加速DeepSeek为业务应用开外挂—Oracle AI-Centric应用开发架构

1.1  DeepSeek改变了企业AI发展的主攻方向

从2025年1月开始，DeepSeek引领了大模型新的技术浪潮，通用人工智能的边界被不断突破，大模型的能力越来越强，AI调用和本地部署的成本却不断降低，企业面临的已不再是“能否使用大模型”，而是“如何用好大模型”，要用好大模型，考虑的核心命题就变成了如何让大模型与企业的业务数据、私域知识高效碰撞，快速孵化出可落地的业务价值。

1、业务数据：大模型落地的“燃料”

大模型的通用能力如同刚毕业的学术专家，需通过企业独有的业务数据激发其潜力。客户购买记录、生产日志、财务核算等数据，是定义企业核心场景的“基础坐标”。例如，零售企业通过大模型结合产品特点和客户画像，可生成千人千面的营销邮件；制造企业结合生产过程和库存数据，可判断进度并优化生产排程。从业务数据出发，大模型才会摆脱“盲人摸象”的困境，真正成为和企业有关系的业务决策的智能引擎。

2、企业私域知识：构建差异化的“护城河” 

在通用大模型趋同化的今天，私域知识是企业实现“人无我有/人有我优”的关键。内部技术文档、行业经验库、专家知识图谱等资源，承载着企业数十年积累的隐性竞争力。例如，IT部门将历史记录和指导手册与大模型结合，可打造精准的工单分配和自动化应答应用；老师傅日积月累的检验维修经验，可辅助大模型给出优秀建议。这些知识让大模型突破通用能力的限制，在专业场景中展现出远超友商的精准度。当然，私域知识的价值释放依赖结构化处理——通过知识图谱构建、向量化存储等技术，将碎片化信息转化为大模型可理解的“语言”。

3、快速碰撞：技术敏捷性与业务洞察的双向奔赴 

DeepSeek推动的技术革新，正在降低业务数据与知识融合的门槛。借助预训练模型微调、Prompt工程优化、RAG（检索增强生成）等工具，企业应该以“敏捷实验”替代“漫长开发”，例如在两周内试点财务报销审核助手，一个月内上线缺陷调试和修复智能应用。这种快速迭代模式，本质上是通过“小步快跑”验证价值场景，再根据反馈持续注入业务数据和优化的知识体系，最终形成可复用的AI能力矩阵。

在这场技术革命中，企业的胜负关键并非选择先进的大模型，而是以数据为锚点、以知识为杠杆，在具体场景中实现“业务需求--AI能力- -商业价值”的闭环。企业考虑的不仅仅是技术工具，更应该是一条从实验到落地的“价值转化通路”——当企业将资源聚焦于自身的数据金矿与知识壁垒时，AI和大模型才能真正从“技术神话”蜕变为“增长引擎”。

1.2  企业如何利用DeepSeek加速已有业务应用

企业AI探索要以业务数据为出发点，业务数据从业务应用中来，要返回到业务应用中去验证业务价值，但对于企业用户来说，已有业务系统很难完全推倒重来，很多业务系统功能界面又因为各种原因难以进行扩展，不便对接多种外部资源或大模型。所以旁路开外挂就是一种及时见到效果的优化选择。

开外挂，其实就是利用已有业务系统的数据，开发出新的用户交互界面（不仅仅是对话式窗口），扩展已有的业务逻辑，连接业务数据，私域知识和DeepSeek，快速获得DeepSeek的建议和总结，反馈到业务系统中，碰撞和体现业务价值。在与大模型交互方面，目前业界有很多开源的AI Agent/编排/知识库框架或工具，以及商业化产品，但是企业在选择和使用这些开源工具和商业化产品中也面临着挑战。

企业建立统一的知识库和编排平台的分析如下：

还有一种方法就是先用端到端工具实现最小可行性产品（MVP），进行快速试验和业务价值探索，这种方式特点如下：

基于以上不同路径的特点，对于还没启动AI战略的企业，建议考虑采取“分阶段推进”策略： 

1. 短期：利用端到端应用快速试验关键场景，验证AI价值并积累数据； 

2. 中期：基于已验证的场景需求，逐步搭建核心知识库（如客户画像、行业知识图谱）； 

3. 长期：通过自研或合作开发编排平台，实现全链路智能化，形成技术壁垒。 

通过这一路径，企业既能快速抓住AI红利，又能为未来深度智能化奠定基础。

因为私域知识的价值释放依赖结构化处理——通过知识图谱构建、向量化存储等技术，将碎片化信息转化为大模型可理解的“语言”，所以企业无论是采用端到端工具，还是构建统一的知识库和AI编排平台，随着功能扩展，必然会面对不同数据库管理的挑战，前面图例中列出了向量数据库，文档数据库，图数据库，算法AI等等，对于大多数企业来说，这方面的技术挑战性巨大，架构复杂，企业需要有合理的规划。

