最近几周自学deepseek原理+应用+实践，一些成果，和大家分享：

• 小众关心的，deepseek核心技术原理；
• 大众关心的，提示词要怎么写；

今天和大家聊聊，deepseek的核心机制之一的混合专家MOE。

什么是混合专家MOE？

混合专家，Miture of Experts，该模型思路不再追求大而全，转而追求多而专精。它会将任务动态路由给各个领域专家，并将各个领域专家的输出进行组合。

比较抽象，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，FE，QA，DBA，OP工程师…

大而全的模型有什么不足？

• 训练时间长：培养一个“全栈”工程师太久了；
• 计算性能差：面对一个产品需求，做设计编码上线周期长；
• 回复不深入：什么都懂，但都不精，浅尝辄止；

而混合专家模型则能够很好的解决上述几个问题：

• 培养一个Java工程师的周期更短；
• 需求评审完之后，Java，FE，QA…  多个专家可以并行设计编码上线；
• Java，FE，QA专人专岗，专业性高；

有了MOE之后，对LLM的架构有怎么样的影响？

(1) 学习与训练阶段

之前：追求多参数

如今：训练多专家Expert（例如：1万个专家，每个专家单一职责SRP）

(2) 计算与执行阶段

之前：收到提示词input，一上来就干

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]

E1 –> 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，可以显性告诉它，你希望它扮演什么专家角色来回复问题。

画外音：模型分类出来的专家角色不一定100%准确。

(1) 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。

(2) 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

• MOE是deepseek的核心创新应用（之一）；
• 从此大模型从“大而全”转向“多而精”；
• 提示词通过显性告诉deepseek专家角色，能够最大化发挥MOE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。

文章来自：51CTO