简介这份由清华大学新闻与传播学院新媒体研究中心团队整理的 PDF 文档面向希望系统理解 DeepSeek 与国产大模型应用的初学者、开发者、内容创作者和技术管理者帮助厘清模型能力边界、适用任务与提示语设计方法。资料围绕 DeepSeek-R1 的开源推理特性讲解智能对话、文本生成、语义理解、计算推理、代码生成与文件读取等场景并重点对比推理模型与通用模型在优势领域、性能本质、决策方式和创造力上的差异延伸到链式思维、快思慢想及任务需求与提示语策略匹配。压缩包内共 1 个 PDF 文件约 4.8MB便于集中阅读和检索。已有 2431 人学习下载适合用来建立从模型选择、提示语撰写到常见误区规避的入门框架也可作为团队培训与技术选型时的参考材料。1. 一份讲 DeepSeek 的 PDF为什么值得占掉一个下午很多人手机里躺着 DeepSeek 的账号每天也问几句但输出质量忽高忽低说不清问题出在哪。这份《DeepSeek从入门到精通》出自某高校新媒体研究团队的内部讲义把“DeepSeek 是什么、能做什么、怎么用”拆成三层模型能力边界、提示语策略、需求表达方式。它不教部署也不讲 API 调用真正有价值的是把“同一个问题换个问法结果差一倍”这件事落成了可以照抄的规则表。适合已经在日常工作中用对话模型、但还没形成自己方法论的人。2. 推理模型与通用模型R1 和对话模型的分工线画在哪绝大多数人用不好 DeepSeek根源不在提示语写得丑而在第一步就选错了模型。把需要严格逻辑链的任务丢给通用模型它会跳过关键推导直接给结论把创意发散的活交给推理模型它会把一首诗写成工程说明书。这份材料把两类模型的差异讲得比较透值得先花时间把这条线画清楚后面所有提示语技巧都建立在这条线上。2.1 快思慢想差别不在参数量在愿不愿意在答案前花 token通用模型走的是概率预测路线本质是给定上下文预测下一个最可能的词训练目标是拟合语言的分布所以响应快、算力成本低擅长文本生成、创意写作、多轮对话这类多样性高的任务。推理模型走的是链式推理路线在给出最终答案之前先生成一段较长的中间推导把“怎么想”本身当作可优化的对象用强化学习一类手段去打磨这条推理链因此在数学推导、逻辑分析、代码生成、复杂问题拆解上明显更强。这里有个容易误解的点推理模型不是“更聪明的通用模型”而是“训练目标不同的专用模型”。它在自己训练目标覆盖的领域显著领先在发散性任务上反而可能吃亏。反过来通用模型在开放场景更灵活但碰上需要严格逻辑链的数学证明就得靠提示语把步骤补回去。材料里用“快思慢想”概括这对关系我认为比“强弱”这种说法准确得多——快模型负责即时反馈和结构明确的问题慢模型负责需要逐步推演的问题。维度推理模型如 R1通用对话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、头脑风暴严格逻辑链任务如数学证明、多步核算性能本质专精于逻辑密度高的任务擅长多样性高的任务成本特征慢速思考输出里带推导token 消耗高快速反应token 消耗低提示语侧重简洁明确目标即可结构化缺什么补什么这张表建议直接截图存下来接到任务先对一眼。我自己的经验是凡是最终答案能被验证对错的算出一个数、跑通一段代码、证明一个命题优先推理模型凡是最终答案只有好坏没有对错的文案、命名、方案脑暴优先通用模型。2.2 任务分流把“选哪个模型”变成一张可查的表光知道原理不够落到日常得有判断动作。材料给的原则是“优先根据任务类型而非模型热度选择”这句话看着平淡实际能省下大量返工。