DeepSeek源码解构：从MoE架构到MLA的工程化实现

---

---

当DeepSeek-V3以236B参数规模实现媲美70B-110B Dense模型性能时，业界震惊的不仅是其成本优势，更是其背后颠覆性的工程化创新。本文将基于DeepSeek-V3开源代码库，深度剖析其核心架构设计，通过代码级解析+工程化优化细节+数学原理推导，揭示MoE与MLA如何协同实现计算效率与模型性能的双重突破。

---

一、代码结构全景：从模型定义到分布式训练

DeepSeek-V3的代码库严格遵循现代AI框架的模块化设计，核心组件分布如下：

deepseek-v3/
├── src/                                  # 核心代码
│   ├── models/                          # 模型架构定义
│   │   ├── transformer.py               # Transformer主结构
│   │   ├── block.py                     # Transformer Block实现
│   │   ├── mla.py                       # MLA注意力机制
│   │   ├── moe.py                       # DeepSeekMoE架构
│   │   └── attention.py                 # 注意力机制通用接口
│   ├── utils/                           # 工具函数
│   │   ├── parallel.py                  # 并行化工具（ZeRO/TP/PP）
│   │   ├── quantization.py              # 量化工具（FP8/FP16）
│   │   ├── logging.py                   # 训练日志
│   │   └── benchmark.py                 # 性能测试
│   ├── optim/                           # 优化器实现
│   │   └── fused_adam.py                # 混合精度优化器
│   ├── train.py                         # 训练脚本
│   └── infer.py                         # 推理脚本
├── configs/                             # 超参配置
│   ├── moe_config.yaml                  # MoE超参
│   └── mla_config.yaml                  # MLA超参
├── tests/                               # 单元测试
│   ├── test_moe.py                      # MoE单元测试
│   └── test_mla.py                      # MLA单元测试
└── scripts/                             # 部署脚本├── train_moe.sh                     # MoE训练脚本└── deploy_mla.sh                    # MLA推理脚本

---

二、MoE架构：动态路由与稀疏激活的工程化实践

DeepSeekMoE通过细粒度专家（Fine-Grained Experts）与共享专家（Shared Experts）的协同，实现计算资源的动态分配。其核心代码逻辑如下：

1. 专家路由机制（带负载均衡）

# src/models/moe.py
class MoE(nn.Module):def __init__(self, args: ModelArgs):super().__init__()self.experts = nn.ModuleList([MLP(args.dim, args.inter_dim) for _ in range(args.n_experts)])  # 专家网络self.gate = GatingNetwork(args.dim, args.n_experts)  # 门控网络self.capacity_factor = args.moe_capacity_factor  # 容量因子（控制稀疏性）self.aux_loss_weight = args.moe_aux_loss_weight  # 辅助损失权重def forward(self, x: torch.Tensor):# 计算专家权重（Softmax门控）gates = self.gate(x)  # shape: [batch_size, seq_len, n_experts]# 稀疏激活：选择top-k专家（动态路由）top_k_values, top_k_indices = torch.topk(gates, k=args.moe_k, dim=-1)# 计算专家容量（避免过载）batch_size, seq_len, _ = x.size()total_tokens = batch_size * seq_lenmax_tokens_per_expert = int(total_tokens * self.capacity_factor / args.n_experts)# 动态路由：将输入分配到选中的专家（带容量限制）expert_outputs = []for i in range(args.moe_k):expert_idx = top_k_indices[:, :, i]mask = (expert_idx >= 0).float()  # 掩码处理expert_input = x * mask.unsqueeze(-1)  # 屏蔽未选中的专家# 容量限制：对超过容量的专家进行截断expert_tokens = expert_input.view(batch_size * seq_len, -1)expert_indices = expert_idx.view(batch_size * seq_len)unique_experts, counts = expert_indices.unique(return_counts=True)for expert_id, count in zip(unique_experts, counts):if count > max_tokens_per_expert:# 截断过载的专家输入（示例代码简化）pass# 专家计算（实际实现需更复杂的容量管理）expert_output = self.experts[expert_idx](expert_input)  # 专家计算expert_outputs.append(expert_output * top_k_values[:, :, i].unsqueeze(-1))  # 加权输出# 合并结果out = sum(expert_outputs)  # 计算负载均衡辅助损失（训练时）if self.training:expert_load = gates.sum(dim=(0, 1))  # 计算每个专家的负载avg_load = expert_load.mean()  # 平均负载load_loss = ((expert_load - avg_load) ** 2).sum() / args.n_experts  # 负载均衡损失return out, load_loss * self.aux_loss_weight  # 返回输出和辅助损失return out

