01.背景

蛇年伊始，DeepSeek憑借其卓越表現(xiàn)火爆出圈，讓AI大模型瞬間成為街頭巷尾熱議的焦點，也讓大眾重新燃起對AGI（通用人工智能）“平民化”的信心，DeepSeek通過先進的模型架構(gòu)，帶來的高效率與低成本優(yōu)勢，加快了應(yīng)用場景的百花齊放。

• 平臺化：不只是提供工具，而是賦能工具的構(gòu)建能力，無論從數(shù)據(jù)開發(fā)過程、機器學習模型開發(fā)過程，還是大模型智能體開發(fā)過程，提供的是兼容各類場景的開發(fā)平臺。
• 場景化：數(shù)據(jù)、AI不能脫離運維場景進行，如果沒有實用化、工程化的落地，那么數(shù)據(jù)AI的應(yīng)用也只是圖個新鮮，因而所有的能力都會以能力調(diào)用的方式集成到產(chǎn)品中。

02.LLMOps平臺+DeepSeek優(yōu)勢

嘉為藍鯨運維大模型開發(fā)平臺（簡稱LLMOps平臺）致力于為運維全生命周期提供卓越的運維工具支持，為業(yè)務(wù)通用AI場景提供工具支持，為滿足不同業(yè)務(wù)場景需求提供自定義開發(fā)擴展能力。

LLMOps平臺作為運維大模型開發(fā)平臺，分為兩個模塊:

• 大模型服務(wù)模塊：提供跨公私域多種大語言模型接入（內(nèi)置60多種常見模型適配器，也包含DeepSeek各類尺寸的接入），為上層工具和應(yīng)用提供統(tǒng)一的使用和運維接口，并提供權(quán)限、審計、監(jiān)控、配額限流等管理能力，LLM 資源管理則提供了 AI 場景建設(shè)過程中用到的各種資源、工具的支持。包括知識庫管理、工具管理、智能 Agent 管理、Prompt 管理等。
• 大模型開發(fā)模塊：提供了LLM Agent Framework ，這是一個 LLM 智能 Agent 應(yīng)用開發(fā)框架，提供單 Agent 智能代理與基于 Graph 編排的多 Agent 智能代碼構(gòu)建支持，使用 Graph 組合 Agent, Chain, Retriever 等各類子組件，編排業(yè)務(wù)流程，解決復雜多變的業(yè)務(wù)問題，同時最大程度保留可復用性。

作為整個嘉為藍鯨一體化運維體系的一部分，與一體化運維系統(tǒng)之間通過功能調(diào)用，以及數(shù)據(jù)和知識接入，形成有機互動，實現(xiàn)更為豐富的場景化應(yīng)用。

在運維領(lǐng)域應(yīng)用，我們評測了各個國內(nèi)外大模型的適用場景和落地效果，DeepSeek相比其他大模型，的確讓人眼前一亮：

• 算力效率革新:DeepSeek通過多模態(tài)深度Transformer架構(gòu)，以及動態(tài)稀疏激活機制，實現(xiàn)了萬億參數(shù)級的高效推理，能對文字、代碼、數(shù)學符號等不同類型文本進行統(tǒng)一理解與生成。在運維領(lǐng)域，解決了不突破企業(yè)數(shù)據(jù)安全限制的要求下，實現(xiàn)低成本的高質(zhì)量大模型的部署和應(yīng)用。
• 深度洞察:DeepSeek的對齊強化學習框架則刺透人類意圖的次元壁。通過海量高質(zhì)量數(shù)據(jù)鍛造的語義理解鋒刃，在對話場景中實現(xiàn)94.3%的意圖識別準確率，非常適合作為運維領(lǐng)域全能助手，識別用戶的意圖，然后調(diào)用私域知識或運維工具獲取信息，精準解答用戶問題。
• 持續(xù)進化基因:DeepSeek通過持續(xù)預訓練框架使模型具備“細胞級”迭代能力，加上低訓練成本優(yōu)勢，可以在智能運維場景落地過程中，持續(xù)消費企業(yè)積累的知識，進行模型的訓練微調(diào)，不斷進化生長，成為企業(yè)“量身定制”的智能運維專家。

