简介这份由清华大学新闻与传播学院新媒体研究中心元宇宙文化实验室出品的《DeepSeek从入门到精通》PDF讲义面向希望系统掌握大模型应用的学习者、开发者与内容从业者帮助读者从基础认知走向实际使用。压缩包仅含1个PDF文件约4.79MB便于在电脑或移动端直接阅读。目前已有175人学习适合作为DeepSeek入门到进阶的轻量资料。内容围绕DeepSeek是什么、能做什么、如何使用展开并深入比较推理模型与非推理模型在逻辑推理、数学推导、代码生成和创意写作等任务中的差异讲解“快思慢想”下的概率预测与链式推理、提示语策略差异以及指令驱动、需求导向、混合模式和启发式提问等实用方法。读者可据此理解模型选择原则掌握文本生成、语义分析、编程辅助等场景的应用思路并建立从入门到精通的完整知识框架。1. 知识地图DeepSeek 从入门到精通要过的三道坎「DeepSeek 从入门到精通」听起来像要背一大堆功能实际拆开只有三道坎认出模型、认出任务、认出提示语。第一道坎决定活儿交给谁——DeepSeek-R1 这类推理模型还是以文本生成见长的通用模型第二道坎决定结果怎么验收第三道坎决定开口的第一句话怎么写。某高校新媒体研究团队那份讲义的可贵之处是把这三件事按顺序摆成了一条线不散讲功能。已经能打开对话框、但用起来时好时坏的人最该补的就是这条线。2. 模型底座推理模型与通用模型的分水岭在哪2.1 推理模型和通用模型差的是训练目标先纠正一个常见误解模型不是按“新老”分的是按“训练目标”分的。推理大模型在传统大语言模型的基础上强化了推理、逻辑分析和决策能力通常还叠加了强化学习、神经符号推理、元学习等手段来增强问题解决能力DeepSeek-R1 就属于这一类在逻辑推理、数学推理和实时问题解决上表现突出。通用模型走的是另一条路侧重语言生成、上下文理解和自然语言处理靠大量文本训练掌握语言规律能写出合适的内容但缺少复杂推理和决策能力。这个差别直接决定了它们的强弱项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。关键在于“并非全面更强”——推理模型只在它训练目标覆盖的领域显著优于通用模型一旦任务换成诗歌创作这类发散性任务它的优势就消失了反过来通用模型在数学证明这类需要严格逻辑链的任务上容易跳步要靠提示语补偿能力短板。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强弱判断并非全面更强仅在训练目标领域显著领先通用场景更灵活专项任务需提示语补偿这张表建议形成条件反射拿到一个任务先判断它落在“逻辑密度高”还是“多样性高”那一栏再决定用哪个模型。2.2 快思慢想概率预测与链式推理的两条路线链式思维CoT出现之后大模型被清晰地切成两类一类是“概率预测快速反应”一类是“链式推理慢速思考”。前者靠大量数据训练快速预测最可能的答案响应快、算力成本低后者基于 CoT一步一步推理出每个环节再得出结论慢但能扛复杂问题。这个划分比“推理/通用”更好用因为它解释了为什么同一个问题换个模型结果差这么多——不是模型突然变笨是它走的路线不同。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靠数据训练快速给出答案基于链式思维逐步推理每个步骤决策能力依赖预设算法和规则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能生成新的创意和解决方案人机互动按预设脚本响应较难理解情感和意图更自然地互动理解复杂情感和意图问题解决擅长结构化和定义明确的问题能处理多维度和非结构化问题附带讨论作为受控工具几乎没有伦理争议自主性更强会引出控制相关的讨论最后一行不是让人去争论伦理而是提醒一件实操上的事慢思考模型输出更长、更自主偏离你原意的空间也更大所以验证环节不能省。快速模型则相反它很少跑偏但也很难给你惊喜写文案时显得“正确而无趣”是常态。提示判断任务该走哪条路线看两件事——中间步骤能不能提前写死。能写死就走快速路线写不死就得请慢思考模型上场。2.3 选型原则按任务类型选别按热度选选型的第一原则是优先根据任务类型而非模型热度来选。数学任务交给推理模型创意任务交给通用模型这条判断比任何榜单都可靠。