简介《DeepSeek从入门到精通》是一份面向个人用户、开发者及内容与科研工作者的系统学习材料帮助读者从基础认知走向实际应用重点解决模型选择、提示语设计与复杂任务拆解等问题。资源为1个PDF文件约5.36MB内容围绕DeepSeek的能力边界展开涵盖智能对话、文本生成、语义理解、计算推理、代码生成补全、联网搜索与文件内容读取等场景。材料进一步区分推理大模型与非推理大模型结合DeepSeek-R1、GPT-o3、GPT-3/4、BERT等说明各自优势领域并引入“概率预测”与“链式推理”的快思慢想视角讨论性能表现、决策能力、创造力与人机互动差异。针对提示语策略文档比较推理模型与通用模型在指令驱动、需求导向、混合模式、启发式提问上的适用方式给出模型选择原则与常见误区便于读者按数学证明、创意写作、代码生成等任务匹配提示语。已有1011人学习适合希望提升DeepSeek实操与提示工程能力的中初级读者。1. 从一份“会用”到“用透”的文档说起DeepSeek 到底能接住哪些活我把同一段需求分别丢给 DeepSeek 的普通对话和深度思考模式前者三分钟给了一版顺滑但漏了边界条件的代码后者多花了十几秒却把异常输入和测试用例一起列了出来。这个反差正好是这份《DeepSeek 从入门到精通》讲义里最值钱的部分它没有停留在“能写文案、能写代码”的功能清单而是把 Reasoning Models 和通用模型拆开讲把 Prompt Engineering 从玄学拉回到可操作的步骤。讲义来自某高校新媒体研究方向的内部培训整理覆盖模型分类、提示语策略、五类需求表达、代码与长文本处理。适合刚开始用 DeepSeek 的从业者也适合已经把 AIGC 接进日常流程、但总觉得输出不稳定的熟手。它解决的不是“能不能用”而是“同样的工具为什么别人用得比你稳”。2. 推理模型与通用模型先选对“快思”还是“慢想”2.1 两类模型的边界逻辑密度 vs 多样性很多人第一次用 DeepSeek 会默认“哪个模型新就用哪个”这在一半场景里是对的在另一半场景里会翻车。讲义把模型分成两类推理模型和通用模型。推理模型在传统大语言模型的基础上强化了推理、逻辑分析和决策能力常见技术手段包括强化学习、神经符号推理、元学习等它在数学推导、逻辑分析、代码生成、复杂问题拆解上表现突出。通用模型则更侧重语言生成、上下文理解、自然语言处理适合文本生成、创意写作、多轮对话、开放性问答。关键结论是推理模型并非全面更强它只在其训练目标领域显著优于通用模型通用模型在通用场景更灵活但遇到专项任务需要靠提示语补偿能力。这个判断能帮你省掉大量无效尝试。比如写一首诗、改一段品牌文案、做一轮开放式访谈提纲用推理模型不是不行但它容易被“逻辑链”带偏输出反而紧绷反过来让通用模型直接做一道需要严格验算的数学题它可能给你一个看起来合理、中间步骤却跳步的答案。讲义用“快思慢想”来概括这个差异概率预测模型像快速反应依赖大量数据训练来预测答案响应快、算力成本低适合处理即时任务链式推理模型像慢速思考基于 Chain-of-Thought 逐步推理问题的每个步骤算力成本高但能处理多维度和非结构化问题。这个分类比“新旧模型”更有解释力因为它直接对应你的任务类型。维度推理模型通用模型优势领域数学推导、逻辑分析、代码生成、复杂问题拆解文本生成、创意写作、多轮对话、开放性问答劣势领域发散性任务如诗歌创作需要严格逻辑链的任务如数学证明性能本质专精于逻辑密度高的任务擅长多样性高的任务强弱判断并非全面更强仅在训练目标领域显著优于通用模型通用场景更灵活但专项任务需提示语补偿决策能力能自主分析情况实时做出决策依赖预设算法和规则进行决策创造力能生成新的创意和解决方案限于模式识别和优化缺乏真正创新能力人机互动更自然地与人互动理解复杂情感和意图按照预设脚本响应较难理解人类情感和意图这张表不是让你背而是让你在动手前先问一句这个任务的核心是“逻辑密度”还是“多样性”。如果是前者切深度思考如果是后者用普通对话把提示语写清楚反而更快。2.2 任务映射表什么时候切深度思考我把讲义里的任务类型整理成一张可执行的映射表。你不需要每次判断“模型强不强”只需要判断“任务要不要严格逻辑链”。任务类型优先模型提示语侧重点要避免的提示策略数学证明推理模型直接提问无需分步引导冗余拆解如“先画图再列公式”代码生成推理模型简洁需求信任模型逻辑分步指导如“先写递归函数”逻辑分析推理模型直接抛出复杂问题添加主观引导如“你认为哪种对”创意写作通用模型明确约束目标避免自由发挥开放式指令如“自由创作”多轮对话通用模型自然交互无需结构化指令强制逻辑链条如“分三点回答”长文本摘要通用模型或推理模型均可给抽取字段和输出格式只给“帮我总结一下”实际操作可以按三步走。第一步写下任务的核心动词是“证明”“推导”“生成”“改写”还是“分类”。第二步看这个动词是否需要中间步骤可验证。需要就切深度思考不需要就用普通对话。第三步按任务类型写提示语不要把所有任务都套同一个模板。提示深度思考模式不是“更高级”它只是“更适合逻辑链长的任务”。对创意任务强行开启可能得到结构工整但灵气不足的结果。2.3 一个可复现的对比实验想验证自己是否选对模型不用做复杂评测拿同一道题跑两组就行。