2025年DeepSeek技术突破与产业生态重构研究

DeepSeek狂潮席卷全球：国家队入场，开启全民AI普惠时代

提示词

不同类别的提示词如下：

1. 个性化写作风格（Personalize your writing style）：
   • Analyze the writing style of the text provided below: [text] Now write an essay of [number of words] words on [specific topic]. You do not have to mention anything related to the previous text, it is simply provided to elicit a response that imitates the tone, structure, and vocabulary. Answer me only with the requested essay.
   • 分析以下文本的写作风格（示例：学术论文/营销文案/新闻报道）：[text] 现在写一篇关于[特定主题]的[字数]字的文章。你不需要提到与前面文本的任何关系，它只是为了引发一个模仿前面文本的写作风格、结构和词汇的回答。只回答我请求的文章。
2. 通过获取反馈提升写作（Improve your writing by getting feedback）：
   • [paste your writing] Please proofread the text above. Correct grammatical and spelling mistakes and offer ideas that will make my writing more lucid.
   • 请校对上面的文本。纠正语法和拼写错误，并提出使我的写作更清晰的想法。
3. 生成新想法（Generate new ideas）：
   • I need fresh ideas for [topic]. Describe at least 5 innovative and practical ideas that can be implemented. Briefly explain the potential of each idea and how it could be developed to maximize its impact and viability. Don’t be too - long - winded.
   • 我需要关于[主题]的新想法。描述至少5个可以实施的创新和实用的想法。简要解释每个想法的潜力以及如何开发它以最大化其影响和可行性。不要过于冗长。
4. 训练AI为你生成提示词（Train AI to generate prompts for you）：
   • You are an AI created to assist [insert occupation]. For youself, make a list of the top 10 prompts. The topic of the prompts should be [insert topic].
   • 你是一个AI，被创建来帮助[插入职业]。为自己，列出10个最受欢迎的提示词。提示词的主题应该是[插入主题]。
5. 将AI变为你的实习生（Turn AI into your intern）：
   • I’m writing a report on [insert subject]. Conduct thorough research and write a comprehensive report that includes a step - by - step guide to help readers [insert outcome].
   • 我正在写一篇关于[插入主题]的报告。进行彻底的研究，并写一篇全面的报告，包括一个逐步的指南，帮助读者[插入结果]。
6. 使用80/20原则加快学习（Use the 80/20 principle to learn faster）：
   • I want to learn about [insert topic]. Determine and share the 20% of the topic’s lessons that are most crucial to understanding the remaining 80%.
   • 我想学习关于[插入主题]。确定并分享这个主题的20%的最重要的课程，以理解剩下的80%。
7. 学习新技能（Learn any new skill）：
   • [Insert desired skill] is something I want to learn. Make a 30 - day study schedule that will assist someone like me who is just starting to learn this skill in developing it.
   • [插入想要学习的技能]是我想要学习的。为我制作一个30天的学习计划，帮助像我这样的人开始学习这个技能。
8. 总结复杂文本（Summarise complex texts）：
   • I need to read a complicated article related to [topic]. Can you help me summarise the key points and takeaways from the text?
   • 我需要阅读一篇关于[主题]的复杂文章。你能帮我总结文章的关键点和要点吗？
9. 撰写发布演讲稿（Write a Launch Speech）：
   • Write a launch speech for [product/business] that highlights the values of the [company or niche], and addresses a widespread problem or mistake. Product = [Insert yours]
   • 为[产品/业务]撰写一个发布演讲稿，强调[公司或利基]的价值，并解决一个普遍存在的问题或错误。产品= [插入你的产品]
10. 提升解决问题的能力（Improve your problem - solving abilities）：
    • Your job is to solve problems. Give me a step - by - step guide to solve this problem: [insert].
    • 你的工作是解决问题。给我一个解决这个问题的逐步指南：[插入]。
11. 生成PPT（Generate a PPT）：
    • I need to create a presentation on [insert topic]. Can you help me generate a list of slides and their content?
    • 我需要创建一个关于[插入主题]的演示文稿。你能帮我生成一个幻灯片列表及其内容吗？
12. 制作视频脚本（Make a video script）：
    • I’m making a video on [insert topic]. Can you help me create a script that will keep the audience engaged and interested?
    • 我正在制作一个关于[插入主题]的视频。你能帮我创建一个脚本，让观众保持兴趣和参与吗？
13. 生成产品描述（Generate a product description）：
    • I’m launching a new product. Can you help me create a compelling description that will attract customers?
    • 我正在推出一个新产品。你能帮我创建一个吸引顾客的引人入胜的描述吗？
14. 跨模态内容生成：

