昨天DeepSeek发布了V3.2正式版，主打 Agent 能力强化，并融于思考推理。model和paper已公开。

DeepSeek-V3.2-Thinking 在 Agent评测中达到了当前开源模型的最高水平，大幅缩小了开源模型与闭源模型（Claude-4.5-Sonnet、GPT-5-High、Gemini-3.0-Pro）的差距。

DeepSeek-V3.2 用的是**“合成智能体任务工厂 + Scaling RL + 上下文管理”**组合拳！

示例为通过 LobeChat 使用 DeepSeek-V3.2 的深度思考+工具调用能力得到更加详细准确的回复

1. 为什么Agent成了开源“心病”？

---

痛点	现状	后果
缺数据	真实工具调用数据贵、难标注、不可验证	开源模型一上工具就“瞎聊”
泛化差	训练环境单一	换个小众API就翻车
上下文爆炸	多轮工具返回+推理token超长	128k窗口瞬间塞满，被迫提前终止

2. DeepSeek的“Agent大招”：自己造一座“合成任务工厂”

---

生产线	产量	可验证性	示例
Code Agent	24 667条 GitHub Issue→PR 可执行环境	JUnit 回归测试通过才算OK	Python/Java/Go/C++ 全覆盖
Search Agent	50 275条 多语言问答对	答案经搜索反核，全部可证伪	长尾实体+深度浏览
Code Interpreter	5 908条 Jupyter Notebook	执行结果与标答数值一致	数学/逻辑/数据科学
General Agent	1 827个合成沙盒	Python 验证函数自动判题	旅行规划、物流调度、电商运营

表1：合成智能体数据全景——“难做但易验证”是核心设计哲学

结果：1800+ 独立环境、8.5 万条高质量 prompt，全部自带自动评判函数，RL 训练从此“自己生成自己验证”。

3. 强化学习 Scaling：10% 预训练算力砸向Agent

---

• 后训练预算 > 10% 预训练 FLOPs（开源社区首次）
• 采用 GRPO 群体相对策略优化，并给出 4 个稳定技巧：

1. Unbiased KL：修正梯度，防止小概率 token 爆更新
2. Off-Policy Mask：高 KL 负样本直接丢弃，训练不漂移
3. Keep-Routing：MoE 专家路径采样锁定，推理/训练一致
4. Keep-Sampling-Mask：top-p 掩码复用，保证 action 空间相同

公式：带掩码的 GRPO 目标，M_i,t 即“是否屏蔽”开关

4. 思考模式 × 工具调用：让模型“不重复造轮子”

---

旧框架	浪费点	DeepSeek 方案
每轮工具返回都清空思维	重复推理，token 爆炸	仅在新用户消息时丢弃 ；工具链中间结果全程保留

图4：思考保留机制，工具调用轮次间思维不丢

实测相同任务下，保留思维减少 30% 以上 token 开销，且成功率提升 4~7 个百分点。

5. 上下文管理：128k 不够用时怎么办？

---

Agent 多轮工具返回+自反思，极易爆窗。DeepSeek 提出测试时算力扩展三件套：

策略	平均步数	BrowseComp 得分	GPU 成本
Discard-all（全清工具史）	180 → 420	67.6	低
Summary（摘要续写）	140 → 364	60.2	中
Parallel-fewest-step	N×并行	65.0	高

图6：测试时算力扩展曲线，Discard-all 用最少卡达到最高分之一

** takeaway ：串行“ Discard-all ”就能让开源模型用 1/3 算力**逼近并行效果，**性价比首选**。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