我一般会选一道需要三步以上推理的题比如“某仓库有若干货架给出入库规则求最优拣货路径”再选一道开放式题比如“给一款效率工具写三条不同风格的推广语”。前者分别用深度思考和普通对话跑后者也跑两组记录四个指标正确性、可解释性、耗时、返工次数。记录项深度思考组普通对话组是否给出中间步骤最终答案是否正确输出是否可直接使用需要人工返工几次实验的关键是固定题面和输出格式不要中途改提示语。否则你测的不是模型差异而是提示语差异。跑完一轮你会发现推理模型在逻辑题上的优势通常体现在“中间步骤完整”而不是“答案一定对”通用模型在创意题上的优势体现在“表达更松弛”但约束一多就容易散。这个结论比任何参数表都直观也是后面提示语策略的前提。3. 提示语不是玄学把需求拆成指令、上下文与期望3.1 提示语的三段式结构与六种类型Prompt Engineering 这个词听起来像调参其实大部分工作发生在写需求之前。讲义把提示语定义为用户输入给 AI 系统的指令或信息用于引导 AI 生成特定输出或执行特定任务。它的基本结构包括三部分指令、上下文、期望。指令明确告诉 AI 要执行什么任务上下文提供背景信息帮助模型更准确理解期望明确或隐含地表达你对输出的要求和预期。这个三段式看起来简单但很多人只写了“指令”漏了“上下文”和“期望”然后怪模型听不懂。比如“帮我写一份周报”是指令但没给上下文本周做了什么、给谁看和期望字数、结构、语气模型只能猜。补全后应该是“你是我的工作助理以下是本周三条工作记录上下文请整理成一份 300 字以内的周报分‘进展、风险、下周计划’三部分语气正式但不官腔期望。”讲义还列了六种提示语类型指令型、问答型、角色扮演型、创意型、分析型、多模态。它们不是互斥的可以组合。指令型适合翻译、格式转换问答型适合知识查询角色扮演型适合模拟场景但对推理模型要谨慎因为角色设定可能干扰逻辑主线创意型适合内容生成分析型适合对给定信息做推理多模态适合结合文本和图像输入。类型特征示例指令型直接告诉 AI 执行任务将以下内容翻译为法语Hello, world问答型向 AI 提问期望答案用简单语言解释什么是链式思维角色扮演型要求 AI 扮演特定角色假设你是一位产品经理评审这份需求文档创意型引导创意写作或内容生成为一个效率工具写三条不同风格的推广语分析型对给定信息进行分析推理根据这份销售表找出转化率下降的三个可能原因多模态结合文本、图像等输入读取这张流程图转成步骤说明注意角色扮演型提示语对通用模型通常有效但对推理模型可能干扰其逻辑主线。讲义明确提醒不要对推理模型使用“启发式”提示比如强行安排角色可能让它偏离核心目标。3.2 推理模型与通用模型的提示语策略差异这是整份讲义里最容易被忽略、但实际使用频率最高的一节。推理模型的提示语更简洁只需明确任务目标和需求因为它已经内化了推理逻辑不需要你逐步指导通用模型则需要显式引导推理步骤比如通过 CoT 提示否则可能跳过关键逻辑或者依赖提示语补偿能力短板。我把差异压缩成三条关键原则。第一模型选择优先根据任务类型而不是模型热度。数学任务选推理模型创意任务选通用模型。第二提示语设计要“看模型下菜”推理模型要什么直接说通用模型缺什么补什么。第三避免两个误区不要对推理模型用启发式提示比如角色扮演不要对通用模型过度信任比如直接问复杂推理问题却不要求分步验证。策略维度推理模型通用模型提示语长度简洁聚焦目标结构化补偿性引导是否分步无需逐步指导显式要求分步思考是否给示例通常不需要建议提供示例角色扮演谨慎使用可能干扰逻辑可用帮助进入场景结果验证信任但抽检中间步骤必须分步验证结果一个常见误区是“对推理模型过度拆解”。比如你写“先分析题意再列出公式然后代入计算最后检查单位”这套指令对通用模型是帮助对推理模型可能是束缚。它本来会自己生成结构化推理过程你强行拆解反而限制了它的能力。反过来对通用模型只写“证明这个结论”它可能直接给一个跳过关键步骤的答案你需要补上“分三步推导每步说明依据”。3.3 五类需求的表达公式与实战模板讲义把需求分成五类决策需求、分析需求、创造性需求、验证需求、执行需求。每类都有对应的表达公式和模型适配策略。这个分类的好处是你不用每次从零想提示语先判断需求类型再套公式。需求类型特点表达公式推理模型策略通用模型策略决策需求需权衡选项、评估风险、选择最优解目标 选项 评估标准要求逻辑推演和量化分析直接建议依赖模型经验归纳分析需求需深度理解数据或信息、发现模式或因果关系问题 数据/信息 分析方法触发因果链推导与假设验证表层总结或分类创造性需求需生成新颖内容主题 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依赖示例引导验证需求需检查逻辑自洽性、数据可靠性或方案可行性结论/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缺乏深度推演执行需求需完成具体操作任务 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无自主优化举一个决策需求的模板可以直接抄目标在两种方案中选出总成本更低的方案。 选项A 方案前期投入高、长期单价低B 方案前期投入低、按量付费。 评估标准按 5 年总成本计算并考虑需求波动风险。 