简介《DeepSeek从入门到精通》是一份面向AI初学者、产品与研发人员的PDF学习资料聚焦国产大模型DeepSeek的能力认知与实际使用帮助读者从“知道是什么”推进到“能在任务中选对模型、写好提示语”。内容围绕DeepSeek是什么、能做什么、如何使用展开覆盖智能对话、文本生成、语义理解、计算推理、代码生成补全等场景并系统比较推理大模型与非推理大模型的优势边界讲解“快思慢想”、CoT链式思维及提示语策略差异还给出数学证明、创意写作、代码生成等任务中的模型选择与提示设计原则便于读者把方法落到写作、办公与编程实践。压缩包共1个PDF文件大小约5.36MB结构紧凑、便于检索。已有1011人学习适合希望系统入门DeepSeek并提升提示工程与推理模型应用能力的学习者。1. 从一份讲稿说起DeepSeek 从入门到精通精通的其实不是功能一个做电商运营的朋友把这份材料发给我说看完了还是不知道该怎么让模型把 30 页的季度报告压成 800 字、还得保留关键数据。我翻了一遍材料本身没问题——它把 DeepSeek 从入门到精通的路线拆得很实在能做什么、两类模型怎么分、提示语怎么设计、需求怎么表达一条线下来是有骨架的。缺的是把骨架落到自己业务上的那一步。这份资源本质上是一份方法论讲稿不是功能说明书。它最有价值的地方不在于“支持联网搜索”“支持文件上传”这些条目——这些谁都会点——而在于把推理模型和通用模型分开讲、把提示语按任务类型给策略这件事。已经在用但输出忽好忽坏的人和要把 AIGC 能力嵌进业务流程的开发者都能从里面找到可直接复用的东西。下面按我自己的拆解顺序走一遍。2. 推理模型与通用模型选错一次后面全是无用功2.1 推理模型ReasoningModels与通用模型的分野不在强弱先把定义摆清楚。推理大模型是在传统大语言模型的基础上强化推理、逻辑分析和决策能力的模型通常叠加了强化学习、神经符号推理、元学习这类技术手段目标是把“一步一步想”这件事内化进模型本身。DeepSeek-R1 就属于这一类开源、可免费商用擅长处理复杂任务。通用大模型走的是另一条路靠海量文本数据训练掌握语言规律侧重语言生成、上下文理解和自然语言处理NaturalLanguageProcessing不强调深度推理链路。这两类模型的差别用一张表能说清但真正要记住的是最后一行的判断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最常见的误判是把“更新的那个”当成“更强的那个”。我见过不少团队一上来所有请求全打到推理模型上结果写商品文案、起标题、编活动 slogan 这类活儿出来的东西工整得像八股读着没味道。反过来拿通用模型去做多步数学证明它会一本正经地把中间步骤编圆——看起来推完了其实第三步就错了。模型选型这件事坑不在技术在预期。2.2 快思慢想的工程含义响应速度和算力成本要一起算链式思维CoT出现之后大模型实际上被分成了两类一类是基于概率预测的“快速反应”模型靠大量数据训练快速预测可能的答案另一类是基于链式推理的“慢速思考”模型逐步推演问题的每个步骤再给结论。这个划分在论文里是概念在工程上是账单。维度概率预测快速反应链式推理慢速思考性能表现响应速度快算力成本低慢速思考算力成本高运算原理基于概率预测通过大量数据训练快速预测答案基于链式思维逐步推理每个步骤得到答案决策能力依赖预设算法和规则进行决策能自主分析情况实时做出决策创造力限于模式识别和优化缺乏真正创新能力能生成新创意和新方案具备创新能力人机互动按预设脚本响应较难理解人类情感和意图更自然地与人互动理解复杂情感和意图问题解决擅长解决结构化和定义明确的问题能处理多维度和非结构化问题提供创造性解法伦理问题作为受控工具几乎没有伦理问题引发自主性和控制问题的伦理讨论落到实操上慢思考模型在输出阶段会产生大量中间推理 token同一个问题消耗可能是快模型的几倍甚至十几倍。