下面是按常见工作场景整理的分流表判断依据一栏是关键——它决定了你在结果不对时该换模型还是改提示语。任务类型推荐模型判断依据提示语侧重数学证明、公式推导推理模型答案唯一可验证需要完整逻辑链直接抛出问题不拆步骤代码生成与调试推理模型结果可运行验证错误可定位给清输入输出和边界条件长文档结构化摘要通用模型侧重信息压缩与重排不追求推导明确输出结构、字数、字段营销文案、社媒内容通用模型好坏主观需要多样性给风格锚点和禁忌词多轮客服话术设计通用模型依赖上下文连贯与语气给角色、场景、对话轮次数据分析结论核验推理模型需要排查矛盾、复算关键指标附数据要求说明验证路径跨语言翻译与本地化通用模型侧重语言自然度给目标读者和语域分流的核心不是“谁更强”而是“这个任务的失败模式是什么”。逻辑任务的失败模式是“步骤跳步导致结论错”所以要推理模型创意任务的失败模式是“千篇一律”所以要通用模型的多样性。搞清失败模式选型就不会摇摆。2.3 用一次小实测把边界摸出来别人的分流表只能当起点自己业务里的边界要靠实测。我的做法是固定三个任务两类模型各跑一遍记录四个观察点。三个任务分别覆盖一个可验证的数值/逻辑任务比如让它核算一段带条件的成本、一个纯创意任务比如给同一个产品写五条不同风格的短文案、一个半结构化的代码任务比如把一段脚本改写成带异常处理的版本。四个观察点是答案是否可验证、输出里是否自带推导、你需要改几轮才能用、单次响应耗时。观察项推理模型表现通用模型表现结论指向答案可验证性通常可复算需人工核对高是否自带推导有且较长一般没有排查错误时省事改稿轮次少但一次输出长多但单次快看你的时间成本响应耗时明显更长快高频场景要权衡跑完这一轮你会得到一张只属于自己的对照表。我一般会把结论写成一句话贴在笔记顶部比如“凡是带金额核算的需求一律走推理模型凡是写标题一律走通用模型”避免每次重新纠结。提示实测时不要换提示语两类模型用同一句话跑否则测出来的是提示语差异不是模型差异。3. 提示语的双轨写法同一件事两种模型要两套说法画完模型分工线第二个高频翻车点就来了很多人一套提示语模板用到底对推理模型和对通用模型说一样的话。材料里明确写了两类模型的提示语策略是相反的——对推理模型要“要什么直接说”对通用模型要“缺什么补什么”。这一章把双轨写法拆开讲顺便回答那个老问题模型越来越强还要不要学提示语。3.1 提示语的三段结构指令、上下文、期望不管写给哪类模型一条合格的提示语都包含三块。指令是核心明确告诉模型执行什么任务上下文提供背景让它理解边界和前提期望则明确输出要求包括格式、长度、语气、是否要给出依据。材料把提示语的角色拆成三个沟通桥梁把人类意图翻译成模型能懂的表述、任务定义器明确要完成什么、输出塑造器影响输出的形式和内容。组成作用写法要点常见错误指令定义任务动词开头一件事一条一句话塞三个任务上下文限定边界给对象、场景、已有条件只给结论不给背景期望塑造输出格式、长度、语气、依据全凭模型自由发挥三段结构是最小可用集。我自己的习惯是先写指令写完检查一遍“这句话里有没有两个动词”有就拆开再补上下文重点补那些“我以为是常识但模型不知道”的信息最后写期望把输出格式当成接口来约定。3.2 对推理模型要什么直接说别替它安排思路推理模型已经把推理逻辑内化了它会在内部自动展开推导。这时候你再写“请一步步思考”“先分析再总结”反而可能干扰它的逻辑主线让它去演一个“思考的样子”输出变长却不一定更准。材料里的原话是“推理模型提示语更简洁只需明确任务目标和需求因其已内化推理逻辑无需逐步指导模型自动生成结构化推理过程”。