简介这份PDF资料面向希望系统掌握DeepSeek的开发者、科研人员与AI爱好者围绕推理模型、RAG检索增强与多模态等能力梳理出十个实用技巧。内容从基础模型、深度思考R1与联网搜索三种模式的选用讲起对比V3与R1在百科问答、数理逻辑、代码推理上的差异并说明知识截止时间、提示词准确表达、自然语言沟通、身份设定、推理与联网联用等要点帮助读者在不同场景下搭配模型以提升交互质量与创造力。资源包共1个PDF文件大小约2.54MB便于随时查阅与检索。目前已有152人学习。读者可从中获得模式选择判断依据、提示词撰写思路、V3与R1联用方法及具体示例适合作为日常使用DeepSeek的实操参考。1. 三种模式选错后面全白搭很多人用 DeepSeek 的第一反应是“把深度思考勾上就完事了”结果写个周报等了半分钟输出还绕来绕去。这个春节 DeepSeek 火得不需要我多说但真正拉开效率差距的不是你会不会提问而是你有没有在正确的场景按下正确的开关。这份《使用 DeepSeek 必备的 10 个技巧》把网页版和 APP 版那一个聊天窗口背后的三种模式讲透了基础模型V3、深度思考R1、联网搜索。它解决的不是“DeepSeek 是什么”这种科普问题而是“同一个问题为什么别人三秒出结果你三分钟还在等它思考”。适合已经上手但总觉得输出不对劲的从业者也适合刚接触、想少走弯路的开发者。下面我按自己拆解和复现的顺序把这份资料里真正能落地的部分一条条过一遍。2. 模式选型V3 与 R1 的边界在哪2.1 三种模式到底在什么时候用DeepSeek 网页版和 APP 版界面极简只有一个聊天窗口APP 只有 8M 大小。三种模式的入口就是输入框上方的开关不勾任何东西走的是 V3 基础模型勾“深度思考”走 R1勾“联网搜索”走 RAG 检索增强生成。V3 是去年 12 月升级的 DeepSeek-V3MoE 架构671B 参数性能对标 GPT-4o、Claude-3.5-Sonnet 这一档。它的特点是快擅长百科知识、日常问答、文案初稿。R1 是今年 1 月发布的正式版推理模型660B 参数后训练加 RL 强化学习对标 o1 那一类擅长数理逻辑、代码、需要多步推理的复杂问题代价是慢。我自己的判断标准很简单答案能靠“回忆 组织语言”给出的用 V3答案需要“推导 验证”才能给出的用 R1。写诗、写文章、改文案、翻译、总结V3 足够数学证明、算法设计、复杂业务逻辑梳理、代码 debug切 R1。联网搜索是另一条线。它的本质是 RAG检索Retrieval、增强Augmented、生成Generation。用户提问后模型先去网上搜相关信息再把搜索结果和原问题整合用大语言模型生成回答。所以它解决的是“知识库截止之后的问题”。提示通常不要同时勾选深度思考和联网搜索资料里明确说这样 DS 的表现会不太智能。需要推理就用 R1 单开需要新信息就用联网单开两者叠加反而互相干扰。2.2 知识截止时间决定了你要不要联网DeepSeek 的预训练数据更新至 2024 年 7 月。这句话看着平淡实际是选型的分水岭。2024 年 7 月之前的问题基本不需要联网V3 或 R1 直接答又快又稳。2024 年 7 月之后的事情比如英伟达与 DeepSeek 之间的后续、春晚秧歌机器人、2025 年春节期间的舆情模型没学过这时候必须开联网否则它要么答不上来要么用旧知识硬编。我一般会先问自己一句这件事发生在 2024 年 7 月之前还是之后之前关联网之后开联网。这个判断花两秒能省掉一次“它怎么在胡说”的翻车。