《DeepSeek原生应用与智能体开发实践》全文分享~~
版权所有，作者授权，免费学习，禁止抄袭，举报有奖。
点击以下章名链接，查看对应的内容
目 录
1.1 大模型的诞生与发展 1
1.1.1 大语言模型发展简史与概念 2
1.1.2 大语言模型的生成策略 3
1.2 大语言模型发展的里程碑 4
1.2.1 注意力机制是大模型发展的里程碑 4
1.2.2 注意力机制的关键创新 5
1.2.3 注意力机制对语言建模的影响 7
1.2.4 大模型中的涌现与 Scaling Law 10
1.2.5 大模型的训练方法 SFT 与 RLHF 12
1.3 大语言模型发展的 “DeepSeek 时刻 ” 13
1.3.1 重塑世界 AI 格局的 DeepSeek-V3 14
1.3.2 推理能力大飞跃的 DeepSeek-R1 16
1.4 大模型的应用与展望 18
1.4.1 大模型的实际应用 18
1.4.2 大模型发展面临的展望 19
1.5 本章小结 20
2.1 安装 Python 开发环境 21
2.1.1 Miniconda 的下载与安装 21
2.1.2 PyCharm 的下载与安装 24
2.2 安装 DeepSeek 开发框架 28
2.2.1 不同显卡与运行库的选择 28
2.2.2 PyTorch GPU 版本的安装 28
2.2.3 测试 PyTorch 和 CUDA 安装信息 30
2.3 在线 DeepSeek 应用配置详解 31
2.3.1 DeepSeek 简介与免费使用 32
2.3.2 带有特定格式的 DeepSeek 在线调用 33
2.3.3 带有约束的 DeepSeek 在线调用 35
2.3.4 将 DeepSeek 与 PyCharm 相连 37
2.4 本章小结 39
3.1 提示工程 Prompt 详解 40
3.1.1 什么是提示工程 41
3.1.2 提示工程的关键要素与 DeepSeek 配置 41
3.1.3 DeepSeek 提示工程化写作技巧与示例 43
3.1.4 系统、上下文和角色提示的进阶应用 44
3.2 DeepSeek 中的提示库 46
3.2.1 DeepSeek 中提示库介绍与基本使用 46
3.2.2 带有系统提示的提示对话生成 50
3.3 本章小结 51
4.1 思维链详解 52
4.1.1 思维链应用场景 53
4.1.2 思维链的定义与分类 54
4.2 基于思维链的 DeepSeek 推理模型实战 55
4.2.1 通过 Prompt 提示构建思维链 56
4.2.2 DeepSeek-Reasoner 推理模型实战 58
4.3 本章小结 60
5.1 Agent 开发概述 62
5.1.1 Agent 的定义与核心机制 62
5.1.2 API Agent 与 GUI Agent 63
5.2 基于 DeepSeek 的美妆 GUI Agent 实践 65
5.2.1 GUI Agent 库的安装与使用 66
5.2.2 使用 DeepSeek 自动化获取网页端天气信息 68
5.2.3 根据天气信息给出美妆建议 70
5.3 基于 DeepSeek 的体重管理 API Agent 实践 72
5.3.1 API Agent 的注册与使用 73
5.3.2 实现卡路里计算与运动建议的功能 76
5.4 本章小结 77
6.1 DeepSeek 自带的 Function Calling 详解 78
6.1.1 Python 使用工具的基本原理 79
6.1.2 DeepSeek 工具使用详解 80
6.1.3 DeepSeek 工具箱的使用 83
6.1.4 DeepSeek 工具调用判定依据 89
6.2 给大模型插上翅膀的 MCP 协议详解 93
6.2.1 MCP 协议目的、功能与架构详解 94
6.2.2 MCP 实战 1 ：本地工具服务端搭建 96
6.2.3 MCP 实战 2 ：本地客户端搭建与使用 98
6.3 在线 MCP 服务器的搭建与使用实战 102
6.3.1 在线 MCP 服务器搭建 102
6.3.2 在线 MCP 服务的连接和使用 103
6.4 本章小结 105
7.1 网络爬取工具 Crawl4AI 详解 106
7.1.1 大模型传递数据的方式 107
7.1.2 服务于大模型的 Crawl4AI 107
7.1.3 Crawl4AI 的安装与基本使用 108
7.2 DeepSeek 驱动的即时金融信息采集与分析平台实战 109
7.2.1 使用 Crawl4AI 爬取金融网站 110
