今天是2025年4月28日，星期日，北京，晴。
我们来看看Deepresearch与RAG相关进展，重点看看起实现思路。
另一个，看看DeepSeek-R1的一个有趣的实验模型，思路还不错。
抓住根本问题，做根因，专题化，体系化，会有更多深度思考。大家一起加油
一、Deepresearch与RAG相关进展回顾
1、Deepresearch与github进展
Cognition Labs推出DeepWiki项目，可为GitHub仓库提供AI驱动的实时交互式文档，通过层级化分解和提交历史分析来理解代码全局结构，已索引3万个仓库，处理超40亿行代码。实现流程图下：
进一步的，DeepWiki首先将复杂代码库分解为层级化的高阶系统结构（如前端、后端、数据库层），通过分析代码组织结构、模块依赖关系等，构建清层级架构。每个子系统生成独立的Wiki页面，形成类似于项目知识图谱的质量。
使用方式简单，将github.com替换为deepwiki.com即可访问对应仓库的AI文档，项目地址在：https://deepwiki.com/langchain-ai/langmem deepwiki，是阅读github的不错方式。
2、RAG框架进展Chatwiki
Chatwiki，基于企业私有知识库的智能客服机器人问答系统，为企业打造专属AI客服，解决客户咨询难题，支持20多种主流大模型，灵活适配企业需求，地址在：https://github.com/zhimaAi/chatwiki
可以看看其特点：
1、支持从上传的PDF、Word等知识库文档中自动提取内嵌图片，问答过程中当关联到含图片的文档内容时，同步返回文本与图片信息，实现图文关联回复；
2、基于语义分析自动生成猜你想问 推荐列表，也支持手动维护高频常见问题，结合用户历史交互动态优化推荐逻辑。
3、提供企业级多级权限控制，支持角色分配（管理员/编辑员/只读成员）。
4、提供自动分段、QA分段、手动输入和CSV等多种方式导入数据，自动对导入的文本数据进行预处理、向量化或QA分割。支持word文档、Excel文档、PPT、PDF、OFD、markdown文档等多种格式文档自动解析、智能分段。
二、DeepSeek-R1的一个有趣的实验模型
最近有个模型很有意思，DeepSeek-R1T-Chimera，基于DeepSeek-R1构建，并使用DeepSeek-V3-0324数据进行微调，通过融合DeepSeekR1和V3-0324 的优势，实现推理能力与效率的平衡。 https://upload.chinaz.com/2025/0428/6388143308830674716580098.png
地址在：https://huggingface.co/tngtech/DeepSeek-R1T-Chimera
在实现效果上，相比R1，Chimera的运行速度更快，输出标记数量减少40%。
在具体实现上，采用混合式架构，模型直接从V3和R1两种父模型的中提取、融合关键部分。
然后，
共享专家（Shared Experts）直接复用V3-0324的共享专家参数；
路由专家（Routed Experts）融合R1和V3-0324 的路由专家，部分参数可能采用加权平均（如 (R1+V3)/2）。
在Embedding层、Attention模块等复用V3-0324的权重。
（文：老刘说NLP）