现象级爆发：DeepSeek如何点燃2025中国AI革命
2025年春节，国产大模型DeepSeek以黑马之姿跃升为现象级顶流。拜年串门时，人们茶余饭后三句不离两大热词——"你家AI助理用DeepSeek了吗？"和"哪吒2票房破纪录没？"。节后首个工作日，阿里云、腾讯云等巨头集体官宣深度适配DeepSeek，让这波AI热潮直接冲上热搜榜首。
这场全民狂欢背后，是DeepSeek用实力书写的技术传奇：凭借比肩GPT-4的模型能力与全面开源策略，它一举打破"国产大模型总差口气"的行业魔咒。从大学生用AI写论文到企业开发智能客服，DeepSeek点燃全民AI热潮，将国内AI应用化进程推向全新高度。业界公认，2025年将成为中国AI应用爆发的元年。
破局者登场：打破技术天花板
回溯2024年下半年，AI开发逐渐形成以Agent（智能体）和RAG（检索增强生成）为双引擎的技术范式。虽然各类开发框架层出不穷，但本质仍是万变不离其宗——受限于大模型自身能力，再精巧的架构也难为无米之炊。彼时国内开发者面临两难困境：出海项目尚可调用GPT，境内项目却因模型瓶颈，效果始终在及格线上徘徊。
DeepSeek的横空出世彻底改写游戏规则。这个真正比肩GPT的国产大模型，让沉淀多年的开发框架终于找到完美搭档。就像安卓系统遇上骁龙芯片，开发者们突然发现：同样的Agent工作流，响应速度提升40%；原本勉强的多轮对话，现在竟能处理10层逻辑嵌套。技术社区沸腾了——我们终于站上了巨人的肩膀。
DeepSeek和“民用级”程序员
近期，随着DeepSeek模型的爆火， “模型蒸馏” 这一专业术语频繁进入公众视野。为了让大家更好地理解这一概念，我们不妨借用金庸先生《射雕英雄传》中的故事和人物来形象地解释。
蒸馏是什么？
首先，什么是模型蒸馏呢？在《射雕英雄传》中，洪七公是江湖上赫赫有名的北丐，他武功高强、见识广博、内力深厚，就像经过海量数据训练的大模型，拥有强大的知识储备和计算能力。然而，大模型的训练和部署成本极高，正如洪七公的武功，不是人人都能轻易练成的。
但洪七公总需要收徒传艺，将丐帮武学传承下去。为此，他必须将武功以“浓缩”的方式传授给徒弟，在保证一定精度的同时，大幅降低对内力的要求。例如，他将打狗棒法传给了黄蓉，将降龙十八掌传给了郭靖，这便是模型蒸馏技术的生动体现。
黄蓉等小模型，虽然武功不及洪七公，但胜在没有洪七公那么大的江湖名望（部署和推理成本低），因此在对付三流的沙通天、灵智上人之类的小角色时，没有江湖前辈欺负后辈的心理包袱。
以 DeepSeek 发布的六个蒸馏模型为例，满血版 671B 参数量的 DeepSeek R1 就是洪七公，而洪七公针对不同尺寸的徒弟模型进行武功蒸馏，这些徒弟模型包括：
| 天赋、内功基础 | 对应模型 |
|---|---|
| 五代长老 | Qwen2.5-Math-1.5B |
| 六代长老 | Qwen2.5-Math-7B |
| 七代长老 | Llama-3.1-8B |
| 八代长老 | Qwen2.5-14B |
| 九代长老 | Qwen2.5-32B |
| 黄蓉 | Llama-3.3-70B-Instruct |
经过蒸馏后便得到了新模型：
| 新模型 |
|---|
| DeepSeek-R1--Distill-Qwen-1.5B |
| DeepSeek-R1--Distill-Qwen-7B |
| DeepSeek-R1--Distill-Llama-8B |
| DeepSeek-R1--Distill-Qwen-14B |
| DeepSeek-R1--Distill-Qwen-32B |
| DeepSeek-R1--Distill-Llama-70B |
总而言之，每个徒弟的天资与修为各不相同。基础越扎实，其潜力就越大，也越能从师门中汲取精髓，从而更接近师父的境界。洪七公授徒的秘诀在于：他首先以身作则，亲自演练一遍，随后让徒弟们依样模仿。然而，他并不主张机械记忆，而是传授思维之道，引导徒弟们体会内力流转的精妙，最终达到招式随心而动的境界。在模型蒸馏的领域，这种 “思维之道” 有一个专业的术语，叫作 “软标签” 。它并非直接告诉小模型“这就是正确答案”，而是通过大模型的输出，提供各类别的概率分布。小模型通过学习这些概率分布，能够领悟类别之间细微的差别。
在拜入洪七公门下之前，徒弟们大多已具备一定的武学根基，因此在修习洪七公的武艺时，往往会融入自己的理解和见解，这便是所谓的 “硬标签” 。在实际的蒸馏过程中，徒弟们既要努力学习师父的绝技，又要避免与自身原有的内力相冲突，否则可能会走火入魔。因此，必须在“软标签”与“硬标签”之间找到一个平衡点。一旦找到合适的标准，就需要反复锤炼，直至技艺炉火纯青。此时，徒弟们便可出师，自立门户。
以上便是对模型蒸馏的一种通俗解读。对于我们这些从事应用开发的程序员来说，无需深究其背后的复杂原理，只需大致理解其概念，并能够熟练运用，就已经足够了。
“民用级”程序员是什么？
在元旦前夕，一则重磅消息在科技圈引发了热议：雷军以千万年薪从DeepSeek挖角了一位95后AI天才——罗福莉。罗福莉是DeepSeek-V2模型的核心开发者之一，曾深度参与其研发工作。消息曝光后，DeepSeek研发团队的背景也随之曝光。这些成员大多是95后、00后，且多数毕业于清华、北大等顶尖学府，拥有博士学位。令人惊叹的是，他们中的许多人甚至在本科入学的前两三个月，就已经发表了达到博士毕业水平的论文。
