最近幾周自學deepseek原理+應用+實踐，一些成果，和大家分享。

對于deepseek的流弊：

• 小部分人會關心，deepseek為什么這么流弊；
• 大部分人會關心，提示詞要怎么寫；

今天和大家聊聊，deepseek的核心機制之一的多跳推理，以及如何優化我們的提示詞，使得deepseek能夠最大化發揮其多跳推理的潛力。

什么是多跳推理？

多跳推理，multi-hop reasoning，是模型將不同源中的信息關聯，整合與推理的能力。

比較抽象，舉個例子。

• 源1：項目A是張三開發的（信息）
• 源2：項目A是李四測試的（信息）
• 源3：項目A是本季度上線的（信息）
• 源4：項目A上線時出現了故障（信息）

提問：本季度績效誰該背325？（知識）

我們會發現：比拼參數量的大模型，是無法從已有知識中得到提問的答案的，但通過簡單推理，將已有的多源信息關聯，就能極大提升回答的質量。這就是多跳推理。

人們是怎么想到多跳推理的？

多跳推理最符合人的真實思維。

誰該背325？你是經理你怎么想？

• 第一步，我先看看本季度有沒有線上故障；
• 第二步，線上故障是哪個項目；
• 第三步，項目的開發與測試負責人分別是誰；
• 最后，相關負責人背325。

是不是這樣？當我們面臨一個新的問題時，如果我們腦中的信息沒有直接答案，我們就是通過多跳推理，通過信息的關聯，一步步找到答案。

這聽上去不是很簡單嗎？

這對我們人來說簡單，但對大模型來說就要了命了，信息量十分巨大，兩個信息的關聯，三個信息的關聯，多個信息的關聯，即使能夠預處理，其計算量也是巨大的。

既然deepseek用了這個技術，我們如何能夠最大化發揮deepseek多跳推理的優勢呢？

通過提示詞顯性的告訴deepseek關聯關系與關聯步驟，而不要讓大模型在有限的深度思考里，浪費注意力去探索海量的關聯關系。

這也是《讓deepseek達到最佳效果的3大原則（第1講）》里提到的，為什么“系統性”的提示詞能極大提升回答的質量，原因就在于此。

再舉個例子。

bad case：請幫我定位與修復異常代碼。

good case：請幫忙通過以下步驟定位與修復異常代碼：

• 查看調用鏈中的異常信息，定位出錯模塊
• 查看出錯模塊的日志信息，定位異常代碼的源文件名，函數名
• 分析源文件相關函數
• 修復相關函數

說到底，我們是如何思考與解題的，就顯性的用提示詞告訴deepseek如何思考與解題，這樣能夠：

• 極大提升deepseek效率，提升答案深度；
• 增強答案追溯性與邏輯性；
• 提升知識的準確性，而不是讓deepseek在有限的深度思考時間里自行探索；

總結

• 多跳推理能極大提升deepseek的回復質量；
• 多跳推理最接近人的真實思維；
• 提示詞通過顯性告之deepseek關聯關系與關聯步驟，能夠最大化發揮多跳推理的潛力；

一切的一切，提示詞只有適配了AI的認知模式，才能最高效的發揮最大的作用。

知其然，知其所以然。

思路比結論更重要。

補充閱讀材料：

《Multi-hop RAG》：https://arxiv.org/pdf/2401.15391

PDF，可下載。