数学原理：负载均衡损失推导

负载均衡损失的核心是最小化专家负载的方差：

$${\mathcal{L}}_{\text{aux}}=\frac{1}{N}\sum _{i=1}^N{\left(L_i-\bar{L}\right)}^2,\bar{L}=\frac{1}{N}\sum _{i=1}^N{L}_i$$

其中 ( L_i ) 为第 ( i ) 个专家的负载（如令牌数），( N ) 为专家总数。

---

三、MLA注意力机制：低秩压缩与解耦旋转位置编码

MLA通过以下创新降低计算复杂度：

1. 键值低秩压缩：将高维Key/Value投影到低维潜在空间，减少计算量。
2. 解耦旋转位置编码：将查询拆分为位置敏感与非位置敏感两部分，提升位置编码的灵活性。

核心代码实现（含数学优化）

# src/models/mla.py
class MLA(nn.Module):def __init__(self, args: ModelArgs):super().__init__()self.n_heads = args.n_HEADSself.head_dim = args.HEAD_DIMself.low_rank_dim = args.LOW_RANK_DIM  # 低秩维度（如64）self.q_proj = ColumnParallelLinear(args.dim, self.n_heads * self.head_dim)  # 查询投影self.kv_proj = ColumnParallelLinear(args.dim, 2 * self.n_heads * self.low_rank_dim)  # 键值低秩投影self.out_proj = RowParallelLinear(self.n_heads * self.head_dim, args.dim)  # 输出投影self.rotary_emb = RotaryEmbedding(args.dim // self.n_heads)  # 旋转位置编码def forward(self, x: torch.Tensor, start_pos: int, freqs_cis: torch.Tensor):bsz, seqlen, _ = x.size()# 1. 查询投影（不解耦位置编码）q = self.q_proj(x).view(bsz, seqlen, self.n_heads, self.head_dim)  # [bsz, seqlen, n_heads, head_dim]# 2. 键值低秩投影（解耦位置编码）kv = self.kv_proj(x).view(bsz, seqlen, 2, self.n_heads, self.low_rank_dim)  # [bsz, seqlen, 2, n_heads, low_rank_dim]k, v = kv[:, :, 0], kv[:, :, 1]  # 分离Key和Value# 2. 旋转位置编码（仅应用于Key）k = self.rotary_emb(k, freqs_cis)  # 形状: [bsz, seqlen, n_heads, head_dim]# 3. 计算注意力分数（低秩键值压缩）attn_scores = torch.einsum('bhid,bjhd->bhij', q, k)  # 形状: [bsz, n_heads, seqlen, seqlen]attn_weights = F.softmax(attn_scores / math.sqrt(self.head_dim), dim=-1)  # 注意力权重# 4. 加权求和（低秩Value）out = torch.einsum('bhij,bjhd->bhid', attn_weights, v)  # 形状: [bsz, n_heads, seqlen, head_dim]out = out.reshape(bsz, seqlen, -1)  # 合并头维度return self.out_proj(out)  # 输出投影

数学优化：低秩矩阵乘法的复杂度分析

传统全注意力机制复杂度为 $$O(N^{2}D)$$，而MLA通过低秩压缩将复杂度降低至
$$O(N^{2}R)$$
$$R\ll D$$。例如，若
$$D=4096$$、
$$R=64$$，则计算量减少约98.4%。

---

五、性能优化：混合精度训练与分布式并行

DeepSeek-V3通过以下技术实现高效训练：

1. FP8混合精度训练

# src/utils/quantization.py
def fp8_matmul_with_scale(a: torch.Tensor, b: torch.Tensor, scale: float = 1.0):# 将输入转换为FP8格式（带动态缩放）a_fp8 = a.to(torch.float8_e4m3fn) * scale  # 动态调整数值范围b_fp8 = b.to(torch.float8_e4m3fn) * scale# 执行FP8矩阵乘法c_fp8 = torch.matmul(a_fp8, b_fp8)# 反量化回FP16并调整缩放因子c = (c_fp8.to(torch.float16) / scale  # 恢复原始范围return c

