DeepSeek作為人工智能領域的創新先鋒，憑借其突破性技術為現有AI Agent賦予了更強大的任務執行與決策支持功能。而企業接入DeepSeek將帶來哪些創新與實踐價值，DeepSeek該如何打破發展瓶頸，其落地場景與效果表現如何等問題仍需探索。

本文將結合數勢科技的實踐，探討如何通過DeepSeek和現有大模型的整合，推動企業在數字化經營中的新變革。

分享嘉賓｜岑潤哲 數勢科技 數據智能產品總經理

內容已做精簡，如需獲取專家完整版視頻實錄和課件，請掃碼領取。

01

DeepSeek的到來，對于大數據分析和應用領域，是“天然的利好”

數據應用賽道中，DeepSeek帶來了諸多改變與優勢。在數據分析領域，DeepSeek接入后，其在數學及編程能力的增強具有顯著優勢，極大地提升了對復雜數據的處理、統計與分析 能 力。在數據應用領域，代碼能力與數學能力至關重要。DeepSeek到來后，無論是前期的數據清洗和特征挖掘，中期構建指標體系與指標語義層，還是后期的數 據可視化及報告生成等環節，其數學能力與推理能力的提升，對數據應用的全鏈路機制都產生了積極影響。特別是在復雜數據清洗、數據可視化以及深度報告生成方面，DeepSeek都帶來了諸多利好。

從技術視角來看，其思維鏈對數據分析極為有利。在數勢服務的眾多金融機構中，以往大模型存在一個問題：雖然能給出答案，但答案的推導過程是黑盒化的。而在DeepSeek的 論文中，能夠從V3的基礎模型做強化模型成為DeepSeek-R1-Zero， 強化學習不僅獎勵準確性，還注重過程與結構的規范性。這一機制的優勢在于，不僅能準確進行數據分析，還能將條理清晰的推理思路總結呈現給用戶。例如，用戶進行企業經營分析時，應該從哪些維度選取何種指標，DeepSeek能將思考過程以步驟的形式呈現出來。這種激勵機制，極大地增強了數據分析報告的說服力，是數據應用領域的一大亮點。

作為推理模型，R1在推理時十分注重Token輸出，輸出的Token越多，思考越細致，出錯概率越低。在進行復雜 代碼生成、數據數學計算及決策時，R1的表現明顯優于蒸餾后的版本或千問模型。然而R1存在速度慢的問題，因為處理復雜任務需要消耗更多Token進行思考。因此可以 采用結合的思路，即使用蒸餾后的相對小參數量（如32B）的模型，先進 行任務分類與實體抽取，該模型在這方面與R1效果相差不大，且速度更快。然而，當用戶的數據分析任務極為復雜時，可能會調用如R1這類推理模型進行深度推理與規劃，以更好地滿足用戶的分析需求。

通過近期就模型選用問題與多家金融機構進行的交流來看，若場景主要是滿足用戶的快速數據檢索需求，例如詢問今年某月份的余額增速情況，此時無需調用R1這類長推理模型進行復雜任務拆解，使用V3模型進行讀取識別與要素解析，即可快速提取數據。但如果用戶 的分析需求并非簡單的數據提取，而是像撰寫信貸報告或詳細的銀行信貸資產增速分析報告，這類高階的數據推理或行動計劃輸出任務，V3模型的快速思考可能無法很好地完成。這種情況下，R1的推理模型更為適用，它能夠將任務進行拆解。比如在分支行業績對比 復盤時，確定應關注的指標，并將任務細化為具體步驟。因此，現在很多主流 AI產品都會設置“是否啟用深度思考”的按鈕。從某種意義上講，這是通過產品的功能操作，讓用戶能夠選擇此次是進行快思考還是慢思考。未來 ，此類融合方案或許會成為眾多產品的標配。

02?

數勢SwiftAgent的革新與應用?

目前數勢在SwiftAgent中加入了“深度思考”按鈕，一旦用戶開啟該按鈕，便會調用R1模型進行深度推理與分析。數勢 的工具主要面向一些頭部企業，通過接入DeepSeek后對部分能力特性進行了升級，從四個方面極大 地提升了大模型的能力。

前端代碼生成能力極為出色。實驗得出，直接讓R1基于原始數據生成代碼，此時它在前端快速獲取可視化呈現的能力非常強。以往，大家更多地是借助BI工具來配置一系列看板或駕駛艙，而現在，直接將原始數據交給R1生成H5或JS代碼，其表現十分出色，這極大地增強了可視化能力。

