质量控制元素 通过统一的风格和专业领域知识确保输出的一致性，同时使用约束条件和质量 控制维持标准 增强交互体验 迭代指令元素 + 输出验证元素 + 质量控制元素 任务指令元素 + 背景元素 建立动态的交互模式，允许AI进行自我验证和优化，同时根据任务和背景灵活 调整输出 表2-1-1 提示语元素组合矩阵 调教AI的秘籍：让你的提示语效果倍增的关键策略 如何实现精准定义：明确的核心问题、具体化的 请结合不同学科的理论，提出一个创新的解决方案。 6. 请从结果出发，倒推可能的原因和过程，探索新的解决途径。 提示语链的作用机制（二） 质量控制与优化 多模态信息处理 �实战技巧： �实战技巧： 反馈整合与动态调整 �实战技巧： 1. 在每个步骤完成后，进行自我评估和质量检查。 2. 使用清单核对每个部分是否满足预期目标和质量标准。 3. 设立中期检查点，对任务进度和质量进行评估和调整。 4. 请求同行或专家对内容进行审阅并提供反馈。 根据反馈意见，逐步优化和完善文章的各个部分。 1. 请对当前内容进行评估，列出主要优缺点，并提出具体的改进建议。 2. 请根据前一阶段的反馈，逐步修改和完善内容，列出修改的具体步骤。 3. 请根据内容生成过程中出现的新问题，动态调整后续提示语，并解释调整原 因。 4. 请收集多方反馈，综合考虑并调整内容生成方向，列出不同来源的反馈及其 对生成内容的影响。 5. 请定期对生成的内容进行检查，确保各部分内容协调一致，并列出检查的具

质量控制元素 通过统一的风格和专业领域知识确保输出的一致性，同时使用约束条件和质量 控制维持标准 增强交互体验 迭代指令元素 + 输出验证元素 + 质量控制元素 任务指令元素 + 背景元素 建立动态的交互模式，允许AI进行自我验证和优化，同时根据任务和背景灵活 调整输出 表2-1-1 提示语元素组合矩阵 调教AI的秘籍：让你的提示语效果倍增的关键策略 如何实现精准定义：明确的核心问题、具体化的 请结合不同学科的理论，提出一个创新的解决方案。 6. 请从结果出发，倒推可能的原因和过程，探索新的解决途径。 提示语链的作用机制（二） 质量控制与优化 多模态信息处理 �实战技巧： �实战技巧： 反馈整合与动态调整 �实战技巧： 1. 在每个步骤完成后，进行自我评估和质量检查。 2. 使用清单核对每个部分是否满足预期目标和质量标准。 3. 设立中期检查点，对任务进度和质量进行评估和调整。 4. 请求同行或专家对内容进行审阅并提供反馈。 根据反馈意见，逐步优化和完善文章的各个部分。 1. 请对当前内容进行评估，列出主要优缺点，并提出具体的改进建议。 2. 请根据前一阶段的反馈，逐步修改和完善内容，列出修改的具体步骤。 3. 请根据内容生成过程中出现的新问题，动态调整后续提示语，并解释调整原 因。 4. 请收集多方反馈，综合考虑并调整内容生成方向，列出不同来源的反馈及其 对生成内容的影响。 5. 请定期对生成的内容进行检查，确保各部分内容协调一致，并列出检查的具

通过网络搜索行业信息，但信息分散， 难以整合。 场景2：新员工快速熟悉公司情况和行业情况 快速了解行业情况和市场趋势 DeepSeek可以整合行业报告、市场分析、竞争对手信 息等数据，帮助新员工快速掌握行业动态。 操作步骤 上传行业报告、市场分析文档、竞争对手资料等到 DeepSeek。 使用搜索功能查询“电子元器件行业现状”、“未来发 展趋势”等关键词，生成简洁的分析报告。 优势 通过Deep 信息的准确性和全面性更高，减少了因信息不全而导致 的误解和错误。通过DeepSeek的数据分析功能，新员 工可以更深入地理解行业动态和公司运营，做出更明智 的决策。 成本更低： 减少了对培训资源的依赖，新员工可以通过DeepSeek 自主学习，降低培训成本。通过提高工作效率，减少了 人力资源的浪费，降低了整体运营成本。 场景3：日常客户沟通与问题反馈处理 常见问题： 与甲方客户的沟通效率低，信息不对称，导致响应不及时或错误 是一个著名的问答数据集，基于维基百科数据生成，并且数 据是2020年之前的。 AI幻觉问题抽取：多数据集 问题加载 探讨大语言模型（LLMs）在模拟人类意见动态和社 会现象（如极化和错误信息传播）中的表现，特别 是引入偏误信息后的意见动态变化。使用大模型模 拟多个虚拟代理，讨论“气候变暖”、“转基因食 品的安全性”和“疫苗的有效性和安全性”三个具 有科学共识的话题。 实验一在无偏误信息条件下，代理通过社交网络进

