企业官网建设流程全解析

淘客单网站,南阳建设工程信息网站,福州做网站费用,银川做网站的公司本文解析了DeepSeek V3.2的三大关键技术#xff1a;1) 基于XML的DSML标记系统#xff0c;提供稳定的工具调用能力#xff1b;2) 生成-验证-优化循环机制#xff0c;通过多轮迭代提高准确性约30分#xff0c;但需注意token消耗#xff1b;3) mHC技术提升模型指…本文解析了DeepSeek V3.2的三大关键技术1) 基于XML的DSML标记系统提供稳定的工具调用能力2) 生成-验证-优化循环机制通过多轮迭代提高准确性约30分但需注意token消耗3) mHC技术提升模型指令遵循与推理能力提示词需相应调整推荐使用工具调用实现更精准的结果输出。掌握这些特性有助于更高效地使用DeepSeek模型。使用了 DeepSeek V3.2 一段时间后, 有三点值得关注的地方DeepSeek V3.2 Speciale 提示词模版重点关注工具调用部分, DeepSeek V3.2 Speciale 采用和 **Anthropic Markup Language (AntML)**类似的 XML 标记系统.早期 Cursor 也采用这套方案, 但不知道为啥后面 Cursor 又不用了.AntML参考, 谷歌搜索github.com anthropic-claude-api-tool-use_20250119.md即可.DeepSeek 的DSML标记系统:https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Speciale/blob/main/encoding/encoding_dsv32.pyDSML 标记基于 XML 的工具调用是最稳定的. 也是最主流的工具调用方式.API接口上我们常看见用JSON来传递工具调用, 但实际背后推理时使用的提示词模版, 是映射到了XML上再传递给模型做推理的.DeepSeek 生成-验证-优化 循环DeepSeek Math V2、 DeepSeek V3.2 都使用了:generate-verify-refine loop 生成-验证-优化 循环带着验证信息的多轮迭代循环, 能将分数提高30 分左右(DeepSeekMath-V2 在 Putnam 2024 竞赛中 获得118 分(满分 120) , 人类得分90). 本质上是类似于有提示(hits)的PassK, K[4,8], 只不过这个过程内化到迭代循环中了(虽然首次验证失败了, 但没终止, 优化后继续).缺点是推理时 token 消耗大, 占用上下文, 在使用该提示词框架时, 务必用小模型对评估信息进行压缩、去重合并. 尽量只保留4-8个轮次的评估信息在上下文中.生成-验证-优化 循环可以在这里看到提示词模版: generate-verify-refine_loop_math_templates, https://github.com/deepseek-ai/DeepSeek-Math-V2/blob/main/inference/math_templates.pymeta_verification 和 proof_verification 区别: 元验证(meta_verification), 用于验证“证明验证”本身是否合理(减少 证明验证的“完成幻觉”, 虽然是错误答案, 却说答案正确.)证明验证 与 元验证生成证明 与 优化证明mHC 流形约束超连接 对提示技巧的影响mHC 评估mHC 在BBH推理基准和DROP阅读理解并推理的基准等任务上比标准基准模型分别提升了 **2.1%**和2.3%。这里只关心对提示工程的影响, mHC 提升了模型的 拓扑复杂度topological complexity和 信息容量information capacity. 对于提示词的写法影响主要偏向于:1、增强的指令遵循能力, 模型指令更敏感, 导致以前不响应或弱响应的指令, 现在可能会开始对生成结果有影响. 调试时应查看思维链中是否出现不应该激活的关键词.提示词优化方式主要是「删减」, 移除不必要的描述.2、增强的指令推理能力, 对于多步骤的推理任务, 模型会补全一个完整的步骤形式. 有时候会导致原本只做1步就结束的任务, 经过推理后完成任务所需的步骤变多了.提示词优化方式: 1) 可以关闭推理, 并要求模型条件反射式的直接给出答案, 不要解释说明, 不要一切与答案无关的内容; 2) 可以使用工具调用来获取结果, 例如显示的指定工具为put_correct_answer(answer: str), 把文本回复变成工具调用(推荐这种方法, 这也是趋势, 通过函数调用来生成回复结果).文章末尾给出一个最小例子.原因: 现在的LLM由于都在争抢编程情景, 导致每个旗舰模型都长成了 Code ReAct LLM 的样子. 既然大家都是 Code ReAct , 那么所有的交互形式也都应与代码交互形式对齐, 以充分利用模型能力.因此, 对于 Code ReAct LLM 来说, 如果要生成一段自由会话, 应该调用名为 freechat 的工具, 而不是通过指令要求LLM「生成一句回复」.使用工具调用实现结果回复的简单例子:pythonimport jsonimport osfrom dataclasses import dataclass, field, fieldsfrom typing import Type, get_args, get_originfrom openai import OpenAI# 0. 配置与初始化client OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com)# --- 1. 定义输出结构 (The What) ---dataclassclass CodeGen: code generation details. language: str field(metadata{description: Programming language}) code: str field(metadata{description: The generated code.}) explanation: str field(metadata{description: Brief explanation.})# --- 2. 核心转换逻辑 (The How) ---def get_json_type(py_type): 简化的类型映射辅助函数 origin get_origin(py_type) if origin is list: return {type: array, items: get_json_type(get_args(py_type)[0])} return {type: {str: string, int: integer, bool: boolean}.get(py_type, string)}def dataclass_to_schema(dc_class: Type) - dict: 将 Dataclass 转换为 OpenAI Tool Schema properties { f.name: { **get_json_type(f.type), description: f.metadata.get(description, ) } for f in fields(dc_class) } return { type: function, function: { name: fstructured_response_{dc_class.__name__}, description: dc_class.__doc__, parameters: { type: object, properties: properties, required: list(properties.keys()) }, }, }# --- 3. 执行调用 (The Action) ---def run_demo(): # A. 准备 Schema tool_schema dataclass_to_schema(CodeGen) tool_name tool_schema[function][name] print(fGenerated Schema for {CodeGen.__name__}:) print(json.dumps(tool_schema, indent2)) # 展示生成的 Schema 有助于理解原理 # B. 调用 LLM messages [{role: user, content: 用 Python 写一个二分查找}] response client.chat.completions.create( modeldeepseek-chat, messagesmessages, tools[tool_schema], tool_choice{type: function, function: {name: tool_name}} ) # C. 处理结果 tool_calls response.choices[0].message.tool_calls if tool_calls: # 假设只处理第一个工具调用 tool_call tool_calls[0] if tool_call.function.name tool_name: args json.loads(tool_call.function.arguments) print(\nStructured Output:) print(fLanguage: {args[language]}) print(fCode: {args[code][:100]}...(演示省略, 仅显示100字符)) print(fExplanation: {args[explanation]}) # 关键点将结构化结果作为 assistant 消息存入历史维持上下文 messages.append({ role: assistant, content: json.dumps(args, ensure_asciiFalse) }) else: # 降级处理如果模型拒绝调用工具直接打印文本内容 content response.choices[0].message.content print(fDeepSeek (No tool call) {content}) messages.append(response.choices[0].message)if __name__ __main__: run_demo()运行结果运行结果如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】