其次推理能力顯著提升了報告的深度。以往模型可能只能給出一些較為基礎、缺乏深度的表述，而現在它能夠真正思考指標是否存在問題，是否需要進行假設推斷等，這大幅提升了報告的質量和深度。 數據分析報告的難 點在于，指標口徑的準確性至關重要，結論需基于指標異常進行推斷，甚至有時還需結合企業內部知識庫或相關文檔生成合理建議。 當數據需要可視化呈現，如轉化為表格以進行對比，或進行異常結論挖掘時，相較于以往如千問模型的思考深度更優，且整個過程對用戶具有可觀測性。

以財務數據異常分析為例，用戶輸入財務數據，模型能夠明確告知用戶，因某指標下降故而進行異常分析，其思考過程中的每一個節點都能直觀地向用戶解釋分析的原因。如此一來，在 呈現報告時，用戶能夠清晰理解報告撰寫的邏輯，而不像以往大模型輸 出結果時，雖有內容卻難以理解分析的依據。從這個層面來看，大模型思考過程的白盒化是一項重大變革，極大地增強了用戶對結果的可信度，也提升了數據解讀報告的能力。過去報告可能僅有純文字，如今則可融入圖片、表格等數據可視化元素，為用戶帶來更好的使用體驗。

此外哪些能力 適合由大模型直接生成代碼去完成，哪些更適合通過工具調用。目前大模型寫代碼的能力很強，但有時仍需編寫Function Code，而非直接讓大模型生成代碼。這主要分為兩種情況：

如果代碼的范式能夠固化，此時大模型直接寫代碼的準 確率會非常高 。所謂固化范式，以圖表為例，基本圖表具有固定范式，從數據分析可視化的角度來看，其模式早已固定，無論何時，餅圖的呈現方式基本一致。在這種情況下，大模型編寫代碼時表現出色，基本不會出錯。

然而，對于 業務邏輯靈活的代碼，大模型則不太適合直接編寫。業務邏輯通常涉及數據庫中事實表與維度表的關聯，這種關聯具有很強的業務邏輯，且不同公司內部表與表之間的關系各不相同。若讓大模型強行編寫涉及三到四個表的復雜關聯代碼，其生成的代碼往往會出現問題。所以建議通過指標平臺的API取數接口，實現指標維度的拼接來獲取數據，這種方式更為妥 當。

03?

金融行業案例與展望

以下將詳細分享某城市商業銀行開展智能數據分析的成功案例，近期該銀行將內部的千問模型替換為DeepSeek V3和R1后，取得了一定的效果提升。該客戶產品面臨的主要問題是 解決行領導在數據提取和分析方面的痛點。這家銀行以往依靠分析師角色，通過人工提取數據表格的方式，為領導提供諸如收入、存貸款情況、同業負債情況等報表。對于銀行領導而言， 其數據需求較為靈活，今日可能關注幾個分支行的余額增速，明日則可能關注業績排名。然而，銀行缺乏足夠的分析師來滿足這些多樣化需求。

因此，銀行期望通過自然語言查詢機制，一方面釋放分析師的時間，提升取數效率；另一方面，為領導提供更敏捷的歸因分析及報告分析能力，以便洞察行內指標變化的異動原因，從而顯著提升工作效果與效率。項目完成后的第一周，領導們提交了數千條查詢請求，系統使用率較高。同時，結合指標語義層，數據準確性高，從問詢到輸出數據的時間基本僅需 5秒左右。

這家銀行開展此項目，以及眾多企業尋求類似服務，本質上源于兩個問題。

• 需求與供給的錯配。即便頭部銀行或大型企業擁有分析師及ETL人員，但隨著業務不斷拓展，需求持續增長，企業不可能招募等量工程師編寫腳本以滿足所有需求，導致人力供給與需求不匹配。因此，企業期望借助AI agent滿足日常取數和用數的分 析訴求，解放人力。

• 指標口徑層面存在黑盒問題。不同部門對同一指標名稱可能存在不同理解，在底層數倉中口徑不一致。所以，構建指標語義層，統一指標口徑，使部門間擁有共通的數據語言，成為亟待解決的問題。

在實施方案中融合了大模型能力與指標語義層交互能力。當用戶提出問題時，首先由大模型進行判斷。若任務復雜，如需要生成深度歸因報告，則通過路由將需求轉至DeepSeek R1處理；若只是簡單的數據提取 ，如按時間、機構、貸款余額等條件提取數據，使用V3或更快的模型即可。即先由大模型進行意圖理解，若為復雜任務，則進入任務規劃階段，由規劃層進行多任務編排。

