简介这份PDF资料源自清华大学新闻与传播学院新媒体研究中心团队面向希望系统掌握DeepSeek大模型的开发者、学生与职场用户帮助读者从基础认知走向进阶应用。内容围绕DeepSeek是什么、能做什么、如何使用与如何精通四条主线展开涵盖文本生成、语义理解、代码生成补全等应用场景并重点辨析推理大模型与通用模型在优势领域、性能本质上的差异以及两类模型在提示语设计策略上的关键原则如推理模型宜简洁指令、通用模型需显式引导推理步骤。资源包共1个PDF文件约5.5MB结构清晰便于按章节查阅与对照学习。目前已有311人学习适合作为大模型入门与提示语设计的参考读本。1. 从一张能力地图说起DeepSeek 到底该怎么学很多人第一次接触 DeepSeek会把它当成“又一个聊天框”问几句、写两段就以为摸清了。真正梳理下来会发现这份资料的价值不在“教你点按钮”而在它把大模型的使用拆成了一条清晰的能力链先分清模型类型再理解推理模型与通用模型的差异然后落到提示语设计最后用需求表达公式把任务说清楚。这条链上任何一环断了用起来都会觉得“它好像不太行”其实是自己没给对输入。这份笔记适合两类人一类是正在系统学大模型应用、想把零散经验串成体系的人另一类是备考或复习、需要一张能查漏补缺地图的人。下面按“模型认知 → 提示语策略 → 需求表达 → 易错点 → 复习清单”的顺序展开重点放在那些真正决定输出质量的分岔口上。2. 模型认知推理模型与通用模型的分水岭2.1 两类模型到底差在哪大模型并不是越新越强、越大越全能。按训练目标和能力侧重可以粗分成两类推理模型和通用模型。推理模型在传统语言模型基础上强化了推理、逻辑分析和决策能力通常借助强化学习、神经符号推理、元学习等技术擅长数学推导、逻辑分析、代码生成和复杂问题拆解。通用模型则侧重语言生成、上下文理解和自然语言处理适合文本创作、创意写作、多轮对话和开放性问答。这个区分不是学术分类游戏它直接决定你该用哪个模型、该怎么写提示语。用通用模型硬啃数学证明它可能跳过关键步骤用推理模型写诗它反而可能被逻辑主线绑住发散不出来。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其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依赖提示语补偿能力提示模型选择的第一原则是“按任务类型选”不是“按热度选”。数学任务选推理模型创意任务选通用模型这条判断比记任何参数都实用。2.2 快思慢想概率预测与链式推理理解模型差异还有一个更底层的视角快思与慢想。基于概率预测的模型像“快速反应”通过大量数据训练快速预测可能答案响应快、算力成本低擅长结构化和定义明确的问题基于链式思维Chain-of-Thought的模型像“慢速思考”逐步推理问题的每个步骤算力成本高但能处理多维度、非结构化问题并给出创造性解决方案。CoT 链式思维的出现把大模型明确分成了这两类。前者适合快速反馈、处理即时任务后者通过推理解决复杂问题。这个划分的意义在于它解释了为什么同一个问题换个模型问结果可能天差地别。不是模型“笨”而是你让快思模型去干了慢想的活或者反过来。梳理下来会发现很多使用翻车的根源是把“快思”和“慢想”混为一谈。比如让通用模型直接做复杂逻辑推理它靠概率预测快速给一个看似合理的答案但中间步骤经不起推敲又比如让推理模型做发散创意它每一步都要讲逻辑反而束手束脚。认清这条分水岭后面的提示语策略才有落脚点。3. 提示语策略推理模型和通用模型要分开写3.1 提示语的基本结构与类型提示语是用户输入给 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明确告诉 AI 要执行什么任务、上下文提供背景信息帮助准确理解、期望明确或隐含地表达对输出的要求。三者缺一输出就容易跑偏。按用途提示语可以分成几类指令型直接告诉任务、问答型提出问题期望答案、角色扮演型要求扮演特定角色、创意型引导创意写作、分析型要求对信息分析推理、多模态提示语结合文本、图像等输入。类型本身没有优劣关键是和模型类型匹配。指令将以下内容翻译为法语 上下文这是一段产品介绍面向法国市场 期望保持正式语气术语准确不超过 200 字上面这个结构看起来简单但它把“做什么、在什么背景下做、做到什么程度”一次说清。