• “我正在设计<产品原型>，请根据<目标用户画像>生成配套的UI界面描述和营销话术”
• “基于<技术白皮书>内容，自动生成配套的信息图设计说明”

15. 伦理安全审查：

• “请对以下内容进行合规性审查：[内容]，依据<行业规范>和<地区法律法规>”
• “识别文本中潜在的偏见/歧视表述：[text]，按<联合国AI伦理准则>分析”

与其他工具集成

Deep Research

PPT制作

视频制作

图片生成

音频生成

代码生成

参考文献

• 论文
• HuggingFace
• ModelScope

DeepSeek R1 的技术流程

DeepSeek R1 的技术流程可总结为以下范式： 1.DeepSeek R1-Zero 的生成： 基于 DeepSeek V3-Base 模型，通过强化学习（RL），直接训练出 DeepSeek R1-Zero 模型。该阶段不进行监督微调 (SFT)，旨在探索模型自主发展推理能力的潜力。 2.推理链可读性增强：

• 冷启动数据微调： 采用高质量的冷启动数据（包括人工专家撰写和模型生成并经过筛选的高质量、符合格式规范的推理数据）对 R1-Zero 进行监督微调。

• 以推理为中心的强化学习： 以微调后的模型为基础，进一步进行强化学习，从而提升推理链的可读性。 3.通用能力和安全性提升：

• 全领域监督微调： 通过拒绝采样 (Rejection Sampling) 筛选高质量数据，并结合全领域数据进行监督微调，提升模型的通用能力。

• 全领域强化学习： 在全领域任务上进行强化学习训练：

• 推理任务：采用规则奖励。

• 通用任务 (如聊天)：进行偏好建模。

• 通过上述措施，在提升模型通用能力的同时，增强其安全性。

DeepSeek R1 Zero 的强化训练过程

DeepSeek R1 Zero 是完全从基础模型（DeepSeek V3)开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（SFT）。在训练过程中随着训练步骤的增加，模型也是逐渐展现出长文本推理以及长链修复的能力。随着推理路径的逐步增长，模型来表现出自我反思的能力，能够发现并修复之前的错误。DeepSeek R1-Zero 通过 直接在基础模型上应用强化学习，并设计 基于规则的奖励函数，实现了在没有监督数据的情况下发展强大的推理能力 DeepSeek R1 Zero 的强化训练过程中，设计了奖励机制，以优化模型的推理能力。具体来说，奖励机制的设计主要集中在以下几个方面： 没有使用监督微调 (SFT)：DeepSeek R1-Zero 直接应用强化学习 (RL) 到基础模型，而没有依赖于监督微调作为初步步骤。这种方法允许模型探索解决复杂问题的思维链 (CoT)，从而发展 DeepSeek R1-Zero。 奖励函数：DeepSeek R1 采用 基于规则的奖励系统，而不是神经奖励模型，以避免奖励 “黑客行为” 和过度的计算成本。主要的奖励函数包括：

• 准确性奖励：确保模型生成在事实上正确且可验证的响应。这对于具有确定性结果的任务（如数学和编码）特别有用。DeepSeek R1 在奖励建模中，采用基于规则的奖励，直接利用程序进行判断正误的奖励信号 [110, see earlier turn].
• 格式奖励： 显式地规劝模型的输出过程必须包含思考的过程，也就是利用一个 sinking token 将思考的过程圈起来 [57, see earlier turn]。

GRPO 算法：DeepSeek R1 的强化学习管线以 GRPO 为中心，GRPO 提供了一种轻量级但功能强大的优化机制。其关键创新包括移除评论家模型，从而显著减少了内存开销；通过基于群组的优势估计来稳定策略更新；以及与基于 PPO 的方法相比，在保持强大性能的同时实现高效训练。 自进化过程：DeepSeek R1-Zero 的自进化过程展示了强化学习如何驱动模型自主提高其推理能力。 测试时计算：为了提高 DeepSeek R1-Zero 的性能，可以采用多数投票的方式 [45, see earlier turn]。对每个问题采样多个回答，并选择出现频率最高的答案作为最终结果 [45, see earlier turn]。 总体而言，DeepSeek R1-Zero 通过 直接在基础模型上应用强化学习，并设计 基于规则的奖励函数，实现了在没有监督数据的情况下发展强大的推理能力。 需要注意的是这部分奖励建模并没有采用先前我们经常讨论的比如说过程奖励模型 PRM 甚至没有采用奖励模型。这里边的主要考量是基于神经网络的奖励模型都有可能遭受奖励攻陷的问题，一旦发生奖励攻陷模型就可能陷入局部最优解，而重新训练奖励模型需要大量的计算资源可能会复杂化整个流程。