LLMOps關(guān)鍵產(chǎn)品功能示意：

1. 多模型接入：支持60+模型接入框架，包括私有化部署和托管接入方式，同時通過LLM Gateway屏蔽不同LLM模型之間的差異，為上層應(yīng)用提供業(yè)界標準的OpenAI 協(xié)議API 接口，并提供權(quán)限、審計、監(jiān)控、配額限流等管理能力。
2. 私域知識接入：進行RAG預處理，并支持文件上傳、手工錄入、網(wǎng)頁知識三種形式；可在聊天過程中可指定回復引用知識庫。
3. 支持工具開發(fā)：創(chuàng)建/編輯工具，填寫工具的基本信息，調(diào)用接口和請求參數(shù)；可在會話和智能體開發(fā)中調(diào)用。

1. 提示詞與角色定義：創(chuàng)建prompts并支持在線調(diào)試，基于prompts設(shè)定角色，并選擇不同大模型進行聯(lián)調(diào)，支持接口及開發(fā)框架調(diào)用。
2. 智能體開發(fā)框架：提供智能體開發(fā)框架，包括單Agent智能代理與基于編排的多Agent智能代碼構(gòu)建支持。
3. LLMOps+DeepSeek問答：

03.DeepSeek在智能運維場景應(yīng)用

嘉為藍鯨探索大模型，包括DeepSeek在智能運維場景的應(yīng)用，仍然從一體化運維的業(yè)務(wù)視角出發(fā)，不是從單點場景視角提升，而是業(yè)務(wù)閉環(huán)視角整體提升。

企業(yè)IT運維一體化場景涵蓋了多個運維活動，日常維護、變更發(fā)布、故障應(yīng)急、服務(wù)響應(yīng)、優(yōu)化提升、安全管控等均需要跨多個運維領(lǐng)域完成，場景驅(qū)動了各個業(yè)務(wù)域之間的業(yè)務(wù)集成和技術(shù)集成設(shè)計。

以典型的事件生命周期管理為例，基于大模型重構(gòu)提升場景如下：

應(yīng)用場景清單：

場景詳細描述：

1）產(chǎn)品使用助手

1.內(nèi)容描述

IT運維團隊逐漸向SRE、平臺工程轉(zhuǎn)型，過程中依賴各種運維工具體系建設(shè)和推廣。每次運維新產(chǎn)品發(fā)布或者產(chǎn)品功能更新，都需要花費大量時間組織用戶培訓和使用答疑，費時費力。借助大模型如DeepSeek強大的推理能力，結(jié)合產(chǎn)品使用手冊，可以低成本實現(xiàn)面向用戶的產(chǎn)品使用助手，主要包含如下功能：

• 知識管理能力：支持手動上傳各類格式的文檔知識，如md、doc、pdf、excel、ppt等；支持和企業(yè)內(nèi)已有的知識庫對接，并能同步更新。
• 知識檢索能力：支持通過向量相似度或關(guān)鍵詞等多種方式進行知識檢索和知識召回，如基于標題或特定字段的向量召回或全文檢索匹配召回，再根據(jù)多路召回的知識進行去重和排序，選擇最相關(guān)的知識片段，輸入給大模型進行上下文學習和總結(jié)，旨在優(yōu)化信息檢索的覆蓋率和精確度。
• 大模型提煉總結(jié)：遵循最佳提示詞框架，與大模型進行交互，把提示詞模板和檢索到的知識片段按照特定格式發(fā)送給大模型進行總結(jié)，利用大模型強大的推理能力，返回符合用戶意圖的問題回復。
• IM工具集成：支持和企業(yè)內(nèi)已有的IM工具進行集成，如企業(yè)微信、釘釘、飛書等，進一步提升產(chǎn)品使用助手的用戶覆蓋，降低用戶使用工具的門檻。

2.價值收益

• 新產(chǎn)品或新功能推廣效率提升顯著。
• 功能使用類ITSM工單降低50%以上。

3.技術(shù)實現(xiàn)

基礎(chǔ)大模型/提示詞工程/知識庫/RAG。

2）IT觀測助手

1.內(nèi)容描述

IT監(jiān)控工具是IT運維的第一個建設(shè)工具，作為運維人員的“眼睛”，IT監(jiān)控在“數(shù)字化”、“云原生”、“信創(chuàng)”的大趨勢下正在向“可觀測”領(lǐng)域持續(xù)演進發(fā)展，而當大模型來臨之際，可觀測也需要具備各種人工智能能力，主動性地提升IT人員在故障發(fā)現(xiàn)、故障定位、故障處置上的效率和質(zhì)量，從而更好地保障業(yè)務(wù)正常運轉(zhuǎn)。