图像处理，扩展应用场景。  可解释性：注重模型输出 的可解释性和透明性。 DeepSeek R1  高效推理：专注于低延迟和 高吞吐量，适合实时应用。  轻量化设计：模型结构优化， 资源占用少，适合边缘设备 和移动端。  多任务支持：支持多种任务， 如文本生成、分类和问答。 Kimi k1.5  垂直领域优化：针对特定领域 （如医疗、法律）进行优化， 提供高精度结果。 长文本处理：擅长处理长文本 和复杂文档，适合专业场景。  定制化能力：支持用户自定义 训练和微调，适应特定需求。 Open AI o3 mini  小型化设计：轻量级模型， 适合资源有限的环境。  快速响应：优化推理速度， 适合实时交互场景。  通用性强：适用于多种自 然语言处理任务，如对话 生成和文本理解。 爬虫数据采集 1、阅读网页源代码，提取特定网页内容； 中小企业AI定制化服务：为中小企业提 供定制化的AI解决方案，如智能客服、营销 和办公工具，提升企业竞争力。 • 开源AI教育平台：借助DeepSeek R1 的低成本特性，创建开源AI教育平台，提供 免费课程和实验资源，促进AI教育普及。 • 智能编程教育助手：为编程学生提供实 时编程指导，自动生成代码示例，帮助解决 编程难题。 • 自动化代码审查工具：自动审查代码， 发现潜在问题并提供优化建议，提升开发效

人工智能安全治理框架 1.2 风险导向、敏捷治理。密切跟踪人工智能研发及应用趋势，从人工 智能技术自身、人工智能应用两方面分析梳理安全风险，提出针对性防范应对 措施。关注安全风险发展变化，快速动态精准调整治理措施，持续优化治理机 制和方式，对确需政府监管事项及时予以响应。 1.3 技管结合、协同应对。面向人工智能研发应用全过程，综合运用技术、 管理相结合的安全治理措施，防范应对不同类型安全风险。围绕人工智能研发 基于风险管理理念，本框架针对不同类型的人工智能安全风险，从技术、 管理两方面提出防范应对措施。同时，目前人工智能研发应用仍在快速发展， 安全风险的表现形式、影响程度、认识感知亦随之变化，防范应对措施也将相 应动态调整更新，需要各方共同对治理框架持续优化完善。 2.1 安全风险方面。通过分析人工智能技术特性，以及在不同行业领域 应用场景，梳理人工智能技术本身，及其在应用过程中面临的各种安全风险 隐患。 人工智能安全治理框架 漏洞等脆弱点，还可能被恶意植入后门，存在被触发和攻击利用的风险。 （b）算力安全风险。人工智能训练运行所依赖的算力基础设施，涉及多源、 泛在算力节点，不同类型计算资源，面临算力资源恶意消耗、算力层面风险跨 边界传递等风险。 （c）供应链安全风险。人工智能产业链呈现高度全球化分工协作格局。 但个别国家利用技术垄断和出口管制等单边强制措施制造发展壁垒，恶意阻断 全球

• 高炉温度分布 • 高炉燃料比监测 • 高炉精准出铁预测 • 高炉炉况诊断 • 高炉燎铁能耗预测 • 高炉在含量智能预监 • 铁包动态调度算法(铁包 跟踪) • 烟气余热回收控制 • 部署工艺模型分析诊断 • 能源诊断分析 • 建设质量工艺动态设计 优化 • 堆堵料异常检测 • 炼铁原料混匀过程调度 优化 • 风机风压参数实时捕捉 和分析检验 • ·计算最佳工艺参数 • 炼钢工序物料属性检测 钢包吊钩姿态监测 • 钢包温度远程智能监测 • 钢包坐罐过程识别 • 钢包挂罐过程识别 • ·转炉吹氧自动控制 • 炼钢现场生产安全态势感知与预警 • 炼钢过程智能调度 • 能源动态管控 • 碳资源智能分析 • 电弧炉炼钢尾气检测与控制 • 钢包内渣状态识别 • 渣罐残留水识别 • 钢包挂钩挂实确认 • 钢包内渣状态识别 • 渣罐残留水识别 • 钢包挂钩挂实确认 • 中间包长水口区域 热轧管材表面质检 • 钢管识别跟踪 • 铸管外表面缺陷自动检测 • 铸管内壁缺陷自动检测 • 轧钢含油污泥油-水-固三相比例及成分分析 • 坯料库行车智能调度 • (棒材)多维度轧件堆拉关系分析 • 轧钢动态调度算法 • 产品质量在线控制无损检测 • 无缝钢管芯棒表面质检 • 无缝钢管制品芯棒插偏检测 • 冷轧带材精轧机架间钢带异常识别 • 冷轧带材机架间板形异常识别 • 带材表面缺陷自动检测 • 带材卷取异常检测