2. ZeRO-3优化器分片

# src/utils/parallel.py
class ZeRO3Optimizer:def __init__(self, model, optimizer_class, args):self.model = modelself.optimizer = optimizer_class(model.parameters(), lr=args.lr)self.param_shards = args.num_gpus  # 参数分片def step(self):# 分片更新参数for i, param_group in enumerate(self.optimizer.param_groups):for param in param_group['params']:# 分片更新逻辑（简化版）if param.device.index % args.num_gpus == 0:  # 示例：按GPU分片self.optimizer.step(param)  # 仅更新本GPU分片

---

六、结论：工程化创新的启示

DeepSeek-V3的代码库不仅是学习先进架构的范本，更是工程化落地的实战指南。其核心启示包括：

1. MoE架构：动态路由与稀疏激活需结合负载均衡与通信优化，避免“专家饥饿”或“过载”。
2. MLA注意力：低秩压缩需平衡精度与效率，通过数学推导验证压缩后的性能损失。
3. 混合精度训练：FP8需谨慎处理数值稳定性，避免梯度溢出或欠拟合。
4. 分布式并行：ZeRO优化器需合理分片参数，避免通信瓶颈，提升整体吞吐量。

对于AI工程师而言，DeepSeek的代码库不仅是技术参考，更是工程思维训练的实战教材。

---

参考文献：

1. DeepSeek-V3 GitHub仓库
2. 《DeepSeek源码深度解析》（薛栋、黄捷，北京大学出版社，2025）
3. CSDN博客：DeepSeek V3 源码解析与性能优化

代码附录：完整代码库可通过GitHub开源仓库获取，包含单元测试与部署脚本，助力工程化落地。

---

《DeepSeek源码深度解析》

• 京东：https://item.jd.com/15021762.html
• 当当：http://product.dangdang.com/29881483.html

吃透DeepSeek源码底层逻辑，全面驾驭全新技术生态！

• DeepSeek源码底层逻辑与架构哲学
• 从架构设计到实战部署，解密MoE内核与多模态融合
• 赠送67G学习资源
• 快速掌握从源码阅读到二次开发的全流程技能

亮点

1. 源码逐层拆解：从架构设计到工程实现策略，全面驾驭DeepSeek技术生态。
2. 解密MoE内核与多模态融合：涵盖文本、视觉及跨模态数据处理，探索MoE技术实现高效的模型训练和推理的精髓。
3. 核心算法解读：逐步解析关键算法与数据流处理过程，从源码层面深入探讨模型训练、推理和优化的实现细节。
4. 实战指导：案例驱动的实战讲解，带领读者快速掌握从源码阅读到二次开发的全流程技能。
5. 赠送67G学习资源：附赠全书案例源代码、PPT课件及教学视频，学研之路快人一步。

内容简介

本书是一本系统讲解DeepSeek源码及其核心实现原理的技术指南，内容覆盖了从基础概念到高级应用的全流程知识。全书共7章，结构层层递进。第1章对DeepSeek进行了全面概述，帮助读者构建对DeepSeek系统的整体认知。第2章聚焦于环境搭建、代码获取与模型部署接入，为后续深入研究提供基础。第3章深入探讨了MoE（混合专家模型）的基本原理、功能模块与优化技术。第4章详细解析了DeepSeek-V3模型的架构知识，并通过测试验证展示了系统的实际效果。第5章围绕统一多模态大模型展开，介绍了Janus系列架构、核心技术及工具模块。第6章针对高分辨率图像场景，探讨了结合MoE、细粒度特征提取与视觉/语言适配器的多模态模型的知识。第7章聚焦DeepSeek-R1推理大模型，展示了DeepSeek在推理性能与自我进化方面的探索。
本书适合人工智能工程师、深度学习研究者、AI产品开发人员及高校师生阅读。无论您是希望夯实开源模型基础，还是寻找前沿实战案例，本书都将为您提供全面而深入的参考与指导。

作者简介

刘力铭，职业培训师，子鱼工作室创始人，曾服务多家世界500强企业。国内较早一批AI应用者，早年就用AI技术辅助完成累计价值千万的视频课程制作，积累了丰富实战经验。精通培训和学习技术，擅长将复杂知识简化，让读者轻松掌握AI办公技巧。