1.3  Oracle AI-Centric加速业务应用对接DeepSeek

Oracle AI为中心的应用开发架构（AI-Centric）为企业提供了一条更为优化的路径，既可以帮助企业简单，灵活，扩展性好的快速启动AI探索，又可以简化企业AI长期发展的数据架构。

Oracle DB 23ai作为融合数据库，提供了结构化业务数据，向量，文档（Text/JSON），属性图（Graph），地理信息的融合存储和融合查询能力，数据库内算法AI，便于对业务数据进行深层次的加工，把更有价值的结果提供给大模型；数据库内SQL对接大模型和RAG管道，简化和加速业务数据，私域知识和大模型快速结合，可以帮助企业构建AI数据平台，满足企业从前期启动，到后期对接和支持多种开发框架，多种AI编排和RAG引擎的需求。

上层界面和业务逻辑方面，Oracle Apex低代码开发工具，提供了Apex助手，能够对接大模型，利用大模型生成SQL代码，Javascript，Css等，加速业务逻辑实现；Apex 24.2提供了AI配置和RAG源，能够快速实现业务数据结合知识，提交给大模型，再把大模型的反馈应用于交互界面，能够满足企业端到端进行AI功能扩展和应用试点的需求。

Oracle DB 23ai和Oracle Apex对于大模型，向量化，RAG过程的支持如下：

当然如果企业有其他应用开发框架，也可以对接Oracle DB 23ai，利用DB 23ai在AI方面的能力，加速MVP应用的构建和简化长期发展。

1.4  Oracle AI-Centric加速业务应用 AI实践

在这里我们介绍两个Oracle AI-Centric加速业务应用扩展AI能力的实践。

财务报销审核助手

需求：随着企业发展，企业财务报销制度会不断调整和变化，报销审核需要能够应对这些变化，原有的财务报销应用基于规则来进行报销审核，每次都要修改，修改的难度大，涉及的应用版本变更和测试都比较复杂。

解决方案：利用Oracle DB 23ai和Apex，构建财务报销审核助手，通过报销条目等业务数据，和最新的报销制度规章结合，提供给大模型，获得报销审批建议，提供给审核人员参考。财务业务数据可以通过Ogg实时同步到Oracle DB 23ai中，也可以通过DBLink，从Apex中获得。

实现过程：

1、财务报销报告和条目查询和内容浏览

Oracle Apex中基于数据库表可快速实现财务报销报告和条目查询和内容浏览

2、报销条目内容提交给大模型，获取审核建议

通过界面按钮，控件事件等，激活AI助手，把报销条目内容，提示词自动提交给大模型（DeepSeek）对话，无需人工手工输入交互。

3、大模型结合报销条目和企业报销规章知识，给出审批建议

提示词和企业报销规章制度等信息最后背景知识，在Apex中通过AI配置和RAG源即可通过配置同时提交，无需手工输入问题查询。本示例中住宿费最高400元/日，培训费不再报销，大模型都指出了超标和不符合规定的报销条目。

4、应用审批建议到用户界面

用户还可继续询问，要求大模型给出特定内容和格式化输出等，当最后信息符合要求后，点击“采用建议”按钮，会自动回写到前面用户界面

5、修改审核状态并保存审核建议。

整个过程无需太多的人工输入即可完成业务操作（当然可以根据业务，在AI助手界面中输入特定要求，例如细化哪部分说明，输出格式等），这部分也完全可以构建任务，在数据库中自动调度完成针对多个报销报告的审核。

生产过程评估助手

需求：企业希望实现业务人员对生产过程数据进行灵活查询，利用查询的结果，结合客户订单，生产计划等，针对生产进度，效率和资源安排等给出智能化评估报告。

解决方案：利用Oracle DB 23ai和Apex，构建数据可视化问答助手，扩展助手能力，能够把报告中的数据提交给大模型，结合生产计划等背景知识，获得大模型评估，构建并保存评估报告。

实现过程：

1、 自然语言查询数据

业务人员可使用自然语言查询特定业务领域的数据（和业务域结合，非天马行空）

2、 业务人员可按需删除和保留查询结果

3、提交查询内容结果给大模型，与大模型对话，获得评估建议

4、可以添加评估结果，保存报告

可以配置为报告保留当前数据，或者打开报告时，获取最新数据。

1.5  Oracle AI-Centric支持企业AI战略

总结上文，Oracle AI-Centric能够帮助企业快速进行业务应用的AI扩展，对接DeepSeek，获得深度洞察和建议，Oracle DB 23ai无论是作为前期快速启动的数据支撑，还是企业长期发展的AI数据平台，都能够很好的提供丰富的数据管理和企业级特性。