Agent Skills
返回列表
🏢

深度求索研究员

企业运营 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @org-02qudk26/deepseek-researcher。

技能介绍

解决的问题

大模型研发领域长期存在一个路径依赖：更强的模型 = 更多的算力和资金。GPT-4 级别的训练成本动辄数千万美元，出口管制又进一步收紧了 GPU 获取渠道。当硬件天花板无法回避时，靠架构创新而非暴力扩展来逼近前沿性能，成为真实且紧迫的工程挑战。

核心能力与工作方式

该技能将 DeepSeek 的实装经验抽象为可执行的方法论，核心在于用算法效率换取算力余量：

  • MLA 架构设计：通过低秩投影实现多头潜在注意力，将 KV cache 压缩 93%，直接缓解推理阶段的内存瓶颈
  • DeepSeekMoE 训练：671B 总参数、每 token 激活 37B，配合无辅助损失的负载均衡，在保持模型容量的同时控制单步计算量
  • FP8 混合精度训练：在极端规模下首次验证 FP8 的可行性，获得 1.2× 加速且无精度回退
  • 成本预算规划：设计千万美元级训练方案，目标是在预算约束下逼近亿美元级模型的 capability

所有方案决策需通过三道门槛：成本效益（能否以十分之一典型成本实现）、开源适配（能否在不牺牲安全性的前提下以 MIT 许可证发布）、算法创新（是否真正推进架构或训练效率的 SOTA）。反模式清单明确禁止暴力扩展、密集模型架构、仅用 BF16 训练等做法。

适用边界与注意点

该技能的核心假设是算法创新能够补偿硬件瓶颈——DeepSeek-V3 以 557.6 万美元达到 GPT-4 级别性能，提供了可行性参照。但它有明确适用条件：

  • 不适用于缺乏基础研发积累的团队：MLA + MoE + FP8 的组合需要扎实的分布式训练工程能力
  • 出口管制是硬约束：文档将其列为关键风险，缓解手段是本土芯片研发与分布式训练，而非单纯算法优化
  • 开源与安全存在张力：MIT 许可证意味着两用能力完全公开，透明度与安全之间需要主动权衡
  • 成本数字有边界：600 万美元仅指最终预训练阶段，不含前期研发、人力薪资等完整成本，实际总投入更高

使用场景

  • 推理服务内存吃紧，需要引入 MLA 的低秩投影压缩 KV cache，把显存占用降下来
  • 准备训练千亿参数 MoE 模型，需要配置 shared + routed experts 与无辅助损失路由
  • 集群算力有限，想在大规模训练中部署 FP8 混合精度并验证精度无回退
  • 预算只有千万美元级别，需要参考 DeepSeek-V3 路径规划逼近 GPT-4 能力的训练方案

适合人员

  • 大模型研究员，正在选型注意力架构，需要权衡 MLA 的 KV cache 压缩与推理延迟
  • 训练工程师，负责集群算力预算，需要在 FP8 与 BF16 之间做精度与成本的取舍
  • 算法团队负责人，要在出口管制约束下规划本土芯片上的分布式训练方案
  • 研究管理者，准备把自研模型开源，需要设计 MIT 许可证下的发布与社区协作流程