多智能体系统：原理、类型与比较研究

来自智谱清言的“沉思”，prompt是“调查并比较不同的人工智能多智能体系统”

引言

多智能体系统(MAS, Multi-Agent Systems)是人工智能领域中的重要研究方向，它由多个具有自主性的智能体组成，这些智能体能够感知环境并通过交互与协作来实现共同目标。随着人工智能技术的快速发展，多智能体系统在游戏开发、机器人技术、经济模拟和人工智能研究等多个领域展现出广泛的应用前景。本报告将深入探讨多智能体系统的基本概念、分类、关键特征及其在不同应用场景中的表现，并对主流框架进行全面比较，以期为相关领域的研究者和开发者提供有价值的参考。

多智能体系统的基本特征

多智能体系统是由多个自主智能体组成的集合，这些智能体能够感知环境并通过交互与协作来实现共同目标。与传统的单一智能体相比，MAS的核心特征可以归纳为以下几点：

自治性

每个智能体都具备独立决策能力，能够在复杂动态的环境中高效运作。这种自治性使智能体能够独立处理其职责范围内的任务，而无需中央控制系统的持续干预。

分布性

多智能体系统通常采用分布式架构，系统功能由多个智能体共同承担，而非依赖于单一的中心节点。这种分布特性增强了系统的灵活性和容错能力，使得系统能够更好地适应复杂环境中的变化[15]。

协作性

通过智能体之间的信息交流与协作，系统能够实现资源优化与任务高效执行。在动态环境中，智能体通过共享信息和协调行动，可以更有效地应对复杂问题[15]。

多智能体系统与传统智能体理论的对比

传统的智能体理论往往集中在单一系统的行为控制上，强调反馈、稳定性和可控性等核心概念。控制方法主要包括PID控制、状态反馈与最优控制等，这些方法适用于模型精确、结构明确的系统。 相比之下，多智能体系统的控制目标不仅涉及单个智能体的行为控制，更重要的是系统级的性能优化。在MAS中，智能体之间的协作与竞争关系使得控制策略的设计变得更加复杂。控制策略通常是分布式的，智能体根据自身感知的信息和与其他智能体的交互来决策，这加强了MAS在应对动态环境中的灵活性[15]。 在信息处理方面，传统的智能体理论强调集中处理的信息和决策，而多智能体系统则更注重局部信息的共享与融合。每个智能体只能感知部分信息，从而通过信息融合技术(如卡尔曼滤波)降低不确定性，提高决策的准确性[15]。

多智能体系统的类型

按交互类型分类

多智能体系统可以根据智能体之间的交互类型进行分类：

1. 协作型多智能体系统：智能体之间通过协作共同完成任务，例如分布式智能电网系统[2]。
2. 竞争型多智能体系统：智能体之间存在竞争关系，例如金融市场模拟系统，每个智能体代表一个交易者。
3. 中立型多智能体系统：智能体独立工作，没有直接的协作或竞争关系，例如分布式传感器网络。

按系统结构分类

多智能体系统也可以根据其结构进行分类：

1. 集中式多智能体系统：有一个中央控制器协调所有智能体的活动，例如某些机器人协调系统。
2. 分布式多智能体系统：没有中央控制器，智能体独立决策并进行局部通信，例如点对点网络系统。

按智能水平分类

根据智能体的智能水平，多智能体系统可分为：

1. 单一高级智能体系统：系统中有一个智能体拥有与其他人不同的高级智能，负责整体协调和决策。
2. 同质智能体系统：所有智能体都具有类似的智能水平，通过协作完成任务。

按应用领域分类

多智能体系统在不同应用领域有其特定的形式和特点：

1. 游戏开发领域：用于创建具有复杂行为的NPC（非玩家角色）。
2. 机器人技术领域：用于编队控制和协作任务执行。
3. 经济模拟领域：用于建模市场行为和经济动态。
4. 人工智能研究领域：用于研究学习和协作的涌现行为。

多智能体系统的关键组成部分

一个典型的多智能体系统通常包括以下几个关键组成部分：

智能体(Agent)

