deepseek原理+應用+實踐，和大家分享：

• 小眾的，deepseek核心技術原理；
• 大眾的，提示詞要怎么寫；

畫外音：文末有大彩蛋。

今天和大家聊聊，deepseek的核心技術之一的知識圖譜激活。

什么是知識圖譜（Knowledge Graph）？

互聯網上有很多孤立的信息，知識圖譜以一種圖的形式，通過實體（Entity），關系（Relation）和屬性（Atrribute）這個三維組將這些信息組織起來，形成知識，來描述這個世界，這就是知識圖譜。

知識圖譜簡直就是為AI量身定做的：

(1) 信息檢索效率極大提升

• 傳統：關鍵詞匹配
• 知識圖譜：語義關聯

(2) 推理速度極大替身

• 傳統：海量數據分析（秒，十秒級）
• 知識圖譜：節點跳轉（毫秒級）

(3) 可解釋性強

• 傳統：難以解釋
• 知識圖譜：按照路徑推理

結合前幾天兩處核心知識的鋪墊：

• 多跳推理：將信息關聯，整合與推理；
• MOE：模型不再追求大而全，而是追求多個專而精的專家；

知識圖譜能夠以MOE訓練出的多個專家為核心，將知識快速組織與關聯起來。

那什么是知識圖譜激活？

Knowledge Graph Activation，AI通過MOE預訓練，得到了非常多專家核心節點。在回答用戶問題的時候，需要：

• 快速定位專家類型；
• 快速加載專家子圖譜；

這個過程，就是知識圖譜激活。

知識圖譜激活對我們寫提示詞，獲取更佳的回答質量有什么啟示呢？

為了提高效率與質量，可以在提示詞中：

• 實體（Entity）或者屬性（Atrribute）明確化：包含能夠快速定位專家身份的關鍵詞；
• 關系（Relation）顯式化：包含能夠快速定位專家身份的關鍵詞；
• 領域或者身份顯式化：明確告知領域，或者明確定義專家（專家團）身份；

畫外音：MOE機制支持定義多專家身份，并且多個身份交叉驗證能夠提升回復質量。

如果我們不顯式告訴AI希望他扮演什么專家：

• AI需要通過提示詞推理出MOE專家角色，占用深度思考時間，效率會降低；
• 有概率推理出錯誤的專家，回復質量會下降；

案例一：屬性明確化。

bad case：請介紹“架構師之路”。

這樣的提示詞，完全不符合預期。

畫外音：Kimi居然還需要搜索，說明無法解答相關知識。

better case：請介紹帥氣的“架構師之路”？

加入明確的屬性，AI立刻能識別，載入并激活正確的知識子圖譜，快速輸出高質量內容。

畫外音：Kimi不需要搜索，說明學習并固化了相關知識，形成了“真理”。

案例二：關系顯示化。

bad case：請介紹幾種降低通訊延時的方法。

軟件？硬件？哪個領域？這樣的提示詞，未必能夠找到正確的專家子節點。

better case：請介紹幾種互聯網架構中，降低服務與數據庫通訊延時的方法。

通過提示詞告之顯示的關系：

互聯網架構 -> 服務與數據庫 -> 通訊延時

提升定位專家節點的效率，快速輸出相關的知識。

案例三：領域或者身份顯示化。

上面的case，還可以這么優化。

best case：假設你是由以下專家組成的團隊：

• 分布式領域系統架構師
• 互聯網資深網絡工程師
• 資深DBA

請分別從各自領域提出3種降低服務與數據庫通訊延時的方法。

直接定位專家節點，縮短回復時間，提升回答質量，多個專家還能夠交叉驗證（大而全模型可能過擬合）。

總結

• 知識圖譜是AI的核心技術（之一），通過實體，關系，屬性組織與描述現實世界的信息，形成知識；
• 知識圖譜激活能極大提升AI輸出效率與輸出質量；
• 提示詞通過屬性明確化，關系顯示化，領域與身份顯示化，能夠最大化發揮AI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：

《知識圖譜激活》：https://www.clouddatainsights.com/activating-an-active-metadata-knowledge-graph-for-data-management-applications/