Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

deepseek

Answer

DeepSeek 是一家具有独特特点和影响力的公司：

  1. 其秘方具有硅谷风格：
    • 不是“中国式创新”的产物，不能简单地将其比喻成“AI 界的拼多多”或认为其秘方就是多快好省。
    • 早在 2024 年 5 月 DeepSeek-V2 发布时，就以多头潜在注意力机制（MLA）架构的创新在硅谷引发轰动。
    • 已成为中国最全球化的 AI 公司之一，赢得全球同行甚至对手尊重的秘方也是硅谷风格。
  2. V-3 可能是 DeepSeek 的 GPT-3 时刻，未来发展充满未知但值得期待。
  3. 关于提示词 HiDeepSeek：
    • 效果对比：可通过 Coze 做小测试进行对比。
    • 使用方法：包括搜索网站、点击“开始对话”，发送装有提示词的代码，阅读开场白后正式开始对话等步骤。
    • 设计思路：将 Agent 封装成 Prompt 并储存于文件以减轻调试负担，实现联网和深度思考功能，优化输出质量，设计阈值系统，用 XML 进行规范设定等。
    • 完整提示词：v 1.3。
    • 特别鸣谢：李继刚的【思考的七把武器】提供思考方向，Thinking Claude 是设计灵感来源，Claude 3.5 Sonnet 是得力助手。
Content generated by AI large model, please carefully verify (powered by aily)

References

DeepSeek 的秘方是硅谷味儿的

将DeepSeek比喻成“AI界的拼多多”是偏颇的，认为DeepSeek的秘方就是多快好省也是不全面的。中国的大多数AI公司都缺卡，也都因为缺卡而拼命搞架构创新，这点没什么不同。要知道，DeepSeek在硅谷受到关注和追逐不是这两周刚发生的事。早在2024年5月DeepSeek-V2发布的时候，它就以多头潜在注意力机制（MLA）架构的创新，在硅谷引发了一场小范围的轰动。V2的论文就引发了AI研究界的广泛分享和讨论。当时，一个非常有意思的现象是：X和Reddit上AI从业者在讨论DeepSeek-V2，同时，DeepSeek在国内舆论场被描摹成了“大模型价格战的发起者”，有点平行时空的感觉。这也许能说明：DeepSeek跟硅谷更有对话和交流的密码，它的秘方应该是硅谷味儿的。

DeepSeek 的秘方是硅谷味儿的

如果V-3真的是DeepSeek的GPT-3时刻，那接下来将发生什么？是DeepSeek的GPT-3.5——也就是ChatGPT时刻，或是其它？没人知道，但有意思的事儿应该还在后头。DeepSeek应该不会永远是一个“计算机系Pro”的存在，它也理应为全人类的人工智能事业做出更大的贡献。无论如何，DeepSeek已经是中国最全球化的AI公司之一，它赢得来自全球同行甚至对手的尊重的秘方，也是硅谷味儿的。

一个提示词，让 DeepSeek 的能力更上一层楼？——HiDeepSeek

用Coze做了个小测试，大家可以对比看看[e8c1a8c3012fedad10dc0dfcc8b1e263_raw.mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/Jz9cbKxDbocGtIxXFFEcdiHjnRc?allow_redirect=1)[heading1]如何使用？[content]Step1：搜索www.deepseek.com，点击“开始对话”Step2：将装有提示词的代码发给DeepseekStep3：认真阅读开场白之后，正式开始对话[heading1]设计思路[content]1.将Agent封装成Prompt，将Prompt储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担2.通过提示词文件，让DeepSeek实现：同时使用联网功能和深度思考功能3.在模型默认能力的基础上优化输出质量，并通过思考减轻AI味，增加可读性4.照猫画虎参考大模型的temperature设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改5.用XML来进行更为规范的设定，而不是用Lisp（对我来说有难度）和Markdown（运行下来似乎不是很稳定）[heading1]完整提示词[heading2]v 1.3[heading1]特别鸣谢[content]李继刚：【思考的七把武器】在前期为我提供了很多思考方向Thinking Claude：这个项目是我现在最喜欢使用的Claude提示词，也是我设计HiDeepSeek的灵感来源Claude 3.5 Sonnet：最得力的助手

