DeepSeek：算法工程师怎么用？推导与实现

DeepSeek 对算法工程师的用处，不在替你推公式，而在把推导里跳过的步骤摊开、把公式落成能跑又能验的代码。它的回答经常"看起来对"，所以验收方式比提问方式更关键。下面按推导、实现、验证三段讲，最后说清哪些事只能自己做。

推导：要步骤和假设，不要结论

遇到看不懂的推导，直接把结论要过来没用，结论只能记住，步骤才能复用。把自己的中间步骤贴进去，让它指出哪一步依据不足、哪一步跳过了、用了什么近似。

要求它给每一步标依据：用的是定义、定理还是近似；近似在什么条件下成立；如果某个假设不成立，结论会怎么变。这三问能把一段"看起来成立"的推导拆开。

判断标准：如果它说不出某一步用了什么假设，这段推导就不能直接用。真正有用的回答里，通常会有一两句"这里默认了某个条件"，而那正是你卡住的地方。

先对齐符号，再往下推

长推导常见的翻车点不是算错，是符号漂移。同一个字母在第三行表示向量，第十行变成了矩阵，后面全乱。

开始前让它复述符号表：每个符号的含义、维度、取值范围、是否可微。确认无误再往下。矩阵乘法的维度对不上，后面每一步都白算。

推导超过十几步时，要求它每五步做一次回代检查：把中间结果代回原始定义，看是否自洽。这一步很笨，但能挡住大部分隐蔽错误。

实现：先要验证方式，再要代码

让它实现一段公式时，顺序反过来：先让它给出验证方式，再让它写代码。验证方式包括一个小规模手算样例，比如 2×2 矩阵、3 个样本、两层网络，以及对应的期望输出。

你先手算一遍，再对照代码输出。对不上时，错的可能在公式理解、在实现、也在你的手算，三方对照才能定位。没有验证方式的实现，跑通了也不知道对不对。

代码要求写清楚：纯函数、输入输出形状、随机种子固定、不依赖外部服务。推导类任务适合开深度思考，让它把中间步骤展开，什么时候该开、什么时候不必开可以直接对照。

三件必须自己验的事

数值正确性：小规模手算对照，注意 float32 与 float64 的差异，累加顺序不同，结果会在末位不同。

边界与稳定性：除零、log(0)、softmax 上溢、空输入、单样本批次。这些在论文里通常不提，在代码里一定会遇到。

性能：向量化写法未必比循环快，小规模数据上循环经常更快。以实测为准，别凭直觉改。

判断标准：一段代码如果没有输入到期望输出的样例，只能算草稿，不算实现完成。

五类任务的验收方式

推导和实现之外的空缺

它不知道你的数据分布、标注口径、硬件条件。同一段代码在不同显卡上的表现不一样，它给不出与你环境匹配的结论。

它会编造论文结论和实验数字。凡是引用具体方法、具体指标，要求给出可核验的标题与作者；给不出，就当它没有依据。

它不能替代消融实验。哪个模块起作用、超参敏不敏感，只能自己跑。它也无法确保收敛，训练不稳定的原因通常在数据和学习率，不在公式。

长推导里它会悄悄改写符号或省略条件，必须自己回代检查。涉及数值方法时，它给的稳定性分析也常常偏乐观。

一份推导提问模板

推导补步骤模板

这是我的推导：{粘贴}，目标是推出{目标}。请按以下要求输出：

• 指出哪几步依据不足或存在跳跃，说明缺的是什么
• 补上缺失的中间步骤，每一步标注依据，区分定义、定理与近似
• 列出每一步依赖的假设，以及假设不成立时结论如何变化
• 给出一个可手算的小规模样例，用于验证结论

不要直接给最终结果，我需要自己走一遍；不确定的地方标出来，不要补全。

模板可以按任务改写，三个改编动作讲的是同一套思路：删掉泛化指令，补上你的约束和验收条件。推导与实验记录建议按项目归档，共享知识库的分目录方式可以借用，换人接手时不用重建上下文。

三个偏差的排查顺序

它推出来的结果和我手算差一个常数项，先查哪里？先查归一化系数和求和范围。常数项差异多数来自对概率密度与概率质量的混用，或者边界项被丢掉。让它把求和上下限单独列出来。

代码跑通但 loss 不降，先看什么？先看数据和标签是否对齐，再用一个极小数据集过拟合到接近零。过不去说明实现有问题，过得去说明是容量、学习率或正则的问题。

论文复现指标差多少算正常？没有统一标准。先确认数据划分、预处理、评估脚本一致，再看随机种子的波动范围。差异超出多次运行的波动区间，才值得怀疑实现。