简介《DeepSeek从入门到精通》是一份面向AI初学者、内容创作者、开发者及企业应用人员的系统学习资料围绕国产开源推理模型DeepSeek-R1展开帮助读者理解其能力边界并掌握实际使用方法。压缩包内为1个PDF文件约5.01MB共103页按“是什么、能做什么、怎么用、如何进阶”组织便于通读与专题查阅。内容覆盖智能对话、文本生成、语义理解、计算推理、代码生成与调试等场景并延伸到长文本摘要、多语言翻译、结构化输出和常规绘图。资料还重点比较推理模型与通用模型的优势、劣势及适用任务讲解提示语策略差异、链式思维下的快速反应与慢速思考模式以及按任务类型选择模型的关键原则。已有363人学习适合希望从入门走向精通、提升AI实操与提示设计能力的读者。1. 先弄明白一件事DeepSeek 到底是个什么东西搜 DeepSeek 入门的人大部分都卡在同一个地方资料存了一堆打开第一页就犯困。这份 103 页的《从入门到精通》有点不一样它开头几页没有公式也没有代码先回答一个最朴素的问题这东西到底是什么。说白了它是一个能跟你用大白话对话的 AI 助手你打字提问它给答案和普通聊天机器人不同的是碰到绕的问题它会先“打个草稿”再开口。它开源、免费中文理解是母语级水平写文案、读长文、理逻辑、写代码都能接。零基础也能用会打字就行。适合谁被长文档淹没的人、想练写作的人、刚开始学编程的人以及所有想把重复劳动交出去的人。2. 为什么值得学一个会“打草稿”的模型强在哪很多人学 AI 工具的第一反应是背命令、记技巧方向其实反了。先把“这类模型怎么想事”搞明白后面写提示语、选模型、判断结果靠不靠谱都会顺很多。这一章不讲原理只讲三件对你上手有用的事它和普通模型差在哪、它能接哪些活、以及你需要准备什么。2.1 推理模型和通用模型一个爱打草稿一个张口就来想象两个数学好的人。一个心算极快你报 37×48他张嘴就答另一个不出声先在心里默默列竖式几秒后给答案。两个人算得都对但前一个适合抢答后一个适合啃硬题。AI 模型现在也分这两种路子。DeepSeek-R1 属于后一种也就是推理模型。拿到问题它不急着开口先把推理链条一步步展开再给结论。这类模型在训练时专门强化了推理、逻辑分析和决策能力所以它在数学推导、逻辑分析、代码生成、复杂问题拆解上明显更稳。代价是想得久、慢一些而且你让它写诗、做头脑风暴它反而放不开容易干巴巴。通用模型是另一路。它在海量文本上训练擅长语言生成、上下文理解、多轮对话和开放问答反应快写得活。但碰上严格逻辑链的任务比如数学证明它容易偷偷跳步答案看着顺过程是断的。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、开放问答劣势领域发散性任务比如诗歌创作需要严格逻辑链的任务比如数学证明提示语风格简洁说清目标就行结构化要补步骤、给例子响应速度想得久慢快关键一句话推理模型不是全面更强它只在自己的训练目标领域里明显更强。新手最容易犯的错是拿推理模型写营销文案然后嫌它死板或者拿通用模型算账然后嫌它算错。任务匹配错了再贵的模型也白搭。行业里还有一种说法叫“快思慢想”。快思靠概率预测看到问题迅速给出最可能的答案算力成本低适合快速反馈慢想靠链式思维把问题的每个步骤推一遍再下结论算力成本高适合复杂决策。DeepSeek 里的“深度思考”开关本质就是让它在快思和慢想之间切一下。这段差别你现在记住一个大意就行第 3 章会带你在真实界面上看一遍。2.2 它能接的四类活写、读、算、编第一类是写官方叫文本生成。文章、故事、诗歌、营销文案、广告语、社交媒体推文、剧本对话设计都算。再往下是摘要与改写几千字的论文或报告压成一页把复杂表述简化成给外行看的版本多语言翻译和本地化还有结构化的表格、清单、日程、菜谱生成。第二类是读也就是自然语言处理和分析。一堆用户评论它能判断整体是夸还是骂这是情感分析一长串客服对话它能归出用户到底想干什么这是意图识别从新闻里挑出人名、地点、事件这是实体提取此外还有文本分类、主题标签生成、垃圾内容检测。你做运营、做调研这一类用得最多。第三类是算和编。按需求生成代码片段Python、JavaScript 都行帮你调试代码分析报错给修复建议解释一段看不懂的代码库生成 API 文档和代码注释给性能优化建议。它不是替你当程序员是替你当那个随叫随到的同桌。第四类是常规绘图做一些简单示意图没问题但别把它当专业设计工具用复杂图形还是要换工具。这段话里的关键词你记住文本生成、自然语言处理、语义理解、代码生成补全这些就是它能力的主干剩下的都是分支。