原贴链接

我们董事会的另一位成员最近指出，Deepseek的论文《DeepSeek - R1：通过强化学习激励大型语言模型中的推理能力》（https://kingy.ai/wp - content/uploads/2025/01/DeepSeek_R1.pdf）提到：在评估DeepSeek - R1时，我们发现它对提示很敏感。少样本提示会持续降低其性能。因此，我们建议用户直接描述问题，并使用零样本设置指定输出格式以获得最佳结果。R1，可能所有推理模型，最适合于零样本‘请仔细思考这个具体问题’类型的提示，这样做可能会比在模型思考时进行多轮对话得到更好的结果。所以，我再次借此机会说：工作流是你的好帮手。我知道我总是在唠叨工作流，但这个情况是学习使用工作流、熟悉它们等的绝佳用例。如果你有一个类似于以下操作的工作流，你可能会从R1、QwQ、R1蒸馏模型等中得到更好的结果：1. 总结最近消息所说和/或所问的内容；2. 总结任何有助于思考此问题的辅助上下文；3. 将1和2传入推理模型，让它思考问题；4. 使用3的输出回复用户。这样做有两个非常有价值的好处——首先：你每次只传入一个限定范围的问题；其次：你隐藏了步骤3的完整思考逻辑，这样它就不会保留在对话或代理历史记录中。不管你使用什么工作流程序——n8n、langflow、wilmerai、omnichain等等。如果还没有尝试过，现在是尝试它们并习惯使用它们的好时机。自从去年5月或6月以来，我在使用人工智能时就只使用工作流了，我无法想象回到以前的方式。你们中的许多人可能最终不喜欢使用它们，但也有许多人可能会喜欢。不管怎样，你将获得经验并且可以最大限度地利用这些蒸馏R1模型。

讨论总结

原帖指出Deepseek - R1等推理模型在零 - 提示的工作流中能更好地发挥作用，建议大家学习使用工作流来获取这些模型的最大效益，并给出了一种工作流示例。评论者们从不同角度进行了回应，包括表达对原帖观点的认可、分享自己使用模型的经历、对相关技术的好奇、寻求帮助以及补充工作流示例等，整体讨论氛围较为积极正向，大家都在探索如何更好地使用推理模型。

主要观点

  1. 👍 认可利用工作流能更好地使用推理模型
    • 支持理由：原帖详细阐述了工作流如何有助于推理模型发挥作用，部分评论者以自身经历表示赞同。
    • 反对声音：无
  2. 🔥 模型对指定格式输出指令响应不稳定
    • 正方观点：评论者指出在让r1模型按指定格式（如json）输出时存在困难，模型是否听从指令是碰运气的事。
    • 反方观点：无
  3. 💡 推理模型可作为中层管理角色
    • 解释：有评论者提出推理模型可在工作流中作为中层管理，接收输入并委派任务，处理结果后再返回给更强的模型。

金句与有趣评论

  1. “😂 Great! Request the AI to revise my prompt and the output answer is better!”
    • 亮点：简洁地表达了AI修订提示能得到更好答案的积极体验。
  2. “🤔 Huh 🤔 it still surprises me that people aren’t doing this by default.”
    • 亮点：表达了对人们未默认使用工作流的惊讶。
  3. “👀 Someone just posted a small 2 step workflow, which shows exactly what steps 3 and 4 are doing in action. Go check it out.”
    • 亮点：为大家提供了与原帖工作流程相关的示例资源。

情感分析

总体情感倾向是积极的。主要分歧点较少，大多数评论者都对原帖提到的利用工作流更好地使用推理模型表示认可。可能的原因是原帖提供了较为实用的建议，且大家都处于探索如何更好使用推理模型的阶段，所以更多是积极分享和交流相关经验及问题。

趋势与预测

  • 新兴话题：推理模型在工作流中作为中层管理角色的进一步探索和应用。
  • 潜在影响：如果推理模型在工作流中的角色得到更好的定义和应用，可能会提高人们使用推理模型的效率，对人工智能相关工作和研究产生积极影响。

详细内容：

标题：探索 R1 模型在工作流程中的最佳应用

在 Reddit 上，一篇关于“R1 模型在工作流程中可能效果最佳”的帖子引起了广泛关注，收获了众多点赞和大量评论。原帖指出，Deepseek 的相关论文表明，在评估 DeepSeek-R1 时，它对提示很敏感，少样本提示会持续降低其性能，建议用户直接描述问题并以零样本设置指定输出格式以获取最佳结果。

帖子引发了多方面的讨论。有人分享了自己让 AI 修订提示从而获得更好输出的个人经历。也有人认为 Deepseek 自身似乎对 R1 中的函数调用不太满意。还有人提出需要工具支持，以及将推理模型作为中层管理的设想。

有用户表示自己在让 R1 模型按指定格式输出时遇到困难，寻求更多技巧。还有人在构建工作流程方面进行了尝试，认为效果不错，但也指出原始模型输出和总结并非总是最佳。有人好奇哪个应用程序与开放网络用户界面的集成最好，得到回复称可能是 n8n。

文章将要探讨的核心问题是如何更好地利用 R1 模型以及相关工作流程来提升效果。

讨论焦点与观点分析

有人认为直接描述问题并用零样本设置能让 R1 模型发挥更好效果，比如按“请思考这个具体问题”的方式提示。

有人分享经历称让 AI 修订提示后输出答案更好。

有观点指出 Deepseek 自身似乎对 R1 中的函数调用不太满意。

有人提出需要工具支持，比如通过节点调用 LLM、启动工具等。

还有人设想将推理模型作为中层管理，接收输入并委托给工具调用模型和研究人员，由推理模型处理和总结输出。

有人在构建工作流程时发现效果不错，但原始模型输出和总结有时不佳，认为应让较弱模型做轻度总结，将原始输出零样本给到推理模型处理。

有人好奇哪个应用程序与开放网络用户界面的集成最好，得到回复称可能是 n8n。

在讨论中，大家对于如何优化 R1 模型在工作流程中的应用存在一定共识，即重视零样本设置和合理的流程安排。独特的观点如将推理模型作为中层管理，丰富了讨论，为优化工作流程提供了新的思路。