腾讯云 LKE 平台接入 DeepSeek 模型使用指南

进入体验中心后，映入眼帘的是 DeepSeek 联网助手，直接点击立即体验。

这里进入 DeepSeek R1 大模型体验的地方，随机问一个问题：请您帮我写一个对抗学习的代码。

它会先进行缜密的思考，然后给出想要的答案。

import torch

class FGM:
    def __init__(self, model):
        self.model = model
        self.backup = {}

    def attack(self, epsilon=0.5, emb_name='embedding'):
        """添加对抗扰动"""
        for name, param in self.model.named_parameters():
            if param.requires_grad and emb_name in name:
                self.backup[name] = param.data.clone()
                norm = torch.norm(param.grad)
                if norm != 0 and not torch.isnan(norm):
                    r_at = epsilon * param.grad / norm
                    param.data.add_(r_at)

    def restore(self, emb_name='embedding'):
        """恢复参数"""
        for name, param in self.model.named_parameters():
            if param.requires_grad and emb_name in name:
                param.data = self.backup[name]
                self.backup = {}

# 使用示例
model = YourModel()  # 请替换为你的模型
fgm = FGM(model)
for batch_input, batch_label in dataloader:
    # 正常训练
    loss = model(batch_input, batch_label)
    loss.backward()
    # 反向传播梯度
    # 生成对抗样本
    fgm.attack()
    # 在 embedding 层添加扰动
    loss_adv = model(batch_input, batch_label)
    loss_adv.backward()
    # 计算对抗样本的梯度
    fgm.restore()
    # 恢复参数
    # 更新模型参数
    optimizer.step()
    optimizer.zero_grad()

可以发现代码十分详细，该代码是实现了一个针对神经网络模型的对抗攻击，使用了'FGM（Fast Gradient Method）'来生成对抗样本，通过扰动神经网络中的嵌入层（embedding）。在每个训练步骤中，它会在嵌入层的权重上添加扰动，然后使用对抗样本计算损失并进行反向传播，最后恢复原始的模型参数。

并且我们这里还能进行本地文件的分析，直接上传一个文件让 DeepSeek 进行分析文件中的内容，可以将文件中的每个点都进行划分，用清晰的语言表述出来，这一点非常适合经常写论文的同学，在学习生活中也可以尝试将论文要求的文件投喂给 DeepSeek 让它帮我们进行详细的分析写论文的思路以及提供有效的材料。

深入创建一个基于知识引擎的 DeepSeek 模型应用

在大模型知识引擎平台调用 DeepSeek 可能会显得单调，可以利用引擎平台创建 DeepSeek 应用程序，设置自己的 Prompt。

在体验的界面点击右上角的'+ 创建为我的应用'。

在这里可以对 DeepSeek 的角色设定操作。

在左侧的需求栏的模型配置可以选择喜欢的模型，默认就是最新的 DeepSeek R1 模型。

在角色指令中设置当前应用的角色，例如你是一个搞怪的老师，会使用搞怪的语气回答学生的每个问题，耐心且详细地教导每个学生。感觉设置的角色十分单调，可以点击右上角的一键优化，让 AI 帮忙进行优化设置。

下面是提示词经过 AI 优化后的结果，很符合设置要求，直接点击应用按钮。

#角色名称：搞怪教授
#风格特点：
1. 教学时自带喜剧效果，会使用夸张的比喻和拟声词讲解知识点（如用"牛顿的苹果像愤怒的小鸟一样砸出万有引力"）
2. 擅长将流行文化梗融入教学（如用游戏术语解释数学公式）
3. 采用互动式问答时会突然抛出无厘头选项混淆选项（正确答案藏在搞笑选项中）
4. 对简单问题会故意给出复杂搞笑的错误推导再纠正
5. 保持专业性的同时会突然插入冷笑话或谐音梗
#能力限制：
1. 不处理涉及心理创伤等严肃咨询话题
2. 避免需要完全严肃的学术论文指导
3. 不擅长需要绝对严谨的法律/医疗建议
4. 遇到无法解答的问题时会表演"知识短路"的喜剧桥段

还可以设置独一无二的欢迎语。

应用在使用的时候还能调用知识库中的内容，知识库中的内容是提前设置好的，提出问题的时候，系统会进行调用知识库中的内容进行回答。

设置应用的工作流。

点击工作流设置就能为当前应用设置独一无二的反应方式了，对于特定的问题可以回答设置好的问题。点击新建和手动录入。

应用角色是一个搞怪的大学教授，简单描述下。

工作流由信息收集、判断、处理 3 大环节构成。

快速串联节点，便捷搭建复杂流程。

节点间通过输入、输出变量传递数据。

实时联动调试，快速定位问题并调整。

在工作流的界面可以根据自己的需求调整输入输出的变量。

如果是新手小白的话建议还是导入本地工作流。

主流程如下：开始 -> 询问服务类型（借书，还书） -> 判断服务类型（如果借书那么，如果还书那么，否则） -> 询问借书书名和时长（获取书名和借阅时间） -> 借书时长归一化（把各种时长的描述统一为多少天） -> 查询图书库存（通过接口查询返回结果） -> 判断是否能借书（根据上一步返回结果判断） -> 询问借书用户账号（获取账号信息） -> 借书操作（根据书名和用户信息完成借书操作） -> 判断是否借书成功（如果，那么，否则） -> 借书成功回复（输出相关信息）。

在工作流做好之后就能应用上进行调用操作了。下面就是应用之间的对话。

可以点击右上角的发布按钮，让别人可以体验到你的应用。

下面是发布成功的提示。

并且是可以进行 API 调用的。

体验链接 接口调用文档 如果想创建一个自己的应用的话，可以通过 API 调用来体验自己的应用。例如在 RPA 工具中调用，帮助完成学习中比较吃力的任务。

使用对应的接口，输入问题，就能得到输出。

在腾讯云大模型知识引擎 LKE 平台上创建自己搭建的应用，有着多方面的好处，主要体现在高效开发、精准服务、安全稳定、降低成本等多个维度。

1. 开发效率高：该平台提供了便捷的操作方式，通过拖拉拽的形式，用户可以在分钟级的时间内快捷搭建应用，例如智能客服、在线搜索、AI 写作助手等。而且内置了 DeepSeek-R1 和 V3 等，用户可根据自身需求灵活选择，同时结合平台丰富的原子能力，如文档解析、拆分、embedding、多轮改写等，让开发者能够更自由、高效地构建专属的 AI 服务，大大缩短了开发周期，降低了开发门槛。

2. 时效性与准确性高：接入 DeepSeek 等能力后，支持联网搜索，突破了预训练数据的时间边界，能够获取最新信息，提供时效精准的智能问答服务。同时结合知识库和 RAG 能力，提升了回答的准确性，对于一些复杂的、需要多源知识支撑的问题，也能给出更合理、准确的答案。

大模型知识引擎产品官网： 大模型知识引擎 LKE 知识应用搭建 知识应用平台 大模型知识引擎原子能力接口文档： 大模型知识引擎 - 文档中心 大模型知识引擎×DeepSeek 应用创建指南： 大模型知识引擎 DeepSeek 应用创建指南 腾讯云 DeepSeek API 接入文档： 知识引擎原子能力 对话-API 文档