. . . . . 27 5.2 docker 下载 MaxKB . . . . . . . . . . . . . . . . . . . . . . . . . 27 5.3 docker 配置 MaxKB . . . . . . . . . . . . . . . . . . . . . . . . . 29 5.4 打开 MaxKB 网页 . . . . . . . . . . . . . . . . . . . . 32 5.5 构建第一个私人知识库 . . . . . . . . . . . . . . . . . . . . . . . . 34 5.6 MaxKB 配置本地 llama3 . . . . . . . . . . . . . . . . . . . . . . 37 5.7 创建知识库应用 . . . . . . . . . . . . . . . 4. 易于扩展：Docker 可以方便地扩展并支持微服务架构的部署。 基本概念： 1. 容器（Container）：轻量级、独立的可执行软件包，包含了运行所需的代 码、运行时、系统工具、系统库和设置。 2. 镜像（Image）：用于创建容器的只读模板。一个镜像可以包含完整的操作 系统环境。 3. Dockerfile：定义镜像内容的文本文件，包含了构建镜像的所有指令。 4. Docker

请根据ROI计算模型，对比5年内的总成本并推荐最优 解。" �实战技巧： "以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。" �实战技巧： 分析需求 "分析近三年新能源汽车销量数据（附CSV），说明： ① 增长趋势与政策关联性； ② 预测2025 策略二：适当分解复杂任务，降低AI认知负荷 策略三：引入引导性问题，提升生成内容的深度 策略四：控制提示语长度，确保生成的准确性 策略五：灵活运用开放式提示与封闭式提示 分解任务的技巧：分段生成、逐层深入、设置逻 辑结构 引导性问题的设计要点：设置多个层次的问题、 促使AI对比或论证、引导思维的多样性 控制提示语长度的技巧：避免嵌套复杂的指令、 保持简洁性、使用分步提示 开放式提示：提出开放性问题，允许AI根据多个 TFM借鉴了认知语言学中的“原型理论”和“框架语义 学”，可开发以下技巧： �TFM实施步骤： 1. 定义主题原型：列出主题的关键特征和代表性例子 2. 构建语义框架：创建与主题相关的概念图 3. 设置重点梯度：按重要性排序相关概念和子主题 4. 创建主题引导符：设计特定的关键词或短语来保持 主题聚焦 应用示例 1. 主题原型 • 关键特征：全球变暖、极端天气、海平面上升、生态系统变化

请根据ROI计算模型，对比5年内的总成本并推荐最优 解。" �实战技巧： "以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。" �实战技巧： 分析需求 "分析近三年新能源汽车销量数据（附CSV），说明： ① 增长趋势与政策关联性； ② 预测2025 策略二：适当分解复杂任务，降低AI认知负荷 策略三：引入引导性问题，提升生成内容的深度 策略四：控制提示语长度，确保生成的准确性 策略五：灵活运用开放式提示与封闭式提示 分解任务的技巧：分段生成、逐层深入、设置逻 辑结构 引导性问题的设计要点：设置多个层次的问题、 促使AI对比或论证、引导思维的多样性 控制提示语长度的技巧：避免嵌套复杂的指令、 保持简洁性、使用分步提示 开放式提示：提出开放性问题，允许AI根据多个 TFM借鉴了认知语言学中的“原型理论”和“框架语义 学”，可开发以下技巧： �TFM实施步骤： 1. 定义主题原型：列出主题的关键特征和代表性例子 2. 构建语义框架：创建与主题相关的概念图 3. 设置重点梯度：按重要性排序相关概念和子主题 4. 创建主题引导符：设计特定的关键词或短语来保持 主题聚焦 应用示例 1. 主题原型 • 关键特征：全球变暖、极端天气、海平面上升、生态系统变化