热度会骗人任务类型不会。第二个原则落在提示语设计上推理模型给简洁指令聚焦目标相信它内化的推理能力一句“要什么直接说”往往比十行拆解更有效通用模型给结构化、补偿性的引导缺什么补什么它不会自己补齐逻辑链你就把链路写出来。第三个原则是把误区当红线。不要对推理模型使用“启发式”提示比如角色扮演、隐喻引导、情绪化追问这类提示看着聪明实际可能干扰它原本清晰的逻辑主线让输出变得啰嗦又跑偏。也不要对通用模型“过度信任”直接把复杂推理问题丢过去拿到答案就用。它的答案通常有合理外表但中间步骤未必站得住必须分步验证。还有一层常被忽略模型选择不是一次性决定。同一段对话里可以切换思路先用通用模型把需求聊清楚、把材料整理成结构化上下文再换成推理模型做推导。这个组合拳比死磕一个模型更划算。3. 能力盘点四类任务与各自的验收标准3.1 文本生成创作型、加工型、结构化三种活文本生成是最容易被低估的一块很多人以为它就是“写文章”其实内部至少分三类验收标准完全不同。创作型包括文章、故事、诗歌写作营销文案与广告语生成社交媒体内容如推文和帖子以及剧本或对话设计——这类活看的是风格一致性和记忆点不是信息量。加工型包括长文本摘要论文、报告、文本简化降低复杂度、多语言翻译与本地化——这类活看保真度也就是有没有漏要点、有没有自行加戏。结构化生成包括表格和列表生成比如日程安排、菜谱以及代码注释和文档撰写——这类活看字段完整性和格式稳定。三类活混在一起提需求是翻车高发区。让模型“总结一下这份报告顺便写得生动点”得到的往往是既不够准也不够活的中间产物。稳妥做法是拆开先做摘要确认要点齐全再单独提一遍改写要求。3.2 自然语言理解与分析判断之外还得给证据分析类能力的清单很长语义分析和语义解析、情感分析评论、反馈、意图识别客服对话、用户查询、实体提取人名、地点、事件、知识推理、逻辑问题解答数学、常识推理、文本分类、因果分析事件关联性、主题标签生成新闻分类之类、垃圾内容检测。看起来都是“让模型判断一下”但验收标准只有一条最实用除了结论它有没有给出支撑结论的证据。情感分析尤其明显。模型说这条评论“偏负面”你得让它指出是哪几个词、哪句话支撑了这个判断意图识别同理要它说明为什么把这句话归到“售后咨询”而不是“物流查询”。不给证据的判断无法复核也没法沉淀成规则。另外分类任务要先把标签体系给全别让模型自己发明类别否则两次运行的标签对不上后面统计就没法做。3.3 编程与代码相关生成只是起点代码这块的能力面比想象中宽根据需求生成代码片段Python、JavaScript 等、错误分析与修复建议、代码性能优化提示、自动补全与注释生成、API 文档生成、代码库解释与示例生成。真正拉开差距的地方在于——生成只是起点验收才是主体。一段能跑的代码不等于一段能用的代码边界输入、异常分支、时间复杂度和原实现是否一致都得单独检查。举个具体做法让模型生成一个排序函数然后要求它同时给出测试用例自己搭一个最小测试骨架来跑。下面这个骨架用 pytest 写重点不在代码本身而在它把“验收”这一步固定成了流程。# test_sort_demo.py # 用途验收模型生成的排序函数覆盖常规、边界与异常三类输入 import pytest from sort_demo import quick_sort # 被测函数来自模型生成结果 pytest.mark.parametrize(raw, expected, [ ([3, 1, 2], [1, 2, 3]), # 常规乱序输入 ([], []), # 空列表最容易漏的边界 ([5], [5]), # 单元素 ([2, 2, 1], [1, 2, 2]), # 含重复值 ([-1, -5, 0], [-5, -1, 0]), # 含负数 ]) def test_quick_sort(raw, expected): assert quick_sort(raw) expected def test_quick_sort_not_mutate(): # 参数原始列表不应被就地修改这一点模型经常忽略 data [3, 1, 2] quick_sort(data) assert data [3, 1, 2]这段骨架上手成本很低参数化列表就是“输入-期望输出”的对照表改一行就多一个用例。