要求列出计算过程给出关键假设最后推荐一个方案并说明触发条件。这段提示语在推理模型上可以直接用它会自己展开计算链在通用模型上建议再加一句“分三步先列公式再代数计算最后做敏感性分析”。分析需求可以套“问题 数据 方法”比如“以下是某产品三个月的转化数据请找出下降的三个可能原因并用分组对比验证”。创造性需求要特别注意约束不能只写“自由创作”否则通用模型容易给你一篇四平八稳的模板文。验证需求是我用得最多的一类。比如模型给了一个结论我会追加“请检查这个结论的支撑数据是否充分列出两个可能推翻它的反例并说明还需要补充什么信息。”这一步相当于给输出加了一道后悔药能拦住不少看起来合理的错误。执行需求则要写清输入输出格式。比如“将以下 C 语言代码转换为 Python保持时间复杂度不变使用 numpy 优化数组操作输出带测试用例的完整代码”。这类提示语越具体返工越少。4. 把 DeepSeek 接进工作流代码、文件与联网搜索的落地操作4.1 代码生成与调试从需求到可运行片段代码生成是 DeepSeek 最容易出效果、也最容易埋坑的场景。讲义把编程相关能力拆成代码生成、代码调试、技术文档处理三块具体包括根据需求生成代码片段、错误分析与修复建议、代码性能优化提示、API 文档生成、代码库解释与示例生成。落到操作上我通常按“四步法”走先写清输入输出和边界条件再让模型先解释思路再给代码然后本地跑测试最后把报错贴回去让它修复。下面是一个可复现的 Python 示例任务是把一份 CSV 里的重复记录按规则去重并保留最新时间戳。代码块里的注释标出了关键参数。import pandas as pd def dedup_csv(input_path: str, output_path: str, key_col: str, time_col: str) - pd.DataFrame: 按 key_col 去重保留 time_col 最新的一条。 参数 input_path: 输入 CSV 路径 output_path: 输出去重后 CSV 路径 key_col: 业务主键列名 time_col: 时间戳列名必须是可比较类型 df pd.read_csv(input_path) # 关键参数先转时间类型避免字符串排序导致“10”排在“2”前面 df[time_col] pd.to_datetime(df[time_col], errorscoerce) # 丢弃时间解析失败的行避免排序时被空值干扰 df df.dropna(subset[time_col]) # 按主键分组取时间最大的一行 result df.sort_values(time_col).drop_duplicates(subset[key_col], keeplast) result.to_csv(output_path, indexFalse) return result if __name__ __main__: dedup_csv(raw.csv, clean.csv, key_colorder_id, time_colupdated_at)这段代码的逻辑说明pd.to_datetime负责把时间列转成可比较类型errorscoerce会把无法解析的值变成空值后面用dropna清掉避免排序时出现意外。sort_values按时间升序排列drop_duplicates的keeplast保留每组最后一条也就是时间最新的一条。参数上key_col必须根据业务主键改不要直接套order_idtime_col要确认时区一致否则跨时区数据会排错。让模型生成这类代码时提示语不要只写“写一个去重脚本”。我一般会写“用 pandas 实现按主键去重保留时间戳最新的一条要求处理时间解析失败的行输出函数带类型注解和参数说明给两个边界测试用例。”这样模型会主动考虑空值和类型问题。代码跑失败后把完整报错和最小复现数据贴回去不要只贴“报错了”三个字否则模型只能猜。4.2 文件上传与长文本处理摘要、抽取与结构化DeepSeek 支持文件上传能够扫描读取各类文件及图片中的文字内容。这个能力在长文本摘要、合同字段抽取、报告结构化上很实用但直接把整份文件丢进去常常得到“正确的废话”。我的做法是先预处理再给抽取 schema最后抽样核对。预处理包括三步去掉页眉页脚和重复水印按章节拆分成可管理的小块给每块加一个编号。提示语里不要写“帮我总结”而要写清输出字段。比如处理一份调研纪要我会要求输出 JSON字段包括“受访者类型、核心诉求、反对意见、待验证假设”。模型返回后用脚本检查字段是否齐全再人工抽查两条。文件类型预处理动作提示语要点长篇报告按章节拆分保留标题层级要求按章节输出要点不要跨章合并合同/协议去掉页眉页脚标注条款编号指定抽取字段要求保留原文依据会议纪要按发言人或议题分段要求区分“结论”和“待办”图片扫描件先确认文字识别质量要求对模糊处标注“不确定”不要硬猜提示长文本处理不要一次性追求“全”先抽一张表再补细节。输出格式越固定后面校验越省事。4.3 联网搜索与深度思考模式的组合用法联网搜索和深度思考解决的是两类不同问题。联网搜索补的是“信息时效性”深度思考补的是“逻辑链完整性”。