目录

第1章DeepSeek概述 
1．1 DeepSeek简介2
1．1．1 DeepSeek介绍2
1．1．2 DeepSeek的背景与目标2
1．1．3 DeepSeek的产品3
1．1．4 DeepSeek的应用场景5
1．1．5 DeepSeek的核心功能6
1．2 DeepSeek的架构概览7
1．2．1 DeepSeek的整体架构设计8
1．2．2 DeepSeek的模块划分8
1．2．3 DeepSeek与其他模型的技术对比9
第2章环境搭建、代码获取与模型部署接入
2．1 环境准备14
2．1．1 硬件环境要求14
2．1．2 软件环境配置15
2．2 源码获取与管理16
2．2．1 开源项目简介16
2．2．2 获取源码18
2．2．3 代码分支管理19
2．2．4 代码更新与同步20
2．3 DeepSeek模型的本地部署与接入21
2．3．1 安装Ollama 21
2．3．2 部署DeepSeek模型22
2．3．3 Chatbox部署可视化23
2．3．4 DeepSeek接入整合25
第3章混合专家模型（MoE）初探 
3．1 项目介绍28
3．1．1 基本特点28
3．1．2 开源内容29
3．2 功能模块303．3 ZeRO配置30
3．3．1 ZeRO优化器介绍30
3．3．2 第2阶段优化配置31
3．3．3 第3阶段优化配置32
3．3．4 优化总结34
3．4 模型微调34
3．4．1 微调原理34
3．4．2 生成提示文本35
3．4．3 配置模型微调参数36
3．4．4 设置训练数据37
3．4．5 配置超参数37
3．4．6 保存模型38
3．4．7 获取最新检查点39
3．4．8 安全保存模型39
3．4．9 分词处理40
3．4．10 文本预处理40
3．4．11 数据收集器41
3．4．12 训练数据的分词和预处理42
3．4．13 构建和配置模型42
3．4．14 训练模型44
3．4．15 微调模型47
3．5 调用模型48
3．5．1 下载模型48
3．5．2 调用模型50
第4章基于DeepSeekMoE架构的DeepSeek-V3
4．1 项目介绍54
4．1．1 核心特点54
4．1．2 训练流程54
4．1．3 与DeepSeekMoE项目的区别56
4．2 开源信息介绍57
4．3 模型权重58
4．3．1 权重结构58
4．3．2 加载规则59
4．3．3 FP8权重60
4．4 超参数配置61
4．4．1 小规模版本（16B）的配置61
4．4．2 中规模版本（236B）的配置63
4．4．3 大规模版本（671B）的配置64
4．5 模型架构64
4．5．1 DeepSeek-V3模型架构介绍65
4．5．2 配置信息66
4．5．3 并行嵌入68
4．5．4 线性变换69
4．5．5 线性层70
4．5．6 RMSNorm（均方根层归一化）73
4．5．7 RoPE计算74
4．5．8 多头注意力层77
4．5．9 多层感知器80
4．5．10 DeepSeek-V3中的MoE架构实现81
4．5．11 Transformer模型86
4．5．12 验证和测试88
4．6 量化计算88
4．6．1 输入张量进行量化处理89
4．6．2 块级量化处理89
4．6．3 权重矩阵的反量化90
4．6．4 对激活值和权重的量化与反量化91
4．6．5 调优参数92
4．6．6 FP8矩阵乘法内核92
4．6．7 FP8矩阵乘法实现94
4．7 权重转换95
4．7．1 权重格式转换95
4．7．2 权重精度转换98
4．7．3 不同硬件平台的转换101
4．8 测试模型102
4．8．1 模型加载与文本生成102
4．8．2 测试功能106
4．9 DeepSeek-V3模型总结108
第5章统一多模态大模型 
5．1 项目介绍112
5．2 架构原理与核心技术112
5．2．1 Janus架构113
5．2．2 Janus-Pro架构114
5．2．3 JanusFlow架构116
5．2．4 核心技术对比117
5．3 开源信息介绍118
5．4 工具模块119
5．4．1 对话管理120
5．4．2 数据加载129
5．5 构建多模态模型131
5．5．1 向量量化模型131
5．5．2 CLIP视觉编码器146
5．5．3 投影器148
5．5．4 Vision Transformer视觉模型150
5．5．5 图像处理器167
5．5．6 多模态因果语言模型171
5．5．7 多模态处理器177
5．6 JanusFlow模型架构185
5．6．1 多模态模型185
5．6．2 数据预处理189
5．6．3 U-ViT模型190
5．7 模型推理212
5．7．1 多模态推理测试212
5．7．2 文生图推理213
5．7．3 交互式文生图推理216
5．8 Web交互测试219
5．8．1 FastAPI测试219
5．8．2 Gradio交互222
第6章适用于高分辨率图像的多模态模型
6．1 项目介绍228
6．1．1 模型架构228
6．1．2 技术创新与亮点230
6．1．3 模型训练231
6．1．4 对比Janus项目232
6．2 开源模型233
6．3 开源信息介绍234
6．4 配置文件235
6．5 模型架构237
6．5．1 模型配置237
6．5．2 多模态模型架构242
6．5．3 数据处理259
6．5．4 DeepSeek模型架构276
6．5．5 Vision Transformer(ViT)的视觉模型328
6．5．6 对话模板和历史记录管理349
6．5．7 DeepSeek-VL2模型总结356
6．6 模型部署和在线服务359
6．6．1 设置部署参数359
6．6．2 工具函数362
6．6．3 Gradio工具373
6．6．4 模板覆盖与扩展376
6．6．5 Web前端378
6．6．6 模型推理380
6．7 图文对话推理384
6．8 Web测试387
6．8．1 Web前端实现387
6．8．2 启动Web测试402
第7章DeepSeek-R1推理大模型 
7．1 背景介绍406
7．2 项目介绍406
7．2．1 模型演进406
7．2．2 训练方案407
7．2．3 蒸馏小型模型408
7．2．4 开源信息介绍409
7．2．5 结论410
7．3 DeepSeek-R1-Zero训练方案411
7．3．1 强化学习算法411
7．3．2 奖励建模412
7．3．3 训练模板412
7．3．4 DeepSeek-R1-Zero的性能413
7．3．5 DeepSeek-R1-Zero的自我进化过程413
7．3．6 在DeepSeek-R1-Zero的“顿悟时刻”415
7．4 DeepSeek-R1训练方案416
7．4．1 冷启动416
7．4．2 推理导向的强化学习417
7．4．3 拒绝采样和监督微调417
7．4．4 全场景强化学习418
7．5 蒸馏处理419
7．5．1 基础模型的选择与蒸馏过程419
7．5．2 模型蒸馏的技术原理420