据列表形式 呈现。” 关键技巧： p 数据嫁接：若缺乏具体数据，直接让AI生成合理虚构值（标注“示例”规避风险）： p “假设园区占地500亩，日均处理包裹量50万件，请计算自动化分拣设备的配置数量，用表格展示。” p 模板复制：对同类章节（如3.1/3.2/3.3）使用相同指令模板，仅替换关键词。 p 强制格式：要求AI输出带编号小标题、分点、表格的内容，直接粘贴后即显“专业感”。 场景1：1小时内写完一个1万字的项目书 第四阶段：10分钟——用AI优化与格式伪装 p统一话术： “将以下段落改写成政府报告风格，加入‘数字化转型’‘双碳战略’等关键词：{粘贴原文}” p生成图表： 指令：“将上文‘设备配置表’转换成LaTeX格式的三线表。”插入图表后，自动增加方案“厚度”。 p最终润色： “检查以下方案书逻辑漏洞，列出3个可能被客户质疑的点，并给出应对答案。” p关键提醒： ü 保命优先级： 两种伦理观的差异 ” 一次性提问复杂逻辑 任务需求与提示语策略 "以下是某论文结论：'神经网络模型A优于传统方法B'。 请 验 证 ： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p 值并判断显著性。" "为降低物流成本，现有两种方案： ①自建区域仓库(初期投入高，长期成本低) ②与第三方合作(按需付费，灵活性高) 请根据ROl 计算模型，对比5年内的总成本并推荐最优

述生成，操作路径清晰，交互体验流畅高效。  模块分区：将功能模块与信息展示分区设计布 局，用户可以轻松找到所需功能，提高了操作 的便捷性和效率。  多语言支持与定制化设置：语言支持对于国内 研究者更为友好，能够适应综述撰写的国内外 研究需求，同时定制化设置满足用户在个性化 需求下的使用。 元知AI综述工具  界面直观：平台设计简洁、直观， 使用户能够快捷地进行文献数据 的检索、选取和综述生成，操作 路径清晰，交互体验流畅高效。 输。例如，其蒸馏模型在端侧SoC（系统级芯片）上的表现，显 著降低了硬件门槛，同时提升了用户体验。 DeepSeek的本地部署在性能上表现出色，能够满足不同应用场景的需求，尤其是在端侧和端云协同场景。通过合理的 硬件配置和优化策略，DeepSeek可以在本地环境中高效运行，为用户提供强大的AI支持。 DeepSeek 在端侧部署中展现出较强的适应性和灵活性。 模型轻量化 DeepSeek通过蒸馏技术优化小模 DeepSeek-V3。未来， DeepSeek计划探索如何利用长推理链 来增强在这些任务的表现。 优化提示工程 目前模型对提示较为敏感，少样本提示会持续降 低其性能。因此，建议用户使用零样本设置，直 接描述问题并指定输出格式，以获得最佳效果。 软件工程任务 DeepSeek-R1 在软件工程基准测试中的表现未能 显著超越 DeepSeek-V3。未来版本将通过在软件 工程数据上实施拒绝采样或在强化学习过程中引入

、- 7 - 人工智能安全治理框架 图像、音频、视频等，宣扬恐怖主义、极端主义、有组织犯罪等内容，干涉他 国内政、社会制度及社会秩序，危害他国主权；通过社交机器人在网络空间抢 占话语权和议程设置权，左右公众价值观和思维认知。 3.2.4 伦理域安全风险 （a）加剧社会歧视偏见、扩大智能鸿沟的风险。利用人工智能收集分析 人类行为、社会地位、经济状态、个体性格等，对不同人群进行标识分类、区 （a）建立安全防护机制，防止模型运行过程中被干扰、篡改而输出不可 信结果。 （b）应建立数据护栏，确保人工智能系统输出敏感个人信息和重要数据 符合相关法律法规。 4.2.2 现实域风险应对 （a）根据用户实际应用场景设置服务提供边界，裁减人工智能系统可能 被滥用的功能，系统提供服务时不应超出预设应用范围。 （b）提高人工智能系统最终用途追溯能力，防止被用于核生化导等大规 模杀伤性武器制造等高危场景。 4.2 保数据来源清晰、途径合规。建立完善的数据安全管理制度，确保数据安全性 和质量，以及合规使用，防范数据泄露、流失、扩散等风险，人工智能产品终 止下线时妥善处理用户数据。 （c）研发者应确保模型算法训练环境的安全性，包括网络安全配置和数 据加密措施等。 （d）研发者应评估模型算法潜在偏见，加强训练数据内容和质量的抽查 检测，设计有效、可靠的对齐算法，确保价值观风险、伦理风险等可控。 （e）研发者应结合目标市场适用法律要求和风险管理要求，评估人工智

