商汤小浣熊案例

该Agent案例由商汤小浣熊投递并参与金猿组委会×数据猿×上海大数据联盟共同推出的《2025中国大数据产业年度Data Agent创新应用》榜单/奖项评选。

随着企业面对的市场环境日益复杂，数据分析能力已经成为企业提升运营效率、优化业务流程和支持科学决策的核心竞争力。在“人工智能+”行动深入推进的当下，金融行业正处于从“数字化”向“智能化”跃迁的关键十字路口。作为金融科技的领军者，平安科技深知：业务需求的表达方式与满足方式正在发生根本性变革。

随着集团业务的多元化发展，平安科技面临着典型的“数据富矿，价值贫血”悖论：

·需求侧的爆发：业务部门对市场洞察、保费趋势、风险控制的分析需求呈指数级增长，且要求实时响应。同时，企业内部的非专业用户（如业务部门员工）缺乏专业的数据分析技能，传统数据分析类办公工具对他们的操作难度较大，无法快速完成数据分析任务，进一步拉高了数据分析的技术门槛。

·供给侧的瓶颈：传统数据处理分析类办公工具开发周期长（数周甚至数月），无法应对瞬息万变的金融市场；而Excel等桌面办公工具在处理百万级行数据时捉襟见肘，且难以复用沉淀。更突出的是企业的数据通常存储在多个表格、文件和系统中，缺乏统一的分析工具来实现数据整合和综合分析，导致“数据孤岛”现象严重，进一步影响了企业对数据的利用效率。

·模式转型的压力：传统的“预定义报表”和“规则式RPA”只能解决已知问题。面对非标准化、探索性的复杂业务难题，企业迫切需要一种具备“复杂问题认知能力和动态规划与分析能力”的新型生产力工具。

与此同时，随着数据隐私保护法规的逐步完善，企业在数据处理过程中需要确保敏感信息的安全性，满足企业内部合规要求及相关法律法规的标准。企业不仅需要快速从数据中提取洞察以支持实时决策，还需确保数据分析过程的安全性和合规性。

在此背景下，平安科技携手商汤科技，引入“小浣熊产品”。这不仅是一次工具升级，更是一场生产力范式升级的创新实践——旨在利用大模型原生的 Data Agent（数据智能体）技术，填补“僵化的传统办公软件”与“灵活的业务思维”之间的鸿沟，实现从“工具交付”到“结果交付”的跨越。

时间周期：

项目开始时间：2025年开始合作

中间重要时间节点：2025年12月完成正式部署并在持续规模化推广中

项目完结时间：持续合作中

面临挑战

在引入Data Agent之前，平安科技内部面临着日益严峻的数据应用与业务决策脱节的挑战。随着业务规模的扩张，传统的数字化架构已难以支撑敏捷的业务需求，具体体现在以下三个层面的深层痛点：

1.“数据孤岛”导致跨文件协同受阻，Data Agent缺失导致链路断裂

企业场景中，数据长期分散在各类异构数据源、文件系统及单点文档中。由于缺乏统一的Data Agent智能中枢，各数据源的数据标准不统一、格式不兼容。例如财务部门在进行预算与支出对比时，不得不手动从多个Excel表格和不同系统中导出数据进行拼凑。这种“烟囱式”的数据架构不仅导致了巨大的内部协调沟通成本，更使得跨表关联与动态分析变得异常困难，严重制约了全局业务洞察的形成。

2.传统数据分析类办公工具门槛过高，业务端急需“零门槛”的Data Agent交互

业务部门（非技术人员）面临着极高的数据分析技术门槛。传统数据分析类办公工具要求用户掌握复杂的SQL技能或特定的软件操作，导致业务人员在面对“统计某产品收益趋势”或“对比地区销售业绩”等即时性需求时，往往无从下手或需等待IT部门排期支持。这种“人找数”的被动模式效率极低，迫切需要引入Data Agent，通过对话式交互拉通业务思维与数据底座。