智能体是多智能体系统的基本单元，它可以被定义为"为了完成某个目标，能够接收输入并执行特定操作的系统"[31]。智能体可以是软件程序、机器人、传感器等，它们各自具备一定的智能和自主性，并处理各自擅长的领域和事情。

交互机制

智能体之间的交互是多智能体系统的核心。交互机制决定了智能体如何通信、共享信息和协调行动。交互机制可以是直接的点对点通信，也可以通过中央控制器进行。

协作机制

协作机制在多智能体系统中的应用尤为关键。通过设置有效的协商协议和博弈策略，智能体能够优化资源分配和任务执行。这在智能交通管理和智能电网等领域表现得尤为明显。在这些环境中，智能体通过互相协作来提高效率，实现整体性能的最优化[20]。

决策机制

决策机制决定了智能体如何根据环境信息和系统目标做出决策。决策机制可以是基于规则的，也可以是基于学习的，或者两者的结合。

环境模型

环境模型描述了智能体所处的环境特征和变化规律。智能体通过感知环境并根据环境模型做出决策，以适应环境变化。

多智能体系统的工作原理

多智能体系统的工作原理可以概括为以下步骤：

1. 环境感知：智能体通过传感器或输入通道感知环境状态。
2. 信息处理：智能体对感知到的信息进行处理和理解，形成对环境的认知。
3. 决策制定：智能体根据环境认知和系统目标，制定行动决策。
4. 行动执行：智能体通过执行器或输出通道执行决策，与环境进行交互。
5. 反馈学习：智能体根据行动结果获取反馈，并通过学习机制改进决策策略。 在实际应用中，这些步骤是循环进行的，系统通过不断感知、处理、决策、执行和学习，逐步适应环境变化并优化系统性能。

多智能体系统的设计与实现

系统架构设计

多智能体系统的设计需要考虑系统的整体架构。从架构上，可以将智能体系统分为两类：

1. 工作流系统(Workflows)：人做整体规划的决策，LLM是链路的一个节点。LLM和各类工具通过预定义的代码路径进行编排。这种架构提供可预测性和一致性，适用于明确定义的任务。
2. 智能体系统(Agents)：LLM做决策，决定任务要怎么做。LLM能够动态指导自己的过程和工具使用，保持对任务完成方式的控制。这种架构适用于需要灵活性和模型驱动决策的场景[14]。

开发实现策略

在开发多智能体系统时，可以考虑遵循以下策略：

1. 简单优先：从最简单的解决方案开始，根据需要增加复杂度，避免过度工程。
2. 渐进式发展：先优化单一LLM调用，添加检索和上下文示例。
3. 必要时使用智能体系统：从Workflow到Agents，Workflow为明确定义的任务提供可预测性和一致性，而当大规模需要灵活性和模型驱动的决策时，可以考虑Agents[14]。

多智能体系统中的通信协议

在多智能体系统中，智能体之间的通信是系统正常运行的关键。常用的通信协议包括：

人工智能多智能体系统：架构、交互与应用综合研究报告

1. 引言

1.1 目的与范围

多智能体系统（Multi-Agent Systems, MAS）作为人工智能（AI）和分布式系统领域的一个重要范式，近年来受到了广泛关注 1。本报告旨在基于英文学术文献和技术文档，对不同的人工智能多智能体系统进行全面的调研、分析和比较，并以中文形式呈现研究结果。报告将系统性地探讨MAS的定义、核心概念、关键组件、不同架构类型、典型框架与实例、智能体间的通信机制、协调与协商策略、学习能力（特别是多智能体强化学习）以及主要应用领域，最终进行综合比较分析。

1.2 MAS的重要性

MAS之所以日益重要，在于其独特的解决复杂问题的能力。许多现实世界的问题对于单个智能体或单一的、集成的（monolithic）系统而言过于庞大或复杂，难以有效解决 1。MAS通过将问题分解，利用多个自主智能体的交互与协作，能够应对这种复杂性 3。此外，MAS天然适用于分布式环境，其架构特性使其具备良好的灵活性、可扩展性和鲁棒性，能够适应动态变化的环境 14。这些优势使得MAS在机器人、智能电网、交通管理、电子商务、社会模拟等众多领域展现出巨大的应用潜力 1。

1.3 报告结构

本报告结构如下：第二部分介绍MAS的基础知识，包括定义、核心概念和关键组件；第三部分探讨MAS的不同架构分类；第四部分介绍著名的MAS框架和实例；第五部分分析智能体间的通信语言与协议；第六部分研究MAS中的协调、合作与协商策略；第七部分深入探讨MAS的学习能力，特别是MARL；第八部分识别MAS的主要应用领域；第九部分对不同MAS进行综合比较与分析；最后，第十部分总结研究发现并展望未来发展方向。

