人工智能应用导论（第三版）课件 项目8-1 知识技能：知识问答助手-DeepSeek大模型

项目8：知识问答助手——基于DeepSeek的大模型应用开发与部署（本视频/PPT中部分所用图片、视频等资料来自网络，仅供教学使用）汇报人：冯翔飞目录教学导读明确学习目标、重点难点与思政融入点。情景导入了解大模型的时代背景与应用价值。知识技能深入学习大模型的核心概念、开发技术与工具。项目实训动手实践，巩固技术应用能力。创新拓展探索前沿应用与更多可能性。一、教学导读教学导读——教学导图图示：课程整体教学结构与核心知识点分布概览教学目标知识目标了解大模型的基本概念、在各领域的应用场景与发展趋势。技能目标通过项目实训掌握大模型应用开发与部署任务所必需的各项技能。素质目标养成良好的自主学习习惯，能够主动探索新知识、新技术，不断提升自身能力。重点难点学习重点KeyPoints充分认识大模型应用开发与部署的整体流程和关键环节。熟悉Langchain框架在大模型应用开发中的具体应用方式。掌握检索增强生成技术提升大模型性能的方法。核心难点Challenges接口调用、知识库问答实践等步骤的详细操作与调试。理解并运用提示词工程引导大模型生成高质量内容。学习建议：理论结合实践，多动手调试代码，在实战中积累提示词优化经验。思政融入创新实践勇于探索

持续学习思政点：激发创新意识，培养勇于探索的实践精神，鼓励突破常规思维。教学示范：在模型架构设计环节，鼓励学生尝试不同的大模型，分享创新思路，不拘泥于标准答案。终身学习适应变化

持续成长思政点：培养终身学习的习惯，适应快速变化的技术环境，建立持续成长的动力。教学示范：引导学生关注大模型领域的最新研究成果和技术趋势。通过设置阶段性目标，帮助学生建立持续学习的信心。二、情景导入情景导入在当今科技飞速发展的时代，大模型正以势不可挡的态势重塑着我们的未来。它具备强大的自然语言理解与生成能力，在图像识别、趋势预测等方面表现卓越。应用无处不在：从智能客服到内容创作工具，大模型正在深刻改变着各行各业的运作模式。大模型应用开发领域全景概览技术驱动创新，大模型引领未来变革多模态交互与跨领域应用深度融合三、知识技能知识技能——认识大模型核心定义大模型（AI大模型）是基于海量数据与强大算力训练出的参数量极大的深度学习模型。核心特点借助规模庞大的参数与训练数据，显著提升模型的表达与推理能力，适用于多种AI任务。训练范式当前主流的“预训练+微调”范式，先在海量通用数据上学习基础能力，再针对具体任务调优。总结：大模型通过海量数据与算力构建，具备强大的通用智能，通过“预训练+微调”实现广泛应用。大模型的基本概念大模型的核心技术数据预处理数据清洗、增强与标注，提升数据质量，为训练打好基础。模型构建选择Transformer等架构，使用PyTorch等框架搭建网络结构。模型训练投入巨大算力资源，精心设计优化算法与超参数进行训练。模型测试通过系统性测试评估模型的性能、准确度及鲁棒性。模型优化根据测试反馈调整参数、改进结构，提升效率与效果。模型部署将优化后的模型部署到云端或端侧设备，实现实际应用落地。流程总结：从数据准备到最终部署，每一步都需强大的技术与工程能力支撑，环环相扣确保大模型的高质量交付。大模型的应用领域分类通用大模型具备极强的多功能性，知识覆盖面广。适用于开放式对话、内容创作等通用场景。行业大模型专为特定行业场景打造，在垂直专业领域表现更优，理解行业术语与逻辑。垂直大模型专攻特定任务，追求极致准确率，可与企业业务系统深度集成，解决具体痛点。从通用到垂直，大模型正在通过不同的颗粒度赋能各行各业的智能化转型。

