Teamcenter接入本地Deepseek-R1轻松实现企业知识库

最新推荐文章于 2025-02-26 09:26:46 发布

大模型入门教程

最新推荐文章于 2025-02-26 09:26:46 发布

阅读量1.6k

点赞数 31

文章标签：人工智能大模型大模型应用 AI大模型大模型学习 Deepseek AI

本文链接：https://blog.csdn.net/2401_85343303/article/details/145482122

版权

蛇年伊始，DeepSeek凭借媲美openAI o1的强大推理能力，获得国内外的广泛关注。同时，利用MoE框架和蒸馏技术，DeepSeek将大模型高效蒸馏到小型稠密模型上，实现高性能与计算效率的平衡，这就使得企业接入和使用推理模型的门槛大大降低。

今天，我将基于Teamcenter平台与DeepSeek模型，在个人工作站上部署一套完整的企业知识库，实现产品设计相关的智能问答机器人。

—

软硬件环境准备

硬件环境：

笔记本工作站 Dell Precision：``CPU：12th i9-12900H,``内存：64G``显卡：NVDIA RTX A2000（8G）

软件环境：

Teamcenter 2406（以下简称TC）``LLM：DeepSeek R1:7b（效果和速度兼备）``向量数据库：OpenSearch 1.17

—

结合 DeepSeek 的 TC AI Chat 效果

在这个视频中，工程师在设计电池尺寸时提出相关问题，通过RAG框架检索Teamcenter相关需求和文档，进而交给DeepSeek进行推理和总结。从答案中他知道了电池包尺寸需要考虑电芯数量、冷却方式以及集成到整车中的方法等等。这些内容来自于企业内部，同时可以被跟踪和追溯，再也不用担心企业数据的安全问题了。

—

部署和推理架构

这里我们先简单看看部署架构，在虚拟机中部署了完整的TC服务，同时也包括两个与智能问答机器人相关的微服务：知识向量化微服务和大语言模型集成微服务，这两个微服务在TC的微服务框架中，将支持企业知识的问答，同时也能够根据压力进行负载均衡。再一个就是大语言模型，我们使用DeepSeek-R1:7b模型，这也是这台工作站能够支撑的模型大小的上限，既满足性能要求也可以保证回答的效果。

从推理过程来看，首先，通过嵌入服务将文档、图像以及视频等高维数据进行切片，捕获其语义并存储到向量数据库中，从而支撑未来多模态数据的高效检索和相似查询。

接下来，通过推理服务来规划编排一系列任务，将用户的问题借助嵌入模型向量化，而后查询向量数据库，得到相似性最高的TopN条记录，将这些记录以及问题本身交给DeepSeek进行总结和归纳，最终输出给用户。

—

详细部署和配置步骤

DeepSeek-R1:7b模型安装

可以在各大开源社区下载到，选择合适的模型大小即可，这里我们采用7b模型。
安装和配置向量数据库（OpenSearch为开源数据库，可参考手册）
在LLM微服务中，配置DeepSeek AI服务的API

其他参数可在TC首选项中进行配置（根据具体软硬配置和使用压力等）：
启动TC索引服务，利用Solr索引与向量化服务配置，完成企业知识的向量化并存储到向量数据库，之后更新并发布的数据将自动进行向量化，从而更新企业知识库。
测试并完成TC AI Chat部署及配置

DeepSeek 连接测试

TC AI Chat 测试

05

—

总结

通过以上过程，成功在个人工作站上完成了Teamcenter+DeepSeek的完全本地化部署。借助完善的Teamcenter配置框架，仅半天时间，就搭建起一个完整的企业知识库，以问答形式即可高效解答复杂问题，大幅提升个人效率和企业生产力。随着技术的不断迭代，像DeepSeek这样的AI创新企业将使得个人和企业更容易接触和使用AI。同时，西门子也将结合多年的工业领域AI实践，打造更加贴合企业设计和制造等应用场景的AI服务，为企业带来新质生产力。

在这里插入图片描述

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述