目    录

第 1 章  DeepSeek的前世今生 1

1.1  从金融到 AI 的转型之路 1

1.1.1  DeepSeek 的诞生 1

1.1.2  战略突围：商业化探索的

挑战 4

1.1.3  市场表现与行业影响 6

1.2  DeepSeek 技术演进图谱 7

1.2.1  架构革命的四阶跃迁 7

1.2.2  整体架构与设计理念转变 15

1.2.3  性能与任务处理能力进化 18

1.2.4  闭源模式的突破 21

1.2.5  成本优势解析 23

1.3  重构 AI 范式的核心优势 25

1.3.1  重构 AI 基础架构：技术层面

的高效与卓越 25

1.3.2  商业价值的范式重构 27

1.3.3  DeepSeek 时代的商业挑战与

机遇 29

1.4  开源生态的裂变效应 31

1.4.1  降低开发门槛与成本 31

1.4.2  社区合作与知识共享 32

1.4.3  自主掌控与数据隐私保护 33

1.4.4  生态系统的构建与拓展 34

1.5  市场主流 AI 模型的比较 36

1.5.1  语言处理能力比较 36

1.5.2  逻辑推理能力比较 38

1.5.3  性价比比较 40

1.6  本章小结 41

第2章  DeepSeek-R1实例场景开发 43

2.1  构建 AI 智能体与自动化 43

2.1.1  准备工作 43

2.1.2  配置 n8n 与 DeepSeek API 的

连接 44

2.1.3  测试和优化工作流程 47

2.1.4  部署和监控工作流程 48

2.2  DeepSeek-R1 的推理和逻辑 48

2.2.1  准备工作 48

2.2.2  Jupyter Notebook 实现 49

2.2.3  执行生成的代码 52

2.2.4  残差分析与优化 54

2.2.5  根据优化建议改进模型 55

2.3  使用 DeepSeek-R1 开发 H5 

网站和工具 56

2.3.1  准备工作 57

2.3.2  生成代码 57

2.3.3  代码调试和部署 58

2.4  DeepSeek-R1 自动执行任务 60

2.4.1  准备工作 60

2.4.2  构建 n8n 工作流 61

2.4.3  保存并激活工作流 65

2.5  DeepSeek-R1 与其他工具

集成 65

2.5.1  配置 Postman 环境 65

2.5.2  生成测试用例 67

2.5.3  批量执行 68

2.6  通过 DeepSeek-R1 集成

HTTP API 70

2.6.1  准备工作 70

2.6.2  编写 API 端点 71

2.6.3  部署与测试 73

2.7  DeepSeek-R1 实战用例 75

2.7.1  环境准备 76

2.7.2  FastGPT 接收模拟数据 81

2.8  使用 Cline 开发项目 84

2.8.1  安装 Visual Studio Code 与

Cline 84

2.8.2  生成项目 87

2.9  用于自动化的免费工具和

资源 90

2.9.1  自动化工具的技术谱系与核心

能力 90

2.9.2  第三方 API 服务的技术纵深

与行业适配 91

2.9.3  技术演进趋势与未来展望 92

2.10  认识 Make.com 93

2.10.1  Make.com 自动化基础 93

2.10.2  Make.com 自动化的应用

场景 95

2.10.3  如何学习和掌握Make.com 96

2.11  基于 DeepSeek-R1 的 Email

自动化 97

2.11.1  注册 Make.com 账号 97

2.11.2  QQ 邮箱自动化 99

2.12  基于 DeepSeek-R1 的内容

创作 109

2.12.1  RSS 简介 110

2.12.2  自动化内容创作 111

2.13  自动化模板深度探索 118

2.13.1  模板库 118

2.13.2  低代码/无代码平台趋势 120

2.13.3  AI 编程趋势 120

第3章  用DeepSeek打造契合用户

需求的产品 122

3.1  基于聊天形式的人机交互的

演变 122

3.1.1  从指令到对话：Chat 模式的革命性突破 122

3.1.2  用户需求升级：从“功能满足”到“情感认同” 122

3.2  AI 产品对用户行为的塑造 124

3.3  用户需求对 AI 产品设计的

影响 125

3.4  Chat 交互背后的 AI 引擎 127

3.4.1  Transformer 架构与大模型

技术 127

3.4.2  实时反馈与自学习的

优化 127

3.4.3  自然语言处理与语音识别

技术的融合 128

3.4.4  多模态情感识别技术 128

3.4.5  情感生成的动态策略 129

3.4.6  情境感知 129

3.4.7  智能个性化：从“千人一面”

