简介这份资源是清华大学新闻与传播学院新媒体研究中心发布的《DeepSeek从入门到精通》PDF课件面向希望系统掌握DeepSeek大模型应用与提示语设计的AI使用者、内容创作者及企业实践者。内容从“DeepSeek是什么”讲起涵盖智能对话、文本生成、语义理解、代码补全等核心功能重点剖析推理模型与通用模型的差异并给出针对任务类型的提示语策略与模型选择原则帮助读者跨越“会用”到“用好”的进阶门槛。资源共1个PDF文件约5.5MB便于移动端或电脑端随时查阅。截至目前已有310人学习下载。课件结构清晰包含能力图谱、快思慢想对比、提示语策略示例等实用模块对提升逻辑推导类任务效率、优化文案与创意生成质量均有直接参考价值。1. DeepSeek从入门到精通先搞清楚模型怎么想再谈怎么用一位开发者把同一道概率题分别丢给对话窗口和深度思考模式结果两个答案的推导路径完全不同、结论一致但步骤详略差异明显。他问的第一句话是这两个模式不都是同一个模型吗为什么表现像两个物种这份从入门到精通的资料回答的核心问题不是「怎么打开对话页面」而是「什么时候该让模型快想、什么时候该让它慢想」以及「如何把需求描述成模型能执行的语言」。适合刚接触大模型的新手也适合那些把模型当搜索引擎用、却总觉得答案不对味的从业者。2. DeepSeek能力矩阵文本、代码、分析三类任务的真实边界2.1 能力分布六个应用域分别能吃下什么任务从资料中的能力清单来看DeepSeek覆盖六个方向智能对话、文本生成、语义理解、计算推理、代码生成补全、文件与图像文字读取。能力看着很多但真正影响使用效果的不是功能列表有多长而是每类功能的适用场景和失效边界。文本生成是日常使用频率最高的模块但内部还能再拆成三层。第一层是创作类比如文章、故事、诗歌、剧本、社交媒体推文这类任务对逻辑严密性要求低、对语言风格要求高。第二层是改写与摘要比如论文长摘要、多语言翻译、文本简化这类任务吃的是上下文理解能力。第三层是结构化生成比如表格、列表、日程、菜谱、代码注释和文档这类任务对格式一致性有要求模型如果没拿够示例就容易输出格式错乱的结果。自然语言理解与分析是另一个大块。语义解析、情感分析、意图识别、实体提取、文本分类、垃圾内容检测这些任务看起来是「分析」实际考的是模型对隐含信息的把握能力。比如情感分析评论里带反讽的时候通用模型容易把负面情绪判成正向需要你主动补充上下文或要求模型先摘录关键词再下结论。编程相关能力需要注意边界。代码生成、代码补全、错误分析与修复建议、API文档生成、代码库解释这些场景适合让模型先读代码再给结论而不是直接扔一个空需求让它从零写一套系统。资料里明确提到支持Python和JavaScript代码片段生成但实际使用时要给它输入输出格式、边界条件、以及你已尝试过的方案它给出的代码才接近可用状态。语义理解、知识推理和逻辑问题解答归为推理域这部分与推理模型的关系最大。数学推导、因果关系分析、逻辑问题解答都适合切换到深度思考模式。文件上传和图片文字读取则属于多模态入口扫描PDF里的表格、提取图片里的文字对需要先读取再分析的复合任务帮助很大。2.2 实操路径把能力清单落成一次有效对话能力清单的价值只有在对话中才能验证。我一般会按「任务分类 → 选择模式 → 组织提示语 → 校验输出」四步走。以文本生成为例写营销文案和写代码注释的提示语结构完全不同前者需要风格和受众约束后者需要输入输出格式和边界条件。# 常见的两段式对话示例说明如何把需求拆成模型可执行的结构 # 第一段给上下文 user_context 我正在为某跨平台系统写技术文档读者是有Python基础但没接触过异步编程的开发者。 # 第二段给任务与格式约束 user_task 请为下面这段代码补写注释函数接收一个URL列表用asyncio并发抓取状态码返回可读性好的结果。注释要求解释每个步骤的设计意图不逐行翻译。输出格式Markdown列表。 # 模型的行为预期先基于异步编程的知识补全注释再按列表输出这段代码展示的是一种常见的请求组织方式先给上下文再给任务最后给输出格式。第一段决定了模型的回答立场第二段决定了任务边界。参数层面这类文本处理任务建议把输出长度控制在300到800字之间太短容易丢关键信息太长容易产生冗余内容。若使用在线对话界面这对应的是在输入框里把两段内容用换行隔开模型会自动将前文视为上下文。执行时有一个容易被忽视的点模型对「格式约束」的遵循度取决于约束语句的明确程度。像是「输出Markdown列表」就比「好好写注释」更容易得到结构化结果。如果你发现模型输出的内容不符合预期优先检查的是提示语里是否缺少输出格式约束而不是急着换模型。3. 推理模型与通用模型从快思慢想到选型逻辑3.1 快思慢想与CoT链式思维两种模式凭什么表现不同这份资料里提到一个关键判断CoT链式思维的出现把大模型分成「概率预测快速反应」和「链式推理慢速思考」两类。前者靠大量数据训练快速预测答案后者逐步拆解问题路径再给出结论。DeepSeek-R1属于后者它在数学推导、逻辑分析、代码生成这类高逻辑密度任务上表现突出而在诗歌创作、开放闲聊这类发散性任务上并不比通用模型更有优势。理解这个差异要从「训练目标」入手。推理模型在训练时强化了推理链它会把一个问题拆成若干步骤每一步都做验证和推导最后汇总结论。这意味着你问它「证明勾股定理」它会从公理开始一步步推给你看。同样的题目丢给通用模型它更倾向于直接输出一个记忆中的结论跳过中间推导过程——这就是资料里说的「通用模型依赖提示语补偿能力短板」你需要显式要求它分步思考。但推理模型不是全能的。它的「慢思考」机制在发散性任务上反而成了累赘。你让它「以海明威的风格写一个冒险故事」它可能会先试图构建一个冒险故事的逻辑框架、人物弧线、因果链然后发现这个任务并不需要那么强的因果一致性最后产出的文本反而生硬。这一点在资料中写得很清楚推理模型的劣势领域正是发散性任务比如诗歌创作。给两类模型做个小结推理模型适合「解」通用模型适合「写」。判断标准不是模型热度而是任务里逻辑链的密度。一个任务如果从条件到结论之间存在明确的推导关系选推理模型如果任务的核心是风格、多样性、多轮互动选通用模型。这个判断标准贯穿后续所有提示语设计。3.2 按任务类型选型一张对比表的四个决策维度资料里给出了推理模型与通用模型的多维对比实际决策时我通常只看四个维度优势领域、劣势领域、性能本质、人机互动能力。优势领域决定「什么时候选它」劣势领域决定「什么时候避开它」性能本质帮助理解「为什么它会这样表现」人机互动能力影响「多轮对话中的体验」。表格放在下面方便对照选型。对比维度推理模型如DeepSeek-R1通用模型优势领域数学推导、逻辑分析、代码生成、复杂问题拆解文本创作、多轮对话、开放问答、风格化写作劣势领域发散性任务、需要自由想象力的产出需要严格逻辑链的证明、多条件约束的推演性能本质专精逻辑密度高的任务内化推理逻辑擅长多样性任务依靠上下文补偿逻辑短板人机互动能自主分析并给出策略但发散性互动弱自然交互、理解模糊意图但易跳过关键推论提示语适配简洁指令聚焦目标不过度拆解步骤结构化引导显式要求分步推理或提供示例表格是参考实际测试更能说明问题。用一个数学逻辑题和一个人物小传需求分别喂给两种模式输出差异会很明显。下面给出一段模拟测试的代码结构方便你在自己的环境里复现对比# 用同一批提示语测试两种模式对比输出结构差异 test_cases [ { task: 数学逻辑题, prompt: 一个水池有两个进水管和一个排水管单独打开甲管8小时注满乙管12小时注满排水管单独开6小时排空。三管齐开多久注满请给出计算过程。, }, { task: 创意写作题, prompt: 写一段300字的人物小传一位在城市里修了三十年自行车的老师傅快退休了。, }, ] # 推理模型预期第一题会先设未知数列出效率公式逐步求解第二题可能偏工整但少点灵动。 # 通用模型预期第一题可能直接给出答案并附简短说明第二题可能风格更自由。这段代码模拟的是测试流程而非API调用。跑测试时重点看两件事第一题里通用模型有没有跳过「设未知数」步骤第二题里推理模型有没有因追求因果一致而写得过于板正。这两处表现基本能判断模型的倾向性也能反过来帮你校准提示语的写法。测试时建议固定同一个题面只切换模式控制变量才看得出差异。4. 提示语策略从下达指令到表达需求4.1 提示语的结构与六种基本形态资料里把提示语的本质定义为「沟通桥梁、上下文提供者、任务定义器、输出塑造器、AI能力引导器」这个定位非常准确。简单来说提示语不只是「你说了什么」更是「你如何说出你要的东西」。提示语的基本结构只有三个要素指令告诉AI执行什么任务、上下文提供背景信息、期望表达对输出的要求。三段缺一不可缺了指令模型不知道该干嘛缺了上下文模型容易答非所问缺了期望模型输出的格式和深度都不受控。六种提示语类型分别是指令型、问答型、角色扮演型、创意型、分析型、多模态型。实际写作中它们经常混合使用。比如「假设你是一位熟悉物流行业的分析师角色扮演请对比两种方案的五年总成本分析型输出一张对比表指令型」就混合了三种类型。提示语设计有一个容易被低估的原则对推理模型和通用模型采取不同策略。推理模型已经内化了推理逻辑提示语应该「要什么直接说」通用模型则需要「缺什么补什么」主动补充步骤引导和示例。资料中的核心警告是不要对推理模型使用启发式提示如角色扮演这可能干扰它的逻辑主线也不要对通用模型过度信任直接问复杂推理问题时需要分步验证。用下面这段代码来对比两类模型的提示语写法差异# 同一个需求为推理模型和通用模型分别设计提示语 task 分析某公司近三年的营收数据找出增长放缓的可能原因 prompt_for_reasoning ( 任务分析近三年营收增长放缓的可能原因。\n 数据背景2021年营收5.2亿2022年5.8亿2023年6.1亿。\n 要求列出至少三个假设针对每个假设说明需要补充什么数据来验证。 ) prompt_for_general ( 任务分析近三年营收增长放缓的可能原因。\n 数据背景2021年营收5.2亿2022年5.8亿2023年6.1亿。\n 要求请按三步回答——第一步观察趋势并指出增幅变化 第二步分别从市场、产品、成本三个角度提出假设 第三步对每个假设说明需要补充什么数据验证。 )同一个任务推理模型的提示语侧重目标与输出结构通用模型的提示语显式拆解了思考步骤。逻辑说明推理模型拿到「列出至少三个假设并说明需要什么数据」这类指令后会自主完成因果链推演通用模型如果被直接要求做同样的事可能只给出一条笼统结论。实际使用中建议先判断当前对话用的是哪个模式再决定提示语的颗粒度。参数上这类分析任务建议把输出长度设为中等偏长并明确要求「每个假设都要有可验证的数据需求」否则通用模型容易给出无法落地的泛泛之谈。4.2 五类需求的提示语模板直接能抄的写作框架资料中把日常需求归为五类决策需求、分析需求、创造性需求、验证需求、执行需求。每类需求都有对应的表达公式和适配策略。这一节给出可以照着改的提示语模板每条都标注了适用场景。需求类型表达公式推理模型适配策略通用模型适配策略决策需求目标 选项 评估标准要求逻辑推演和量化分析直接给建议依赖模型经验归纳分析需求问题 数据/信息 分析方法触发因果链推导与假设验证先做表层总结再逐层分类深入创造性需求主题 风格/约束 创新方向结合逻辑框架生成结构化创意自由发散靠示例引导风格验证需求结论/方案 验证方法 风险点自主设计验证路径并排查矛盾简单确认需要你主动追问深度执行需求任务 步骤约束 输出格式自主优化步骤兼顾效率与正确性严格按指令执行少做自主优化这五类需求的提示语写法差异明显下面给一个可直接修改的代码示例# 五类需求的提示语骨架替换括号内容即可使用 demands { 决策需求: 为降低物流成本现有两种方案{方案A}{方案B}。