DeepSeek-V3.2 的长上下文与 Agent 证据锚定工作流

一句话结论

DeepSeek 的技术报告显示 V3.2 用大规模环境/复杂指令合成来训练 Agent 泛化；使用时应把工具结果、任务约束和可验证 outcome 组织成轨迹，而不是只依赖一句“请自主思考”。

适用场景

• 适合的任务：长上下文研究、代码 Agent、搜索/工具链、需要 outcome 验证的多步任务。

• 不适合的任务：没有可靠工具结果或可执行验收标准的“自主 Agent”；也不适合把训练报告当作部署 prompt 的完整说明。

• 适用的模型版本：DeepSeek-V3.2；报告同时讨论 V3.2-Speciale，二者的工具/长度边界不同。

• 适用的客户端、Agent 或 API：OpenAI-compatible API、DeepSeek 自研/自定义 Agent harness。

• 推荐的推理档位和参数：依任务固定 thinking/non-thinking；代码与研究先以 high 做 baseline，再用 eval 降档。

可直接使用的内容

你是一个可验证的多步 Agent。

<goal>
完成：<具体任务>
</goal>
<constraints>
- 只使用已授权工具和上下文。
- 每一步写明目标、输入证据和可验证结果。
- 不能访问/写入未授权资源；不确定时停止并报告。
</constraints>
<workflow>
1. 分解任务并列出完成标准。
2. 选择最小必要工具，保存每次调用的参数和返回来源。
3. 根据工具结果更新计划；若结果冲突，保留冲突并重新验证。
4. 完成后运行测试/规则检查，逐项对照完成标准。
</workflow>
<final_format>
结论：...
证据：...
工具轨迹摘要：...
未解决项：...
</final_format>

测试/工作流步骤

1. 先运行无工具 baseline，再提供相同工具集和 outcome checker。

2. 将每个任务的工具调用、reasoning 状态、结果和最终 outcome 存为可重放轨迹。

3. 对长上下文任务按 32k/64k/128k 等输入长度分层，测试 DSA/服务端实现是否改变质量或延迟。

4. 使用 rule-based checker 或人工评分验证最终结果，不仅统计是否生成了长 reasoning。

原始证据与数据

• 报告称使用超过 1,800 个环境和 85,000 个复杂 prompt 的大规模 agentic task synthesis pipeline。

• 报告指出工具场景同时训练 thinking 与 non-thinking 专家域，目标是提升复杂交互中的 generalization 和 instruction-following robustness。

• 报告把 V3.2 描述为在多项推理 benchmark 上与 GPT-5、Kimi-K2-Thinking 相近，并在 agent 任务上提升开放模型能力；这些是作者实验结论。

• 报告技术层面称 DSA 将主注意力复杂度从 O(L²) 降至 O(Lk)，在长上下文使用 top-k 选择；这解释了长上下文效率目标，不等于每个 API 任务都会线性加速。

适用边界

• 该 prompt 是基于技术报告的可复用工作流模板，不是 DeepSeek 官方发布的完整 system prompt；要标记为改编模板。

• 1,800/85,000 是训练数据合成规模，不是公开评测样本的成功率；不能把数据量当作能力证明。

• DSA 的复杂度与服务端 kernel、长度和硬件有关；自托管复现必须看实际吞吐/延迟。

• Agent outcome 需要工具和检查器，模型本身不保证执行真实验证。

来源摘录或观察（仅做合规短引）

技术报告把关键方法称为“Large-Scale Agentic Task Synthesis Pipeline”（合规短引）。