然而，对于我们这些并非“罗福莉”式高精尖人才的普通人来说，如何用好AI、更新思维方式、借助AI推动应用开发、将AI融入产品，才是我们真正需要关注的重点。这正是“民用级”程序员的使命，而我也是其中一员。本文正是为“民用级”程序员而写。
那么，如何使用DeepSeek呢？答案其实很简单——一个字： “用” 。
如果你想要体验DeepSeek模型的强大能力，可以直接访问官网（DeepSeek | 深度求索），点击“开始对话”，即可免费体验官方版本的DeepSeek-V3，以及满血版671B的DeepSeek-R1。默认情况下，系统会调用DeepSeek-V3模型，它适合聊天对话、文章撰写、翻译、客服问答以及常规代码生成等任务。如果你需要更强大的推理能力，只需点击“深度思考（R1）”，即可切换到DeepSeek-R1。DeepSeek-R1是基于满血版DeepSeek-V3 671B经过强化训练和微调而来的版本，擅长逻辑推理，常用于科研分析、金融策略生成、编程开发等需要复杂逻辑推理的场景。
此外，官方版本的模型还支持联网搜索功能，这一功能在Kimi、通义千问等平台中也很常见。其原理是通过提示词，让大模型调用浏览器API搜索相关内容，然后对搜索结果进行整合和思考，最终生成回复。因此，回复内容的质量在很大程度上取决于所调用的浏览器API的性能。
对于“民用级”程序员而言，DeepSeek不仅是一个强大的工具，更是一位能够帮助我们提升效率、拓展思维的伙伴。无论是日常开发任务，还是复杂的技术难题，DeepSeek都能为我们提供有力的支持。
学了 DeepSeek 以后能帮我们做什么
提升个人价值
程序员群体是终身学习的群体，必须与时俱进，紧跟前沿技术动态。尤其是一些连非技术人员都广泛关注的热门话题，其背后的技术原理和应用场景，我们更需要深入掌握，以便随时应对实际需求。
如今，DeepSeek 的部署、微调与应用等话题热度极高。掌握这些知识，不仅能帮助我们解决更多实际问题，更能显著提升个人价值。例如，有些公司从业务角度出发，希望在公司内部自主部署、微调并蒸馏 DeepSeek 模型，以满足特定需求；有些场景下，如开发 RAG 对话系统，70B 规模的模型就已足够强大；还有些公司则希望通过展示 DeepSeek 的部署能力，向客户彰显自身技术实力。毕竟，DeepSeek 完全开源且可商用，这意味着任何人都可以自主部署，这也为程序员提供了更多展现能力的机会。
用 AI 改造现有业务
作为“民用级”程序员，我们的核心使命是开发应用、打磨业务，为用户提供高效、稳定的服务。在这个过程中，DeepSeek和AI Agent（智能体）等技术可以成为强大的智能桥梁，帮助我们将传统业务升级为智能化业务，实现效率与体验的双重提升。
运维是应用开发中不可或缺的环节，但传统运维方式往往依赖人工分析报错信息、日志和事件，耗时耗力且容易出错。如果引入AI技术，这一过程将焕然一新。AI可以根据报错信息自动抓取相关日志，快速分析问题并精准定位，甚至在某些场景下自动修复问题。整个过程，我们只需简单说一句“xx报错了，请帮我分析一下原因”，AI就能像一位经验丰富的运维专家一样，迅速响应并解决问题。这种“喊一声”就能完成的运维方式，不仅大幅减少了程序员的加班时间，还显著提升了运维效率和系统稳定性。
我们开发的业务系统，虽然从技术角度来看已经足够友好，但实际使用中，客户往往因为不熟悉业务逻辑而难以顺利操作。这时，AI可以成为用户与系统之间的“翻译官”。通过在前端界面引入自然语言交互功能，用户可以直接用自然语言表达需求，比如“我想查询订单状态”或“我想修改收货地址”，系统则会以自然语言形式即时反馈结果。这种交互方式不仅降低了用户的学习成本，还提升了操作效率，让用户感受到真正的智能化服务。同时，这种改进也能有效降低因操作困难带来的用户流失，提升客户满意度。
个人创业
最后，我们再谈谈个人创业的问题。个人创业其实只会技术是不够的，还需要懂业务，有资源（客户等）以及有一定的经济基础。
如果这几点恰好你都能满足，那 AI 就可以帮你做很多事情。比如，可以通过模型微调、精调等做出一个私有化模型，之后去做一些行业应用，比如 AI 医疗、AI 炒股等等，也可以去做一些工作流之类的应用，比如短视频转爆款小红书文案等等。有了 AI 的加持，不一定人人都能成为开发者，但善于借力 AI 新技术的朋友，肯定在抓住机遇方面更占优势。
通过将AI技术融入现有业务流程，我们不仅能优化用户体验，还能重构内部工作流程。无论是运维的自动化，还是交互的自然化，AI都在帮助我们实现从“工具使用”到“价值创造”的跨越。 对于“民用级”程序员来说，AI不再是遥不可及的黑科技，而是触手可及的智能助手。它让我们能够更专注于业务逻辑的创新，而非繁琐的重复性工作。通过AI赋能，我们不仅能提升业务效率，还能为用户创造更多价值，真正实现技术驱动业务的愿景。
如何学习DeepSeek与AI应用开发：从“知道”到“做到”
