《DEEPSEEK原生应用与智能体开发实践 王晓华 书籍 图书》【摘要 书评 试读】- 京东图书
思维链技术开启了人工智能通向人类智能的崭新路径。它让模型不再仅仅是机械地执行指令，而是开始具备类似人类的思考方式，能够理解问题的本质，进行深层次的推理和分析。这一突破，让人工智能的发展进入了一个全新的阶段，也为未来智能系统的进化奠定了坚实的基础。
前面我们讲解了思维链，对比了通过Prompt提示完成的思维链对问题的拆解。基于这种思维链的推理过程，DeepSeek提出了一种新的推理模型——DeepSeek-Reasoner，其作用犹如一把精准的手术刀，在人工智能的复杂领域中发挥着关键作用。
首先，DeepSeek-Reasoner充当着“思维解码器”的角色。在面对复杂问题时，它能够深入剖析问题的内在结构，将隐藏在问题背后的思维逻辑清晰地呈现出来。就像一位密码破译专家，能够解读出问题中的关键信息，为后续的推理过程提供清晰的指引。例如，在处理一道复杂的数学证明题时，它能够识别出题目中的已知条件、未知结论以及它们之间的逻辑关系，将证明过程拆解为一系列合理的推理步骤。
其次，DeepSeek-Reasoner是一个“智能推理引擎”。它依据思维链的原理，自动生成一系列有序的子问题，并引导模型逐步求解。在这个过程中，它能够根据模型的推理进展，动态调整推理策略，确保推理过程的高效和准确。就像一位经验丰富的赛车手，能够根据赛道情况灵活调整驾驶策略，以最快的速度到达终点。
然后，DeepSeek-Reasoner还具备“知识融合与创新”的能力。它能够将模型内部存储的海量知识与当前的推理任务相结合，在解决问题的过程中创造出新的知识和推理模式。例如，在处理跨领域的复杂问题时，它能够融合不同领域的知识，提出新颖的解决方案，为模型的推理能力注入新的活力。
最后，DeepSeek-Reasoner还是一个“可解释性增强器”。在传统的深度学习模型中，推理过程往往是一个黑箱，难以理解和解释。而DeepSeek-Reasoner通过思维链的推理方式，将模型的推理过程以清晰、直观的方式呈现出来，让人们能够理解模型是如何得出最终答案的。这不仅提高了模型的可信度，也为模型的进一步优化和改进提供了有力的支持。
4.2.1 通过Prompt提示构建思维链
对于普通的文本问答，大模型倾向于直接对结果进行回复。下面我们先举一个经典的计算字母的例子对大模型进行问答，代码如下：
from openai import OpenAI
client = OpenAI(api_key="sk-dfd742ec38dc4ede96977974085485b0", base_url="https://api.deepseek.com")
prompt = """
strawberry里面有几个r字母。用中文回答。
"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "user", "content": prompt},
],
max_tokens=1024,
temperature=0.95,
stream=False
)
print(response.choices[0].message.content)
代码运行结果如下所示：
C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek应用开发实践-源码\第四章\demo_0.py
### 第一步：理解题目
首先，我们需要清楚地理解题目在问什么。题目问的是“strawberry”这个英文单词中有几个字母“r”。也就是说，我们需要数一数这个单词中出现了多少次“r”这个字母。
### 第二步：写出单词
为了更清楚地数出“r”的数量，我们可以先把“strawberry”这个单词写出来：
s t r a w b e r r y
### 第三步：逐个字母检查
现在，我们逐个字母来看，看看哪些是“r”：
1. 第一个字母：s — 不是r
2. 第二个字母：t — 不是r
3. 第三个字母：r — 是r，计数1
4. 第四个字母：a — 不是r
5. 第五个字母：w — 不是r
6. 第六个字母：b — 不是r
7. 第七个字母：e — 不是r
8. 第八个字母：r — 是r，计数2
9. 第九个字母：r — 是r，计数3
10. 第十个字母：y — 不是r
### 第四步：核对计数
根据上面的逐个检查：
- 第三个字母：r — 1
- 第八个字母：r — 2
- 第九个字母：r — 3
所以，总共有3个“r”。
### 第五步：验证
为了确保我们的答案正确，让我们再快速看一遍单词：
s t r a w b e r r y
标出所有的“r”：
- 第三个字母：r
- 第八个字母：r
- 第九个字母：r