请根据{ROI计算模型}对比{时间周期}内的总成本并推荐最优解。, 分析需求: 分析{某产品近三年销售数据}说明{增长趋势与季节因素的关系}并预测{下一年度销售额}需使用{具体模型}并解释参数。, 创造性需求: 设计一款{智能家居产品}要求解决{独居老人安全问题}结合{传感器网络}和{AI预警}提供三种不同技术路线的原型说明。, 验证需求: 以下是某论文结论{神经网络模型A优于传统方法B}。请验证①实验数据是否支持该结论②对照组设置是否存在偏差③重新计算p值并判断显著性。, 执行需求: 将以下{旧代码}转换为{新语言}要求①保持时间复杂度不变②使用{numpy}优化数组操作③输出带测试用例的完整代码。, } # 使用方式把公式里的花括号内容替换成你的实际信息其余保留。逻辑说明决策需求之所以要「目标选项评估标准」是因为模型需要知道比什么、按什么标准比才能给出可解释的推荐而不是拍脑袋。验证需求和执行需求则强调格式约束否则通用模型会给出「看起来正确但经不起推敲」的结论。参数层面决策需求和分析需求建议要求模型「输出带计算过程的结论」验证需求要明确给出错误定位的格式执行需求必须指定输出语言和依赖工具。4.3 从「指令驱动」到「需求导向」策略升级路径资料总结出四种策略类型指令驱动、需求导向、混合模式、启发式提问。指令驱动适合简单任务直接给步骤需求导向适合复杂问题描述背景与目标后由模型规划路径混合模式兼顾目标与细节约束启发式提问适合探索性问题通过「为什么」「怎么做」触发模型自解释。升级路径一般是这样的先尝试指令驱动发现模型输出太死板或忽略了你没提到的约束然后转需求导向把「用Python写快速排序函数」改成「我需要对一个十万条记录的列表排序要求稳定排序且空间占用小请给出实现方案」如果方案不满意再加入混合约束条件遇到需要理解模型思路的场景用启发式提问让它解释「为什么选择这个方案」。四种策略不是互相替代而是按任务难度递进。这里有一个容易犯的错对推理模型使用启发式提问和角色扮演。比如让推理模型「扮演一个严谨的数学家谨慎地回答勾股定理的证明」这种提示词不但不会提升回答质量反而可能让它带入角色后牺牲推导的简洁性。推理模型需要的不是角色设定而是清晰的目标和约束。对通用模型则相反适度使用角色扮演有助于校准语气和风格。5. 本地部署与日常使用避坑五个高频翻车场景5.1 现象、原因与解决五条具体的踩坑记录使用DeepSeek类模型时翻车现场基本集中在模型选型、提示语设计和本地部署三个环节。以下是五个高频问题每条按「现象→原因→解决」展开。第一条对话模式选错数学题输出像作文。现象在默认对话窗口问「证明若ab为偶数则a与b同奇偶」模型给了大段文字解释却没用数学归纳法的规范格式。原因默认对话走的是通用模型路径它倾向于生成「解释性文本」而非「推导链」。解决切换到深度思考模式或在提示语里显式说明「请用反证法按设问、假设、推导、结论四段输出」。习惯于默认界面的人最容易在这条上翻车。第二条对推理模型使用角色扮演产出变僵。现象给推理模型加「假设你是一位资深算法工程师」前缀让它分析一段代码性能瓶颈结果只得到一堆委婉的套话。原因推理模型的内核是逻辑推演角色设定引入了与任务无关的风格约束干扰了主线。解决去掉角色前缀直接说「分析这段代码的时间复杂度瓶颈给出两个可执行的优化方案」。资料里也明确警告过这一点。第三条本地部署时模型标签写错拉错版本。现象在本地环境执行模型拉取命令后启动服务一直报错或者对话质量与在线版差很多。原因模型仓库里有不同量化等级和参数规模的标签没确认标签含义就拉取很容易载入一个低精度版本。解决先查看模型仓库的可用标签列表再拉取拉完后用列表命令核对本地模型名称和大小。