簡介這份PDF資料源自清華大學新聞與傳播學院新媒體研究中心團隊面向希望系統(tǒng)掌握DeepSeek大模型的初學者與進階用戶幫助讀者厘清推理模型與通用模型的差異并掌握提示語設計的核心策略。內容圍繞DeepSeek是什么、能做什么、如何使用、如何從入門到精通展開涵蓋文本生成、語義分析與情感識別、代碼生成與調試、聯(lián)網(wǎng)搜索與文件讀取等應用場景并深入對比推理大模型在數(shù)學推導、邏輯分析上的優(yōu)勢與通用模型在創(chuàng)意寫作上的靈活性同時給出兩類模型在提示語策略上的差異化原則及AI倫理相關討論。資源包共1個PDF文件約5.5MB結構完整、圖文清晰便于通讀與查閱。已有311人學習適合作為大模型應用入門與提示語優(yōu)化的參考讀本。1. 第一次用 AI 大模型為什么你問一句它答一句別人卻能讓它寫方案、改代碼、做分析很多人第一次打開 AI 對話工具輸入“幫我寫個東西”得到的回復要么空泛得像模板要么干脆跑題。于是心里冒出一句這東西是不是被吹過頭了其實問題往往不在模型而在你還沒搞懂它是什么、該怎么跟它說話。DeepSeek 就是這樣一個國產、免費、開源的大模型工具背后是一家專注通用人工智能的公司主攻大模型研發(fā)與應用其中 DeepSeek-R1 是開源的推理模型擅長處理復雜任務且可免費商用。它面向普通用戶和開發(fā)者提供智能對話、文本生成、語義理解、計算推理、代碼生成補全等能力支持聯(lián)網(wǎng)搜索與深度思考模式還能上傳文件、掃描讀取文件和圖片里的文字。這份入門指南要做的就是把你從“問一句答一句”帶到“知道先學什么、第一個例子怎么跑起來”。零基礎也能跟上不需要先啃論文。2. 先搞懂它到底能干什么五個高頻場景對號入座2.1 文本生成從寫文章到做表格都是它的基本功新手最容易上手的入口就是文本生成。你不需要懂任何技術打開對話界面把需求說清楚就行。它能做的事包括文章、故事、詩歌寫作營銷文案和廣告語生成社交媒體內容如推文和帖子劇本或對話設計也能做長文本摘要比如論文和報告的濃縮文本簡化以降低復雜度多語言翻譯與本地化還能做結構化生成比如表格、列表像日程安排、菜譜以及代碼注釋和文檔撰寫。入門階段建議先拿“摘要與改寫”練手因為這類任務對提示語要求低、反饋快你能立刻感受到“說清楚需求”和“沒說清楚”的差別。我第一次學的時候就是拿一篇長文讓它縮成五條要點再讓它把其中一條擴寫成一段話來回幾次就摸到了節(jié)奏。2.2 自然語言理解與分析讓 AI 幫你讀評論、找重點第二個高頻場景是理解與分析。它涵蓋語義分析和語義解析情感分析比如評論和反饋意圖識別比如客服對話和用戶查詢知識推理里的實體提取如人名、地點、事件邏輯問題解答如數(shù)學和常識推理文本分類因果分析如事件關聯(lián)性主題標簽生成如新聞分類以及垃圾內容檢測。對零基礎的人來說這一塊最實用的切入點是情感分析把一段用戶反饋貼進去問它“這段反饋是正面還是負面理由是什么”你會看到它把判斷依據(jù)一條條列出來。這里有個小提醒分析類任務對“上下文”要求高你得把背景交代清楚否則它只能靠猜。入門階段不用追求一次問全先練“給背景、提一個問題、要一個理由”這個最小閉環(huán)。2.3 編程與代碼相關不寫代碼的人也能用它讀代碼第三個場景是編程與代碼相關包括代碼生成、代碼調試、技術文檔處理具體有根據(jù)需求生成代碼片段支持 Python、JavaScript 等語言錯誤分析與修復建議代碼性能優(yōu)化提示API 文檔生成代碼庫解釋與示例生成自動補全與注釋生成以及常規(guī)繪圖。哪怕你不寫代碼也可以用“代碼庫解釋”功能讓它把一段看不懂的代碼翻譯成大白話。入門建議從“解釋這段代碼在干什么”開始而不是一上來就讓它寫完整項目。等你熟悉了它的表達方式再讓它生成小片段比如一個排序函數(shù)并明確要求“輸出需包含注釋”。這樣你既能驗證結果又能順便學一點代碼結構。2.4 推理模型和通用模型別拿螺絲刀去敲釘子這是新手最容易翻車的地方。推理大模型是在傳統(tǒng)大語言模型基礎上強化了推理、邏輯分析和決策能力的模型通常借助強化學習、神經符號推理、元學習等技術增強推理和問題解決能力比如 DeepSeek-R1 在邏輯推理、數(shù)學推理和實時問題解決方面表現(xiàn)突出。