跳出“纸上谈兵” 奔赴“场景破局”

【圆桌论坛·大模型应用全景扫描】

编者按：政务智能化的拼图上，DeepSeek正成为激活全局的关键模块。从招标采购全流程数智化改造，到12345热线秒级响应的智能革命，大模型在政务场景的落地不再停留于概念，数据清洗标准化、知识图谱动态化、本地部署安全化，三大实战解法直击“数据散、知识僵、部署难”痛点。本期聚焦DeepSeek场景落地，看行业专家如何用“数据燃料+知识引擎+技术底座”组合拳，打通智能政务从工具应用到治理升级的“最后一公里”。

跳出“纸上谈兵” 奔赴“场景破局”

——业内专家共话政务大模型落地难点与实战解法

主持人：

本报记者 张明柳

嘉宾：

博思数采科技股份有限公司副总裁 陈  旭

国泰新点软件股份有限公司副总裁 何永龙

浪潮云总经理助理               陈  尧

采招云数智化采购研究中心       宋  军

主持人：有哪些具体的应用场景和预期成果可以体现大模型所带来的社会和经济效益？

何永龙：在招标采购领域，大模型正在重塑行业的底层逻辑，从政策法规解析到服务优化，从风险防控到监管智慧化提升，构建起全流程数智化的新生态。新点软件围绕招标采购领域的核心业务诉求，打造“人工智能+”招标（采购）文件合规性检测、智能辅助评标评审、智能客服、智能问数等应用，实现从经验驱动向数据驱动、从被动响应向主动预测的转变，为打造规范高效、阳光透明的招标采购新生态提供有力支撑。

宋军：在具体应用场景上，如大模型作为智能政务助手可通过自然语言交互帮助老年人便捷办理社保认证、医疗挂号等高频服务，解决传统数字政务服务对弱势群体不友好的问题。在基层治理领域，大模型驱动的政策解读机器人能将晦涩的法规文件转化为方言短视频，帮助低文化水平群体理解惠民政策，目前已在乡村振兴中实现扶贫补贴申领指导的精准覆盖。

陈旭：“阳光公采”大模型是政务领域大模型在政府采购场景的成功实践，由博思软件与华为基于DeepSeek模型联合推出。该模型通过与DeepSeek基础模型和知识体系的深度集成，赋能公共采购全流程智能化升级。具体而言，“阳光公采”大模型利用DeepSeek智能引擎强大的算法能力和丰富的知识储备，结合博思软件多年积累的采购领域数据资产，构建了覆盖需求预测、供应商匹配、价格分析、风险预警等环节的全链路智能中枢。这一智能中枢部署了AI智能体，实时分析采购需求、自动推荐合适供应商、监测市场价格波动并预警风险。通过这样的“数据+算法”驱动，“阳光公采”实现采购决策从经验驱动向智能决策的转变，大幅提升决策效率和精准度。

在应用层面，“阳光公采”大模型承担多项具体任务：首先，它可以充当采购问答助手，7×24小时解答采购业务咨询。例如，对于采购人员提出的政策流程问题，模型能即时从内置的政策知识库中抽取相应条款并给予清晰解释，提升答复准确率，减少以往人工查找政策的负担。其次，在政策解析、抽取方面，模型可自动解析政府采购相关法规文件，提取出重要合规要点，并将这些知识融入动态知识库供决策参考。这保证采购过程符合最新政策要求，打造合规、透明的智能决策体系。最后，在价格监测环节，模型通过对接市场交易数据实现智能化的价格分析：自动比对历史采购价格和市场行情，及时发现异常波动并预警，为采购定价提供依据。实际部署显示，该AI系统能够准确回答采购业务90%以上的常见问题，自动完成大量信息检索和数据分析工作。通过“阳光公采”案例可以看到，DeepSeek基础大模型的通用能力与政务领域知识的结合，催生出专业场景下的AI解决方案，答复精准率和处理效率都有大幅提升，帮助政府和企业在数字化采购变革中抢占先机 。