models 生成的实现如果通不过空列表或重复值这两项说明它在边界处理上偷懒了这时候别急着换提示语重写先把失败用例贴回去让它修修完再跑一遍效率更高。3.4 输入形态与边界联网、深度思考、文件上传DeepSeek 直接面向用户也支持开发者提供智能对话、文本生成、语义理解、计算推理、代码生成补全等场景同时支持联网搜索与深度思考模式支持文件上传能扫描读取各类文件及图片中的文字内容常规绘图也覆盖到了。日常使用入口就是官网的在线对话页面打开就能聊。但这些开关有代价。文件上传依赖文字识别扫描件里的表格结构、合并单元格、页码脚注很容易丢拿到结果先核对关键数字联网搜索返回的是引用材料来源需要自己看一遍再采信深度思考模式更慢也更费算力简单问答开它就是浪费。还有一种边界值得记住模型读不懂“没有说出口的上下文”你脑子里的项目背景、团队约定、历史决策它一概不知得写进提示语里才算数。4. 提示语工程从下达指令到表达需求的三层结构4.1 三段结构指令、上下文、期望提示语是用户输入给 AI 系统的指令或信息用于引导它生成特定输出或执行特定任务。它可以是简单问题、详细指令也可以是复杂任务描述。基本结构就三段指令是核心明确告诉模型要执行什么任务上下文提供背景信息帮助它准确理解任务期望明确或隐含地表达对输出的要求和预期。三段齐全的提示语输出稳定性远高于只写一句指令。把这三段固定成模板是最省事的习惯。指令写动词开头的任务句上下文写清对象、范围、已知条件期望写格式、长度、口径。三者缺一段模型就得自己猜猜的结果每次都不一样这就是很多人觉得“同一个提示语效果时好时坏”的真实原因。注意上下文不是越长越好。粘三页无关材料进去模型的注意力会被稀释关键约束反而被淹没。上下文只放“模型不知道但必须知道”的信息。4.2 提示语的五个角色它到底在做什么把提示语拆成功能角色比背定义更好记。它同时承担五种角色写提示语时对照一遍就知道自己漏了哪一环。角色作用示例沟通桥梁连接人的意图和模型的理解“将以下内容翻译为法语Hello, world”上下文提供者提供必要背景“假设你是一位 19 世纪的历史学家评论一次工业革命时期的社会变迁”任务定义器明确指定要完成的任务“为一篇关于气候变化的文章写一个引言长度 200 字”输出塑造器影响输出的形式和内容“用简单的语言解释量子力学假设你在跟一个 10 岁的孩子说话”能力引导器引导模型调用特定能力“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”这五种角色里最常被漏掉的是“输出塑造器”。任务说清了、背景给了但没说输出长什么样结果就全凭模型心情。4.3 六类提示语类型与三种策略按形态分常见六类指令型直接告诉模型要执行什么任务问答型提出一个问题期望得到对应答案角色扮演型要求模型扮演特定角色、模拟特定场景创意型引导创意写作或内容生成分析型要求对给定信息进行分析和推理多模态提示语结合文本、图像等多种输入形式。类型本身没有优劣问题在于用错场合——给推理模型塞角色扮演就是典型的类型错配。按策略分有三种路子。指令驱动策略直接给出明确步骤或格式要求适合简单任务、需要快速执行的场景优势是结果精准高效风险是限制了模型自主优化的空间。需求导向策略描述问题背景与目标由模型规划解决路径适合复杂问题、需要模型自主推理的场景能激发深层推理前提是需求边界必须清晰。混合模式结合需求描述与关键约束条件兼顾目标与细节平衡灵活性与可控性。策略做法适用场景主要风险指令驱动给出明确步骤、格式要求简单任务、快速执行限制模型自主优化空间需求导向描述背景与目标由模型规划路径复杂问题、需自主推理需求边界不清就跑偏混合模式需求描述加关键约束需要平衡灵活与可控约束过多变成指令驱动4.4 五类需求表达公式从下达指令到表达需求真正好用的一步是把“我要什么”翻译成模型能接住的公式。需求可以归成五类每类有固定的表达骨架。需求类型特点表达公式推理模型适配通用模型适配决策需求权衡选项、评估风险、选最优解目标 选项 评估标准要求逻辑推演和量化分析直接建议依赖经验归纳分析需求深度理解数据、发现模式或因果问题 数据/信息 分析方法触发因果链推导与假设验证表层总结或分类创造性需求生成新颖内容或方案主题 风格/约束 创新方向结合逻辑框架生成结构化创意自由发散依赖示例引导验证需求检查逻辑自洽、数据可靠、方案可行结论/方案 验证方法 风险点自主设计验证路径并排查矛盾简单确认缺乏深度推演执行需求完成具体操作任务 步骤约束 输出格式自主优化步骤兼顾效率与正确严格按指令执行无自主优化每个公式都能落到具体句子上。