1. DeepSeek+DeepResearch： 让科研像聊天一样简单 清华大学 新闻与传播学院、人工智能学院 双聘教授 @新媒沈阳 团队 北京航空航天大学 29系人文与社会科学高等研究院 何静（助理教授）

2. 科研类别 研究论文 研究报告 软著专利 基金课题 ......

3. 能做什么？ 要怎么做？ 效果如何？

4. 一 能做什么？

5. 科研面临的主要挑战 挑 战 解 释 例 如 课题研究的复杂性 与跨学科性 数据膨胀与 管理难题 科研周期长，创新过 程漫长且高风险 知识碎片化与 信息过载 资源分配与 科研管理的效率问题 现代科研越来越趋向跨学 科，单一学科的边界逐渐 模糊 科研领域尤其是大数据相 关的研究，产生的数据量 急剧增加，数据的存储、 分析和处理变得愈加复杂 科研的创新过程通常漫长 且充满不确定性，高质量 的科研成果往往需要数年 甚至几十年的积累 现代科研文献数量庞大， 信息过载，科研人员难以 有效地从中获取所需的关 键信息 科研项目涉及大量资金、 设备和人员的协调，如何 确保资源高效利用与合理 分配是科研管理的难题  科研问题涉及多个领 域的知识，往往需要 结合不同学科的理论 和方法  科研人员需要在复杂 多变的学科交叉中找 到解决方案  从实验数据到文献数 据，科研过程产生的 所有数据量庞大，且 格式、类型各异  如何高效管理、分析 和提取有价值信息是 科研面临的巨大挑战 尽管科技发展迅速，但 科研工作本身的高复杂 性与高不确定性导致了 创新的周期长且投入高 随着科研领域不断扩展， 新文献的出版速度不断 加快。科研人员往往面 临大量无关信息的干扰， 需要快速筛选和提取对 自己研究有价值的内容 科研项目往往涉及大量 资金、设备和人员的协 调，如何确保资源高效 利用与合理分配是科研 管理的难题 生命科学与人工智能的 结合、物理学与材料科 学的结合等，往往要求 科研人员具备更广泛的 知识和技术储备 基因组学研究、天文学 中的大规模观测数据， 如何从中提取出有意义 的规律和趋势？ 新药研发从最初的实验 设计到临床应用往往需 要十年以上的时间，且 成功率低 文献中可能充斥着重复 研究、非核心信息或学 术噪音，如何从中找到 真正有用的知识点？ 一个跨学科的研究项目 可能需要协调不同领域 的专家，如何在有限的 时间和经费内取得最大 成果

6. AI赋能科研全新维度 01 协同共创 智启科研 团队合作，共享智慧 | 资源整合，协同发力 | 跨界协作，创新无界 02 提效加速 激发创新 智能助力，提升效率 | 流程优化，激发创造 | 智慧分析，揭示趋势 03 智能检索 精准分析 智能搜索，精确定位 | 自动筛选，信息提取 | 深度分析，洞察真相 04 清洗数据 挖掘智慧 数据清理，优化结构 | 自动处理，提升精度 | 智慧分析，揭示趋势 05 呈现数据 直观展示 图表呈现，信息明晰 | 数据可视，快速解读 | 动态展示，精准传递 06 优化设计 提升精度 历史数据，优化条件 | 智能预测，精确实验 | 精准控制，优化输出 07 识别模式 预见未来 数据识别，发现规律 | 趋势预测，掌握先机 | 智能推理，洞察未来 08 支持决策 精准判断 数据支持，决策精准 | 智能推荐，优化选择 | 实时反馈，快速响应 09 自动实验 提升效率 自动操作，减少错误 | 设备联动，提高精度 | 智能控制，优化过程 10 挖掘知识 创新发现 数据挖掘，发掘新知 | 知识萃取，创新突破 | 智能发现，发现潜力 11 优化项目 精准管理 规划精确，资源合理 | 风险预警，精准把控 | 数据分析，优化决策 12 推广成果 扩大影响 智能传播，成果推广 | 影响提升，快速传播 | 公共接受，科研价值

7. 本质：以多agent实现从数据采集到可视全流程 数据采集 数据处理 AIGC 数据应用 数据分析 通过编写爬虫代码、访问数据库、读取文件、调用API等方式，采 集社交媒体数据、数据库内容、文本数据、接口数据等。 通过数据清洗、数据集成、数据变换、特征工程等方式，实 现数据纠错、数据整合、格式转换、特征提取等。 对数据进行诊断、预测、关联、聚类分析，常用于问题 定位、需求预测、推荐系统、异常检测等。 数据挖掘 对数据进行分类、社交网络分析或时序模式挖掘，常用 于客户细分、信用评分、社交媒体营销、股价预测等。 数据可视化 将数据转化为统计图、热力图、网络关系图、词云、树形 图等，用于揭示数据中蕴含的模式、趋势、异常和洞见。

8. 模型特点 DeepSeek R1  高效推理：专注于低延迟和 高吞吐量，适合实时应用。  轻量化设计：模型结构优化， 资源占用少，适合边缘设备 和移动端。  多任务支持：支持多种任务， 如文本生成、分类和问答。 Open AI o3 mini  小型化设计：轻量级模型， 适合资源有限的环境。  快速响应：优化推理速度， 适合实时交互场景。  通用性强：适用于多种自 然语言处理任务，如对话 生成和文本理解。 Claude 3.5 sonnet  平衡性能：在模型大小和 性能之间取得平衡，适合 中等规模任务。  多模态支持：支持文本和 图像处理，扩展应用场景。  可解释性：注重模型输出 的可解释性和透明性。 Kimi k1.5  垂直领域优化：针对特定领域 （如医疗、法律）进行优化， 提供高精度结果。  长文本处理：擅长处理长文本 和复杂文档，适合专业场景。  定制化能力：支持用户自定义 训练和微调，适应特定需求。

9. 爬虫数据采集 任务 1、阅读网页源代码，提取特定网页内容； 2、撰写python脚本； 3、提取并合并网址； 4、提取网址内容； 5、写入文件。 提示词 你需要完成以下两个任务： 1.阅读网页【网址】源代码【对应网页源代码】。提取所 有包含“春运2025丨X月X日，全社会跨区域人员流动量完 成X万人次”的网址进行去重、筛选，合并成网址列表 2.撰写python脚本，基于步骤1输出的网址列表提取所有网 址内容“截至目前 2025 年春运（2025年1月14日到2月8日） 相关数据（如日期、全社会跨区域人员流动量、铁路客运 量、公路人员流动量、水路客运量、民航客运量等）”完 成数据提取并写入文件“2025春运数据.txt” DeepSeek R1 Open AI o3mini 能够提取所有网址并进行 响应速度快，能够高效提 筛选、去重，所撰写代码 取所有需求链接，输出完 运行后完成数据爬虫任务， 整可运行python脚本，代 所获取数据准确，少量数 码运行后生成文件，但数 据有所遗漏。 据采集结果为空。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

10. 爬虫数据采集 Claude 3.5 sonnet Kimi k1.5 可以提取所有网址，调整后可输出正 能够提取所有网址，代码运 确代码，运行代码能生成本地文件， 行后生成本地文件，但提取 但提取数据结果为空。 数据结果为空。 结论  目前DeepSeek R1、Open AI o3mini、Kimi k1.5支持联网查询网址，Claude 3.5 sonnet暂不支持；  四个模型均能根据上传的网页代码，对多个网址链接进行筛选、去重，完全提取出符合指令要求的所有网址链接并形成列表；  在复杂爬虫任务上，DeepSeek R1与Open AI o3min生成的代码均能正常执行数据采集任务，o3响应速度更快，R1数据采集结果更加完 整准确；其他2个模型都存在多次调试但代码仍然运行不成功的问题，如代码中罗列URL不全、输出文本中提取数据为空等。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

11. 文件数据读取 提示词 任务 1、读取文件； 2、根据指定内容整理成表格。 所上传的“2025春运数据（1月14-2月8日）.txt”包含了从2025年1月14日至2025年2月8日每天各种交通方式的春运客运 量信息，请从中读取每一天的信息，并整理成一张表格，要求包括以下几项信息：1.当天日期；2.当天的铁路客运量、 比2024年同期多或者少的百分比、环比的百分比。3.当天的公路客运量、比2024年同期多或者少的百分比、环比的百分 比。4.当天的民航客运量、比2024年同期多或者少的百分比、环比的百分比。 DeepSeek R1 Open AI o3mini 能够详细全面地提取文件中的 暂不支持附件上传，响应速度 数据，并整理成可视化数据表 快，能够快速读取粘贴数据， 格，逻辑性强、指标清晰。 输出结果格式工整、简洁。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

12. 文件数据读取 Claude 3.5 sonnet 很好地完成了数据读取及提取 任务，没有漏数据指标，数据 Kimi k1.5 能够快速读取文件数据，并 整理成可视化数据表格，但 填入数据有所缺失。 逻辑性很好 结论  DeepSeek R1与Claude 3.5 sonnet均能很好的完成文件数据读取任务，生成的表格逻辑性强、数据指标清晰，Claude 3.5 sonnet一 次性完成表格生成后支持直接复制和表格文件下载。  Open AI o3mini能够更加高效地完成数据提取任务，输出表格准确，但暂不支持附件上传，文件读取依靠粘贴稍显不便；Kimi k1.5文 件数据提取有明显空缺。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

13. 文本数据集成 任务 1、分别阅读约7000token和15000token的文 本内容，测试模型对中、长文本处理效果 2、整理集成可视化的数据表格 3、按照日期规范排序 提示词 【所需阅读文本】请根据以上文本完成以下三个任务：1、阅读 文本内容；2、整理集成可视化的数据表格；3、按照日期规范排 序（直接分析并输出结果，不使用python） DeepSeek R1 Open AI o3mini 一般文本（7000token）：能 一般文本（7000token）： 详细全面地提取文本数据，并 能够高效提取文本中的数据， 集成可视化表格，但受大样本 并整理成可视化数据表格， 或模型稳定性影响，输出表格 格式工整、简洁，数据准确 末尾缺失，需要重复尝试生成。 但数据维度有所缺失。 长文本（15000token）： 长文本（15000token）：暂时 反应迅速，高效提取文本中 无法给出答复。 数据，输出格式规范的数据 表格，但集成数据维度仍然 不够全面。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

