第一天

DeepSeek的起源與發展

背景及發展歷程

使命與愿景

行業趨勢與競爭分析

技術競爭力與創新優勢

DeepSeek核心技術原理

模型架構與關鍵技術

極大規模混合專家模型（MoE）

多頭潛在注意力（MLA）

高效訓練與內存優化

數據處理與多語言能力

數據多樣性與長上下文擴展

強化學習和知識蒸餾的實用化

強化學習和知識蒸餾的實用化

高質量數據的篩選與多語言處理策略

文檔打包與FIM策略提升訓練數據組織效率

數據增強策略擴展訓練數據的語義覆蓋范圍

自動化標注與半監督學習結合提升標注效率

小規模預訓練任務與超參數設置優化

數據清洗去除噪聲和冗余，優化模型輸入

數據格式轉換和動態數據流管理示例

多模態數據在預訓練中的融合與處理技術

結合運維場景的數據收集與預處理示例

預訓練任務中的數據存儲和訪問配置優化

文檔預訓練和動態知識更新示例

運維Log數據在深度學習訓練中的應用策略

運維語音轉文本數據在模型微調中的作用

第二天

模型微調、知識增強與RAG開發

監督微調（SFT）適應不同領域的特定任務需求

微調中的超參數選擇與訓練穩定性優化

運維場景下的微調數據構建與模型優化示例

強化學習結合用戶反饋數據優化推理性能

動態調優策略在復雜任務場景中的應用

利用RAG技術構建動態檢索增強生成任務

運維事件分類中RAG的動態文檔檢索示例

知識庫與實時檢索在智能客服系統中的應用

運維日志結構化解析與動態檢索系統搭建

生成模塊與檢索模塊的高效任務協同

利用DeepSeek-R1模型進行運維事件分類示例

運維數據中的異常檢測與智能分析應用

RAG系統在多輪問答與動態知識更新中的應用

運維語音與文本數據融合，生成多模態運維報告

基于R1推理模型的智能化運維預警系統開發

多任務場景中的生成任務與實時數據處理

運維場景中的數據實時反饋與自動化響應

運維任務演練：從日志采集到生成自動報告

數據緩存與優化策略確保高效查詢與推理

運維知識庫的動態更新與版本控制

第三天

智能體設計、部署與智能運維

智能體的核心架構與工作流分解

LangChain在任務流編排和多任務協作中的應用

Langraph支持的工作流可視化與任務調度優化

自動化任務流的設計與多模態數據處理示例

運維任務中的數據傳遞與多任務執行機制

模型輕量化與壓縮優化大規模部署性能

分布式部署技術解決高負載和系統容錯問題

基于R1模型的復雜運維事件處理與分類示例

環境配置優化，適應不同企業運維需求

運維語音模型與DeepSeek結合的故障預測應用

實時監控系統在運維性能指標中的應用

自動化運維中的錯誤檢測與自愈機制

用戶反饋數據指導生成策略的動態調優

運維Log數據自動化處理與可視化展示

持續反饋優化：基于事件數據迭代模型性能

從開發到部署的全流程運維任務演練

運維任務中多模態數據的動態擴展與適配

利用推理模型生成運維報告并反饋優化

小型運維系統從數據采集到自動部署示例

運維安全與用戶隱私保護策略的應用