老板眼中的DeepSeek能干啥？用魔法打败魔法，颠覆你的认知！

推荐语

老板视角下的AI应用，颠覆你的工作方式！

核心内容：
1. AI在数据集成、需求预测与自动化中的实际应用
2. DeepSeek与SAP结合带来的业务流程革命
3. AI技术如何提升员工效率与减少工作损伤

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

有一天老板转发了一篇文章给我，让我学习一下， 讲的是 DeepSeek 如何与 SAP 模块结合， 内容要点大概像是这样的（为了避免对号入座，我用AI翻译一下，就不截图了）：

• • API/中间件集成：通过SAP NetWeaver或REST API打通DeepSeek与SAP的数据通道，使用IDoc、BAPI或RFC协议实时同步采购订单、库存数据、供应商信息等。

• • 数据湖构建：将SAP的物料主数据、交易记录与外部数据（市场行情、IoT传感器数据） 整合到DeepSeek的数据湖中，供AI模型训练使用。

• • 需求预测：利用DeepSeek的时间序列模型分析历史采购数据、销售趋势及市场因素， 生成动态需求预测，自动触发SAP的采购申请。

• • RPA自动化：DeepSeek RPA机器人自动将采购订单（PO）从SAP发送至供应商系统，并抓取确认回执更新SAP状态。
• • 端到端可视化：在DeepSeek平台集成SAP数据，构建供应链数字孪生，实时监控采购-库存-生产链路，识别瓶颈环节。
• • 数字员工教练：DeepSeek AI通过监控视频实时指导新员工操作，纠错响应速度快至0.3秒

• • 光场拣选：通过DeepSeek毫秒级光谱识别技术，在混合SKU周转箱中实现99.998%准确抓取
• • 肌肉外骨骼智能适配：DeepSeek 通过肌电信号分析自动调节助力强度，重物搬运损伤率下降90%
• • ...

当然，上面只是一些我大概看懂的，或者感觉我能接触到的， 还有一些我觉得我不配接触到的内容，比如:

• • 真空仓蚁群算法：太空站仓储系统通过AI模拟微重力环境下的货品稳定策略
• • 战时级弹性调度：模拟战区环境的分布式仓储网络，AI指挥无人机实现轰炸区物资投送
• • 月光仓库计划：基于天文数据的智能照明系统，月光充足时自动切换自然光源

其实打开文章看到第一屏的第一眼，我的第一感觉就是：好家伙，老板被传销了么。 这些文案跟大模型或者 生成式人工智能以及标题中的 DeepSeek，虽然不能直接说完全毫无关系吧，但是基本也可以毫不客气的说 这是言语工整但是毫无逻辑的幻觉词汇的对齐（简称胡说八道）。

而且更巧的是，这类文章我并不是第一次收到， 之前也被人转发过几篇差不多的，甚至还有直接整理成文本发微信给我看的， 作为一个科技博主，加之对方本身就是要跟我请教，第一次的时候，我非常有耐心的跟对方聊了半天，

• • 从什么时候机器学习和人工智能，
• • 到大语言模型又是啥，
• • 以及相关的API咋调用，
• • 传统程序和AI的关系，怎么集成，
• • 到最后的 DeepSeek 有哪些同类，又有哪些区别，
• • ...

最后的最后我又解释了下这个文章里的内容有多不靠谱， 大概率AI生成的，甚至生成这篇文章时候，提示词都写得超级不咋地， 生成了之后有估计看都么看就发出来了（当然也不排除自己也看不懂）。

以及不要太当真，DeepSeek 不是万能的等等。

然而，看到第一个受害者我很热情，看到第二个受害者时候我就麻木了。 直到老板也转发给我了这篇文章。

虽说我们公司的系统已经对接了各个厂商的大模型，如果客户需要也可以为客户部署私有模型， 也实现了自己的智能体框架，并集成在系统中的诸多功能里面。 但是貌似总有好多人看不上实实在在的东西，总是要追逐一些自己都讲不明白的东西， 无端增加自己的焦虑感。

不过我也不能太实事求是的直接回复老板，告诉他真相，这是。

老板是让你学习，是让你做事的，不是花钱来请你教他做事的。

既然这样，我们还是要秉着「干中学」，「学中问」的思想，按着文章的思路把这条路走下去， 所谓打工就是拿人钱财替人消灾，不过这条路上现在有AI帮忙。

需求分析 1

既然我觉得这个是 DeepSeek 这个 AI 生成的，那就以毒攻毒， 用魔法打败魔法，让AI帮我们把这件事做了。

首先我们试着问问他。

经过半分钟的思考，它给出了我一个结构非常完整的回答。

首先解释下这段话是什么意思：

不过这里他好像把 DeepSeek 当成一个外部系统了，显然不是我们想要的。

虽然但是，这个回答的真的很让人信服，后面还有给出了实现步骤。

• • 第一步怎么明确场景，选择协议

  

• • 第二步怎么配置系统

  