组合用法有两种先搜后推适合需要基于最新信息做判断的任务先推后搜适合先形成假设、再用检索验证的任务。我一般按“检索—归纳—验证”三步走。第一步让模型联网搜索时带上时间范围和来源类型比如“近两年内的公开行业报告或官方公告”不要让它在没有边界的情况下自由发挥。第二步要求它把检索结果归纳成表格列出“结论、来源类型、发布时间、可信度备注”。第三步切深度思考让它检查这些结论之间是否矛盾并指出还需要补充什么信息。任务核实某个行业趋势判断是否成立。 步骤 1. 联网检索近两年内的公开报告或公告列出至少三条不同来源的信息 2. 用表格输出结论、来源类型、发布时间、支持或反对该判断 3. 切换深度思考检查三条信息之间是否存在矛盾 4. 最后给出“当前可采信程度”和“还需补充的证据”。 约束不要引用无法核实的匿名帖子对过期信息标注“时效风险”。这段提示语的关键参数是“时间范围”和“来源类型”。没有这两项联网搜索容易给你一堆过期或低质内容。深度思考阶段不要让它重新搜而是让它基于已有材料做逻辑检查否则容易陷入反复检索。最后一步的“可采信程度”不是让模型拍脑袋而是让它把证据强弱说出来方便你决定要不要继续用。5. 避坑与排查五个最容易翻车的使用现场5.1 对推理模型做“手把手拆解”反而限制能力现象你写了一大段步骤指令要求模型“先分析题意、再列公式、然后分步计算、最后检查”结果推理模型输出变得僵硬甚至漏掉它本来能自己发现的边界条件。原因推理模型已经内化了推理逻辑强行拆解会干扰它的逻辑主线相当于让一个会开车的人每一步都听你指挥踩离合。解决把提示语压到“目标 约束 输出格式”中间步骤交给模型。比如“证明这个结论要求每步说明依据最后检查单位是否一致”不要写“第一步做什么、第二步做什么”。如果输出仍然不理想先检查任务是否真的需要推理模型而不是继续加指令。5.2 拿通用模型硬做复杂推理结果看似合理但经不起验算现象通用模型给出一段逻辑顺畅的答案你复制进方案后来发现中间某一步偷换了概念或者数据引用对不上。原因通用模型侧重语言生成和上下文理解不强调深度推理能力遇到严格逻辑链任务容易“用表达补逻辑”。解决复杂推理任务优先切推理模型如果只能用通用模型提示语里必须显式要求“分步思考、给出计算过程、标注假设”并在拿到结果后做一次外部验算。不要因为答案读起来顺就跳过验算这是最常见的翻车点。5.3 长文档直接整篇丢进去摘要漏掉关键结论现象上传一份长报告让模型“总结重点”返回的摘要覆盖了背景和过程却漏掉了最后的结论和风险提示。原因长文本里信息密度不均匀模型容易按开头和结尾的显眼内容做概括中间的关键表格或小字结论被忽略。解决先按章节拆分给每一块编号提示语里明确“按章节输出要点最后单独列出结论和风险项”要求模型对不确定的地方标注“原文未明确”。拿到结果后用关键词回查原文确认没有漏项。5.4 代码生成不写测试用例复制进项目才报错现象模型给的代码在对话里看起来没问题复制到本地一跑就报错常见的是空值、类型不一致、路径不存在。原因提示语只描述了主流程没有给边界条件模型倾向于生成“理想输入”下的代码。解决生成代码时强制要求“带两个边界测试用例”和“列出可能的异常输入”。代码跑通后再让模型做一次代码审查重点是空值处理、类型转换和资源释放。不要跳过本地测试对话里的“运行成功”不等于你的环境能跑。5.5 联网搜索不加时间与来源约束拿到过期信息现象模型联网后给出一组看似权威的数据你引用到材料里后来发现是几年前的旧闻或者来源不可靠。原因联网搜索没有时间范围和来源类型约束模型会优先抓取容易获取的内容而不是最新、最可靠的内容。解决提示语里写清“近两年内”“公开报告或官方公告”“列出发布时间和来源类型”对关键数据要求给出至少两个独立来源最后让模型标注“时效风险”。如果任务对时效要求高先搜后推不要先推后搜。6. 进阶验证用“可复现的检查表”把输出质量稳住做到前面几步你已经能避开大部分明显坑。剩下的是稳定性问题同一个提示语今天好用明天可能因为输入变化而失准。我的习惯是给每类任务配一张检查表不让模型自己判卷而是用外部标准逐项打勾。比如代码任务检查“是否有边界用例、是否处理空值、是否说明时间/空间复杂度”长文本任务检查“是否覆盖结论、是否标注不确定、是否有原文依据”决策任务检查“是否列出假设、是否做敏感性分析、是否给出触发条件”。任务类型检查项通过标准失败动作代码生成边界用例、空值处理、依赖说明本地能跑通两个异常输入补提示语要求给测试用例长文本抽取字段完整、原文依据、不确定标注抽取字段无缺失关键结论可回查拆分文本缩小单次处理范围决策分析假设、计算过程、触发条件假设可验证计算可复算切推理模型要求列公式联网核实时间范围、来源类型、交叉验证至少两个独立来源标注时效缩小时间范围重新检索这张表的价值在于它把“感觉不对”变成“哪一项没过”。没过就回到对应章节补提示语而不是反复重试同一句话。还有一个具体技巧让模型做“自检”时不要问“你觉得这个答案对吗”它会倾向于给自己打高分。要问“请列出这个答案最可能被推翻的两个点并说明需要什么证据才能确认”。这相当于把自检变成找反例比让它自我评价有效得多。从那以后我每次把 DeepSeek 接进流程都先跑一遍这张检查表再决定要不要把结果交给下游。希望帮到你。本文还有配套的精品资源点击获取 DeepSeek从入门到精通：模型选择、提示语策略与工程落地
