DeepSeek 消费电子行业大模型新型应用最佳实践分享 陈树荣 腾讯云智能商业化 2025.03 LEVEL 1 研发模型结构 LEVEL 2 研发预训练模型 LEVEL 3 基于模型 SFT LEVEL 4 直接调用 大模型产业生态图 大模型产业链上的生态，根据大模型生态上不同企业的定位，分成了四个等级的企业： • 自研大模型结构的企 低代码、灵活自定义两种精调模式自由选择 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 工具，交互式代码开发工具，专业的通用任务调度工具 分布式稳定训练：支持多机多卡大规模训练，故障自动重启续训 镜像制作：基于 jupyter 的高效自定义镜像制作工具 训练指标监控：丰富的指标监控及告警，覆盖网络及 GPU 算力 内置训练加速：全新升级 Angel 训练框架加速能力，性能提升 30%

据库 数据抽取 数据挖掘 数据汇总 关系型 数据库 图片 实时性要求高 实时性要求丌 高 集市区 缓冲区 1. 最终交易价格： 13,965 万元。 2. 交易标的： 晓奥享荣 3. 是否构成借壳上市： 不构成借壳上市 4. 股份发行价格： 17.36 元 / 股 5. 支付方式： 新时达以发行股份及支付现金相结合的方式 6. 是否构成上市公司重大资产重组： 构成上市公司重大资产重组 三特索道、人福医药、当代明城 横店系 浙江 横店东磁、普洛药业、英洛华 精功系 浙江 金良顺 精功科技、精工钢构、会稽山 华夏系 河北 王文学 华夏幸福、玉龙股份、黑牛食品 银亿系 浙江 熊续强 银亿股份、康强电子、河池化工 广汇系 新疆 孙广信 广汇汽车、广汇能源、 ST 兴业 汇垠系 广东 万家乐、汇源通信、永大集团 长城系 浙江 赵锐勇 长城影视、长城动漫、天目药业 袁志敏、熊

领域自适应（ Domain Adaptation ）技术实现 增量学习策略 反馈闭环优化 自动化监控与评估 版本控制与回滚 设计增量学习机制，使模型能够 在不遗忘已有知识的基础上，持 续吸收新的金融数据和业务规则， 确保模型始终与银行业务的最新 发展保持同步。 建立用户反馈机制，将银行业务 人员和客户的反馈信息纳入模型 优化流程，通过持续迭代改进模 型，使其更好地满足实际需求， 涵盖大模型技术、企业架构建模、敏捷开发等前沿知识， 提升员工的专业技能和创新能力。 实战项目经验积累 03 通过参与实际数字化转型项目，让员工在实践中积累经验， 提升解决复杂问题的能力，同时通过项目复盘和总结，持 续优化人才培养方案。 激励机制与职业发展路径 04 建立完善的激励机制和职业发展路径，包括绩效考核、晋 升通道、薪酬福利等，激发员工的学习动力和职业成长潜 力。 扁平化管理结构 减少管理层级，优化决策流程，提升组织响应

二、学而思：DeepSeek为基座，融合九章大模型能力， 实现双协同、生态化布局 2月8日至今，学而思先后将AI学习机、学练机等硬件产品接入DeepSeek，以其深 度思考模式升级产品AI能力，已于旗舰机开启灰度测试并将陆续上线免费智能教育 功能；新发布AI学习应用“随时问”，由自研九章大模型与DeepSeek大模型联合 支持，主打一站式智能化教育。围绕DeepSeek，学而思的AI教育布局呈现出双协 同、生态化特点：

在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 承至下一代员工，即便在资深团队成员陆续退休 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点 （即“人机协同”）来实现自主运营，能够显著提升 效率、敏捷性和可持续性，这对于适应动态环境中 策自主化。 实现自主智能供应链 15 图6 最先进的工业多集中在离散制造领域 • 未来五年内，所有行业的供应链自主化 水平预计都将实现显著提升。大多数行 业从当前到未来的自主化发展均呈现持 续增长态势，反映出向自动化与自主化 转型的普遍趋势。然而，各行业转型的 速度与广度差异显著，这为根据其独特 需求和运营现状制定针对性的战略举 措带来了机遇。 • 汽车行业已成为数字化供应链转型的

案例分析：结合实际业务场景，展示智能体在不同情况下的应 用效果。  互动练习：设计互动环节，让用户在模拟环境中进行实战操 作。  反馈机制：通过问卷调查或访谈，收集用户对培训的反馈，持 续优化培训内容。 通过系统的用户培训，用户可以快速上手并充分利用 DeepSeek 智能体的各项功能，提升工作效率和决策质量。同时， 培训不仅为用户提供了技术支持，还增强了用户对智能体的信任感 到预期目标。验收报告应包括以下内容：项目概述、验收标准、测 试结果、问题和改进建议、验收结论。验收报告应作为项目的重要 文档存档，供后续参考和审计。 通过以上步骤，可以确保智能体开发项目的顺利验收，并为后 续的推广和应用提供可靠保障。 13.1 验收标准制定 在制定验收标准时，首先需要明确项目的核心目标和关键性能 指标（KPIs）。这些指标应与项目需求文档（PRD）中的目标相一 致，并且能够量化评 功能与性能表现一致。 在验收测试过程中，测试人员应详细记录测试结果，并对发现 的问题进行分类和优先级排序，形成测试报告。测试报告应包括测 试用例、测试步骤、测试结果、问题列表及改进建议等内容，为后 续的修复和优化提供依据。 以下为验收测试的关键指标示例：  功能测试通过率：95%以上  性能测试响应时间：平均不超过 2 秒  安全性测试漏洞发现率：无高危漏洞  稳定性测试无故障运行时间：连续运行

