本文深入探讨了国内大模型在自然资源行业的落地应用，从政策背景、当前应用形式、行业架构及业务应用等多个维度进行分析。文章指出，AI大模型在B端和G端均有广泛应用，并以智能体平台为发展趋势。同时，文章强调AI低代码搭建和专项垂直AI业务的重要性，并提出了企业应如何结合自身优势、抓住行业机遇、研发高竞产品等建议，助力企业在大模型时代实现AI转型。
💡 思考可以构成一座桥，让我们通向新知识。—— 普朗克
一、背景
1.1 目标范围
国内大模型落地应用
1.2 研究内容 & 方向
1、AI大模型落地应用形式；
2、行业应用情况，包括互联网和当前所在行业；
3、公司AI做什么，提供建议方向；
1.3 政策说明
✨
部级指导：
自然资源部2025GISTC会议上，吴总工提出了【谋划全国启动自然资源行业大模型建设试点】，以“后土”大模型（阿里共研）为部统筹，地方共建智能体的形式进行全国试点建设。
二、当前AI大模型落地应用形式
2.1 整体洞察
B端呈现比较广，按细分行业垂直领域划分。
G端(ToG)面向政府，具有政策性驱动
下图是自然资源部介绍的AI智能体平台。
2.2 LLM基底？微调训练库？多模态基体？LLM应用平台？智能体平台？
1、技术发烧友
🏆
智谱2025年至今，融资超过220多亿RMB，他们在做什么这么值钱的东西 ？？
硅基流动在6月获几个亿RMB的融资，他们做了什么产品？
2、择其善者而从之
大多数单位以应用落地为主，顿悟产品+技术领域+行业设计=应用产品；
🐮
技术以智能体+多智能体为潮流方向。
🐮
Now？？Workflow工作流+Prompt Engineer提示词指令，堆起来？？！！
自主智能体！！多智能体，愈发智能
🍞
国内智能体Agent头部案例1：杭州斑头雁，2025.7月融资亿级RMB，即将发布Nova Agent！创新的学习引擎与容器化智能体架构，旨在推动任务自动化的进程。
三、行业架构及业务应用
3.1 行业业务技术架构
自然资源部的架构
上海规划自然资源局的架构
腾讯云的AI架构
阿里的AI架构
超图的AI架构
北京城规院AI
深圳自规局AI
国地AI
宁波自规局
其他更多待归集
3.2 业务应用【技术驱动层面】
🐮
当前AI落地实现的业务案例有很多，ToB的领导行业主要是金融、零售电商、汽车，ToG的在自然资源行业全国也有很多，大家都看过很多，这里不列举，主要从技术驱动层面来说。
杭州城市大脑智能体平台
360纳米AI
扣子空间\扣子应用智能体
🏕️
AI低代码搭建，将成为继AI工作流多模态后做落地应用的一个核心落地方向。
企业级AI智能体应用开发平台NebulaAI
Dify智能体开发平台
其他
3.3 行业需求
🐮
整理自然资源规划行业的具体案例，梳理不同分类，deepseek ？
案例1：音视频文档报告生成
案例2：Coral AI 专于文档的2人运维智能体，收益7位数美元
案例3：通用垂类智能体落地
案例N：
四、我们可以做什么？能做什么？
4.1 优势产品赋能AI提效
团队提纲挈领，在已有产品上进行AI赋能设计，强化AI加成
🌅
在优势方向深入扩展AI能力
| 优势产品1 | 👍 功能名称一 | 👍 功能名称二 | 👍 功能名称三 | 👍 功能名称四 | 👍 功能名称四 |
| 优势产品 | |||||
| AI强化 |
4.2 结合项目定制
🥇
AI技术迭代更新太快，不适合做通用产品，由项目带，如何解决鸡生蛋还是蛋生鸡问题？
做AI办公、知识库、问数分析、问图决策，当前技术已成熟，大家都能做，没有竞争力？
专项垂直AI业务【客户所需】才能有价值。
4.3 抓行业空缺机遇
🐵
1、共建高质量数据集是个机遇
🦁
2、拥有行业知识的“开源”智能体，订阅制商业收益
eg:行业知识管理、行业信息差、出海
4.4 研发高竞产品
🍞
太难，创意点子+业务整合+研发创新+持续投入=0 or 高爆？
4.5 脑暴梳理业务产品体系
🐮
业务认知产品策划——落地真正的核心不在技术，而在业务
✏️
顶层之言：一家拥有宝贵数据却未能将其应用于人工智能和分析计划的公司，本质上是在迎接颠覆，逆水行舟，不进则退。
结语：抓住大模型时代的职业机遇
AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。
无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。
最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向
大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机
2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
扫描下方csdn官方合作二维码获取哦！
给大家推荐一个大模型应用学习路线
这个学习路线的具体内容如下：
第一节：提示词工程
提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升
第二节：检索增强生成（RAG）
可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等
第三节：微调
预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容
第四节：模型部署
想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等
第五节：人工智能系统和项目
这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等
学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容
上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）