简介《DeepSeek从入门到精通》是一份面向个人用户、开发者及内容与科研工作者的系统学习材料帮助读者从基础认知走向实际应用重点解决模型选择、提示语设计与复杂任务拆解等问题。资源为1个PDF文件约5.36MB内容围绕DeepSeek的能力边界展开涵盖智能对话、文本生成、语义理解、计算推理、代码生成补全、联网搜索与文件内容读取等场景。材料进一步区分推理大模型与非推理大模型结合DeepSeek-R1、GPT-o3、GPT-3/4、BERT等说明各自优势领域并引入“概率预测”与“链式推理”的快思慢想视角讨论性能表现、决策能力、创造力与人机互动差异。针对提示语策略文档比较推理模型与通用模型在指令驱动、需求导向、混合模式、启发式提问上的适用方式给出模型选择原则与常见误区便于读者按数学证明、创意写作、代码生成等任务匹配提示语。已有1011人学习适合希望提升DeepSeek实操与提示工程能力的中初级读者。1. 从一份“会用”到“用透”的文档说起DeepSeek 到底能接住哪些活我把同一段需求分别丢给 DeepSeek 的普通对话和深度思考模式前者三分钟给了一版顺滑但漏了边界条件的代码后者多花了十几秒却把异常输入和测试用例一起列了出来。这个反差正好是这份《DeepSeek 从入门到精通》讲义里最值钱的部分它没有停留在“能写文案、能写代码”的功能清单而是把 Reasoning Models 和通用模型拆开讲把 Prompt Engineering 从玄学拉回到可操作的步骤。讲义来自某高校新媒体研究方向的内部培训整理覆盖模型分类、提示语策略、五类需求表达、代码与长文本处理。适合刚开始用 DeepSeek 的从业者也适合已经把 AIGC 接进日常流程、但总觉得输出不稳定的熟手。它解决的不是“能不能用”而是“同样的工具为什么别人用得比你稳”。2. 推理模型与通用模型先选对“快思”还是“慢想”2.1 两类模型的边界逻辑密度 vs 多样性很多人第一次用 DeepSeek 会默认“哪个模型新就用哪个”这在一半场景里是对的在另一半场景里会翻车。讲义把模型分成两类推理模型和通用模型。推理模型在传统大语言模型的基础上强化了推理、逻辑分析和决策能力常见技术手段包括强化学习、神经符号推理、元学习等它在数学推导、逻辑分析、代码生成、复杂问题拆解上表现突出。通用模型则更侧重语言生成、上下文理解、自然语言处理适合文本生成、创意写作、多轮对话、开放性问答。关键结论是推理模型并非全面更强它只在其训练目标领域显著优于通用模型通用模型在通用场景更灵活但遇到专项任务需要靠提示语补偿能力。这个判断能帮你省掉大量无效尝试。比如写一首诗、改一段品牌文案、做一轮开放式访谈提纲用推理模型不是不行但它容易被“逻辑链”带偏输出反而紧绷反过来让通用模型直接做一道需要严格验算的数学题它可能给你一个看起来合理、中间步骤却跳步的答案。讲义用“快思慢想”来概括这个差异概率预测模型像快速反应依赖大量数据训练来预测答案响应快、算力成本低适合处理即时任务链式推理模型像慢速思考基于 Chain-of-Thought 逐步推理问题的每个步骤算力成本高但能处理多维度和非结构化问题。这个分类比“新旧模型”更有解释力因为它直接对应你的任务类型。维度推理模型通用模型优势领域数学推导、逻辑分析、代码生成、复杂问题拆解文本生成、创意写作、多轮对话、开放性问答劣势领域发散性任务如诗歌创作需要严格逻辑链的任务如数学证明性能本质专精于逻辑密度高的任务擅长多样性高的任务强弱判断并非全面更强仅在训练目标领域显著优于通用模型通用场景更灵活但专项任务需提示语补偿决策能力能自主分析情况实时做出决策依赖预设算法和规则进行决策创造力能生成新的创意和解决方案限于模式识别和优化缺乏真正创新能力人机互动更自然地与人互动理解复杂情感和意图按照预设脚本响应较难理解人类情感和意图这张表不是让你背而是让你在动手前先问一句这个任务的核心是“逻辑密度”还是“多样性”。如果是前者切深度思考如果是后者用普通对话把提示语写清楚反而更快。2.2 任务映射表什么时候切深度思考我把讲义里的任务类型整理成一张可执行的映射表。你不需要每次判断“模型强不强”只需要判断“任务要不要严格逻辑链”。任务类型优先模型提示语侧重点要避免的提示策略数学证明推理模型直接提问无需分步引导冗余拆解如“先画图再列公式”代码生成推理模型简洁需求信任模型逻辑分步指导如“先写递归函数”逻辑分析推理模型直接抛出复杂问题添加主观引导如“你认为哪种对”创意写作通用模型明确约束目标避免自由发挥开放式指令如“自由创作”多轮对话通用模型自然交互无需结构化指令强制逻辑链条如“分三点回答”长文本摘要通用模型或推理模型均可给抽取字段和输出格式只给“帮我总结一下”实际操作可以按三步走。第一步写下任务的核心动词是“证明”“推导”“生成”“改写”还是“分类”。第二步看这个动词是否需要中间步骤可验证。需要就切深度思考不需要就用普通对话。第三步按任务类型写提示语不要把所有任务都套同一个模板。提示深度思考模式不是“更高级”它只是“更适合逻辑链长的任务”。对创意任务强行开启可能得到结构工整但灵气不足的结果。2.3 一个可复现的对比实验想验证自己是否选对模型不用做复杂评测拿同一道题跑两组就行。