最近幾周自學(xué)deepseek原理+應(yīng)用+實踐，一些成果，和大家分享：

• 小眾關(guān)心的，deepseek核心技術(shù)原理；
• 大眾關(guān)心的，提示詞要怎么寫；

今天和大家聊聊，deepseek的核心機(jī)制之一的混合專家MOE。

什么是混合專家MOE？

混合專家，Miture of Experts，該模型思路不再追求大而全，轉(zhuǎn)而追求多而專精。它會將任務(wù)動態(tài)路由給各個領(lǐng)域?qū)＜遥⒏鱾€領(lǐng)域?qū)＜业妮敵鲞M(jìn)行組合。

比較抽象，舉個容易理解的例子。

• 大而全模型：全棧工程師。
• 混合專家模型：Java，F(xiàn)E，QA，DBA，OP工程師...

大而全的模型有什么不足？

• 訓(xùn)練時間長：培養(yǎng)一個“全?！惫こ處熖昧?；
• 計算性能差：面對一個產(chǎn)品需求，做設(shè)計編碼上線周期長；
• 回復(fù)不深入：什么都懂，但都不精，淺嘗輒止；

而混合專家模型則能夠很好的解決上述幾個問題：

• 培養(yǎng)一個Java工程師的周期更短；
• 需求評審?fù)曛?，Java，F(xiàn)E，QA...  多個專家可以并行設(shè)計編碼上線；
• Java，F(xiàn)E，QA專人專崗，專業(yè)性高；

有了MOE之后，對LLM的架構(gòu)有怎么樣的影響？

(1) 學(xué)習(xí)與訓(xùn)練階段

之前：追求多參數(shù)

如今：訓(xùn)練多專家Expert（例如：1萬個專家，每個專家單一職責(zé)SRP）

(2) 計算與執(zhí)行階段

之前：收到提示詞input，一上來就干

如今：

• 先判斷，需要幾個專家（分類任務(wù)，很容易）；
• 動態(tài)路由（需要一個門控網(wǎng)絡(luò)作為協(xié)調(diào)者，Gating Network），分發(fā)任務(wù)給專家，專家并行計算；
• 組合專家輸出， 協(xié)調(diào)者再統(tǒng)籌輸出；

input[提示詞] --> 專家分類{專家E1E2...En}

門控網(wǎng)絡(luò) --> E1E2...En

E1 --> O1[輸出1]

E1 --> O2[輸出2]

...

En --> On[輸出n]

O1O2...On --> 統(tǒng)籌輸出[output]

MOE對我們寫提示詞，獲取更佳的回答質(zhì)量有什么啟示呢？

如果覺得AI回復(fù)缺乏深度，可以顯性告訴它，你希望它扮演什么專家角色來回復(fù)問題。

畫外音：模型分類出來的專家角色不一定100%準(zhǔn)確。

(1) bad case：如何設(shè)計高并發(fā)高可用系統(tǒng)？

這樣的提示詞，你會得到一個泛泛而談的回答。

(2) good case：假設(shè)你是由以下專家組成的團(tuán)隊：

• 分布式領(lǐng)域系統(tǒng)架構(gòu)師
• 電商領(lǐng)域業(yè)務(wù)架構(gòu)師
• 資深DBA

請分別從各自領(lǐng)域提出5項技術(shù)選型建議，并組合設(shè)計方案滿足每秒10萬次交易，數(shù)據(jù)滿足最終一致性，故障恢復(fù)時間小于30秒的系統(tǒng)。

節(jié)省訓(xùn)練資源，縮短回復(fù)時間，提升回答質(zhì)量，多個專家還能夠交叉驗證（大而全模型可能過擬合），deepseek創(chuàng)新性使用MOE之后，很快就得到了業(yè)界的廣泛認(rèn)可與復(fù)制。

deepseek，流弊！

總結(jié)

• MOE是deepseek的核心創(chuàng)新應(yīng)用（之一）；
• 從此大模型從“大而全”轉(zhuǎn)向“多而精”；
• 提示詞通過顯性告訴deepseek專家角色，能夠最大化發(fā)揮MOE的潛力；

一切的一切，提示詞只有適配了AI的認(rèn)知模式，才能最高效的發(fā)揮最大的作用。

知其然，知其所以然。

思路比結(jié)論更重要。