《DeepSeek实战技巧精粹》

• 京东：https://item.jd.com/10148733801215.html

编辑推荐

【多场景AI实战指南】深度解析DeepSeek与通义千问等国产AI，100+智能解决方案覆盖办公制表、合同风控、短视频创作、家庭教育、健康管理等应用场景，职场效率翻倍。 【智能生产力革命手册】AI与办公软件深度联动，20+Excel数据自动分析技巧、WPS灵犀一键生成PPT、通义万相迅速生成视频， 附赠10大提示词模板让，AI精准理解用户需求。 【三维能力进阶宝典】从注册到API调用，从思维导图构建到财务报表解读，特别配置医疗报告解析、合同风险预警等专业模块，100+真实案例手把手教学，助力工作生活效率双提升。 【未来竞争力构建指南】聚焦“提示词工程+多模态创作”双核能力，涵盖职场简历优化、亲子教育游戏设计等创新应用，一书赋能，全面提升竞争力。

内容提要

中国的 AI 技术逆势崛起，催生了 DeepSeek 这样革命性的大模型。本书通过 100 多个实例，详细介绍了 DeepSeek 的 功能及在职场办公方方面面的应用。
全书以“技术赋能”为主线，围绕6大核心领域展开：DeepSeek基础知识、DeepSeek赋能智能办公、 使用 DeepSeek 进行短视频与营销内容创作、DeepSeek 辅助家庭教育与学习力提升、使用 DeepSeek进行健康管理与出行规划、国产 AI 大模型应用介绍。
本书适合职场人士、内容创作者、教育工作者及 IT 技术人员阅读。