陈尧：以12345政务热线为例，由于人工座席（窗口）数量有限，群众诉求无法得到及时满足，此外在热线工单流转中也存在“转得慢”“转不动”等问题，严重影响热线服务质效。为解决12345政务热线运营中存在的问题而打造的12345政务服务智能体，为12345政务热线提供智能客服、智能坐席、智能处置、智能分析四类场景化智能助理，打造便捷、高效、规范、智慧的政务服务“总客服”，为市民、企业提供7×24小时全天候在线问答服务，将高频事项响应速度提升至秒级，在智能分析方面，原来需要2—10天的周/月/专题报告，现在仅需3分钟即可生成维度、逻辑基本符合要求的数据分析初稿。

主持人：在政务领域应用场景落地过程中，大模型训练、知识图谱创建等面临诸多难题。在应对这些挑战时，有哪些解决方案和实践经验？

何永龙： 在大模型落地过程中，面对招标采购行业数据分散和知识图谱构建难题，我们积累了丰富的解决方案和实践经验。在数据整合方面，DeepSeek通过先进的数据清洗、标注和标准化技术，将来自不同业务的海量交易数据进行有效整合，为模型训练提供了高质量的“原料”。同时，运用知识蒸馏等技术，提炼数据中的关键信息，构建高效的知识表示。在知识图谱创建上，利用实体识别和关系抽取技术，从招标采购领域的文本中提取实体和关系，构建动态可扩展的知识图谱。

陈旭：政务领域的数据和政策文件庞杂分散，只有将海量政务知识结构化，才能充分发挥大模型在问答和解析任务中的作用。构建政务知识图谱一般包括以下步骤：

知识抽取：从政府公文、政策法规、招投标信息等非结构化文本中抽取实体（如机构、法规名称、指标）及其关系和属性等关键信息，将碎片化知识转化为机器可读的三元组形式。

知识融合：消除不同来源数据中的重复或冲突实体，实现实体对齐和消歧，保证知识图谱的一致性和准确性。

知识加工：基于领域本体构建概念模型，按政务业务逻辑对知识进行分类分层，并运用推理规则丰富图谱的隐含关系，形成语义关联网络。

知识更新：建立动态更新机制，定期将新的政策文件、法规变动等纳入图谱，确保知识库实时可靠。

知识图谱技术能够关联政务领域海量文件中的实体和关系，形成涵盖政策法规、办事流程、采购数据等内容的领域知识库。这样的知识库为大模型提供了权威、结构化的背景知识支撑。当用户询问政务问题时，大模型不仅依赖自身通用知识，还能检索图谱中的精确信息，实现基于知识的问答和分析。例如，在智慧政务问答场景中，融合了知识图谱的系统能够进行复杂推理式问答：先理解用户意图，从知识图谱中定位相关政策条款或业务流程，再给出符合政策规定的准确答复。对于政策解析任务，模型可借助知识图谱的语义连接来剖析政策文件的结构和要点，将专业术语转化为易懂的解释。这种“模型+知识图谱”的架构有效提升了政务问答的准确性和专业性，使政策解读更加精确和全面。

宋军：DeepSeek解决了两个难题。一是数据治理与知识融合难题。政务数据来源广泛，数据质量参差不齐，存在“噪声”、重复、缺失等问题，直接影响知识图谱的准确性和可用性。DeepSeek在数据准备阶段，通过数据清洗、去重、补全等方法提升数据质量。此外，DeepSeek还利用先进的数据治理工具，确保数据的准确性和一致性。

二是动态知识图谱构建难题。传统知识图谱多基于静态数据构建，难以应对实时变化的环境需求。DeepSeek-R1系统通过引入流式计算、时序建模和增量学习，构建了一个能够实时感知、快速响应和持续演化的知识网络。这种设计使得知识图谱不再是静态的“快照”，而是一个随时间动态生长的有机体。