反例和正例对照会直观很多场景容易翻车的写法更稳的写法数学证明“你是一位数学老师请一步一步引导我证明勾股定理先画图再列公式……”“证明勾股定理。”代码生成“先解释快排原理再写递归函数再写分区函数最后测试……”“用 Python 实现快速排序带注释附一个测试用例。”逻辑分析“请你扮演伦理学家分三点回答电车难题……”“分析电车难题中功利主义与义务论的冲突。”规律很清楚推理模型缺的不是方法是清晰的目标。你越替它规划路径它越容易在你划的框里打转。要注意的是“简洁”不等于“含糊”输入输出的边界、数据的口径、代码的运行环境这些该给的还得给只是不给推理步骤。3.3 对通用模型缺什么补什么把步骤显式写出来通用模型的短板正好相反它不会自动展开严格推理遇到复杂问题容易跳过关键环节直接给结论。所以提示语要做的是补偿性引导——显式要求分步思考提供示例把输入输出格式定死。材料里给的说法是“依赖提示语补偿能力短板如要求分步思考、提供示例”。具体动作有三个。第一把复杂问题拆成有序的子问题要求按顺序回答第二给一个输入输出样例让它照格式填第三明确要求“先列假设再给结论最后说明结论成立的条件”。这三招在文案类、摘要类、多轮对话类任务里都稳。补偿动作适用场景写法示例显式分步多步计算、流程梳理“请分三步完成先列已知条件再逐步推导最后给结论。”给样例格式固定、字段明确的输出“参考这个格式输出字段名取值依据。”要求自检结论型输出“给结论后检查一遍是否与前面的假设矛盾。”这里有个边界要提醒补偿性引导加得太多会把通用模型逼成一台填空题机器创意类任务反而会僵。所以补偿只针对“结构性缺失”不针对“创意空间”。3.4 六类提示语知道什么时候用哪一种材料把提示语分成六类实际用起来这六类不是并列选项而是对应不同的任务形态。类型本质典型场景注意点指令型直接下达任务翻译、改写、格式转换一件事一条别叠加问答型提问求答案查概念、要解释问题要闭合避免“聊聊”角色扮演型设定视角模拟评审、模拟用户推理模型慎用易干扰逻辑创意型引导生成文案、故事、命名给约束但留空间分析型要求推理归因、对比、核验附材料要求给依据多模态型图文混合输入读图、读表、读扫描件明确让模型读哪一部分关于“还要不要学提示语”这个问题材料的态度很清楚要学但重心变了。过去学的是措辞技巧现在学的是需求定义——把模糊的“帮我写个好点的方案”变成“目标、约束、评估标准”三件套。模型越强措辞的重要性越低需求清晰度的重要性越高。这个判断我认同后面一章基本就是围绕“怎么把需求说清楚”展开。4. 需求表达的五个类型从“下指令”换成“提需求”的具体改法提示语写得再工整如果需求本身是模糊的输出一定是飘的。材料里最有实操价值的部分是把日常需求归成五类决策、分析、创造性、验证、执行。每一类都有对应的表达公式和适配策略而且推理模型和通用模型的适配方式不一样。这一章把五类逐一拆开每类给公式、给正例、给反例。4.1 决策需求与分析需求把评估标准和数据一起递过去决策需求的公式是“目标 选项 评估标准”。缺任何一块模型就只能给你一段正确的废话。它的特点是需要权衡、评估风险、选出最优解所以推理模型在这里更合适——它能把每个选项的成本收益摊开算。通用模型的策略是直接给建议依赖经验归纳适合你只想听个倾向性意见的时候。要素写法反例目标明确要优化什么指标“帮我看看哪个方案好”选项列出候选方案及已知条件只给一个方案就问好不好评估标准给出计算口径或权重“综合考虑一下”一个可以直接抄的写法是“为降低仓储成本现有两种方案一是自建区域仓初期投入高、长期单件成本低二是与第三方合作按需付费、灵活性高。