Others are asking
deepseek到底是什么？打个比方
DeepSeek 是一个在 AI 领域受到关注的品牌。它在硅谷受到关注和追逐，早在 2024 年 5 月 DeepSeekV2 发布时，就以多头潜在注意力机制（MLA）架构的创新引发了小范围轰动。DeepSeek 不是“中国式创新”的产物，其秘方更具硅谷风格。 DeepSeek 是基于 AI 模型的产品，需要搭配具体模型，如 DeepSeek V3（类 GPT4o）和 DeepSeek R1（类 OpenAI o1）。它展示出媲美领先 AI 产品性能的模型，但成本较低，在全球主要市场的 App Store 登顶。在实际使用体验方面，在文字能力上表现突出，尤其在中文场景中高度符合日常、写作习惯，但在专业论文总结方面稍弱。数学能力经过优化表现不错，编程能力略逊于 GPT。 需要注意的是，将 DeepSeek 比喻成“AI 界的拼多多”是偏颇的，认为其秘方就是多快好省也是不全面的。
2025-03-03
用deepseek写论文指令
以下是关于用 DeepSeek 写论文的相关指令和方法： 1. 高级调试策略： 模糊指令优化：对于宽泛需求，可添加维度约束；对于主观表述，可量化标准。例如，将“写小说”修正为“创作以 AI 觉醒为背景的悬疑短篇，采用多视角叙事结构”，将“写得专业些”修正为“符合 IEEE 论文格式，包含 5 项以上行业数据引用”。 迭代优化法：包括首轮生成获取基础内容、特征强化、风格调整和最终校验等步骤。如加强第三段的技术细节描述，改用学术会议报告语气，添加结论部分，检查时间逻辑一致性，列出可能的事实性错误。 2. 高阶能力调用： 文风转换矩阵：如作家风格移植、文体杂交、学术口语化等指令结构和效果示例。 领域穿透技术：如行业黑话破解，例如“解释 Web3 领域的'胖协议瘦应用'理论”。 3. 场景化实战策略：包括商业决策支持、创意内容生成、技术方案论证等。 4. 效能增强技巧： 对话记忆管理：如上下文锚定、信息回溯、焦点重置。 输出质量控制：针对过度抽象、信息过载、风格偏移等问题类型的修正指令。 5. 特殊场景解决方案： 长文本创作：可采用分段接力法和逻辑粘合剂。如“先完成故事大纲→逐章扩展→最后进行伏笔校验”，“确保新章节与前文的三处细节呼应”。 敏感内容处理：如概念脱敏法和场景移植法。 此外，在使用 DeepSeek 写论文时，还需注意以下几点： 示例是一种隐性的需求说明书，添加示例可让大模型更懂需求，但 few short 可能影响模型性能。 自用和他用的提示词在稳定性、经济性、可维护性等方面有较大区别，工业化提示词需稳定、经济且易维护。 将 R1 的思维链给 cloud 回答，结果可能大大改进。 同时，不同的模型有其特点，如 Cloud 3.5 模型多样性差，Deepseek R1 有缺陷但也不错，可根据需求选择合适的模型，如街悦新城的文学大师版等。
2025-03-03
如何高效使用“deepseek+”？
以下是一些关于高效使用“DeepSeek+”的信息： 各地举办了相关活动，如在郑州场展示了搭建的工作流，深圳场分享了出海的落地方案，北京场玩起了 AR+机械汪，广州场探讨了如何辅助速通吃“霸王餐”，福州场有最年轻的分享者展示玩转示例。 可以结合飞书多维表格来发挥其强大之处。 向阳乔木介绍了通过结合 VS Code、Cline 插件和 Deepseek API 等工具提升应用能力，实现自动发送邮件、查找重复文件、网页抓取翻译等功能。 伊登展示了最新 Deepseek+coze 实现新闻播报自动化工作流，具有全自动化处理、40 秒快速出片、成本低廉、输出质量稳定专业等优势，还能进行一系列改进，如加入配套 BGM、增加画面内容和转场效果、使用免费节点替代付费插件、优化模板样式、增加自动化程度支持批量处理等。您可以在扣子商店体验，也可以自己搭建。 您可以参考以上内容，根据您的具体需求来高效使用“DeepSeek+”。
2025-03-03
用deepseek写法学本科论文 有哪些指令
DeepSeek 可用于法学本科论文写作，以下是一些相关指令和方法： 1. 文风转换矩阵： 作家风格移植：例如“用鲁迅杂文风格写职场 PUA 现象”。 文体杂交：比如“将产品说明书改写成《史记》列传格式”。 学术口语化：“把这篇论文摘要翻译成菜市场大妈能听懂的话”。 2. 领域穿透技术：行业黑话破解，如“解释 Web3 领域的'胖协议瘦应用'理论”。 3. 效能增强技巧： 对话记忆管理：包括上下文锚定（“记住当前讨论的芯片型号是麒麟 9010”）、信息回溯（“请复述之前确认的三个设计原则”）、焦点重置（“回到最初讨论的供应链问题”）。 输出质量控制：针对不同问题类型进行修正，如过度抽象（“请具体说明第三步操作中的温度控制参数”）、信息过载（“用电梯演讲格式重新组织结论”）、风格偏移（“回归商务报告语气，删除比喻修辞”）。 4. 特殊场景解决方案： 长文本创作：采用分段接力法（“先完成故事大纲→逐章扩展→最后进行伏笔校验”）和逻辑粘合剂（“确保新章节与前文的三处细节呼应”）。 需要注意的是，使用 DeepSeek 辅助写作时，仍需您自身对法学知识的深入理解和研究，以确保论文的学术性和专业性。