我一般的做法是给推理类请求单独开一条通道设三样东西单次输出上限、超时时间、以及一个明确的降级策略——超时或超预算就切到快模型先给个可用版本。批处理任务比如几千条评论的情感打标尤其要注意这种活儿本来就不需要推理链用慢模型纯属浪费。有人会问那是不是慢模型就只能在数学题上用不是。复杂业务决策、多约束条件下的方案比较、带歧义的需求拆解这些都属于“逻辑密度高”的任务慢模型确实更容易给出能落地的东西。判断标准不是任务看起来难不难而是它需不需要多步推理且步骤之间有依赖。2.3 选型决策拿任务类型去对别拿模型热度去对讲稿里给了一条关键原则优先根据任务类型而非模型热度选择模型。我把常见任务整理成了一张可以直接贴到团队文档里的对照表任务建议模型理由数学推导、公式证明推理模型需要严格逻辑链中途断一步就全错代码生成与调试推理模型要考虑边界条件和执行路径复杂业务决策多方案比较推理模型需要权衡多个约束并给出依据创意写作、诗歌、slogan通用模型发散性任务逻辑链反而限制发挥多轮客服对话通用模型响应速度优先上下文连贯即可长文摘要、翻译本地化通用模型可加结构化提示语言任务为主推理链收益低结构化抽取表格、清单通用模型 格式约束关键是输出格式稳定这张表不是铁律但它能挡掉 80% 的选型错误。真正难的是混合任务——比如“分析这份销售数据并给出三条可执行建议”前半段是分析偏推理后半段是表达偏通用。处理方式是拆成两段调用而不是指望一个模型一次做完。2.4 同一个问题两种问法一次直接对照这块最容易讲糊涂直接上对照。以“证明勾股定理”为例# 问法 A对推理模型简洁直接 证明勾股定理。 # 问法 B对推理模型强行拆解步骤 先画一个直角三角形设两条直角边为 a 和 b斜边为 c 然后写出面积关系式再展开化简最后得到 a²b²c²。A 会让模型自己生成结构化的推理链中间步骤是它内化的逻辑B 看起来“更详细”实际上是把模型的推理路径锁死在我预设的框架里一旦我预设的那条路不是最优路径输出质量就掉下来了。这是很多人踩过的坑以为给得越细越好结果对推理模型是负优化。换成通用模型情况完全反过来# 对通用模型必须显式补步骤 请分三步推导勾股定理 1. 画一个直角三角形标注直角边 a、b 和斜边 c 2. 用面积法写出等式大正方形 四个三角形 中间小正方形 3. 化简等式得出 a² b² c²并说明每一步的依据。这里的参数不是“写给模型看的”是“写给我自己检查用的”分几步、每步产出什么、最后要什么格式。通用模型不会自己补这些你不写它就跳过关键逻辑而且跳得毫无提示。3. 提示语工程从“下达指令”到“表达需求”的三级跳3.1 提示语PromptEngineering的本质是三个部件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。它可以是一个简单的问题、一段详细的指令也可以是一个复杂的任务描述。讲稿把它拆成三个基本部件这个拆法我认为是对的部件作用示例指令Instruction明确告诉 AI 要执行什么任务“将以下内容翻译为法语”上下文Context提供背景信息帮助准确理解任务“假设你是一位 19 世纪的历史学家评论拿破仑的崛起”期望Expectation明确或隐含表达对输出的要求和预期“为一篇关于气候变化的文章写一个引言长度 200 字”除了这三个部件讲稿还给了五种功能定位沟通桥梁连接人类意图和 AI 理解、上下文提供者、任务定义器、输出塑造器、AI 能力引导器。这五个定位听起来抽象实操中很实用——当你写出来的提示语效果不好时可以逐个对照是任务没说清任务定义器失效还是输出形态没约束输出塑造器失效还是根本没让模型调用它擅长的能力能力引导器失效。我自己的经验是输出塑造器最容易被漏掉。绝大多数人写提示语只写到“帮我分析一下这份数据”没写“输出成三列表格第一列是结论第二列是依据第三列是置信度”。结果模型给你一大段散文你还得自己整理。