deepseek原理+应用+实践，和大家分享：
- 小众的，deepseek核心技术原理；
- 大众的，提示词要怎么写；
画外音：文末有大彩蛋。
今天和大家聊聊，deepseek的核心技术之一的知识图谱激活。
什么是知识图谱（Knowledge Graph）？
互联网上有很多孤立的信息，知识图谱以一种图的形式，通过实体（Entity），关系（Relation）和属性（Atrribute）这个三维组将这些信息组织起来，形成知识，来描述这个世界，这就是知识图谱。
知识图谱简直就是为AI量身定做的：
(1) 信息检索效率极大提升
- 传统：关键词匹配
- 知识图谱：语义关联
(2) 推理速度极大替身
- 传统：海量数据分析（秒，十秒级）
- 知识图谱：节点跳转（毫秒级）
(3) 可解释性强
- 传统：难以解释
- 知识图谱：按照路径推理
结合前几天两处核心知识的铺垫：
- 多跳推理：将信息关联，整合与推理；
- MOE：模型不再追求大而全，而是追求多个专而精的专家；
知识图谱能够以MOE训练出的多个专家为核心，将知识快速组织与关联起来。
那什么是知识图谱激活？
Knowledge Graph Activation，AI通过MOE预训练，得到了非常多专家核心节点。在回答用户问题的时候，需要：
- 快速定位专家类型；
- 快速加载专家子图谱；
这个过程，就是知识图谱激活。
知识图谱激活对我们写提示词，获取更佳的回答质量有什么启示呢？
为了提高效率与质量，可以在提示词中：
- 实体（Entity）或者属性（Atrribute）明确化：包含能够快速定位专家身份的关键词；
- 关系（Relation）显式化：包含能够快速定位专家身份的关键词；
- 领域或者身份显式化：明确告知领域，或者明确定义专家（专家团）身份；
画外音：MOE机制支持定义多专家身份，并且多个身份交叉验证能够提升回复质量。
如果我们不显式告诉AI希望他扮演什么专家：
- AI需要通过提示词推理出MOE专家角色，占用深度思考时间，效率会降低；
- 有概率推理出错误的专家，回复质量会下降；
案例一：属性明确化。
bad case：请介绍“架构师之路”。
这样的提示词，完全不符合预期。
画外音：Kimi居然还需要搜索，说明无法解答相关知识。
better case：请介绍帅气的“架构师之路”？
加入明确的属性，AI立刻能识别，载入并激活正确的知识子图谱，快速输出高质量内容。
画外音：Kimi不需要搜索，说明学习并固化了相关知识，形成了“真理”。
案例二：关系显示化。
bad case：请介绍几种降低通讯延时的方法。
软件？硬件？哪个领域？这样的提示词，未必能够找到正确的专家子节点。
better case：请介绍几种互联网架构中，降低服务与数据库通讯延时的方法。
通过提示词告之显示的关系：
互联网架构 -> 服务与数据库 -> 通讯延时
提升定位专家节点的效率，快速输出相关的知识。
案例三：领域或者身份显示化。
上面的case，还可以这么优化。
best 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
- 互联网资深网络工程师
- 资深DBA
请分别从各自领域提出3种降低服务与数据库通讯延时的方法。
直接定位专家节点，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）。
总结
- 知识图谱是AI的核心技术（之一），通过实体，关系，属性组织与描述现实世界的信息，形成知识；
- 知识图谱激活能极大提升AI输出效率与输出质量；
- 提示词通过属性明确化，关系显示化，领域与身份显示化，能够最大化发挥AI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：
《知识图谱激活》：https://www.clouddatainsights.com/activating-an-active-metadata-knowledge-graph-for-data-management-applications/
