简介《DeepSeek从入门到精通》由清华大学新闻与传播学院新媒体研究中心团队编写面向希望系统掌握国产大模型应用方法的高校师生、开发者与内容创作者。内容从DeepSeek是什么、能做什么、如何使用切入延伸到推理模型与通用模型的差异、适用任务、提示语策略及任务需求匹配帮助读者建立选模型、写提示语、落地场景的完整认知。压缩包内为1个PDF文件约4.8MB便于在电脑或平板上直接阅读与检索。目前已有2431人学习在人工智能、深度学习与大模型推理学习者中具有一定关注度。读者可从中获得文本生成、自然语言理解、编程辅助等场景的实践框架理解推理模型与通用模型在数学推导、逻辑分析、创意写作等任务上的取舍并掌握结果精准型、需求导向型、混合模式与启发式提问等提示语设计思路适合作为提示工程技术应用的案头参考。1. 同一个需求丢给两个模型结果差了一个下午去年冬天我做过一次挺蠢的对比把同一段需求——“把这份三千行的运行日志按异常类型归类输出一张表”——分别丢给推理模型和通用模型。通用模型三秒给出一张漂亮的表我扫了一眼就用了结果它把三种不同的超时错误合并成一类推理模型憋了四十多秒先列出分类依据再给表那三类它单独标了“待确认”。那个下午我返工的是前者。这篇讲的就是这件事背后的判断逻辑。手上这份《DeepSeek从入门到精通》把模型分类、提示工程技术和五类需求的表达方式讲得比多数网上教程实在我按自己的使用习惯重新拆了一遍哪些结论能直接抄哪些地方我踩过坑、要额外加一句提醒。如果你正在用大模型做文本生成、代码生成或自然语言处理相关的活又总觉得“它好像没听懂”这篇能帮你省掉几个下午。2. 先认出手里是哪种模型推理模型与通用模型的四条分界线很多人第一次用大模型习惯是“哪个榜单高用哪个”这是最容易翻车的一步。真正决定输出质量的是任务和模型类型对不对得上。这份资料把模型分成推理模型和通用模型两类我认为这是整份材料里最该先记住的一刀因为后面所有提示语技巧都建立在这个前提上。2.1 优势与劣势的分界专精逻辑密度还是覆盖任务多样性推理模型的训练目标很明确强化推理、逻辑分析和决策能力常见手段是强化学习、神经符号推理、元学习这类技术路线。它在中小学数学推导、逻辑链条拆解、代码生成、复杂问题分步骤拆解上明显更强本质是把“想”这件事内化进了模型权重。对应的代价是遇到诗歌创作、发散性脑暴、需要大量风格变化的创意任务时它反而不如通用模型放得开——不是能力不足是训练目标不在这。通用模型走的是另一条路对海量文本做训练掌握语言规律擅长语言生成、上下文理解、多轮对话、开放性问答。它的灵活度高但在需要严格逻辑链的任务上会“跳过步骤”比如让它证明一个数学命题它可能直接给结论而不给推导或者推导中间偷换条件。我一般这么判断先看任务错了会不会致命。错一个数字就废掉的算钱、算指标、写核心算法优先推理模型错了还能人工扫一眼改回来的写文案、起标题、扩写段落通用模型更快更省。提示这里的“强弱”是相对训练目标而言不是绝对能力排名。推理模型不是全面更强通用模型也不是全面更弱。2.2 快思慢想概率预测和链式推理的算力账资料里用“快思慢想”这个说法来区分两类模型我觉得比单纯讲参数量有用得多。概率预测型模型靠大量数据训练快速预测下一个最可能的答案响应快、算力成本低决策依赖预设算法和规则创造力限于模式识别和优化擅长解决结构清晰、定义明确的问题。链式推理型模型走的是思维链逐步推理把问题拆成若干步每一步都基于上一步的结论往下走慢、贵但能处理多维度、非结构化的复杂问题。这笔账要算清楚一次慢速推理的算力成本可能是快速响应的好几倍如果你只是要它把一段英文翻成中文用推理模型是纯浪费反过来你要它核一段实验数据是否存在统计偏差用快速模型就是拿结果开玩笑。我在实际项目里通常会把任务先过一遍筛子这条需求需要“推演”还是需要“生成”需要推演的进慢通道需要生成的进快通道混着用的结果是两头都不满意。还有一个容易被忽略的点链式推理模型会自主分析情况、实时调整决策路径这意味着同一段提示语它两次输出的推理路径可能不同。做可复现的实验记录时这点要提前有心理准备别把它当成 bug。2.3 一张表看清两类模型该怎么派活下面这张表是我按资料里的维度重新整理的加了“出错后的补救成本”这一列这是原文没有、但选型时最该看的一项。