deepseek开源周继flash-mla之后，再次推出第二弹deepep。让我们来看看这个新的大餐究竟是什么。
画外音：上一顿还没消化完，新的大餐又来了。
今天我们简单聊聊：
吃瓜：DeepEP是做什么的？
技术：DeepEP是如何实现的？
普通人有什么用：对写提示词有什么启示？
【1】
DeepEP是做什么的？
DeepEP，即Distributed Expert Parallel Communication Library，是为混合专家MOE与并行专家EP量身定制的通信库。
DeepEP通信库能达到什么效果？
降低延时；
提升吞吐量；
其背后的意义在于：训练/计算更快，成本更低，模型迭代更快。
【2】
它是如何实现的？
核心思路：优化MOE混合专家节点间的数据分发与合并。
什么是混合专家MOE？
图片混合专家，即Mixture of Experts，这种模型思路不再追求大而全，而是追求多而专精。它会将任务动态路由给各个领域专家，并将各个领域专家的输出进行组合。
举个容易理解的例子。
大而全模型：全栈工程师。
混合专家模型：Java，FE，QA，DBA，OP工程师...
有了MOE之后，对LLM的架构有什么影响？
学习与训练阶段
之前：追求多参数
如今：训练多专家Expert（例如：1万个专家，每个专家单一职责SRP）
计算与执行阶段
之前：收到提示词input，一上来就干
如今：
先判断，需要几个专家（分类任务，很容易）；
动态路由（需要一个门控网络作为协调者，Gating Network），分发任务给专家，专家并行计算；
组合专家输出， 协调者再统筹输出；
新的模式，不管是训练阶段还是执行阶段，专家节点之间都需要进行大量的通讯，而DeepEP就好比节点间的智能物流：
NVLink优化，好比建成城际高铁，负责同一节点内专家高速通讯，交换数据，带宽高达160GB/s，接近硬件极限；
RDMA优化，好比建成跨城磁悬浮，负责跨节点专家高速通讯，跨节点直接访问内存，带宽高达50GB/s；
FP8优化，低精度运算，好比货物压缩，更省空间，能交换更多信息；
这些优化对deepseek非常重要：
专家分发（Dispatch）：数据快速精准分配给多个专家；
数据合并（Combine）：汇总各个专家的处理结果，统筹形成最终数据；
【3】
对我们普通人写提示词有什么启示？
为了充分发挥deepseek的混合专家MOE的最大潜力，可以显性告诉它，你希望它扮演哪些专家角色来回复问题。
bad case：如何设计高并发高可用系统？
这样的提示词，你会得到一个泛泛而谈的回答。
good 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
电商领域业务架构师
资深DBA
请分别从各自领域提出5项技术选型建议，并组合设计方案满足每秒10万次交易，数据满足最终一致性，故障恢复时间小于30秒的系统。
没错，你不止可以让deepseek扮演一个角色，你甚至可以让他扮演专家团的多个角色。此时处理时间并不会显著增长，但输出质量会显著提高。
节省训练资源，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），deepseek创新性使用MOE之后，很快就得到了业界的广泛认可与复制。
稍作总结
DeepEP，是为混合专家MOE量身定制的通信库；
DeepEP的核心思路是：优化MOE混合专家节点间的数据分发与合并；
提示词层面：通过让deepseek显示扮演专家团的多个角色，能充分发挥deepseek的混合专家MOE机制，不会显著增加处理时间，但能显著提升输出质量；
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。