于高质量 的知识库数据处理。当前，许多企业和研究机构在构建和利用知识 库时，面临着数据来源分散、数据质量参差不齐、处理流程复杂等 多重挑战。这些挑战不仅增加了数据处理的成本，还直接影响到后 续模型训练的效果。因此，设计一套高效、可扩展的知识库数据处 理及 AI 大模型训练方案，已成为提升人工智能应用水平的关键。 在实际操作中，知识库的处理包括数据采集、清洗、标准化、 存储和检索等多个 和创新的知识资产。具体目标包括以下几个方面： 首先，实现知识库数据的高效清洗与整合。针对多源异构数 据，设计并实施数据清洗规则，确保数据的准确性、完整性和一致 性。同时，建立数据标准化流程，统一数据格式和语义表达，为后 续的模型训练提供高质量的数据基础。数据清洗的关键指标包括： - 数据准确率提升至 99% 以上 - 缺失值处理率达到 98% - 重复数据 删除率不低于 95%。 其次，构建知识图谱与实体关系网络。通过自动化工具和人工  数据安全：严格遵守法律法规，进行匿名化处理  数据存储：分布式系统，版本控制与备份  质量评估：抽样检查、交叉验证、专家讨论 通过以上步骤，可建立一个高质量、高可靠性的知识库，为后 续的 AI 大模型训练提供坚实的基础。 2.1 数据来源及采集 在知识库数据处理方案中，数据来源及采集是确保数据质量和 模型训练效果的关键环节。首先，数据来源应多样化，涵盖公开数 据集、行业报告

大多数商业银行的决策模式主要依赖经验以及基于规则的系统，数据价值的挖掘和释放空间较大。 OpenAI 的 Deep Research 功能支持查找、分析和综合数百个在线资源，以研究分析师的水平创建综合报告。随着相关模型能力上限持 续 提升，决策层可应用 DeepSeek 深度挖掘和分析内外部数据，并为管理和决策赋能。 图表： Deep research 示例 决策赋能场景：高级分析能力赋能管理决策 资料来源： OpenAI

行业研究〃信息服务行业 请务必阅读正文之后的信息披露和法律声明 10 在 AutoGen 智能体程序中，人类充当需求发起者，智能体通过不断使用工具并在相 互交流中解决陆续出现的问题从而得到最终答案。在智能体交流过程中，人类可随时介 入其中，若用户对最终结果不满意，可以重新提出需求，智能体就会继续优化答案。 图7 Agent 交流模式展示 资料来源：Enabling 能体完成更多复杂 任务，解决跨行业、跨领域的问题。智能体发展能推动政府、金融、制造、能源、医疗、 零售等行业的智能化应用向多模态和跨模态转变。 3.1 海内外政策推动人工智能发展加速 多地陆续出台关于人工智能发展的指导文件，2024 年政府与企业的投入资金有望迎 来大幅增长。国务院在《2024 政府工作报告》中提出，要开展“人工智能+”行动，实 施数字化转型。智能体作为人工智能应用领域的重要研究方向，相信众多企业和研究部

括视频时长、分辨率、拍摄设备、拍摄地点、事件标签以及视 频摘要等。这些元数据将以数据库的形式存储，以支持快速索 引和查询。 3. 分析结果存储：视频智能分析结果需要进一步存储，以便于后 续的查询和分析。这些结果包括识别出的物体、场景变化、事 件触发记录等信息，应当与相应的元数据关联存储，形成完整 的数据链条。 在实现上述数据存储方案时，还需要考虑数据的安全性和访问 控制。应建立 量实时数 据时，系统需要具备故障自恢复能力，确保在网络不稳定或设备故 障的情况下仍然能保持基本功能。这可以通过冗余设计和数据备份 机制来实现，包括设置多路视频流备份和数据镜像，确保数据的持 续有效性。 在综合以上分析后，视频智能挖掘系统的实时处理与分析功能 不仅能够提升公共安全监控的智能化水平，同时也为快速应对突发 公共安全事件提供了有力支撑。 2.2 非功能需求 在公共安全领域，引入 故、火灾、入侵等，通过 AI 算法识别并自动告警，减少人力 监控的负担。 4. 剪辑与摘要生成：从长时间的视频流中提取核心信息，根据事 件的时间线生成简洁的摘要，以便快速审阅。这种功能对于后 续的调查和事件回顾极为重要。 5. 数据关联分析：结合视频数据与其他传感器数据，进行多维度 分析，提供更全面的情况判读。例如，通过结合视频监控与社 交媒体数据，识别热点事件并进行深入分析。 6.