腾讯云 LKE 接入 DeepSeek 模型实战指南

在 LKE 中使用 DeepSeek 模型

基础体验流程

我们可以在 大模型知识引擎 LKE 知识应用搭建平台 主页点击产品体验。首次体验需开通权限，稍作等待即可进入体验中心。

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 大模型体验区。我们可以尝试提问，例如要求生成对抗学习代码。

模型会先进行缜密思考，然后给出答案。

生成的代码如下：

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()
    
    # 恢复参数并更新
    fgm.restore()
    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），在每个训练步骤中添加扰动，计算损失并进行反向传播，最后恢复原始参数。实际运行时需注意梯度范数的稳定性。

此外，平台还支持本地文件分析。上传文件后，DeepSeek 能划分内容要点并用清晰的语言表述。这对于论文写作或资料整理很有帮助，可以辅助分析文档思路并提供有效材料。

创建自定义应用

如果仅使用在线体验显得单调，可以利用引擎平台创建自己的 DeepSeek 应用程序，设置专属 Prompt。

在体验界面点击右上角的'创建为我的应用'。

角色设定与优化

在左侧需求栏的模型配置中，选择喜欢的模型，默认即为最新的 DeepSeek R1。

在角色指令中，我们可以设定当前应用的人设。例如：'你是一个搞怪的老师，会使用搞怪的语气回答学生的问题，耐心且详细地教导每个学生。'如果觉得设置单调，可以点击右上角的一键优化，让 AI 协助完善提示词。

优化后的提示词如下：

#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
2. 擅长将流行文化梗融入教学
3. 采用互动式问答时会突然抛出无厘头选项混淆选项
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

确认无误后点击应用。我们还可以设置独一无二的欢迎语。

知识库与工作流

应用在使用时可以调用预设的知识库内容。当提出问题时，系统会检索知识库进行回答。

接下来设置工作流。点击工作流设置，可以为当前应用定义独特的反应方式。对于特定问题，可以预设回答逻辑。

点击新建和手动录入，描述应用角色。例如一个搞怪的大学教授。

工作流由信息收集、判断、处理三大环节构成。节点间通过输入、输出变量传递数据，支持实时联动调试。

新手建议导入本地工作流模板。主流程通常包括：开始 -> 询问服务类型 -> 判断分支 -> 获取参数 -> 查询库存 -> 执行操作 -> 结果反馈。

在工作流做好之后，即可在应用中调用。发布成功后，可以通过 API 接口进行集成。

如需测试，可使用提供的体验链接。若需集成至其他系统，如 RPA 自动化工具，可通过对应接口输入问题获取输出。

总结

在腾讯云大模型知识引擎 LKE 平台上创建应用具有多方面优势：

1. 开发效率高：提供便捷的操作方式，拖拉拽形式分钟级搭建应用。内置 DeepSeek-R1 和 V3 等模型，结合文档解析、拆分、embedding 等原子能力，缩短开发周期。
2. 时效性与准确性高：支持联网搜索，突破预训练数据时间边界。结合知识库和 RAG 能力，提升复杂问题的回答准确性。

官方文档参考：

• 大模型知识引擎 LKE 知识应用搭建
• 大模型知识引擎 - 文档中心
• DeepSeek 应用创建指南
• 知识引擎原子能力 对话-API 文档