非推理大模型也就是通用模型側重語言生成、上下文理解和自然語言處理不強調深度推理比如主要用于語言生成、語言理解、文本分類、翻譯等任務。兩者的強弱判斷很關鍵推理模型并非全面更強僅在其訓練目標領域顯著優(yōu)于通用模型通用場景更靈活但專項任務需依賴提示語補償能力。用一張表看清楚維度推理模型通用模型優(yōu)勢領域數(shù)學推導、邏輯分析、代碼生成、復雜問題拆解文本生成、創(chuàng)意寫作、多輪對話、開放性問答劣勢領域發(fā)散性任務如詩歌創(chuàng)作需要嚴格邏輯鏈的任務如數(shù)學證明性能本質專精于邏輯密度高的任務擅長多樣性高的任務強弱判斷并非全面更強僅在其訓練目標領域顯著優(yōu)于通用模型通用場景更靈活但專項任務需依賴提示語補償能力入門的話建議先記住一句話數(shù)學任務選推理模型創(chuàng)意任務選通用模型。不要因為某個模型熱度高就什么都丟給它這是血淚經驗。2.5 快思慢想兩種模型背后的選擇邏輯CoT 鏈式思維的出現(xiàn)把大模型分成了兩類“概率預測快速反應”模型和“鏈式推理慢速思考”模型。前者基于概率預測通過大量數(shù)據(jù)訓練快速預測可能的答案響應速度快、算力成本低依賴預設算法和規(guī)則決策擅長解決結構化和定義明確的問題后者基于鏈式思維逐步推理問題的每個步驟來得到答案慢速思考、算力成本高能自主分析情況、實時做出決策能夠生成新的創(chuàng)意和解決方案更自然地與人互動、理解復雜情感和意圖能夠處理多維度和非結構化問題。了解它們的差異有助于你根據(jù)任務需求選擇合適的模型實現(xiàn)最佳效果。對新手來說這意味著趕時間要快速反饋用快速反應模型遇到需要一步步推的復雜問題切到慢速思考模式。別在簡單任務上硬開深度思考也別在復雜推理上指望秒回。3. 為什么提示語設計是新手最該先練的基本功3.1 提示語到底是什么指令、上下文、期望三件套提示語Prompt是用戶輸入給 AI 系統(tǒng)的指令或信息用于引導 AI 生成特定的輸出或執(zhí)行特定的任務。簡單來說提示語就是我們與 AI“對話”時所使用的語言它可以是一個簡單的問題、一段詳細的指令也可以是一個復雜的任務描述。它的基本結構包括三部分指令是核心明確告訴 AI 你希望它執(zhí)行什么任務上下文為 AI 提供背景信息幫助它更準確地理解和執(zhí)行任務期望則明確或隱含地表達你對 AI 輸出的要求和預期。入門階段你只要在每次提問時自覺補齊這三樣輸出質量就會明顯不一樣。比如“幫我寫個總結”只有指令加上“這是一份項目周報面向團隊負責人控制在 200 字以內”就有了上下文和期望。3.2 六種提示語類型從指令型到多模態(tài)提示語的本質是連接人類意圖和 AI 理解的溝通橋梁是任務定義器也是輸出塑造器和能力引導器。常見類型有六種指令型提示語直接告訴 AI 需要執(zhí)行的任務比如“將以下內容翻譯為法語Hello, world”問答型提示語向 AI 提出問題期望得到相應答案角色扮演型提示語要求 AI 扮演特定角色、模擬特定場景比如“假設你是一位 19 世紀的歷史學家評論拿破侖的崛起”創(chuàng)意型提示語引導 AI 進行創(chuàng)意寫作或內容生成比如“為一篇關于氣候變化的文章寫一個引言長度 200 字”分析型提示語要求 AI 對給定信息進行分析和推理比如“用簡單的語言解釋量子力學假設你在跟一個 10 歲的孩子說話”多模態(tài)提示語結合文本、圖像等多種形式的輸入。新手先練指令型和問答型熟練后再試角色扮演和分析型別一上來就堆復雜結構。3.3 推理模型和通用模型的提示語策略差異這是提示語設計里最容易被忽略、又最影響結果的一條。推理模型的提示語更簡潔只需明確任務目標和需求因為它已內化推理邏輯無需逐步指導模型會自動生成結構化推理過程若強行拆解步驟反而可能限制其能力。通用模型則需要顯式引導推理步驟比如通過 CoT 提示否則可能跳過關鍵邏輯它依賴提示語補償能力短板比如要求分步思考、提供示例。