3.数据安全与合规的严苛要求，对Data Agent的架构提出挑战

在金融保险业务场景下，数据隐私保护至关重要。企业既要满足内部合规要求及相关法律法规标准，又要实现数据的高效流转。原有的粗放式数据管理无法满足精细化的权限管控，如何在保障数据不泄露、仅在企业内部流转的前提下，构建一个既开放灵活又安全可控的Data Agent体系，是本次项目面临的重大技术挑战。

综上所述，客户面临的核心困境是：海量数据资产与业务决策能力之间存在巨大的鸿沟，亟需通过Data Agent技术填补这一空白，实现从“数据堆砌”到“数据智能”的跨越。

Data Agent应用需求

平安科技在项目初期便明确提出：“我们需要的不只是一个更聪明的聊天机器人，而是一个“文理兼备”的数据分析专家。”具体需求拆解如下：

·数据分析门槛高。传统数据分析类办公工具要求用户具备较高的专业技能，非专业用户在面对复杂分析任务时往往无从下手，这不仅限制了数据分析的效率，也影响了数据价值的充分发挥。

·数据分散与孤岛问题。由于数据分布在多个系统和文件中，传统工具难以实现跨源、跨模态关联和统一分析，导致数据整合效率低下，影响了业务决策的及时性和准确性。

·数据分析效率低。传统的数据清洗、分析和可视化工作需要耗费大量的时间和精力，特别是在处理大规模数据时，传统工具的效率难以满足快速决策的需求。

·数据安全与合规性问题。企业在数据分析过程中涉及大量敏感信息，必须确保数据的安全性和合规性，避免数据泄露或违规使用。

·通用型工具通常缺乏行业适配性，无法满足行业特定需求，例如对特定业务术语和分析逻辑的支持，以及复杂业务场景的定制化处理能力。

对Data Agent概念的深度理解与定义：Data Agent（数据智能体）不仅仅是传统数据处理分析工具的升级，而是具备“感知-规划-行动-反思”闭环能力的智能数字员工。在本案中，我们将其定义为：一个能够理解模糊业务意图（Perception），自主规划数据提取路径（Planning），调用代码解释器与API执行分析（Action），并对结果进行自我校验与优化（Reflection）的智能实体。核心需求包含了三个层级的Agent能力构建：

·L1交互层需求（意图转译）：Agent应具备金融垂直领域的语义理解能力，能将“保费增长趋势”等业务术语精准转译为精确的分析和代码逻辑，实现“所问即所得”。

·L2执行层需求（工具编排）：面对“先清洗数据，再关联表格，最后预测趋势”的复杂任务，Agent需具备自主拆解任务链并自主调用“跨源关联”、“多源合并”等工具的能力，替代人工进行繁琐的数据清洗与计算。

·L3安全层需求（可控生成）：在金融强监管背景下，客户明确要求Agent的执行过程必须在“沙盒”中进行，确保代码生成的安全性和数据隐私的绝对合规。

战略目标

通过部署“商汤小浣熊产品”，在保障数据安全与合规的大前提下，项目旨在达成三大目标：

·数据分析民主化：让100%的业务人员可以零门槛通过自然语言交互（LUI）高效利用数据，不再受困于复杂的SQL/公式，释放业务部门生产力。

·洞察时效实时化：将数据处理分析周期从“天/周”级压缩至“分钟”级。

·业务运营敏捷化：基于全员快速产出的业务洞察加速部门共识，缩短决策周期，实现“信号-建议-决策”的高频闭环与敏捷迭代，助力业务运营模式的提效转型。

实施与部署过程

商汤小浣熊Data Agent解决方案，为平安科技提供以下功能，围绕其在数据相关的需求：包括智能问答与自然语言查询、复杂跨表关联与动态分析、系统深度集成、数据安全保障等，解决其业务场景中的具体问题。

