DeepSeek V3.2深度解析：三点关键技术助你高效使用大模型-育师

本文解析了DeepSeek V3.2的三大关键技术：1) 基于XML的DSML标记系统，提供稳定的工具调用能力；2) "生成-验证-优化"循环机制，通过多轮迭代提高准确性约30分，但需注意token消耗；3) mHC技术提升模型指令遵循与推理能力，提示词需相应调整，推荐使用工具调用实现更精准的结果输出。掌握这些特性有助于更高效地使用DeepSeek模型。

使用了 DeepSeek V3.2 一段时间后, 有三点值得关注的地方

DeepSeek V3.2 Speciale 提示词模版

重点关注工具调用部分, DeepSeek V3.2 Speciale 采用和 **Anthropic Markup Language (AntML)**类似的 XML 标记系统.

早期 Cursor 也采用这套方案, 但不知道为啥后面 Cursor 又不用了.

AntML参考, 谷歌搜索github.com anthropic-claude-api-tool-use_20250119.md即可.

DeepSeek 的DSML标记系统:

https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Speciale/blob/main/encoding/encoding_dsv32.py

DSML 标记

基于 XML 的工具调用是最稳定的. 也是最主流的工具调用方式.

API接口上我们常看见用JSON来传递工具调用, 但实际背后推理时使用的提示词模版, 是映射到了XML上再传递给模型做推理的.

DeepSeek 生成-验证-优化循环

DeepSeek Math V2、 DeepSeek V3.2 都使用了:

generate-verify-refine loop 生成-验证-优化循环

带着验证信息的多轮迭代循环, 能将分数提高30 分左右(DeepSeekMath-V2 在 Putnam 2024 竞赛中获得118 分(满分 120) , 人类得分90). 本质上是类似于有提示(hits)的Pass@K, K=[4,8], 只不过这个过程内化到迭代循环中了(虽然首次验证失败了, 但没终止, 优化后继续).

缺点是推理时 token 消耗大, 占用上下文, 在使用该提示词框架时, 务必用小模型对评估信息进行压缩、去重合并. 尽量只保留4-8个轮次的评估信息在上下文中.

生成-验证-优化循环

可以在这里看到提示词模版: generate-verify-refine_loop_math_templates, https://github.com/deepseek-ai/DeepSeek-Math-V2/blob/main/inference/math_templates.py

meta_verification 和 proof_verification 区别: 元验证(meta_verification), 用于验证“证明验证”本身是否合理(减少证明验证的“完成幻觉”, 虽然是错误答案, 却说答案正确.)

证明验证与元验证

生成证明与优化证明

mHC 流形约束超连接对提示技巧的影响

mHC 评估

mHC 在BBH（推理基准）和DROP（阅读理解并推理的基准）等任务上比标准基准模型分别提升了 **2.1%**和2.3%。

这里只关心对提示工程的影响, mHC 提升了模型的拓扑复杂度（topological complexity）和信息容量（information capacity）. 对于提示词的写法影响主要偏向于:

1、增强的指令遵循能力, 模型指令更敏感, 导致以前不响应或弱响应的指令, 现在可能会开始对生成结果有影响. 调试时应查看思维链中是否出现不应该激活的关键词.提示词优化方式主要是「删减」, 移除不必要的描述.

2、增强的指令推理能力, 对于多步骤的推理任务, 模型会补全一个完整的步骤形式. 有时候会导致原本只做1步就结束的任务, 经过推理后完成任务所需的步骤变多了.提示词优化方式: 1) 可以关闭推理, 并要求模型条件反射式的直接给出答案, 不要解释说明, 不要一切与答案无关的内容; 2) 可以使用工具调用来获取结果, 例如显示的指定工具为put_correct_answer(answer: str), 把文本回复变成工具调用(推荐这种方法, 这也是趋势, 通过函数调用来生成回复结果).

文章末尾给出一个最小例子.

原因: 现在的LLM由于都在争抢编程情景, 导致每个旗舰模型都长成了 Code ReAct LLM 的样子. 既然大家都是 Code ReAct , 那么所有的交互形式也都应与代码交互形式对齐, 以充分利用模型能力.