文本处理、语义处理等方面的技术要求和评测方法，包括语法分 析、语义理解、语义表达、机器翻译、自动摘要、自动问答、语 言大模型等标准。 5. 智能语音标准。规范前端处理、语音处理、语音接口、 数据资源等技术要求和评测方法，包括深度合成的鉴伪方法、全 双工交互、语音大模型等标准。 6. 计算机视觉标准。规范图像获取、图像/视频处理、图像 内容分析、三维计算机视觉、计算摄影学、跨媒体融合等技术要 数据协议、设备或系统等技术要求，包括生物特征数据交换格式、 接口协议等标准。 8. 人机混合增强智能标准。规范多通道、多模式和多维度 的交互途径、模式、方法和技术要求，包括脑机接口、在线知识 演化、动态自适应、动态识别、人机协同感知、人机协同决策与 控制等标准。 9. 智能体标准。规范以通用大模型为核心的智能体实例和 10 智能体基本功能、应用架构等技术要求，包括智能体强化学习、 多任务分解、

2*XE9680（16*H20 GPU） DeepSeek-R1-Distill- 70B 70B BF16 ≥180GB 4*L20 或 2*H20 GPU 三、国产芯⽚与硬件适配⽅案 1. 国内⽣态合作伙伴动态 企业 适配内容 性能对标（vs NVIDIA） 华为昇 腾 昇腾910B原⽣⽀持R1全系列，提供端到端推理优化 ⽅案 等效A100（FP16） 沐曦 GPU MXN系列⽀持70B模型BF16推理，显存利⽤率提升 fallocate -l 100G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile 七、附录：技术⽀持与资源 华为昇腾：昇腾云服务 沐曦GPU：免费API体验 李锡涵博客：完整部署教程 结语 Deepseek R1 的本地化部署需极⾼的硬件投⼊与技术⻔槛，个⼈⽤户务必谨慎，企业⽤户应充 分评估需

Tuning) 大模型框架指专门设计用于构建、训练和部署大型机器 学习模型和深度学习模型的软件框架。这些框架提供了 必要的工具和库，使开发者能够更容易地处理大量的数 据、管理巨大的网络参数量，并有效地利用硬件资源。 微调（Fine Tuning）是在大模型框架基础上进行的一个 关键步骤。在模型经过初步的大规模预训练后，微调是 用较小、特定领域的数据集对模型进行后续训练，以使 其更好地适应特定的任务或应用场景。这一步骤使得通 相比前边的大模型框架和微调，一言以蔽之： 、 11 / 32 LLM 基础设施：大模型训练平台与工具 大模型训练平台与工具根据其性质不同，可分为以下几类： 这些平台提供了从模型开发到部署的综合解决方案，包括计算资源、 数据存储、模型训练和部署服务。它们通常提供易于使用的界面，支 持快速迭代和大规模部署。Amazon SageMaker、Google Cloud AI Platform 和 Microsoft 工具，如云原生构建多模态AI应用的工具 Jina，嵌入式数据库 txtai 等。 25 / 32 LLM 的工具、平台和资源 另一个视角来看，在大模型繁荣发展的背后，少不了工 具和平台的发力，如 LLMOps 平台、大模型聚合平台 以及相关的开发工具，此外还有它们所依赖的最重要的 资源——算力。 在这些工具、平台和资源的有力支撑下，大模型才得以 一步一个台阶，引领全球开发者步入一个技术新时代。 算力 大模型聚合平台

前端 当前各大芯片厂商的部署工具大多数都支持，支持 caffe 前端有利于提高竞争力。 开源社区 存量的开源 caffe 网络模型众多，TVM 直接支持 caffe 让大家更方便尝试 caffe 资源。绝赞招聘中 当前进度 无 caffe 依赖 from_caffe 直接导入 caffe 模型文件，不需要预先安装 caffe 。 net 已测试网络：alexnet / densenet121