最近几周我自学了deepseek的原理、应用和实践，现在和大家分享一下我的成果：
- 关于小众关心的deepseek核心技术原理；
- 关于大众关心的提示词如何编写。
今天我们来聊聊deepseek的核心机制之一——混合专家（MOE）。
什么是混合专家（MOE）？
混合专家（Mixture of Experts）是一种不再追求大而全，而是追求多而专精的模型思路。它会将任务动态路由给各个领域的专家，并将各个专家的输出进行组合。
这个概念可能有点抽象，举个容易理解的例子。
大而全模型：全栈工程师。
混合专家模型：Java工程师、前端工程师、测试工程师、数据库管理员、运维工程师...
大而全模型有什么不足之处？
- 训练时间长：培养一个“全栈”工程师需要很长时间；
- 计算性能差：面对一个产品需求，设计、编码、上线的周期较长；
- 回复不深入：什么都懂，但都不精，往往浅尝辄止。
而混合专家模型则能够很好地解决上述几个问题：
- 培养一个Java工程师的周期更短；
- 需求评审后，Java、前端、测试等多个专家可以并行设计、编码、上线；
- Java、前端、测试等专人专岗，专业性更高。
有了MOE之后，对LLM的架构有哪些影响？
在学习与训练阶段：
之前：追求多参数。
如今：训练多个专家（例如：1万个专家，每个专家单一职责SRP）。
在计算与执行阶段：
之前：收到提示词input，直接开始处理。
如今：
- 先判断需要几个专家（分类任务，很容易）；
- 动态路由（需要一个门控网络作为协调者，Gating Network），分发任务给专家，专家并行计算；
- 组合专家输出，协调者再统筹输出。
input[提示词] --> 专家分类{专家E1E2...En}
门控网络 --> E1E2...En
E1 --> O1[输出1]
E2 --> O2[输出2]
...
En --> On[输出n]
O1O2...On --> 统筹输出[output]
MOE对我们写提示词，获取更佳的回答质量有什么启示呢？
如果觉得AI回复缺乏深度，可以明确告诉它，你希望它扮演什么专家角色来回答问题。
画外音：模型分类出来的专家角色不一定100%准确。
bad case：如何设计高并发高可用系统？
这样的提示词，你会得到一个泛泛而谈的回答。
good case：假设你是由以下专家组成的团队：
- 分布式领域系统架构师
- 电商领域业务架构师
- 资深DBA
请分别从各自领域提出5项技术选型建议，并组合设计方案满足每秒10万次交易，数据满足最终一致性，故障恢复时间小于30秒的系统。
节省训练资源，缩短回复时间，提升回答质量，多个专家还能够交叉验证（大而全模型可能过拟合），deepseek创新性使用MOE之后，很快就得到了业界的广泛认可与复制。
deepseek，流弊！
总结：
一切的一切，提示词只有适配了AI的认知模式，才能最高效地发挥最大的作用。
知其然，知其所以然。
思路比结论更重要。
补充阅读材料：
《MOE简述》