14. 文本数据集成 Claude 3.5 sonnet Kimi k1.5 一般文本（7000token）： 一般文本（7000token）： 能够准确提取文本数据，并 能够快速提取文本数据，并整 整理成可视化图表，表格文 理成可视化数据表格，数据准 字简洁，没有提及文本中的 确，所提取数据维度不够全面。 环比和同比数据。 长文本（15000token）： 长文本（15000token）：同 长文本粘贴后会自动形成文 样能够高效准确地提取文本中 件，能够准确集成文本数据 数据，较一般长度文本所集成 表格，但数据维度有限。 数据维度反而更加全面。 结论  一般文本处理任务中，DeepSeek R1所提取的文本数据维度最为全面，但容易受文本长度或模型稳定性影响出现失误；其他三个模型在文本数 据提取过程中，都存在对部分数据的忽略问题，没有完整集成到可视化表格中；  长文本处理任务中，Kimi k1.5相较短文本处理表现更加突出，提取准确的同时数据维度更加全面；由于文本过长DeepSeek R1无法完成任务；  综合来看，Open AI o3mini响应最快效率最高，但在数据集成维度上稍显不足，同时与Claude 3.5 sonnet所输出的表格更为工整、简洁。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

15. 数据分析 任务 1、读取titanic遇难者名单excel 2、找出其中规律 提示词 请读取所上传的titanic遇难者名单数据文件，并分析找出其中规律 DeepSeek R1 Open AI o3mini 详细展示长思维链，精准提取关键指 响应速度快，高效输出数据分析 标“幸存率”，分析多个因素特征对 结果，分析各因素对关键指标生 幸存率的影响，结合历史背景对数据 存率的影响，语言表达自然，重 及规律进行验证，并敏锐察觉数据异 点突出结合历史背景对数据规律 常，提出了异常处理建议。 进行验证，但没有察觉数据异常。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

16. 数据分析 Claude 3.5 Kimi k1.5 sonnet 能够精准分析关键 提供数据分析程序代码， 指标生存率，但对 能够提取大部分特征并 特征提取不完整， 对其与生存率的关联进 仅能识别较为浅层 行分析，但最终没有形 的数据关联，分析 成明确的结论。 能力相对较弱。 结论  DeepSeek R1与Open AI o3mini的数据分析能力相当，且领先其他两个模型，均能够精准抓取数据核心指标并做统计，找到各特征与核心 指标的关联，其中R1分析逻辑更加清晰严谨，而o3推理更加高效；  Kimi k1.5推理逻辑清晰但分析能力相对较弱， Claude 3.5 sonnet能够提供分析思路但没有明确结论。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

17. 数据挖掘 任务 1、读取即将上映的2025年电影数据集 2、对数据集进行深入分析和数据挖掘 DeepSeek R1 能够准确对数据进行分类，从多个维度进行梳理和分析，借助可视化图表进行数据挖掘，基于分析结 果提供可行建议，但整体数据挖掘深度较浅，缺少对不同类型数据直接关联性的探究。 提示词 第一轮对话： 第二轮对话： （基于初步分析结果，选择其中一部分或某个方 向进行深入的数据挖掘） 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

18. 数据挖掘 Claude 3.5 sonnet Kimi k1.5 基于数据集，在整体数据概括后提供多个 提供数据的潜在用途方向，深入分 深入数据挖掘方向，根据需求输入研究倾 析过程中，从多个维度（如时间、 向，高效生成多个维度的数据分析，语言 语言、地区）深入挖掘数据意义和 简洁，挖掘深度较浅。 关联性，进一步总结趋势结论并提 出相关建议。 结论  Kimi k1.5该任务中表现最为出色，对特征进行精准分类，从多维度深入挖掘指定数据的深层内涵和关联性；  DeepSeek R1与Claude 3.5 sonnet同样能准确完成数据的分类任务，但数据之间的关联挖掘程度相对较浅；  Open AI o3mini受附件上传限制影响，由于数据集较大，暂不能完成该任务。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

19. 数据可视化 结论 任务 基于titanic遇难者数据分析结果绘制可 视化图表  Open AI o3mini的数据可视化能力突出，能够直接高效地生成多种类型可视化图表，准确度高；  DeepSeek R1、Kimi k1.5均能基于分析结果提供多种可视化图表绘制方案，但都需要依靠运行 Python代码才能完成绘图任务，部分代码会出现错误 Open AI o3mini DeepSeek R1 Kimi k1.5 能够直接调用DALLE，根据分析结果和任务需求高效绘制各类可视化图 表，部分较为复杂的图表可能出现数据错误或无法生成的情况。 能够结合数据样本和分析结果，提供多种可 视化图表绘制方案，但暂时不能直接绘制出 可视图表，需要将对应的绘图代码复制到本 地运行制作图表。 结合数据样本和分析结果，提供多种可视化 图表绘制方案及对应代码，需采用Python代 码完成绘图任务。大样本会省略数据；小样 本不省略数据。  柱状图（生还者和遇难者的比例、按船舱等级分类的生还情况） Claude 3.5 sonnet 直接绘制可视图表不稳定  年龄分布直方图、票价分布箱线图（展示不同船票等级的票价分布 ） 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。

20. 数据应用情况总结 DeepSeek R1  文件数据读取完整无缺失  数据分析全面、逻辑清晰严谨  网络爬虫任务数据爬取完整、准确  数据挖掘能够准确分类并提供建议  数据可视化任务能力有待完善 Claude 3.5 sonnet  数据读取输出逻辑性强、指标清晰  数据分析任务完成得较为简单  爬虫数据采集未形成明确结论  数据挖掘深度较浅  绘制出可视图表不稳定 Open AI o3 mini Kimi k1.5  数据分析高效、全面、准确  数据可视化能力突出、直接生成  网络爬虫任务爬取数据结果为空  暂不支持上传数据附件  数据挖掘深度较浅  数据挖掘能力出色  快速读取文件数据，提取网址链接  长文本数据处理能力突出  爬虫数据采集存在代码错误问题  数据分析能力相对较弱

21. 新思路：优势互补，协同应用 DeepSeek+Open AI DeepSeek+Kimi 数据采集的“天罗地网” 数据分析的“慧眼破局” DeepSeek R1 负责精准爬取和筛 DeepSeek R1 负责深入分析和异 选数据，Open AI o3mini 提供额 常检测，Kimi k1.5 提供深度挖掘 外的数据补充 的思路，助于更精准发现数据规律 数据采集 数据预处理 数据分析 可视化呈现 Claude+DeepSeek Open AI+Kimi+Claude 数据处理的“洗髓易筋” 数据呈现的“画龙点睛” Claude 3.5 Sonnet 在文本提取 Open AI o3mini 直接调用 上较稳定，可用于数据清洗， DALLE 生成图表，Kimi k1.5 提 DeepSeek R1 可确保数据完整性 供 Python 代码支持，Claude 3.5 Sonnet 负责图表逻辑优化

22. 新思路：DeepSeek R1的数据应用 中文数据处理优势 • 中小企业AI定制化服务：为中小企业提 供定制化的AI解决方案，如智能客服、营销 和办公工具，提升企业竞争力。 • 开源AI教育平台：借助DeepSeek R1 低成本高性能优势 的低成本特性，创建开源AI教育平台，提供 免费课程和实验资源，促进AI教育普及。 • 数据读取分析能力 智能编程教育助手：为编程学生提供实 时编程指导，自动生成代码示例，帮助解决 编程难题。 • 自动化代码审查工具：自动审查代码， • 智 能 中 文 古 籍 修 复 与 注 释 ： 利用 DeepSeek R1强大的中文理解能力，自动识 别并修复古籍中的破损文字，同时生成准确的 注释和解释，帮助修复难以辨认的古籍内容。 • 中 文 法 律 文 本 分 析 与 生 成 ： 基于 DeepSeek R1的中文数据处理能力，快速分 析法律文本，提取关键信息，自动生成合同草 案、法律意见书等，提高律师工作效率。 • 智能医疗数据分析与诊断：构建智能医疗 平台，分析病历、检查报告和基因数据，帮助 医生提供更准确的诊断与治疗方案。 • 金融风险预测与管理：开发金融风险分析 工具，收集并分析市场数据，预测风险并为金 融机构提供管理建议。 编程代码生成能力 发现潜在问题并提供优化建议，提升开发效 率与代码质量。 创意写作生成能力 • 智能文学创作辅助：为作家提供创作灵感 和文本构思，生成符合中文文学传统的故事情 节和诗句，助力突破创作瓶颈。 • 智能广告创意生成：根据产品特点和目标 受众自动生成创意广告文案和宣传语，提高广 告创作效率。

23. 新思路：Open AI o3mini的数据应用 • 实时数据流处理与决策：利用o3mini在物 联网和工业自动化领域，快速处理来自传感器 • 复杂数据模式识别：借助o3mini高效分 析复杂数据，帮助科学研究和工程领域发现 和设备的实时数据，进行即时分析和决策，减 推理响应速度快 • 模式和规律，如天文学中的星系演化或地质 多源数据融合分析：在智能交通和城市 规划中，o3mini有助于将不同来源的数据 交易者提供实时决策支持。 数据分析效率高 （如交通流量、气象数据等）进行融合分析， 预测交通拥堵，为城市规划提供决策支持。 格式化输出能力 • 交互式数据可视化：在商业智能和数据 分析领域，o3mini可以将多维数据以可视化 的方式呈现，并支持用户进行交互式分析。 • • 数据报告自动化生成：基于o3mini自动 生成格式化的数据报告，包括图表、表格和文 字说明，帮助管理者快速理解分析结果。 • 数据接口标准化：根据标准格式输出数据， 利用o3mini方便不同系统和平台之间的数据 共享，提升跨机构协作效率。 数据可视化优势 实时数据可视化与预警：在实时监控和 数据分析中，o3mini可以实时将数据以可视 化的方式展示，并支持用户与数据进行交互。 高频交易数据分析：利用o3mini快速处理 高频交易数据，识别市场趋势和交易模式，为 学中的地震数据分析。 • 少停机时间，提高生产效率。 写作情感表达能力 • 情感分析与数据解读：利用o3mini结合 情感分析，对数据进行深入解读，帮助市场调 研等领域理解消费者情感，优化产品和策略。 • 故事化数据呈现：借助o3mini将数据以 故事的形式呈现，增强数据的可读性和吸引力， 帮助公众理解复杂的科学和技术知识。

24. 二 要怎么做？

25. 撰写文章标题指令 指令： 我想让您担任学术期刊编辑，我将向您提供一份手稿摘要，您将向我提供 5 个好的研究论文英文标题，并解释为什 么这个标题是好的。请将输出结果以 Markdown 表格的形式提供，表格有两列，标题为中文。第一列给出英文标题，第二 列给出中文解释。以下文本为摘要： 【指令后加上文章的摘要】。