废钢槽编号识别 • 皮带胶结头异常检测 • 皮带跑偏检测 • 烧结皮带跑偏检测 • 皮带托辊异常检测 • 分析监测烧结工序物料 成分 • 烧结皮带智能监测 • 烧结设备运行工况检测 • 料场生产计划智能配置 • 烧结矿成分预测 • 烧结矿质量预测 • 烧结烟气 S02 排放在 线预测与控制 • 构建能源消耗预测 • 智能故障诊断 • 挡板位移检测 • 皮带划痕、 撕裂、 跑偏检测预警 • 1球团皮带智能监测 智能体 企业要躬身入局，以自身业务驱动，打造专有智能体 63政企、创业者必读 智能体在企业应用的七层能力 与大模型直接聊天，输入简单提示词，无Agent能力 具备简单GUI交互界面，可进行一些设置 用内部提示词进行角色设定 具备GUI界面的多个步骤的工具软件 L2 L1 L0 可执行复杂的规划、推理、分解、预测流程的工作流 与企业业务流程、组织、系统打通 L3 L5 L4

为技术团队提供完整的本地部署指南，涵盖硬件配置、国产芯⽚适配、量化⽅案、云端替代⽅ 案及完整671B MoE模型的Ollama部署⽅法。 核⼼提示： 个⼈⽤户：不建议部署32B及以上模型，硬件成本极⾼且运维复杂。 企业⽤户：需专业团队⽀持，部署前需评估ROI（投资回报率）。 ⼆、本地部署核⼼配置要求 1. 模型参数与硬件对应表 模型参 数 Windows 配置要求 Mac 配置要求 适⽤场景 1.5B MXN系列⽀持70B模型BF16推理，显存利⽤率提升 30% 等效RTX 3090 海光 DCU 适配V3/R1模型，性能对标NVIDIA A100 等效A100（BF16） 2. 国产硬件推荐配置 模型参数 推荐⽅案 适⽤场景 1.5B 太初T100加速卡 个⼈开发者原型验证 14B 昆仑芯K200集群 企业级复杂任务推理 32B 壁彻算⼒平台+昇腾910B集群 科研计算与多模态处理 DeepSeek-R1-Q4_K_M 404 GB ≥500 GB ⾼性能服务器/云GPU 下载地址： HuggingFace模型库 Unsloth AI官⽅说明 2. 硬件配置建议 硬件类型 推荐配置 性能表现（短⽂本⽣成） 消费级设备 Mac Studio（192GB统⼀内存） 10+ token/秒 ⾼性能服务器 4×RTX 4090（96GB显存+384GB内存） 7-8 token/秒（混合推理）

DeepSeek 三个比较实际的好处： • 本教程接入的是 DeepSeek 推理模型 R1，开源免费，性能强劲 • 本教程搭建方法 零成本，不需花一分钱。 • 为了照顾到大部分读者，推荐的搭建方法已将电脑配置要求降 到最低，普通电脑也能飞速运行。 1.2 DeepSeek 本地部署三个步骤 一共只需要三步，就能做到 DeepSeek 在本地运行并与它对话。 第一步，使用的是 ollama 管理各种不同大模型，ollama