以具体化、 针对性、 私有化、 学科专用或实验室专用的方式将进一 步 将 70B 、 32B 、 14B 、 8B 、 7B 等不同版本的 DeepSeek-R1 大模型部署到学科内部 ，并接入本地知识库（如 学术资源、 课程资源、 实验数据等） ， 后期学校将根据具体需求及资源占用情况提供差异化服务 ， 构建 “ A I + 学科 ”垂直领域解 决方案 ，为学科交叉创新发展提供有力支撑 4.2 能够更好地理解和处理该领域 的专业 问题； （ 2 ）模型适应性优化： 通过微调 可 以调整模型的参数 ，使其更符合 特定 任务的要求 ，提高输出的准确 性和稳 定性。 模型微调和本地知识库 使用海量数据进行预训练得到的基础 大模型 ，具备广泛的语言理解和生成 能力 ，但在特定任务上的表现往往 不 够精准。 解决方案： （ 1 ）模型微调；（ 2 ）本地知识 库 模型微调技术要点 n 本地知识库 RAG （ Retrieval-Augmented Generation ） ， 即检索增强生成 ，是一种结合检索技术和生成模型的技术框 架， 旨在提升模型生成内容的准确性和相关性 其核心思想是： 在生成答案前 ， 先从外部知识库中检索相关信息 ， 再将检索结果与用户输入结合 ，指导生成模 型 输出更可靠的回答。 简单地说 ，就是利用已有的文档、 内部知识生成向量知识库 ，在提问的时候结合库的内

情感分析和多语言翻译。 • 3. 对话交互类 ：角色扮演、多轮对话、 反问引导。 • 4. 技能应用类 ：数学计算、代码解释、 逻辑推理。 • 5. 个性化定制类 ：风格迁移、知识库绑 定、偏好记忆。 • 6. 系统操作类：模式切换、资源优化、 记 忆管理。 • 7. 知识查询类：事实核查、概念解释、 溯 源检索。 • 8. 教育与研究类：题目生成、论文润色、 AnythingLLM 工作区右侧点击设置 ，选择聊天设置 ，更改 LLM 模型为 DeepSeek ，输入 API Key 并选择 DeepSeek R1 模型 ，点击更新工作区即可。 • 搭建本地知识库 • 在 AnythingLLM 左侧工作区找到上传按钮 ，选中要上传的文档 ，点击移动到工作区 ，再点击“ Save and Embed” ，对文档进行切分和词向量化。 完成后 DeepSeek 业务流应 用 DeepSeek 业务流应用 • Coze+Deepseek API （ Deepseep R1 ） 业 务流 • Dify+Deepseek API 搭建本地知识库 • Langchain+Deepseek API 业务流工程 • 1. R2R ：官网： https://r2r-docs.sciphi.ai/ • 功能：用于开发本地 RAG 应用程序

法律风控：上传合伙协议→输入“检测股权分配风险点”→标注条款漏洞并提供修改 建议 2.进阶赋能：从工具使用到系统重构 DeepSeek 正在引发更深层次的生产力变革： ①知识管理革命 ⚫ 个人知识库： 1.上传历年工作文档/读书笔记/会议记录 2.输入“构建知识图谱，关联 2024-2025 年市场策略”→生成可交互的 3D 知识网络 ⚫ 企业智慧大脑： 销售数据+客服录音+ 的持续迭代正在重新定义人机关系，其技术发展呈现三大趋势： ①认知协作革命 ⚫ 智能增强：通过脑机接口技术，用户可直接用思维操控 DeepSeek 生成方案，写 作效率提升 10 倍 ⚫ 记忆外延：个人知识库与 AI 记忆网络深度融合，实现“瞬间调取 20 年工作经验”的 能力 ⚫ 决策共生：AI 构建“平行推演空间”，在重大决策前模拟 100 种可能性并标注风险 路径 ②感知升维突破

1.3.3 工业大模型的应用范畴 第一，语言理解与知识问答能力。 利用大模型对于自然语言的理解能力，能理解和识 别用户意图，使员工能通过自然语言就能与机器进 行交互；另外通过为大模型外挂知识库，增强知识 检索能力，可以提升知识获取和共享效率。这些能 力在工业领域可普遍应用于智能客服、知识管理、 教学与培训、工业文档检索与统计等场景中，大幅 提升工作效率，减少人力劳动和成本。 还 技术的应用正为工业领域带来前所未有的创新性变革。而且，工业领域对 AI 技术的部署，正在随着 AI 技术本 身的发展和工业应用复杂性的增加，日渐从传统的 AI 技术向更加复杂的工业大模型过渡。 传统 AI 技术则主要基于规则和知识库实现智能工作，它通常使用神经网络结构，通过大量数据进行训练，来获得较好的性 能。传统 AI 具有较强的实时性，能在特定场景下快速解决问题。但是，对于更加复杂的多样化应用场景，比如需要处理文 本、图像、音频等多模态数据时，传统 Yasunaga et al., 2022; Wang et al., 2023c; Borgeaud et al., 2022】： RAG 作为一种关键的方法，通过有效地结合了大模型的能力和外部知识库的丰富性，提高了大语言模型在各种任务上的表 现，尤其是在需要最新信息和专业知识的场景中，有效减少语言模型中出现的虚假信息。RAG 具备高度的定制化能力。通 过索引与特定领域相关的文本语料库，RAG

社会和经济效益 ➢ 低成本高质量语言模型边界的探索，扩展的具体方法和侧重点改变：最初是模型规模， 然后是数据集规模，现在是推理时的计算资源和合成数据； ➢ 垂直领域和横向拓展：采用"API+本地化知识库"或"提示工程+检索增强"的混合方案， 通过Prompt Engineering和RAG等技术实现业务场景的快速适配与轻量定制，同时建立完 善的运维合规体系，确保数据处理全流程的安全性与合法性。