展开全部

主编推荐语

深度解析DeepSeek引领AI赋能制造业转型之路。

内容简介

本书涵盖DeepSeek原理、技术、落地案例,实战制造企业场景,兑现DeepSeek生产价值,推动企业转型。

本书主要内容如下:

首先,介绍DeepSeek的发展历程、技术路线与定位,澄清一些常见误区。并且,详细解析其核心技术,包括Transformer、MoE等基础架构,以及DeepSeek-MoE、MLA等关键创新,以揭示其性能突破与高速发展的技术根源。

接着,由浅入深地讲解DeepSeek应用方法论。基础模式包括提示词设计、多工具协同以及必备的应用能力。进阶模式则围绕垂直大模型的构建展开,涉及各种微调技术、RAG及AI Agent的基础架构与实践路径,为行业实践打下基础。

随后,视角聚焦于制造业场景,实现DeepSeek的部署与应用。先从决策层面,分析制造业的数字化现状、企业对大模型的核心需求及重点落地场景,进一步讨论DeepSeek私有化部署的必要性、成本结构、资源规划(场景、模型、算力、数据)与实施路线。再从实战层面,讲解Ollama、ChatBox本地化部署,基于Dify开发应用,构建知识库问答助手,设计自动化工作流等。

之后,进入案例演示环节。先以“企业超级员工”为主题,展示DeepSeek在制造业典型业务中的落地应用,如基于Dify构建智能生产合规助手、智能办公助手等。再进一步介绍制造业业垂直大模型的构建流程,包括数据集制作,以及基于LLaMA-Factory微调等。

最后,进行总结与展望,为企业提供有效的决策参考。对DeepSeek的能力边界、算力需求、成本效益等关键问题进行系统评估,并展望AI赋能制造业的未来发展方向。

目录

  • 版权信息
  • PREFACE 前言
  • CHAPTER 1 第1章 认识DeepSeek
  • 1.1 DeepSeek基础知识
  • 1.1.1 DeepSeek发展简史
  • 1.1.2 DeepSeek版本介绍
  • 1.2 人工智能、大模型与DeepSeek
  • 1.2.1 人工智能的三大技术流派
  • 1.2.2 大模型的主要特征
  • 1.2.3 大语言模型的基本能力
  • 1.2.4 关于DeepSeek的常见误区
  • 1.3 小结
  • CHAPTER 2 第2章 DeepSeek的技术原理
  • 2.1 大模型的基本技术
  • 2.1.1 Transformer的基本原理
  • 2.1.2 Transformer的优缺点
  • 2.1.3 MoE的基本原理
  • 2.1.4 MoE的优缺点
  • 2.2 DeepSeek的技术创新
  • 2.2.1 DeepSeekMoE
  • 2.2.2 MLA
  • 2.2.3 MTP
  • 2.2.4 GRPO
  • 2.3 DeepSeek火爆的逻辑
  • 2.3.1 应用层的用户体验优化
  • 2.3.2 算法层的集成创新
  • 2.3.3 基础设施层的落地高性价比
  • 2.4 小结
  • CHAPTER 3 第3章 DeepSeek的基础使用方法
  • 3.1 DeepSeek功能简介
  • 3.1.1 能力图谱
  • 3.1.2 三种模式
  • 3.2 提示词
  • 3.2.1 提示词的作用
  • 3.2.2 提示词的必要性
  • 3.2.3 提示词的基本要素
  • 3.2.4 常用的提示词模板
  • 3.3 DeepSeek多工具协同
  • 3.3.1 DeepSeek的使用局限
  • 3.3.2 多工具协同
  • 3.4 使用DeepSeek的能力要求
  • 3.4.1 提问
  • 3.4.2 判断
  • 3.4.3 调度
  • 3.5 小结
  • CHAPTER 4 第4章 DeepSeek的进阶使用方法
  • 4.1 垂直大模型的构建
  • 4.1.1 全量微调
  • 4.1.2 局部微调
  • 4.1.3 适配式微调
  • 4.1.4 前缀式微调
  • 4.1.5 外挂式微调
  • 4.1.6 混合式微调
  • 4.1.7 主要微调技术的对比
  • 4.2 大模型检索增强生成
  • 4.2.1 RAG简介
  • 4.2.2 构建向量数据库
  • 4.2.3 相似检索
  • 4.2.4 智能生成
  • 4.2.5 RAG效果评估
  • 4.2.6 RAG应用场景
  • 4.2.7 RAG与微调的对比
  • 4.3 AI Agent
  • 4.3.1 AI Agent简介
  • 4.3.2 基本框架
  • 4.3.3 感知模块
  • 4.3.4 大脑模块
  • 4.3.5 行动模块
  • 4.3.6 大模型与AI Agent的关系
  • 4.3.7 AI Agent与RPA的关系
  • 4.4 小结
  • CHAPTER 5 第5章 制造业与DeepSeek
  • 5.1 制造业的数字化进展
  • 5.1.1 企业数字化
  • 5.1.2 智能制造
  • 5.2 DeepSeek等大模型在制造业的应用
  • 5.2.1 制造业需要大模型赋能
  • 5.2.2 大模型在制造业的应用场景
  • 5.3 小结
  • CHAPTER 6 第6章 企业级DeepSeek的私有化部署与应用
  • 6.1 企业私有化部署DeepSeek的考量
  • 6.1.1 常见的DeepSeek使用方式
  • 6.1.2 私有化部署的必要性
  • 6.1.3 私有化部署的成本测算
  • 6.2 企业私有化部署与应用DeepSeek的路径
  • 6.2.1 场景选择
  • 6.2.2 模型选择
  • 6.2.3 算力分配
  • 6.2.4 数据规划
  • 6.2.5 整体解决方案
  • 6.2.6 培训与推广
  • 6.3 小结
  • CHAPTER 7 第7章 DeepSeek部署与应用实战
  • 7.1 DeepSeek本地部署工具
  • 7.1.1 使用Ollama部署DeepSeek
  • 7.1.2 基于ChatBox客户端与DeepSeek交互
  • 7.2 大模型应用开发平台
  • 7.2.1 安装Dify
  • 7.2.2 Dify的功能特性
  • 7.2.3 使用Dify开发AI应用
  • 7.2.4 其他大模型应用开发平台
  • 7.3 知识问答助手实践
  • 7.3.1 构建知识库
  • 7.3.2 创建问答助手
  • 7.4 工作流实践
  • 7.4.1 工作流组件简介
  • 7.4.2 多知识库问答工作流示例
  • 7.5 AI Agent实践
  • 7.5.1 基于Function Calling调用外部工具
  • 7.5.2 基于MCP调用外部工具
  • 7.5.3 MCP实战
  • 7.6 小结
  • CHAPTER 8 第8章 企业超级员工:DeepSeek在业务场景中的应用案例
  • 8.1 企业超级员工
  • 8.1.1 企业超级员工的基本架构
  • 8.1.2 构建企业知识库
  • 8.2 基于Dify的智能生产合规知识助手
  • 8.2.1 添加会话变量
  • 8.2.2 构建用户意图识别模块
  • 8.2.3 知识库的分类及构建
  • 8.2.4 执行原文回复任务
  • 8.2.5 实施任务自动化
  • 8.3 基于Dify的智能办公助手
  • 8.3.1 调用大模型生成思维导图的流程
  • 8.3.2 基于Dify的思维导图自动生成流程
  • 8.3.3 技术方案整合流程
  • 8.4 小结
  • CHAPTER 9 第9章 从通用到专精:垂直大模型的应用方案
  • 9.1 构建微调数据集
  • 9.1.1 数据获取
  • 9.1.2 数据清洗
  • 9.1.3 数据质量控制
  • 9.1.4 数据扩增
  • 9.1.5 数据标准化和格式化
  • 9.2 微调框架:LLaMA-Factory
  • 9.2.1 安装LLaMA-Factory
  • 9.2.2 配置训练数据
  • 9.2.3 微调模型的推理测试
  • 9.3 小结
  • CHAPTER 10 第10章 总结与展望
  • 10.1 DeepSeek:行业应用万花筒
  • 10.2 正确认识DeepSeek
  • 10.2.1 DeepSeek的能力边界
  • 10.2.2 DeepSeek与算力
  • 10.2.3 DeepSeek与费用
  • 10.2.4 DeepSeek与效益
  • 10.2.5 DeepSeek会取代人类吗
  • 10.3 DeepSeek的重要发展方向
  • 10.3.1 端侧大模型加速变革
  • 10.3.2 AI Agent快速普及
  • 10.3.3 通用还是垂直
  • 10.3.4 伦理与道德
  • 10.4 小结
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    4.0
    也算是一个开端

