DeepSeek 推理鏈視覺化工具在香港高校教學中的創新應用
大型語言模型 (LLM) 已成為現代AI領域的核心，但其「黑箱」特性對初學者而言構成理解障礙。特別是在複雜的應用場景中，例如涉及工具使用 (Function Calling) 或檢索增強生成 (RAG) 時，模型做出決策的每一步往往難以追蹤。DeepSeek 作為性能卓越的LLM，其API提供了強大的基礎能力。本文將探討如何在香港高校教學中，利用DeepSeek API並結合推理鏈視覺化概念，幫助學生深入理解LLM的工作流程，提升AI應用開發與調試能力。
理解 DeepSeek 推理鏈視覺化的核心價值
在AI教育中，單純地呼叫LLM API並觀察最終輸出，往往不足以讓學生掌握模型運作的深層邏輯。推理鏈視覺化旨在將LLM應用程式中，從用戶輸入到最終輸出的多個中間步驟、API調用、數據處理和模型決策過程，以圖形化或結構化的方式呈現出來。這對於教學來說具有多重價值：
- 揭開黑箱：將抽象的推理過程具體化，幫助學生直觀理解模型如何處理資訊、做出判斷。
- 錯誤分析：當應用程式行為不如預期時，視覺化鏈條有助於迅速定位問題所在，是模型理解錯誤、工具調用失敗還是數據處理不當。
- 優化策略：透過觀察不同提示詞 (prompt) 或工具使用策略如何影響推理路徑，學生能學習如何更有效地設計和優化他們的AI應用。
- 協作與演示：清晰的視覺化圖表便於學生之間進行討論，或向教師、評審團演示其專案的內部邏輯。
DeepSeek API 以其高效能和對功能調用 (Function Calling) 的良好支持，成為構建多步驟AI應用的理想選擇。透過記錄和視覺化這些步驟，我們可以有效地在教學中實現「推理鏈視覺化」。
DeepSeek API 整合與基本配置
要在高校教學中使用 DeepSeek API，首先需要學生能夠獲取並配置API金鑰，並了解基本的API調用方式。
獲取 DeepSeek API 金鑰
學生可以在 DeepSeek 官方平台 (chat.deepseek.com) 註冊賬號並申請 API 金鑰。通常，平台會提供一定額度的免費試用或學術優惠，這對於教學實踐非常有利。
- 登錄 chat.deepseek.com。
- 導航至「API Keys」或類似的開發者設置頁面。
- 生成新的 API 金鑰，並妥善保管。
Python 環境配置與 API 調用範例
我們將使用 Python 作為教學語言，配合 requests 庫或 DeepSeek 提供的 SDK 進行 API 交互。
步驟 1：安裝必要的庫
pip install deepseek-llm # 如果有官方SDK
# 或者
pip install requests
步驟 2：基本 API 調用範例
以下是一個使用 DeepSeek API 進行簡單對話的 Python 範例。在實際的推理鏈視覺化中，我們需要擴展這個範例來捕捉更多中間狀態。
import os
import deepseek_llm # 假設官方SDK名稱為 deepseek_llm，實際請查閱官方文檔
# 從環境變數獲取 API 金鑰，這是推薦的最佳實踐
# export DEEPSEEK_API_KEY="YOUR_DEEPSEEK_API_KEY"
api_key = os.getenv("DEEPSEEK_API_KEY")
if not api_key:
raise ValueError("請設定 DEEPSEEK_API_KEY 環境變數")
client = deepseek_llm.DeepSeek(api_key=api_key) # 根據實際SDK初始化方式調整
def get_deepseek_response(messages: list):
"""
調用 DeepSeek API 獲取回應
:param messages: 對話歷史，格式如 [{"role": "user", "content": "..."}]
:return: 模型回應的內容
"""
try:
response = client.chat.completions.create(
model="deepseek-chat", # 或 deepseek-coder，根據需求選擇
messages=messages,
stream=False
)
return response.choices[0].message.content
except Exception as e:
print(f"DeepSeek API 調用失敗: {e}")
return None
# 範例使用
if __name__ == "__main__":
conversation = [{"role": "user", "content": "香港的旗幟有什麼特色？"}]
response_content = get_deepseek_response(conversation)
if response_content:
print("DeepSeek 回應:", response_content)
這個基礎範例展示了如何與 DeepSeek 進行交互。為了實現推理鏈視覺化，我們需要圍繞這些 API 調用，設計更複雜的應用邏輯，並記錄每個環節的輸入與輸出。
建構一個簡單的 DeepSeek 教學應用案例：智能學習助手
為了具體展示推理鏈視覺化的應用，我們設計一個「智能學習助手」的教學案例。這個助手可以幫助學生查詢課程信息，甚至執行簡單的計算。我們將重點放在如何記錄其內部「思考」流程。
應用場景：一個香港大學生想了解「機器學習」這門課的最新資訊，例如授課老師、上課時間等，或者要求助手進行一個複雜的數學計算。
應用架構概述：
- 用戶輸入：學生提出問題。
- 意圖識別：DeepSeek 模型識別用戶意圖 (查詢課程、進行計算)。
- 工具調用 (Function Calling)：如果需要，調用預定義的工具 (例如
get_course_info或calculator)。 - DeepSeek 再次判斷與生成：DeepSeek 接收工具輸出後，生成最終答案。
- 最終輸出：將答案呈現給學生。
這個流程中的每個數字編號的步驟，都是我們可以捕捉並視覺化的「推理鏈」環節。
import json
import logging
from datetime import datetime
# 配置日誌，便於記錄推理鏈的每一步
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
# 模擬的工具函數
def get_course_info(course_name: str):
"""模擬查詢課程信息的函數"""
logging.info(f"工具調用: get_course_info(course_name='{course_name}')")