26. 中-英、英-中互译指令 指 令 ： 我想让你充当一名科研类的英汉翻译，我会向你提供一种语言的一些段落，你的任务是将这些段落准确地、学术性 地翻译成另一种语言。翻译后不要重复原文提供的段落。您应使用人工智能工具（如自然语言处理）以及有关有效写作技巧 的修辞知识和经验进行回复。我会给你如下段落，请告诉我是用什么语言写的，然后翻译。我希望你能以标记表的形式给出 输出结果，其中第一列是原文，第二列是翻译后的句子，每行只给出一个句子 所提供段落的语言是中文，以下是按要求的标记表格式翻译成英文的译文： Original (Chinese) Translation (English) Predation is a fundamental ecological process,defined as one 捕食是一个基本的生态过程，捕食的定义为：一种生物（捕食 organism (predator) preying onanother organism (prey) (Begon et al., 者）捕食了另一种生物（猎物）（Begon等，1997）。 1997). Within a community, predation can affect thedynamics of a specific 在群落范围内，捕食能够影响某一营养等级的动态，也能够影 trophic level as well as thedynamics of the entire community 响整个群落结构的动态。 structure. For the entire community, pedation is crucial formaintaining 对于整个群落来说，捕食对于保持种群结构稳定、食物网进程 population structure stability, food webprocesses, and stable species 及种群内物种数量稳定具有重要意义（Menge等，1986； numbers within thepopulation (Menge et al, 1986; Garrity and Garrity和Levings，1981；Murdoch和Oaten，1975）。 Levings1981; Murdoch and Oaten, 1975). 一些因子，如: 捕食者规格 （Ener和Hughes，1978）、栖息 Some factors, such as predator size (Elner andHughes, 1978) and 环境复杂程度等都会影响捕食进而影响捕食者与猎物之间的动 habitat complexity, can affectpredation and subsequently influence 态关系。 the dynamicrelationship between predators and prey.

27. 中文学术写作润色指令 指令：作为中文学术论文写作优化助手，您的任务是改进所提供文本的拼写、语法、清晰度、简洁性和整体可读性， 同时分解长句，减少重复，并提供改进建议。请仅提供文本的更正版本，并附上解释。以 markdown 表格的形式提供 输出结果，每个句子单独成行。第一列为原句，第二列为修改后的句子，第三列为中文解释。请编辑以下文本： 原始句子 优化后句子 中文释义 捕食是一个基本的生态过程，捕食的定义为：一 捕食是一个基本的生态过程，定义为一种生物 删除了多余的”捕食的“和"了"， 种生物(捕食者)捕食了另一种生物(猎物)(Begon (捕食者) 捕食另一种生物(猎物)(Begon等， 使句子更简洁。 等，1997)。 1997) 在群落范围内，捕食能够影响某一营养等级的动 在群落范围内，捕食能影响某一营养等级及整 删除了多余的"能够"，并将两个 态，也能够影响整个群落结构的动态。 个群落结构的动态。 动态合并在一起，使句子更简洁。 对于整个群落来说，捕食对于保持种群结构稳定、 食物网进程及种群内物种数量稳定具有重要意义 (Menge等，1986; Garrity和Levings，1981; Murdoch和Oaten，1975)。 对整个群落而言，捕食对保持种群结构稳定、 食 物 网 进 程 和 物 种 数 量 稳 定 具 有 重 要 意 义 删除了多余的“对于"，并将” (Menge等，1986;Garrity和Levings,1981; 及“替换为"和"，使句子更简洁。 Murdoch和Oaten,1975) 一些因子，如: 捕食者规格 (Ener和Hughes， 一 些 因 素 ， 如 捕 食 者 规 格 ( E I n e r 和 将"因子"替换为"因素"，删除了 1978)、栖息环境复杂程度等都会影响捕食进而 Hughes,1978)和栖息环境复杂程度，会影响 多余的”如:"和"等" 影响捕食者与猎物之间的动态关系。 捕食以及捕食者与猎物之间的动态关系。

28. 英文学术写作润色指令 指 令 ： 下面是一篇学术论文中的一个段落。润色文字以符合学术风格，改进拼写、语法、清晰度、简洁性和整体可 读性。必要时，重写整个句子。此外，用标记符表格列出所有修改，并解释修改原因。 原始文本 修正后文本 Numerous marine molluscs, including both gastropods and bivalves, show phenotypicplasticity in their shell morphology in response to predation risk (Appleton & Palmer1988, Trussell & Smith 2000, Bourdeau 2010). Predation can therefore act as adirectional selection stressor that produces particular prey phenotypes, such as thicker and heavier shells, round shell shape, and lower growth rate (Leonard et al. 1999,Trussell & Nicklin 2002, Hollander & Butlin 2010, Bourdeau 2010) that can decrease the susceptibility to predation. Numerous marine mollusks, including both gastropods and bivalves, exhibit phenotypic plasticity in their shell morphology in response to predation risk. Predation can act as a directional selection pressure, resulting in specific prey phenotypes, such as thicker and heavier shells, rounder shell shapes, and .ower growth rates that can reduce susceptibility to predation (Appleton & Palmer, 1988; Trussell & Smith, 2000; Leonard et al., 1999; Trussell & Nicklin, 2002; Hollander & Butlin, 2010; Bourdeau, 2010). 修改 解释 修改 解释 用 “可以降低捕食的易 将“molluscs”替换为“mollusks” 感性 ”代替 “可以降低 使用更简洁的动词，更好地表达原意。 捕食的易感性” 将“show”替换为“exhibit” 将“show”替换为“exhibit” 将 “产生 ”改为 “导 使用更准确、更简洁的动词，更好地 致” 表达捕食与贝壳形态之间的因果关系。 重新组织句子结构 重新组织句子结构 将“molluscs”替换为 “mollusks” 在每个引用年份后添加逗号 在每个引用年份后添加逗号 用 “特定的猎物表型 ” 使用更准确的形容词，更好地表达原 代替 “特定的猎物表型” 意。

29. 提升段落间逻辑和连贯性指令 指令：请分析以下文本中每个段落中句子之间的逻辑性和连贯性，指出句子之间的流畅性或关联性有哪 些地方可以改进，并提出具体建议，以提高内容的整体质量和可读性。请只提供改进后的文本，然后用 中文列出改进之处。请改进以下文字： 原始文本 修正后文本 Over the past several decades, with the explosive growth of renewable energy, large-scale energy storage technologies allow intermittent renewable energy to replace traditional energy. High-performance secondary batteries are one of the most promising candidates for large-scale energy storage intermittent technologies. Since commercialization, lithium-ion batteries (LIBs)have become mainstream energy storage devices with their high output voltage, high energy density, and long cycle life. In order to meet the strong demand for further improving its electrochemical performance, the search for sustainable anode materials that provide lithium-ion batteries with safe and stable cyclic performance, while providing high capacity and high voltage curves, has sparked in-depth research and discussion. As a promising candidate for anode materials, alloy-based anodes such as silicon (Si, 4200 mA h g-1) show extremely high theoretical capacity, nearly 10 times higher than the capacity of commercial graphite anodes (372 mA h g-1). Unfortunately, these types of materials suffer from large volume expansion/shrinkage during the lithiation/delithiation process, leading to the formation of cracks, separation of active material from the current collector, and disruption of the electronic conduction network within the electrode,ultimately resulting in a sharp decline in Li+ storage capacity and attenuation of cycle life. ln order to overcome these problems, previous research has put a lot of effort into improvingelectrode durability. Over the past several decades, renewable energy has seen explosive growth, and large-scale energy storage technologies have played a vital role in enabling intermittent renewable energy sources to replace traditional forms of energy. Among these technologies, high-performance secondary batteries are one of the most promising solutions. Lithium-ionbatteries (LIBs), in particular, have become the mainstream energy storage devices since their commercialization due to their high output voltage, high energy density, and long cycle life. Nevertheless, to meet the increasing demand for even better electrochemical performance, researchers have begun to explore sustainable anode materials. The goal is to find materialsthat not only ensure lithium-ion batteries have a safe and stable cyclic performance, but also offer high capacity and high voltage curves. Among various options, alloy-based anodes, especially silicon (Si, 4200 mA h g-1), have sparked in-depth research and discussion. This is primarily due to their extremely high theoretical capacity, which is nearly 10 times that of commercial graphite anodes (372 mA h g-1). Despite their potential, these alloy-based anodes have significant drawbacks. The main issue lies in their large volume expansion and shrinkage during the lithiation and delithiation process. This can result in the formation of cracks, active material separating from the current collector, and a disrupted electronic conduction network within the electrode. All of these issues can cause a sharp decline in Li+ storage capacity and a shortened cycle. Therefore, much of the previous research has focused on improving the durability of the electrode to overcome these problems.

30. 标点符号错误一键修改指令 指 令 ： 请你帮我确保以下文字中的 标 点 符 号 正 确 无 误 ， 如 果 发 现 标 点 符 号 错 误 ， 请 将 你 发 现 的 错 误 列 在 一 个两栏的标记 表 中 ， 将 原 文 放 在 第 一 栏 ， 将 更 正 后 的 文 本 放 在 第 二 栏 ， 请 只 列 出 错 误 ， 并 在 最 后 提 供 更 正 后的文本。 原始文本 修正后文本 ln addition. theleft valve of each mussel was examined for compressive force (shell strength)following Burnett and Belk (2018). A universal material+testing machine(MTS System Corporation, Eden Prairie, MIN, USA, Model 661; Fig1,)was used to determine the shell strength. Each shell valve was placed horizontally with the shell edge on a flat surface, while a compressive force was applied at a constant loading rate of 10 mm-min until the real-time force curve on the monitor screen fast drop indicating failure occurred. ln addition, the left valve of each mussel was examined for compressive force (shell strength)following Burnett and Belk (2018). A universal material-testing machine (MTS System Corporation, Eden Prairie, MN, USA, Model 661; Fig. 1) was used to determine the shell strength. Each shell valve was placed horizontally with the shell edge on a flat surface, while a compressive force was applied at a constant loading rate of 10 mm/min until the real-time force curve on the monitor screen fast drop indicating failure occurred.