命令参考如下# 查看本地已经拉取的模型列表确认标签与大小 ollama list # 预期输出中会显示模型的名称、标签、大小、修改时间 # 核对名称是否与你要用的推理模型版本一致如 deepseek-r1:7b 与 deepseek-r1:14b 体积差异明显 # 如果发现拉错版本删除后重拉 ollama rm deepseek-r1:7b提示模型标签中的参数量直接决定占用内存的大小7B级别量化模型大约需要8G内存14B级别建议16G以上。资源有限的机器选择低量化版本是合理的但「低量化」不等于「低质量」需要实际跑一个题面做对比判断。第四条长文档一次性塞入上下文溢出导致后半部分失真。现象把一份八十页PDF直接拖进对话窗口要求模型「总结全文并提出改进建议」模型对前面的章节分析仔细对后面章节草草带过甚至出现与原文矛盾的说法。原因长文档超出模型上下文窗口的有效处理范围模型在长文本中丢失了早期信息。解决分段处理——先按章节提取摘要再汇总摘要做全文提炼。摘要合并时也可以让模型先输出每段的「中心句关键数据」再基于这些结构化信息做判断。文件上传功能能读取文字但不代表它能无限吞下所有内容控制单次输入长度是使用者的责任。第五条用热度选模型创意任务选了推理模型。现象听说推理模型更强就让所有任务都走深度思考模式结果写出的活动文案干巴巴的缺少感染力。原因推理模型的优势集中在逻辑密度高的任务创意写作是它的劣势领域。解决先判断任务类型再选模式。写方案、做对比分析、解题、代码评审用推理模型写社交媒体文案、故事、广告语、头脑风暴用通用模型。判断标准很简单任务重点在「结论对不对」还是「表达巧不巧」。5.2 翻车后的排查顺序遇到模型输出离谱时按固定顺序排查效率最高。先确认当前使用的是哪个模式再检查提示语里是否缺少输出格式约束然后确认输入内容长度是否超出处理范围最后换一个更简单的提示语交叉验证。四步走完大部分问题都能定位到原因。如果四步都没问题再考虑是不是任务本身超出了模型能力边界。排查时有一点容易被忽略对话中的历史内容也会影响当前输出。你之前的几轮对话若是东拉西扯模型对当前任务的理解会产生偏移。这时候开启新对话比继续追问更有效。这也是很多「模型突然变笨」的真实原因——不是模型出了问题而是对话状态被污染了。6. 进阶本地部署最小路径与输出交叉验证6.1 本地部署的最小可运行流程在线对话体验足够好但涉及隐私数据或需要批量处理任务时本地部署是绕不开的路径。最小流程只有三步装运行时、拉模型、起服务。# 步骤一安装模型运行时以常见部署工具为例 # 安装后确认版本号正常 ollama --version # 步骤二拉取推理模型指定标签以控制资源占用 ollama pull deepseek-r1:7b # 步骤三启动本地服务默认监听本机端口 ollama serve参数说明7b代表7B参数量是资源消耗与性能的平衡点如果机器内存紧张可以选择更低参数量版本但回答质量会明显下降。服务启动后一般监听在本机回环地址这一步在不同操作系统上表现略有差异但均可通过访问本地端口确认服务状态。部署完成后可以写一个简单的对话脚本做测试确认模型加载正常再进入正式使用。6.2 输出交叉验证一个值得内化成习惯的动作本地部署最大的问题是「没有在线版那么聪明」这逼着你养成了一个好习惯——交叉验证。我的做法是对重要输出不直接采信第一次回答而是把同一个问题拆成两种问法分别提问对比两份回答的差异。比如问「这份数据适合用线性回归吗」再问「如果用线性回归哪些假设需要检验」两份回答放在一起看矛盾点往往就是模型的薄弱处。这个方法不增加多少时间成本却能避开大部分隐性错误。交叉验证还有一个变体让模型为它的结论提供「可证伪的证据」。比如模型断言「这个策略能提升转化率」就追问「如果这个结论是错的最可能出现在哪一步」。逻辑上这相当于逼模型为结论立一个靶子再从反面审一遍。从那以后我每次处理带数字、带结论的生成内容都强制走一遍「复算反问」流程哪怕时间紧也不跳过。这个习惯救回过好几次眼看要发出去的错报告。希望帮到你。本文还有配套的精品资源点击获取