维度推理模型通用模型优势任务数学推导、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、开放性问答劣势任务发散性任务如诗歌、口号、脑暴需要严格逻辑链的任务如数学证明、因果排查性能本质专精逻辑密度高的任务擅长多样性高的任务响应与成本慢速思考算力成本高快速反应算力成本低决策方式自主分析情况实时调整路径依赖预设算法与规则人机互动能理解复杂意图交互自然按预设脚本响应情感理解偏弱出错后的补救成本高错误往往藏在推导链中段难定位中低错误多在表层人工扫读可发现适合的活核心算法、数据核算、方案可行性推演文案、摘要、翻译、格式转换、日常问答表格看完还不够真正的判断依据是任务拆解粒度。一个任务里往往混着两种需求比如“写一份季度复盘报告”前半段要分析数据推理模型后半段要组织语言通用模型。这时候不要指望一个模型全包拆成两段分别派活比在提示语里反复强调“既要严谨又要生动”有效得多——后面第 4 章会给出这种拆分任务的具体写法。3. 提示语不是咒语拆开指令、上下文、期望三层再拼回去提示工程技术被讲得玄乎的时候多讲得清楚的时候少。资料里给的定义很朴素提示语是用户输入给 AI 系统的指令或信息用来引导它生成特定输出。它可以是一句问话也可以是一段复杂的任务描述。朴素归朴素但绝大多数人写不好是因为只写了三层结构里的一层。3.1 提示语的五个角色决定你该写多长资料把提示语的本质拆成五个角色我按自己的理解重新排了序因为重要性不一样第一是任务定义器明确指定要完成什么这是骨架缺了它模型只能瞎猜。第二是上下文提供者为模型提供必要背景很多“它答得不对”其实是“你没告诉它前提”。第三是输出塑造器影响输出的形式和内容包括长度、格式、语气。第四是能力引导器引导模型调用特定能力比如“用你的创意写作能力”。第五是沟通桥梁连接人类意图和模型理解。这五个角色决定了提示语该写多长。任务定义器和输出塑造器是必写的上下文提供者看情况——如果你给的是通用问题写背景反而是噪音能力引导器在通用模型上特别有用在推理模型上往往是干扰。我用这套框架自检时会问自己一句这五个角色里我漏了哪个通常漏的是输出塑造器导致模型给了一大段正确但没法用的回答。注意上下文不是越多越好。塞进去三段无关背景模型会分不清哪段是约束、哪段是装饰。3.2 六种提示语类型与它们的适用面资料把提示语分成六类我在实际使用中发现它们的“保质期”差别很大指令型提示语直接告诉 AI 执行什么任务比如“把这段内容翻译成法语”。特点是高效、结果可预期适合流程化、重复性高的活。问答型提示语提出一个问题等答案适合查证、解释概念这类场景缺点是你问得模糊它答得也模糊。角色扮演型提示语要求模型模拟特定场景下的身份比如让模型以某个领域研究者的口吻评论一段材料。这类提示语在通用模型上效果明显能快速调出特定语域但在推理模型上要慎用角色设定容易干扰它的逻辑主线让它为了“演得像”而牺牲推导严谨性。创意型提示语引导创意写作或内容生成关键在约束不在自由——“写一个故事”产出通常平庸“写一个包含两个指定意象、不超过三百字的故事”产出会好很多。分析型提示语要求对给定信息分析推理这类在推理模型上收益最大。多模态提示语结合文本、图像等多种输入形式适合需要读取图片文字或扫描件内容的场景。实际写的时候六种类型经常是混用的比如一段提示语里既有指令输出格式又有分析要求给出依据。混用本身没问题问题是别在同一段里混进互相矛盾的期望。3.3 五类需求的表达公式把“我想要”翻译成模型能接的话这是资料里我最愿意直接抄的部分。它把需求分成决策、分析、创造性、验证、执行五类每类给了表达公式和适配策略我整理成下面这张表并补了“最容易漏的一项”需求类型特点表达公式最容易漏的一项决策需求需权衡选项、评估风险、选出最优解目标 选项 评估标准评估标准。不给标准模型替你定标准分析需求需深度理解数据、发现模式或因果问题 数据/信息 分析方法分析方法。不说方法它只给表层总结创造性需求需生成新颖内容主题 风格/约束 创新方向创新方向。方向不指产出随大流验证需求需检查逻辑自洽性、数据可靠性结论/方案 验证方法 风险点风险点。不点名风险它倾向于确认你对执行需求需完成具体操作任务 步骤约束 输出格式输出格式。