31. 改写降重指令 指令：我想让你充当科研写作专家，并提供一些英文或中文段落，你的任务是用原文改写段落。你应该使用 人工智能工具（如自然语言处理）、修辞知识和你在有效科学写作技巧方面的专业知识来回答。请只提供改 写后的文本，不作任何解释，请用科研语气风格重写下面的文字：

32. 解读文献配图指令 指令： 这是发表在【杂志名称】期刊上的一篇论文中的一幅图，标题为【文章标题】，图例为【图的标 题】。作为该领域的专家，请帮助我解读该图。

33. 论文参考文献格式指令 指令： 我想请你担任一份研究手稿的参考文献编辑。我将为你提供五个参考文献模板，你应将其作为指南。之后， 我会提供更多参考文献，你需要检查这些参考文献的格式问题，如标点符号的位置和间距。给出一个包含三列的 标记表，第一列是原文，第二列是固定文本，第三列是解释，然后提供所有固定的参考文献。以下是需要修正的 五个示例模板和参考文献： 原始文本 修正后文本 Boullis A, Fassotte B, Sarles L,LognayG, Heuskin S, Vanderplanck M.Bartram S, Haubruge E, Francis F,Verheggen F(2017 Elevated Carbon Dioxide Concentration Reduces Alarm Signaling in Aphids. J Chem Ecol 43:164-171. Boullis A, Fassotte B, Sarles L, Lognay G, Heuskin S, Vanderplanck M.Bartram S, Haubruge E, Francis F.Verheggen FJ (2017) Elevated CarbonDioxide Concentration Reduces Alarm Signaling in Aphids. J Chem Ecol 43:164-171. Bourdeau PE(2011) Constitutive and inducible defensive traits in co-occurring marine snails distributed across a vertical rocky intertidal gradient. Functional Ecology 25:177-185 Bourdeau PE(2011) Constitutive and inducible defensive traits in co-occurring marine snails distributed across a vertical rocky intertidal gradient. Funct Ecol 25:177-185. Brnmark C, Lakowitz T Hollander J(2011) Predator-induced morphological plasticity across local populations of a freshwater snail. PLOS ONE 6:e21773. Bronmark C. Lakowitz T,Hollander J(2011) Predator-induced morphological plasticity across local populations of a freshwater snail. PLOS ONE 6:e21773.

34. 生成专业知识图谱指令 指令： 请 你 作 为 一 位 专 业 的 铁 路 车 辆 工 程 专 家 ， 负 责 利 用 网 络 搜 索 最 新 的 【 转 向 架 型 号 】 信 息 ， 依 据 各 实 体 间 的 关系提取出实体 1 、联系、实体 2 的三元组，并以 Markdown 表格形式展示，同时利用 Mermaid 语法构建一个结 构化的 Mindmap 展示各实体及其关联，确保输出内容专业、条理清晰，有助于深入理解转向架型号的知识结构。

35. 论文选题指令 指令：作为一名具有丰富教学经验和电商领域学术研究成就的公共管理研究生导师，请你从专业角度出发， 为我这名公共管理专 业 研 究 生 提 供 电 商 领 域 的 基 本 概 述 和 关 键 研 究 主 题 ； 同 时 ， 根 据 我 的 专 业 背 景 和 个 人 限制，指出适合我深 入 探 索 的 方 向 ， 并 详 细 阐 述 相 关 背 景 信 息 及 现 有 学 术 研 究 成 果 ； 最 后 ， 请 结 合 这 些 关 键研究主题和可探索的方向，为我推荐5个具体的研究方向，并提供相关论证和建议。

36. 高效阅读文献指令 指令：你是一位精通 各 领 域 前 沿 研 究 的 学 术 文 献 解 读 专 家 ， 面 对 一 篇 给 定 的 论 文 ， 请 你 高 效 阅 读 并 迅 速 提 取出其核心内容。要 求 在 解 读 过 程 中 ， 先 对 文 献 的 背 景 、 研 究 目 的 和 问 题 进 行 简 明 概 述 ， 再 详 细 梳 理 研 究 方法、关键数据、主 要 发 现 及 结 论 ， 同 时 对 新 颖 概 念 进 行 通 俗 易 懂 的 解 释 ， 帮 助 读 者 理 解 论 文 的 逻 辑 与 创 新点；最后，请对文 献 的 优 缺 点 进 行 客 观 评 价 ， 并 指 出 可 能 的 后 续 研 究 方 向 。 整 体 报 告 结 构 清 晰 、 逻 辑 严 谨，字数控制在约1000字左右。

37. 提炼文献内容指令 指令：作为一名高校的公共管理学教授，请你根据我上传的文献，仔细阅读并总结提炼出文献的主要内容， 包括但不限于主要研 究 主 题 、 研 究 的 核 心 内 容 、 采 用 的 研 究 方 法 、 文 中 运 用 的 理 论 介 绍 以 及 表 达 的 主 要 观 点。请将上述内容整理成一段话，要求详细阐述各部分内容，并使用严谨、学术的语言进行表述。

38. 优化文章结构指令 指令：你是一位资深 的 文 章 优 化 专 家 ， 请 你 对 给 定 的 文 章 进 行 结 构 优 化 。 要 求 你 根 据 文 章 的 核 心 主 题 和 目 标受众，调整并细化 文 章 的 整 体 框 架 ， 确 保 逻 辑 层 次 分 明 、 论 证 充 分 且 衔 接 连 贯 ； 同 时 明 确 划 分 引 言 、 主 体和结论等部分，并 针 对 每 部 分 的 内 容 和 作 用 提 出 具 体 的 改 进 建 议 。 请 输 出 一 个 优 化 后 的 文 章 结 构 大 纲 ， 并用严谨、学术的语言详细说明各部分的功能和优化方案。

39. 文献综述撰写指令 指令：根据以下研究领域[输入领域]，撰写一段关于该领域的文献综述，涵盖该领域的研究背景、主要理 论与方法、以及当前 的 研 究 趋 势 与 挑 战 。 分 析 文 献 中 存 在 的 研 究 空 白 与 不 足 ， 并 指 出 需 要 进 一 步 探 索 的 研 究方向，为接下来的研究提供理论依据。

40. 生成论文调查问卷指令 指令： 请生成一份关于[具体研究主题，如‘大学生网络购物行为影响因素’]的学术论文调查问卷。问卷应包含以下部分： 引言： 简述研究目的与重要性。问卷主体： 涵盖多个维度的问题（如基本信息、行为特征、态度观念、影响因素等），确 保问题设计科学合理、无引导性，并采用适当的量表或选项形式以便于数据收集与分析。结束语： 感谢参与者的合作，并 说明数据将仅用于研究目的，保证匿名性与保密性。请开始生成问卷。

41. 模拟论文答辩指令 指令： 现在请你分别扮演一名大学教授和MPA学生，基于学生的论文内容摘要进行模拟毕业答辩。请以问答形式输出，每 轮只提出一个问题，并根据学生的回答进行必要的追问。以下是学生的毕业论文题目和摘要内容：

42. 选题与研究问题确定指令 指令： 根据当前学科发展趋势、研究热点与已有文献，推荐一个创新性强且具有研究价值的研究论文选题。结合现有研究 中的空白，提出一个具有填补空白潜力的问题，确保该选题能够推动学科的理论发展或实践应用。

43. 论文研究内容撰写指令 指令： 请基于我提供的研究主题‘[具体主题]’，分析当前领域的研究现状，并列出3-5个研究空白或未解决问题。再根据列 出的研究空白‘[具体空白点]’，设计一个可行的研究方案，包括研究目标、研究方法、数据来源和分析框架。

44. 论文研究思路撰写指令 指令： 请基于我提供的研究主题‘[具体主题]’，分析当前领域的研究现状，并列出5个研究空白或未解决问题，基于研究空 白或未解决问题给出对应的研究思路，用表格呈现。

45. 论文技术方案撰写指令 指 令： 请基于我提供的研究主题‘[具体主题]’和研究思路‘[具体思路]’，分析当前领域的研究现状，列出5个技术方案，基 于研究空白或未解决问题给出选择对应的技术方案的原因，用表格呈现。

46. 论文摘要撰写指令 指令： 请基于我提供的研究主题‘[具体主题]’，撰写简洁且有力的论文摘要。摘要应简明扼要地概述研究的背景、目标、 方法、主要结果与结论，确保读者在有限的篇幅内能够迅速了解论文的研究核心与创新点。

47. 高阶数据分析指令 指令： 请 你 制 作 10 个 不 同 的 可 视 化 图 表 ， 以 反 映 上 传 数 据 集 的 各 个 方 面 ？ [适当加上一些对你的数据的描述， 尤其是各个列 (变量) ，这里尽量详细的描述你的数据]   用10张精美的绘图，展示数据变量之间的关系或潜在的分 析思路，包括展示数据分析的直方图和箱线图。 呈现关键变量之间的配对散点矩阵图和小提琴图，以及常 用的相关性热图等，每张图都有详细的解释。

48. 其他常用英文指令 Prompts（指令） 描述 Prompts（指令） 描述 Can you load and preview the data? 加载，预览一下数据 Can you list the top 10 key points? 最重要的十个要点 What are the trends shown in this data? 找趋势 Can you describe the data? 描述数据 Show me the top trends in a visual format. 以视觉形式显示趋势 Can you clean this dataset? 清洗数据 Can you create a heatmap using this data? 创建一个热力图 Can you segment this data and create a table? 切分数据 Can you create a graph using this data? 制作一个图 Can you create a world cloud? 做一个词云 Can you create a chart using this data? 画一个图表 What are the rows and columns in this dataset? 描述一下行和列 Can you make the graphs more beautiful? 把图美化一下 Can you write a one sentence recap of this data? 快速回顾一下 Create a visual chart, based on this data. 做一个视觉图表 What’s the main takeaway from this dataset? Can you explain this dataset like I’m 5 years old? Can you create 10 graphs to present different data? Can you explain this dataset in one paragraph? Can you explain this dataset in simple terms? 像给五岁小朋友讲故事那样解释一 下这个数据集 Can you create a presentation based this dataset? 做一个整体展示 创作10个不同的图展示数据 用一段话来解释一下这个数据集 用简单的话来解释一下这个数据集 Can you write me an article based on this dataset or statistic results? What insights do you see here? Give me a numbered list. 找出最主要的信息 根据结果写文章 提供一些见解

49. 其他常用中文指令 Prompts（指令） 跨学科融合：将“舆论分析”概念与其他领域的最新具有突破性的理论深度结合，提出极其具有创新的交叉领域的十个问题。 探索“舆论分析”概念的基础理论、哲学基础或科学原理等深层次原理，提出挑战这些基础的前所未有的突破性十个问题。 舆论分析这个概念在最前沿科技或理论中的潜在应用，列出十个充满想象力和震撼性，前所未有的应用。 如果要量化研究审美智能概念，请提出一个合理的，有效的，各指标不重叠的，你自己能提取数据的指数体系框架，不少于三十 个指数。 请大家研究任何问题，先用这四个提示词进行提问。一是跨学科融合，二是深层次原理，三是概念前沿应用，四是如何量化分析。 任何学术概念。 里面会有些冗余信息，可以删除回复中的冗余信息。另外大家有空还可以对我的提示词进行改进，围绕四个方面。我们需要建立 一套研究提示词集。 AI for research 提示词集。