•在智能问答与自然语言查询场景中，

￮智能问答与自然语言理解：通过自然语言输入分析需求，快速生成结果，并支持多样化的可视化展示形式，确保用户操作简单易用。

￮数据清洗与质量管控：提供智能化的数据清洗功能，确保数据分析的准确性和可靠性。

•在复杂跨表关联与动态分析场景中，

￮数据读取与多源处理：将入口内嵌至WPS表格等常用办公产品中，支持用户多文档、多种数据格式的读取与处理，包括xls/xlsx/csv/pdf等数据格式，具备复杂Excel文件解析能力，能够高效处理大规模数据，不受大模型上下文窗口大小限制。强大的跨表关联分析能力，能够自动处理表间关系，支持动态计算指标，用户可通过自然语言动态定义分析维度和指标。

￮统计分析与洞察挖掘：支持多种统计方法和高级分析功能，帮助用户快速发现数据中的隐藏规律。

￮数据可视化与报告生成：支持丰富的可视化图表和自动化报告生成功能，满足多场景需求。

•在系统深度集成场景中，

￮系统集成与私有化部署：支持与企业内部系统深度集成，提供私有化部署方案，确保数据安全性和合规性。为了进一步提高安全性，系统将与企业内部系统（单点登录SSO、权限体系）深度集成，提供用户权限的精细化管理，确保不同用户能够访问其授权范围内的数据。此外，系统将提供全面的审计日志功能，记录用户的所有操作行为，便于事后审计和追溯。

￮灵活扩展与定制化开发：具备高度扩展性和灵活性，支持模块化升级和二次开发，满足企业未来业务发展的多样化需求。

￮性能与可靠性：支持通过横向扩展增加用户并发访问能力，具备高可用性设计，确保系统在高负载情况下的稳定运行。

•在数据安全保障场景中，

￮安全性与合规性：符合国际信息安全管理标准，支持数据加密、访问控制和异常检测，保障数据安全。

￮服务质量与用户体验：提供全面的技术支持与培训服务，确保用户能够快速上手并高效使用系统。

另外，随着业务需求的不断变化，商汤小浣熊也具备高度的扩展性和灵活性，支持模型升级、功能扩展以及业务场景的定制化开发，满足客户灵活扩展与定制化场景开发的需求。例如，系统支持快速升级新的算法模型，确保保持技术先进性。同时，系统也提供二次开发能力，满足企业特定场景下的功能需求。系统采用模块化架构设计，支持功能模块的独立升级和扩展，避免对现有功能和数据的影响。此外，系统兼容主流硬件和软件环境，包括国产化软硬件（如麒麟操作系统、飞腾/海光CPU），以满足国家政策要求。

整个系统的逻辑架构设计如下图：

按照从底层到上层，每层内部也按照自底向上的顺序，介绍该系统的架构设计：

1.服务器硬件层：通用服务器（CPU/GPU/存储/网络）

该层作为整个系统的物理基础，提供系统运行所需的全部硬件资源。CPU负责通用计算任务处理，GPU专门用于AI模型推理加速，特别是支持大语言模型、Embedding模型和Rerank模型的高效计算。存储资源提供数据存储能力，支持结构化数据、非结构化文件以及向量数据的存储需求。网络设备确保系统内部各组件间的高速数据传输以及与外部系统的稳定连接。方案采用软硬件解耦设计理念，使用通用标准硬件服务器替代专用硬件，这种设计显著降低了硬件采购成本，避免了对特定厂商专用硬件的依赖。同时支持未来硬件资源的灵活复用，当业务规模扩大或技术升级时，可以通过扩展现有硬件资源来满足新增需求，无需重新采购专用设备。这种弹性硬件架构为上层的弹性算力需求提供了坚实的物理基础，确保系统能够根据实际负载情况动态调整资源分配。

