腾讯云大模型知识引擎：基于DeepSeek实现企业知识库“快、易、省”应用落地

识别企业知识库喂给大模型的结构性瓶颈

企业在将内部知识库注入大模型时，面临知识格式多样、图文并茂带来的解析难题。传统OCR技术存在识别精度低、元素易丢失的局限，无法有效处理复杂排版的阅读顺序、跨栏段落、参数表格、图/图注群组及公式等子元素。

具体痛点包括：

• 版面复杂： 文档包含横向多栏、纵向多栏、跨图段落及复杂的无线/少线表格结构。
• 元素识别难： 传统技术难以识别图文表混排、页眉页脚及嵌入文档内的公式与图像。
• 数据丢失： 在处理如汽车说明书、设备保养手册等复杂文档时，传统OCR导致大量关键数据丢失，无法支撑精准问答。

部署基于RAG与DeepSeek的引擎方案

程雪璨（腾讯云智能产品架构师） 提出通过腾讯云大模型知识引擎，结合DeepSeek-R1/V3模型，提供三种应用开发模式解决上述痛点：

1. 标准模式（RAG）： 内置LLM+RAG最佳实践流程，支持导入文档/问答对，实现精准知识问答。
2. 工作流模式（Workflow）： 提供10+画布节点，通过可视化拖拉拽编排原子能力，零代码构建复杂业务流程（如挂号、报销）。
3. Agent模式： 由大模型进行任务自主规划和工具调用（function-call），支持将工作流画布转换成流程描述语言（PDL），在保证对话准确率的基础上灵活响应超范围问题。

核心产品能力：

• 文档解析： 基于OCR大模型，支持超过20类文档类型，业界首个支持200MB以上超大文档（业内普遍100MB内），支持超过26类丰富文档类型（业内普遍10类以内）。
• 综合检索： 上线基于LLM的embedding模型，多文档信息召回率从85%提升到92%；混合检索+Text2SQL能力，使SQL执行准确率保持在80%+。

量化应用效果与业务指标

通过接入腾讯云大模型知识引擎，不同行业客户在运维成本与开发效率上取得具体提升：

• 消费电子智能客服： 转人工率降至 20%（大模型仅用1周冷启动） vs. 28%（传统机器人通过几年运营）；模型出图率达到 70%。
• 电力工业设备服务： 服务200多位工程师，平均单人提效 50%以上；积累700+行业标准文档及近百份顶尖设计方案。
• 头部电商企业共享服务： 问答准确率提升至 89%；转人工率由 70%降低到40%。
• 头部国际快递企业： 支持处理寄件、收件、信息查询等超过 40类 复杂任务。
• 医疗器械医生助手： 解决50%以上住院医生每天花 4小时以上 撰写病历的痛点，支持出院小结、病程记录等多类文书智能生成。

客户实践案例

案例一：某零售客户专家助手

• 背景： 公司拥有上万SKU，同一产品名对应不同编码，客服难以熟记所有信息。
• 应用： 利用知识引擎提供面向上万SKU场景的产品咨询服务，服务于内部400+售后客服。
• 价值： 节省业务团队人力，提高问题响应效率，解决C侧用户问题无法被穷举的难题。

案例二：电力工业设备服务商“随身专家”

• 背景： 需要高效利用700+行业标准文档及近五年技术积累文档。
• 应用： 基于行业大模型全面升级，支持冲压件精度级别（f/m/g）等术语定义与技术安装查询。
• 价值： 促进知识共享，加速工程师培养速度，提供全面、准确的标准化服务。

案例三：头部电商企业共享服务助手

• 背景： 内部IT/HR等知识检索精准性低，对行政部门造成较大负荷。
• 应用： 集成到企业内部IM系统，支持知识溯源与SQL代码生成（如查询Dataworks任务成本明细表）。
• 价值： 答案图文并茂、可读性好，支持快速溯源增加可靠性。

技术底座与生态优势

腾讯云提供全栈AI服务，满足不同开发者的DeepSeek接入需求：

1. API服务（面向资深开发者）：
   • 提供 DeepSeek-R1、V3两款671B满血版模型 快速接入。
   • 兼容OpenAI的API接口协议，可快速调用体验。
   • 限时免费试用（截至北京时间 2025年2月25日23:59:59），单账号限制接口并发上限为5。
   • 标准计费（2025年2月26日起）：DeepSeek-R1输入价格 0.004元/千token，缓存存储 0.00017元/千token/小时。
2. 知识引擎平台（面向初级开发者/运营）：
   • 国内率先支持「DeepSeek满血版+私域知识管理+实时搜索」 于一体。
   • 支持 分钟级搭建 大模型应用，集成私域知识库，擅长处理复杂图文混排文档解析。
   • 支持 64K上下文长度，最大支持 8K输出长度。
3. 模型能力：
   • DeepSeek-V3： 671B参数MoE模型，在百科知识、数学推理等任务上位列开源模型榜首。
   • DeepSeek-R1： 使用强化学习训练，推理过程包含大量反思和验证，思维链长度可达数万字，适用于复杂逻辑推理。