放到真实场景里是这样你是做运营的一周要写十条推文外加一份周报它能先帮你把选题铺开、再压缩成 60 字一条你是学生要读十几篇论文它能先给你每篇的三条结论你再决定精读哪几篇你想学 Python卡在第一个作业上它能边讲思路边给可运行的代码。判断要不要用它的标准很简单这件事是不是“有输入、有输出、规则说得清”。2.3 零基础要准备什么一台能上网的设备加一个具体问题不需要数学基础不需要英语六级不需要会编程。真的。它已经把“怎么把话说清楚”这件事降到了日常水平你要准备的只有三样东西。第一样一台能上网的设备手机电脑都行。第二样一个真实的小问题越具体越好。别说“教我用 AI”说“帮我把这段会议记录整理成待办清单按负责人分组”。问题越具体它给你的东西越能直接用你也就越有信心继续。第三样一点耐心。第一次结果不满意是常态不是你的问题也不是它的问题是话还没说清。入门第一周别贪多。每天只做一件事把一件事做透。比如周一专门练“压缩长文”把三篇不同长度的文章丢进去观察它在 300 字、3000 字、3 万字时的表现差异。这种笨办法比看十篇教程有用。2.4 什么时候别指望它三条边界第一条需要最新事实的时候。模型的知识有截止时间越是时效性强的内容越容易出错。要么开联网搜索让它去查要么你自己核实。第二条需要绝对精确的计算和条文引用的时候。让它算没问题但关键数字自己再按一遍计算器法规条款、合同细节它给的只能当线索不能当依据。第三条需要有人担责的判断。医疗、法律、财务这类决策它只能当参考意见。它不是搜索引擎不是计算器也不是许愿池。把边界摸清楚你反而敢用得更狠。3. 第一个例子怎么跑从打开页面到拿到能用的结果这一章全是手把手。先别管什么提示语工程跑通两个例子找到“它真能干活”的感觉比看二十页概念有用。3.1 第一个例子把一篇长报告压成三条要点第一步打开 DeepSeek 的对话页面注册登录。界面很朴素一个大输入框下面几个按钮一个是上传文件一个是深度思考开关一个是联网搜索开关。新手先都别开就用最基础的模式。第二步把你手头一篇长文粘进去。找一篇你本来就要读的东西比如一份项目复盘、一篇行业报告、一篇论文别用示例文本用真东西你才有判断力。第三步输入这条提示语下面是一份项目复盘请压缩成三条要点每条不超过 30 字保留具体数字不要加评论和评价。第四步看结果。大概率它给你的东西已经能用但会有一两条偏笼统。这时候别重开一轮直接追问第二条太笼统了“效率提升明显”这种话没用把具体数字补上。第五步把满意的那版复制走。整个过程不超过三分钟。这条提示语为什么有效它干了三件事说清任务压缩成三条、给了约束每条 30 字、保留数字、划了禁区不要评论。如果你只说“帮我总结一下”它可能给你五段话、每段两百字你还得再删一遍。这就是新手和老手的第一个分水岭——不是模型不一样是话不一样。顺手再练一个变体让它把同样的内容改成给外行看的版本提示语换成“假设读者完全不懂这个行业用大白话重写不要出现专业术语”。同一个输入两种输出你立刻能感觉到“说清楚要什么”有多值钱。3.2 第二个例子让它写一段真能跑的代码这一步是给“我不会编程但想试试”的人准备的。不会装环境也没关系先看懂逻辑跑不跑得起来是第二步。输入提示语用 Python 写一个函数统计一段中文文本里出现频率最高的 5 个词。要求用 jieba 分词过滤掉单字返回词和次数代码带注释最后给一个可以直接运行的例子。它给你的代码大概长这样import jieba from collections import Counter def top_words(text, n5): # jieba.cut 把句子切成词中文没有空格必须靠分词库 words [w for w in jieba.cut(text) if len(w) 1] # 过滤“的”“了”这类单字 counter Counter(words) # 统计每个词出现的次数 return counter.most_common(n) # 取前 n 个返回(词, 次数) if __name__ __main__: sample 人工智能正在改变写作方式人工智能也在改变编程方式。 print(top_words(sample, 3))运行之前要先装依赖打开命令行输入pip install jieba代码逐行说一下。jieba.cut(text)是分词中文句子没有空格不切词的话整句话会被当成一个“词”统计就没意义了。列表推导里的if len(w) 1是过滤单字因为“的”“了”“在”这种字出现频率最高但没信息量。Counter是 Python 标准库自带的计数器专门干统计这活。