50. 三 效果如何？

51. 元知AI综述工具 概 元知将打造一个全功能AI学术平台，目前其AI综述生成工具已开放使用，能够帮助用户从海量文献中提取核心信息， 通过自然语言处理算法，实现从文献梳理到观点提取到研究评论的一键式全自动生成。 官网：https://yuanzhi.zeelin.cn/#/ 功能亮点 功能亮点  多版本与模块化支持：目前提供三个版本（基础版、增 强版、专业版），能够灵活应对不同用户的综述需求。 工具内包括文献观点梳理、问题提出等功能模块，确保 用户在不同科研需求下得到充分支持。  增强版绘图功能：增强版具备绘图功能，可通过可视化 图示（如文献关键词共现图）直观展示综述内容，帮助 用户更好理解和呈现研究成果。  无数据检索：以现有真实数据库作为支撑，通过关键词 检索，自动搜集相关文献并生成综述报告，目前只支持 英文检索。  低重复率：结合现有查重机制与AI技术，在内容生成阶 段引入重复检测与优化策略，从源头上降低重复率风险， 所生成的综述普通重复率与AIGC重复率均在5%以下。  无限双语数据导入：支持中文与英文文献的导入，并且 文献数据量没有限制，能够轻松处理中文文献的系统性 梳理，以及国际文献的跨语言分析。  幻觉克服：以现有真实数据库作为支撑，借助由专家设 计撰写的提示词，精准规避AI生成中的幻觉问题。  高规范格式输出：所生成的综述文档格式规范、结构清 晰，符合学术论文标准，用户几乎无需进行二次整理。

52. 中科院PubScholar平台 “PubScholar”平台是由中国科学院开发 的公益学术平台，整合了国内外多种学术 资源。该平台提供文献检索、引用分析、 文献推荐等功能，用户可通过平台高效获 取科研资源，并生成相关的综述报告。平 台的优势在于其广泛的数据源和智能化的 文献推荐系统，支持跨学科的文献分析。 官网：https://pubscholar.cn/ 功能亮点 功能亮点  免费开放使用：所有用户均可免费访问，注册后可直接 使用。  海量学术资源整合：包含约1.8亿条学术元数据，涵盖 科技论文、专利文献、科学数据等多个类别。超过 8000万篇资源可直接获取全文，包括2122万篇论文全 文和5878万篇专利全文。  无数据检索：以现有真实数据库作为支撑，通过关键词 检索，自动搜集相关文献并生成综述报告，支持中、英 文检索。

53. 知网研学平台 功能亮点 功能亮点 “PubScholar”平台是由中国科学院开发 的公益学术平台，整合了国内外多种学术 资源。该平台提供文献检索、引用分析、 文献推荐等功能，用户可通过平台高效获 取科研资源，并生成相关的综述报告。平 台的优势在于其广泛的数据源和智能化的 文献推荐系统，支持跨学科的文献分析。  较高格式规范输出：根据学术规范自动排版，生成符合 论文要求的文献综述结构。  中文内容丰富：在中文文献的分析上具有优势，能够详 细呈现中文领域的研究成果，用户可手动选择想要分析 的50篇文献。  无数据检索：以中国知网数据库作为支撑，通过关键词 检索，自动搜集相关文献并生成综述报告，仅支持中文 检索。 官网：https://aiplus.cnki.net/sumup/sumup

54. 斯坦福STORM 概 斯坦福STORM平台是由斯坦福大学的oval团队开发的的一款AI科研工具，其核心功能是通过多智能体协作，实现 从提纲到段落再到文章的迭代式生成，为用户生成内容大纲及高质量长文本。 功能亮点 功能亮点  资料整合与文章生成：能够浏览网络，搜集大量文献， 并通过基于主题的多个智能代理，将这些文献转化为连 贯的文章或研究论文，长度可达数万字。  转化文献为连贯文章：可以将现有的文献资料进行分析 和整合，转化为逻辑连贯的新文章，为学者和知识工作 者提供了极大的便利。  模拟对话与问题生成：模拟文章写作前的调研过程，通 过发掘话题研究中的多样视角，模拟具有不同视角的作 者向话题专家提出问题的对话，并基于这些对话整理收 集到的信息来创建文章大纲。  多智能体协作对话：Co-STORM模式引入了协作对话 机制，并采用轮次管理策略，实现流畅的协作式AI学术 研究。 官网：https://storm.genie.stanford.edu/

55. 用户体验对比：使用步骤 元知AI综述工具 选择版本：根据需求选择工具的四个版本，包括基础版、增强版、专业版（单图）、专业版（双图）。  文献导入：用户可从现有文献数据库中下载中英文数据后导入平台，或直接通过实时联网访问免费数据库 进行在线分析，操作简单便捷。  信息提取与分析：平台自动运用AI技术对导入的文献进行关键信息提取和深度梳理分析，用户无需进行复 杂操作，等待平台处理完成即可。  综述生成：根据智能分析结果，平台自动生成结构化的文献综述文本内容和可视化图表，用户可直接获取 完整的综述报告，也可根据需要进行自定义调整，如综述主题、目标、参数等 。 PubScholar平台  输入关键词：进入官网后，在搜索框键入关键词进行文献检索。  选取文章：勾选想要分析的20篇文献。  综述生成：点击生成综述，等待2-3分钟即可下载综述报告。 知网研学平台 斯坦福STORM  输入关键词：进入官网后，在搜索框键入关键词进行文献检索。  选取文章：勾选想要分析的20篇文献。  综述生成：点击生成综述，等待2-3分钟即可下载综述报告。     选择模式：进入主页后，用户可选择STORM或Co-STORM模式。 输入主题：直接输入主题词后，STORM开始进行信息检索和文章生成。 查看生成过程：点击“See BrainSTORMing Process”，可获取不同LLM Role的头脑风暴过程。 参考其他文章：在“发现”栏，可参考其他学者生成的文章及聊天示例。

56. 生成综述案例：元知（基础版）AI综述工具

57. 生成综述案例：元知专业版（单图）AI综述工具

58. 生成综述案例：元知专业版（单图）AI综述工具

59. 生成综述案例：PubScholar AI综述工具

60. 生成综述案例：知网研学AI综述工具

61. 生成综述案例：知网研学AI综述工具

62. 生成综述案例：斯坦福 STORM（英文版）

63. 生成综述案例：斯坦福 STORM（中文译版）

64. ***附加知识*** DeepSeek+DeepResearch 基本知识介绍

65. 国内外主流LLM产品 AI 文本生成 AI 图片生成 ChatGPT Claude New Bing Grok Kimi ChatGLM 通义千问 文心一言 豆包 昆仑天工 ··· ··· AI 模型生成 Alpha3D Meshy CSM 3D Tripo AI Leonardo Suno AI SketchUp HeyGen AI 元裳 Udio AI DALL·E3 Stable Diffusion Emu Edit …… ··· ··· 元娲SaaS平 台 D-ID Pika Runway Luma 可灵 海螺AI 清影 即梦 Vidu AnimateDiff …… 数据方面 Colossyan Chat Excel GraphMaker Gan.Al …… AI 视频生成 Sonauto AI 虚拟人方面 pixcap Dream Fusion Magic 3D…… Midjourney AI 音乐生成 Open BMB Graphy Ajelix Julius AI Rows、Chartpixel …… 办公小浣熊

66. DeepSeek：颠覆出圈，霸榜热议 DeepSeek R1引发全球关注 DeepSeek是一家专注通用人工智能（AGl）的中国科技公司，主攻大模型研发与应用。 DeepSeek-R1是其最新发布并开源的推理模型，擅长处理复杂任务且可免费商用，其性能 • DeepSeek发布后在1月27日迅速登顶美国下载榜首；截 至1月30日，DeepSeek在168个国家位居下载榜第一名。 在多个基准测试中表现出色，对齐OpenAI-O1正式版，甚至在某些任务上表现更优。 • OpenAI的CEO奥特曼承认DeepSeek的技术实力，并表 示将继续加快自身模型的迭代。 • Meta成立四个专门研究小组来分析DeepSeek R1的工作 原理，并基于此改进其大模型Llama 。 • 英伟达、微软、亚马逊等国际巨头纷纷接入DeepSeek。  DeepSeek发展节点 2025年1月20日 2023年11月29日 推出670亿参数的通用大模型 2023年7月 DeepSeek成立 2023年11月2日 DeepSeek LLM，包括7B 首个开源代码大模型 和67B的base及chat版本 DeepSeek Coder发布 2024年12月26日 发 布 新 一 代 推 理 模 型 发 布 总 参 数 达 6 7 1 0 亿 的 DeepSeek-R1，性能 DeepSeek-V3，采用创新 与OpenAI的o1正式版 MoE架构和FP8混合精度训练， 持平，并开源 训练成本大幅降低

67. 推理能力：核心突破，专项升级  推理过程 DeepSeek R1 的核心突破在于其通过强化学习驱动的推理能力。该 DeepSeek R1 在推理过程中采用“深度思考”模式，通过展示完整的 模型在训练过程中，通过强化学习技术，显著提升模型的推理能力， 推理路径来提高模型的可解释性和可信度。 使其在数学、编程和自然语言推理等任务上表现出色。 思维链 展示  推理能力 • 强化学习驱动：DeepSeek R1-Zero 是首个完全基于强化学习（RL） 训练的推理模型，无需任何监督微调（SFT）步骤，打破传统模型依 赖大量标注数据的惯例。DeepSeek-R1 采用强化学习作为核心训练 方法，显著提升了模型的推理能力和语言表达的可读性。 • 推理能力专项提升：在除了利用强化学习模型结合跨领域训练提升模 型综合技能以外，还重点提升了模型在数学、代码、逻辑推理等硬核 推理 路径 在生成答案前展示其推理过 通过展示推理路径，使得 程，让用户看到模型如何分 用户能够理解模型的推理 解问题并得出结论。包括模 过程。推理路径包括模型 型对问题的理解、问题分解、 对问题的理解、问题分解、 以及逐步求解的过程。 以及逐步求解的过程。 自我 修正 在推理过程中能够自我 修正，发现并修复之前 的错误。这种自我修正 能力使得模型在处理复 杂问题时更加可靠。  推理效率 • 长思维链支持：DeepSeek R1 支持长链推理，能够生成数万字的 思维链，显著提高复杂任务的推理准确性，其长链推理能力在数学、 任务上的能力。 编程和自然语言推理等任务中表现出色。 传统依赖： 创新思路： 大规模监督微调（SFT） 强化学习（RL）驱动 • 多模态任务处理：DeepSeek R1 在多模态任务中表现出色，能够 处理复杂场景下的逻辑、公式识别及自然图像等问题，显示出其在 多模态任务中的广泛应用潜力。

