你的提示词根本只是在浪费算力，如何让deepseek发挥极限潜能 - 多跳推理（第2讲）

《‍deepseek原理应用与实践》 2.deepseek极限潜能 - 多跳推理

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：

1. 小部分人会关心，deepseek为什么这么流弊；

2. 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：

1. 查看调用链中的异常信息，定位出错模块

2. 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

3. 分析源文件相关函数

4. 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：

1. 极大提升deepseek效率，提升答案深度；

2. 增强答案追溯性与逻辑性；

3. 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

1. 多跳推理能极大提升deepseek的回复质量；

2. 多跳推理最接近人的真实思维；

3. 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。