作者简介

Excel Home是 知名的Excel资源网站之一，Excel Home创始人、站长周庆麟（网名Kevin）是中国 的微软 有价值专家（MVP）之一，参与策划和编写几十本Office技术畅销图书，同时也是一名 的技术顾问和培训讲师，有着丰富的授课经验。

目录

基础篇：轻松上手 DeepSeek 全攻略
第1章 DeepSeek 初探：从注册到畅用 002
技巧 01? ? 官网注册与核心功能速览 003
技巧 02? ? 移动端操作技巧解析 004
技巧 03? ? 获取 DeepSeek API 密钥 005
技巧 04? ? 在 Chatbox AI 中使用 DeepSeek ? 010
技巧 05? ? 在 ima.copilot 中使用 DeepSeek 013
技巧 06? ? 在 WPS 灵犀中使用 DeepSeek 015
技巧 07? ? 专注办公应用的 WPS AI 016
技巧 08? ? 将 DeepSeek 接入 Excel、Word 和 WPS 017
第2章 高效提示词：技巧与模板 021
技巧 01? ? 提示词的 3 大核心作用 022
技巧 02? ? 写提示词的 4 大误区 024
技巧 03? ? 提示词的 5 个常见框架与 4 大基本原则 028
技巧 04? ? 10 个常用的提示词模板 033效率倍增篇：DeepSeek 赋能智能办公
第3章DeepSeek 图表大师：一键生成专业图表 038
技巧 01? ? 思维导图：快速梳理知识结构 039
技巧 02? ? 甘特图：项目管理可视化利器 045
技巧 03? ? 流程图：复杂流程的极简呈现 047
技巧 04? ? 组织结构图：层级关系可视化 048
技巧 05? ? 动态组合数据图表 054
技巧 06? ? 桑基图：资源流向动态追踪 057
技巧 07? ? 旭日图：数据分层拆解 059
技巧 08? ? 雷达图：能力评估坐标系搭建 061
技巧 09? ? 根据图片中的信息生成图表 062
技巧 10? ? 解读图表信息 066
第4章 DeepSeek 写作大师：从创作到排版 068
技巧 01? ? 万字长文框架生成 069
技巧 02? ? 公司年报智能摘要与分析 072
技巧 03? ? 专业级文本润色优化 074
技巧 04? ? 借助 DeepSeek 为 Word 文档排版 077
技巧 05? ? 将会议记录转成标准会议纪要 077
技巧 06? ? 根据知识库内容生成题目 080
技巧 07? ? 核对合同内容是否变 082
技巧 08? ? 评估和预警合同风险 083
技巧 09? ? 生成领导发言稿 086
技巧 10? ? 根据销售数据生成销售分析报告 088
技巧 11? ? 根据日程表生成设备检修计划 092
技巧 12? ? 轻松改变文字内容的风格 094
技巧 13? ? 批量转换 .docx 格式为 .pdf 格式 096
第5章DeepSeek 数据大师：Excel 效率革命 099
技巧 01? ? 借助 DeepSeek 生成常用 Excel 函数的功能描述表 100
技巧 02? ? 借助 DeepSeek 生成常用 Excel 快捷键表格 102
技巧 03? ? 借助 DeepSeek 根据描述自动生成 Excel 公式 104
技巧 04? ? 借助 DeepSeek 根据需求生成 Excel 公式 106
技巧 05? ? 借助 DeepSeek 解读 Excel 公式 108
技巧 06? ? 借助 DeepSeek 对 Excel 公式进行纠错 110
技巧 07? ? 借助 DeepSeek 设置 Excel 条件格式 111
技巧 08? ? 借助 DeepSeek 根据显示效果反查实现步骤 117
技巧 09? ? 借助 DeepSeek 生成 VBA 代码，完成工作表拆分 119
技巧 10? ? 借助 DeepSeek 细化计算需求，提高 VBA 代码适用性 123
技巧 11? ? 借助 DeepSeek 合并多个 Excel 工作簿 124
技巧 12? ? 借助 DeepSeek 修改和解读 VBA 代码 127
技巧 13? ? 借助 DeepSeek 解读公司薪资体系 128
技巧 14? ? 借助 DeepSeek 整理电子发票 130