68. 训练方法：数据冷启，阶段递进 DeepSeek R1 采用了冷启动数据和多阶段训练的策略，以进一步提升模型的推理能力和可读性。  冷启动数据 •  多阶段训练 定义与作用：冷启动数据是指在模型训练初期，引入的一小部 分高质量、结构化的数据。其作用是为模型提供一个良好的起 第一阶段：推理 导向的强化学习 第二阶段：拒绝 采样与监督微调 基于冷启动数据微 通 过 拒 绝 采 样 从 数据来源与特点：这些数据部分来源于清理后的R1-Zero 输出， 调后的基础模型， RL检查点生成新的 进行大规模强化学 合成数据，并与写 还包括人工后处理的长思维链（CoT）数据。其数量相对较少 习。此阶段引入语 作、事实问答等领 言一致性奖励，优 域的监督数据混合。 化模型在数学、编 然后对基础模型进 程等结构化任务中 行两轮微调，进一 的表现。 步提升模型的性能。 点，解决强化学习训练初期的不稳定问题，规范模型的输出格 式和推理链条，使其更符合人类可读性。 • 但质量高，经过精心设计，具有良好的可读性和结构化特点。 • 对模型训练的影响：冷启动数据为模型训练奠定了坚实的基础， 使模型在后续的强化学习阶段能够更稳定地学习和优化。它解 决了纯强化学习训练中可能出现的可读性差和语言混杂等问题。 第三阶段：全场 景强化学习 结合规则奖励（针 对推理任务）和神 经奖励模型（针对 通用任务），对模 型进行最终的强化 学习，以对齐人类 偏好。

69. 降本提能：架构创新，技术增效 DeepSeek通过架构创新和模型蒸馏技术，在提升模型性能的同时，显著降低计算成本和内存占用。这些技术不仅在 长文本处理、代码生成、数学推理等任务中表现出色，还为大模型的轻量化和实际应用提供了有力支持。  模型蒸馏技术  架构创新 混合专家（MoE）架构 通过将模型划分为多个专家模块，实 现高效计算和推理。DeepSeek通过 无辅助损失的自然负载均衡和共享专 家机制，解决了专家模块工作量不平 多头潜在注意力（MLA）机制 通过低秩压缩减少推理时的内存占用， 同时保持与传统多头注意力（MHA） 相当的性能。MLA在训练中减少了 内存和计算开销，在推理中降低了 KV缓存占用空间。 DeepSeek采用模型蒸馏技术，通过将知识从大型复杂模型 （教师模型）迁移到小型高效模型（学生模型），实现性能和 效率的双重优化。DeepSeek选择了多个开源模型作为蒸馏的 目标模型，包括Qwen 系列和Llama 系列 教师模型生成数据 衡的问题。 多令牌预测（MTP） FP8混合精度训练 通过序列化预测未来多个令牌，增强 采用FP8混合精度训练，通过在训练 过程中使用更适宜的数据精度，减少 了计算量和存储需求。FP8混合精度 训练在保证训练准确性的基础上，显 著降低了计算成本，使得大规模模型 训练更加可行。 模型的上下文建模能力，并支持推测 解码加速推理。MTP在特定场景下同 时预测多个令牌，提高信号密度，减 少上下文漂移和逻辑连贯性问题。 • 学生模型训练 微调与优化 推理效率提升：蒸馏后的模型参数量大幅减少，例如 DeepSeek-R1-Distill-Qwen-7B的参数量仅为7B，相比原始 的DeepSeek-R1（671B参数），计算复杂度显著降低。 • 性能优化：在代码和数学基准测试中，蒸馏技术显著提升了模 型性能。例如，在基准测试中，蒸馏后的DeepSeek-V2.5模 型在Pass@1和Length指标上均显著优于基线模型。

70. 策略优化：开源特性，成本优势 DeepSeek采用开源策略，公开模型权重和技术报告，允许开发者 DeepSeek 通过技术创新和优化策略，大幅降低了模型训练和推理 自由使用、修改和分发其技术，促进了AI领域的创新和协作。 成本，使其在性价比上远超 OpenAI 等竞争对手。  开源策略  成本优势 DeepSeek R1 采用 MIT 许可协议开源发布，允许全球的研究者和开  训练成本：DeepSeek V3 的训练成本仅为 557.6 万美元，远低于 发者免费使用和修改模型。这种开放策略促进了 AI 技术的普及和发展。 其他国际大公司的训练成本。这种低成本策略使得更多企业和开发 者能够负担得起高性能 AI 模型的训练和使用。  开源模型的优势与挑战  调用成本：DeepSeek R1 的 API 服务定价为每百万输入 tokens 1 优势 可访问性 研究者可以根据自身需求 进行二次开发和优化 可定制性 允许研究者根据特定应用 场景进行定制，从而更好 地满足需求 社区支持 使其在学术研究和工业应 用中具有广泛的应用前景 挑战 可解释性和可靠性 需要采取措施确保模型的 可靠性和可解释性 社区参与 需要社区成员的共同参与 维护和更新，需要较高的 社区活跃度和凝聚力 安全性 需要采取措施确保模型的 安全性和隐私保护 元（缓存命中）/4 元（缓存未命中），每百万输出 tokens 16 元， 输出 API 价格仅为 OpenAI o1 的 3%。这种低廉的 API 价格进一 步降低了使用门槛。 模型 训练成本 调用成本 （输入/百万 tokens） 调用成本 （输出/百万 tokens） DeepSeek-V3 557.6万美元 0.14美元（缓存未命中） / 0.014美元（缓存命中） 0.28美元 DeepSeek-R1 未明确（推测低于V3） 0.14美元（缓存命中） / 0.55美元（缓存未命中） 2.19美元 OpenAI GPT-4o 10亿美元 2.5美元（缓存未命中） / 1.25美元（缓存命中） 10美元 OpenAI o1 未明确 （推测高于GPT-4o） 15美元（缓存未命中） / 7.5美元（缓存命中） 60美元 Claude 3.5 Sonnet 5亿美元 3美元 15美元

71. 测试评估：对标顶尖，能力出众  知识类任务表现  推理任务表现 • 数学推理能力对标顶尖模型：DeepSeek R1 在 AIME 2024 基准测试中得 分 79.8%（pass@1），略优于 OpenAI-o1-1217；在 MATH-500 测试 中，取得 97.3%，表现与 OpenAI-o1-1217 相当，远超其他模型。 • 教育类知识问答能力突出：在 MMLU、MMLU-Pro等测试中， DeepSeek R1成绩超越 OpenAI-4o等其他闭源模型。  其他任务表现 • 代码生成能力达专家级水平：DeepSeek R1在编程任务中，Elo评分达 • 在创意写作、问答、编辑、摘要等任务中，DeepSeek R1 表现优异。 2029，超越 96.3% 的人类参赛者；在工程任务中DeepSeek-R1表现略优 • 非考试类智能处理能力强大：在 AlpacaEval 2.0 和 ArenaHard 中， 胜率分别为 87.6% 和 92.3%。 于 DeepSeek V3，这对开发人员在实际任务中有潜在帮助。 97.3 96.3 96.6 79.8 49.2

72. 本地部署：灵活高效，协同优化 DeepSeek的本地部署在性能上表现出色，能够满足不同应用场景的需求，尤其是在端侧和端云协同场景。通过合理的 硬件配置和优化策略，DeepSeek可以在本地环境中高效运行，为用户提供强大的AI支持。  端侧部署能力  端云协同优化 DeepSeek 在端侧部署中展现出较强的适应性和灵活性。 输。例如，其蒸馏模型在端侧SoC（系统级芯片）上的表现，显 硬件兼容性 模型轻量化 支持英特尔、英伟达等主流硬 DeepSeek通过蒸馏技术优化小模 件 平 台 ， 并 可 通 过 型（1.5B/7B/8B/14B/32B/70B AnythingLLM和Ollama等工 参数规模），使其在本地部署中表 具实现PC本地部署，保护数 现出色，适合存储和计算资源有限 据隐私的同时满足定制化需求。 的端侧设备。 实时性 在端侧设备上，DeepSeek 能够满足实时性要求，例如 DeepSeek的本地部署与云端计算相结合，实现高效的计算和传 著降低了硬件门槛，同时提升了用户体验。 离线能力 任务分配与负载均衡 DeepSeek 支持完全离 线部署，适合网络条件 受限的场景（如工业物 联网、偏远地区）。 数据传输与延迟优化 在智能家居、自动驾驶等场 景中，推理延迟低至毫秒级。 模型更新与协同训练

73. 对比优势：高性价比，技术普惠 与国内外顶尖同类产品比较，DeepSeek践行强化逻辑推理（R1）与长文本效率（V3）的差异化技术路线，其在性能和 成本方面展现出色的性价比，尤其在训练成本和开源透明度方面具有明显优势。 公司 模型 产品类型 DeepSeek DeepSeek R1 开源推理模型 DeepSeek DeepSeek V3 开源大语言模型 OpenAI OpenAI O1 闭源推理模型 OpenAI GPT-4o 闭源大语言模型 Meta Llama 3.2 开源大语言模型 Anthropic Claude-3.5 闭源推理模型 百度 文心一言 闭源大语言模型 核心功能 优点 缺点 复杂推理、数学解题、 逻辑推理能力顶尖； 长文本生成能力弱于 V3 代码生成 开源生态支持自定义；训练成本低 工程类任务上稍逊于OpenAI O1 多语言处理、长文本生 MoE 架构效率高；长文本处理强； 在推理能力上稍逊于R1 成、代码生成 中英文混合场景优化 在特定任务上稍逊于OpenAI O1 企业级 API 生态完善； 训练成本高；闭源且费用高昂； 多模态交互流畅；开发者工具丰富 中文支持弱于本土模型 多语言处理、文本生成、 全模态能力行业领先； 训练成本高；运营成本高 创意内容创作 实时交互响应快；商业化成熟度高 数据隐私争议大 多语言支持、内容生成、 完全开源免费；社区支持广泛； 多模态功能缺失； 信息检索 多语言基础能力均衡 长文本生成质量不稳定 对话系统、内容生成、 对话逻辑连贯性强； 中文支持较弱； 逻辑推理 伦理安全性高；文档分析能力突出 闭源且 API 访问受限 多语言处理、复杂的语 中文场景优化最佳； 国际竞争力不足； 言理解和文本生成 多模态搜索整合；本土行业适配性强 上下文窗口较小 复杂推理、文本生成