很多人写提示语只写指令上下文和期望全靠模型猜猜对了是运气猜错了就怪模型不行。3.2 两类模型的提示语差异这是整份资料里最值得反复看的部分。推理模型的提示语要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无需逐步指导模型会自动生成结构化推理过程。强行拆解步骤反而可能限制它的能力。通用模型则相反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它依赖提示语补偿能力短板比如要求分步思考、提供示例。任务类型适用模型提示语侧重点有效提示示例需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“证明勾股定理”冗余拆解如“先画图再列公式”数学证明通用模型显式要求分步思考提供示例“请分三步推导勾股定理参考1. 画直角三角形…”直接提问易跳过关键步骤创意写作推理模型鼓励发散性设定角色/风格“以海明威的风格写一个冒险故事”过度约束逻辑如“按时间顺序列出”创意写作通用模型需明确约束目标避免自由发挥“写一个包含‘量子’和‘沙漠’的短篇小说不超过 200 字”开放式指令如“自由创作”代码生成推理模型简洁需求信任模型逻辑“用 Python 实现快速排序”分步指导如“先写递归函数”代码生成通用模型细化步骤明确输入输出格式“先解释快速排序原理再写出代码并测试示例”模糊需求如“写个排序代码”多轮对话通用模型自然交互无需结构化指令“你觉得人工智能的未来会怎样”强制逻辑链条如“分三点回答”逻辑分析推理模型直接抛出复杂问题“分析‘电车难题’中的功利主义与道德主义冲突”添加主观引导如“你认为哪种对”这张表建议直接抄进复习笔记。它把“什么模型配什么提示语”落到了具体例子上比背原则管用。最容易忽略的是最后两列很多人只记“该怎么做”不记“不该怎么做”结果踩的都是同一个坑。3.3 从下达指令到表达需求提示语的进阶是从“下达指令”转向“表达需求”。指令驱动是直接给出明确步骤或格式要求适合简单任务、需快速执行的场景但限制了模型自主优化空间需求导向是描述问题背景与目标由模型规划解决路径适合复杂问题、需模型自主推理的场景但需要清晰定义需求边界混合模式结合需求描述与关键约束条件兼顾目标与细节平衡灵活性与可控性但要避免过度约束。这个转变的本质是把模型从“执行器”当成“协作者”。你给的不是一串命令而是一个带背景、带目标、带边界的需求。模型的能力越强这种表达方式的天花板越高。反过来如果一直停留在指令驱动用推理模型也发挥不出它的推理优势。4. 需求表达五类任务的公式化拆解4.1 五类需求与对应公式把需求说清楚是有公式可循的。资料里把常见需求分成五类每类都有对应的表达结构和适配策略。需求类型特点需求表达公式推理模型适配策略通用模型适配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/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文本/设计/方案主题 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代码/计算/流程任务 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这张表的价值在于它把“我该怎么问”变成了“我先判断这是哪类需求”。判断对了公式一套提示语自然成形。判断错了比如把决策需求当成执行需求来问模型只会给你一个执行方案而不是帮你权衡。4.2 公式怎么落到实战公式不是摆设落到具体场景才有意义。决策需求的实战写法是“为降低物流成本现有两种方案①自建区域仓库初期投入高长期成本低②与第三方合作按需付费灵活性高。请根据 ROI 计算模型对比 5 年内的总成本并推荐最优选择。”这里目标、选项、评估标准齐全模型才有得算。分析需求的写法是“分析近三年新能源汽车销量数据附 CSV说明①增长趋势与政策关联性②预测 2025 年市占率需使用 ARIMA 模型并解释参数选择依据。”数据、方法、输出要求都给了模型不会只给你一段泛泛的趋势描述。创造性需求的写法是“设计一款智能家居产品要求①解决独居老人安全问题②结合传感器网络和 AI 预警③提供三种不同技术路线的原型草图说明。”