极客时间DeepSeek-R1与DeepResearch复现之旅

复现前沿大模型推理与搜索架构

这门课程的核心价值在于拆解 DeepSeek-R1 的强化学习训练逻辑以及 DeepResearch 的自主搜索代理架构。它不局限于展示最终效果，而是深入代码层面，解释如何构建能够处理长上下文、多步推理和外部知识检索的系统。对于希望理解当前开源大模型如何从基础预训练走向具备复杂问题解决能力的开发者而言，这是一份极具参考价值的工程实战指南。课程重点剖析了思维链（CoT）的生成机制、奖励模型的构建细节，以及代理系统如何规划搜索策略并整合结果，帮助开发者建立对现代 AI Agent 系统全链路的认知。

技术栈基础与前置准备

学习本资料需要扎实的 Python 编程基础，熟悉 PyTorch 框架的基本张量操作和模型训练流程。读者应当了解 Transformer 架构的基本原理，包括注意力机制、位置编码以及解码器的结构。此外，对 Hugging Face 生态中的 Transformers 和 vLLM 库有一定使用经验会显著降低上手难度。如果之前接触过 LangChain 或 LlamaIndex 等框架，理解其中的提示词工程和工具调用逻辑，将有助于更快地掌握 DeepResearch 中的代理编排部分。无需具备分布式训练的深厚理论背景，但需要对 GPU 显存管理和批处理优化有基本概念，以便理解代码中涉及的性能优化技巧。

学习路径与独立开发能力

建议优先阅读关于 DeepSeek-R1 推理阶段代码解析的部分，重点观察输入处理、注意力掩码构建以及输出解码的逻辑。随后进入 DeepResearch 模块，关注代理的状态机设计和外部 API 的集成方式。不要试图一次性通读所有代码，而是挑选核心模块（如推理引擎和搜索规划器）进行断点调试，修改参数观察行为变化。学完这套资料后，你应当能够独立搭建一个基于开源模型的简易研究代理，能够自主拆解复杂问题、调用搜索引擎获取最新信息，并生成带有引用来源的结构化报告。资料中的代码片段可以直接作为你个人项目的脚手架，替换其中的模型权重和搜索接口，即可快速验证新的业务场景，实现从“看懂原理”到“落地工程”的跨越。