© XXX Page 1 of 11 curvefs对接s3方案设计（过程文档）© XXX Page 2 of 11 时间 修订人 修订内容 2021-05-20 胡遥 初稿 2021-07-20 胡遥 细化write和read流程 整体架构 整体思路 接口和关键数据结构 mds.proto client端数据结构 metaserver.proto space相关数据结构和proto

更新⽇期：2025年2⽉8⽇ ⼀、简介 Deepseek R1 是⽀持复杂推理、多模态处理、技术⽂档⽣成的⾼性能通⽤⼤语⾔模型。本⼿册 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）。 DeepSeek-R1-Distill- 70B 70B BF16 ≥180GB 4*L20 或 2*H20 GPU 三、国产芯⽚与硬件适配⽅案 1. 国内⽣态合作伙伴动态 企业 适配内容 性能对标（vs NVIDIA） 华为昇 腾 昇腾910B原⽣⽀持R1全系列，提供端到端推理优化 ⽅案 等效A100（FP16） 沐曦 GPU MXN系列⽀持70B模型BF16推理，显存利⽤率提升 30% 等效RTX 3090 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 四、云端部署替代⽅案 1. 国内云服务商推荐 平台 核⼼优势 适⽤场景 硅基流动 官⽅推荐API，低延迟，⽀持多模态模型

多模态支持：支持文本和 图像处理，扩展应用场景。  可解释性：注重模型输出 的可解释性和透明性。 DeepSeek R1  高效推理：专注于低延迟和 高吞吐量，适合实时应用。  轻量化设计：模型结构优化， 资源占用少，适合边缘设备 和移动端。  多任务支持：支持多种任务， 如文本生成、分类和问答。 Kimi k1.5  垂直领域优化：针对特定领域 （如医疗、法律）进行优化， 别并修复古籍中的破损文字，同时生成准确的 注释和解释，帮助修复难以辨认的古籍内容。 • 中 文 法 律 文 本 分 析 与 生 成 ： 基于 DeepSeek R1的中文数据处理能力，快速分 析法律文本，提取关键信息，自动生成合同草 案、法律意见书等，提高律师工作效率。 • 智能医疗数据分析与诊断：构建智能医疗 平台，分析病历、检查报告和基因数据，帮助 医生提供更准确的诊断与治疗方案。 • 金融风险预测与管理：开发金融风险分析 舆论分析这个概念在最前沿科技或理论中的潜在应用，列出十个充满想象力和震撼性，前所未有的应用。 如果要量化研究审美智能概念，请提出一个合理的，有效的，各指标不重叠的，你自己能提取数据的指数体系框架，不少于三十 个指数。 请大家研究任何问题，先用这四个提示词进行提问。一是跨学科融合，二是深层次原理，三是概念前沿应用，四是如何量化分析。 任何学术概念。 里面会有些冗余信息，可以删除回复中的冗余信息。另外大家有空

✅ 结果精准高效 ❌ 限制模型自主优化空 间 需求导向 描述问题背景与目标， 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” 一次性提问复杂逻辑 如何向AI表达需求 需求类型 特点 需求表达公式 推理模型适配策略 通用模型适配策略 1. 决策需求 需权衡选项、评估风险、 选择最优解 目标 + 选项 + 评估标准 要求逻辑推演和量化分析 直接建议，依赖模型经验归纳 2. 分析需求 需深度理解数据/信息、 发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维 设计多步骤、多维度的提示语体系 构建提示语模板库，提高效率和一致性

✅ 结果精准高效 ❌ 限制模型自主优化空 间 需求导向 描述问题背景与目标， 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” 一次性提问复杂逻辑 如何向AI表达需求 需求类型 特点 需求表达公式 推理模型适配策略 通用模型适配策略 1. 决策需求 需权衡选项、评估风险、 选择最优解 目标 + 选项 + 评估标准 要求逻辑推演和量化分析 直接建议，依赖模型经验归纳 2. 分析需求 需深度理解数据/信息、 发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维 设计多步骤、多维度的提示语体系 构建提示语模板库，提高效率和一致性

结果精准高效 限制模型自主优化空 间 需求导向 描述问题背景与目标， 由模型规划解决路径 复杂问题 、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案 。 ” 激发模型深层推理 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺， 且 预算控制在2000元内 网络分析研究，强调相关性优先于冗余性。这一配比平衡了生成内容的创新性与冗余性，为AI生成 文本质量的评估提供了量化依据。 AI的内容生成的边界如何判断 50 智能体认知循环边界并非终点，而是人类探索未知领域和创造 新价值的起点。研究提出基于“自指性”和“循环性”的测量 机制，识别智能体生成内容触及边界的临界点，为优化生成内 容提供量化依据。这一框架可扩展至多模态生成系统，并在教 育、科研和创新领域推动知识生成模式从常规化迈向创新化。

