DeepSeek作为一个现象级的技术热点在持续发酵，相关的资料很多，有介绍DeepSeek使用入门到精通、DeepSeek如何部署、DeepSeek的技术原理和实现是如何做到性价比最优等等。各行各业也争先恐后的宣布接入DeepSeek大模型，本文结合实际的运维工作中，如何借助DeepSeek来赋能实际的运维工作，有哪些运维场景进行了探讨。

---

1、为什么是DeepSeek

1.1 DeepSeek大模型的优势

DeepSeek V3/R1大模型之所以在发布后能够引起全行业的轰动以及全民的探讨热度，个人认为主要是开源免费后能够在本地化部署以及开放的API接口调用、和同类大模型性能相当的情况之下做到训练和推理成本更低以及中文语义的理解和上下文推理能力。

1）开源免费

相比较国内外多数大模型采用闭源或者有限开放的方式，DeepSeek R1采用MIT许可协议，允许用户免费商用、任意修改和衍生开发。这种开放性打破了传统闭源模型的垄断，降低了技术使用门槛，使中小企业和开发者能够基于R1进行二次开发，无需支付高昂的授权费用。同时开源了全系列模型（1.5B至70B参数），并适配多种硬件架构（如NVIDIA PTX编程、存算一体芯片），支持本地化部署，甚至在普通笔记本上都可以部署运行自己的小模型。截止到目前国内外有包括阿里云、华为云、腾讯云、AWS、微软等云厂商提供DeepSeek R1的服务，并且有160多家国内外企业宣布加入DeepSeek生态，涵盖AI芯片、云计算、终端应用等领域。

2）性能相当下的低训推成本

通过优化算法（如强化学习、专家混合架构）和训练流程，R1大幅降低了训练和推理的算力需求。DeepSeek R1模型在数学与逻辑推理、代码生成和物理模拟等测试验证过程中表现出极优的性能，而这些的训练和推理成本只有同类大模型的几十分之一。这为本地化部署大模型并进行专业领域的大模型训练提供了可能，降低了部署和推广使用的成本。

3）强化学习推理能力

DeepSeek R1模型在中文语义的理解和总结上相比其它模型，能结合数据与实例生成可靠内容、解析中文复杂句式中的指代关系和隐含逻辑。从开放的思维链能够看出推理的过程更为接近人类的思考过程，甚至有自我反思和推断。

1.2 本地化运维领域专业大模型构建

基于现有通用大模型构建本地化的专业大模型，其实是一个系统性的工程，涉及到专业领域数据源的采集、清洗和加工，模型的微调和训练、评估以及准确性验证，再到模型的应用构建和推广使用。

• 数据的采集与清洗：整合应用系统运维日志和监控数据、故障案例、运维操作手册和应急手册、各软件产品的官方文档和维护手册（如Oracle手册、Kylin系统维护手册等）、应用和设备实例CMDB数据和拓扑关系数据，形成专有的运维知识库数据。

• 模型监督微调SFT：基于运维数据对DeepSeek R1进行微调，增强其对运维术语、流程和场景的理解，生成模拟运维场景的深度推理数据（如故障诊断步骤），结合人