借助大模型的能力，可結(jié)合ChatOps建設(shè)IT觀測助手實現(xiàn)以下功能：

• 觀測智能問答：借助大模型語文識別， 提供私域和公域知識的智能問答。
• 告警關(guān)聯(lián)數(shù)據(jù)提取：當發(fā)生告警時，觀測助手可主動提供此對象以及與此對象相關(guān)的其他對象的指標/日志/Trace/拓撲等信息，供IT運維人員進行故障診斷定位。
• 推理式告警根因分析。觀測助手可基于應(yīng)用橫縱向拓撲信息提供根因分析推薦能力。
• 告警處置引導及操作執(zhí)行。觀測助手可基于根因分析和故障決策樹的定位能力，以及應(yīng)急處置能力提供引導式故障處置執(zhí)行。
• 告警處置過程內(nèi)容總結(jié)。針對告警的定位、協(xié)同過程、定位和處置、業(yè)務(wù)驗證結(jié)果形成告警處理事件總結(jié)。
• 告警處置方案自動回寫知識庫并更新：針對告警的發(fā)現(xiàn)、定位和處置結(jié)果自動回寫到歷史事件知識庫中，以供下一次的故障處置提供參考。
• 監(jiān)控告警插件編寫：基于公域知識提供各種組件的監(jiān)控指標定義和插件編碼，自動生成相應(yīng)監(jiān)控告警插件。
• 監(jiān)控、告警策略編寫：基于公域知識提供和自動生成各類組件的告警閾值策略。

2.價值收益

• 持續(xù)增強第二代監(jiān)控——可觀測的自動化監(jiān)控告警的推廣和覆蓋的運營能力。
• 提升從告警發(fā)現(xiàn)、故障定位、故障處置的效率。
• 將紛繁復雜、持續(xù)迭代的運維經(jīng)驗和能力沉淀到工具和平臺上，以“智能”替換“專家”，形成IT運維的核心能力建設(shè)。

3.技術(shù)實現(xiàn)

• 結(jié)合ChatOps技術(shù)提供人機交互。
• 基于CMDB與APM的橫縱向拓撲構(gòu)建的知識圖譜算法提供故障定位能力。
• 基于LLM的語義識別/Functioncall/知識庫提供高效的引導式故障處置能力。
• 整合CMDB、ITSM、自動化、可觀測、數(shù)據(jù)與AI/LLM提升IT故障發(fā)現(xiàn)、協(xié)同、定位、處置等業(yè)務(wù)連續(xù)性閉環(huán)管理能力。

3） IT服務(wù)臺智能助手

1.內(nèi)容描述

隨著企業(yè)信息系統(tǒng)的增多，IT服務(wù)請求數(shù)量同步增多，單靠增加人力的方式來保持服務(wù)臺的正常運營變得非常困難，從而引發(fā)客戶滿意度降低、運營成本居高不下等問題，因此如何提升IT服務(wù)臺運營效率成為亟待解決的問題。

結(jié)合對服務(wù)臺工作場景的分析，借助基于大模型的IT服務(wù)臺智能助手，可以大幅提升服務(wù)臺運營效率：

• 智能問答：提供更準確的咨詢問題答復，減少到服務(wù)臺坐席的咨詢請求量。
• 智能提單：引導用戶自助提單，以減少服務(wù)臺代提單工作量。
• 智能派單：結(jié)合一、二線處理人員的工作負載，智能派單至負載最低的處理人員，減少坐席人工識別和派單工作量。
• 智能推薦：在接收到服務(wù)請求的同時，智能助手根據(jù)對工單內(nèi)容的理解，更準確地推薦知識庫中沉淀的解決方案，從而提高請求的處理效率。

2.價值收益

• 提高服務(wù)臺運營效率。
• 提升客戶/用戶滿意度。

3.技術(shù)實現(xiàn)

• 基于即時通訊、大模型、RAG、知識庫實現(xiàn)智能問答。
• 基于LLM的語義識別/Functioncall實現(xiàn)智能提單。
• 結(jié)合運維人員工作任務(wù)數(shù)據(jù)、相似任務(wù)用時等進行工作負載判斷。
• 基于大模型、RAG、知識庫實現(xiàn)智能問答。