3.2 六类提示语与它们各自的失效边界讲稿列了六种提示语类型每一类都有它擅长的地方也都有明确的失效场景类型做法典型失效指令型直接告诉 AI 需要执行的任务任务本身有歧义时模型只能猜问答型向 AI 提问期望得到答案开放式问题容易得到泛泛而谈的回答角色扮演型要求 AI 扮演特定角色模拟特定场景对推理模型可能干扰其逻辑主线创意型引导 AI 进行创意写作或内容生成约束不足时输出发散、不可用分析型要求 AI 对给定信息进行分析和推理没给分析框架时容易停在表层多模态型结合文本、图像等多种形式的输入图像信息密度低时模型会自行脑补角色扮演这一条值得单独拎出来说。它在通用模型上是利器——“假设你是一位有十年经验的运维工程师审查下面这份部署方案”——但在推理模型上角色设定可能把模型从“解题者”变成“表演者”输出的逻辑严谨度反而下降。这是两类模型提示语策略分叉的一个典型表现。3.3 提示语策略的分叉推理模型要少说通用模型要补课讲稿给了一张策略差异表我把它翻译成操作口径推理模型通用模型提示语长度更简洁只明确任务目标和需求需显式引导推理步骤是否分步指导无需逐步指导模型自动生成结构化推理过程依赖提示语补偿能力短板强行拆解的后果可能限制模型能力不拆就会跳过关键逻辑对应三条关键原则模型选择优先看任务类型提示语设计上推理模型简洁指令、聚焦目标、信任其内化能力也就是“要什么直接说”通用模型结构化、补偿性引导也就是“缺什么补什么”。要避免的误区有两条都是血泪经验。第一条不要对推理模型使用启发式提示比如角色扮演、“你觉得为什么”这类引导可能干扰它的逻辑主线。第二条不要对通用模型过度信任直接抛复杂推理问题它答得流畅但未必对必须分步验证结果。3.4 三套可以直接抄的模式讲稿给了三种策略模式我把示例改成了更贴近日常工作的版本可以直接拿去用# 模式一指令驱动简单任务、需快速执行 用 Python 编写快速排序函数输出需包含注释 并说明时间复杂度和最坏情况。 # 模式二需求导向复杂问题、需模型自主推理 我需要优化用户登录流程请分析当前瓶颈并提出 3 种方案 每种方案需给出改造成本和风险点。 # 模式三混合模式兼顾目标与细节约束 设计一个三日出差行程包含客户拜访和技术交流 且总预算控制在 3000 元以内。三者的差别在约束的位置。指令驱动把约束放在“输出格式”上过程完全交给模型需求导向只给背景和目标路径由模型规划适合推理模型混合模式既给目标又给关键约束是通用模型上最稳的一种写法。风险也写在对应位置指令驱动限制模型自主优化空间需求导向需要清晰定义需求边界否则容易跑偏混合模式则要防止约束过度导致输出僵硬。参数怎么调我的习惯是给每次调用留三个可调项约束数量一般 2 到 4 条超过 5 条模型容易顾此失彼、输出长度上限明确写“不超过 N 字”比事后裁剪省事、以及格式要求表格、列表还是分段越具体越好。4. 五类需求表达公式把“帮我写个方案”拆成可执行输入4.1 决策需求与分析需求评估标准必须写进去决策需求的特点是需要在多个选项之间权衡评估风险选出最优解。公式是“目标 选项 评估标准”对推理模型的适配策略是要求逻辑推演和量化分析对通用模型则是直接建议、依赖其经验归纳。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 计算过程需列出每年的成本构成。这段提示语里最关键的不是两个方案是“ROI 计算模型”和“5 年”这两个约束。没有它们模型给你的就是“各有优劣建议结合实际情况”这种正确但没用的话。我见过太多人抱怨模型回答空泛其实问题在于自己没给评估标准。分析需求的公式是“问题 数据/信息 分析方法”适配策略是触发因果链推导和假设验证。分析近三年新能源汽车销量数据见附件 CSV说明 ① 增长趋势与政策的关联性 ② 预测下一年的市占率需使用 ARIMA 模型并解释参数选择依据。这里“ARIMA 模型”就是分析方法约束。你不指定方法模型可能用线性回归糊过去指定了方法它会解释参数你才有得验。4.2 创造性需求约束创新方向别约束过程创造性需求的特点是生成新颖内容公式是“主题 风格/约束 创新方向”。