2.操作系统与容器运行环境层

(1)操作系统

操作系统作为系统的基础运行环境，为上层所有软件组件提供稳定可靠的操作系统支持。其企业级的稳定性和安全性特性，确保了整个智能问答系统能够在生产环境中长期稳定运行。操作系统层负责硬件资源的抽象和管理，为上层容器化平台提供统一的系统调用接口，同时处理底层的进程调度、内存管理和I/O操作。在数据安全方面，操作系统层实施基础的安全策略，包括用户权限控制、文件系统权限管理等，为上层应用的安全运行奠定基础。

(2)容器化平台

容器化平台在操作系统之上提供应用程序的标准化封装和隔离运行环境。每个系统组件都被封装在独立的容器中，实现了应用级别的资源隔离和环境一致性。这种设计确保了各个功能模块之间的相互独立，避免了组件间的依赖冲突和资源竞争。容器化封装还简化了应用的部署和迁移过程，支持快速的版本更新和回滚操作。对于智能问答系统而言，容器化设计特别重要，因为它支持模型解耦的实现，使得不同AI模型可以在独立的容器中运行，便于模型版本的灵活切换和性能优化。

(3)容器编排平台

容器编排平台在容器基础上提供集群级别的容器编排和管理能力。它负责容器的自动化调度、扩缩容、负载均衡和故障恢复等关键功能。容器编排平台的服务发现机制确保各个组件能够自动发现和连接其依赖的服务，支持系统的微服务架构设计。在弹性算力方面，容器编排平台能够根据系统负载自动调整各服务的实例数量，确保在高并发查询场景下系统仍能保持快速响应。对于AI模型推理服务，容器编排平台提供了GPU资源的智能调度能力，确保计算密集型的模型推理任务能够获得充足的GPU资源。故障自愈能力使系统在单个组件出现问题时能够自动重启或重新调度，保证整体服务的连续性，这对于需要提供持续可靠服务的智能数据处理助手系统至关重要。

(4)容器管理平台

容器管理平台作为容器编排平台之上的企业级容器管理平台，提供了可视化的管理界面和丰富的运维功能。它简化了复杂容器集群的日常管理工作，通过直观的Dashboard展示系统运行状态、资源使用情况和性能指标。平台集成了日志聚合、监控告警、配置管理等运维工具，为系统管理员提供了统一的运维入口。在实时监控方面，容器管理平台能够收集和展示各个组件的详细运行指标，包括CPU使用率、内存占用、网络流量等，支持自定义告警规则和通知机制。这些功能直接支持了方案中提出的实时监控需求，能够对系统运行状态进行全面跟踪和分析，快速定位潜在问题并提供解决方案。平台还提供了应用生命周期管理功能，支持应用的灰度发布和版本管理，为系统的持续迭代和升级提供了便利。

3.系统服务层

(1)关系型数据库

关系型数据库作为系统的核心数据存储组件，承载着所有结构化业务数据的存储和管理职责。它存储用户账户信息、角色权限配置、业务术语词典、查询历史记录以及各类基金业务数据。数据库采用事务性设计，确保数据的ACID特性，保障数据的一致性和完整性。在权限管理方面，数据库层面实施细粒度的访问控制，配合上层的权限系统实现数据级安全策略。

(2)向量数据库

向量数据库专门用于存储和管理由Embedding模型生成的向量化数据，支持高维向量的高效存储和相似度搜索。它与关系型数据库形成互补，专门处理非结构化数据的语义检索需求。向量数据库采用专门的索引算法（如HNSW、IVF等），能够在海量向量数据中快速找到语义相似的内容。这种能力直接支持了自然语言查询的语义理解，使系统能够理解用户查询的真实意图，即使用户使用了不同的表达方式。向量数据库还支持实时向量更新和增量索引构建，确保新增的业务数据能够及时被检索到，保持系统知识库的时效性。

