最新章節

• 封底
• 參考文獻
• 小結
• 10.3.2　Camel
• 10.3.1　Browser Use
• 10.3　開源Agent應用框架

• 封底 更新時間：2025-06-03 14:18:21
• 參考文獻
• 小結
• 10.3.2　Camel
• 10.3.1　Browser Use
• 10.3　開源Agent應用框架
• 10.2.3　調用外部工具
• 10.2.2　DeepSeek模型接入
• 10.2.1　Swarm框架介紹
• 10.2　基于Swarm框架構建智能體應用
• 10.1.3　實現基于本地知識庫的智能體問答
• 10.1.2　構建本地知識庫
• 10.1.1　軟件安裝和模型下載
• 10.1　基于LlamaIndex項目構建簡單的智能體應用
• 第10章　DeepSeek的Agent實戰
• 小結
• 9.2.2　RAG Flow
• 9.2.1　Local PDF Chat RAG
• 9.2　開源DeepSeek RAG應用案例
• 9.1.3　Web頁面啟動
• 9.1.2　向量數據庫構建
• 9.1.1　RAG管道構建
• 9.1　用LangChain構建簡單的RAG本地系統
• 第9章　DeepSeek的RAG實戰
• 小結
• 8.3.5　模型推理
• 8.3.4　模型訓練
• 8.3.3　數據集準備
• 8.3.2　配置PEFT模型
• 8.3.1　加載模型
• 8.3　DeepSeek模型的GRPO訓練
• 8.2.5　模型推理
• 8.2.4　模型訓練
• 8.2.3　數據預處理
• 8.2.2　模型下載和部署
• 8.2.1　算力租用
• 8.2　DeepSeek模型的SFT訓練
• 8.1.2　TRL
• 8.1.1　Unsloth
• 8.1　常用訓練框架
• 第8章　DeepSeek模型訓練
• 小結
• 7.3.5　AutoDL
• 7.3.4　火山引擎
• 7.3.3　華為云
• 7.3.2　騰訊云
• 7.3.1　阿里云
• 7.3　常用DeepSeek云服務部署方式
• 7.2.4　vLLM
• 7.2.3　SGLang
• 7.2.2　BladeLLM
• 7.2.1　推理加速框架的必要性
• 7.2　模型推理加速框架
• 7.1.2　云服務部署的特點
• 7.1.1　本地部署的特點
• 7.1　本地部署與云服務部署的對比
• 第7章　面向企業的DeepSeek云服務部署
• 小結
• 6.2.2　DMXAPI
• 6.2.1　DeepSeek官方開放平臺
• 6.2　常用DeepSeek API調用方式
• 6.1　API調用的優勢
• 第6章　面向企業的DeepSeek API調用
• 小結
• 5.5.3　ChatBox
• 5.5.2　Hollama
• 5.5.1　Open-WebUI
• 5.5　使用Web UI構建對話界面
• 5.4.3　常見大模型文件類型
• 5.4.2　模型下載
• 5.4.1　Hugging Face社區簡介
• 5.4　DeepSeek模型下載和部署
• 5.3.3　Ollama常用API
• 5.3.2　使用Ollama部署DeepSeek模型
• 5.3.1　Ollama安裝
• 5.3　軟件環境安裝和配置
• 5.2.2　顯存占用估算
• 5.2.1　存儲精度
• 5.2　硬件需求和配置建議
• 5.1.3　DeepSeek模型的開源協議
• 5.1.2　DeepSeek模型的版本說明
• 5.1.1　DeepSeek模型的常見版本
• 5.1　DeepSeek的模型
• 第5章　面向個人的DeepSeek部署
• 小結
• 4.4.4　產品定位
• 4.4.3　品牌故事生成
• 4.4.2　執行發展制定
• 4.4.1　傳播策略制定
• 4.4　企業層面的提示詞應用場景
• 4.3.6　借助大模型優化提示詞
• 4.3.5　BROKE框架：目標導向和持續優化
• 4.3.4　CRISPE框架：激發創意和拓展深度
• 4.3.3　CO-STAR框架：精準表達需求
• 4.3.2　5W2H法則：全面提問的利器
• 4.3.1　STAR法則：讓問題更有條理
• 4.3　提示詞的設計技巧
• 4.2　新手常見誤區和陷阱
• 4.1.2　提示詞的種類