主题、约束、创新方向都在模型不会跑题去写营销文案。验证需求的写法是“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检查对照组设置是否存在偏差③重新计算 p 值并判断显著性。”结论、验证方法、风险点明确模型才会去查逻辑漏洞而不是简单说“有道理”。执行需求的写法是“将以下 C 语言代码转换为 Python要求①保持时间复杂度不变②使用 numpy 优化数组操作③输出带时间测试案例的完整代码。”任务、约束、输出格式清楚模型不会给你一段跑不起来的伪代码。注意公式是骨架不是填空模板。每类需求里“评估标准”“分析方法”“风险点”这些槽位必须填具体内容填“合理”“科学”这类空词等于没填。5. 易漏点四个最容易翻车的地方5.1 易漏点一把推理模型当万能模型为什么漏推理模型在数学、逻辑、代码上表现突出很容易让人产生“它全面更强”的错觉于是什么任务都丢给它。但它在发散性任务上并不擅长强行用逻辑框架去写诗、写故事输出会显得僵硬。怎么补建立“任务类型 → 模型类型”的对照习惯。动手前先问一句这个任务要的是逻辑链还是发散性要逻辑链走推理模型要发散性走通用模型。拿不准时同一提示语分别喂给两类模型对比输出结构再决定。5.2 易漏点二对推理模型做冗余拆解为什么漏很多人习惯了“一步一步教模型做事”写提示语时忍不住把步骤拆得很细。但推理模型已内化推理逻辑强行拆解反而干扰它的逻辑主线甚至让它放弃自主推理、只按你给的步骤走。怎么补对推理模型提示语聚焦目标即可比如“用 Python 实现快速排序”不要加“先写递归函数、再写分区逻辑”这类分步指导。判断标准很简单如果你给的步骤比模型自己能想到的还细那就是过度干预。5.3 易漏点三对通用模型过度信任为什么漏通用模型在开放问答上表现自然容易让人直接抛复杂推理问题给它然后被一个“看起来很有道理”的答案骗过去。它靠概率预测快速生成中间步骤可能跳过关键逻辑结论未必经得起推敲。怎么补对通用模型处理复杂逻辑任务时显式要求分步思考、提供示例并对结果做分步验证。不要只看最终结论要看它每一步的依据是否成立。涉及数据、计算的要求它把中间过程写出来。5.4 易漏点四提示语只有指令没有上下文和期望为什么漏指令是最直观的部分“帮我写个方案”张口就来上下文和期望却需要动脑整理于是被省略。模型只能靠猜猜对了是运气猜错了就归咎于模型能力。怎么补写提示语时强制走一遍“指令 上下文 期望”三件套。上下文至少交代背景和目标受众期望至少交代格式、长度、语气中的一项。这个习惯一旦养成输出质量的稳定性会明显提升。6. 复习清单从入门到精通的查漏补缺路径复习这件事最怕的是“感觉都会一用就废”。下面这份清单按能力链排列可以逐条自测哪条卡住就回到对应章节补。复习项自测问题卡住时回看模型分类能否说出推理模型和通用模型各三个优势领域和一个劣势领域第 2.1 节快思慢想能否解释概率预测和链式推理在响应速度、算力成本上的差异第 2.2 节提示语结构能否把一个模糊需求改写成含指令、上下文、期望的完整提示语第 3.1 节模型与提示语匹配给定一个任务能否判断该用哪类模型、提示语该简洁还是该分步第 3.2 节需求分类能否把五个实战例子分别归入决策、分析、创造性、验证、执行五类第 4.1 节易错点能否说出四个易漏点各自的表现和补救方法第 5 章自测时建议用“口述 手写”双通道先合上笔记口述一遍说不清的地方标记出来再用手写把关键表格默写一遍尤其是模型对比表和需求公式表。默写不出来的就是没真正记住的。还有一个具体技巧给自己建一个“提示语错题本”。每次输出不理想不要只改提示语重试而是把原始提示语、模型类型、输出问题、修改后的提示语一起记下来。积累十几条之后你会发现翻车模式高度集中基本都落在第 5 章那四个易漏点里。这个错题本比任何教程都贴身因为它是你自己的盲区地图。我自己的习惯是每次切换模型类型前都强制走一遍“任务类型判断 → 提示语结构检查 → 易错点对照”这三步哪怕任务很简单也不跳过。有一次赶时间跳过了用通用模型直接问一个多步逻辑问题输出看着顺溜实际第二步就偷换了概念返工花的时间比省下的多得多。从那以后我每次换模型都强制走一遍这套检查再没在这上面栽过。希望这份梳理能帮到你把零散的使用经验收成一张真正能复习、能查漏的地图。本文还有配套的精品资源点击获取