2025-03-03
如何在电脑上用chatbox框架，使用ollama搭建deepseek模型
在电脑上使用 Chat Box 框架，通过 Ollama 搭建 DeepSeek 模型的步骤如下： 1. 阿里云百炼平台： 百炼平台的模型广场有各种模型，包括音频理解、视频理解等，通义的一些强模型也在其中。 百炼平台无需部署，可直接使用 DeepSeek R1 模型。 DeepSeek R1 模型的价格与各大平台差不多，有大量免费额度，如 100 万 token，不同版本的模型如 7B、14B、32B 等也送了 100 万 token，LLAVA 限时免费。 使用 DeepSeek R1 模型需要解锁和授权，没有授权按钮的需要对阿里云进行实名认证，可通过支付宝扫码或在右上角头像处进行，共学群里有相关指引。 在首页体验模型页面可对比不同模型的效果，如 V3 和 R1，R1 会先思考，速度较快。 多模态可以识别更多输入信息，如读文件、图片等，而 DeepSeek R1 本身不是多模态模型。 通过模型广场的 API 调用示例获取链接，截断后粘贴到 Chat Box 的设置中，添加自定义提供方，设置模型名称为 DeepSeek R1，并获取 API key。 API key 可删除旧的并重新创建，方便本地软件连接。 2. Docker + RAGFlow + Ollama 搭建： 返回 RAGFlow 中，打开右上角设置，进入模型提供商。 选择 Ollama，配置相关信息，模型取决于运行的模型。 配置基础 URL。 导入一个 embedding 模型，用于文本向量化。 设置系统模型设置。 进入数据集，导入文件，可设置文件夹当作知识库。 对文件进行解析，解析速度取决于本机 GPU 性能。 解析好之后，进入检索测试。 测试没问题，可进入聊天界面，助理设置可自行设置。 对于开源模型，如 DeepSeek、Llama 等，可以使用以下方式： 1. Inference Provider：使用 Together AI 等推理服务提供商，在线体验和调用各种开源模型。 2. LM Studio：使用 LM Studio 等本地应用程序，在个人电脑上运行和部署较小的开源模型。
2025-03-03
如何微调deepseek
微调 DeepSeek 可以通过以下步骤和方法： 1. 应用 KL 散度约束更新策略来调整策略的概率分布。例如，已知 ABC 策略初始概率分布为，根据相对优势调整后的权重可以通过指数函数来转换，以确保权重为正数且总和为 1。计算未归一化的权重，如 A: e^1≈2.178，B：e^0=1，C: e^1≈0.368，然后归一化权重，总和=2.718+1+0.368=4.086，新权重分别为 A: 2.718/4.086≈0.665，B: 1/4.086≈0.245，C: 0.368/4.086≈0.09。通过这样的步骤，策略 A 的总体优势最高，其权重增加，策略 B 表现中等，权重基本保持不变，策略 C 表现较差，权重减少。在不同场景（不同组）的计算中，每个策略的权重会相应调整以获得更高的分数。在文本生成阶段，可以用来评估和调整不同生成策略（比如贪婪搜索，随机采样，束搜索）的有效性，从而提高生成文本（尤其是复杂文本）的连贯性和多样性。 2. 模型蒸馏微调方面，用 Deepseek RE Zero 蒸馏出带思考的数据，基于 Deepseek V3 微调，进行冷启动，再做强化学习，还从非公布模型提取微调数据，加上人类偏好，最终形成 R1。同时，Deepseek R1 反过来蒸馏数据微调 V3，形成互相帮助的局面，使两个模型都更强。 3. 在训练过程中给予模型反馈，如路线规划是否成功到达终点、输出格式是否符合期望等，对正确路线增强权重，使做对的概率变高，导致思考逻辑变长。 4. 关于部署方面，讲解了如果拥有云服务器如何进行本地部署，以及满血版本地部署的实际情况。在 freely.aliyun.com 可领取 500 元免费额度，但有使用限制，不能部署满血版和较大的增流模型。同时介绍了 DLC、DSW 和 EAS 等模型部署平台服务的差别。 更加完善的训练说明，可直接阅读官方论文：DeepSeekAI《DeepSeekR1:Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》https://arxiv.org/html/2501.12948
2025-03-02