[LLM+AIGC] 09.零基础DeepSeek辅助论文阅读及UPDF生成论文思维导图

近年来，人工智能技术火热发展，尤其随着ChatGPT和DeepSeek被提出，其能够基于在预训练阶段所见的模式、统计规律和知识来生成回答，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流以及完成复杂的NLP任务。基于此，为更好地学习前沿AI知识，了解LLM和AIGC应用实战，本人开启了《LLM+AIGC》专栏，一方面作为在线笔记记录和分享自己的学习过程，另一方面期望帮助更多初学者以及对LLM感兴趣的同学。知识无价人有情，希望我们都能在人生路上开心快乐、共同成长。

该系列主要涵盖三方面：

• 原理篇——以原理介绍和论文阅读为主
• 实战篇——以编程实现和构建自制LLM和RAG为主
• 应用篇——以应用实践和API、Prompt探索为主

前一篇文章带领大家利用DeepSeek生成可视化科研图形，通过NapKin和ChatExcel工具分别生成科研的时间轴和可视化图表。这篇文章将探索如何利用DeepSeek赋能实现科研论文阅读，包括公式自动识别，论文智能总结等，并利用UPDF工具开展论文思维导图AI实践，大家可以结合自己需求进行尝试。基础性文章，希望对初学者有所帮助，尤其是从事科学研究的童鞋！且看且珍惜，加油 O(∩_∩)O

前文赏析：

• [LLM+AIGC] 01.应用篇之中文ChatGPT初探及利用ChatGPT润色论文对比浅析（文心一言 | 讯飞星火）
• [LLM+AIGC] 02.零基础DeepSeek入门初探及云端搭建详解（ChatGPT对比）
• [LLM+AIGC] 03.零基础DeepSeek云端（硅基流动、腾讯云、国家超算平台）搭建及API接入
• [LLM+AIGC] 04.零基础DeepSeek接入WPS实现智能办公
• [LLM+AIGC] 05.零基础DeepSeek接入Kimi自动生成PPT（威胁狩猎领域）
• [LLM+AIGC] 06.零基础DeepSeek+Cherry Studio搭建个人知识库（安全论文）
• [LLM+AIGC] 07.零基础DeepSeek生成可视化科研图形（思维导图、流程图、词云图）
• [LLM+AIGC] 08.零基础DeepSeek生成可视化科研图形（NapKin + ChatExcel）
• [LLM+AIGC] 09.零基础DeepSeek辅助论文阅读及UPDF生成论文思维导图

---

一.DeepSeek提取论文可编辑公式

首先，如何实现DeepSeek一键识别公式呢？
我们以NDSS 2025，来自浙大和蚂蚁团队的最新论文《RACONTEUR: A Knowledgeable, Insightful, and Portable LLM-Powered Shell Command Explainer》为例。该篇论文值得大家学习，其框架图如下所示：

第一步，打开论文并截图要识别的公式。 假设需要识别并生成如下可编辑的公式，只截取公式部分。

第二步，粘贴在DeepSeek官网对框架中，并输入提示识别公式（非联网搜索模式）。

提示词：
请帮我识别该公式，并将其转换为Word能识别的格式。

DeepSeek输出结果如下：

t_c = \arg\max_{i \in \mathbb{I}} \mathcal{S} \left( \mathcal{V}(d), \mathcal{V}(s_i) \right)

第三步，在Word中插入公式并粘贴Latex。

第四步，如果读者WPS无法正常显示公式，请文章安装MathType面板嵌入器。

• https://www.wlhex.com/zixunzhongxin/jidugs/70001.html

温馨提示：
如果程序运行完成依然没有mathtype面板，需要在wps中面板中选择[工具]下面的[加载项]，并勾选MathPage.wll和MathType Commands 2016.dotm 【启用】文件并确定，在专业版中是【开发工具】。

第五步，重启WPS再次执行插入公式操作（添加$符号），WPS此时能看到“切换TeX”等界面。

第六步，选中需要转换的内容，然后在WPS面板找到mathtype，再点击mathtype选项卡下的“切换tex”即可完成转换。

生成的公式还能够进行编辑。

此外，我们甚至可以让DeepSeek结合公式生成对应的MATLAB代码。

---

二.UPDF工具赋能论文阅读

UPDF是一款AI智能PDF编辑器，具体优势如下：

• 支持AI总结、翻译、摘要、解释PDF文档
• PDF编辑、注释、阅读、OCR等170+功能
• 多端云同步，随时随地编辑、签署PDF
• PDF文档和图片，AI一键生成思维导图
• UPDF已接入DeepSeek R1满血版