推理模型适配策略是结合逻辑框架生成结构化创意通用模型则是自由发散、依赖示例引导。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。注意这里的三条要求全部是“方向性约束”没有一条规定“先做什么再做什么”。这就是创造类需求的关键约束边界放开路径。反过来如果你的提示语写成“第一步调研市场第二步设计功能第三步画草图”出来的东西大概率是一份模板化的方案因为路径被锁死了。顺带说一句纯发散任务写诗、起名、编故事我基本都放通用模型上跑。推理模型在这类任务上会不自觉地追求“合理”而好的创意往往来自不合理。4.3 验证需求让模型自己设计验证路径验证需求的公式是“结论/方案 验证方法 风险点”这一类比前面几类更容易被写废。大多数人的写法是“你看这个对不对”模型顺着你说“基本正确建议补充细节”等于没验。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。三条验证要求每一条都指向一个具体的可执行动作。模型没法含糊过去因为“重新计算 p 值”这个动作要么做了要么没做你一眼看得出来。这是验证类提示语的通用技巧把“评价”换成“执行一个能暴露问题的动作”。对推理模型的适配策略是让它自主设计验证路径并排查矛盾对通用模型则要给具体方法否则它只会做表层确认。4.4 执行需求步骤约束和输出格式必须显式执行需求的公式是“任务 步骤约束 输出格式”特点是严格按指令执行、不需要模型自主优化。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。三条约束分别对应语义等价、性能等价和可验证性。这类需求最忌讳“你自己看着办”因为执行类任务的价值就在于确定性。参数上我一般会额外加一条“如果某条要求无法满足单独列出来并说明原因”防止模型为了满足格式而硬编。4.5 任务类型与提示语侧重点一张对照表收口任务类型适用模型提示语侧重点有效提示示例要避免的写法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“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“按时间顺序列出”创意写作通用模型明确约束目标避免自由发挥“写一个包含‘量子’和‘沙漠’的短篇不超过 200 字”开放式指令“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“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“先解释原理再写代码并测试示例”模糊需求“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“分三点回答”多轮对话推理模型明确对话目标避免开放发散“从技术、伦理、经济三方面分析 AI 的未来”情感化提问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”添加主观引导逻辑分析通用模型需拆分问题逐步追问“先解释定义再对比两种伦理观的差异”一次性提问复杂逻辑这张表用久了会发现一个规律模型越强提示语越短模型越通用提示语越像一份需求文档。很多人把这件事搞反了对强模型写长篇大论对通用模型一句话打发然后抱怨“模型不行”。5. 避坑与排查五个反复翻车的提示语现场5.1 对推理模型套角色扮演输出反而变浅现象给推理模型加了一句“你是一位资深架构师请审查这份设计”结果它给了一段泛泛的架构评价具体到代码层面的问题一个没提。把角色设定去掉、直接问“这份设计在高并发写入场景下有哪些风险点”回答立刻变具体。原因角色扮演会把模型的输出重心从“解题”拉到“表演一个资深架构师会怎么说话”逻辑链被打断剩下的就是话术。