7.2.2 对链接内容进行解析 111
7.2.3 使用 DeepSeek 抽取和分析金融信息 113
7.2.4 实现 DeepSeek 驱动的即时金融信息采集与分析平台 115
7.2.5 将 DeepSeek 设置不同的人设并对金融信息进行分析 115
7.3 本章小结 116
8.1 自回归生成模型中的资源计算 117
8.1.1 自回归模型的计算量 118
8.1.2 自回归模型的缓存优化 118
8.2 自回归生成模型中的推理加速详解 120
8.2.1 模型推理中的 “ 贪心生成 ” 与 “ 采样生成 ” 121
8.2.2 模型推理过程中的冗余计算问题解析 122
8.2.3 初识模型推理中的 KV Cache 与代码实现 124
8.3 减少空间占用的自回归模型代码实现与详解 126
8.3.1 经典自回归模型详解 126
8.3.2 能够减少空间占用的自回归模型代码完整实现 128
8.3.3 缓存使用与传递过程详解 132
8.4 减少空间占用的生成模型实战与推理资源消耗量化对比 134
8.4.1 模型参数配置与训练数据的准备 134
8.4.2 带有缓存的生成模型训练 136
8.4.3 未运行缓存的生成模型推理资源量化展示 137
8.4.4 在缓存的生成模型推理资源量化展示 139
8.4.5 使用细精度修正模型输出 140
8.5 本章小结 140
9.1 从推理角度详解 MLA 注意力模型与代码实现 142
9.1.1 大模型的推理过程 142
9.1.2 通用大模型的显存占用量化计算 143
9.1.3 手把手 MLA 注意力公式的总体推导 145
9.2 从缓存角度详解 MLA 注意力模型与代码实现 146
9.2.1 优化的 MLA 模型实现 1 ：压缩低秩空间 147
9.2.2 优化的 MLA 模型实现 2 ：核心注意力矩阵计算 148
9.2.3 优化的 MLA 模型实现 3 ：对显存 KV Cache 部分的压缩 149
9.2.4 带有缓存的 MLA 注意力模型完整实现 149
9.3 MLA 注意力模型的完整补充讲解 152
9.3.1 调参、记忆力以及矩阵计算优化 152
9.3.2 MLA 、 GQA 以及 MQA 差异详解 156
9.4 本章小结 157
10.1 MoE 架构 158
10.1.1 MoE 模型的基本结构 159
10.1.2 MoE 模型中的 “ 专家 ” 与 “ 调控 ” 代码实现 160
10.1.3 使用 MoE 模型还是经典的前馈层 163
10.2 基于 MoE 模型的情感分类实战 164
10.2.1 基于 MoE 模型的评论情感分类实战 164
10.2.2 MoE 模型中负载平衡的实现 167
10.3 加载 MoE 架构的注意力模型 169
10.3.1 注意力机制中的前馈层不足 170
10.3.2 MoE 可作为前馈层的替代 173
10.3.3 结合 MoE 的注意力机制 175
10.4 基于 MoE 与自注意力的图像分类 175
10.4.1 基于注意力机制的 ViT 模型 176
10.4.2 Patch Embedding 与 Position Embedding 177
10.4.3 可视化的 Vision-MoE 的详解 179
10.4.4 V-MoE 模型的实现 182
10.4.5 基于图像识别模型 V-MoE 的训练与验证 182
10.4.6 使用已有的库实现 MoE 184
10.5 本章小结 185
11.1 深度学习中的精度计算详解与实战 186
11.1.1 深度学习中的精度详解 187
11.1.2 不同精度的相互转换与混合精度 188
11.1.3 PyTorch 中混合精度详解 191
11.1.4 使用混合精度完成模型训练与预测 192
11.2 生成模型的多词元预测 196
11.2.1 MTP 的经典架构设计与损失函数 196
11.2.2 DeepSeek 中 MTP 架构 198
11.2.3 多词元预测模型的完整实现 199
11.2.4 多词元预测模型的训练与推理 200
11.3 自回归模型中的单分类与多分类激活函数 203
11.3.1 生成模型中的单分类激活函数 203
11.3.2 生成模型中的多分类激活函数 207
11.4 DeepSeek 中的激活函数 SwiGLU 209
11.4.1 SwiGLU 激活函数详解 209
11.4.2 SwiGLU 的 PyTorch 实现 210
11.4.3 结合经典缩放的 SwiGLU 211
11.5 本章小结 212