第一步，从官网下载该软件并安装。

打开界面如下图所示：

第二步，从本地知识库中拖入需要阅读的论文PDF。

第三步，点击右下角UPDF AI按钮，并总结PDF论文，点击“开始”按钮。

• 该软件能实现很多功能，这里主要使用UPDF AI。

生成结果如下图所示，对论文进行了简要总结。

• 需要优化：Shell命令解释器 -> 壳命令解释器

同时包括常见的提问：

第四步，点击“思维导图”，会动态生成论文的图谱。

最终结果如下图所示：

最终结果如下所示，帮助我们阅读论文，同时生成了实验详细的思维导图。

此外，该软件读者长期使用可能需要购买服务。

---

三.DeepSeek赋能论文阅读

接下来我们使用DeepSeek实现类似的功能，赋能实现高校论文阅读。

第一步，打开DeepSeek并上传论文PDF文件。

提示词：
假设您是一名网络安全领域的专家，请您详细讲述这篇文献的内容，要出给出论文的创新点，整个方法的逻辑框架，以及对比实验所取得的效果。

输出结果如下图所示：

由于这篇最新论文非常不错，这里我给出它的一些描述：

第二步，点击可以查看这篇文献的原文内容。

此外，我们可以截图进行一步辅助论文阅读。

第三步，截取框架图让DeepSeek帮忙解读内容。

提示词：
请您详细讲解这幅框架图的内容和细节。

生成内容如下所示：

# RACONTEUR推理流程框架图详解

## 1. **用户/系统输入**
- **Security Analyst（安全分析师）**  
  - **用户直接查询**：  
    - 格式：`What does the command mean? <command>`  
    - 示例：`解释命令 bash -c '0<&137-...'`  
  - **系统自动触发（IDS）**：  
    - 格式：`Alert <command>`  
    - 示例：入侵检测系统捕获可疑命令 `rundll32.exe keymgr,KRShowKeyMgr` 并生成警报。  

---

## 2. **文档增强处理**
- **Doc-Augmented Enhancer（文档增强器）**  
  - **输入**：原始命令（如 `bash -c '0<&137-...'`）  
  - **处理逻辑**：  
    1. 使用 **CD2Vec模型** 检索相关文档：  
       - 从公共知识库（如Linux手册页）或私有文档（企业内部工具说明）中提取上下文。  
    2. 构建增强提示模板：  
       - 格式：  
         ```
         The command documentation is as follows: <documentation>  
         Answer the question below according to the documentation above: <user_query>  
         ```
       - 示例：  
         ```
         [文档]：`bash -c` 用于执行字符串中的命令。  
         [问题]：解释 `bash -c '0<&137-...'` 的作用。  
         ```

---

## 3. **行为解释生成**
- **Command Behavior Explainer（命令行为解释器）**  
  - **输入**：文档增强后的提示词。  
  - **处理逻辑**：  
    - 基于微调的 **ChatGLM2-6B** 模型生成解释，分为两部分：  
      1. **分步解释（Step-by-Step Explanation）**：  
         - 示例：  
           ```
           * bash -c: 调用Bash shell执行后续命令。  
           * 0<&137-: 重定向标准输入到文件描述符137并关闭。  
           ```
      2. **整体行为总结（Overall Behavior）**：  
         - 示例：`该命令尝试建立反向Shell连接以实现远程控制。`  
  - **输出**：结构化解释文本（含潜在恶意行为标记）。  

---

## 4. **意图识别与匹配**
- **Intent Identifier（意图识别器）**  
  - **输入**：行为解释的总结文本（如“建立反向Shell连接”）。  
  - **处理逻辑**：  
    1. **BD2Vec模型编码**：  
       - 将行为描述（如“重定向输入输出至网络端口”）与MITRE ATT&CK技术描述映射到同一向量空间。  
    2. **相似度匹配**：  
       - 计算与MITRE ATT&CK技术库的余弦相似度，匹配最相关的技术（如 `T1548: Abuse Elevation Control Mechanism`）。  
    3. **战术推导**：  
       - 根据技术关联的战术（如 `TA0005: Defense Evasion`）生成最终意图标签。  
  - **输出**：标准化攻击标签（如 `I1548: 权限提升滥用`）。  

---

## 5. **结果反馈**
- **Security Analyst（安全分析师）**  
  - **最终输出**：  
    - **分步解释**：技术细节展示。  
    - **意图标签**：映射到MITRE ATT&CK的标准化技术（如 `I1548`）和战术（如 `TA0005`）。  
  - **用途**：  
    - 帮助分析师快速定位攻击手段（如“凭据转储”），并参考MITRE知识库制定防御策略。  