• 4.1.1　提示詞的定義
• 4.1　提示詞概述
• 第4章　高質量提示詞
• 小結
• 3.4　DeepSeek的數據優化手段
• 3.3.2　知識蒸餾
• 3.3.1　組相對策略優化
• 3.3　DeepSeek在算法層面的訓練亮點
• 3.2.2　DualPipe算法
• 3.2.1　FP8混合精度訓練
• 3.2　DeepSeek在硬件層面的訓練亮點
• 3.1.2　訓練過程
• 3.1.1　基礎技術
• 3.1　DeepSeek的訓練
• 第3章　DeepSeek的訓練架構
• 小結
• 2.4.3　DeepSeek的MTP方法
• 2.4.2　Meta的MTP方法
• 2.4.1　塊級并行解碼策略
• 2.4　多Token預測
• 2.3.4　低秩鍵值聯合壓縮的注意力機制
• 2.3.3　傳統MHA的緩存機制的不足
• 2.3.2　RoPE簡介
• 2.3.1　鍵值緩存簡介
• 2.3　多頭潛在注意力
• 2.2.3　無輔助損耗負載均衡
• 2.2.2　DeepSeekMoE
• 2.2.1　稠密MoE架構和稀疏MoE架構
• 2.2　混合專家
• 2.1　DeepSeek-V3/R1模型的架構
• 第2章　DeepSeek的模型架構
• 小結
• 1.5.2　DeepSeek帶給中小企業的機遇
• 1.5.1　DeepSeek模型帶給個人的機遇
• 1.5　DeepSeek帶來的機遇
• 1.4.7　智能政務
• 1.4.6　金融投資
• 1.4.5　教育學習
• 1.4.4　醫療診斷
• 1.4.3　智能家居
• 1.4.2　輔助辦公
• 1.4.1　智能客服
• 1.4　DeepSeek的應用場景
• 1.3.2　獨特優勢
• 1.3.1　核心能力
• 1.3　DeepSeek的核心能力和獨特優勢
• 1.2.4　應用生態的進化：從工具到生態伙伴
• 1.2.3　技術突破：從全球競速到本土創新
• 1.2.2　DeepSeek模型的發展脈絡
• 1.2.1　GPT模型的發展脈絡
• 1.2　從GPT到DeepSeek
• 1.1　大模型的定義
• 第1章　DeepSeek初探
• 前言
• 內容簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 內容簡介
• 前言
• 第1章　DeepSeek初探
• 1.1　大模型的定義
• 1.2　從GPT到DeepSeek
• 1.2.1　GPT模型的發展脈絡
• 1.2.2　DeepSeek模型的發展脈絡
• 1.2.3　技術突破：從全球競速到本土創新
• 1.2.4　應用生態的進化：從工具到生態伙伴
• 1.3　DeepSeek的核心能力和獨特優勢
• 1.3.1　核心能力
• 1.3.2　獨特優勢
• 1.4　DeepSeek的應用場景
• 1.4.1　智能客服
• 1.4.2　輔助辦公
• 1.4.3　智能家居
• 1.4.4　醫療診斷
• 1.4.5　教育學習
• 1.4.6　金融投資
• 1.4.7　智能政務
• 1.5　DeepSeek帶來的機遇
• 1.5.1　DeepSeek模型帶給個人的機遇
• 1.5.2　DeepSeek帶給中小企業的機遇
• 小結
• 第2章　DeepSeek的模型架構
• 2.1　DeepSeek-V3/R1模型的架構
• 2.2　混合專家
• 2.2.1　稠密MoE架構和稀疏MoE架構
• 2.2.2　DeepSeekMoE
• 2.2.3　無輔助損耗負載均衡
• 2.3　多頭潛在注意力
• 2.3.1　鍵值緩存簡介
• 2.3.2　RoPE簡介
• 2.3.3　傳統MHA的緩存機制的不足
• 2.3.4　低秩鍵值聯合壓縮的注意力機制
• 2.4　多Token預測
• 2.4.1　塊級并行解碼策略
• 2.4.2　Meta的MTP方法
• 2.4.3　DeepSeek的MTP方法
• 小結
• 第3章　DeepSeek的訓練架構
• 3.1　DeepSeek的訓練
• 3.1.1　基礎技術
• 3.1.2　訓練過程
• 3.2　DeepSeek在硬件層面的訓練亮點
• 3.2.1　FP8混合精度訓練
• 3.2.2　DualPipe算法
• 3.3　DeepSeek在算法層面的訓練亮點
• 3.3.1　組相對策略優化