类型

特点

典型例子主要应用场景通用大模型多功能性、强大的零样本/少样本学习能力、知识覆盖面广，但可能在特定领域深度不足。DeepSeekOpenAIGPT-4

AnthropicClaude3

MetaLlama2/3

GoogleGemini1.5开放式对话、内容创作（写文章、诗歌）、代码生成与调试、通用知识问答、文本摘要、翻译等。行业大模型在专业领域内表现优于通用模型、能处理行业特定任务，但通用能力可能略有牺牲。BloombergGPT（金融）

Med-PaLM2（医疗）

Codex（编程，GitHubCopilot前身）

Biomedical（生物医学）金融：财报分析、风险建模、市场舆情分析。

医疗：辅助诊断、文献摘要、病历结构化。

法律：合同审查、法条查询、案例检索。垂直领域大模型在特定任务上准确率和可靠性极高、通常与业务系统深度集成。客服大模型（如电商、银行客服机器人）

设计大模型（如Shein的服装设计模型）教育大模型（如AI数学家教、英语口语陪练）电商客服：自动回复商品、物流、售后问题。

智能驾驶：处理驾驶场景的感知、决策规划。

科研：预测蛋白质结构（如AlphaFold）、发现新材料。图示：大模型按应用领域分类大模型的应用领域分类与大模型的对话-提示词工程传统模式的弊端输入简短模糊，模型依赖通用知识库，缺乏针对性。易产生事实性错误（幻觉）或输出模糊不清的内容。用户处于被动接收状态，难以有效控制输出结果。提示词工程的优势系统性设计提示信息，精准引导模型生成所需内容。用户从“提问者”转变为“引导者”，掌控任务与推理。显著提升输出的准确性、可靠性及场景适配度。核心价值：通过提示词工程，将模糊的需求转化为模型可理解的指令，释放大模型的真正潜力。大模型应用开发介绍——核心目标弥合鸿沟将AI研究与实际业务价值连接起来，打通技术与商业的壁垒，让技术真正落地产生效益。降低门槛利用预训练大模型的通用能力，大幅减少企业从零开发的成本和难度，加速AI普及应用。加速创新通过模块化开发和快速迭代机制，支持业务场景的快速试错与优化，驱动业务持续创新。核心宗旨：让技术不再是壁垒，而是驱动业务增长的核心引擎大模型应用开发介绍——赋能能力开箱即用的基座能力直接获得语义理解、文本生成等通用智能，大幅降低应用开发的启动成本与技术门槛。高效灵活的定向增强通过提示工程、检索增强生成(RAG)等方式，快速提升模型在特定业务场景下的表现与准确度。深度的领域专业化定制利用领域私有数据进行微调(Fine-tuning)，让模型掌握行业专有知识，成为垂直领域的专家。从通用基座到行业专家，大模型为应用开发提供了全链路、多层次的赋能支持体系。LangChain简介——核心价值模块化设计将复杂功能解构为标准化组件，避免重复造轮子，帮助开发者快速搭建高性能应用。生态整合能力无缝对接主流大模型、数据源和业务API，打破技术边界，实现技术栈的灵活互通。抽象化开发隐藏底层复杂技术细节，提供统一接口，让开发者专注于业务逻辑，大幅提升开发效率。核心优势总结：快速构建·灵活互通·高效开发LangChain简介——核心模块Models（模型）封装各类大模型，支持无缝切换，动态配置参数。Tools（工具）连接外部系统，赋予模型操作现实世界的能力。Memory（记忆）管理多轮对话上下文，解决模型“健忘”问题。Chains&Agents（链与智能体）将组件组合成任务流水线，实现复杂任务自动化。认识检索增强生成(RAG)——概念传统生成模型的局限训练数据滞后无法获取最新信息，知识存在时效性断层领域知识覆盖不足垂直领域专业问题回答不够准确深入易产生“幻觉”生成看似合理但实际上错误的虚假内容RAG的解决方案实时权威检索生成前从权威知识库检索相关最新信息上下文辅助生成将检索结果作为上下文输入，辅助模型推理提升可靠性与时效性显著降低幻觉，确保输出内容真实可信RAG核心价值：打破模型参数固化的知识边界，通过“检索+生成”的模式，让AI具备实时学习和引用外部权威知识的能力。RAG的工作流程用户提问用户提出一个具体的问题或查询请求检索知识库系统根据问题语义从知识库中检索相关文档片段生成回答将检索信息作为上下文输入大模型，生成最终准确回答核心价值：通过引入外部知识库，解决大模型幻觉问题，确保回答的准确性与时效性。四、项目实训