• • 第三步怎么进行中间件开发

  

• • 以及后面的数据转换，实时性保障，还有监控和测试

  

• • 甚至技术选型和常见问题以及解决方案都给出来了

  

为了确认这个事儿，咱们和 DeepSeek AI 确认一下：

分析给我了四种可能，以及实例场景和集成意义：

• • 第三方业务系统
• • 数据分析/AI平台
• • 企业内部自研系统
• • 物联网（IoT）平台

  

果然，这个 DeepSeek 不是我理解的 DeepSeek。

我们提示词给出来 DeepSeek 的定义，再让它分析一下：

这次 DeepSeek 先给出质疑，分析了其矛盾点和不合理性：

1. 1. LLM的本质限制：

• • 大语言模型（如DeepSeek）本质是非事务性系统，擅长自然语言处理、知识推理，但无法直接存储或管理业务数据（如采购订单、库存）。
• • 若强行让LLM“同步”数据，需额外定义其角色（如数据中转层、决策引擎），否则逻辑不成立。

• 2. 协议适配性问题：
• • IDoc/BAPI/RFC是SAP传统协议，依赖结构化数据交互，而LLM的输入输出以非结构化文本为主，二者需中间件进行格式转换。
• 3. 实时性冲突：
• • LLM的推理过程存在延迟（如GPT-4响应时间约2-3秒），难以满足毫秒级实时同步要求（如库存扣减）。

这才是我理解中的 DeepSeek 和 大语言模型 嘛，认知终于对上了。

正当我松了一口气的时候，AI 又给我分析出了一些可能性：



好家伙，硬是从不合理从中分析出合理性来。我觉得要是你去给康熙当官， 和珅和纪晓岚都啥事也轮不到了。

• • ✅ LLM处理非结构化决策（如“因台风影响，建议提前采购20%库存”），而非直接操作数据。
• • ✅ LLM作为SAP的前端交互层，替代传统事务代码（T-Code）操作。
• • ✅ LLM用于非结构化到结构化数据的转换，但需严格校验逻辑（如防幻觉导致错误单据）。

同时给出了技术实现路径，虽然我不想承认，但是不得不说，它说的基本没错。 这也是几乎所有应用系统和LLM集成的大致步骤。



接下来给出的合理性评估我们可以忽略，已经脱离了文本的字面意思。



应用场景举例倒是没错（虽然通用实现不是那么简单）：



最后给出的挑战与应对很有含金量，



特别是幻觉风险，对企业级的应用来说尤为重要：

• • 严格限制LLM输出范围（如仅允许生成预定义动作的指令）。
• • 使用RAG（检索增强生成）技术，基于SAP主数据约束生成结果。

最后的最后，再让真正的DeepSeek 给我定个性吧， 告诉我这是合理需求还是胡说八道：

看到最终结论，好吧心里舒坦了。



判断依据也是有理有据：



潜在合理场景和刚才说的一样，没毛病。但是大家注意红色标的这几个字：需彻底重构设计。 意思就是：



意思就是要么把这段设计删了重新写，要么把系统删了重新写。

需求分析 2

既然前面这个流程十分顺利，我们再随便看看别的需求和设计。

比如需求预测这条：

需求预测：利用DeepSeek的时间序列模型分析历史采购数据、销售趋势及市场因素， 生成动态需求预测，

看到一个很新颖的说法：DeepSeek的时间序列模型。 自诩在 AI 前线走的最慢的一群人，前两周还整理过 DeepSeek 开源的所有模型，竟然没听过 DeepSeek 还有时间序列模型， 秉承学中问的思想，直接让 DeepSeek 来个联网搜索。

好吧，跌宕起伏的心情稍微平静，原来不是我孤陋寡闻了。





话说我真不知道这是用啥样的提示词能让如此聪明的AI写出这么反智商的东西来。

你把这句话给AI，AI都会告诉你怎么正确表达：

建议修正表述： “利用时间序列模型分析历史数据，结合DeepSeek解读市场文本因素，生成动态需求预测。”



同样的，后面充斥着各种各样的碰瓷行为，任何东西都要拿 DeepSeek 去贴个标：

• • DeepSeek的数据湖，
• • DeepSeek RPA机器人、
• • DeepSeek毫秒级光谱识别技术、
• • ...

我估计 DeepSeek 的老板 梁文峰 都不知道自己家的产品有这么强大吧。

事情的最后

按下解读这篇文章是的心情不说。

事情的最后，作为一名爱岗敬业的优秀员工，为了缓解老板对于AI的焦虑， 我把这篇文章发给 DeepSeek， 让它挑了一些能基本合理的点，同时重新修正表述，把又把我司的情况发给它， 它给我写了一个个的实现步骤指南，以及实现成本包含工时的清单。

最后我又用AI套模板列写了个PPT给到了老板 （我甚至还贴心的在实现的章节里面加上了我们会用 AI 进行辅助编程，提高了N多的效率）。

希望老板能开心。