most_common(n)里的 n 就是你要几条改这个数字就能改输出条数比如改成 10 就是前十个词。最后那个if __name__ __main__:是让脚本能直接双击运行的写法删掉也不影响函数本身。跑出来大概是这样[(人工智能, 2), (改变, 2), (写作, 1)]如果终端里跳出ModuleNotFoundError: No module named jieba意思是依赖没装上回到上一步重新执行 pip 命令。如果输出里全是“我们”“这个”“然后”说明停用词没过滤跟它说一句“加一个停用词列表过滤掉常见虚词”它会给你改好。这些“失败时看什么”的判断比代码本身更值钱。想再改一改也简单把n5改成n10把sample换成open(你的文件.txt).read()就能读文件想统计英文也行但 jieba 对英文效果一般直接按空格切更合适。3.3 看懂“深度思考”那段小字是干什么的打开深度思考开关再问一个问题你会看到它先输出一大段推理过程再给最终答案。新手第一反应是“这段废话能关掉吗”。先别关这段是它的草稿有两个实用价值。第一个价值检查它有没有理解错。草稿的第一两句往往在复述你的问题如果它把“帮我改简历”理解成“帮我写简历”你立刻能发现赶紧打断重说省下后面全盘返工。第二个价值复杂任务必开。数学题、多步逻辑、代码调试、方案对比这些开了明显更稳。反过来改一句话、翻译一个词、闲聊几句开着纯属浪费时间关掉更快。要注意的是草稿里也可能有错。它推着推着拐错弯的情况不少见别把草稿当标准答案看它只是过程展示。3.4 上传文件让扫描件里的文字变成能改的文本点上传按钮选文件等它读完。这里有个九成新手会漏的动作先让它复述结构再让它干活。提示语先别分析告诉我这份文件一共几个部分每部分讲什么列出小标题和关键数字。为什么要多这一步因为文件读取会出错表格读串行、扫描件识别偏差、超长文档后半段漏掉都是常事。它要是复述的结构跟你肉眼看到的一致后面才能放心用对不上立刻换方式重传或者分段处理。翻车基本都发生在“没确认就往下做”这一步。4. 提示语怎么写从“下达指令”到“表达需求”提示语就是你跟 AI 说话的方式。新手总以为要背什么咒语其实核心就一句话把你要什么、背景是什么、要成什么样说清楚。这一章把这件事拆成可操作的几步。4.1 一条提示语的三块积木一条有效的提示语基本由三块组成。指令明确告诉它做什么任务动词开头最好上下文给它必要的背景谁在用、给谁看、基于什么材料期望说清你要的输出长什么样字数、格式、风格、必须包含什么、不许出现什么。拿写文案举例。烂的写法是“帮我写个文案”它只能猜猜出来八成不是你想要的。好的写法是我要给一款面向大学生的记账 App 写一条朋友圈文案上下文目标是让人看完想点进详情页期望控制在 60 字以内口语化不要用“赋能”“闭环”这类词约束。三块积木不一定每次都要齐但缺哪块结果就容易在哪块出问题。缺上下文它写得泛缺期望它给的长度格式全随缘缺约束它就可能用一堆你讨厌的词。再补一组对照你感受一下差别。模糊的“分析一下这份数据。”具体的“分析这份三个月的销量数据找出增长最快和最慢的两个品类各给一个可能原因不要超过 200 字。”任务、数据、输出格式全在里面它想跑偏都难。4.2 推理模型要“少说”通用模型要“多扶”这是新手最容易忽略的一条。对推理模型提示语越简洁越好因为它自己会展开推理你只要把目标和边界说清剩下交给它。你如果像教小孩一样把步骤一条条拆开写反而可能干扰它自己的逻辑主线效果变差。对通用模型反过来你得扶着它走。因为它不会主动展开推理需要你显式引导步骤或者给一个示例让它照着来不给它就容易跳步。所以有个口诀推理模型“要什么直接说”通用模型“缺什么补什么”。别对推理模型搞角色扮演那套花活容易把它的逻辑带偏也别对通用模型过度信任直接甩一个复杂推理题过去它的答案你得一步步验。4.3 五类需求的表达公式大部分日常需求都能归到这五类里。每类有个简单的表达公式照着套就行。需求类型公式例子决策需求目标 选项 评估标准两个方案选一个按五年总成本算分析需求问题 数据 分析方法这份销量数据找增长和政策之间的关联创造性需求主题 风格约束 创新方向设计一款产品解决独居老人安全问题验证需求结论 验证方法 风险点这个结论数据支持吗检查对照组偏差执行需求任务 步骤约束 输出格式把这段 C 代码转成 Python保持复杂度具体到提示语长这样。决策类为降低物流成本有两个方案一是自建仓库初期投入高但长期成本低二是与第三方合作按需付费但灵活。请按五年总成本对比给出推荐和理由。