有句古话说得好：“知行合一”。真正有价值的知识，是那些能够被你实际运用的知识，而不仅仅是存储在脑海中的信息。在AI时代，这一点尤为重要。因此，我建议你将学习重点放在思想、手法和应用方案上，而不仅仅是理论知识。以下是一些具体的学习建议：
1. 深入理解模型与技术，学会灵活运用 不要仅仅满足于简单使用DeepSeek，而是要深入理解不同模型和技术的特点。例如，DeepSeek-V3适合聊天对话、文章撰写等任务，而DeepSeek-R1则擅长逻辑推理和复杂任务。学会根据项目需求选择合适的模型，才能举一反三，将所学知识灵活应用到实际工作中。
2. 实践出真知：从“眼到”到“手到” 学习AI应用开发，光靠“看”是远远不够的，必须亲自动手实践。通过实际项目或实验，将理论知识转化为实战能力。例如，尝试用DeepSeek优化现有业务流程，或者开发一个基于AI的智能交互功能。只有在实践中，你才能真正掌握技术的精髓。
3. 掌握快速学习的方法论 AI领域的技术更新速度极快，新模型、新工具层出不穷。因此，掌握快速学习的方法论至关重要。例如，学会高效阅读技术文档、关注行业动态、参与技术社区讨论等。通过这些方法，你可以在面对新技术时更加从容，迅速将其应用到实际工作中。
4. 培养解决问题的思维方式 AI技术的核心价值在于解决实际问题。因此，学习过程中要注重培养解决问题的思维方式。例如，如何将AI技术与现有业务结合？如何通过AI提升用户体验？如何优化内部工作流程？这些问题不仅能帮助你更好地理解技术，还能让你在实战中游刃有余。
Function Calling与ReAct：如何让大模型更智能
尽管DeepSeek等大模型在AI领域表现出色，但它们并非万能。尤其是在面对垂直领域的专业知识或实时性较强的信息时，大模型往往显得力不从心。例如，如果用户询问“今天北京的天气如何？”，大模型无法直接回答，因为它缺乏实时天气数据。这时，我们需要让大模型具备与外界交互的能力，比如调用高德天气的API来获取实时天气信息。为此，OpenAI提出了Function Calling机制，使大模型能够根据需求调用外部工具，从而解决这类问题。
什么是 Agent？
Agent并不是一种具体的技术，而是一种AI设计模式，旨在让大模型变得更聪明。就像传统编程中的设计模式（如单例模式、工厂模式）一样，Agent模式是一种提高效率的“套路”。
大模型的设计灵感来源于人脑，因此它也会像人类一样，有时会急于求成或犯错。2023年，一条被称为“封神”的提示词——“请一步步地思考”——在AI社区广为流传。这条提示词的专业名称是思维链（Chain-of-Thought, CoT），它可以看作Agent思想的前身。当时，人们还未完全解决大模型与外界交互的问题，而CoT则为大模型提供了一种分步思考的框架。
什么是 ReAct
ReAct是Reason（推理）与Act（行动）的结合，可以理解为思维链 + 外部工具调用。 ReAct的核心思想是让大模型将复杂问题拆解为多个小问题，逐步解决。在每一步中，大模型会尝试调用外部工具，并根据工具的反馈结果判断是否需要重新调用工具。例如，如果用户询问“今天北京的天气如何？”，大模型会先调用天气API获取数据，如果API返回错误或无效结果，大模型会重新尝试调用，直到获得正确的答案。
这种机制类似于人类的行为：如果你问我“1+1等于几？”，我回答“3”，你可能不会质疑我的能力；但如果我直接忽略你的问题，或者回答“你问错人了”，你就会尝试重新提问。
由于ReAct简单易用，仅需一条提示词即可实现，且效果显著，因此在项目中非常受欢迎。当然，除了ReAct，还有许多更复杂的Agent设计模式可供选择。
ReAct Prompt 模板
要让大模型具备ReAct能力，我们需要在提问时使用ReAct Prompt，从而引导大模型以ReAct的方式思考和解决问题。
这里推荐一个非常实用的网站——LangChain Hub。LangChain是目前社区最热门的AI应用开发框架，而LangChain Hub则是其官方提供的Prompt仓库。该仓库包含了丰富的Prompt模板，并支持分类搜索，用户可以轻松找到所需的Prompt。
例如，在搜索框中输入“react”，即可找到多条ReAct相关的Prompt。你也可以通过右侧的分类筛选功能快速定位目标。
特别推荐LangChain官方提供的一个ReAct Prompt模板，链接为：LangSmith (langchain.com)。以下是该模板的核心原理分析：
- 分步思考：通过提示词引导大模型将问题拆解为多个步骤。 2. 工具调用：在每一步中，大模型会根据需要调用外部工具。 3. 反馈调整：根据工具返回的结果，大模型会判断是否需要重新调用工具或调整策略。 通过这种方式，ReAct Prompt能够显著提升大模型的智能水平，使其在复杂任务中表现得更加可靠和高效。
下面来分析下LangSmith原理：
{instructions}
TOOLS:
------
You have access to the following tools:
{tools}
To use a tool, please use the following format:
