摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 语义解析 情感分析（评论、反馈） 意图识别（客服对话、用户查询） 实体提取（人名、地点、事件） 文本分类 文本分类 主题标签生成（如新闻分类） 垃圾内容检测 编程与代码相关 代码调试 • 错 误 分 析 与 修 决方案 伦理问题 作为受控工具，几乎没有伦理问题 引发自主性和控制问题的伦理讨论 CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成 一个自我强化的正反馈循环。 ▪ 冲突调和：看似矛盾的元素组合可能产生意想不到的积极效果。 ▪ 涌现属性：某些元素组合可能产生单个元素所不具备的新特性。 目标 主要元素组合 次要元素组合 组合效果 提高输出准确性

摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 语义解析 情感分析（评论、反馈） 意图识别（客服对话、用户查询） 实体提取（人名、地点、事件） 文本分类 文本分类 主题标签生成（如新闻分类） 垃圾内容检测 编程与代码相关 代码调试 • 错 误 分 析 与 修 决方案 伦理问题 作为受控工具，几乎没有伦理问题 引发自主性和控制问题的伦理讨论 CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。 前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合 适的模型，实现最佳效果。 提示语策略差异 1 2 推理模型 通用模型 • 提示语更简洁，只需明确任务目标和 需求（因其已内化推理逻辑）。 提示语元素协同效应理论的核心观点包括： ▪ 互补增强：某些元素组合可以互相弥补不足，产生1+1>2的效果。 ▪ 级联激活：一个元素的激活可能引发一系列相关元素的连锁反应，形成 一个自我强化的正反馈循环。 ▪ 冲突调和：看似矛盾的元素组合可能产生意想不到的积极效果。 ▪ 涌现属性：某些元素组合可能产生单个元素所不具备的新特性。 目标 主要元素组合 次要元素组合 组合效果 提高输出准确性

多语言翻译与本地化 l 结构化生成 表格 、列表生成（如日程安排 、 菜谱） 代码注释 、文档撰写 文本生成 文本生成 03 02 01 语义分析 • 语义解析 • 情感分析(评论、反馈) • 意图识别(客服对话、用户查 询) • 实体提取(人名、地点、事件) 知识推理 • 知识推理 • 逻辑问题解答(数学、常识 推 理 ) • 因果分析(事件关联性) 自然语言理解与分析 的决策。 成本更低： 减少了对培训资源的依赖，新员工可以通过DeepSeek 自主学习，降低培训成本。通过提高工作效率，减少了 人力资源的浪费，降低了整体运营成本。 场景3：日常客户沟通与问题反馈处理 常见问题： 与甲方客户的沟通效率低，信息不对称，导致响应不及时或错误 场景：在日常与甲方客户的沟通中，客户服务人员或项目经理经常需要快速响应客户的各种问 题，例如： • 我们公司的最新促销活动是什么？ 减少错误： 自动化回答和信息整合功能，减少了人工错误的可能性。 提升客户满意度： 通过快速、准确的响应，客户会感受到你的专业性和效率，从而提升对你的信任和满意度。 场景3：日常客户沟通与问题反馈处理 场景4：项目中急需请假 如何开口 场景：你负责的项目正处于关键阶段（如产品上线前一周），团队每天加班。此时，家中老人突发中风住院， 你需要请假3天回老家处理。你担心领导认为你“临阵脱逃”

的⽅式解决。 超级应⽤：模型的微调可能最终不存在
海外独⻆兽：Google
和抖⾳背后的搜索和推荐有很强的⻜轮效应，算法能根据⽤⼾的⾏为实时反 馈，⽤⼾体验也能不断提升。LLM
现在⽆法实时反馈⽤⼾⾏为，AI-Native
产品的⻜轮效应会是什 么？ 杨植麟：我深⼊思考过这个问题。AI-Native
产品最终的核⼼价值是个性化交互，这是以前技术实现得 不好的，所以这个问题其实是关于个 越强时，所有东西只需要放在内存⾥就可以。⽐如你的⼤模型内存有⼀堆
prefix
这样的东西⽤来
follow，成本可以降到⾮常低。最终，你对模型个性化的过程实际上就是你所有的交互历史，也是⼀ 个包含了你的偏好和反馈的集合，这些反馈会⽐上个时代的产品更直接，因为它是完全通过对话界⾯ 产⽣的。 基于这个判断，进⼀步就会想：如何在技术层⾯实现基于
long-context
的定制化去完全取代微调？
我认为现在正在往 的 短期技术关注。⽐如，“⻓上下⽂”技术的价值，可能很难第⼀时间让⽤⼾感知到。但通过Kimi智能 助⼿，就可以直接触达⽤⼾。我们希望让技术成为⽤⼾⽇常⽣活中⼀旦接触就不可或缺的助⼿，以真 实的反馈做来迭代模型，尽早地创造实际价值。 36氪：ChatGPT出来之后，这半年你的⼼情是怎么样的？
杨植麟：这⼀年来，我是百感交集。如果是什么可控核聚变的突破，那其实跟我也没什么关系，但这 个事

