DeepSeek模型选型与提示语设计实战指南

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科研人员、开发者及希望借助大模型提升效率的技术爱好者系统梳理DeepSeek的能力边界与使用方法。内容从DeepSeek是什么、能做什么、如何使用切入延伸至推理模型与通用模型的差异、快思慢想与CoT链式思维、提示语设计原则及任务分解策略并结合文本生成、语义分析、知识推理、代码生成等场景说明实践路径。包内共1个PDF文件约5.37MB适合按章节通读或按主题查阅。已有584人学习可作为自然语言处理、AIGC应用与提示语设计的入门到进阶参考。读者可从中获得模型选型思路、提示语编写框架、复杂任务拆解方法和常见误区提醒进而把DeepSeek用于写作、分析、编程与知识推理等实际工作。1. 一份把 DeepSeek 讲透的 PDF从模型选型到提示语设计到底解决什么问题很多人第一次打开 DeepSeek 的对话框输入一句“帮我写个方案”得到一段四平八稳的套话然后得出结论这东西也就那样。问题不在模型在于把推理模型当搜索引擎用、把通用模型当计算器用。这份《DeepSeek 从入门到精通》PDF 的价值恰好卡在这个断点上——它不讲参数规模、不讲训练集群而是把“推理模型与非推理模型的差异”“提示语结构”“五类需求表达公式”拆成可以直接照抄的表格和示例。对日常写文案、做分析、写代码的从业者来说这是一份能当天落地的操作手册对刚接触大模型的新手它是避免走弯路的路线图。下面按我拆读的实际顺序把里面的模型分类、提示语结构、需求表达公式和常见翻车点逐条讲清楚。2. 先分清推理模型与通用模型选错模型提示语写再好也白费这份 PDF 最先立住的不是提示语技巧而是一个更前置的判断你手上这个任务究竟该交给哪一类模型。很多人的用法是打开一个对话窗口从写诗到算数学题全丢进去结果自然时好时坏还以为是“玄学”。文档把大模型分成推理模型和通用模型两类并明确给出各自的优势领域、劣势领域和提示语策略差异这套划分是整个方法论的地基。2.1 两类模型的性能本质专精逻辑密度还是擅长多样性按文档的定义推理大模型是在传统大语言模型基础上强化推理、逻辑分析和决策能力的模型通常叠加强化学习、神经符号推理、元学习等技术来增强问题求解能力代表是 DeepSeek-R1 这类开源推理模型非推理的通用大模型侧重语言生成、上下文理解和自然语言处理通过对大量文本数据的训练掌握语言规律代表是 BERT 这类以语言理解、文本分类、翻译为主的模型。这个区别落到实际使用上就是一句话推理模型专精逻辑密度高的任务通用模型擅长多样性高的任务。文档给出的强弱判断很克制——推理模型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模型在通用场景更灵活但专项任务需要靠提示语补偿能力短板。这句话是整个 PDF 里最值得抄下来贴墙上的判断因为它直接否定了“新模型一定更好用”的直觉。再往下文档引入了 CoT 链式思维带来的二分法“概率预测快速反应”模型和“链式推理慢速思考”模型。前者基于大量数据训练快速预测可能的答案响应快、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与优化后者基于链式思维逐步推理问题的每个步骤来得到答案算力成本高能自主分析情况实时决策也更容易理解复杂情感与意图。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逻辑密度高的任务擅长多样性高的任务典型代表DeepSeek-R1 等开源推理模型BERT 等语言理解类模型算力成本慢速思考成本高快速反应成本低这张表在实际排期里非常好用。我一般的做法是先把待办任务按“要不要一条严格逻辑链”分两堆需要严格链条的算成本、推因果、查代码 bug走推理模型需要发散或润色的起标题、写开场、多轮改稿走通用模型。这个动作只需要几十秒却能省掉后面反复重问的时间。2.2 提示语策略差异一个要“直接说”一个要“缺什么补什么”分完模型第二个动作是改提示语写法。文档在这块给的原则非常明确推理模型的提示语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——若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依赖提示语来补偿能力短板。文档把这条原则压缩成两条口诀推理模型“要什么直接说”通用模型“缺什么补什么”。同时点了两个高频误区不要对推理模型使用启发式提示比如角色扮演可能干扰它的逻辑主线不要对通用模型过度信任比如直接问复杂推理问题需要分步验证结果。