Thought: Do I need to use a tool? Yes Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action Observation: the result of the action
When you have a response to say to the Human, or if you do not need to use a tool, you MUST use the format:
Thought: Do I need to use a tool? No Final Answer: [your response here]
Begin!
Previous conversation history:
{chat_history}
New input: {input}
{agent_scratchpad}
ReAct Prompt模板解析：
如何让大模型“思考”与“行动”
在这段ReAct Prompt模板中，{instructions}的作用是为大模型设定一个“人设”，即明确它的角色和任务。接着，模板告诉大模型可以使用{tools}中定义的工具。因此，{tools}部分需要填入工具的描述，我们会在后文详细介绍如何编写这些描述。
模板的核心在于引导大模型按照规定的格式进行思考和行动，从而赋予它推理和规划的能力。这种能力正是将大模型转变为Agent的关键。以下是模板的具体执行步骤：
1. Thought（思考） ： 大模型在接收到问题后，首先会思考应该如何解决。这一步类似于人类的“头脑风暴”，大模型会分析问题的本质，并规划下一步的行动。 2. Action（行动） ： 大模型会从{tools}列表中选择合适的工具来解决问题。因此，{tools_name}中需要填入工具的名称。这一步类似于人类选择工具来完成特定任务。 3. Action Input（行动输入） ： 工具可以理解为函数，通常需要输入参数。在Action Input中，大模型会填入工具函数所需的输入参数。这一步确保工具能够正确执行。 4. Observation（观察） ： 填入工具执行的结果，大模型会根据这些结果判断是否已经解决了问题，或者是否需要进一步调整。这一步类似于人类根据工具的使用效果来决定下一步行动。
由于Agent会将复杂问题拆解为多个子问题，因此从Thought到Observation的过程可能会重复多次，直到大模型认为已经得到了最终的答案。这时，模板会进入第二个Thought，表示大模型认为问题已经解决，并在Final Answer中输出最终答案。
此外，模板还支持在{chat_history}中填入历史对话记录，以帮助大模型理解上下文。还有一个{agent_scratchpad}，用于记录Agent的思考过程。虽然这个剪贴板可以不填，但它为开发者提供了一个记录和分析Agent行为的工具。
ReAct的执行过程：人机协作的典范
ReAct的执行过程本质上是一个人与大模型协作的过程。在Action和Action Input中，大模型会告诉人类需要执行什么工具以及工具的输入参数是什么。具体的工具执行则由人类完成。人类完成工具执行后，将结果填入Observation，反馈给大模型。大模型根据反馈继续思考，直到最终得出Final Answer。
ReAct Prompt模板通过分步思考和工具调用，赋予了大模型更强的推理和规划能力。它不仅让大模型能够解决复杂问题，还通过人机协作的方式，将人类的智慧与AI的计算能力结合起来。对于开发者来说，掌握ReAct模板的使用方法，无疑是提升AI应用开发效率的关键。
代码示例
案例在阿里云百炼平台上可以直接查看：Function Calling
备注：API KEY申请方式请参见阿里云平台介绍。
from dotenv import find_dotenv, load_dotenv用法请自行查询下，这个适用于加载.env中配置的base url和api key。
import json
import random
from datetime import datetime
from openai import OpenAI
from dotenv import find_dotenv, load_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI()
tools = [
{
"type": "function",
"function": {
"name": "get_current_time",
"description": "当你想知道现在的时间时非常有用。",
"parameters": {}
}
},
{
"type": "function",
"function": {
"name": "get_current_weather",
"description": "当你想查询指定城市的天气时非常有用。",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市或县区，比如北京市、杭州市、余杭区等。"
}
}
},
"required": [
"location"
]
}
}
]
# 模拟天气查询工具。返回结果示例：“北京今天是雨天。”
def get_current_weather(arguments):
