中科通达（688038）智周灵犀不是一个大模型打天下公安智能体模型选型与场景适配从“接入模型”走向“按场景选模型、用模型、管模型”
核心观点 / CITMS
公安智能体建设不是选择一个大而全的模型覆盖所有业务，而是围绕具体任务建立模型选型、场景适配、效果评价和版本管理机制。模型可以持续变化，但公安业务对安全、准确、稳定和可追溯的要求不能改变。
01
接入大模型
不等于选对大模型
随着大模型能力快速发展，公安智能体建设正在从概念验证走向业务应用。越来越多的模型具备文本理解、内容生成、知识问答、图像识别和工具调用能力，但在实际建设中，仅仅完成模型接入，并不意味着模型已经适合公安业务。
执法办案、情报研判、基层警务、视频图像和智能问数等场景，在任务目标、数据形态、结果用途和风险等级上存在明显差异。执法文书更关注事实一致、格式规范和法律依据；情报研判更关注长材料理解、多源归纳和关联分析；视频图像应用需要多模态识别和结构化提取；智能问数则更加关注工具调用、统计口径、权限边界和过程审计。
因此，公安智能体建设不能简单采用“接入一个模型、覆盖全部场景”的方式。真正需要建立的，是一套围绕业务场景运行的模型选型与适配机制。
模型选型的判断标准，不能只看参数规模和通用榜单，更要看模型在具体公安任务中的准确性、稳定性、安全性和运行效率。
02
为什么不能
一个大模型打天下
不同模型在训练数据、能力侧重、资源需求和任务表现上各有差异。有的模型擅长长文本理解，有的模型结构化输出更稳定；有的模型多模态识别能力较强，有的模型工具调用表现更好；有的模型适合复杂推理，有的模型则更适合高并发、短链路任务。
1.场景适配可能不准确
模型在通用问答中表现良好，不代表它在笔录整理、执法文书、情报材料分析或智能问数中同样稳定。如果缺少业务测试，容易出现答非所问、事实遗漏、格式不一致或工具调用错误。
2.算力资源可能使用不合理
材料分类、信息抽取等相对明确的任务，不一定需要调用大参数模型。所有任务都使用同一高算力模型，既可能增加部署成本和运行压力，也不利于保障高并发场景下的响应效率。
3.模型升级可能影响既有智能体
模型版本变化后，原有提示词、工作流和输出结果可能随之变化。若没有版本测试、回归验证和回退机制，模型升级可能对已上线的智能体造成影响。
4.权限与审计难以统一
各业务系统分别接入模型，容易形成入口分散、权限规则不一致、调用过程难追溯等问题。公安智能体需要通过平台统一管理模型入口、调用权限和审计记录。
03
公安场景选择模型
重点评价什么
模型评价应从业务任务出发，而不是停留在参数规模、通用榜单或演示效果。结合公安智能体建设特点，可以重点考察以下七个方面。
除业务能力外，安全应作为模型应用的基础门槛。公安场景统一本地化、私有化部署，模型、数据和调用过程均在域内运行，数据全程不出域；模型调用应具备身份认证、权限控制和全链路审计；重要结果应保留人工审核，模型异常时应支持终止、恢复或版本回退。
04
不同公安场景
需要不同模型能力
模型选型的核心是“任务适配”。同一个模型可以服务多个场景，但每个场景必须按照自身业务要求进行独立测试，不能用单一测试结果替代全部业务判断。
执法办案：准确与规范优先
执法办案类智能体不能只评价文字是否流畅，更要评价输出是否忠实于原始材料、是否遗漏关键事实、是否符合既定文书格式，以及引用依据是否可以核验。模型生成结果应作为辅助内容，由办案人员审核确认。
情报研判：长材料理解与可解释性并重
情报研判往往涉及多份材料和多类信息。模型需要具备较好的长文本理解和多源归纳能力，同时应区分事实、线索与推测，对不确定信息进行明确提示，避免将模型推断直接作为业务结论。
视频图像：多模态能力必须经过场景测试
实验室测试结果不能直接代替真实环境表现。光照、遮挡、角度、清晰度和声音质量都会影响识别结果，应使用经过脱敏的实际业务类型样本进行测试，并保留原始素材与识别结果之间的对应关系。
智能问数：重点不只是“答出来”
智能问数更关注是否按授权范围正确调用数据能力、是否理解完整查询条件、是否保持统计口径一致，以及查询过程能否审计。大模型不直接查库、不裸连数据库，而是通过Skill任务编排和MCP服务封装调用经过授权的数据能力，不直接输出敏感明细。
05
模型选型
不能只做一次
模型选型不是项目启动阶段的一次性测试，而应贯穿智能体设计、开发、上线、运行和迭代全过程。
第一步：定义业务场景
由业务部门明确智能体解决什么问题、输入材料是什么、输出结果如何使用、哪些错误不可接受、哪些结果必须人工复核。科信部门负责将业务要求转换为可测试、可管理的技术指标。
第二步：建设业务测试集
