通过提供自定义提示来指导模型的输出，从而轻松生成文本。

第一步做的事情，先把 Python 版 OnCall 的后端外壳搭起来。也就是说，先验证了一件最关键的事：这个项目能不能先以 Python 服务的形式真正跑起来，并且具备最基础的对外通信能力。只有这一步成立，后面接模型、接 RAG、接工具调用才有意义。从工程角度看，完成的是一个最小可运行骨架。创建了基础目录，明确了入口文件、路由文件、请求响应结构和 SSE 工具函数这些最核心的位置。这一步的价值不

提出了 DeepSeek-V3，一个强大的混合专家（MoE）语言模型，总共拥有6710 亿个参数，每个词元激活370 亿个参数。为了实现高效的推理和低成本的训练，DeepSeek-V3 采用了多头潜在注意力（MLA）和架构，这些架构已在 DeepSeek-V2 中得到充分验证。此外，DeepSeek-V3 开创了一种无辅助损失的负载均衡策略，并设置了多词元预测训练目标以提升性能。我们使用14.8