一个能直接抄的做法是给同一道数学题写两版提示语# 版本 A投给推理模型简洁只给目标 证明勾股定理。 # 版本 B投给通用模型补步骤 给示例 请分三步推导勾股定理参考格式 1. 画出直角三角形并标注三边 2. 写出两条直角边平方与斜边平方的关系式 3. 给出结论并说明适用条件。两版提示语的差别不在“哪个写得更认真”而在信息分工推理模型不需要你告诉它怎么想你只需要把目标说干净通用模型不知道该怎么想你得把路径铺出来。参数上的调整同理——给推理模型加“请一步步思考”这类话基本是无效冗余给通用模型加“直接给答案”则大概率换来一个看起来完整、其实跳步的结论。还有一个容易被忽略的细节是任务类型与提示语侧重点的对应。文档给的例子很具体数学证明类任务推理模型直接提问“证明勾股定理”即可要避免冗余拆解通用模型则必须显式要求分步并给示例直接提问容易跳过关键步骤。创意写作类任务正好反过来推理模型可以鼓励发散、设定角色风格要避免过度约束逻辑比如强制按时间顺序列通用模型必须明确约束目标开放式指令容易自由发挥跑偏。代码生成类任务里推理模型给简洁需求、信任它的逻辑即可不要分步指导它“先写递归函数”通用模型则要细化步骤、明确输入输出格式模糊需求会换来一段跑不通的代码。提示判断标准不是模型新旧而是任务里“逻辑链的严格程度”。逻辑链越硬越该交给推理模型并少干预逻辑链越松、越靠风格和创意越该交给通用模型并把约束写足。3. 提示语的结构与六种类型把“对话”变成可复用的输入分完模型之后下一个要解决的是提示语本身怎么写。文档对提示语的定义很朴素用户输入给 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问题、一段详细指令也可以是一个复杂任务描述。真正有用的是它给出的三段式结构指令、上下文、期望。这三段看着简单但大部分人写提示语时只写了第一段然后就等着模型猜。3.1 指令、上下文、期望提示语的三段式骨架按文档的拆法指令Instruction是提示语的核心明确告诉 AI 你希望它执行什么任务上下文Context为 AI 提供背景信息帮助它更准确地理解和执行任务期望Expectation明确或隐含地表达你对输出的要求和预期。文档还配了一张本质特征表把提示语的功能拆成五个角色沟通桥梁连接人类意图和 AI 理解、上下文提供者为 AI 提供必要背景信息、任务定义器明确指定需要完成的任务、输出塑造器影响输出的形式和内容、能力引导器引导 AI 使用特定能力或技能。这五个角色其实就是一份自检清单。我写完一段提示语后会快速过一遍任务说清了吗任务定义器、背景给够了吗上下文提供者、格式定了吗输出塑造器、我有没有在暗示它该调用哪种能力能力引导器。哪一项空着输出就容易在那一项上出问题。举个文档里的例子对照将以下内容翻译为法语Hello, world是典型的指令型边界清楚、任务单一假设你是一位 19 世纪的历史学家评论拿破仑的崛起则同时提供了上下文和角色约束输出会明显更集中。3.2 六种提示语类型的适用边界文档把提示语分成六类每类都有明确的适用场景这个分类在团队里做规范时特别好用因为它能把“凭感觉写”变成“按类型选”。类型核心特征适用场景示例指令型直接告诉 AI 要执行的任务翻译、格式转换、单步操作将以下内容翻译为法语问答型提出一个问题期望得到对应答案信息查询、概念解释用简单的话解释某个概念角色扮演型要求 AI 扮演特定角色、模拟特定场景需要特定视角或语气的输出假设你是某领域的历史学者评论某事件创意型引导创意写作或内容生成起标题、写故事、生成方案为一篇文章写一个 200 字引言分析型要求对给定信息进行分析或推理归因、对比、风险识别分析这份数据中的异常并提出假设多模态提示语结合文本、图像等多种形式的输入图文混合任务、读图取字上传图片并要求提取图中文字这六类不是互斥的实际用起来常见的是叠加分析型加角色扮演创意型加明确的字数约束。但叠加有个前提——先想清楚主类型是哪个其余都是修饰。我在实际项目里见过最多的翻车是把创意型当分析型用让模型“分析一下这个方案好在哪”结果得到一段泛泛而谈改成分析型并给出评估维度后输出立刻具体了。文档里那句“使用你的创意写作能力创作一个关于时间旅行的短篇故事”就是典型的能力引导器写法主语明确、能力指定、体裁清楚。3.3 一个可直接套用的提示语模板把三段式结构和六种类型合起来就能拼出一个日常够用的模板。下面这版是我在文档思路基础上整理的写成了可复制的形式【任务】用一句话写清要做什么对应指令型/分析型等主类型 【背景】给模型必要的上下文对象是谁、数据从哪来、约束条件是什么 【期望】输出格式、长度、语气以及必须包含或必须避免的内容 【自检】如果不满意按下方的排查顺序调整而不是直接重开对话逻辑说明四行分别对应指令、上下文、期望和反馈闭环。