在指標查詢環節， 通過指標語義層，提取用戶自然語言中的要素。例如用戶詢問各分支行業績情況，其中分支行為維度，過去三個月為時間，業績對應若干指標，存在一套映射邏輯。最后將這些指標語義邏輯翻譯成SQL語句執行，并通過R1這樣的推理模型對報告進行總結，反饋給用戶。目前大模型在完整的數據提取方面能力有限，因為其對SQL底表邏輯的理解存在局限，不過大模型在任務識別與報告生成方面表現出色。因此，將大模型擅長與不擅長的部分區分開來，進行方案融合，以更好地實施相關項目。

該銀行的技術團隊曾嘗試直接使用R1模 型生成SQL。當表結構較為簡單，例如查詢近7日資產時，R1生成的SQL能夠正常運行。然而，當問題中的任務指令較多，不僅需要提取數據，還涉及歸因分析以及報告撰寫等任務時，單純通過代碼生成工具來完成就較為困難。此時會先利用R1進行多任務規劃，第一個任務可能是取數，第二個任務通過歸因分析小模型進行維度歸因，最后借助知識庫生成報告。通過這種結合Agent架構與Function Code形式，能夠更好地滿足業務方在真實復雜業務場景下的分析需求，這些需求不僅包括數據提取，還涵蓋高階的數據洞察、歸因、異常檢測以及報告撰寫等，這也是企業實際會面臨的問題。

在為該金融機構提供服務時，采取分場景推進的方式。因為不可能一開始就覆蓋所有場景。在項目一期，首先解決行領導對行內業績指標對 比的自然語言分析與報告生成需求。到了項目二期，則聚焦于實際業務，如信貸、對公貸款業務，進行風險評估、財務分析或信用卡分析等，從總部視角逐 步擴展到各個業務線的領域和場景。

項目一期上線后，用戶體驗良好。以往，無論是行長還是分支行領導，數據提取流程都是向分析師提出需求，由分析師進行加工，這個過程來回可能需要4個小時。而現在，算法能夠主動幫助用戶發現指標問題，例如告知用戶行內不良率或貸款余額近期的變化，提醒領導關注。領導若想進一步了解各機構業務表 現不佳的原因，進行詳細的數據歸因洞察，可按照分支行、產品類型、客戶類型等維度進行問詢。最后，若領導需要向總行領導匯報，系統可結合企業已有的數據庫和知識庫生成包含異常原因及應對措施等內容的簡單報告。在接入DeepSeek后，該銀行認為其思維鏈生成及數據解讀模塊得到了顯著增強。以往報告可能只有純文字，現在則融合了表格、副文本、圖表與文字，大大提高了報告的易讀性和可解釋性，這也是DeepSeek接入后的優勢所在。

最后分享一下對于DeepSeek的未來，尤其是推理模型演進方向的展望。

第一，DeepSeek的出現實現了AI平權。這一成果意義重大，意味著無論是頭部企業還 是中型企業，都具備了部署開源模型的資源與能力，在這一點上，大企業和小企業處于同等地位，這是AI平臺發展的體現。未來，數據應用組件將以DeepSeek為核心，分析組件作為執行部分協同運作，這樣能使強大的核心與不同的技能池有效配合，更好 地滿足企業需求。

第二，目前DeepSeek仍無法掌握企業內部的私域知識及數據編織邏輯。在此情況下，數據應用產品需承擔“翻譯器”的角色。即在推理模型與企業級復雜數據結構之間構建語義層，以此作為連接用戶自然語言與底層數據表格架構的橋梁，但這是大模型的通用能力所無法實現的。原因在于，DeepSeek當前的上下文處理能力為64K或128K，然而企業實際數據量，大型機構通常可達幾十PB甚至上百PB。顯然，無法將全部數據輸入模型進行分析。因此，未來其64K或128K的上下文更適合用于推理，將任務細致拆解，再由“手腳”組件逐一執行，獲取數據、開展相關分析，并將結果反饋給核心進行總結報告，這種模式更具有可行性。

第三，目前在使用R1時，存在無法控制思維鏈長度的問題，這導致其輸出有時較為啰嗦。若R1未來取得進展，希望它能夠實現對模型輸出的控制。例如能夠在某些場景下將Token控制在1000個以內，而在另一些場景下，允許2000個Token的輸出。如果未來能夠實現對Token的控制，那么在眾多應用場景中，將能夠靈活選擇輸出風格。比如，選擇“謹慎型”輸出，回答問題更加嚴謹；或者選擇相對活潑、簡潔的輸出風格。

現任數勢科技數據智能產品總經理，前頭部 互聯網公司資深量化運營負責人，多年零售與金融行業數據挖掘與用戶運營策略設計經驗，曾為多家大型企業搭建從目標設定、數據診斷、策略設計到優化復盤的全鏈路數字化運營平臺。