12.1 什么是模型微调 213
12.1.1 大模型微调的作用 213
12.1.2 大模型微调技术有哪些 214
12.1.3 参数高效微调详解 215
12.2 大模型微调方法 LoRA 详解 216
12.2.1 LoRA 微调的优势 216
12.2.2 LoRA 基本公式推导 217
12.2.3 PyTorch 获取内部参数的方法 218
12.3 多模态 DeepSeek 大模型本地化部署与微调实战 219
12.3.1 多模态 DeepSeek 大模型的本地化部署 219
12.3.2 微调的目的：让生成的结果更聚焦于任务目标 221
12.3.3 适配 DeepSeek 微调的辅助库 PEFT 详解 224
12.3.4 基于本地化部署的 DeepSeek 微调实战 226
12.4 本章小结 232
13.1 什么是模型蒸馏 233
13.1.1 模型蒸馏的核心原理与应用价值 234
13.1.2 在线与离线大模型蒸馏的实施方法 234
13.2 基于在线 DeepSeek 大模型的离线蒸馏 235
13.2.1 模型蒸馏的前置准备 235
13.2.2 通过在线 DeekSeek API 进行蒸馏处理 236
13.3 基于物理信息神经网络的在线蒸馏 238
13.3.1 在线蒸馏的损失函数与经典微分方程的求解方法 239
13.3.2 基于 PINN 蒸馏求解微分方程的实战 240
13.4 本章小结 245
14.1 基于 GRPO 的平衡车自动控制实战 247
14.1.1 CartPole 强化学习环境设置 247
14.1.2 基于 GRPO 的 CartPole 模型训练 248
14.1.3 基于 GRPO 后的 CartPole 模型演示 252
14.2 GRPO 算法详解 255
14.2.1 从 PPO 对比 GRPO 256
14.2.2 GRPO 核心原理与案例演示 258
14.2.3 GRPO 原理的补充问答 259
14.2.4 平衡车中的 GRPO 控制详解 261
14.3 本章小结 263
15.1 模型的后训练与逻辑能力 265
15.1.1 大模型的后训练概念与核心目标 266
15.1.2 结果奖励与过程奖励：奖励建模详解 267
15.2 带推理的智能医疗问诊实战 269
15.2.1 推理医疗数据集的准备与处理 269
15.2.2 奖励函数的完整实现 271
15.2.3 基于 GRPO 后训练的智能医疗问诊实战 273
15.2.4 智能医疗问诊模型的推理展示 276
15.3 本章小结 277
16.1 基于 A2A 跨境电商智能客服基本架构设计 279
16.1.1 DTC 模式的崛起与智能客服的新要求 279
16.1.2 跨境电商智能客服架构设计 280
16.1.3 用于复杂任务分配、解决与汇总的 A2A 架构 281
16.2 搭建具备商业问答功能的交流客服 Agent 282
16.2.1 基于 Qwen3 的多语种智能客服基座模型简介 283
16.2.2 真实客服数据集介绍与使用详解 284
16.2.3 使用 LoRA 微调基座模型 285
16.2.4 使用微调后的智能客服基座模型完成推理 289
16.2.5 原生 Qwen3 多语种支持与跨境电商智能客服语言设置 290
16.3 给交流客服 Agent 注入垂直领域知识 292
16.3.1 给客服大模型直接添加知识的方法 293
16.3.2 更高精度的 RAG 详解与使用示例 295
16.3.3 基于 BM25 算法的 RAG 实战 296
16.3.4 基于 Conan Embedding 向量排序的 RAG 实战 300
16.3.5 对于智能客服模型垂直领域知识注入的补充讲解 305
16.4 搭建基于 DeepSeek 的调度 Agent 308
16.4.1 使用 MCP 构建适配智能客服的工具集 308
16.4.2 基于在线 DeepSeek 的客户意图识别与工具调度 Agent 312
16.5 水到渠成的 A2A 架构跨境电商智能客服实现 316
16.5.1 将交流客服 Agent 添加到客服工具集 316
16.5.2 客服化身销售：将智能客服与商品推荐相结合 318
16.5.3 A2A 与 MCP 的结合与展望 321
16.6 本章小结 323
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/18841117/viewspace-3183100/ ，如需转载，请注明出处，否则将追究法律责任。