请按五年总成本口径对比列出各自的盈亏平衡点并给出推荐及理由。”这里“五年总成本口径”就是评估标准模型有了它才不会各说各话。分析需求的公式是“问题 数据/信息 分析方法”。它的目标是发现模式或因果关系需要深度理解材料所以要附上原始数据并要求模型说明分析路径。推理模型的适配策略是触发因果链推导和假设验证通用模型则容易停在表层总结。我的习惯是明确写“先描述现象再给可能的因果解释最后说明哪些结论需要补充数据才能确认”这三段能有效压住模型的过度归纳。4.2 创造性需求与验证需求约束边界而不是约束过程创造性需求的公式是“主题 风格/约束 创新方向”。这类任务交给通用模型更合适因为它的多样性更强推理模型在这里容易把创意写成结构化的分析报告。关键是约束要落在边界上不要落在过程上——你可以规定读者、语域、字数、禁用词但不要规定“第一段写什么、第二段写什么”。约束类型建议给不建议给受众目标读者画像每句话的逻辑顺序风格参考风格、语域具体的句式模板边界字数、禁用词、合规要求段落内部的展开路径验证需求的公式是“结论/方案 验证方法 风险点”。这类任务最容易被忽略很多人拿到一个结论就直接用了没让它自证。正确做法是要求模型自己设计验证路径并排查矛盾比如给一段结论让它检查数据是否支持、对照组是否有偏差、关键指标是否需要复算。这类任务推理模型优势明显因为它愿意把验证过程展开。4.3 执行需求把输出格式当成接口来写执行需求的公式是“任务 步骤约束 输出格式”。它的特点是要求严格按指令执行、不需要模型自主发挥典型场景是格式转换、批量改写、代码翻译。这类需求最忌讳“你看着办”因为执行类任务一旦自由发挥结果就没法批量使用。写法上我一般把输出格式写成类似接口约定的形式字段有哪些、顺序如何、空值怎么表示、单位是什么、要不要表头。比如把一段 C 代码转成 Python除了语言要求还要约定“保持时间复杂度不变、用 numpy 优化数组操作、附一个带耗时对比的测试用例”。这三条一给输出就基本能直接用。执行类需求必须写清写不清的后果格式转换输入格式、输出格式、字段映射字段错位需要手工重排批量改写改写规则、保留项、替换项原文关键信息被改掉代码翻译语言版本、依赖限制、性能要求跑不起来或性能退化文档生成章节结构、术语口径、长度结构散、术语不统一五类需求不是互斥的一个真实任务往往是“分析 决策”或者“验证 执行”的组合。处理办法是拆开写先用分析需求拿到结论再用决策需求做选择最后用执行需求落成具体产物。一条提示语里塞两种需求模型通常只会认真执行后半段。5. 避坑五类翻车现场与排查顺序前面几章讲的是怎么用对这一章讲的是用错了长什么样。下面五条是我在实际使用和整理这份材料过程中反复遇到的每条按“现象—原因—解决”写建议对照自己的使用习惯过一遍。第一条对推理模型写“请一步步思考”输出变长但准确率没升。现象是回答里出现了大量“首先、其次、最后”的套话推导看着完整关键步骤却是空的。原因是推理模型本身已经在内部展开推理外部再要求它表演思考过程等于让它把算力花在组织语言上而不是解题上材料里把这个叫“干扰其逻辑主线”。解决办法是把提示语砍到只剩任务目标和必要约束把“怎么想”交还给模型如果确实需要看到推导改成“给出结论并附关键步骤”而不是“请一步一步思考”。第二条拿通用模型直接问复杂计算答案看着合理但数字是编的。现象是它给出一段流畅的推导中间某个环节的数突然对不上你回头验算发现它压根没算。原因是通用模型侧重语言生成不强调深度推理遇到多步计算容易跳步用语言合理性替代数值正确性。