·私有化部署DeepSeek：除了为GPU厂商增加销售收入外，实际意义有限。
·探索应用场景：通过组织座谈会和研讨会，发掘DeepSeek的应用场景。虽然各种场景层出不穷，但大多数与DeepSeek无关，且难以落地。
·实际落地应用：最终可能落地的应用主要是知识问答，通过RAG知识库实现企业私域知识问答。
·进阶应用：通过Agent编排平台实现一些简单知识库+流程应用，但Agent编排平台功能有限，仅适用于轻量化应用。
我们所熟知的其实是DeepSeek的大语言模型，当然它还有多模态模型等。
然而，AI并不只是DeepSeek，DeepSeek只是大语言和多模态模型底座的一种。
实际在企业AI场景应用中，通常会涉及大语言模型、多模态、计算机视觉、仿真模拟、各种统计和优化算法小模型，以及大量的工程化能力。这些技术通常需要组合使用，甚至可以说相对而言大语言模型的价值贡献有限。
企业端AI真正落地的应用，需要以下关键要素：
AI需求往往来自于长尾化、碎片化的需求，需要对企业业务和流程有深厚的理解和实操经验。例如：
·我们与车企探讨如何利用计算机视觉技术自动识别设计图纸中数以百万计零件中的特定零部件，并通过自动化手段完成处理。
·发掘需求：需求普遍存在于产研供销以及财务、人事管理等各个方面。
·鉴别需求：是真需求还是伪需求？性价比如何？并非所有需求都值得投入，需评估投资回报率，并判断是否是大模型可以解决的问题。
·选择快赢点和未来实施路径：确定优先实施的领域和未来发展路径。
AI场景落地需要用到多个模型和多种能力。大语言模型目前更多只是在问答应用上相对成熟，但实际企业端场景落地要复杂很多。
下图或许可以帮助我们更加理解一个AI智能体的架构，企业更需要的是AI基础大模型层往上的能力。
许多自媒体文章称DeepSeek是大脑，而Manus是手。其实Manus是大语言模型驱动API在C端场景下的Agent助手，容易产生共鸣和情绪价值，但商业链路较长。而在企业端生态下，API不够丰富，且只能驱动轻量化场景。例如，大模型接入飞书API可以驱动自动请假流程，但实际的企业应用有价值的场景往往要复杂很多，大部分场景需要RPA机器人去做执行。
而COE（Center of Excellence，卓越中心）能力，也即是是否能持续挖掘自动化流程场景，是否具备把这些场景变成机器人的能力，是赋能企业AI落地的关键。
云钠科技的价值在于深刻理解企业的业务流程，已经积累了数以万计的自动化场景，并且云钠科技独特的松耦合产品架构已经将这些自动化场景封装成了可独立运行的API被大模型直接调用，从而赋能企业实现自动化、智能化转型升级。如下图所示：
自动化场景的积累结合大模型技术是我们看到的一条企业Agent落地的方向。AI并不等于DeepSeek，但无疑DeepSeek驱动了一场AI科普运动。