# 模擬數據庫查詢
course_data = {
"機器學習": {"teacher": "陳教授", "time": "週二 14:00-17:00", "location": "NCL301", "description": "深入探討機器學習演算法與應用。"},
"高等數學": {"teacher": "王博士", "time": "週一 10:00-12:00", "location": "SCI102", "description": "微積分與線性代數進階課程。"},
"計算機網絡": {"teacher": "李博士", "time": "週四 09:00-12:00", "location": "ENG205", "description": "學習網絡協議與架構。"},
}
info = course_data.get(course_name, {"error": "未找到該課程信息"})
logging.info(f"工具輸出: {info}")
return json.dumps(info, ensure_ascii=False)
def calculator(expression: str):
"""模擬計算器函數"""
logging.info(f"工具調用: calculator(expression='{expression}')")
try:
result = eval(expression) # 注意：在實際生產環境中eval存在安全風險，教學中為簡化演示
logging.info(f"工具輸出: {result}")
return json.dumps({"result": result})
except Exception as e:
logging.error(f"計算錯誤: {e}")
return json.dumps({"error": f"計算表達式錯誤: {e}"})
# DeepSeek 函數定義 (Function Definitions)
tools = [
{
"type": "function",
"function": {
"name": "get_course_info",
"description": "獲取指定課程的詳細信息，包括老師、時間、地點和描述。",
"parameters": {
"type": "object",
"properties": {
"course_name": {"type": "string", "description": "課程的名稱，例如 '機器學習'"},
},
"required": ["course_name"],
},
},
},
{
"type": "function",
"function": {
"name": "calculator",
"description": "執行數學計算，輸入為數學表達式字符串。",
"parameters": {
"type": "object",
"properties": {
"expression": {"type": "string", "description": "需要計算的數學表達式，例如 '10 * 5 + 2'"},
},
"required": ["expression"],
},
},
},
]
# 擴展後的 DeepSeek 調用函數，支持工具調用並記錄推理過程
def chat_with_deepseek_and_log_chain(user_query: str):
messages = [{"role": "user", "content": user_query}]
logging.info(f"--- 新的查詢開始 ({datetime.now().isoformat()}) ---")
logging.info(f"用戶輸入: {user_query}")
# 第一輪 DeepSeek 調用，判斷是否需要工具
logging.info("第一輪 DeepSeek 調用...")
response_1 = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=tools, # 傳遞工具定義
stream=False
)
first_response_message = response_1.choices[0].message
logging.info(f"DeepSeek 第一次回應: role={first_response_message.role}, content={first_response_message.content}, tool_calls={first_response_message.tool_calls}")
messages.append(first_response_message) # 將 DeepSeek 的回應加入對話歷史
# 檢查是否需要調用工具
if first_response_message.tool_calls:
for tool_call in first_response_message.tool_calls:
function_name = tool_call.function.name
function_args = json.loads(tool_call.function.arguments)
logging.info(f"DeepSeek 判斷需要調用工具: {function_name} with args: {function_args}")
# 根據函數名稱調用對應的工具
if function_name == "get_course_info":
tool_output = get_course_info(**function_args)
elif function_name == "calculator":
tool_output = calculator(**function_args)
else:
tool_output = json.dumps({"error": f"未知工具: {function_name}"})
logging.error(tool_output)
# 將工具輸出添加到對話歷史，再次調用 DeepSeek
messages.append(
{
"tool_call_id": tool_call.id,
"role": "tool",
"name": function_name,
"content": tool_output,
}
)
logging.info(f"添加工具輸出到對話: {tool_output}")
# 第二輪 DeepSeek 調用，生成最終答案
logging.info("第二輪 DeepSeek 調用 (帶工具輸出)...")