我一般会选一道需要三步以上推理的题比如“某仓库有若干货架给出入库规则求最优拣货路径”再选一道开放式题比如“给一款效率工具写三条不同风格的推广语”。前者分别用深度思考和普通对话跑后者也跑两组记录四个指标正确性、可解释性、耗时、返工次数。记录项深度思考组普通对话组是否给出中间步骤最终答案是否正确输出是否可直接使用需要人工返工几次实验的关键是固定题面和输出格式不要中途改提示语。否则你测的不是模型差异而是提示语差异。跑完一轮你会发现推理模型在逻辑题上的优势通常体现在“中间步骤完整”而不是“答案一定对”通用模型在创意题上的优势体现在“表达更松弛”但约束一多就容易散。这个结论比任何参数表都直观也是后面提示语策略的前提。3. 提示语不是玄学把需求拆成指令、上下文与期望3.1 提示语的三段式结构与六种类型Prompt Engineering 这个词听起来像调参其实大部分工作发生在写需求之前。讲义把提示语定义为用户输入给 AI 系统的指令或信息用于引导 AI 生成特定输出或执行特定任务。它的基本结构包括三部分指令、上下文、期望。指令明确告诉 AI 要执行什么任务上下文提供背景信息帮助模型更准确理解期望明确或隐含地表达你对输出的要求和预期。这个三段式看起来简单但很多人只写了“指令”漏了“上下文”和“期望”然后怪模型听不懂。比如“帮我写一份周报”是指令但没给上下文本周做了什么、给谁看和期望字数、结构、语气模型只能猜。补全后应该是“你是我的工作助理以下是本周三条工作记录上下文请整理成一份 300 字以内的周报分‘进展、风险、下周计划’三部分语气正式但不官腔期望。”讲义还列了六种提示语类型指令型、问答型、角色扮演型、创意型、分析型、多模态。它们不是互斥的可以组合。指令型适合翻译、格式转换问答型适合知识查询角色扮演型适合模拟场景但对推理模型要谨慎因为角色设定可能干扰逻辑主线创意型适合内容生成分析型适合对给定信息做推理多模态适合结合文本和图像输入。类型特征示例指令型直接告诉 AI 执行任务将以下内容翻译为法语Hello, world问答型向 AI 提问期望答案用简单语言解释什么是链式思维角色扮演型要求 AI 扮演特定角色假设你是一位产品经理评审这份需求文档创意型引导创意写作或内容生成为一个效率工具写三条不同风格的推广语分析型对给定信息进行分析推理根据这份销售表找出转化率下降的三个可能原因多模态结合文本、图像等输入读取这张流程图转成步骤说明注意角色扮演型提示语对通用模型通常有效但对推理模型可能干扰其逻辑主线。讲义明确提醒不要对推理模型使用“启发式”提示比如强行安排角色可能让它偏离核心目标。3.2 推理模型与通用模型的提示语策略差异这是整份讲义里最容易被忽略、但实际使用频率最高的一节。推理模型的提示语更简洁只需明确任务目标和需求因为它已经内化了推理逻辑不需要你逐步指导通用模型则需要显式引导推理步骤比如通过 CoT 提示否则可能跳过关键逻辑或者依赖提示语补偿能力短板。我把差异压缩成三条关键原则。第一模型选择优先根据任务类型而不是模型热度。数学任务选推理模型创意任务选通用模型。第二提示语设计要“看模型下菜”推理模型要什么直接说通用模型缺什么补什么。第三避免两个误区不要对推理模型用启发式提示比如角色扮演不要对通用模型过度信任比如直接问复杂推理问题却不要求分步验证。策略维度推理模型通用模型提示语长度简洁聚焦目标结构化补偿性引导是否分步无需逐步指导显式要求分步思考是否给示例通常不需要建议提供示例角色扮演谨慎使用可能干扰逻辑可用帮助进入场景结果验证信任但抽检中间步骤必须分步验证结果一个常见误区是“对推理模型过度拆解”。比如你写“先分析题意再列出公式然后代入计算最后检查单位”这套指令对通用模型是帮助对推理模型可能是束缚。它本来会自己生成结构化推理过程你强行拆解反而限制了它的能力。反过来对通用模型只写“证明这个结论”它可能直接给一个跳过关键步骤的答案你需要补上“分三步推导每步说明依据”。3.3 五类需求的表达公式与实战模板讲义把需求分成五类决策需求、分析需求、创造性需求、验证需求、执行需求。每类都有对应的表达公式和模型适配策略。这个分类的好处是你不用每次从零想提示语先判断需求类型再套公式。需求类型特点表达公式推理模型策略通用模型策略决策需求需权衡选项、评估风险、选择最优解目标 选项 评估标准要求逻辑推演和量化分析直接建议依赖模型经验归纳分析需求需深度理解数据或信息、发现模式或因果关系问题 数据/信息 分析方法触发因果链推导与假设验证表层总结或分类创造性需求需生成新颖内容主题 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依赖示例引导验证需求需检查逻辑自洽性、数据可靠性或方案可行性结论/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缺乏深度推演执行需求需完成具体操作任务 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无自主优化举一个决策需求的模板可以直接抄目标在两种方案中选出总成本更低的方案。 选项A 方案前期投入高、长期单价低B 方案前期投入低、按量付费。 