第一行决定任务边界缺了它模型会自己发挥第二行决定输出质量缺了它模型只能给通用答案第三行决定可用性缺了它你得手动改格式第四行决定迭代效率缺了它每次不满就只能重写整段提示语。参数上的建议是背景部分控制在三到五句超过这个长度模型容易抓错重点期望部分如果涉及格式最好直接给一个样例比形容词管用。注意模板不是让你每次都写满四行。简单任务一行指令就够硬套模板反而增加噪声。判断标准是输出是否已经稳定满足需求稳定了就删行。4. 五类需求的表达公式把模糊念头翻译成模型能接住的话提示语结构解决的是“怎么写”需求表达解决的是“写什么”。文档在这块的贡献是把常见的需求归成五类每类给一个表达公式和两种模型下的适配策略。这套东西的价值在于它把“我想让 AI 帮我做点事”这种模糊念头逼成了一个有主语、有输入、有验收标准的句子。4.1 决策、分析、创造性、验证、执行五类公式与适配策略按文档的划分决策需求的特点是需权衡选项、评估风险、选择最优解公式是“目标 选项 评估标准”推理模型适合要求逻辑推演和量化分析通用模型则直接建议、依赖经验归纳。分析需求是需深度理解数据或信息、发现模式或因果关系公式是“问题 数据/信息 分析方法”推理模型适配触发因果链推导与假设验证通用模型容易停留在表层总结或分类。创造性需求是需生成新颖内容公式是“主题 风格/约束 创新方向”推理模型适合结合逻辑框架生成结构化创意通用模型则自由发散、依赖示例引导。验证需求是需检查逻辑自洽性、数据可靠性或方案可行性公式是“结论/方案 验证方法 风险点”推理模型能自主设计验证路径并排查矛盾通用模型往往只做简单确认、缺乏深度推演。执行需求是需完成具体操作公式是“任务 步骤约束 输出格式”推理模型能自主优化步骤、兼顾效率与正确性通用模型则严格按指令执行、无自主优化。这五类的划分有个隐含好处它顺手把“这个任务到底难在哪”暴露出来了。决策需求难在评估标准分析需求难在数据质量创造性需求难在约束边界验证需求难在风险点枚举执行需求难在格式约定。写提示语时卡住多半是这五项里有一项没想清楚。4.2 把公式落到具体提示语三段实战示例光看公式容易觉得抽象文档给的实战示例值得逐条拆。决策需求那条例子的结构是先给目标和两个互斥选项再给评估模型ROI 计算最后要一个明确推荐和 5 年总成本对比。这个结构的关键是把“你帮我选”换成了“按这个标准帮我算完再选”模型就没法用“各有优劣”来糊弄。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。分析需求那条更典型它把数据、分析维度、预测方法和解释要求一次给全给一份 CSV要求说明增长趋势与政策的关联性预测市占率时必须用指定模型并解释参数选择依据。这里“必须使用某模型并解释参数”就是防止模型给一段没有依据的定性判断。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 预测未来一年市占率需使用 ARIMA 模型并解释参数选择依据。验证需求那条最能体现推理模型的价值给一个论文结论要求验证实验数据是否支持、检查对照组设置是否存在偏差、重新计算 p 值并判断显著性。这三步是人做审稿时的标准动作把它写成提示语等于让模型按审稿流程走一遍而不是问一句“这个结论对不对”。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。4.3 从“下达指令”到“表达需求”的策略切换文档在这一章末尾抛出的那句过渡很关键从“下达指令”转向“表达需求”。它给了三种策略类型——指令驱动、需求导向、混合模式并标了优劣。指令驱动直接给出明确步骤或格式要求适合简单任务、需快速执行但会限制模型自主优化空间需求导向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平衡灵活性与可控性但要避免过度约束。这三者的选择本质上是把控制权在人和模型之间分配。简单任务把控制权交出去指令驱动最快复杂任务留一部分给模型需求导向效果最好但需求导向有个前提边界必须说死否则模型会往它擅长而你不想要的方向跑。我一般用混合模式多一点目标和评估标准自己定死中间的推理路径交给模型最后按它给的路径逐段验收。这样既不丢控制权也不浪费推理能力。5. 避坑与排查五条踩过的坑每条都能对上号这套方法论看着顺但真用起来有几个高频翻车点。下面五条是我在按文档思路实操时反复遇到的按“现象 → 原因 → 解决”写能对号入座的基本可以省掉一轮重问。