格式不定结果没法直接用这张表的价值在于它把“我想要一个好答案”这种无效表达换算成了可填的槽位。你按槽位填完提示语自然就长起来了不需要背什么模板。对应的策略差异也写得很明确推理模型的提示语要简洁只明确任务目标和需求因为它已经内化了推理逻辑强行拆解步骤反而可能限制它的能力通用模型则需要显式引导推理步骤否则可能跳过关键逻辑必要时还要给示例来补偿能力短板。这条原则我踩过坑——早期我给推理模型写了详细的“第一步做什么、第二步做什么”结果它确实照做了但做得比它自己规划的要笨。4. 抄作业四类任务的提示语模板与对照改法理论讲完下面是我从资料里提炼、并且自己改写过的几组模板。每组都给了“差写法”和“好写法”的对照你可以直接替换里面的业务对象。4.1 决策需求把选项、标准、时间窗一次给全决策类需求最常见的失败是只给了选项没给标准模型只能按“听起来更合理”来选结果就是一堆正确的废话。差写法“我们该自建仓储还是找第三方合作”好写法“为降低仓储成本现有两种方案一是自建区域仓库初期投入高但长期单件成本低二是与第三方合作按需付费但单价高、灵活性好。请按五年周期的总成本做对比评估标准包括初期投入、日均单量阈值、退换货处理时效最后给出推荐方案和它失效的临界条件。”差别在于三点给了清晰的选项边界、给了可以量化的评估标准、要求模型给出推荐方案的失效条件。第三点尤其关键——任何决策都有前提让模型把前提说出来你才知道它是不是在替你脑补。4.2 分析需求数据、方法、验证三件套分析类需求如果没有指定方法模型通常会给你一段“总体呈上升趋势、建议持续关注”的总结。指定方法之后它的输出会瞬间具体。差写法“帮我分析一下这几年的销量数据。”好写法“以下是某产品近三年的月度销量数据CSV 已附。请完成三件事第一描述增长趋势并指出与已知的几个关键节点的时间对应关系第二用时间序列模型预测下一年度市占率写清模型参数和选择理由第三列出这个预测最可能失效的两种情形。”第二项里“写清参数和选择理由”是个硬指标它会逼模型把中间过程摊开你才有机会核对。如果不写这句你拿到的是一个数字没法验证也没法反驳。4.3 执行需求约束写死输出格式定死执行类需求是日常用得最多的也最容易被低估。比如“把这段 C 代码转成 Python”模型转出来的东西往往能跑但时间复杂度变了、numpy 没用上、边界条件漏了。原因很简单你没说。差写法“把这段代码转成 Python。”好写法“将以下代码转换为 Python约束如下保持原有时间复杂度不上升数组操作使用 numpy 向量化不用循环输出完整代码并附一个带计时的测试用例如果原代码存在边界条件缺失先在注释里标出来再改。”四个约束每一个都对应一种常见翻车方式。我一般的经验是执行类需求里每多写一条约束后期返工就少一轮性价比极高。4.4 同一需求在两类模型上的两种写法这是最容易搞混的地方。同一件事给推理模型和通用模型的提示语应该是两个样子。下面用一段 Python 演示把提示语参数化的写法思路是把“任务”和“约束”拆成变量便于按模型类型切换# 同一个任务的两种提示语组装方式 task 把下面这段循环求和的代码改写成向量化实现 # 推理模型只给目标和边界不拆步骤 prompt_reasoning f{task}。要求时间复杂度不上升边界条件保持原语义。 # 通用模型显式给步骤和示例补偿推理短板 prompt_general f{task}请按以下步骤完成 1. 先说明原代码的时间复杂度 2. 再给出 numpy 向量化版本 3. 最后对比两者在大数组上的执行耗时差异。 参考改写风格把 for 循环替换为 ndarray 的切片运算。 print(len(prompt_reasoning), len(prompt_general))这段代码不复杂重点在两种写法的长度差。推理模型那条不到四十字通用模型那条一百多字多出来的部分全是步骤引导和示例。如果你把长的那条丢给推理模型它有可能被步骤框住做出比自主规划更笨的实现反过来把短的那条丢给通用模型它很可能直接跳步给你一个能跑但没做向量化的版本。实际使用时我习惯在代码里维护两套模板按任务类型切换而不是每次手写。