决策需求“为降低物流成本现有两种方案一是自建区域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、灵活性高。请根据 ROI 计算模型对比五年内总成本并推荐最优选择。”分析需求“分析近三年新能源汽车销量数据说明增长趋势与政策的关联性并预测下一年市占率需使用 ARIMA 模型并解释参数依据。”创造性需求“设计一款智能家居产品要求解决独居老人安全问题、结合传感器网络与预警机制、给出三种不同技术路线的原型说明。”验证需求“以下是某论文结论模型 A 优于传统方法 B。请验证实验数据是否支持该结论、对照组设置是否存在偏差、重新计算显著性。”执行需求“将以下 C 语言代码转换为 Python保持时间复杂度不变使用数组运算库优化输出含时间测试的完整代码。”把这五类模板写成函数日常调用会快很多# prompt_builder.py # 用途按五类需求公式拼装提示语固定结构以提升输出稳定性 def build_prompt(kind: str, task: str, context: str , expect: str ) - str: kind: 需求类型取 decision / analysis / creative / verify / execute task: 任务主体对应公式里的“目标/问题/主题/结论/任务” context: 背景、数据、已知条件缺省为空 expect: 输出格式、长度、口径等期望缺省为空 skeleton { decision: 目标{task}\n可选方案{context}\n请按给定评估标准量化对比并推荐说明取舍理由。, analysis: 问题{task}\n数据与背景{context}\n请给出分析路径、关键发现与不确定性。, creative: 主题{task}\n风格与约束{context}\n请给出多个方向并说明各自差异。, verify: 待验证结论{task}\n验证方法{context}\n请逐条排查矛盾点并给出结论强度。, execute: 任务{task}\n步骤与约束{context}\n请按以下格式输出。, } body skeleton[kind].format(tasktask, contextcontext or 未提供请基于常识并标注假设) return body (f\n输出要求{expect} if expect else ) # 调用示例验证需求把结论和验证方法分开填 print(build_prompt(verify, 模型A优于传统方法B, 检查对照组设置、重算显著性水平, 分三点作答先结论后依据))这段代码的价值不在技术含量而在强制拆分参数。kind决定骨架task只放任务主体context只放背景和数据expect只放输出要求——四个参数各归其位就不会出现“一大段话什么都想塞进去”的情况。context缺省时给了兜底话术让模型标注假设避免它默默编造前提。4.5 同一任务两个模型的提示语写法对照差异最终要落到具体写法上。数学证明交给推理模型直接说“证明勾股定理”就行加一句“先画图再列公式”反而可能限制它交给通用模型就得显式要求分步思考并提供示例否则它容易跳过关键步骤。创意写作反过来推理模型适合设定风格和角色来鼓励发散通用模型则要给明确约束比如限定包含哪两个词、不超过多少字。任务适用模型提示语侧重点有效提示需避免数学证明推理模型直接提问“证明勾股定理”冗余拆解步骤数学证明通用模型显式分步给示例“请分三步推导参考示例……”直接提问创意写作推理模型设定风格与角色“以某作家风格写一个冒险故事”过度约束逻辑顺序创意写作通用模型明确约束目标“包含两个指定词的短篇不超 200 字”开放式自由创作代码生成推理模型简洁需求“用 Python 实现快速排序”分步指导实现细节代码生成通用模型细化步骤与输入输出“先解释原理再写代码并自测”模糊需求5. 