• 3.3.2　知識蒸餾
• 3.4　DeepSeek的數據優化手段
• 小結
• 第4章　高質量提示詞
• 4.1　提示詞概述
• 4.1.1　提示詞的定義
• 4.1.2　提示詞的種類
• 4.2　新手常見誤區和陷阱
• 4.3　提示詞的設計技巧
• 4.3.1　STAR法則：讓問題更有條理
• 4.3.2　5W2H法則：全面提問的利器
• 4.3.3　CO-STAR框架：精準表達需求
• 4.3.4　CRISPE框架：激發創意和拓展深度
• 4.3.5　BROKE框架：目標導向和持續優化
• 4.3.6　借助大模型優化提示詞
• 4.4　企業層面的提示詞應用場景
• 4.4.1　傳播策略制定
• 4.4.2　執行發展制定
• 4.4.3　品牌故事生成
• 4.4.4　產品定位
• 小結
• 第5章　面向個人的DeepSeek部署
• 5.1　DeepSeek的模型
• 5.1.1　DeepSeek模型的常見版本
• 5.1.2　DeepSeek模型的版本說明
• 5.1.3　DeepSeek模型的開源協議
• 5.2　硬件需求和配置建議
• 5.2.1　存儲精度
• 5.2.2　顯存占用估算
• 5.3　軟件環境安裝和配置
• 5.3.1　Ollama安裝
• 5.3.2　使用Ollama部署DeepSeek模型
• 5.3.3　Ollama常用API
• 5.4　DeepSeek模型下載和部署
• 5.4.1　Hugging Face社區簡介
• 5.4.2　模型下載
• 5.4.3　常見大模型文件類型
• 5.5　使用Web UI構建對話界面
• 5.5.1　Open-WebUI
• 5.5.2　Hollama
• 5.5.3　ChatBox
• 小結
• 第6章　面向企業的DeepSeek API調用
• 6.1　API調用的優勢
• 6.2　常用DeepSeek API調用方式
• 6.2.1　DeepSeek官方開放平臺
• 6.2.2　DMXAPI
• 小結
• 第7章　面向企業的DeepSeek云服務部署
• 7.1　本地部署與云服務部署的對比
• 7.1.1　本地部署的特點
• 7.1.2　云服務部署的特點
• 7.2　模型推理加速框架
• 7.2.1　推理加速框架的必要性
• 7.2.2　BladeLLM
• 7.2.3　SGLang
• 7.2.4　vLLM
• 7.3　常用DeepSeek云服務部署方式
• 7.3.1　阿里云
• 7.3.2　騰訊云
• 7.3.3　華為云
• 7.3.4　火山引擎
• 7.3.5　AutoDL
• 小結
• 第8章　DeepSeek模型訓練
• 8.1　常用訓練框架
• 8.1.1　Unsloth
• 8.1.2　TRL
• 8.2　DeepSeek模型的SFT訓練
• 8.2.1　算力租用
• 8.2.2　模型下載和部署
• 8.2.3　數據預處理
• 8.2.4　模型訓練
• 8.2.5　模型推理
• 8.3　DeepSeek模型的GRPO訓練
• 8.3.1　加載模型
• 8.3.2　配置PEFT模型
• 8.3.3　數據集準備
• 8.3.4　模型訓練
• 8.3.5　模型推理
• 小結
• 第9章　DeepSeek的RAG實戰
• 9.1　用LangChain構建簡單的RAG本地系統
• 9.1.1　RAG管道構建
• 9.1.2　向量數據庫構建
• 9.1.3　Web頁面啟動
• 9.2　開源DeepSeek RAG應用案例
• 9.2.1　Local PDF Chat RAG
• 9.2.2　RAG Flow
• 小結
• 第10章　DeepSeek的Agent實戰
• 10.1　基于LlamaIndex項目構建簡單的智能體應用
• 10.1.1　軟件安裝和模型下載
• 10.1.2　構建本地知識庫
• 10.1.3　實現基于本地知識庫的智能體問答
• 10.2　基于Swarm框架構建智能體應用
• 10.2.1　Swarm框架介紹
• 10.2.2　DeepSeek模型接入
• 10.2.3　調用外部工具
• 10.3　開源Agent應用框架
• 10.3.1　Browser Use
• 10.3.2　Camel
• 小結
• 參考文獻
• 封底 更新時間：2025-06-03 14:18:21