这样做的另一个好处是跑批时能保证同一批任务的提示语结构一致输出可比。提示切换模板时只换模型侧不要同时改任务描述否则你无法判断效果差异来自模型还是来自提示语。5. 避坑五个让我返工重来的场景这部分是我自己的血泪经验每条都按“现象、原因、解决”写你能对上号就直接改。5.1 提示语层面翻的三个车第一个车给推理模型写了角色扮演。现象是我让它“以一位资深架构师的口吻评估这套方案”它洋洋洒洒写了一大段有腔调的评价但技术判断明显浅了几个关键约束都没识别出来。原因是角色设定占了它的注意力预算逻辑主线被“演得像”这个目标挤掉了。解决办法是要判断就直说要判断把角色扮演删掉改成“评估以下方案的三个技术风险点每个点给出触发条件”。第二个车给通用模型一次性丢了复杂推理题。现象是我问一个涉及多步因果的排查问题它回答得条理清晰、逻辑自洽但我照着做发现第三步的前提在第一步就不成立。原因是通用模型倾向跳过关键逻辑用语言通顺掩盖推理缺口。解决办法是拆步追问每次只问一步并要求它复述上一步结论作为下一步前提或者干脆换推理模型。第三个车上下文塞太多。现象是我在提示语里贴了三段背景材料模型的输出开始顾左右而言他抓了一堆次要约束。原因是上下文过载模型分不清主次。解决办法是把背景压成三条以内并且明确标注哪条是硬约束、哪条仅供参考。5.2 模型选择层面翻的两个车第四个车拿通用模型做数据核算。现象是让它核对一批指标的同比环比它给出了完整的表但其中两行用了不同的基期口径。原因是这类任务需要严格逻辑链通用模型的训练目标不在这。解决办法是凡是涉及数字一致性的活固定走推理模型并且在提示语里要求它列出计算口径。第五个车拿推理模型写营销文案。现象是让它写一组产品短文案产出结构工整、信息完整但读起来像说明书没有一句能直接用。原因是发散性任务不是它的强项。解决办法是这类活交给通用模型并且给足风格约束和示例推理模型只负责在文案定稿后做事实核查。把这五条摊开看会发现它们的共同点不是模型不行是我在错的场景用了对的能力或者在对的场景给了错的提示语。判断依据永远先于技巧。6. 发出去之前我用的一张提示语自检清单写到这里落地的东西其实就一套流程。我在每次按下发送键之前会强制走一遍五个问题这套流程是照着资料里“五大需求类型”和“提示语生效边界”两节改的用久了确实少走很多弯路。第一问任务类型是什么。先归类到决策、分析、创造性、验证、执行五类里的一类因为不同类型的表达公式不一样混着写必然缺槽位。第二问这个任务该派给谁。逻辑密度高的走推理模型多样性高的走通用模型拿不准就先用推理模型跑一遍看它会不会把步骤摊开。第三问提示语属于哪种类型长度合不合适。指令型、问答型、角色扮演型、创意型、分析型、多模态型六类里有的适合推理模型指令、分析有的适合通用模型角色扮演、创意用错组合就是白费力气。第四问约束和输出格式写死了没有。这是我漏得最多的一项也是返工成本最高的一项。第五问我有没有在替模型做决定。比如评估标准我自己没想清楚就让它选它只能编一个标准出来。这一问最反直觉很多时候提示语写不好是因为需求本身没想清楚。下面这张表是我贴在便签上的版本按任务类型列了核心动作任务类型走哪个模型提示语必写项我常犯的错决策推理模型选项、评估标准、失效条件只给选项不给标准分析推理模型数据、方法、验证方式不指定方法只拿到总结创造性通用模型主题、风格约束、方向指令太开放产出平庸验证推理模型待验结论、验证方法、风险点没让它找反例执行看复杂度步骤约束、输出格式、示例约束写太少返工多轮这张表不是让你背是让你在动手前停二十秒。我那五个返工的车有四个是在这二十秒里本来能拦住的——尤其是“给推理模型写角色扮演”那次按表走一遍就不可能发生。还有一个具体技巧值得单独说任何一次重要输出让模型自己给出“这个结论在什么条件下不成立”。推理模型给得出通用模型也能给个大概这句话的性价比比再加三段背景材料高得多。它逼模型把隐含前提显式化你扫一眼就知道该不该信。最后说句实在的这类资料的价值不在把结论背下来在于把判断依据装进脑子。我从那以后每次开新任务都强制先问“这是推理活还是生成活”再动笔写提示语顺序一换返工率掉了一大截。完整的资料我按自己的使用顺序整理过一遍需要对着看细节的可以直接取那份原件。希望帮到你。本文还有配套的精品资源点击获取