解决办法有两个方向换推理模型或者在通用模型上做补偿性引导——要求分步、给出计算口径、要求每一步标注数据来源最后加一句“如某步缺少数据请明确说明不要假设”。第三条一条提示语里塞了互相冲突的约束输出两头不靠。现象是你要求“专业严谨”又要求“通俗易懂”要求“控制在 200 字”又要求“覆盖五个方面”结果模型挑了几个做其余忽略。原因是约束之间本身存在张力模型不会告诉你它做了取舍只会静默降级。解决办法是先给约束排优先级明确写“优先保证哪一条其余可放宽”或者拆成两轮第一轮出全量内容第二轮做压缩和改写。第四条把“分析”当“执行”提模型只能靠猜。现象是你说“分析一下这份销售数据的问题”它给了一堆放之四海皆准的建议。原因是你没给数据也没给分析口径模型只能用通用常识填空。解决办法是按分析需求的公式补齐“问题 数据 分析方法”把原始数据或关键指标附上明确要求“结论必须能追溯到具体数据行”如果数据敏感不能全给就给统计口径和几个典型样本。第五条长文档直接整篇丢进去要摘要细节全丢。现象是摘要里出现原文没有的表述或者把关键数字记错。原因是长上下文里信息密度不均模型在压缩时容易把低频但关键的细节过滤掉也可能把相近表述合并。解决办法是分段处理先按章节切块每块单独摘要并要求“保留原文数字和专有名词”再做二次汇总汇总时要求“只使用各段摘要中出现过的信息不要补充”。排查顺序我一般按这个走先看模型选对没有再看需求类型说清没有然后看约束有没有冲突最后才怀疑提示语措辞。绝大多数翻车发生在前三步措辞问题反而是最少见的。注意模型给出“不确定”“建议核实”这类表述时不要当成废话删掉那往往是它唯一一次主动暴露风险。6. 固化成一页检查表提示语上线前的三问复核与模板库维护零散技巧记不住能落地的只有检查表。我把这份材料里的规则压成一页每次写重要提示语前过一遍三问足够拦住大部分问题。第一问这个任务该用哪类模型失败模式是逻辑错还是太单调第二问我写的是指令还是需求目标、约束、评估标准齐了没有第三问输出格式约定清楚没有字段、长度、依据要求有没有写配套的动作是建一个小模板库。按五类需求各存两三个跑通过的模板每个模板只改参数不改结构用的时候复制、替换、跑一轮、看结果。模板库要定期清理把连续两次输出不达标的删掉——模型在迭代旧模板会过期留着只会误导自己。复核项检查内容不通过的典型信号模型匹配任务失败模式与模型优势是否对齐逻辑任务用了通用模型还反复改需求完整目标、约束、评估标准三件套输出正确但没用因为没定评估口径格式约定字段、顺序、单位、空值规则每次都要手工重排格式依据要求是否要求给数据来源或验证路径结论无法追溯只能整体重跑验证方法上我习惯用“三个反例”来检验一条提示语是否稳定换一个相近的输入跑一遍、故意给一个边界值跑一遍、把一个约束去掉跑一遍。三次里如果有两次输出结构崩了说明提示语依赖了某条隐含假设得把假设写进上下文。这套动作比反复调措辞有效得多因为它检验的是需求的完整性不是语言的花哨程度。还有一个容易被忽略的技巧把每次跑得好的提示语连同当时的输入输出存一份标注日期和模型名。过上两个月回头看你能清楚看到哪些规则是稳定的哪些只是当时模型的偏好。这个习惯帮我省掉了大量重复试错——有段时间我总觉得自己写的提示语“时灵时不灵”翻记录才发现灵的那几次都是需求写得完整不灵的那几次都是在靠措辞碰运气。从那以后我每次提需求前都强制走一遍三问复核宁可多花两分钟把评估标准写清楚也不愿意在返工上耗半小时。这份 PDF 我按章节拆成了笔记配上自己整理的对照表和模板需要的话可以直接取来对着改希望帮到你。本文还有配套的精品资源点击获取