最近几周自学deepseek原理+应用+实践，一些成果，和大家分享。
对于deepseek的流弊：
- 小部分人会关心，deepseek为什么这么流弊；
- 大部分人会关心，提示词要怎么写；
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。
什么是多跳推理？
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。
比较抽象，举个例子。
- 源1：项目A是张三开发的（信息）
- 源2：项目A是李四测试的（信息）
- 源3：项目A是本季度上线的（信息）
- 源4：项目A上线时出现了故障（信息）
提问：本季度绩效谁该背325？（知识）
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。
人们是怎么想到多跳推理的？
多跳推理最符合人的真实思维。
谁该背325？你是经理你怎么想？
- 第一步，我先看看本季度有没有线上故障；
- 第二步，线上故障是哪个项目；
- 第三步，项目的开发与测试负责人分别是谁；
- 最后，相关负责人背325。
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。
这听上去不是很简单吗？
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。
这也是《让deepseek达到最佳效果的3大原则（第1讲）》里提到的，为什么“系统性”的提示词能极大提升回答的质量，原因就在于此。
再举个例子。
bad case：请帮我定位与修复异常代码。
good case：请帮忙通过以下步骤定位与修复异常代码：
- 查看调用链中的异常信息，定位出错模块
- 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
- 分析源文件相关函数
- 修复相关函数
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：
- 极大提升deepseek效率，提升答案深度；
- 增强答案追溯性与逻辑性；
- 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；
总结
- 多跳推理能极大提升deepseek的回复质量；
- 多跳推理最接近人的真实思维；
- 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。
知其然，知其所以然。
思路比结论更重要。
补充阅读材料：
《Multi-hop RAG》：https://arxiv.org/pdf/2401.15391
PDF，可下载。