通过分析海量商品数据 揭示市场趋势，帮助商 家精准定位消费者需求， 把握市场动态。 对比产品参数 自动收集并对比同类产 品参数，突出性能差异， 简化消费者的决策流程。 整合用户反馈 整合用户反馈，提炼关 键意见，确保购买决策 基于真实用户体验，提 高决策质量。 提供定制建议 结合个人偏好与历史行 为，提供定制化的购买 建议，提升用户的购物 满意度。 简化决策流程 通过突出产品性能差异， 消费决策场景案例：需求识别，产品匹配 提供深入的市场趋势、消费者行为洞察及竞争格局，为企业制定精准的商业策略提供支持。 01 02 03 04 数据来源：社交媒体、市场调查、 行业报告、消费者反馈等。 信息发现 推理分析 信息整合 生成定制化的商业报告，帮助管理层理解市场 格局、识别潜在机会和风险，做出明智决策。 输出报告 将不同来源的结构化和非结构化数据进行 整合，形成全面的市场和消费者视角。 基于推理技术，实时预测未来的 市场需求或用户行为。 • 根据预测结果优化资源分配和决 策流程，确保高效性。 动态预 测与优 化 • 通过数据反馈（如实际的使用情 况）更新模型参数。 • 进行持续优化，提升系统的适应 能力和效率。 反馈与 迭代  端到端任务自动化  人机共生新范式  重塑企业运营效能 • 通过技术创新、优化结构和提升效 率，实现企业的可持续发展。 数字化转

启用原文审校 启用 此功能时报告源字符串错误。选择一个适合您要讨论的主题。源字符串注释无 论如何都有助于提供对原始字符串的反馈，例如应该改写它或提出有关它的问 题。 你可以在所有评论中使用 Markdown 语法，并使用 @mention 提及其他用 户。 参见 接收源字符串反馈, 源字符串复查, 启用原文审校 变体 变体用于对字符串的不同长度变体进行分组。然后，项目的前端可以根据屏幕 或窗口大小使用不同的字符串。 的 贡献。 在翻译视图底部有个复查工具，可以在那里选择浏览给定时间以来其他人 进行的翻译。 参见 翻译工作流 如何提供源字符串的反馈？ 在翻译下方的上下文选项卡中，可以通过 评论 选项卡提供源字符串的反馈， 或者与其他翻译者讨论。 参见 接收源字符串反馈, 评论 翻译时如何使用现有的翻译？ 得益于共享的翻译记忆库，Weblate 中的所有翻译都可以使用。 你可以将现有翻译记忆库导入 ormats/flatxml.html] Windows RC 文件 在 4.1 版本发生变更: 对Windows RC文件的支持已被重写。 备注 对这种格式的支持目前处于测试阶段，欢迎测试反馈。 Windows RC 文件示例： LANGUAGE LANG_CZECH, SUBLANG_DEFAULT STRINGTABLE BEGIN IDS_MSG1

启用原文审校 启用 此功能时报告源字符串错误。选择一个适合您要讨论的主题。源字符串注释无 论如何都有助于提供对原始字符串的反馈，例如应该改写它或提出有关它的问 题。 你可以在所有评论中使用 Markdown 语法，并使用 @mention 提及其他用 户。 参见 接收源字符串反馈, 源字符串复查, 启用原文审校 变体 变体用于对字符串的不同长度变体进行分组。然后，项目的前端可以根据屏幕 或窗口大小使用不同的字符串。 的 贡献。 在翻译视图底部有个复查工具，可以在那里选择浏览给定时间以来其他人 进行的翻译。 参见 翻译工作流 如何提供源字符串的反馈？ 在翻译下方的上下文选项卡中，可以通过 评论 选项卡提供源字符串的反馈， 或者与其他翻译者讨论。 参见 接收源字符串反馈, 评论 翻译时如何使用现有的翻译？ 得益于共享的翻译记忆库，Weblate 中的所有翻译都可以使用。 你可以将现有翻译记忆库导入 ormats/flatxml.html] Windows RC 文件 在 4.1 版本发生变更: 对Windows RC文件的支持已被重写。 备注 对这种格式的支持目前处于测试阶段，欢迎测试反馈。 Windows RC 文件示例： LANGUAGE LANG_CZECH, SUBLANG_DEFAULT STRINGTABLE BEGIN IDS_MSG1