测试集应覆盖常规样本、复杂样本、边界样本、易错样本、安全样本和工具调用样本。测试材料应按要求完成脱敏处理，并标注预期结果或评价规则。
第三步：开展候选模型测试
候选模型应在相同任务、相同输入、相同提示词和相同评价标准下进行测试，避免将不同条件下的演示结果直接比较。测试结论既要看总体表现，也要分析高风险任务中的失败情况。
第四步：完成场景适配
根据测试结果，调整模型选择、提示词规则、知识库内容、工具调用方式、输出模板和人工审核节点。模型本身只是其中一部分，稳定效果来自模型、数据、知识、工具和业务规则的协同。
第五步：设置上线门槛
上线前可围绕核心任务完成情况、结构化输出质量、工具调用成功情况、敏感信息控制效果、响应时间和异常恢复能力设置验收指标。具体指标和数值应以项目测试结果为依据，不宜在缺少数据支撑时对外作固定承诺。
第六步：持续监测与回归测试
上线后应持续观察用户使用情况、高频失败任务、输出偏差、工具调用异常和业务规则变化。模型、提示词、知识库或工具服务发生变更时，应进行回归测试；发现效果下降时，应支持停止发布或回退到稳定版本。
06
智周灵犀如何支持
多模型统一管理
智周灵犀平台不要求所有智能体固定绑定同一个模型，而是通过统一接入、统一配置、统一管控和统一评价，为不同业务场景提供相应的模型能力。
1.模型统一接入
在公安本地环境中统一接入不同类型、不同能力方向的模型，为文本理解、内容生成、语音处理、图像识别和复杂任务推理提供支撑。
2.模型统一登记
对模型名称、版本、部署位置、适用范围、资源需求、调用权限和状态信息进行统一登记，避免模型来源不清、版本不明。
3.场景化配置
根据智能体的任务特点配置相应模型。复杂研判任务、文书生成任务、图像识别任务和高并发信息抽取任务，可以采用不同的模型组合和运行策略。
4.调用权限控制
按照用户、部门、智能体和业务场景控制模型调用范围。模型不能绕过平台直接访问业务数据，工具调用须经过授权和审计。
5.运行过程审计
记录模型输入、输出、工具调用、异常情况和版本信息，为问题分析、效果评价和责任追溯提供依据。
6.版本测试与回退
模型升级前先完成业务测试和回归验证，发现效果下降或运行异常时，可以切回经过验证的稳定版本，降低模型变化对已上线智能体的影响。
中科通达智周灵犀模型中心
统一部署口径
公安场景统一本地化、私有化部署，数据全程不出域。模型统一接入不等于数据对外开放，而是将模型能力纳入域内统一管理、统一授权和统一审计。
07
从模型名单走向
场景适配机制
公安智能体建设最终需要形成的，不是一张静态的模型名单，而是一套能够持续运行的模型选型与场景适配机制。
1.业务部门负责提出应用场景、业务规则、评价要求和人工审核边界；
2.科信部门负责模型接入、算力资源、安全控制、技术测试和统一管理；
3.建设单位负责场景适配、测试实施、问题整改和版本交付；
4.业务专家参与测试集建设、效果评价和上线验收；
5.运维团队负责运行监测、版本管理、异常处置和持续优化。
围绕上述职责，项目应逐步沉淀模型能力清单、场景适配矩阵、业务测试集、评价指标体系、版本记录以及上线、回退和退出机制。只有将这些内容纳入常态化管理，模型能力才能稳定服务公安业务。
08
结 语
公安智能体建设，不是选择一个“大而全”的模型，然后交给所有业务使用。更稳妥的路径，是根据不同业务场景明确任务、建设测试集、评价模型效果，并通过平台进行统一接入、统一授权、统一审计和持续管理。
智周灵犀通过多模型统一管理、场景化配置、工具调用控制和运行过程审计，为公安智能体提供可持续的模型能力底座。
中科通达智周灵犀
中科通达（688038）始终认为：模型可以不断更新，但公安业务对安全、准确、稳定和可追溯的要求不会改变。
如需了解智周灵犀平台多模型管理、场景适配、效果评测及本地化部署方案，可联系我们获取平台演示和解决方案资料。
说明：文中评价维度和实施流程为通用建设建议，具体指标应结合项目实际场景、测试样本和业务要求确定。
中科通达（688038）是一家从事数字治理与公共安全领域的综合信息服务（III）商，公司于2021年7月在科创板上市(688038)。
公司产品和技术深度融合国家信创（886013）产业发展战略，以物联感知服务、视频图像处理、大数据能力为基础，在物联感知、大数据处理、底座服务、视频图像综合应用、情指勤舆一体化、智慧交通、智慧小区、基础警务等数字城市及公安信息化领域为客户提供专业的解决方案、平台产品、技术服务。
公司致力于成为领先的数字城市与公安信息化解决方案提供商，为客户提供更先进、更稳定的软件产品，以及更可靠、更优质的服务保障。
公司愿与业内企业一起打造优质的商业生态圈，优势互补，资源共享，共同为客户、为社会创造更大价值。