分析类下面是近三年某品类的销量数据附 CSV请说明增长趋势以及增长与促销活动之间的关联性预测下一年时请说明你用的方法和假设。创造类设计一款智能家居产品要求解决独居老人的安全问题结合传感器和提醒机制给出三种不同技术路线的草图说明。验证类下面是某份报告的结论新方案优于旧方案。请验证实验数据是否支持这个结论对照组设置有没有偏差如果重算结论会不会变。执行类把下面这段 C 代码转成 Python要求保持时间复杂度不变用 numpy 优化数组操作输出完整可运行代码并附带一个测试案例。看出来了吗公式不是让你背是让你别漏。新手写提示语最常漏的是“评估标准”和“输出格式”补上这两样结果质量立刻上一个台阶。4.4 存一个自己的模板本别每次都从零想。准备一个记事本把好用的提示语存下来按场景分类。我自己常用的是一个四行模板背景谁在用给谁看基于什么材料 任务要它做什么动词开头 约束字数、风格、禁用词、必须包含的信息 输出格式列表、表格、分段、代码四行填完提示语就有了。用了一个月你会发现真正高频的场景不超过十个模板攒够十个日常八成任务都能直接套。5. 新手最容易翻车的五个地方下面这五条是新手踩得最多、也最容易反复踩的。每条按“现象、原因、怎么办”写对号入座就行。5.1 坑一答案读着通顺一查全是错的现象它给的时间、人名、数据看着特别像真的一核实全对不上甚至能给你编出一本书的具体页码。原因模型是按概率生成文字的不是查数据库。它追求的是“像”不是“对”。行业内管这叫幻觉。怎么办凡是关键事实要么让它开联网搜索并给出处要么自己核实一遍提示语里加一句“不确定的地方直接说不确定不要编”数字自己按一遍计算器。养成一个习惯结论可以用事实必须验。这不是它不靠谱是你得知道哪部分能信。5.2 坑二代码跑不起来报错看不懂现象复制过来一堆红字ModuleNotFoundError、IndentationError轮着来改一个冒一个。原因你没告诉它运行环境Python 版本、操作系统、装了什么库它只能猜或者它给的是示意版代码本来就没打算让你直接跑。怎么办把报错原文整段贴回去附一句“这是我的环境Windows、Python 3.11已装 jieba请先解释这个报错再改”让它一次只改一个问题别一口气改五处改完自己跑一遍再继续。报错信息是最好的提示语别嫌它长就删掉。5.3 坑三提示语越写越长效果越来越差现象怕它不懂把步骤一条条拆开写结果它反而变笨答得又慢又僵。原因对推理模型来说你拆的步骤可能干扰它自己的推理主线。它内部已经内化了推理逻辑你只要说清目标和边界它自己会走。怎么办先给一句话目标不满意再加一条约束一次加一条边加边看效果。别一上来写三百字说明书。真要拆步骤留给通用模型。5.4 坑四一口气问十个问题每个都答得很浅现象一条消息里塞了写文案、做表格、翻译三件事结果三件都敷衍。原因上下文被摊薄了模型的注意力分散到多个任务上每个都只能给个大概。怎么办一次一个任务做完再下一个。长任务拆成几轮每轮确认一次再往下。这跟找人办事一个道理你一次托十件事对方也只能每件都糊弄一下。5.5 坑五文件传上去它读得乱七八糟现象表格读串行扫描件识别出错长文档后半段直接漏掉你基于错的内容继续问全盘皆输。原因文件清晰度、排版复杂度、长度限制任何一项都可能让读取出偏差。怎么办先让它复述目录和关键数字对不上就换方式扫描件尽量拍清楚、摆正、别反光超长文档分段传或者先让它列大纲再逐段处理。记住 3.4 节那个动作先确认再干活能省掉一大半返工。6. 下一步学什么把这份文档读成自己的手艺先说读法。103 页别从头读到尾那样读到三十页就放弃了。前面讲“是什么、能做什么”的部分快速翻一遍建立地图中间讲提示语策略和模型差异的部分精读那是全书最值钱的地方后面的案例挑三个跟你工作最相关的照着做一遍做完再回头看理论理解会完全不一样。再说节奏。给你一张四周的表每天花二十分钟就够周次目标每天练什么第 1 周熟悉基本对话用真实问题问三次观察它怎么答第 2 周练提示语结构把一条烂提示改写成带背景、任务、约束的版本第 3 周分清什么时候开深度思考同一道题开和不开各做一次比较差别第 4 周做一个小项目整理一份会议纪要或写一个能跑的小脚本最后分享一个笨办法提示语笔记本。每次效果好的提示语存下来标上场景和日期。一个月后你就有自己的模板库比任何教程都贴身。这件事没有捷径但有复利。我第一次用的时候觉得它什么都能干结果第一周就让它查一个当月的数据它编得头头是道我差点写进稿子。从那以后凡是涉及数字和事实我都强制自己核一遍再用这个习惯救过我好几次。希望帮到你。本文还有配套的精品资源点击获取