2.3 提示词的核心是准确表达不是结构资料里有一句很关键的话DeepSeek 无论是 V3 还是 R1都不太吃提示词只需要做到准确表达。过去学的那套结构化提示词模板现在可以直接丢掉。通用模板就两个形态你是谁 你的目标你是谁 背景信息 你的目标再口语一点我要 xx做 xx 用希望达到 xx 效果但担心 xx 问题。核心是准确表达。比如要一封 CEO 口吻的感谢信直接写“你是某某 AI 的 CEO以 CEO 口吻写一封感谢用户的公开信文笔细腻有感染力300 字左右”就够了。不需要教它怎么起承转合它自己知道。2.4 说人话反而能激发它资料里反复强调与 DS 沟通尽量说人话越是直白、俗气越能激发它的潜能。模仿风格也是如此你只需要告诉它模仿谁、写什么不需要教它怎么写。比如“模仿董宇辉的风格写 100 字杭州文旅文案”。董宇辉什么风格——诗意与画面感结合、历史文化与个人情感交织、爱用比喻和排比——这些 DS 都知道你只要点出人名和任务它直出结果还押韵。这一点我实测下来确实成立。你越是想用复杂的提示词框架去“控制”它输出反而越僵你越像跟一个聪明同事交代事情那样说它越顺。3. 把 R1 和联网、附件、V3 串起来用3.1 推理 联网少有的组合能力以 o1 为代表的推理模型基本上不能联网。想了解知识库截止日期之后的问题就很苦恼。而 DeepSeek 是少有的支持推理 联网的模型这是它区别于同类推理产品的一个硬差异。资料里给了一个很能说明问题的例子模仿刘慈欣风格写一篇微小说描述 20 年后仿生人起义起因之一是 2025 年人类让机器人穿大花袄扭秧歌。DS 先设计世界观和故事大纲再输出小说全文。这个任务同时需要“推理能力”和“2025 年春节的新信息”单开 R1 或单开联网都做不到必须两者结合。我一般会这样操作先确认问题里有没有 2024 年 7 月之后的事实要素有就开联网再确认问题是不是需要多步推理和结构设计是就开深度思考。两个都满足才同时勾。3.2 上传附件做本地知识库DS 的推理模型不仅支持联网还支持上传附件最多不超过 50 个每个不超过 100MB。推理 上传附件可以做更多本地化、私密化的东西比如你自己的知识库或内部资料让它基于自有知识库进行推理和思考。资料里的示例是上传一篇材料后问“未来 o 系列模型会怎样引领 AI 发展”输出言简意赅。继续追问“人类需要担心 AI 失控吗”它给出的回答也相当有深度。我自己的用法是把内部文档、会议纪要、产品需求整理成几个文件一次性上传然后基于这些材料提问。这样它不会用通用知识来糊弄你回答都锚定在你给的材料上。注意附件有数量和大小上限50 个、单个 100MB。大文件先拆分或压缩别一股脑塞。3.3 V3 加 R1 的组合拳这是资料里我觉得最值得单独拎出来的一条。V3 是基础模型专注于告诉我们要什么R1 是推理模型专注于告诉我们如何思考、推理。那为什么不把两个模型结合起来用做法是先跟 V3 多轮对话得到要推理的细节和提示词然后把生成结果和提示词一起发给 R1让 R1 再来推理、输出。这样能把 DS 的能力再提升一个等级。资料里的示例是“帮我写一段狠狠吐槽 OpenAI 的话”V3 先出初稿再把初稿和提示词一起丢给 R1 推理R1 输出的吐槽全文明显更有层次、更有梗。实际使用中与 V3 沟通可以多展开几轮通过多轮对话优化细节再用推理模型深度优化。我一般把这个流程固化成三步用 V3 做需求澄清和多轮打磨把“要什么”聊清楚把 V3 的产出和原始提示词整理成一段完整输入切到 R1让它基于这段输入做深度推理和最终输出。3.4 用“我是一名小学生”去 AI 味AI 生成的东西一股 AI 味原因是模型输出太注重结构化一堆“首先、其次、然后、总而言之”内容死板。