深入理解 DeepSeek 与企业实践（五）：知识库、Manus、代码生成三大场景的原理、评测与部署

在我们前几篇文章中，我们深入探讨了 DeepSeek-R1 系列模型（蒸馏版7B、32B，以及671B 量化版和非量化版）的部署和推理原理。

• 深入理解 DeepSeek 与企业实践 (一) ：蒸馏、部署与评测

• 深入理解 DeepSeek 与企业实践 (二) ：32B多卡推理的原理、硬件散热与性能实测

• 深入理解 DeepSeek 与企业实践 (三) ：671B 超低成本部署方法与效果评测

• 深入理解 DeepSeek 与企业实践 (四) ：671B满血版部署和性能优化思路

然而，面对如此多样的模型选择，企业在实际应用中常常困惑：哪种模型适合特定场景？该使用推理模型还是通用模型？不同模型的投入成本与性能表现如何平衡？本文将针对这些问题，先对目前最常见也火爆的知识库、代码辅助和智能体（Manus）场景进行分析，最后结合当前硬件成本和实际企业应用场景，提供系统的分析和建议。

本文目录

一、场景 1：知识库

二、场景 2：代码辅助

三、场景 3：智能体（Manus）

四、企业 AI Infra 建设方案建议

五、总结与展望

场景 1：知识库

企业知识库应用是大模型落地最常见的场景，对于简单的、对幻觉容忍度较高的场景，例如旅游景点问答或内部辅助等场景，业界已经形成了非常标准的 RAG 三件套——embedding + LLM + rerank（文档切片、向量化、检索内容重排、大模型总结答案），在上述简单场景中已经可以运用到实践中。

但在要求更高的企业场景中，知识库常常是“Demo 三天、优化半年”，这是因为在企业实际应用中，知识库的核心技术 RAG 往往会面临诸多挑战。根据业内实践，知识库部署主要存在以下难点：

1. 多跳问题处理
   多跳问题常见于企业报告数据整理环节、大量同义近义用语乃至指代等场景，如"从多份报表中找出企业近三年的复合增长率并与竞对比较"。这类问题需要模型具备理解意图、拆分实体和进行多步推理的能力。

2. 上下文内容丢失问题

   企业文档中的关键信息如时间、区域标记往往分散在文档不同位置，传统 chunking 方法容易造成信息丢失。例如，财报中年份信息可能只在文件名和大标题出现，导致分割后的文本片段失去时间背景。

3. 结构化数据处理
   企业需要同时处理结构化数据（如数据库、Excel 表格）和非结构化数据。大模型原生处理的是非结构化数据，但企业场景中结构化数据同样重要。

4. 计算与逻辑推理问题

   在一些场景里，需要对输入信息进行综合计算和推理，例如已知某些配件的价格，需要计算总体的成本等。

5. 多模态内容解析
   企业文档中包含大量图表、思维导图等复杂视觉内容，需要布局识别和理解能力，而非简单的 OCR。

对此，业界也提出了诸如问题分类（Routing）、问题优化（Rewriting）、知识图谱（GraphRAG）、复杂文档提取等方法，但这些方法往往涉及不同模型的配合，那么如何选择模型、如何让模型快速配合、确保每个步骤的落地就变成了关键问题。

（图片来自网络）

接下来，我们将这些业界方案分为“知识构建”、“知识检索”和“答案生成”三个阶段来看。

阶段 1：知识构建