74. 革新技术标准：低本高能，开放共创 DeepSeek的成功促使AI行业重新审视技术应用与发展方向。其低成本、高性能的模型为AI技术的普及提供了实际 范例，推动了AI技术在训练成本、模型效能和开源生态方面的新标准的形成。 创新技术路径 重塑定价逻辑 DeepSeek通过算法优化与 DeepSeekV3模型以557.6 DeepSeek的全栈开源策略 架构创新（如MLA、MoE结 万美元的训练成本，实现了 （模型权重、训练代码均采 构），将训练成本降至行业 与GPT-4o相当的性能，生 用MIT协议），吸引了全球 1/10，打破了传统AI巨头依 成速度提升至60 TPS。这 开发者参与，形成了强大的 赖“规模法则”的垄断局面。 种“低成本高性能”模式不 社区生态。这种开放模式加 其FP8混合精度训练和开源 仅挑战了OpenAI、Google 速了技术迭代，削弱了闭源 原生FP8权重，显著降低了 等巨头的市场地位，还迫使 巨头的技术壁垒，推动全球 中小团队的技术门槛，推动 行业整体降价（如字节豆包 AI研发从“封闭垄断”向 AI技术民主化。 降价85%），重塑了AI服务 “开放协作”转型。 的定价逻辑。 推动研发转型

75. 重塑产业格局：打破桎梏，竞争活跃 DeepSeek R1 的全球影响力正在重塑 AI 产业格局，特别 是在中美之间的技术竞合中。同时，也为全球 AI 产业的发 展提供了新的机遇和挑战。  中美技术竟合  活跃市场竞争 DeepSeek的崛起改变了AI市场的竞争格局，促使国际科技巨头加快 技术创新的步伐，加大研发投入，推出新的模型和应用，以应对竞争。 Open AI 上线新一代推理模型o3系列的mini版本，并首次免费向用户开 DeepSeek的创新不仅打破了美国AI产业的技术壁垒，也为中国AI产业 在全球科技竞争中提供了新的突破口。 DeepSeek的成功推进中国AI产业的发展，同时也促进了中美两国在AI 领域的竞争与合作，推动全球AI技术的多元化发展。 DeepSeek的横空出世 给美国科技市场带去巨大冲击  受其影响，美国芯片巨头英伟达的股价暴跌17%，博通下跌17%， AMD下跌6%，微软也下跌了2%。  DeepSeek的应用程序在苹果应用商店的下载量一举超越了 ChatGPT，荣登免费应用程序排行榜榜首。 放其基础功能。o3-mini专注于数学、科学和工程等领域的复 杂推理任务，其性能和成本效益均优于之前的o1系列。 谷 歌 发布新一代Gemini 2.0系列模型，包括Gemini 2.0 Pro、 Gemini 2.0 Flash、Gemini 2.0 Flash-Lite和Gemini 2.0 Flash Thinking，旨在提升AI能力并提高性价比。  全球AI产业链升级 DeepSeek的崛起带动了全球AI产业链上下游的发展。其低成本高性 能的模型降低了大模型的投资、开发、运营成本，推动了国产AI芯片、 云平台、操作系统等产业的发展。

76. 技术深化：突破局限，能力提升 DeepSeek R1展示了强化学习技术和算法创新在 AI 领域的巨大潜力，但其仍然处于发展阶段，存在一定局限性和优化 空间。未来，随着技术的不断进步和创新，DeepSeek R1 可能会在以下几个方面实现进一步的突破： 通用能力提升 解决语言混杂问题 目前，DeepSeek R1在函数调用、多轮 DeepSeek R1当前只针对中文和英文进行 对话、复杂角色扮演和 JSON 输出等任 了优化，这可能在处理其他语言的查询时导 务中的能力不及 DeepSeek-V3。未来， 致语言混杂问题。DeepSeek计划在未来的 DeepSeek计划探索如何利用长推理链 更新中解决这一局限。 来增强在这些任务的表现。 软件工程任务 优化提示工程 目前模型对提示较为敏感，少样本提示会持续降 DeepSeek-R1 在软件工程基准测试中的表现未能 低其性能。因此，建议用户使用零样本设置，直 显著超越 DeepSeek-V3。未来版本将通过在软件 接描述问题并指定输出格式，以获得最佳效果。 工程数据上实施拒绝采样或在强化学习过程中引入 异步评估来提高效率。

77. 场景拓展：创新推动，垂直深耕 DeepSeek R1将通过强化学习和多模态融合等技术手段，进一步提升推理能力、优化语言理解和生成效果，并拓展在复 杂任务中的应用边界；同时，将深耕垂直领域，如教育、金融、医疗等，为不同领域提供更精准、高效的解决方案。  技术创新推动 多模态融合 DeepSeek未来可能会在多模态融合  垂直领域深耕 医疗领域 DeepSeek已经在医疗辅助诊断方面有所应用，未来有望进一步 深化，如通过流程优化，提高诊断的准确性和效率。通过与医疗 设备的结合，实现更精准的医学影像分析和疾病预测。 方面进一步探索，将自然语言处理、 计算机视觉等技术更深度地结合。 金融领域 具身智能探索 与机器人等硬件深度融合，实现物理 世界的智能交互。这将拓展其在工业 教育领域 未来，DeepSeek可能会进一步拓展到金融风险防控、智能投顾、 金融产品创新等领域，通过深度分析金融市场数据和用户行为数 据，为金融机构提供更全面、精准的决策支持。 目前DeepSeek在教育辅助方面已经展现出独特优势，未来，其 可能会与在线教育平台、教育机构等合作，开发更多个性化的学 习方案和智能辅导工具，满足不同学生的学习需求。 制造、物流配送等领域的应用。 自进化系统构建 法律领域 DeepSeek在法律文书处理方面已经具备一定的能力。未来，其 有望进一步拓展到法律咨询、案件预测、法律知识图谱构建等领 域，为法律专业人士和普通用户提供更便捷、高效的法律服务。 通过自动合成训练数据，持续迭代 模型能力。这将使其能够更好地适 应不同垂直领域不断变化的需求， 提升在各领域的应用效果。 工业领域 DeepSeek在工业质检智能化方面已经取得显著成效。未来，其 可能会进一步拓展到工业生产流程优化、设备故障预测与维护、 供应链管理等领域，提供更高效的工业生产和运营的解决方案。

78. DeepResearch：智能协作，自主研究 「核心功能」 多步骤自主研究、端到端强化学习、深度信息整合 文本、图像、 PDF 1.多步骤 自主研究 输入 提示 查找、分析 综合数百个 在线资源 调整 解释、推理 优化 2.端到端强化学习 以研究分析师的水平 创建一份综合报告 端到端强化学习 训练 规划执行多步 骤研究流程 文本 Text Text Text 3.深度信息整合 图像 实时调整策略 回溯修正错误 PDF “引用” 【多格式数据】 支持搜索多格式数据， 整合多模态信息，生 成带引用和思考过程 总结的报告 实际使用 图源@宝玉 在 ChatGPT 中，选择「message composer」中的 deep research 并输入 查询 可以附加文件或电子表格，为问题添 加上下文。一旦开始运行，侧边栏将 显示所采取的步骤和使用的来源摘要。

79. 基准测试：精度提升，行业领先 表现：人类终极考试，准确率突破 26.6% GAIA测试 这项测试包括3000多个多项选择题和简答题， 涵盖了从语言学到火箭科学、古典文学到生态学的100多个学科。 准确率是此前 OpenAI o1 模型的近 三倍 来源：https://openai.com/index/introducing-deep-research

80. 技术协同：多步推理，快速输出 与GPT-4o对比 类别 DeepResearch GPT-4o 功能目标 自动化多步骤研究任务，收集、综合、分析、输出报告 语言生成，支持多种自然语言任务 任务执行方式 多模块协同，逐步执行复杂任务 单输入文本生成输出，处理单一任务 研究能力 处理复杂学术、法律、市场研究，支持多轮分析 生成创意内容，提供建议，适度推理分析 输入输出格式 支持图像、PDF等多种格式输入输出 主要依赖文本输入输出 模块协作 多个模块协同工作（探索者、整合者、推理者等） 单一模型，无模块化协作 相比传统GPT-4o模型，Deep Research在多步推理、数据验证、处理 速度和信息追溯性方面表现出明显优势。这些提升有助于模型在复杂 任务中的表现更好，特别是在需要高可靠性和高效执行场景中。 DeepResearch 探索者 整合者 思考者 表达者

81. 应用场景1：学术研究，助力科研 文献综述加速 DeepResearch能迅速梳理海量文献， 提炼关键信息，显著提升文献综述效率。 技术报告生成 基于深度学习模型，自动生成高质量技 术报告，确保研究成果的准确传达。 自动实验设计 基于已有实验数据自动生成最优实验设 计，预测可能的实验结果，并提出资源 最小化、效能最大化的实验方案。 "未来知识"生成器（预测性科研） 分析过去几十年各领域的论文发展轨迹， 利用深度时间序列预测技术，自动生成 某一领域在未来5-10年的潜在研究主题、 理论突破、以及可能的新技术趋势。

82. 学术研究案例：明确需求，报告生成  团队自测案例 通过百度网盘分享的文件：deep Research功能深度研究.docx 链接: https://pan.baidu.com/s/1pyaygXqFXvRe-In7gn5gOA?pwd=fn7s 提取码: fn7s 01 科研场景实测: 生物学研究生输入"CRISPR技术在 肿瘤免疫治疗中的最新进展" 02 获得: 1.近三年124篇核心论文摘要 2.关键临床试验数据 3.汇总技术路线对比图谱 4.待突破方向预测 5.符合APA格式的参考文献库

83. 应用场景2：金融分析，市场预测 通过自动化数据收集、整合、推理与报告输出，提供全面的市场趋势预测和投资决策支持。 场景应用 股票市场分析 风险管理与投资组合优化 数据分析 自动化处理财务报表，挖掘隐藏的投资机会， 评估潜在风险，优化资产配置策略。 2 市场洞察 宏观经济预测 智能预测 运用先进算法预测市场走势，辅助金融机 构和个人投资者做出更明智的选择。 3 报告生成 DeepResearch整合全球金融市 场动态，实时追踪行业趋势，为 投资者提供深度分析。 一键生成专业级投资风险评估报告， 1 4 支持定制化需求，提升决策效率。