4）IT知識庫智能助手

1.內(nèi)容描述

經(jīng)驗總結(jié)與知識沉淀非常重要，常被稱為企業(yè)運營的“第二大腦”。但知識管理的建設(shè)一直是一個讓管理者頭疼的問題，無法投入專職的知識運營人員，運維人員忙于事務(wù)也很難兼顧知識的沉淀。沒有知識的知識庫，其功能再豐富也沒意義。如今借助基于大模型的智能知識助手，讓低成本的知識運營變得可能：

• 智能總結(jié)知識：結(jié)合工單的詳情與處理過程、溝通評論、即時聊天記錄等日常解決用戶問題的過程數(shù)據(jù)，借助大模型的分析總結(jié)能力，即時或定期進行自動化的知識總結(jié)并錄入知識庫。
• 智能檢索知識：提供更準確、更易維護的知識檢索模式。相比傳統(tǒng)知識檢索，基于大模型的智能檢索方式可以自動學習知識庫內(nèi)容，無需手動標注規(guī)則。新知識入庫后，模型通過向量化實時納入檢索范圍，同時結(jié)合用戶反饋（如點擊率、采納率）自動優(yōu)化檢索排序（如將高頻采納的解決方案置頂）。

2.價值收益

• 提升知識沉淀效率和質(zhì)量。
• 降低知識運營的人力成本。
• 提高知識消費的便捷性。

3.技術(shù)實現(xiàn)

5）CMDB智能助手

1.內(nèi)容描述

CMDB作為運維管理的“基石”，其數(shù)據(jù)的質(zhì)量非常重要。借助CMDB智能助手，可以讓配置數(shù)據(jù)的接入和消費環(huán)節(jié)更便捷與高效，以助力CMDB的數(shù)據(jù)治理與運營。

• 智能采集開發(fā)：在已有的配置采集插件協(xié)議的約束下，通過自然語言提高采集插件的開發(fā)效率，包括插件代碼生成、插件代碼檢查等。
• 智能配置查詢：以提示詞方式便捷對配置數(shù)據(jù)進行消費，包括影響分析、路徑查詢、關(guān)聯(lián)查詢等。
• 智能拓撲生成：以提示詞方式便捷生成配置拓撲圖。
• 智能運營報告：以提示詞方式便捷生成運營報告，減少手工統(tǒng)計與排版工作。

2.價值收益

• 降低配置自動采集門檻，提高自動化采集率。
• 提高配置數(shù)據(jù)的消費便捷性。
• 降低配置管理的運營成本。

3.技術(shù)實現(xiàn)

6）IT工單智能助手

1.內(nèi)容描述

工單作為工作協(xié)同的信息載體，是團隊在日常工作中頻繁操作的對象。如果給工單加上“大腦”，對團隊協(xié)同的效率將會大幅提升。IT工單智能助手，可以讓運維工單更智能，運維工作更省心。

借助大模型泛化能力，自動生成與業(yè)務(wù)相關(guān)的關(guān)鍵字和正則表達式，替代人工質(zhì)檢實現(xiàn)全自動化工單轉(zhuǎn)入轉(zhuǎn)出質(zhì)檢。

利用大模型去提取關(guān)鍵參數(shù)并進行參數(shù)標注化轉(zhuǎn)義，并將查證后的內(nèi)容自動回復，實現(xiàn)工單智能化查證回復。

構(gòu)建投訴報告生成智能體，基于手機號查詢多平臺多類型投訴信息，1秒自動生成投訴報告，極大提升報告編寫效率。

2.價值收益

• 工單流轉(zhuǎn)問題的損耗降低。
• 工單平均處理的時長減少。
• 運維工作協(xié)同的效率提升。

3.技術(shù)實現(xiàn)

結(jié)合大模型/Functioncall、知識庫實現(xiàn)與第三方質(zhì)檢接口集成。

7）應(yīng)急智能助手

1.內(nèi)容描述

應(yīng)急預案是IT應(yīng)急管理中最核心的資產(chǎn)，如何創(chuàng)建全面且指導性的應(yīng)急預案是應(yīng)急管理中最核心的工作，應(yīng)急智能助手能基于文字描述識別用戶意圖，結(jié)合歷史應(yīng)急預案和應(yīng)用架構(gòu)手冊，輔助生成應(yīng)急預案。

