WPS的AI助手进化跟踪(灵犀+插件)

Ver

V0.0 250216: 如何给WPS安装插件用以支持其他大模型LLM

V0.1 250217: WPS的灵犀AI现在是DeepSeek R1(可能是全参数671B)

前言

WPS也有内置的AI，叫灵犀，之前应是自已的LLM模型，只能说是属于“能用，有好过无”，所以我一直在找能否在WPS上用上其他的LLM大语言模型，比如目前最火的DeepSeek，结论是：安装OfficeAI助手，就能在WPS上用上其他的LLM了。
2025-2-17号，发现WPS灵犀AI的底座LLM已明确显示是DS R1了。

Index

OfficeAI助手 - 免费办公智能AI助手, AI写作

OfficeAI助手插件（主要是下载、安装、设置）

1、下载、安装(自动安装VC库时有点慢)

OfficeAI助手 - 免费办公智能AI助手, AI写作（在这里下载）

软件版本: v0.3.15

软件大小: 32MB

软件授权: 免费

支持语言: 中文/英文

更新时间: 2025-2-14

系统平台: Windows/Office/WPS

2、设置WPS信任第三方COM加载项才能在WPS中使用

默认情况下wps会阻止加载第三方插件，解决方法:

运行WPS,打开或新建任意文档；
左上找到文件菜单->选项,在选项页面中找到信任中心 :
勾上”受信任的加载项”(如没找到下图的选项，请将wps更新一下)
点“确定“保存对应设置，重开一般会显示。如还是未显示，重装一下插件。
重启WPS后出现"OfficeAI"
在WPS右侧需要用微信扫码后使用

3、设置使用的LLM大模型

（1）LLM默认是豆包的lite-32K（默认支持：豆包、百度、ChatGLM、通义）

从综合应用来说，这里推荐使用豆包的:doubao-pro-32K，Doubao-pro-32K 是一款兼顾性能与成本的中长文本处理模型，32K属于中等偏长的上下文长度，平衡了性能与成本。若需更高性价比或超长上下文支持，可结合 Doubao-lite 或 Doubao-pro-128k 使用。

注：这里的32K的解释
指模型的上下文窗口（context window）为32,000 tokens(支持 32K 上下文窗口（约 3.2 万汉字），适合处理长文本推理和交互)。这一指标决定了模型单次处理文本的长度上限。32K的上下文能力允许模型处理更长的对话、文档或代码（例如分析长文章、撰写报告、调试复杂代码等），适合需要长文本记忆的场景。下表是一个直观的模型类型映射到场景的说明：

模型类型	特点	适用场景
Doubao-lite	响应速度更快，成本更低（输入 0.3 元/百万 tokens）	实时交互、简单任务
Doubao-pro-128k	支持 128K 上下文（约 12.8 万汉字），适合超长文本分析	法律文档、论文研读
Doubao-vision	多模态模型，擅长图文理解	图像描述、视觉问答

（2）使用DeepSeek

下面是我使用官网的KEY，模型用的是R1。

4、使用

OfficeAI助手简介 | OfficeAI助手（在线使用手册）

附录1：灵犀的底座模型的介绍(DS R)

附录2：deepseek-chat和deepseek-reasoner的区别和使用场景

deepseek-chat 和 deepseek-reasoner 是 Deepseek 平台提供的两种不同功能的模型，其区别和使用场景如下：

1. 核心区别

模型	功能定位	技术特点
deepseek-chat	通用对话与交互	面向自然语言对话场景，擅长生成流畅、连贯的文本回复，支持多轮对话和日常交流。
deepseek-reasoner	逻辑推理与复杂问题解决	针对需要深度分析、逻辑推理的任务（如数学计算、代码调试、决策支持等），强调结构化思考和精准输出。

2. 使用场景对比

deepseek-chat

适用场景：
- 客服机器人（自动回复、用户咨询）。
- 日常闲聊、情感交流。
- 内容生成（如文案撰写、故事创作）。
- 简单信息查询（天气、新闻摘要等）。
示例任务：
- 用户问：“推荐一部好看的电影。”
- 生成营销文案：“为新产品写一段吸引人的广告语。”

deepseek-reasoner

适用场景：
- 数学/物理问题求解（如方程推导、几何证明）。
- 代码分析与调试（解释代码逻辑、修复错误）。
- 科学计算与数据分析（如统计推断、数据建模）。
- 复杂决策支持（基于规则或数据的策略建议）。
示例任务：
- 用户问：“如何用 Python 实现快速排序算法？”
- 解决数学题：“已知三角形三边长为 3、4、5，求其面积。”

3. 选择建议

选择 deepseek-chat：
若任务以开放性对话、文本生成为主，无需深度逻辑分析，优先使用此模型。其响应更自然，适合交互性强的场景。
选择 deepseek-reasoner：
若任务涉及结构化问题、数学/编程挑战或需要分步推理，则选择此模型。它更注重精准性和逻辑严谨性。