启用原文审校 启用 此功能时报告源字符串错误。选择一个适合您要讨论的主题。源字符串注释无 论如何都有助于提供对原始字符串的反馈，例如应该改写它或提出有关它的问 题。 你可以在所有评论中使用 Markdown 语法，并使用 @mention 提及其他用 户。 参见 接收源字符串反馈, 源字符串复查, 启用原文审校 变体 变体用于对字符串的不同长度变体进行分组。然后，项目的前端可以根据屏幕 或窗口大小使用不同的字符串。 的 贡献。 在翻译视图底部有个复查工具，可以在那里选择浏览给定时间以来其他人 进行的翻译。 参见 翻译工作流 如何提供源字符串的反馈？ 在翻译下方的上下文选项卡中，可以通过 评论 选项卡提供源字符串的反馈， 或者与其他译者讨论。 参见 接收源字符串反馈, 评论 翻译时如何使用现有的翻译？ 得益于共享的翻译记忆库，Weblate 中的所有翻译都可以使用。 你可以将现有翻译记忆库导入 Weblate。 ormats/flatxml.html] Windows RC 文件 在 4.1 版本发生变更: 对Windows RC文件的支持已被重写。 备注 对这种格式的支持目前处于测试阶段，欢迎测试反馈。 Windows RC 文件示例： LANGUAGE LANG_CZECH, SUBLANG_DEFAULT STRINGTABLE BEGIN IDS_MSG1

启用原文审校 启用 此功能时报告源字符串错误。选择一个适合您要讨论的主题。源字符串注释无 论如何都有助于提供对原始字符串的反馈，例如应该改写它或提出有关它的问 题。 你可以在所有评论中使用 Markdown 语法，并使用 @mention 提及其他用 户。 参见 接收源字符串反馈, 源字符串复查, 启用原文审校 变体 变体用于对字符串的不同长度变体进行分组。然后，项目的前端可以根据屏幕 或窗口大小使用不同的字符串。 的 贡献。 在翻译视图底部有个复查工具，可以在那里选择浏览给定时间以来其他人 进行的翻译。 参见 翻译工作流 如何提供源字符串的反馈？ 在翻译下方的上下文选项卡中，可以通过 评论 选项卡提供源字符串的反馈， 或者与其他译者讨论。 参见 接收源字符串反馈, 评论 翻译时如何使用现有的翻译？ 得益于共享的翻译记忆库，Weblate 中的所有翻译都可以使用。 你可以将现有翻译记忆库导入 Weblate。 ormats/flatxml.html] Windows RC 文件 在 4.1 版本发生变更: 对Windows RC文件的支持已被重写。 备注 对这种格式的支持目前处于测试阶段，欢迎测试反馈。 Windows RC 文件示例： LANGUAGE LANG_CZECH, SUBLANG_DEFAULT STRINGTABLE BEGIN IDS_MSG1

启用原文审校 启用 此功能时报告源字符串错误。选择一个适合您要讨论的主题。源字符串注释无 论如何都有助于提供对原始字符串的反馈，例如应该改写它或提出有关它的问 题。 你可以在所有评论中使用 Markdown 语法，并使用 @mention 提及其他用 户。 参见 接收源字符串反馈, 源字符串复查, 启用原文审校 变体 变体用于对字符串的不同长度变体进行分组。然后，项目的前端可以根据屏幕 或窗口大小使用不同的字符串。 的 贡献。 在翻译视图底部有个复查工具，可以在那里选择浏览给定时间以来其他人 进行的翻译。 参见 翻译工作流 如何提供源字符串的反馈？ 在翻译下方的上下文选项卡中，可以通过 评论 选项卡提供源字符串的反馈， 或者与其他译者讨论。 参见 接收源字符串反馈, 评论 翻译时如何使用现有的翻译？ 得益于共享的翻译记忆库，Weblate 中的所有翻译都可以使用。 你可以将现有翻译记忆库导入 Weblate。 ormats/flatxml.html] Windows RC 文件 在 4.1 版本发生变更: 对Windows RC文件的支持已被重写。 备注 对这种格式的支持目前处于测试阶段，欢迎测试反馈。 Windows RC 文件示例： LANGUAGE LANG_CZECH, SUBLANG_DEFAULT STRINGTABLE BEGIN IDS_MSG1