《
deepseek原理应用与实践》
2.deepseek极限潜能 - 多跳推理
最近几周自学deepseek原理+应用+实践，一些成果，和大家分享。
1. 小部分人会关心，
deepseek为什么这么流弊
；
今天和大家聊聊，deepseek的核心机制之一的
多跳推理
，以及如何优化我们的提示词，使得deepseek能够最大化发挥其多跳推理的潜力。
多跳推理，multi-hop reasoning，是模型将不同源中的信息关联，整合与推理的能力。
我们会发现：
比拼参数量的大模型，是无法从已有知识中得到提问的答案的
，但通过简单推理，将已有的多源信息关联，就能极大提升回答的质量。这就是多跳推理。
是不是这样？当我们面临一个新的问题时，如果我们脑中的信息没有直接答案，
我们就是通过多跳推理，通过信息的关联，一步步找到答案。
这对我们人来说简单，但对大模型来说就要了命了，信息量十分巨大，两个信息的关联，三个信息的关联，多个信息的关联，即使能够预处理，其计算量也是巨大的。
既然deepseek用了这个技术，我们如何能够最大化发挥deepseek多跳推理的优势呢？
通过提示词显性的告诉deepseek关联关系与关联步骤
，而不要让大模型在有限的深度思考里，浪费注意力去探索海量的关联关系。
good case：请帮忙
通过以下步骤
定位与修复异常代码：
2. 查看出错模块的日志信息，定位异常代码的源文件名，函数名
说到底，我们是如何思考与解题的，就
显性的用提示词告诉deepseek如何思考与解题
，这样能够：
1. 极大提升deepseek效率，
提升答案深度
；
3.
提升知识的准确性
，而不是让deepseek在有限的深度思考时间里自行探索；
1. 多跳推理能极大提升deepseek的回复质量；
3. 提示词通过显性告之deepseek关联关系与关联步骤，能够最大化发挥多跳推理的潜力；
一切的一切，
提示词只有适配了AI的认知模式，才能最高效的发挥最大的作用。
https://arxiv.org/pdf/2401.15391
原理与技术才是本账号的核心。
接下来准备再花一些时间，开一个新的系列，通过图文+短视频的方式，讲讲deepseek背后的原理，应用与实践。
