基于腾讯云 LKE 接入 DeepSeek 大模型应用开发教程

在腾讯云大模型知识引擎 LKE 中使用 DeepSeek 模型

简单的体验腾讯云平台提供的 DeepSeek 模型

我们在 大模型知识引擎 LKE 知识应用搭建 知识应用平台 主页点击产品体验。如果是第一次体验，开通成功后会进入体验中心。

稍等几秒后进入体验中心，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 大模型体验界面，我们可以随机问一个问题，例如写一个对抗学习的代码。

它会先进行缜密的思考，然后给出答案。

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()
    # 生成对抗样本
    fgm.attack()
    loss_adv = model(batch_input, batch_label)
    loss_adv.backward()
    # 恢复参数
    fgm.restore()
    # 更新模型参数
    optimizer.step()
    optimizer.zero_grad()

这段代码实现了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。

此外，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，它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，提供写论文的思路及有效的材料。

深入创建一个基于知识引擎的 DeepSeek 模型应用

如果在平台上直接调用 DeepSeek 感觉单调，可以利用引擎平台创建并配置自己的 DeepSeek 应用程序，设置特定的 Prompt。接下来是具体步骤。

在体验界面点击右上角的'+ 创建为我的应用'。

在这里可以对 DeepSeek 进行角色设定操作。

在左侧需求栏的模型配置中，可以选择喜欢的模型，默认即为最新的 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，你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'。如果觉得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

我们还可以设置独一无二的欢迎语。

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

接着设置应用的工作流。

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，对于特定的问题我们可以回答我们设置好的问题。点击新建和手动录入。

这里我们的应用角色是一个搞怪的大学教授，那么我们就简单描述下。

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。

在工作流的界面我们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）

在工作流做好之后我们就能应用上进行调用操作了。下面就是我和我的应用之间的对话。

我们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 调用来体验你自己的应用。比如在影刀 RPA 中调用，来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，它就能帮我进行输出了。

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