(3)文件存储

文件存储系统提供分布式的大容量文件存储服务，支持各类非结构化数据的存储和管理。它采用分布式架构设计，具备高可用性和可扩展性，能够存储大量的业务文档、报表文件、图片等多媒体内容。文件存储系统支持多副本存储和数据冗余，确保数据的安全性和可靠性。在访问性能方面，系统采用缓存机制，确保文件的快速读取和下载。文件存储与上层的文件管理模块紧密配合，提供文件的版本控制、权限控制和生命周期管理功能，支持智能问答系统对各类文档资料的检索和分析需求。

(4)沙盒执行引擎

沙盒执行引擎提供安全隔离的代码执行环境，专门用于执行代码解释器模型动态生成的分析代码。它采用容器化隔离技术，确保执行的代码无法访问系统的敏感资源或对系统造成损害。沙盒环境预装了数据分析所需的各种库和工具，如pandas、numpy、matplotlib等，支持复杂的数据处理和可视化操作。执行引擎具备资源限制功能，能够控制代码执行的CPU、内存和执行时间，防止恶意或低效代码影响系统性能。同时，引擎提供详细的执行日志和错误信息，帮助代码解释器模型进行反思和优化。这种设计确保了复杂数据统计分析任务的安全可靠执行，是实现代码解释器方案的关键技术组件。

(5)模型推理引擎

模型推理引擎作为AI能力的核心执行组件，负责各类机器学习模型的推理计算任务。它支持多种模型框架和格式，包括大语言模型、Embedding模型、Rerank模型等。推理引擎采用GPU加速技术，显著提升模型推理速度，确保智能问答服务能够快速响应用户查询。引擎支持模型的热加载和动态切换，实现了模型解耦设计，使得系统能够在不停机的情况下升级或更换模型版本。在资源管理方面，推理引擎实现了智能的资源调度，根据不同模型的计算需求合理分配GPU资源，提高资源利用效率。引擎还提供了模型性能监控功能，实时跟踪模型的推理延迟、吞吐量等关键指标，为系统优化提供数据支持。

(6)代码解释器模型

代码解释器模型是系统智能化的核心体现，实现了方案中强调的任务规划与反思能力。该模型基于先进的大语言模型技术，专门针对数据统计分析场景进行了优化训练。模型具备将自然语言查询转换为可执行代码的能力，能够理解复杂的业务逻辑并生成相应的数据处理代码。在任务规划方面，模型能够将复杂的分析任务分解为多个子任务，合理安排执行顺序，优化分析流程。反思机制是其独特优势，模型能够对生成的代码和执行结果进行自我评估，发现潜在问题并进行自我修正，显著提升了分析结果的准确性和可靠性。模型与沙盒执行引擎协同工作，形成了"生成-执行-反思-优化"的闭环，确保复杂数据分析任务的高质量完成。

(7)Rerank模型

Rerank模型负责对初步检索结果进行重新排序和优化，提升检索结果的相关性和准确性。它接收Embedding模型的初步检索结果，结合用户查询的上下文信息和业务逻辑，对候选结果进行精细化排序。模型采用深度学习技术，能够理解查询意图与候选结果之间的复杂关系，识别最相关的信息。Rerank模型特别针对基金行业的业务特点进行了优化，能够更好地理解行业术语和业务逻辑，提升专业查询的准确性。模型支持多种排序策略，可以根据不同的查询类型和用户偏好调整排序算法，确保用户获得最满意的查询结果。

(8)Embedding模型

Embedding模型负责将文本内容转换为高维向量表示，是实现语义理解的基础技术组件。模型采用先进的预训练技术，具备强大的语义编码能力，能够准确捕捉文本的语义信息。针对基金行业的专业特点，模型进行了领域适配训练，对金融和投资相关的专业术语具有更好的理解能力。模型支持多语言处理，能够处理中英文混合的查询内容。在向量生成方面，模型确保语义相似的文本生成相近的向量表示，为后续的相似度计算和检索提供准确的数学基础。模型还具备增量学习能力，能够根据新的业务数据持续优化向量表示质量。