# 定义备选的天气条件列表
weather_conditions = ["晴天", "多云", "雨天"]
# 随机选择一个天气条件
random_weather = random.choice(weather_conditions)
# 从 JSON 中提取位置信息
location = arguments["location"]
# 返回格式化的天气信息
return f"{location}今天是{random_weather}。"
# 查询当前时间的工具。返回结果示例：“当前时间：2024-04-15 17:15:18。“
def get_current_time():
# 获取当前日期和时间
current_datetime = datetime.now()
# 格式化当前日期和时间
formatted_time = current_datetime.strftime('%Y-%m-%d %H:%M:%S')
# 返回格式化后的当前时间
return f"当前时间：{formatted_time}。"
# 封装模型响应函数
def get_response(messages):
completion = client.chat.completions.create(
model="qwen-max", # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
messages=messages,
tools=tools
)
return completion
def call_with_messages():
print('\n')
messages = [
{
"content": input('请输入：'), # 提问示例："现在几点了？" "一个小时后几点" "北京天气如何？"
"role": "user"
}
]
print("-" * 60)
# 模型的第一轮调用
i = 1
first_response = get_response(messages)
assistant_output = first_response.choices[0].message
print(f"\n第{i}轮大模型输出信息：{first_response}\n")
if assistant_output.content is None:
assistant_output.content = ""
messages.append(assistant_output)
# 如果不需要调用工具，则直接返回最终答案
if assistant_output.tool_calls == None: # 如果模型判断无需调用工具，则将assistant的回复直接打印出来，无需进行模型的第二轮调用
print(f"无需调用工具，我可以直接回复：{assistant_output.content}")
return
# 如果需要调用工具，则进行模型的多轮调用，直到模型判断无需调用工具
while assistant_output.tool_calls != None:
# 如果判断需要调用查询天气工具，则运行查询天气工具
tool_info = {"content": "", "role": "tool", "tool_call_id": assistant_output.tool_calls[0].id}
if assistant_output.tool_calls[0].function.name == "get_current_weather":
# 提取位置参数信息
argumens = json.loads(assistant_output.tool_calls[0].function.arguments)
tool_info["content"] = get_current_weather(argumens)
# 如果判断需要调用查询时间工具，则运行查询时间工具
elif assistant_output.tool_calls[0].function.name == 'get_current_time':
tool_info["content"] = get_current_time()
tool_output = tool_info["content"]
print(f"工具输出信息：{tool_output}\n")
print("-" * 60)
messages.append(tool_info)
assistant_output = get_response(messages).choices[0].message
if assistant_output.content is None:
assistant_output.content = ""
messages.append(assistant_output)
i += 1
print(f"第{i}轮大模型输出信息：{assistant_output}\n")
print(f"最终答案：{assistant_output.content}")
if __name__ == '__main__':
call_with_messages()