级互联网架构等壮举，并且开源了很多自主产品如 Dubbo、RocketMQ、Tengine、Jstorm 等，产 生了巨大的影响力，在互联网行业广泛使用，但是这⼀阶段的开源除了情怀和展示技术影响力之后 很难量化对公司的价值，因此也比较难以持续发展。第二个阶段是 2018 年开始，随着云计算发展， 开源作为⼀种标准加速云计算发展，尤其 K8s 迅速崛起给我们很多启示，作为⼀家云计算公司，阿 里巴巴也在 2018 Console：易用控制台，做服务管理、配置管理等操作。  SDK：多语言 SDK，目前几乎支持所有主流编程语言。  Agent：Sidecar 模式运行，通过标准 DNS 协议与业务解耦。  CLI：命令行对产品进行轻量化管理，像 git ⼀样好用。 业务层  服务管理：实现服务 CRUD，域名 CRUD，服务健康状态检查，服务权重管理等功能。  配置管理：实现配置管 CRUD，版本管理，灰度管理，监听管理，推送轨迹，聚合数据等功能。 ，恢复 业务。 287 > Nacos 最佳实践 其他问题 如何选择最先迁移哪个应⽤  建议是从最下层 Provider 开始迁移。但如果调用链路太复杂，比较难分析，所以我们设计的方 案中是支持随便找⼀个非流量入口应用进行迁移。  因为流量入口的应⽤比较特殊，所以建议迁移流量入口应⽤时需要根据自己应⽤的实际情况考虑 迁移方案。 Nacos 最佳实践 < 288 Nacos 打通

保系统的 RTO <= 30s 及 RPO = 0。 33 • 海量数据及高并发的 OLTP 场景 传统的单机数据库无法满足因数据爆炸性的增长对数据库的容量要求。TiDB 是一种性价比高的解决方 案，采用计算、存储分离的架构，可对计算、存储分别进行扩缩容，计算最大支持 512 节点，每个节点 最大支持 1000 并发，集群容量最大支持 PB 级别。 • 实时 HTAP 场景 TiDB 适用于 码耗尽之后，应用程序才会去获取 新的号段，这样就有效降低了数据库写入压力。实际使用过程中，还可以适度调节步长以控制数据库记录的 更新频度。 最 后， 需 要 注 意 的 是， 上 述 两 种 方 案 生 成 的 ID 都 不 够 随 机， 不 适 合 直 接 作 为 TiDB 表 的 主 键。 实 际 使 用 过 程 中 可 以 对 生 成 的 ID 进 行 位 反 转 （bit-reverse） TiFlash 时，CPU 必须支持 ARMv8 架构。确保命令 grep 'crc32' /proc/cpuinfo | grep 'asimd' 有输出。通过使用向量扩展指令集，TiFlash 的向量化引擎能提供更好的性能。 5.1.3.2 生产环境 组件 CPU 内存 硬盘类型 网络 实例数量 (最低要求) TiDB 16 核 + 48 GB+ SSD 万兆网卡（2 块最佳） 2 PD 8

保系统的 RTO <= 30s 及 RPO = 0。 34 • 海量数据及高并发的 OLTP 场景 传统的单机数据库无法满足因数据爆炸性的增长对数据库的容量要求。TiDB 是一种性价比高的解决方 案，采用计算、存储分离的架构，可对计算、存储分别进行扩缩容，计算最大支持 512 节点，每个节点 最大支持 1000 并发，集群容量最大支持 PB 级别。 • 实时 HTAP 场景 TiDB 适用于 码耗尽之后，应用程序才会去获取 新的号段，这样就有效降低了数据库写入压力。实际使用过程中，还可以适度调节步长以控制数据库记录的 更新频度。 最 后， 需 要 注 意 的 是， 上 述 两 种 方 案 生 成 的 ID 都 不 够 随 机， 不 适 合 直 接 作 为 TiDB 表 的 主 键。 实 际 使 用 过 程 中 可 以 对 生 成 的 ID 进 行 位 反 转 （bit-reverse） TiFlash 时，CPU 必须支持 ARMv8 架构。确保命令 grep 'crc32' /proc/cpuinfo | grep 'asimd' 有输出。通过使用向量扩展指令集，TiFlash 的向量化引擎能提供更好的性能。 5.1.3.2 生产环境 组件 CPU 内存 硬盘类型 网络 实例数量 (最低要求) TiDB 16 核 + 48 GB+ SSD 万兆网卡（2 块最佳） 2 PD 8

保系统的 RTO <= 30s 及 RPO = 0。 38 • 海量数据及高并发的 OLTP 场景 传统的单机数据库无法满足因数据爆炸性的增长对数据库的容量要求。TiDB 是一种性价比高的解决方 案，采用计算、存储分离的架构，可对计算、存储分别进行扩缩容，计算最大支持 512 节点，每个节点 最大支持 1000 并发，集群容量最大支持 PB 级别。 • 实时 HTAP 场景 TiDB 适用于 码耗尽之后，应用程序才会去获取 新的号段，这样就有效降低了数据库写入压力。实际使用过程中，还可以适度调节步长以控制数据库记录的 更新频度。 最 后， 需 要 注 意 的 是， 上 述 两 种 方 案 生 成 的 ID 都 不 够 随 机， 不 适 合 直 接 作 为 TiDB 表 的 主 键。 实 际 使 用 过 程 中 可 以 对 生 成 的 ID 进 行 位 反 转 （bit-reverse） TiFlash 时，CPU 必须支持 ARMv8 架构。确保命令 grep 'crc32' /proc/cpuinfo | grep 'asimd' 有输出。通过使用向量扩展指令集，TiFlash 的向量化引擎能提供更好的性能。 5.1.3.2 生产环境 组件 CPU 内存 硬盘类型 网络 实例数量 (最低要求) TiDB 16 核 + 48 GB+ SSD 万兆网卡（2 块最佳） 2 PD 8