關鍵原則有三條第一優(yōu)先根據(jù)任務類型而非模型熱度選擇數(shù)學任務選推理模型創(chuàng)意任務選通用模型第二推理模型要簡潔指令、聚焦目標、信任其內化能力也就是“要什么直接說”通用模型要結構化、補償性引導也就是“缺什么補什么”第三避免誤區(qū)不要對推理模型使用啟發(fā)式提示如角色扮演可能干擾其邏輯主線也不要對通用模型過度信任直接詢問復雜推理問題需分步驗證結果。我第一次學的時候就在這里踩過坑對著推理模型寫了一長串“先這樣再那樣”的步驟結果它反而繞暈了后來改成一句話說清目標輸出立刻干凈了。3.4 從下達指令到表達需求五種需求類型的表達公式提示語設計正在從“下達指令”走向“表達需求”。按需求類型分有五種常見公式決策需求用“目標 選項 評估標準”適合需要權衡選項、評估風險、選擇最優(yōu)解的場景推理模型適配策略是要求邏輯推演和量化分析通用模型是直接建議、依賴模型經驗歸納分析需求用“問題 數(shù)據(jù)/信息 分析方法”適合需要深度理解數(shù)據(jù)、發(fā)現(xiàn)模式或因果關系的場景推理模型觸發(fā)因果鏈推導與假設驗證通用模型做表層總結或分類創(chuàng)造性需求用“主題 風格/約束 創(chuàng)新方向”適合生成新穎內容推理模型結合邏輯框架生成結構化創(chuàng)意通用模型自由發(fā)散、依賴示例引導驗證需求用“結論/方案 驗證方法 風險點”適合檢查邏輯自洽性、數(shù)據(jù)可靠性或方案可行性推理模型自主設計驗證路徑并排查矛盾通用模型做簡單確認、缺乏深度推演執(zhí)行需求用“任務 步驟約束 輸出格式”適合完成具體操作如代碼、計算、流程推理模型自主優(yōu)化步驟、兼顧效率與正確性通用模型嚴格按指令執(zhí)行、無自主優(yōu)化。入門階段不用背全先記住“決策”和“執(zhí)行”兩種覆蓋你八成日常場景。3.5 一個能直接照抄的提示語示例拿決策需求舉例實戰(zhàn)技巧是這樣的為降低物流成本現(xiàn)有兩種方案 ① 自建區(qū)域倉庫初期投入高長期成本低 ② 與第三方合作按需付費靈活性高 請根據(jù) ROI 計算模型對比 5 年內的總成本并推薦最優(yōu)選擇。這段提示語里“目標”是降低物流成本“選項”是兩個方案“評估標準”是 ROI 和 5 年總成本三件套齊全模型不需要猜。再看執(zhí)行需求的例子將以下 C 語言代碼轉換為 Python要求 ① 保持時間復雜度不變 ② 使用 numpy 優(yōu)化數(shù)組操作 ③ 輸出帶時間測試案例的完整代碼。任務、步驟約束、輸出格式都寫明了結果就穩(wěn)定。新手可以先把這兩個模板抄下來換成自己的內容練三五次就能找到感覺。注意示例里的語言和格式要求是給你參考結構用的實際使用時按你的真實需求替換。4. 新手避坑這五個坑我替你踩過了4.1 現(xiàn)象問什么都只回一句“好的以下是……”原因提示語只有指令沒有上下文解決補齊背景和期望這是最常見的翻車現(xiàn)場。你輸入“寫個方案”它回你一段放之四海而皆準的套話。原因很簡單提示語只有指令缺少上下文和期望模型只能按最通用的理解去生成。解決辦法是每次提問前問自己三件事這件事的背景是什么、給誰看、要多長什么格式。把這三樣補進去輸出立刻具體。比如把“寫個方案”改成“這是一份面向新員工的入職培訓方案公司規(guī)模 50 人控制在 500 字以內分三個部分”差別肉眼可見。4.2 現(xiàn)象數(shù)學題算錯、邏輯題繞圈原因用通用模型硬扛推理任務解決按任務類型選模型數(shù)學和邏輯優(yōu)先推理模型很多人默認“模型越新越強”拿通用模型去做數(shù)學證明結果它跳過關鍵步驟答案看著像那么回事一驗算就錯。原因在于通用模型側重語言生成和上下文理解不強調深度推理。解決辦法是按任務類型選模型數(shù)學推導、邏輯分析、代碼生成、復雜問題拆解優(yōu)先用推理模型。如果你不確定當前用的是哪類就看它是否會自動展開推理過程會展開的通常是推理模型。選對模型比反復改提示語省力得多。4.3 現(xiàn)象對推理模型寫了一大段角色扮演結果邏輯反而亂了原因啟發(fā)式提示干擾了推理主線解決推理模型只給目標和約束別替它拆步驟這個坑很隱蔽。