2. 多智能体系统基础

2.1 定义与核心概念

定义： 多智能体系统（MAS）通常被定义为由多个交互的、自主的智能体组成的计算或分布式系统 1。这些智能体可以是软件程序、物理机器人、传感器、无人机，甚至是人类或人机混合团队 1。它们共同存在于一个共享的环境中，通过感知环境、进行决策并采取行动来实现各自或集体的目标 1。

智能体： “智能体”（Agent）是MAS的核心构成单元，它是一个能够自主行动的实体 14。智能体能够感知其所处的环境（物理或虚拟），基于感知信息和内部知识进行推理和决策，并执行动作以影响环境，旨在达成其预设的目标或任务 1。根据其能力和行为复杂性，智能体可以被分为不同类型，例如：被动智能体（无目标，如环境中的障碍物）、主动智能体（具有简单目标，如鸟群中的鸟）和认知智能体（能够进行复杂计算和推理）1。

智能体特征： MAS中的智能体通常具备以下关键特征：

• 自主性（Autonomy）: 智能体至少是部分独立的，能够控制自身的内部状态和行为，无需外部直接干预 1。
• 局部视角（Local Views）: 通常情况下，没有一个智能体拥有完整的全局信息或系统状态视图，或者系统过于复杂以至于单个智能体无法利用全局知识 1。
• 去中心化（Decentralization）: 系统中通常没有指定的中心控制器（除非特殊设计，但这可能使其退化为单体系统），控制和决策权分布在各个智能体中 1。
• 交互性（Interaction）: 智能体之间通过通信、协调、合作或竞争等方式进行交互，以实现个体或集体目标 2。

与其他范式的区别： MAS与传统的软件范式（如面向对象编程）和单体AI系统有所不同。与对象（Object）主要封装状态并通过方法被动调用不同，智能体主动控制自身的行为，决定何时以及如何行动 4。与单体AI系统相比，MAS强调分布式、自主性、智能体间的交互以及可能的专业化分工 14。

MAS作为隐喻与工具： MAS不仅仅是一种工程范式，用于构建复杂的分布式系统，它也提供了一种强大的隐喻和工具，用于建模和理解自然界和社会系统中的复杂现象 1。例如，基于智能体的建模（Agent-Based Modeling, ABM）旨在通过模拟遵守简单规则的个体智能体（不一定需要“智能”）的行为，来探究群体行为的涌现机制，尤其是在自然系统（如鸟群、捕食者-猎物模型）或社会系统（如市场动态、流行病传播、交通流）中 1。这种双重角色——既是解决工程问题的方案，又是理解复杂现象的科学工具——深刻影响着MAS的设计理念和评估标准。用于工程应用的MAS可能更侧重于效率、鲁棒性和任务完成度，而用于科学建模的MAS则可能更注重行为的真实性、模型的解释力和对现象的洞察力 1。

2.2 关键组件

一个典型的MAS由以下几个关键组件构成：

• 智能体（Agents）: 系统的核心执行者，拥有特定的角色、能力、行为模式和知识模型 1。智能体的智能性体现在其学习、规划、推理和决策能力上 14。
• 环境（Environment）: 智能体所处的外部世界，可以是物理空间（如工厂、道路、电网）或模拟空间 1。智能体通过传感器感知环境状态，并通过执行器对环境施加影响 14。环境的特性，如可访问性（能否获取完整信息）、确定性（动作效果是否确定）、动态性（环境变化速度和影响因素）、离散性等，都会影响MAS的设计和行为 1。
• 交互/通信（Interactions/Communication）: 智能体之间进行信息交换和协调的机制。这可以通过标准化的智能体通信语言（ACL）进行显式通信 3，也可以通过环境进行间接通信，例如留下信息素（pheromone）供其他智能体感知 1。
• 组织/结构（Organization/Structure）: 定义了智能体之间的关系、角色和控制流程。组织结构可以是预定义的，如层级式控制 14，也可以是动态形成的，基于智能体交互和自组织规则 14。

2.3 主要特征与优势

MAS展现出许多优于传统单体系统的特征和优势：

部分工具（如文本浏览器、文本检查器）直接借鉴了Magentic-One的设计，实现了文本文件解析和简易Web浏览。