到“一人千面” 129

3.4.8  端侧模型轻量化 129

第4章  智能卫生间APP开发实战 130

4.1  智能卫生间带来的

新体验 130

4.2  智能卫生间的整体设计 131

4.2.1  整体硬件布局 131

4.2.2  软件功能与用户体验

设计 132

4.3  软硬件的适配 133

4.3.1  项目需求概述 134

4.3.2  硬件设备选型与布局 136

4.3.3  软件系统设计 137

4.3.4  软硬件协同工作 139

4.4  UI 设计与交互体验 141

4.4.1  UI 设计 141

4.4.2  交互体验 141

4.5  基于 DeepSeek 的 fastgpt.ai

底座 143

4.5.1  认识 FastGPT 144

4.5.2  选用 DeepSeek 作为 AI 模型

底座的优势 144

4.5.3  使用 FastGPT 创建第一个 AI

对话应用 145

4.5.4  使用 FastGPT 创建工作流 149

4.6  AI 文字或语音控制实现 152

4.7  基于 DeepSeek-R1 的智能卫生间

AI 智能体优化设计与实现 162

4.7.1  什么是 AI 智能体 163

4.7.2  基于 DeepSeek-R1 的智能

卫生间 AI 智能体 164

4.8  数据分析与人流量策略

规划 170

4.8.1  数据分析 170

4.8.2  人流量策略规划 176

第5章  DeepSeek的跨行业UX

设计 182

5.1  DeepSeek 引领 AI 时代跨行业 

UX 设计 182

5.1.1  AI 如何提升体验设计的无缝性

与个性化 182

5.1.2  DeepSeek 的独特之处 184

5.2  深入挖掘并验证用户体验

需求 186

5.2.1  DeepSeek 如何支持产品

优化 186

5.2.2  DeepSeek 通过多模态洞察

数据 187

5.2.3  DeepSeek 以精准性验证

需求 188

5.3  用户需求与体验并行 189

5.3.1  DeepSeek 如何引入差异化

思路 189

5.3.2  发散创意源泉 191

5.3.3  探索 DeepSeek 与人类的协作

动态 192

5.4  UX 交互革新 194

5.4.1  追溯交互从静态到动态多模态

的转变 194

5.4.2  DeepSeek 如何优化新形式、

界面和逻辑 195

5.4.3  深化人与环境的连接 196

5.5  智能流程再造 197

5.5.1  自动化设计流程：从烦琐到

高效的转变 197

5.5.2  智能协同创新网络：连接人与

技术的桥梁 198

5.5.3  从直觉到洞察的飞跃 200

第6章  智能硬件开发实战 203

6.1  智能硬件开发的基本流程与

挑战 203

6.1.1  智能硬件开发的基本流程 203

6.1.2  开发者面临的挑战 205

6.2  DeepSeek：代码生成加

速器 206

6.2.1  从自然语言到代码的

转换 206

6.2.2  与 Cursor 结合提升开发

效率 207

6.2.3  嵌入式代码生成的优势 209

6.2.4  用对话创造硬件 209

6.2.5  像搭积木一样开发硬件 213

6.3  嵌入式开发：从硬件选型到

代码生成 214

6.3.1  ESP32 开发板选型指南 214

6.3.2  DeepSeek 生成基础代码

框架 217

6.4  实战项目：ESP32 与 DeepSeek 

的联合 218

6.4.1  项目概述 218

6.4.2  端到端案例：语音控制

灯光 219

6.5  实战项目：SparkBot 对接火山引擎

（DeepSeek 全流程支持） 222

6.5.1  项目架构设计 222

6.5.2  调试与优化 228

第7章  DeepSeek-R1模型优化与微

调入门 230

7.1  DeepSeek-R1 模型基础

剖析 230

7.1.1  DeepSeek 模型架构探秘 231

7.1.2  DeepSeek-R1 一种新的强化

范式 231

7.2  常见模型优化方法 232

7.2.1  训练阶段优化 232

7.2.2  推理阶段优化 235

7.2.3  边缘部署优化 238

7.3  对 DeepSeek-R1-1.5B 版本本地

优化试验 241

7.4  大模型微调基础概念

详解 254

7.4.1  微调的定义与目的 254

7.4.2  微调的流程 254

7.4.3  热门微调工具概述 255

7.4.4  云平台选择考量 256

7.4.5  Unsloth 快速入门 257

7.4.6  DeepSeek-R1 微调试验环境

搭建 260

7.5  使用 Unsloth 训练自己的 GRPO 

模型 260

7.5.1  GRPO 模型 261

7.5.2  Llama3.1_(8B)-GRPO 微调试验（基于 Unsloth+Colab） 261

第8章  DeepSeek-R1部署工程化 269

8.1  模型服务化 269

8.1.1  Triton Inference Server 的架构

与功能 269

8.1.2  使用 Triton Inference Sever 

配置 DeepSeek 270

8.1.3  Triton Inference Server 参数

配置 273

8.1.4  访问 Triton Inference Server 

的协议 273

8.1.5  使用 Python 调用 Triton 

Inference Server 274

8.1.6  其他 Serving 框架 274

8.2  A/B 测试框架 275

8.2.1  A/B 测试的原理和作用 275

8.2.2  对 DeepSeek-R1 模型进行

A/B 测试 275

8.2.3  分析 A/B 测试结果并做出

决策 282

8.3  性能压测方案 282

8.3.1  性能压测的原理和作用 282

8.3.2  对 DeepSeek-R1 模型服务进行

性能压测 283

8.3.3  分析性能压测结果并优化系统

性能 285

8.3.4  模拟真实用户流量与设置合理

压测指标 286

8.4  监控与日志 286

8.4.1  对 DeepSeek-R1 模型服务进行

监控 286

8.4.2  配置日志系统 287

8.5  蓝绿部署与金丝雀发布 288

8.6  模型安全与对抗防御 289

8.7  异构硬件支持 290

8.8  资源管理与调度 291

8.9  展望 292