前言

生成式人工智能（Generative AI）近年来取得了革命性进展，凭借其在文本生成、代码生成、多模态处理等领域的卓越表现，正在重塑人工智能技术的核心框架。作为这一技术的代表性架构，Transformer以其自注意力机制和模块化设计奠定了生成式AI的理论基础。而基于Transformer的优化与扩展，DeepSeek通过混合专家（Mixture of Experts，MoE）架构、FP8混合精度训练和分布式训练优化等技术，为高效处理大规模生成任务提供了强大的支持。

DeepSeek-V3是DeepSeek系列中的开源大模型之一，专注于文本生成、代码补全、多模态生成等任务，广泛应用于对话系统、智能助理、编程插件等领域。其创新点在于通过Scaling Laws指导模型优化，并结合动态上下文窗口和稀疏注意力机制，显著提升模型在处理复杂任务时的性能与效率。本书围绕DeepSeek-V3展开，结合理论解析与实际应用，带领读者全面探索这一开源大模型的核心技术与实践价值。

本书旨在为读者提供一份系统性的学习指南，从生成式AI的理论基础到DeepSeek-V3的技术架构，再到具体的开发实践，通过理论讲解与实用案例相结合的方式，帮助读者掌握从原理到应用的完整流程。无论是AI技术研究者还是行业开发者，都能通过本书快速了解并运用DeepSeek大模型技术，深入探索其在工业与商业场景中的应用潜力。

全书分为三部分，共12章，涵盖理论解析和案例实践。

第一部分（第1~3章）从理论层面入手，讲解了Transformer与注意力机制的原理、DeepSeek-V3核心架构，以及模型开发的基础知识。通过对MoE路由、上下文窗口优化和分布式训练策略的深入剖析，揭示了DeepSeek-V3在训练成本与计算效率上的独特优势，为后续的技术应用奠定了理论基础。

第二部分（第4~9章）聚焦大模型的实际表现与开发实践，不仅揭示了DeepSeek-V3在数学推理、对话生成、代码补全等领域的能力，还通过详细的代码案例展示了如何利用大模型精准解决任务难题。此外，这部分对对话前缀续写、FIM生成模式和JSON输出、函数回调与上下文硬盘缓存、DeepSeek提示库等主题进行了系统讲解，帮助开发者实现定制化模型开发。

第三部分（第10~12章）注重实战，涵盖了多种实际场景的集成开发案例（例如Chat类客户端、AI助理和编程插件），展示了DeepSeek-V3在生产环境中的强大应用潜力。

本书理论与实践并重，通过丰富的案例和清晰的技术解析，帮助读者系统掌握大模型开发的核心技能。特色内容包括对Scaling Laws的实用解读、Prompt设计的高级实现，以及大模型在工业场景中的深度应用等。本书不仅适合生成式AI领域的研究者与开发者阅读，还能为希望将大模型技术应用于实际场景的技术爱好者和高校师生提供学习与实践指导。

在此，我们对参与DeepSeek-V3开发及应用的开源社区与技术团队表示感谢。感谢他们努力推动了生成式AI技术的快速发展，也为本书提供了丰富的内容素材。我们期待本书能成为读者在生成式AI领域学习与实践的有力工具，并希望大家能够在实际项目中体会其真正的价值。

本书以DeepSeek-V3为蓝本编写，随着DeepSeek技术的快速迭代，深度求索公司于2025年1月推出了DeepSeek-R1。DeepSeek-R1版本是在V3基础上通过强化学习进行改进的，并新增了冷启动功能。

本书中的所有内容均基于DeepSeek-V3的调用方式，读者只需将代码中的model="deepseek-chat"改为model="deepseek-reasoner"，即可轻松切换至DeepSeek-R1版本，从而享受其更强的推理能力和性能优化。

购书读者可免费获得《DeepSeek-R1参考手册（随书赠阅版）》，并能够从异步社区网站下载与书中案例配套的资源压缩包。同时，我们后期会紧跟技术进展，同步更新DeepSeek相关大模型教程，以赠送的方式分享给购书读者。请读者及时关注异步社区提供的配套下载资源的更新情况。