技巧 15? ? 借助 DeepSeek 解读资产负债表 132
技巧 16? ? 借助 DeepSeek 核验损益表中的问题 136
技巧 17? ? 借助 DeepSeek 解读损益表 138
技巧 18? ? 借助 DeepSeek 根据财务数据自动生成财务报表 141
技巧 19? ? 借助 DeepSeek 将固定资产卡片转换为表格 143
技巧 20? ? 借助 DeepSeek 自动生成产品质量检测报告 144
技巧 21? ? 借助 DeepSeek 将文本内容转换为表格 145
技巧 22? ? 借助 DeepSeek 统计员工考勤数据 146
技巧 23? ? 借助 DeepSeek 解读员工离职数据 148
第6章DeepSeek 演示大师：PPT 智能设计 151
技巧 01? ? DeepSeek+ 通义千问，根据现有文档制作 PPT 152
技巧 02? ? DeepSeek+ 通义千问，迅速优化 PPT 157
技巧 03? ? DeepSeek+WPS 灵犀，根据主题自动生成 PPT 160
第7章DeepSeek 职场助手：从招聘到管理 163
技巧 01? ? 根据岗位需求表格生成招聘简章 164
技巧 02? ? 使用 DeepSeek 写简历，提高应聘成功率 166
技巧 03? ? 将口语化内容转为标准化商务邮件 168
技巧 04? ? 制作问卷调查表 169
技巧 05? ? 分析问卷调查 170
技巧 06? ? 生成年会抽奖器 172
技巧 07? ? 设计排班表 174
技巧 08? ? 生成内容摘要 175
技巧 09? ? 进行多语种翻译 177
技巧 10? ? 从身份证号码中提取关键信息 178
技巧 11? ? 从收件人信息中提取姓名、电话和地址 180
技巧 12? ? 补全地址中的省、市、区（县）信息 181新媒体引擎篇：短视频与营销内容创作指南
第8章 新媒体引擎：短视频与营销内容创作指南 184
技巧 01? ? 制作抖音、小红书短视频封面 185
技巧 02? ? 使用 DeepSeek+ 即梦 AI 生成海报 187
技巧 03? ? 使用 DeepSeek+ 通义万相生成 AI 视频 190
技巧 04? ? 生成抖音分镜脚本 192
技巧 05? ? 生成朋友圈推广文案 193智慧成长篇：家庭教育与学习力提升方案
第9章亲子互动宝典：学习与游戏 196
技巧 01? ? 生成 20 以内的加减法练习题 197
技巧 02? ? 生成带拼音的生字表 198
技巧 03? ? 生成生字卡 198
技巧 04? ? 生成“反义词消消乐”小游戏 200
技巧 05? ? 借助 DeepSeek 背单词 201
技巧 06? ? 设计家庭互动游戏 204
技巧 07? ? 生成小学生手抄报模板 205
第 10 章 学业加速器：规划与提升 208
技巧 01? ? 使用 DeepSeek 量身 学习规划 209
技巧 02? ? 使用 DeepSeek 做试题知识点总结 210
技巧 03? ? 使用 DeepSeek 解读古诗词 211
技巧 04? ? 使用 DeepSeek 批改作文 213
技巧 05? ? 使用 DeepSeek 拍照解题 214
技巧 06? ? 使用 DeepSeek 生成读后感 216
技巧 07? ? 使用 DeepSeek 设计跨学科课程 217
技巧 08? ? 使用 DeepSeek 设计小学生 诗词游戏 220
技巧 09? ? 使用 DeepSeek 按学科生成模拟试卷 223
智享生活：健康管理与出行规划系统
第 11 章智享生活：健康管理与出行规划 225
技巧 01? ? 生成就诊检查注意事项 226
技巧 02? ? 设计健康食谱 227
技巧 03? ? 解读医学检验报告单 230
技巧 04? ? 量身 健身计划 232
技巧 05? ? 规划旅游行程 234百花齐放：国产AI大模型
第 12 章 国产 AI 新势力：应用案例集锦 238
技巧 01? ? 使用通义千问实时记录会议内容 239
技巧 02? ? 使用通义千问将音视频内容转为文字、总结和脑图 242
技巧 03? ? 使用通义千问快速转换图片和 PDF 文档 245
技巧 04? ? 使用秘塔 AI 搜索查询专业问题 249
技巧 05? ? 使用秘塔 AI 搜索快速生成报告 251