推理模型的内化推理过程对提示语的“纯净度”很敏感。解决推理模型上删掉所有角色设定和情感化引导只保留任务目标和约束条件。确实需要角色视角的放到通用模型上跑或者把角色信息改写进上下文“以下是某电商系统的订单模块设计日均写入 200 万次”而不是写成身份指令。5.2 对通用模型直接抛复杂推理题答案看着对其实错现象问一道多步概率题通用模型给了完整解答格式漂亮结论也像个答案。但把中间步骤逐步核对第二步就用错了条件概率公式。原因通用模型缺乏推理模型那样的复杂推理和决策能力它靠语言规律补全“看起来像解题过程”的文本流畅度和正确性在这里是解耦的。解决两步走。第一步能换推理模型就换第二步换不了就在提示语里显式要求分步并每步给依据同时对关键结论做反向验证——追问“如果某个条件不成立结论会怎么变”看它能否自洽地推下去。答不上来的多半是编的。5.3 需求边界没写输出“全面但没用”现象让模型“分析一下用户流失原因”回来的是一份五千字的行业综述从宏观环境讲到竞品动态就是没有一条能落到自己产品上。原因需求表达只给了主题没给边界。模型无法判断你要的是行业视角还是产品视角、要几条、要多深只能按最安全的方式铺开写。解决补齐三样东西——数据范围“基于附件中近 90 天的用户行为表”、输出粒度“列出 5 条每条不超过 60 字”、判断标准“按影响用户数排序”。这三样齐了输出长度通常会缩到原来的三分之一可用率翻几倍。5.4 文件上传后不问定位摘要丢关键数据现象把一份几十页的报告传上去做摘要模型给了一段流畅的概述但你要的几个核心数字全没了。原因长文档摘要属于典型的“压缩”任务模型会优先保留叙事主线数字和表格这类非叙事信息在压缩过程中最先被牺牲。解决摘要类请求要显式指定保留项。我的固定写法是“摘要需保留所有金额数字、所有时间节点、所有责任主体其余内容可压缩到 300 字内”再追加一句“如某项信息原文未提及写‘未提及’不要推测”。最后这句很重要它把模型编数字的路堵住了。5.5 验证需求写成“你看对不对”模型只会顺着你说现象把自己写的方案丢给模型问“这个方案有问题吗”回答是“方案整体思路清晰建议在细节上进一步完善”等于没提意见。原因开放式肯定型提问会触发模型的顺从倾向尤其当输入本身带有明显的立场和完成度时模型倾向于给出低冲突的回应。解决把验证改成对抗式。不要问“有没有问题”而是指定攻击角度“请从成本、合规、可维护性三个角度分别指出这个方案最可能被否决的一条理由每条给出反例场景。”指定角度和数量之后模型就没法用套话糊弄。6. 交付前的一次卡点用对抗式复问把输出按住前面几章讲的都是“怎么问”最后说一个我每次交付前都会走的动作对抗式复问。做法很简单拿到第一版输出后不要直接改先切一个新会话把输出原样贴进去附上三条固定的追问。以下是一份 AI 生成的方案请做三件事 1. 找出其中三条最可能站不住的论断并说明缺什么证据 2. 假设你是评审方写出你最想追问的一个问题 3. 指出文中哪些数字或结论是看起来合理但无法溯源的。这三问的价值在于切断上下文依赖。同一个会话里追问模型会顺着前面的立场走换一个干净会话重新输入它才更像个外部评审。第 1 条查的是逻辑漏洞第 2 条查的是说服力缺口第 3 条专治 AIGC 内容里最常见的那种“数字很具体但查无出处”的毛病。配合这个动作我还有一个三行自检表放在交付清单里逐条打勾检查项判断标准不通过怎么办模型选对了吗任务是逻辑密集型还是发散型逻辑密集换推理模型发散型换通用模型边界写清了吗数据范围、输出粒度、判断标准三样齐不齐缺哪样补哪样别指望模型猜结论可溯源吗每个关键数字能否指回原始材料指不回去的一律删掉或标注“待核”这套流程听起来繁琐但真跑几次就成肌肉记忆了。我最早做 AIGC 内容交付的时候图省事跳过验证结果一份对外材料里三个数据全错被业务方当场问住那次之后我把这三问写进了模板不走完不发。模型能力再强也只是把“生成”这一步的成本压到了接近零判断和兜底还是得自己来。希望帮到你。本文还有配套的精品资源点击获取