面對應(yīng)急故障事件，可以按照企業(yè)IT應(yīng)急報告內(nèi)容和格式要求，基于應(yīng)急事件全生命周期記錄，輔助生成應(yīng)急故障報告。

同時應(yīng)急智能助手，能支持對話窗智能化查詢應(yīng)急預案/場景，應(yīng)急事件總結(jié)/演練計劃，通過對話發(fā)起應(yīng)急演練，啟動應(yīng)急事件，全面提升應(yīng)急交互模式。

2.價值收益

• 提升預案準確性和有效性。
• 提升報告生成效率。
• 極大提升IT應(yīng)急效率。

3.技術(shù)實現(xiàn)

• 將應(yīng)急預案庫和應(yīng)用架構(gòu)向量化存放在知識庫，利用RAG和大模型提示詞能力生成應(yīng)急預案。
• 利用Functioncall構(gòu)建應(yīng)急報告數(shù)據(jù)查詢工具Tools，在調(diào)用大模型提示詞對應(yīng)急數(shù)據(jù)進行潤色生成符合格式的應(yīng)急故障報告。
• 通過意圖識別實現(xiàn)智能路由，支持多場景的應(yīng)急需求。

8）變更發(fā)布智能助手

1.內(nèi)容描述

• 當應(yīng)用系統(tǒng)變更異常時，能夠結(jié)合業(yè)務(wù)系統(tǒng)變更歷史信息和完整的應(yīng)用拓撲信息，快速給出變更異常影響面分析；并結(jié)合運維大模型領(lǐng)域知識，對異常報錯進行分析，輔助變更人員快速定位根因。
• 通過對話框構(gòu)建變更智能問答助手，運維人員可以通過自然語言查詢所有變更記錄，同時能輔助生成變更周報/月報。

2.價值收益

• 快速識別變更影響面，提升變更異常分析效率，降低變更影響。
• 提升變更周報月報的質(zhì)量和生成效率。

3.技術(shù)實現(xiàn)

• 將大模型和小模型技術(shù)結(jié)合，實現(xiàn)對變更異常的多維度分析，實現(xiàn)變更異常快速定位。
• 構(gòu)建多個變更智能工具Tools：變更記錄查詢/報告生成/通識變更問答，通過意圖識別模塊導航到對應(yīng)的智能工具。

9）應(yīng)用巡檢智能助手

1.內(nèi)容描述

面對多種巡檢類型，需要支持命令行、API、界面內(nèi)容等多種數(shù)據(jù)源，利用應(yīng)用巡檢智能助手進行統(tǒng)一分析和巡檢判斷，生成統(tǒng)一的巡檢報告，解決單一對象人工巡檢問題。

巡檢結(jié)果智能分析，巡檢過程中出現(xiàn)的重點指標、可疑進程、意外事件，通過應(yīng)用巡檢智能助手，從橫向縱向等多維度對進行結(jié)果進行深度分析，并支持多范圍多對象多領(lǐng)域的統(tǒng)計展示。

2.價值收益

• 支持異構(gòu)應(yīng)用的統(tǒng)一巡檢，將運維人員從高頻人工巡檢中釋放，提升巡檢的效率和準確性。
• 支持自然語言發(fā)起巡檢查詢結(jié)果，提升應(yīng)用巡檢體驗。

3.技術(shù)實現(xiàn)

• 利用大模型多模態(tài)能力實現(xiàn)界面內(nèi)容自動巡檢，結(jié)合自動化工具，實現(xiàn)傳統(tǒng)界面內(nèi)容的自動化巡檢。
• 結(jié)合大模型運維通識問答和RAG知識庫能力，實現(xiàn)對巡檢指標外的異常結(jié)果分析和建議。

10）智能編碼助手

1.內(nèi)容描述

在代碼輔助編寫場景，我們通過 BKGPT 插件對接大模型和IDE，讓開發(fā)者可以在編程工具里閉環(huán)信息檢索的過程，大大提升了開發(fā)問題查詢效率。其次，我們提供了 BKCodeAI 插件，可以實現(xiàn)根據(jù)注釋中的需求描述，進行代碼生成和補全，當前已經(jīng)支持函數(shù)級代碼生成。