确实有3个“r”。
### 可能的误区
有时候，人们可能会忽略连续相同的字母。例如，在“strawberry”中，“rr”是连续的两个“r”，可能会被误认为是一个“r”或者发音上的一个音。但是题目问的是字母的数量，不是发音，所以“rr”是两个独立的“r”字母。
### 结论
经过以上步骤和验证，“strawberry”这个单词中共有**3个字母“r”**。
### 最终答案
“strawberry”里面有**3个字母“r”**。
Process finished with exit code 0
可以看到，对于普通的大模型而言，其回复过程往往是一种基于自身对问题理解的笼统考量，而非对问题进行细致入微的分解剖析。这种缺乏系统性分解的处理方式，就如同在迷雾中摸索前行，使得模型难以精准把握问题的核心要点与关键细节，进而不可避免地造成了结果的不准确性。
在面对复杂问题时，普通大模型的这种局限性尤为明显。复杂问题通常包含着多个相互关联又各自独立的子问题，它们如同一张错综复杂的网，需要有条理地梳理和分析。然而，普通大模型却难以做到这一点，它可能会将不同子问题的信息混淆在一起，或者在处理过程中遗漏某些重要环节，从而导致最终回复与实际情况相去甚远。
我们通过提示（Prompt）分解问题，构建一个完整思维链对问题解答的示例，代码如下所示：
from openai import OpenAI
# for backward compatibility, you can still use 'https://api.deepseek.com/v1' as 'base_url'.
client = OpenAI(api_key="sk-dfd742ec38dc4ede96977974085485b0", base_url="https://api.deepseek.com")
prompt = """
回答下面问题并注意回答的时候严格按照以下步骤，
逐步进行:
1.将单词拆开
2.从左到右一个一个对比字母是不是r，是的话你要记录它的位置，并记住数量加-3.
第2步数出来多少个r直接输出，不要有任何分析和判断
问题:"strawberry"里面有几个r
"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "user", "content": prompt},
],
max_tokens=1024,
temperature=0.95,
stream=False
)
print(response.choices[0].message.content)
在这里我们通过提示prompt对问题的求解过程进行拆分，并指示模型在回答时依据步骤进行，回答如下：
C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek应用开发实践-源码\第四章\demo_1.py
1. 将单词拆开：s, t, r, a, w, b, e, r, r, y
2. 从左到右一个一个对比字母是不是r：
- s: 不是
- t: 不是
- r: 是（位置3，数量1）
- a: 不是
- w: 不是
- b: 不是
- e: 不是
- r: 是（位置8，数量2）
- r: 是（位置9，数量3）
- y: 不是
输出：3
Process finished with exit code 0
可以看到，这里我们将问答步骤进行拆分，并且以清晰、有条理的方式引导模型完成任务。这种基于思维链的提示方法，让模型的回答过程不再是一个黑箱操作，而是变得透明、可解释。
通过这种方式，模型不再是盲目地给出答案，而是按照我们设定的步骤，一步一步地进行推理和计算。这不仅提高了答案的准确性，还使得模型的推理过程具有可复现性。如果出现问题，我们可以很容易地回溯到具体的步骤，检查是哪一步出现了偏差。
而且，这种拆分步骤的方法具有很强的通用性。对于不同类型的问题，我们只需要根据问题的特点，设计相应的步骤提示，就可以引导模型进行有效的求解。例如，在处理数学问题时，我们可以将解题过程拆分为分析问题、列出已知条件、确定解题方法、进行计算等步骤；在处理文本分析问题时，我们可以将解题过程拆分为文本预处理、特征提取、模型推理等步骤。
此外，将问答步骤拆分还有助于提升模型的学习能力。模型在按照步骤进行多次任务后，会逐渐理解每个步骤的意义和作用，从而在面对类似问题时，能够更加自主地运用这些步骤进行求解。这就像是人类在学习新技能时，通过反复练习分解动作，最终能够熟练掌握整个技能一样。
总之，通过提示（Prompt）对问题求解过程进行拆分，并指示模型依据步骤进行回答，这是一种非常有效的提升模型性能和可解释性的方法。它为人工智能的发展提供了一种新的思路，有望推动人工智能在更多领域取得更好的应用效果。