---

### 流程图关键路径
```mermaid
graph TD
    A[用户/IDS输入命令] --> B[文档增强器检索上下文]
    B --> C[构建增强提示词]
    C --> D[行为解释器生成分步解释]
    D --> E[意图识别器匹配MITRE技术]
    E --> F[输出标准化攻击标签]

第四步，截取公式让DeepSeek帮忙解读数学知识。

提示词：
请您详细讲解这个公式的内容。

第五步，生成Markdown格式并导出思维导图（结合前面的博客内容）。

提示词：
请您精准总结这篇论文的内容，并形成Markdown格式，以生成这篇论文的思维导图。

输出结果如下图所示：

对应内容如下：

# RACONTEUR: LLM-Powered Shell命令解释器

## 1. 研究背景
- **问题**：恶意Shell命令的复杂性和隐蔽性导致安全分析师难以理解其意图。
- **现有LLM缺陷**：
  - 缺乏网络安全领域专业知识。
  - 对未训练过的私有命令易产生幻觉（虚构解释）。

## 2. 核心创新点
- **专业知识注入**：
  - 结合恶意命令库（Atomic Red Team、Metta）和良性命令库（NL2Bash）微调LLM。
  - 生成分步行为解释（Step-by-Step）和整体意图总结（Overall）。
- **意图识别技术**：
  - 提出BD2Vec模型，将自然语言解释映射到MITRE ATT&CK框架的**技术**（Technique）和**战术**（Tactic）。
- **文档增强可移植性**：
  - 设计CD2Vec模型，通过检索私有文档增强对未训练命令的解释能力。

## 3. 方法框架
### 3.1 行为解释器（Behavior Explainer）
- **输入**：用户查询（如`bash -c '0<&137-...'`）。
- **处理**：
  - 基于微调的ChatGLM2-6B生成分步解释。
  - 结合模板生成多样化提示（如“请解释命令X” → “请详细分解命令X”）。
- **输出**：行为解释（含潜在恶意行为警告）。

### 3.2 意图识别器（Intent Identifier）
- **输入**：行为解释的总结文本。
- **处理**：
  - 使用BD2Vec模型对齐行为描述与MITRE ATT&CK标准描述。
  - 通过相似度匹配确定攻击技术（如T1003）和战术（如TA0006）。
- **输出**：标准化攻击意图标签。

### 3.3 文档增强器（Doc-Augmented Enhancer）
- **输入**：用户查询中的命令。
- **处理**：
  - 利用CD2Vec模型从文档库（Linux手册页/企业私有文档）检索上下文。
  - 增强LLM输入的提示信息（如补充私有参数说明）。
- **输出**：文档增强的提示词。

## 4. 实验效果
### 4.1 行为解释性能
| 模型           | ROUGE-1（恶意） | BLEU-4（恶意） | 用户评分（恶意） |
|----------------|-----------------|----------------|------------------|
| GPT-4          | 45.5            | 40.5           | 3.8/5            |
| RACONTEUR      | **68.9**        | **59.5**       | **4.5/5**        |

### 4.2 意图识别性能
- **Top-1准确率**：52.4%（vs. GPT-4的28.1%）。
- **Top-5准确率**：83.0%（vs. GPT-4的34.9%）。

### 4.3 文档检索性能
- **AUC-ROC**：0.981（优于Sentence-T5等基线模型）。

## 5. 未来方向
- **混淆命令分析**：支持Base64编码等复杂混淆技术。
- **会话级分析**：从单条命令扩展至完整Shell会话的意图识别。
- **多模态日志处理**：整合网络日志、数据库日志分析。
- **更大基座模型**：探索LLaMA-2等模型提升性能。

---

**思维导图关键词**：  
`恶意Shell命令解释` → `专业知识注入` → `MITRE ATT&CK映射` → `文档增强` → `行为解释器` → `意图识别器` → `ROUGE-68.9` → `AUC-0.981`

将内容复制到Markdown文件并存储至本地，然后使用XMind软件导入打开该文件。显示如下图所示，实现了UPDF类似的功能。

---

四.总结

写到这里，这篇文章介绍结束，希望对您有所帮助！

作为原创博客创作者和程序员，大模型对我们的影响极大，拥抱变化，紧紧跟随。本文主要带领大家了解什么是LLM、AIGC、DeepSeek和ChatGPT。基础性文章，希望对您有所帮助。后续作者会继续深入，分享更多LLM和AIGC内容，加油，共勉！

2024年4月28日是Eastmount的安全星球——『网络攻防和AI安全之家』正式创建和运营的日子，该星球目前主营业务为 安全零基础答疑、安全技术分享、AI安全技术分享、AI安全论文交流、威胁情报每日推送、网络攻防技术总结、系统安全技术实战、面试求职、安全考研考博、简历修改及润色、学术交流及答疑、人脉触达、认知提升等。下面是星球的新人券，欢迎新老博友和朋友加入，一起分享更多安全知识，比较良心的星球，非常适合初学者和换安全专业的读者学习。

目前收到了很多博友、朋友和老师的支持和点赞，尤其是一些看了我文章多年的老粉，购买来感谢，真的很感动，类目。未来，我将分享更多高质量文章，更多安全干货，真心帮助到大家。虽然起步晚，但贵在坚持，像十多年如一日的博客分享那样，脚踏实地，只争朝夕。继续加油，再次感谢！

(By:Eastmount 2025-03-17 夜于贵州 http://blog.youkuaiyun.com/eastmount/ )

---