(9)数据源管理

数据源管理模块负责管理系统连接的各种异构数据源，包括关系型数据库、文件系统、外部API等。模块支持数据源的连接参数配置、连接测试和状态监控。在安全方面，模块实施严格的访问控制，确保只有授权的查询能够访问相应的数据源。

(10)文件管理

文件管理模块提供系统中各类文件的全生命周期管理功能，包括文件上传、存储、检索、版本控制和权限管理。模块支持多种文件格式的处理，包括Office文档、PDF、txt、xml、json等。文件管理采用分层存储策略，根据文件的访问频率和重要性自动调整存储策略，优化存储成本和访问性能。模块提供强大的文件检索功能，支持基于文件名、内容、标签等多种检索方式。

(11)会话管理

会话管理模块负责用户交互会话的创建、维护和管理，确保多用户并发访问时的会话隔离和状态一致性。模块为每个用户会话维护独立的上下文信息，包括查询历史、偏好设置、权限状态等。会话管理支持长连接和短连接两种模式，根据用户行为模式自动选择最优的连接方式。在并发处理方面，模块采用高效的会话调度算法，确保在高并发场景下仍能保持良好的响应性能。会话管理还提供会话持久化功能，用户可以在不同时间和设备上恢复之前的查询会话，提升用户体验。模块与权限系统集成，确保会话状态的安全性和权限的实时校验。

(12)API接口

API接口模块作为系统对外服务的统一入口，提供标准化的RESTful API服务。模块定义了完整的API规范，包括接口定义、参数格式、返回结果等，确保前端应用和第三方系统能够稳定可靠地调用系统服务。API接口支持多种认证方式，包括Token认证、OAuth等，满足不同安全级别的访问需求。模块提供API版本管理功能，支持多版本API并存，确保系统升级时的向后兼容性。

(13)运维监控服务

运维监控服务作为系统健康状态的守护者，提供全方位的系统监控、日志管理和告警功能。服务采用分层监控策略，从基础设施层到应用层进行全面监控，包括硬件资源使用率、网络状态、应用性能指标等。监控服务具备智能异常检测能力，能够识别系统运行中的异常模式，及时发现潜在问题。在日志管理方面，服务提供集中化的日志收集、存储和分析功能，支持日志的实时查询和历史分析。服务还提供性能分析和容量规划功能，为系统优化和扩容提供数据支持。

4.系统集成层

(1)登录认证及权限系统集成

登录认证及权限系统集成模块实现了企业级的安全访问控制，这是保障数据安全的第一道防线。模块采用多因子认证机制，支持用户名密码、单点登录(SSO)等多种认证方式，确保用户身份的可靠验证。在权限管理方面，系统实施基于角色的访问控制(RBAC)模型，支持细粒度的权限配置，能够精确控制用户对不同数据源、功能模块的访问权限。权限系统与数据源管理深度集成，实现了数据级别的安全策略，确保用户只能访问其权限范围内的数据。系统具备完整的审计功能，记录所有用户的访问行为和数据操作，支持安全审计和合规检查。权限系统支持动态权限调整，管理员可以实时修改用户权限，权限变更立即生效。

(2)前端web界面集成到WPS表格等常用办公产品

前端web界面集成模块实现了智能数据处理助手与常用办公产品系统的深度融合，提供统一、流畅的用户体验。智能数据处理助手作为常用办公产品的一个功能模块嵌入，用户在常用办公产品中即可享受智能问答服务。界面设计遵循简洁直观的原则，采用对话式交互界面，用户可以通过自然语言输入查询需求，系统即时返回分析结果。界面支持多模态结果展示，包括文本描述、数据表格、可视化图表等多种形式，用户可以根据需要选择最适合的展示方式。图表类型涵盖柱状图、折线图、饼图、散点图等，满足不同分析场景的可视化需求。界面与会话管理系统协同工作，支持查询历史的保存和回顾，用户可以方便地查看和复用之前的查询结果。