易错点五个最容易踩坑的提示语习惯下面五条都是从实际使用里摔出来的每条按“错在哪、为什么错、怎么补”写对照自己的习惯过一遍。第一坑把推理模型当成全能模型。易错点是所有任务都开 DeepSeek-R1连写推文、起标题、编广告语都不换。为什么错——推理模型的训练目标是逻辑密度高的任务发散性任务恰恰是它的劣势领域你让它写一首诗它可能给你一首结构工整但没有灵气的诗。怎么补建一张自己的任务分流表创意类、对话类、开放问答类默认走通用模型数学推导、代码生成、复杂拆解才切推理模型切换成本几乎为零。第二坑对推理模型使用启发式提示。易错点是给它加角色扮演、“你是资深专家请换个角度想想”、“如果换个思路会怎样”。为什么错——推理模型已经内化了推理逻辑简洁指令聚焦目标时表现最好强行拆解步骤或加角色设定反而可能干扰它的逻辑主线输出的结构变松、重点被冲淡。怎么补对推理模型只写目标、约束和输出格式不写“先想什么再想什么”把思考过程留给它自己。第三坑对通用模型过度信任。易错点是把复杂推理问题一次性丢给通用模型拿到有条理的答案就直接采用。为什么错——通用模型侧重语言生成与上下文理解不强调深度推理它擅长把答案说得像那么回事中间步骤未必成立。怎么补凡是涉及计算、因果、逻辑链的结论一律要求它给出推导步骤再抽样复核关键环节必要时换推理模型重跑一遍做交叉验证。第四坑提示语只有指令没有上下文和期望。易错点是写“帮我分析一下这份数据”然后就没别的了。为什么错——三段结构里缺两段模型只能靠猜补全背景和格式两次运行结果差异极大看起来像模型的随机性其实是提示语的信息缺口。怎么补开口前默念三问——任务是什么、模型需要知道哪些它不知道的信息、输出要长什么样。三问答完再敲字通常能省掉两轮返工。第五坑需求类型没对齐。易错点是把决策需求写成了执行需求比如“给我几个降低物流成本的方案”拿回一堆步骤却没有哪个更优的判断。为什么错——五类需求各有骨架决策需求要“目标选项评估标准”三件套只给目标模型只能给通用建议。怎么补先判断这次要的是选择、分析、创造、验证还是执行再套对应公式尤其决策类必须把评估标准ROI、成本、周期写进去。提示这五条里第四条最难自查因为缺口在自己脑子里看不出来。隔一天回读自己写过的提示语往往一眼就能看到缺哪段。6. 复习清单一张自测表把知识点串起来复习这个方向效率最高的方式不是重读是自测。下面这张表按模块列了“必须能答出的问题”和“自测方式”遮住右列逐行口述卡住的就回去补那一节。模块必须能答出的问题自测方式模型分类推理模型和通用模型各自强在哪、弱在哪为什么“并非全面更强”各举一个任务例子说出选它的理由快思慢想概率预测与链式推理在速度、成本、决策力上的差别画一张两列对照表不看原文选型原则三条原则分别是什么最容易违反哪条回忆一次自己踩过的坑文本生成创作型、加工型、结构化三类各自的验收标准各写一句验收话术理解分析为什么判断之外要证据分类任务为什么先定标签体系用一条评论做情感分析示范编程任务代码生成之后必须补哪几步验收说出三个必测边界用例提示语结构指令、上下文、期望各写什么缺一段会怎样把一句烂提示语改写成三段式提示语类型六类提示语分别适合什么场合哪类不能用于推理模型各造一个例句需求公式五类需求的公式分别是什么默写五个公式再各写一句完整提示语差异策略同一任务给推理模型和通用模型的提示语差在哪挑“数学证明”现场写两版复习节奏可以压得很短第一天通读一遍建立地图第二天只做表格前三行第三天做中间四行第四天做最后三行并现场写提示语。每天二十分钟四天过完一轮比一次性读三小时记得牢。真正容易失分的是那些“看起来会了”的地方。比如三段结构人人都能背出指令、上下文、期望但落到自己写的时候十次有八次只写了指令。建议拿自己最近写过的十条提示语做一次体检逐条标出缺了哪段、属于哪类需求、用的是不是对的模型标完问题一目了然。我自己有个习惯凡是准备长期复用的提示语都先存成模板写清它属于哪类需求、适配哪个模型、需要填哪几个空。有一次赶时间我跳过这一步直接口述需求结果同一份材料让模型处理了三遍三遍格式都不一样最后还是回去把模板补齐才收场。从那以后我每次开新任务前都强制走一遍“任务类型—模型选择—三段结构—需求公式”这条链路慢三十秒省半小时。希望这份整理能帮到你。本文还有配套的精品资源点击获取