)經(jīng)過嚴格的歸納和整理，形成了高質(zhì)量的數(shù)據(jù)資源體系

。數(shù)據(jù)的全面性和高質(zhì)量是大模型效果的關(guān)鍵，拓爾思憑借自身強大的數(shù)據(jù)采集和深度加工能力，確保了項目實施的高質(zhì)量

。例如，拓爾思能夠?qū)φ哌M行深度分析和比較

，為用戶提供精準(zhǔn)的政策咨詢服務(wù)

。以新能源汽車購買政策為例，拓爾思可以對比不同城市（如成都與重慶）的優(yōu)惠政策，為用戶提供有價值的結(jié)論，顯著提升用戶體驗

。此外，拓爾思不依賴客戶提供的數(shù)據(jù)

，而是通過自身積累的全國數(shù)據(jù)資源

，為項目提供堅實的數(shù)據(jù)支撐

。二

、精準(zhǔn)把握政府部門業(yè)務(wù)需求拓爾思對政府部門的業(yè)務(wù)需求有著深刻的理解

。拓爾思能夠精準(zhǔn)拆解政策文件，提取關(guān)鍵要素，并通過技術(shù)手段將其轉(zhuǎn)化為可操作的解決方案

。拓爾思在政府門戶網(wǎng)站建設(shè)與運營方面擁有豐富經(jīng)驗，通過用戶行為分析，深入了解公眾訪問政府網(wǎng)站的目

的和需求

。例如，拓爾思能夠分析用戶在政府網(wǎng)站上經(jīng)常搜索的內(nèi)容，圍繞這些常見訴求進行優(yōu)化，提升用戶滿意度

。憑借大量用戶行為數(shù)據(jù)的積累，拓爾思能夠精準(zhǔn)把握公眾需求

，為政府部門提供更具針對性的服務(wù)

。三

、

完善的大模型幻覺解決方案拓爾思針對大模型可能出現(xiàn)的幻覺問題，提供了一套完善的解決方案

。首先，拓爾思通過42|2025

愛分析·大模型應(yīng)用實踐報告圖

8拓爾思融合搜索引擎架構(gòu)03多層次架構(gòu)驅(qū)動政務(wù)智能化升級為滿足貴州省政府辦公廳的需求，拓爾思提出了一套完整的解決方案，充分發(fā)揮其在政務(wù)數(shù)據(jù)和智能技術(shù)方面的優(yōu)勢

，

實現(xiàn)政務(wù)智能化應(yīng)用的高效建設(shè)與管理

。一

、

多層次的解決方案架構(gòu)拓爾思的解決方案由多個層次構(gòu)成

，

以確保系統(tǒng)的高效運行和靈活管理

。（一）

基礎(chǔ)模型

：

拓天政務(wù)大模型限制模型的作答范圍，確保其僅在提供的數(shù)據(jù)庫內(nèi)進行回答，避免模型在外部循環(huán)中產(chǎn)生錯誤信息

。此外

，拓爾思積累了豐富的敏感詞庫和敏感問題庫

，涵蓋政治敏感內(nèi)容等

，通過知識庫體系對模型進行嚴格限制，確保信息的準(zhǔn)確性和安全性

。同時，拓爾思在大模型前端部署了一個大模型

，

用于識別問題類型和用戶意圖

，精準(zhǔn)定位訪問的數(shù)據(jù)庫

。43|2025

愛分析·大模型應(yīng)用實踐報告拓爾思訓(xùn)練了基于

DeepSeek

的

32B基礎(chǔ)模型

，

并在此基礎(chǔ)上開發(fā)了專門的政務(wù)基座模型——拓天政務(wù)大模型

。這一模型經(jīng)過政務(wù)領(lǐng)域的深度優(yōu)化

，

能夠更好地理解和處理政務(wù)相關(guān)的問題和數(shù)據(jù)

。（二）

大模型管理平臺在基礎(chǔ)模型之上

，

拓爾思搭建了大模型管理平臺

。該平臺的核心功能包括

：1.數(shù)據(jù)接入與處理

：解決政府網(wǎng)站數(shù)據(jù)的接入問題，確保數(shù)據(jù)能夠按照大模型的要求進行處理和整合

。2.幻覺問題的規(guī)避

：通過嚴格的管理和限制

，有效杜絕模型可能出現(xiàn)的幻覺回答

，確保信息的準(zhǔn)確性和可靠性

。3.用戶權(quán)限管理

：實現(xiàn)對用戶數(shù)據(jù)權(quán)限的精細管理，保障不同用戶之間數(shù)據(jù)和知識庫的安全性和隱私性

。4.應(yīng)用快速搭建

：支持快速搭建新的應(yīng)用場景，例如為不同層級的政府部門快速部署智能問答應(yīng)用

，提升項目的靈活性和擴展性

。（三）互聯(lián)網(wǎng)端服務(wù)在管理平臺之上

，

拓爾思提供面向互聯(lián)網(wǎng)端的服務(wù)

，

確保用戶能夠通過多種渠道（如

PC端

、移動端等）便捷地使用智能問答功能

。44|2025

愛分析·大模型應(yīng)用實踐報告圖

9拓天大模型一體化平臺整體架構(gòu)二

、

大模型在具體場景中的應(yīng)用以一個具體的場景為例，說明大模型在解決方案中的具體作用

。假設(shè)用戶提出了一個問題：“

當(dāng)前貴陽市政府的領(lǐng)導(dǎo)班子有哪些？”以下是整個處理鏈路的詳細說明：1.

問題初步處理

：

用戶的問題首先被一個大模型接收

，

該模型負責(zé)對問題進行初步分析，識別是否存在敏感內(nèi)容或關(guān)鍵詞

。這一環(huán)節(jié)確保了問題的安全性和合規(guī)性

。2.意圖識別與數(shù)據(jù)檢索：如果問題通過初步篩查

，大模型會進一步識別問題的意圖

，并確定需要查詢的數(shù)據(jù)庫

。例如

，對于涉及政府領(lǐng)導(dǎo)班子的問題

，系統(tǒng)會優(yōu)先檢索拓爾思專門