通过这种分层架构设计，系统实现了从底层硬件资源到上层用户界面的完整技术栈，每个组件都有明确的职责分工和协作关系，共同构建了一个高效、安全、智能的数据分析问答系统，满足方案中提出的各项技术和业务需求。

合作服务效果

通过引入“商汤小浣熊”这一创新的Data Agent解决方案，并在2025年完成正式部署与规模化推广，平安科技在业务运营效率、决策质量及数据文化建设方面取得了显著的商业价值与成效：

1.降本增效：数据分析效率实现“质”的飞跃

￮人力释放：“商汤小浣熊”的数据处理和分析功能，成功替代了大量重复性的人工统计工作，为业务部门极大节省了约工作量，使员工能聚焦于更高价值的业务策略分析。

￮时效性提升：借助商汤小浣熊强大的语义理解与数据分析能力，原本需要跨部门沟通、耗时多日的复杂跨表报表制作，现在通过自然语言提问即可在分钟级生成分析结果。整体数据分析链路流转效率大大提升。

2.业务赋能：零门槛交互打破“技术壁垒”

￮全员普及：通过将商汤小浣熊前端界面无缝集成到现有WPS表格等办公产品中，真正实现了“数据平权”。非技术背景的业务人员也能通过自然语言进行动态维度分析，极大激活了企业沉睡的数据资产。

￮决策支持：系统支持的多样化图表展示与洞察挖掘，帮助管理层在多次关键业务决策中（如保险产品收益趋势分析）快速获取了准确的数据支撑，实现了从“经验驱动”向“数据驱动决策”的转型。

￮降低技术门槛：使非技术背景的业务人员能够独立完成复杂分析任务。

3.安全合规：构建企业级数据安全护城河

￮通过私有化部署与权限系统的深度集成，项目成功构建了基于角色的精细化访问控制体系，实现了100%的数据审计可追溯，确保了敏感数据在Data Agent应用过程中的零泄露与全合规。

4.客户评价与长期价值该项目不仅解决了当下的数据应用痛点，更通过模块化架构为未来留出了扩展空间。客户反馈：“商汤小浣熊不仅是一个工具，更是我们业务团队的智能伙伴，它让数据真正流动了起来。”

关于企业

·商汤科技

上海商汤智能科技有限公司（以下简称“商汤科技”）长期投入于原创技术研究，以大模型、大装置等生成式AI技术自主研发与应用为核心业务，是全球领先的人工智能平台公司。商汤科技打造新型人工智能基础设施——商汤AI大装置SenseCore，打通算力、算法和平台，并建立“商汤日日新 SenseNova”大模型及研发体系，以低成本解锁AGI任务能力；其打造的AI Native生产力系列工具「商汤小浣熊」，覆盖软件开发、任务规划、数据分析、文件处理等多个场景，旨在通过先进人工智能技术优化工作流程，提升工作效率。

·平安科技（深圳）有限公司

平安科技（深圳）有限公司（以下简称“平安科技”）成立于2008年，是平安集团旗下科技解决方案专家，致力于运用人工智能、大数据、云计算等前沿科技，助力集团以科技创新驱动“综合金融+医疗养老”战略，推动集团可持续、高质量发展。公司于2013年取得“国家重点软件企业”、连续获评“国家高新技术企业”、福布斯中国人工智能科技企业TOP50、广东省科技进步一等奖、吴文俊人工智能科技进步一等奖、上海市科技进步一等奖、深圳市科技进步奖一等奖、连续2年荣获金融科技发展奖。

★以上由商汤小浣熊投递申报的Agent案例，最终将会角逐由金猿组委会×数据猿×上海大数据联盟联合推出的《2025中国大数据产业年度Data Agent创新应用》榜单/奖项。

该榜单最终将于1月上旬上海举办的“2025第八届金猿大数据产业发展论坛——暨AI Infra & Data Agent趋势论坛”现场首次揭晓榜单，并举行颁奖仪式，欢迎报名莅临现场。

来源：数据猿