你出于好意對推理模型說“假設你是一位資深工程師先這樣再那樣”結果它把精力花在扮演角色上推理主線被打斷。原因是對推理模型使用啟發(fā)式提示可能干擾其邏輯主線。解決辦法是推理模型只給目標和約束比如“用 Python 實現(xiàn)快速排序輸出需包含注釋”別替它拆步驟。它自己會生成結構化推理過程你強行拆解反而限制其能力。我第一次學的時候不信邪試了三次才服氣。4.4 現(xiàn)象通用模型給的復雜結論不敢用原因過度信任沒有分步驗證解決把大問題拆成小問題逐步追問并核對通用模型在開放性問答上很靈活但遇到需要嚴格邏輯鏈的任務它可能跳過關鍵環(huán)節(jié)。如果你直接問一個復雜推理問題得到的答案可能表面通順、內里站不住。解決辦法是把大問題拆成小問題逐步追問每一步都讓它給出理由你再核對。比如驗證一個結論先問“實驗數(shù)據(jù)是否支持該結論”再問“對照組設置是否存在偏差”最后問“重新計算 p 值并判斷顯著性”。分步驗證雖然多花幾分鐘但能避免拿著錯誤結論去做決策。4.5 現(xiàn)象上傳文件后它讀不出重點原因文件格式或掃描質量影響文字提取解決先確認文字可讀再明確讓它提取哪部分DeepSeek 支持文件上傳能掃描讀取各類文件及圖片中的文字內容但這不是萬能的。如果掃描件模糊、排版混亂提取出來的文字可能殘缺模型自然讀不出重點。解決辦法是先確認文件里的文字能被正常識別再明確告訴它你要提取哪部分比如“只提取第三頁的表格數(shù)據(jù)”。另外長文件建議分段處理一次丟進去太多內容重點容易被淹沒。入門階段先用清晰的文本文件練手熟悉了再挑戰(zhàn)掃描件。5. 第一步怎么邁從在線試用到本地部署再到下一步學什么5.1 在線使用零安裝打開就能練對零基礎新手來說最省事的第一步是在線使用。DeepSeek 提供直接面向用戶的在線對話入口你不需要安裝任何軟件打開網(wǎng)頁就能開始。入門階段建議按這個順序練第一天用“摘要與改寫”任務熟悉基本對話拿一篇長文讓它縮成要點第二天練“情感分析”貼一段用戶反饋讓它判斷正負面并給理由第三天試“代碼解釋”找一段簡單代碼讓它翻譯成大白話。每天 20 分鐘三天下來你就摸清了它的脾氣。注意在線使用時把需求說清楚比反復重試更有效別指望它讀心。5.2 本地部署想離線用或做開發(fā)時的入門路徑如果你希望離線使用或者后續(xù)想做開發(fā)集成可以走本地部署路線。項目正文給出的路徑是訪問 Ollama 相關的中文站點獲取本地部署方式按頁面指引下載安裝即可。入門階段不用一上來就折騰本地部署先把在線版用熟確認自己真的需要離線能力再動手。本地部署對電腦配置有一定要求第一次裝建議跟著頁面上的步驟一步步來別跳步。裝好之后先用一個簡單任務驗證比如讓它做一次文本摘要確認模型能正常響應再去試復雜任務。這一步的坑在于環(huán)境配置遇到報錯先看提示信息里的關鍵詞再對照頁面說明排查別急著重裝。5.3 下一步學什么三條路徑按需選用熟基礎功能之后下一步學什么取決于你想往哪走。第一條路徑是提示語設計進階重點練五種需求類型的表達公式把決策、分析、創(chuàng)造性、驗證、執(zhí)行五類需求各寫十個提示語形成自己的模板庫。第二條路徑是模型選擇與組合搞清楚什么任務用推理模型、什么任務用通用模型以及兩者如何接力比如先用通用模型發(fā)散創(chuàng)意再用推理模型驗證邏輯。第三條路徑是場景落地挑一個你工作或學習中的真實場景比如周報生成、代碼審查、資料整理把整個流程跑通一遍。三條路徑沒有先后按你的實際需求選。入門的話建議先走第一條因為提示語是所有場景的地基。5.4 一個具體技巧建立自己的提示語模板庫最后給一個能立刻用上的技巧建一個自己的提示語模板庫。做法很簡單準備一個文本文件按“決策、分析、創(chuàng)造性、驗證、執(zhí)行”五類分欄每類下面放三到五個你驗證過有效的提示語標注適用場景和注意事項。每次遇到新任務先翻模板庫找最接近的改一改再用比從零想快得多。這個習慣我堅持了很久最大的好處是避免重復踩坑同一個錯誤不會犯第二次。從那以后我每次遇到新場景都強制先翻一遍模板庫再動手效率高了不少。希望幫到你。本文還有配套的精品資源點擊獲取