因此, 对于 Code ReAct LLM 来说, 如果要生成一段自由会话, 应该调用名为 freechat 的工具, 而不是通过指令要求LLM「生成一句回复」.

使用工具调用实现结果回复的简单例子:

python

import jsonimport osfrom dataclasses import dataclass, field, fieldsfrom typing import Type, get_args, get_originfrom openai import OpenAI# 0. 配置与初始化client = OpenAI( api_key=os.environ.get("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")# --- 1. 定义输出结构 (The "What") ---@dataclassclass CodeGen: """code generation details.""" language: str = field(metadata={"description": "Programming language"}) code: str = field(metadata={"description": "The generated code."}) explanation: str = field(metadata={"description": "Brief explanation."})# --- 2. 核心转换逻辑 (The "How") ---def get_json_type(py_type): """简化的类型映射辅助函数""" origin = get_origin(py_type) if origin is list: return {"type": "array", "items": get_json_type(get_args(py_type)[0])} return {"type": {str: "string", int: "integer", bool: "boolean"}.get(py_type, "string")}def dataclass_to_schema(dc_class: Type) -> dict: """将 Dataclass 转换为 OpenAI Tool Schema""" properties = { f.name: { **get_json_type(f.type), "description": f.metadata.get("description", "") } for f in fields(dc_class) } return { "type": "function", "function": { "name": f"structured_response_{dc_class.__name__}", "description": dc_class.__doc__, "parameters": { "type": "object", "properties": properties, "required": list(properties.keys()) }, }, }# --- 3. 执行调用 (The "Action") ---def run_demo(): # A. 准备 Schema tool_schema = dataclass_to_schema(CodeGen) tool_name = tool_schema["function"]["name"] print(f"Generated Schema for {CodeGen.__name__}:") print(json.dumps(tool_schema, indent=2)) # 展示生成的 Schema 有助于理解原理 # B. 调用 LLM messages = [{"role": "user", "content": "用 Python 写一个二分查找"}] response = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=[tool_schema], tool_choice={"type": "function", "function": {"name": tool_name}} ) # C. 处理结果 tool_calls = response.choices[0].message.tool_calls if tool_calls: # 假设只处理第一个工具调用 tool_call = tool_calls[0] if tool_call.function.name == tool_name: args = json.loads(tool_call.function.arguments) print("\nStructured Output:") print(f"Language: {args['language']}") print(f"Code: {args['code'][:100]}...(演示省略, 仅显示100字符)") print(f"Explanation: {args['explanation']}") # 关键点：将结构化结果作为 assistant 消息存入历史，维持上下文 messages.append({ "role": "assistant", "content": json.dumps(args, ensure_ascii=False) }) else: # 降级处理：如果模型拒绝调用工具，直接打印文本内容 content = response.choices[0].message.content print(f"DeepSeek> (No tool call) {content}") messages.append(response.choices[0].message)if __name__ == "__main__": run_demo()

运行结果

运行结果

2026年程序员最值得入局的5大高薪赛道，大模型人才薪资领跑全行业！在上海，2026年这些职业最吃香！大量人才需求

DeepSeek V3.2深度解析：三点关键技术助你高效使用大模型

DeepSeek 的DSML标记系统:

如何系统的学习大模型 AI ？

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

02.大模型 AI 学习和面试资料

第一阶段（10天）：初阶应用

第二阶段（30天）：高阶应用

第三阶段（30天）：模型训练

第四阶段（20天）：商业闭环

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】

5个最火AI绘画模型对比：Z-Image云端实测，10块钱全试遍

职场人 / 学生党集合！2026 + 未来 10 大高薪行业，你最想冲 AI、芯片还是网安？评论区聊！

m3u8下载器实战手册：从零掌握流媒体视频备份技巧

Project Eye：终极免费护眼工具，轻松守护你的视力健康

从零开始岛屿规划：专业工具助你打造理想岛屿