评估标准按 5 年总成本计算并考虑需求波动风险。 要求列出计算过程给出关键假设最后推荐一个方案并说明触发条件。这段提示语在推理模型上可以直接用它会自己展开计算链在通用模型上建议再加一句“分三步先列公式再代数计算最后做敏感性分析”。分析需求可以套“问题 数据 方法”比如“以下是某产品三个月的转化数据请找出下降的三个可能原因并用分组对比验证”。创造性需求要特别注意约束不能只写“自由创作”否则通用模型容易给你一篇四平八稳的模板文。验证需求是我用得最多的一类。比如模型给了一个结论我会追加“请检查这个结论的支撑数据是否充分列出两个可能推翻它的反例并说明还需要补充什么信息。”这一步相当于给输出加了一道后悔药能拦住不少看起来合理的错误。执行需求则要写清输入输出格式。比如“将以下 C 语言代码转换为 Python保持时间复杂度不变使用 numpy 优化数组操作输出带测试用例的完整代码”。这类提示语越具体返工越少。4. 把 DeepSeek 接进工作流代码、文件与联网搜索的落地操作4.1 代码生成与调试从需求到可运行片段代码生成是 DeepSeek 最容易出效果、也最容易埋坑的场景。讲义把编程相关能力拆成代码生成、代码调试、技术文档处理三块具体包括根据需求生成代码片段、错误分析与修复建议、代码性能优化提示、API 文档生成、代码库解释与示例生成。落到操作上我通常按“四步法”走先写清输入输出和边界条件再让模型先解释思路再给代码然后本地跑测试最后把报错贴回去让它修复。下面是一个可复现的 Python 示例任务是把一份 CSV 里的重复记录按规则去重并保留最新时间戳。代码块里的注释标出了关键参数。import pandas as pd def dedup_csv(input_path: str, output_path: str, key_col: str, time_col: str) - pd.DataFrame: 按 key_col 去重保留 time_col 最新的一条。 参数 input_path: 输入 CSV 路径 output_path: 输出去重后 CSV 路径 key_col: 业务主键列名 time_col: 时间戳列名必须是可比较类型 df pd.read_csv(input_path) # 关键参数先转时间类型避免字符串排序导致“10”排在“2”前面 df[time_col] pd.to_datetime(df[time_col], errorscoerce) # 丢弃时间解析失败的行避免排序时被空值干扰 df df.dropna(subset[time_col]) # 按主键分组取时间最大的一行 result df.sort_values(time_col).drop_duplicates(subset[key_col], keeplast) result.to_csv(output_path, indexFalse) return result if __name__ __main__: dedup_csv(raw.csv, clean.csv, key_colorder_id, time_colupdated_at)这段代码的逻辑说明pd.to_datetime负责把时间列转成可比较类型errorscoerce会把无法解析的值变成空值后面用dropna清掉避免排序时出现意外。sort_values按时间升序排列drop_duplicates的keeplast保留每组最后一条也就是时间最新的一条。参数上key_col必须根据业务主键改不要直接套order_idtime_col要确认时区一致否则跨时区数据会排错。让模型生成这类代码时提示语不要只写“写一个去重脚本”。我一般会写“用 pandas 实现按主键去重保留时间戳最新的一条要求处理时间解析失败的行输出函数带类型注解和参数说明给两个边界测试用例。”这样模型会主动考虑空值和类型问题。代码跑失败后把完整报错和最小复现数据贴回去不要只贴“报错了”三个字否则模型只能猜。4.2 文件上传与长文本处理摘要、抽取与结构化DeepSeek 支持文件上传能够扫描读取各类文件及图片中的文字内容。这个能力在长文本摘要、合同字段抽取、报告结构化上很实用但直接把整份文件丢进去常常得到“正确的废话”。我的做法是先预处理再给抽取 schema最后抽样核对。预处理包括三步去掉页眉页脚和重复水印按章节拆分成可管理的小块给每块加一个编号。提示语里不要写“帮我总结”而要写清输出字段。比如处理一份调研纪要我会要求输出 JSON字段包括“受访者类型、核心诉求、反对意见、待验证假设”。模型返回后用脚本检查字段是否齐全再人工抽查两条。文件类型预处理动作提示语要点长篇报告按章节拆分保留标题层级要求按章节输出要点不要跨章合并合同/协议去掉页眉页脚标注条款编号指定抽取字段要求保留原文依据会议纪要按发言人或议题分段要求区分“结论”和“待办”图片扫描件先确认文字识别质量要求对模糊处标注“不确定”不要硬猜提示长文本处理不要一次性追求“全”先抽一张表再补细节。输出格式越固定后面校验越省事。4.3 联网搜索与深度思考模式的组合用法联网搜索和深度思考解决的是两类不同问题。联网搜索补的是“信息时效性”深度思考补的是“逻辑链完整性”。