5.1 对推理模型做角色扮演输出反而变虚现象给推理模型加上“你是一位资深架构师请一步步分析”之后输出比直接提问还空逻辑链反而断了。原因文档明确提过不要对推理模型使用启发式提示如角色扮演可能干扰其逻辑主线推理模型已内化推理逻辑强行拆解步骤会限制它的能力。解决把角色设定和分步要求全删掉只留任务目标和验收标准输出立刻回到正轨。这条我吃过不止一次亏后来给推理模型的提示语一律先做减法。5.2 对通用模型直接问复杂推理得到一段看着对的错答案现象把一道需要多步推导的问题直接丢给通用模型返回的答案结构完整、语气自信但中间某一步悄悄跳过了。原因通用模型侧重语言生成与上下文理解缺乏推理模型那样复杂的推理与决策能力文档的说法是它可能跳过关键逻辑。解决显式要求分步思考并给一个示例格式或者干脆换推理模型如果只能用通用模型就把它拆成几个小问题逐步追问每步单独验收。5.3 提示语写得越长越好结果模型抓错重点现象为了“说清楚”把背景堆到十几行输出却跑到了某个不起眼的细节上。原因上下文过长时模型对关键约束的权重会下降文档强调上下文是“提供必要背景信息”必要二字是限定的。解决背景压到三到五句把真正的约束用编号或分隔符单独拎出来格式要求直接给样例而不是形容词。我一般的习惯是先写最短版本输出不达标再逐条加约束而不是一上来就写满。5.4 同一段提示语在两类模型间直接复制现象在一个窗口调好的提示语换到另一个模型上效果断崖式下跌。原因文档给的提示语策略差异是成对出现的——推理模型要简洁、聚焦目标通用模型要结构化、补偿性引导一段提示语不可能同时满足两种要求。解决建两份模板一份走“要什么直接说”的短提示一份走“缺什么补什么”的长提示按任务类型分发不要混用。5.5 只写指令不写期望输出格式每次都不一样现象同一个任务连问三次三次的输出结构都不同没法批量使用。原因提示语的三段式里期望Expectation负责影响输出的形式和内容只写指令等于把格式决定权交给了模型。解决把输出格式写死能给样例就给样例能规定字段就规定字段需要结构化结果时直接要求按表格或固定字段返回。这条在多轮批量处理时尤其重要格式不稳后面的自动化全废。提示这五条的共同点是“把模型当成了不会犯错的人”。模型不会告诉你它跳步了也不会提醒你提示语有歧义只能靠验收环节兜住。6. 进阶用法用多步提示做任务分解把一次性问答变成流水线前面讲的都是单次交互的优化真正把这份 PDF 用出差距的地方在多步提示。文档里反复强调的“任务分解”落到实操上就是把一个大任务切成若干次有明确输入输出的调用每一次只解决一个问题前一次的输出作为后一次的输入。这个思路对推理模型尤其合适因为它擅长复杂问题拆解你给它一个过大的任务它反而会在中间环节自行省略。我一般的做法是三步。第一步做任务拆解不让模型直接给答案只让它输出拆解方案和每一步的验收标准第二步逐步执行每一步单独发一次请求把上一步结果原文带上避免它凭记忆复述第三步做交叉验证把最终结果丢回给模型要求它按第一步定的标准逐条自查并列出矛盾点。这三步里最容易省掉的是第三步但恰恰是第三步最能拦住“看起来完整其实跳步”的输出。下面是一个可复用的多步提示骨架改任务描述就能直接用# 第 1 步只要拆解不要答案 任务一句话描述目标。请先不要给出结果只输出完成该任务的分步计划 每步注明输入、输出和验收标准控制在 5 步以内。 # 第 2 步逐步执行对每一步单独调用 按第 N 步执行该步描述。输入如下上一步输出原文。 只输出本步结果不要复述前文不要跳到后续步骤。 # 第 3 步交叉验证 以下是完整结果最终输出。请按第 1 步确定的验收标准逐条核对 列出不满足项和相互矛盾之处并给出修正建议。逻辑说明第 1 步把“规划权”交给模型但把“验收权”留在自己手上验收标准是后面所有步骤的锚点第 2 步的关键约束是“只输出本步结果”防止模型把后续步骤提前做完导致结果串味第 3 步是后悔药专门用来捞那些中间悄悄跳步的输出。参数上的经验是步数控制在 5 步以内超过之后上下文里堆的中间结果太多模型对早期约束的注意力会明显下降这时候该做的是把任务再拆成两条流水线而不是继续往一条链上塞。验证方法也很简单同一任务分别用“一次性提问”和“三步流水线”各跑一遍对比两者的输出。差距通常不在最终结论的新颖度而在过程可核查性——流水线的每一步都能单独回看、单独替换一次性问答只能整体重来。这个差别在需要交付给别人的场景里是决定性的因为别人质疑的往往不是结论而是你怎么得到这个结论。从那以后我每次拿到稍微复杂点的任务都强制先走一遍“只拆解不回答”的第 1 步哪怕最后发现三步就够也不省这个动作。省下来的那几分钟通常会在返工时连本带利还回去。希望帮到你。本文还有配套的精品资源点击获取