人类最讨厌这些理性的东西尤其是文字领域。解决办法是加一句提示我是一名小学生 / 请用小学生能听懂的话解释。这句在 DS 里特别好使。资料里的示例是“请用小学生能听懂的话解释推理模型的思维链是如何工作的”一下就理解了 CoT 思维链。想进阶也可以说自己是高中生、本科生甚至博士生。示例“我是一名在读博士请专业解释推理模型的思维链是如何工作的”难度立刻上来。我自己的习惯是面向大众的内容加“小学生”面向专业读者的内容加“博士生”。同一句话身份一变输出的深度和用词完全不同。4. 避坑与排查这几个坑我替你踩过了4.1 同时勾选深度思考和联网输出变傻现象两个开关都打开后回答又慢又绕逻辑还不如单开 R1。原因资料里明确说通常不用同时勾选深度思考和联网搜索不然 DS 的表现会不太智能。两个机制叠加会互相干扰。解决按需单开。要推理就 R1要新信息就联网别贪心。4.2 拿 R1 去写诗写文章等半天还不满意现象写个文案、写首诗勾了深度思考等了很久输出还过度结构化。原因R1 擅长数理逻辑、代码和深度推理写诗写文章这类需求用不到这个模型。资料里写得很清楚。解决文案、诗歌、翻译、总结一律用 V3快且自然。4.3 问 2024 年 7 月之后的事它一本正经胡说现象问春晚秧歌机器人、问最近的行业动态它答得头头是道但事实对不上。原因预训练数据更新至 2024 年 7 月之后的事它没学过没开联网就只能靠旧知识硬编。解决先判断时间点2024 年 7 月之后的问题开联网搜索。4.4 还在用老一套结构化提示词输出反而僵现象套了一堆“角色—任务—约束—格式”的框架输出还是不满意。原因DeepSeek 不太吃提示词核心是准确表达。过度结构化反而限制它。解决换成“你是谁 你的目标”或“我要 xx做 xx 用希望达到 xx 效果但担心 xx 问题”说人话。4.5 上传附件超限直接失败现象上传一堆文件部分传不上去或报错。原因附件最多不超过 50 个每个不超过 100MB。解决先精简文件数量大文件拆分或压缩只传真正相关的材料。5. 进阶R1 的三个开放与验证方法R1 模型有三个开放这是它区别于很多闭源推理模型的地方也是我判断它值不值得长期投入的依据。第一思维链全开放。无论是应用端还是 API都可以看到完整、透明的思考过程。API 通过设置modeldeepseek-reasoner即可调用。这意味着你能看到它“怎么想”的而不是只拿到一个黑匣子结果。排查问题时这个思考过程比最终答案更有价值。第二训练技术全部公开。DeepSeek 在后训练阶段大规模使用了 RL 强化学习技术通过极少标注数据极大提升推理能力所有训练技术全部公开。目前全球多个研究机构均已复现 R1比如港科大完成了 R1 模型的复现和开源还有 TinyZero 项目用不到 30 美元就复现了论文中描述的“aha moment”。这说明它的技术路线是可验证、可复现的不是营销话术。第三开源 26 个模型。R1 预览版和正式版参数高达 660B非一般公司能用于是蒸馏出 6 个小模型开源给社区最小的 1.5B 参数10G 显存可跑。这对想本地部署、想在离线环境验证的团队来说是实打实的入口。我自己的验证习惯是这样的拿到一个新模型先看它的思考过程是否透明再看它的技术报告是否可复现最后看它有没有小参数版本能让我在本地跑通。三条都满足才值得往工作流里放。R1 这三条都占了。从那以后我每次评估一个模型都强制走一遍“思考过程—技术报告—小模型本地跑”这三步不再只看它答得漂不漂亮。希望这份拆解帮到你也帮你在下一个模型出来时知道该看什么、该试什么。本文还有配套的精品资源点击获取