组合用法有两种先搜后推适合需要基于最新信息做判断的任务先推后搜适合先形成假设、再用检索验证的任务。我一般按“检索—归纳—验证”三步走。第一步让模型联网搜索时带上时间范围和来源类型比如“近两年内的公开行业报告或官方公告”不要让它在没有边界的情况下自由发挥。第二步要求它把检索结果归纳成表格列出“结论、来源类型、发布时间、可信度备注”。第三步切深度思考让它检查这些结论之间是否矛盾并指出还需要补充什么信息。任务核实某个行业趋势判断是否成立。 步骤 1. 联网检索近两年内的公开报告或公告列出至少三条不同来源的信息 2. 用表格输出结论、来源类型、发布时间、支持或反对该判断 3. 切换深度思考检查三条信息之间是否存在矛盾 4. 最后给出“当前可采信程度”和“还需补充的证据”。 约束不要引用无法核实的匿名帖子对过期信息标注“时效风险”。这段提示语的关键参数是“时间范围”和“来源类型”。没有这两项联网搜索容易给你一堆过期或低质内容。深度思考阶段不要让它重新搜而是让它基于已有材料做逻辑检查否则容易陷入反复检索。最后一步的“可采信程度”不是让模型拍脑袋而是让它把证据强弱说出来方便你决定要不要继续用。5. 避坑与排查五个最容易翻车的使用现场5.1 对推理模型做“手把手拆解”反而限制能力现象你写了一大段步骤指令要求模型“先分析题意、再列公式、然后分步计算、最后检查”结果推理模型输出变得僵硬甚至漏掉它本来能自己发现的边界条件。原因推理模型已经内化了推理逻辑强行拆解会干扰它的逻辑主线相当于让一个会开车的人每一步都听你指挥踩离合。解决把提示语压到“目标 约束 输出格式”中间步骤交给模型。比如“证明这个结论要求每步说明依据最后检查单位是否一致”不要写“第一步做什么、第二步做什么”。如果输出仍然不理想先检查任务是否真的需要推理模型而不是继续加指令。5.2 拿通用模型硬做复杂推理结果看似合理但经不起验算现象通用模型给出一段逻辑顺畅的答案你复制进方案后来发现中间某一步偷换了概念或者数据引用对不上。原因通用模型侧重语言生成和上下文理解不强调深度推理能力遇到严格逻辑链任务容易“用表达补逻辑”。解决复杂推理任务优先切推理模型如果只能用通用模型提示语里必须显式要求“分步思考、给出计算过程、标注假设”并在拿到结果后做一次外部验算。不要因为答案读起来顺就跳过验算这是最常见的翻车点。5.3 长文档直接整篇丢进去摘要漏掉关键结论现象上传一份长报告让模型“总结重点”返回的摘要覆盖了背景和过程却漏掉了最后的结论和风险提示。原因长文本里信息密度不均匀模型容易按开头和结尾的显眼内容做概括中间的关键表格或小字结论被忽略。解决先按章节拆分给每一块编号提示语里明确“按章节输出要点最后单独列出结论和风险项”要求模型对不确定的地方标注“原文未明确”。拿到结果后用关键词回查原文确认没有漏项。5.4 代码生成不写测试用例复制进项目才报错现象模型给的代码在对话里看起来没问题复制到本地一跑就报错常见的是空值、类型不一致、路径不存在。原因提示语只描述了主流程没有给边界条件模型倾向于生成“理想输入”下的代码。解决生成代码时强制要求“带两个边界测试用例”和“列出可能的异常输入”。代码跑通后再让模型做一次代码审查重点是空值处理、类型转换和资源释放。不要跳过本地测试对话里的“运行成功”不等于你的环境能跑。5.5 联网搜索不加时间与来源约束拿到过期信息现象模型联网后给出一组看似权威的数据你引用到材料里后来发现是几年前的旧闻或者来源不可靠。原因联网搜索没有时间范围和来源类型约束模型会优先抓取容易获取的内容而不是最新、最可靠的内容。解决提示语里写清“近两年内”“公开报告或官方公告”“列出发布时间和来源类型”对关键数据要求给出至少两个独立来源最后让模型标注“时效风险”。如果任务对时效要求高先搜后推不要先推后搜。6. 进阶验证用“可复现的检查表”把输出质量稳住做到前面几步你已经能避开大部分明显坑。剩下的是稳定性问题同一个提示语今天好用明天可能因为输入变化而失准。我的习惯是给每类任务配一张检查表不让模型自己判卷而是用外部标准逐项打勾。比如代码任务检查“是否有边界用例、是否处理空值、是否说明时间/空间复杂度”长文本任务检查“是否覆盖结论、是否标注不确定、是否有原文依据”决策任务检查“是否列出假设、是否做敏感性分析、是否给出触发条件”。任务类型检查项通过标准失败动作代码生成边界用例、空值处理、依赖说明本地能跑通两个异常输入补提示语要求给测试用例长文本抽取字段完整、原文依据、不确定标注抽取字段无缺失关键结论可回查拆分文本缩小单次处理范围决策分析假设、计算过程、触发条件假设可验证计算可复算切推理模型要求列公式联网核实时间范围、来源类型、交叉验证至少两个独立来源标注时效缩小时间范围重新检索这张表的价值在于它把“感觉不对”变成“哪一项没过”。没过就回到对应章节补提示语而不是反复重试同一句话。还有一个具体技巧让模型做“自检”时不要问“你觉得这个答案对吗”它会倾向于给自己打高分。要问“请列出这个答案最可能被推翻的两个点并说明需要什么证据才能确认”。这相当于把自检变成找反例比让它自我评价有效得多。从那以后我每次把 DeepSeek 接进流程都先跑一遍这张检查表再决定要不要把结果交给下游。希望帮到你。本文还有配套的精品资源点击获取