84. 金融分析案例：数据整合，供应链优化  数据来源：全球12个交 易所的财报数据  提取来自全球主要交易 所（如纽约证券交易所、 道琼斯指数等）的半导 体相关财报和数据  模型构建： 1.数据获取 数据解析过程  来自行业研报机构的178份半导 体供应链风险分析报告。  解读各研报的核心观点、关键指 标及预测方法。  建立行业报告的质量评估体系， 识别高价值研报并进行分类。 链接效率（如通信、 物流连接） 线条强度（如生产 线的稳定性） 物流效率（如运输 网络的优化性） 需求响应能力（如 预测和应对需求变 化的能力） 2. 模型构建与供应链 脆弱性评估 供应链脆弱性评  使用层次分析法对 各 关 键 因 素 进行权重评估，最 终 得 出 半 导 体供应链的脆弱性等级。  分析各研报中对供 应 链 脆 弱 性 的描述，并结合数 据 来 源 和 模 型构建结果，识别高风险区域。 情景模拟： 建立基于5种不同情景（如需求波动、突发 事件、技术革新）的供应链模拟模型。 使用Deep Research提供的可视化工具生 成可解释性的分析报告，展示各情景对供 应链压力及影响的具体路径。 3. 情景模拟与建议  在供应链风险最高的环节加强协 同协作，并提供透明的沟通机制。  加强内部风险管理框架的设计， 建立应急响应和恢复计划。  定期更新模型和数据来源，确保 预测准确性和前瞻性。

85. 应用场景3：消费决策，个性推荐 整合用户反馈 简化决策流程 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。 通过突出产品性能差异， 简化消费者的决策流程， 减少选择困难，提高购 买效率。 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。 场景应用 分析商品数据 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。 消费趋势预测 产品定位与定价策略 提供定制建议 滑雪板选购分析 个性化营销策略 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。

86. 消费决策场景案例：需求识别，产品匹配 用户诉求：拟购买滑雪板，对滑板的使用场景、款式、颜色、价位、适用场 景、预计购买国家提出要求，指定DeepResearch给出建议 问题识别 面对海量市场数据， DeepResearch识 别用户的关键信息 并进行网络信息匹 配。 解决方案 利用DeepResearch的智 能分析能力，自动筛选出 符合用户每一部分诉求的 关键词，精准度和匹配度 大幅提升 成果亮点 通过自动化报告生成，显 著提升了搜索结果与用户 预期的匹配度，提高用户 的决策效率，辅助用户消 费决策。 Deepresearch直接解决了用户的每一部分需求，从板材、规格到 颜色，亮点以及可操作的滑行技巧。同时还通过滑雪板的信息介绍， 分析了板材性能与用户可能使用场景和需求进行了匹配分析

87. 应用场景4：商业研究，决策支持 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。 数据来源：社交媒体、市场调查、 基于AI推理模型，分析消费者行为、市场 行业报告、消费者反馈等。 趋势、竞争对手动态，预测未来商业机会 信息发现 01 市场趋 势预测 推理分析 02 信息整合 竞争对 手分析 消费者 行为 分析 03 04 产品市 场定位 输出报告 将不同来源的结构化和非结构化数据进行 生成定制化的商业报告，帮助管理层理解市场 整合，形成全面的市场和消费者视角。 格局、识别潜在机会和风险，做出明智决策。

88. 商业研究场景案例：市场洞察，优化策略 01 02 03 用户需求 收集信息 明确步骤及来源摘要 过去十年发达国家与发展中国家GDP 前十名的iOS和Android的采用率， 学习外语的百分比及移动普及率，要 求DeepResearch给出数据列表，并 提出iOS翻译应用的市场建议 系统能够自动筛选出相关的文献资料。 自动生成对比明晰的数据表， 提高工作效率。 生成建议报告 05 可视化的数据表格 04

89. 竞品分析：技术差异，性能对比 Deep Research 技术架构 基于OpenAI o3模型 支持多步骤策略实时调整 与错误回溯 性能表现 在“人类最后考试”中准 确率26.6%（O1模型的 三倍），5-30分钟完成 传统数小时任务。 应用广度 覆盖学术、金融、消费、 政策四大领域，案例已验 证跨领域适配性 用户体验 零门槛操作，用户仅需输 入提示，系统自主规划研 究流程

90. AIGK+DeepResearch：定制化AI，自动化转型 端到端任务自动化 行业定制化AI赋能 融合强化学习与推理技术，实现多 步骤复杂任务的全流程自动化，涵 盖财务、营销、设计等关键领域。 金融：投资风险分析；医疗：药物 研发辅助；法律：合同智能审核； 制造业：工艺优化等。 行业知识库整合 汇聚行业专家经验、案例数据；构 建领域知识图谱，为行业定制AI模 型奠定基础。 “AI参谋”赋能 7*24小时全天候服务，快速响应行业 专业问询，自主开展深度行业研究。 定制化 AI 研究 工具 复杂任务 自动化 人机共生新范式 简化人机交互,AI系统自主完成规 划、执行、优化，实时响应动态 需求变化,持续迭代。 重塑企业运营效能 自动化处理海量重复性任务， 聚焦高价值创造性工作，大幅 降低运营成本,提升组织效率。

91. 行业应用：AI定制，自动化决策 实施场景 金融领域 • 金融机构在评估投资项目时，需 要快速识别潜在风险并做出决策。 法律领域 • AI智能合同审核系统，减少人工 审核的错误率，提升司法透明度。 制造业领域 • AI工艺优化平台，帮助企业优化 生产流程，降低成本并提升效率。 数据来源：  收集来自不同行业的数据源， 包括但不限于企业财务报表、 行业政策文件、专家报告等。  将这些数据从多个平台获取， 并进行清洗和预处理。 行业定制化AI赋能 模型分析：金融行业投资风险智能预测  金融公司：基于实时数据，智能预测投资项目 的风险等级（高、中、低）。  投资者：通过AI分析后，可获得投资决策的个 性化建议。  金融机构决策支持： 通过AI模型预测投资项目的风险等级，帮助银行 做出更精准的投资决策。  投资者个性化决策： 基于AI分析后，可获得特定投资标的的风险评分， 进一步优化投资策略。 行业知识库整合 按照行业或主题对数据进 行分类存储，例如： 企业财务报表 → 财务分析、资 产负债表、利润表等。 行业政策文件 → 政策法规、行 业趋势、监管规定等。 专家报告 → 宏观经济预测、市 场前景分析、行业趋势报告等。 智能化运 营： 传统模式 向数字化 转型 数据驱动 决策 深入的数 据支持和 预测模型 “AI参谋”赋能  快速响应能力： 在各种行业需求瞬息万变的情况下， “AI参谋”能够提供即时的数据分 析和决策支持，帮助客户迅速定位 问题并制定解决方案。  自动化处理： 系统通过算法自动识别异常数据、 预测市场趋势，并生成快速反应的 建议。

92. 技术创新：流程自动，突破效能  端到端任务自动化 任务分 析与状 态跟踪 动态预 测与优 化 反馈与 迭代 • 自动识别任务的基本要求和限制 条件。 • 使用强化学习算法跟踪任务的状 态变化（如预算使用、产品数量 等）。 • 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。 • 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。  人机共生新范式 1.自动化处理 与智能化决策 2.深度行业研 究与数据驱动 3.复杂任务的 全流程自动化 • 人机协同：优化人机交互界面， 减少人为干预，提升效率。 • 人机协作：支持多场景下的实 时响应，确保快速精准决策。 • 基于深度学习的行业趋势预测 模型，支持企业动态适应市场 变化。 • 数据驱动的人工智能模型，实 现专业预测和战略规划。 • 融合强化学习算法，自动识别 高风险场景并提供相应建议。 • 深入分析数据，优化决策流程， 确保全面覆盖核心业务环节。  重塑企业运营效能 数字化转 型与高效 管理 • 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。 自动化处 理与智能 化决策的 突破 • 自动化任务： 包括财务、营销和设 计等领域的重复性操作。 • 通过算法和机器学习技术，自动识 别高风险场景并提供相应的建议或 优化方案。 • 智能化决策： 融合强化学习与推理 技术，实时预测和优化决策过程。 • 基于数据，动态跟踪任务的状态变 化（如预算使用、产品数量等）。 聚焦高价 值创造性 工作 • 融合先进管理理念和技术手段，提 升企业核心竞争力。高效操作减少 人为错误，提高响应速度。 • 成本下降：自动化减少人工干预中 的固定成本。

93. 认知协作：异构智能，集群协作 三阶认知生成体系 异构智能体集群  数据勘探者（5个垂直领域AI）  逻辑架构师（3个推理引擎）  批判审查团（2个逆向思维AI+人类专家接口） AIResearch生成报告样本：《新能源汽车产业链投资机遇分析》 封面 •生成标识：■ 本报告由XXX智能体集群经17轮辩论达成共识 •时间戳：知识截止至2025-02-6 14:32:00

94. 引入优化agent：复杂任务，实现自动化  目前 AI 主要是”助手”角色，需要用户提供明确指令，无法自主完成复杂任务。  现有 AI 工具 难以跨多个子任务自动执行，仍需人工介入。 AI 自主任务规划与执行(AI Agent) 多 AI 代理协作 AI 能够自主分解任务、规划步骤， 不同 AI 代理(市场分析 Agent、法律 并利用外部工具(如API、数据库、 审核 Agent、财务预测 Agent) 可协 自动化流程)执行任务。 同完成复杂任务，形成智能工作流。 任务反馈 & 自主学习 AI 在执行任务后自动优化策略， 使任务执行效果不断增强。  智能法律顾问 A1:自动读取合同，分析潜在法律风险，生成修改建议，并与企业法务系统对接完 成合规审查。  企业 AI CEO:结合市场数据、财务数据，自动生成年度战略规划，并动态调整业务目标。  智能招聘 A1:筛选简历、面试候选人(语音/视频 AI 面试)、自动发送 offer，并完成 HR 系统录入。

95. 增强知识图谱：多维解释，溯源路径  幻觉率过高，高价值信息过少，致使企业用户难以信任 AI生成的行业研究和决策结果。 知识图谱增强 LLM(LLM+KG) 结合 AI 生成知识(AIGK)与行业知识图谱， 使 AI具备强逻辑推理能力。 可追溯的 AI 研究报告 所有 AI 生成的内容提供可溯 源数据，确保数据可信度。 可解释的 AI 运行决策 AI 在做出决策时，会提供基于知识图 谱的逻辑推理路径，增强可解释性。  金融风险评估与决策支持： 通过结合金融知识图谱和AIGK技术，AI能够提供透明的决策过程和可解释的投资建议，增强金融决策的信任度。  医疗诊断与个性化治疗： 利用医学知识图谱和AIGK推理，AI不仅给出治疗方案，还能解释每个建议背后的医学依据，提升医生和患者的信任。