response_2 = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
stream=False
)
final_response_message = response_2.choices[0].message
logging.info(f"DeepSeek 最終回應: {final_response_message.content}")
messages.append(final_response_message) # 將最終回應加入對話歷史
return final_response_message.content
else:
# 如果第一輪 DeepSeek 沒有調用工具，直接返回其內容
return first_response_message.content
# 範例教學應用
if __name__ == "__main__":
print("\n--- 查詢課程信息 ---")
final_answer_1 = chat_with_deepseek_and_log_chain("機器學習這門課的授課老師是誰？")
print("\n最終助手回答:", final_answer_1)
print("\n--- 執行數學計算 ---")
final_answer_2 = chat_with_deepseek_and_log_chain("請幫我計算 (150 + 20) * 5 是多少？")
print("\n最終助手回答:", final_answer_2)
print("\n--- 簡單對話 ---")
final_answer_3 = chat_with_deepseek_and_log_chain("香港有哪些著名的旅遊景點？")
print("\n最終助手回答:", final_answer_3)
視覺化實踐：從日誌到圖形化呈現
上述代碼通過 logging 模組記錄了智能學習助手與 DeepSeek API 交互的每一步。這本身就是一種文本形式的「推理鏈」呈現。對於教學而言，我們可以將這些日誌進一步轉化為更直觀的圖形。
日誌分析與數據提取
教學中，教師可以引導學生解析日誌，提取關鍵信息，例如：
- 節點 (Nodes)：用戶輸入、DeepSeek 回應 (第一輪)、工具調用、工具輸出、DeepSeek 回應 (第二輪)。
- 邊 (Edges)：表示信息流動的方向，例如「用戶輸入 -> DeepSeek 回應」。
選擇視覺化工具
對於香港高校的教學環境，可以選擇以下幾種視覺化方案：
- 基於文本的簡化圖表 (ASCII Art)：對於快速理解或終端演示，可以用簡單的文本符號繪製流程圖。
- Graphviz (DOT 語言)：一個強大的圖形視覺化軟件，可以根據結構化文本 (DOT 語言) 生成流程圖、UML 圖等。學生可以編寫 Python 腳本來自動生成 DOT 文件，再用 Graphviz 渲染。
- Mermaid.js / PlantUML：這些工具允許開發者用簡潔的文本語法描述圖表，然後在 Markdown 文件、網頁應用或 IDE 中渲染。非常適合在文檔或網頁中嵌入動態流程圖。
- 自定義網頁界面：對於進階課程，學生可以開發一個簡單的 Flask/Django 網頁應用，將日誌數據解析後動態渲染成互動式流程圖 (例如使用 D3.js 或 ECharts)。
以 Graphviz 為例，學生可以從日誌中提取信息，生成 DOT 文件：
digraph InferenceChain {
rankdir=LR;
node [shape=box, style=filled, fillcolor=lightgray];
"User Input" [label="用戶輸入: 機器學習這門課的授課老師是誰？", fillcolor=lightblue];
"DS_Response_1" [label="DeepSeek 回應 (第一輪):\n需要調用 get_course_info", fillcolor=lightgoldenrod];
"Tool_Call_get_course_info" [label="工具調用:\nget_course_info(course_name='機器學習')", fillcolor=lightgreen];
"Tool_Output_get_course_info" [label="工具輸出:\n{'teacher': '陳教授', ...}", fillcolor=lightgreen];
"DS_Response_2" [label="DeepSeek 回應 (第二輪):\n最終答案", fillcolor=lightgoldenrod];
"Final_Answer" [label="最終助手回答: 陳教授", fillcolor=lightcoral];