本项目旨在通过整合LangChain框架与DeepSeek大模型API接口，构建具备本地知识增强能力的智能问答系统，实现从模型调用到用户交互的全流程落地。核心目标包括：基于DeepSeek大模型API完成对话生成能力的接入与优化，确保接口调用的稳定性和响应效率；构建结构化本地知识库，支持多格式文档解析与向量化存储，形成可扩展的知识管理体系；利用基于语义理解的检索机制，结合大模型推理能力与知识库精确匹配，提升问答结果的准确性和场景适配性；最终通过Web端部署实现系统交付，设计直观易用的交互界面，支持用户实时问答、历史记录追溯等功能，形成可复用的知识问答助手。项目目标图示：项目目标解析图任务调用DeepSeek大模型：获取DeepSeek大模型的API参数，利用LangChain框架调用大模型。构建本地知识库：向量嵌入模型，将本地的文本类型数据转换为将非结构化数据，转化为实数向量的技术。检索相似性知识：当需要根据知识库的知识来回答用户提出的问题时，需要根据问题来检索相关信息。结合LangChain进行问答：实现文档向量化与相似度检索，结合大模型生成精准的引用回答。部署知识问答系统：基于PythonFlask框架构建轻量化Web服务，实现LangChain驱动的大模型知识检索

系统部署。调用DeepSeek大模型：获取DeepSeek大模型的API参数，利用LangChain框架调用大模型。登录DeepSeek开放平台，官网址为。登录后点击左侧的“APIkeys”，然后点击“创建APIkey”，命名APIkey，并复制保存好生成的APIkey的值方便后面使用。构建本地知识库：向量嵌入模型，将本地的文本类型数据转换为将非结构化数据，转化为实数向量的技术。检索相似性知识：当需要根据知识库的知识来回答用户提出的问题时，需要根据问题来检索相关信息。根据问题来检索相关信息，使用向量数据库，可以生成一个检索器来寻找与查询最相关的文档。结合LangChain进行问答：实现文档向量化与相似度检索，结合大模型生成精准的引用回答。首先使用检索器搜索到相关的文档，然后根据文档内容生成回答，如果没有检索到相关文档，拒绝回答相关问题。部署知识问答系统：基于PythonFlask框架构建轻量化Web服务，实现LangChain驱动的大模型知识检索

系统部署。通过定义两个路由实现前后端交互，实现了知识问答系统的部署点击链接后，打开知识问答系统对话页面在向系统提问“乡村振兴”的相关话题时，系统能够给出回复，而当向其提问与之无关的历史人物时，系统回复“抱歉五、创新拓展创新拓展——基于大模型的图像理解

基于大模型的图像理解是依托深度学习领域前沿的预训练多模态架构，通过构建具备数十亿参数的神经网络模型，使其能够自动捕捉图像中像素级特征与高层语义之间的复杂映射关系——这类模型通过在海量图文数据上进行自监督学习，无需人工标注即可掌握从基础视觉元素到抽象概念的层级化表征能力，进而实现对图像内容的精准解析与多维度推理，包括但不限于目标检测、场景分类等任务，并能生成符合人类认知逻辑的自然语言描述，通过统一的模型架构实现跨领域、开放域的通用视觉理解，为智能安防、医疗影像分析、自动驾驶等场景提供更接近人类视觉认知的决策支持。

假设在当前目录下有一个待理解照片，将其输入到本项目图像理解代码当中，主要示例代码如下，原图和图像理解结果如右图所示：

（a）原图

（b）图像理解图示：基于大模型的图像理解创新拓展——基于大模型的文生图

除了图像理解，大模型还能够依据给定的文本生成相关的图像，也就是文生图。文生图是一种依托深度学习领域多模态预训练技术的创新内容生成范式，它通过构建具备跨模态理解能力的巨型神经