    DeepSeek 等大模型技术以其通用智能掀起浪潮时,一个尖锐的问题摆在制造业面前:这些炫目的技术如何真正融入轰鸣的车间,解决具体的生产痛点?本书就是为了回答这个问题。其核心价值在于它尝试去填补从技术热议到工程化落地之间的巨大空白。书籍开篇系统梳理了 DeepSeek 的技术脉络与基础应用,但这并非重点。但真正有用的地方在于后半部分 —— 聚焦于制造业场景的深度实践。作者们指出了一条清晰的路径:从探索应用场景,到详解企业级私有化部署方案,再到提供基于 OllamaDify 等工具的平台实践方法。这种结构安排直击企业最直接的关切:如何以可控的成本和风险,拥有并驾驭属于自己的 AI 能力。书中强调的方法论是 “可复制” 的,旨在帮助企业跨越 “人员认知、应用方法和工程化落地” 三重障碍。本书生动阐释了何为 “数据驱动决策”(D2D)。它批判了传统 ERP 等系统往往只是 “服务于作业需求”,界面信息繁杂,导致管理者 “不知道该看什么”。相反,真正的智能系统应当像书中所倡导的 D2D 模式那样,通过数据透明化,让红、黄、绿三色标记直观揭示问题核心,将隐性的沟通成本、决策成本和试错成本显性化。这种从 “记录流程” 到 “赋能决策” 的理念转变,正是制造业智能化转型的管理内核。然而,想要将前沿、复杂的跨学科知识体系化地呈现给不同背景的读者,本身就是一项艰巨的任务。书籍可以提供路线图和工具箱,但每个企业的具体 “施工” 过程,仍需结合自身独特的工艺、数据和人才状况。书中提到的零代码、低代码平台,以及 “试点 - 复制 - 扩展” 的实施路径,正是为了降低这道门槛。

      1
      1

    出版方

    机械工业出版社

    机械工业出版社是全国优秀出版社,自1952年成立以来,坚持为科技、为教育服务,以向行业、向学校提供优质、权威的精神产品为宗旨,以“服务社会和人民群众需求,传播社会主义先进文化”为己任,产业结构不断完善,已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸,现已发展为多领域、多学科的大型综合性出版社,涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。