"User Input" -> "DS_Response_1";
"DS_Response_1" -> "Tool_Call_get_course_info" [label="要求工具"];
"Tool_Call_get_course_info" -> "Tool_Output_get_course_info";
"Tool_Output_get_course_info" -> "DS_Response_2" [label="工具結果"];
"DS_Response_2" -> "Final_Answer";
}
這個 DOT 語言描述的圖表可以通過 Graphviz 命令行工具渲染為 PNG, SVG 等圖片格式，直觀地展示推理流程。
香港高校教學中的創新應用場景
DeepSeek 推理鏈視覺化工具不僅僅是技術演示，它能在香港高校的多種課程和專案中發揮創新作用：
- 提示工程 (Prompt Engineering) 課程：學生可以設計不同的提示詞來解決同一問題，然後視覺化它們的推理鏈。比較不同提示詞導致的模型決策路徑和工具調用情況，從而理解提示詞對模型行為的深遠影響。
- AI 倫理與偏見分析：在涉及敏感話題或決策的AI應用中，視覺化推理鏈可以幫助學生追溯模型的決策依據，識別潛在的數據偏見或模型邏輯缺陷，從而進行倫理審查和改進。
- 多模態 AI 應用開發：如果 DeepSeek 未來支持多模態功能，視覺化工具將能展示模型如何整合不同模態的信息進行推理。
- Agentic AI 與工具使用：深入教授 Agentic AI 概念時，學生可以設計複雜的代理人系統，讓 DeepSeek 作為核心決策引擎，並視覺化多步驟的工具選擇、執行與反思過程。
- 檢索增強生成 (RAG) 系統教學：學生可以構建一個 RAG 系統，讓 DeepSeek 結合外部知識庫生成答案。視覺化流程將清晰展示檢索階段如何為 DeepSeek 提供上下文，以及 DeepSeek 如何利用這些信息進行生成。
- 專案式學習 (Project-based Learning)：在畢業設計或專題研習中，學生可以將 DeepSeek 視覺化工具整合到他們的 AI 應用開發中，作為開發、調試和最終演示的核心環節。這能大大提升專案的透明度和可解釋性。
實際操作步驟與教學建議
為了在香港高校有效地實施這一創新教學方法，教師可以遵循以下步驟並提供相應的建議：
實際操作步驟
- 課前準備：
- 確保 DeepSeek API 在香港地區的可訪問性與穩定性。
- 為學生提供 DeepSeek 平台註冊和 API Key 申請的詳細指引。
- 準備好基礎的 Python 環境與範例代碼 (如本文所示的智能學習助手)。
- 介紹 Graphviz 或其他視覺化工具的安裝與基本用法。
- 課堂導入與講解：
- 簡要介紹 LLM 的「黑箱」問題和推理鏈視覺化的必要性。
- 分步講解智能學習助手的代碼邏輯，特別是
chat_with_deepseek_and_log_chain函數中如何記錄每一步。 - 演示如何運行範例代碼，並分析生成的日誌內容。
- 實踐環節：
- 任務一：基礎視覺化：讓學生修改範例代碼，新增一個工具函數（例如，查詢天氣），並運行代碼生成新的日誌。
- 任務二：日誌轉圖表：引導學生編寫一個簡單的 Python 腳本，從他們的日誌文件中提取關鍵信息，並生成 Graphviz 的 DOT 語句。
- 任務三：渲染與分析：使用 Graphviz 渲染 DOT 文件為圖表，學生分析不同用戶查詢下的推理鏈有何異同。
- 進階挑戰 (可選)：
- 讓學生嘗試使用 Mermaid.js 或 PlantUML，將其嵌入到一個簡短的網頁或 Markdown 報告中。
- 設計一個更複雜的 Agentic AI 應用，包含多個工具和決策節點，並嘗試視覺化其完整工作流程。
教學建議
- 小組協作：鼓勵學生分組討論和完成任務，互相學習和解決問題。
- 案例分析：提供更多真實世界的 AI 應用案例，讓學生思考如何為這些案例設計推理鏈視覺化方案。
- 鼓勵實驗：強調「試錯」在 AI 開發中的重要性，鼓勵學生大膽嘗試不同的提示詞、工具定義和應用邏輯，並利用視覺化工具分析結果。
- 結合專案作業：將 DeepSeek 推理鏈視覺化作為學期專案或畢業設計的一部分，要求學生在最終報告中包含其 AI 應用的推理鏈圖表和分析。
結語
DeepSeek API 結合推理鏈視覺化概念，為香港高校的 AI 教學提供了寶貴的創新機會。它不僅幫助學生深入理解大型語言模型的內部運作機制，更透過實際操作和圖形化分析，顯著提升了他們設計、開發和調試複雜 AI 應用程式的能力。透過將抽象的AI推理過程具體化，我們能夠更好地培養新一代AI人才，為香港乃至全球的科技發展貢獻力量。