陈尧：浪潮云在政务领域DeepSeek大模型应用中，针对大模型训练和知识图谱构建等挑战提出了创新性解决方案。面对数据分散、隐私安全、高昂的训练成本及领域知识适配性差等问题，浪潮云采用端到端的本地化模型服务，数据清洗、数据训练均发生在用户本地，最大程度避免用户数据泄露问题，同时，采用基于安全大模型的隐私信息识别和脱敏技术，保证数据安全。此外，为解决多源异构数据融合、动态更新滞后和语义歧义消除的问题，浪潮云还利用多模态知识抽取引擎、实时增量更新机制和上下文感知消歧技术提高了知识图谱的准确性和时效性。未来，计划在多模态处理能力、动态知识持续演进、可信技术与可解释性增强以及跨域协同治理等方面进行优化，旨在实现“感知—决策—执行”一体化的政务智能体，推动数字政府建设的发展。

主持人：未来，政务领域应用大模型还需要在哪些方面进一步优化和突破？

何永龙：DeepSeek的未来发展将聚焦于实现从“工具应用”到“治理升级”的跃迁，这需要在多个方面取得突破。技术层面，持续优化模型架构，提升推理性能和准确性，以应对复杂的招标采购业务场景与逻辑；数据层面，加强数据隐私保护和安全共享机制，确保数据的合规使用；应用层面，深化模型在赋能监管、交易、服务、共享等核心业务中的应用场景，提升招标采购业务的智能化水平；安全层面，强化模型的可解释性和鲁棒性，增强大模型在招标采购领域的可信度。

陈旭：尽管已有显著成果，政务大模型的应用仍有广阔的优化空间，需要在模型、数据和部署等方面持续改进。

模型精细化：未来可针对细分政务场景对大模型进行精细化调优。例如，面向法规解读、政务客服等不同任务训练专门的子模型或使用指令微调，使模型在小样本下也能输出更符合业务语境的答案。通过引入强化学习反馈机制不断打磨模型在复杂推理、专业表述上的能力，提升回答的可信度与专业度。

场景扩展：目前大模型在政府采购领域初显成效，接下来可拓展至更多政务服务场景。例如政策咨询、政务热线智能客服、行政审批辅助决策等。每个新场景都将为模型提出新需求，如对法律法规、城市管理、公共服务知识的补充。这需要逐步丰富模型的行业知识图谱和训练语料，使AI助手覆盖更广泛的政务业务。

知识动态更新：政务政策和数据是动态变化的，大模型需保持对最新知识的掌握。未来应建立更加完善的知识更新机制，包括定期抓取最新政策文件和公共数据，自动进行知识图谱的增量更新，避免模型回答滞后于现行政策。同时，可探索让模型具备联机检索能力，在回答实时性强的问题时查询权威数据库，以保证时效性和准确性。

跨平台部署能力：政务领域对数据安全和本地部署有高要求，大模型应具备灵活的部署形态。一方面，需要优化模型规模和性能以适配不同硬件环境，实现从云端到本地服务器乃至政务专网的平滑部署。DeepSeek通过开源降低了私有化部署门槛，已有企业将其部署在物流报价、政府专网等本地场景。未来应加强模型在多平台上的兼容性和安全性，提供完善的访问控制、加密与防护措施，防止因部署在内网环境而出现“裸奔”风险。另一方面，大模型还可探索轻量级版本在移动端、政务APP上的应用，以适应政务人员随时随地使用AI助手的需求。

宋军：面向政务数字化深水区，DeepSeek需在4个维度持续突破：

认知智能升级：当前32k tokens的上下文窗口已无法满足复杂政策分析需求。需向更长文本理解迈进，并发展多模态能力，实现“文字政策—图表数据—现场视频”的联合研判。

因果推理强化：突破现有关联分析的局限，建立政策影响的因果链模型。如能模拟“放宽落户政策→人口流动→教育资源需求”的传导效应，将大幅提升决策科学性。这需要融合计量经济学方法与深度学习。

协同生态构建：推动建立“中央—地方”两级模型体系，国家级基础模型提供共性能力，地方通过轻量化微调实现特色应用。同时，构建跨区域算力共享机制，避免重复建设。

治理范式创新：需建立AI辅助决策的权责界定框架。探索“人机协同”新范式：常规事务由AI自动处理，重大决策实行“AI预审+人工复核”。同步研发模型审计技术，确保每个决策建议可追溯、可解释。

本报拥有此文版权，若需转载或复制，请注明来源于中国政府采购报，标注作者，并保持文章的完整性。否则，将追究法律责任。