另一方面，在git push時，會自動觸發(fā) AI CodeReview 任務(wù)，CR 任務(wù)將異步執(zhí)行，不會阻塞 push 操作，CR 任務(wù)執(zhí)行完成后會在 IDE 彈窗提醒 CR 詳情鏈接。

2.價值收益

• 與編程IDE結(jié)合，提升腳本編寫、工具開發(fā)效率。
• 輔助開發(fā)主管進行代碼審查或者自動進行腳本出錯分析，提升代碼質(zhì)量。

3.技術(shù)實現(xiàn)

基礎(chǔ)大模型/文本生成/知識庫/RAG/IDE插件。

11）可觀測助手示例

告警關(guān)聯(lián)知識推薦：“小鯨”觀測助手可基于知識庫，可以根據(jù)告警事件內(nèi)容結(jié)合知識庫找出相關(guān)聯(lián)的知識，并給予解決方案的推薦。

內(nèi)置運維知識庫，無需整理也能直接使用；可批量導入知識庫文件，基于用戶歷史經(jīng)驗提供更豐富的解決方案；告警產(chǎn)生后根據(jù)算法訓練的結(jié)果，匹配知識庫里的解決方案。知識推薦效果如下圖：

知識庫智能問答：運維人員通常通過經(jīng)驗或查找資料來處理告警事件，效率低下且耗時。可以將問題拋給“小鯨”，基于LLMOps直接提供解決方案推薦、正則匹配規(guī)則編寫等針對性回答。

通過全局劃詞問答或者右下角的機器人圖標入口，均可向“小鯨”詢問，無需切換工具。無論是技術(shù)解釋、命令用法，還是故障排查，“小鯨”都能即時提供專業(yè)解答，大幅提升工作效率。實現(xiàn)效果如下圖：

告警處置引導：結(jié)合預測性對話流與大模型，“小鯨”觀測助手能夠?qū)崿F(xiàn)對話智能引導，引導用戶完成智能提單引導、智能故障處置引導等場景：根據(jù)故障排查的場景，預設(shè)引導性場景，智能機器人識別關(guān)鍵字以后進入引導場景，確保問題能夠迅速被識別和解決。

實現(xiàn)效果如下圖：

04.前景展望

DeepSeek這一波平民化，除了帶來推理能力和性能瓶頸突破外，最核心的是可以進入“千家萬戶”，使得各行業(yè)和領(lǐng)域使用前沿模型變得更為簡單。大模型在運維領(lǐng)域的應(yīng)用前景，我們認為這是一個改變運維人員和運維對象交互、實現(xiàn)AI大規(guī)模落地普及的時刻，未來發(fā)展，我們有如下思考和展望：

• 基于一體化運維業(yè)務(wù)的運維智能體會爆發(fā)式增長：基于低成本高效率的大模型，可以把各個人機交互的運維場景再做一次，再做一次是基于多智能體編排的模式，生成更多整合應(yīng)用，且與一體化運維是完整聯(lián)動的，不只是單個場景的提升。
• 基于機器學習算法+大模型的融合場景更優(yōu)：機器學習算法對于數(shù)據(jù)處理有天然優(yōu)勢，大模型對于語義識別和邏輯推理有天然優(yōu)勢，兩者相結(jié)合，可以在故障分析診斷層面、智能工單的相似度分析和智能回復層面等有更好地融合場景落地。
• 大模型應(yīng)用開發(fā)平臺共建生態(tài)會成為主流：不只是基于原生大模型的問答應(yīng)用，而是知識庫、工具、編排、智能體、統(tǒng)一網(wǎng)關(guān)的整體建設(shè)，構(gòu)建可持續(xù)建設(shè)的體系，會成為生態(tài)模式，客戶及合作伙伴都可以有更大的想象空間。
• 自適應(yīng)學習與知識演化：系統(tǒng)能夠根據(jù)環(huán)境的變化和數(shù)據(jù)反饋，自動調(diào)整自身的行為、策略或參數(shù)，以及隨著實踐、技術(shù)發(fā)展和經(jīng)驗積累而不斷更新、優(yōu)化或重組知識，運維智能體能夠更靈活、高效地應(yīng)對復雜的運維需求，在大部分相對標準的運維場景中，實現(xiàn)智能決策執(zhí)行。