企业官网建设流程全解析

简介：清华大学新闻与传播学院新媒体研究中心推出的这份DeepSeek入门到精通指南，聚焦国产大模型DeepSeek及开源推理模型DeepSeek-R1的研发与应用，适合有一定AI基础、希望深入实践推理模型的研究人员和技术爱好者。内容从“DeepSeek是什么”“能够做什么”“如何使用”展开，详细梳理了智能对话、文本生成、语义理解、代码生成与多模态识别等应用场景，并重点对比快速反应的通用模型与链式推理的推理模型，结合数学证明、代码生成、创意写作等任务，讲解任务导向的模型选择和提示语设计策略，帮助读者完成从下达指令到表达需求的进阶。全篇为单个PDF文件，大小约5.37MB，已有396人学习。通过这份资料，读者可以快速理解国产AGI的发展进程，掌握面向复杂逻辑任务的项目落地方法，同时关注伦理合规与模型局限性，更好地释放DeepSeek的创新能力。

1. 用对国产推理模型：先从DeepSeek-R1的能力边界说起

拿到那份《DeepSeek从入门到精通》资料时，我原以为又是一本对话技巧合集，翻了几页发现方向完全不同：它没教人背“万能提示词模板”，而是把 DeepSeek-R1 的能力边界、推理模型与通用模型的本质差异、提示语策略差异、五类需求表达公式串成了一条完整的方法链。DeepSeek-R1 是免费开源的国产推理模型，擅长数学推导、代码生成、复杂任务拆解和逻辑分析，与常见通用模型走了两条完全不同的技术路线。这份资料适合有一定 AI 基础、想把 DeepSeek 用在实际项目里做深推理场景的研究人员和技术从业者，读完能直接指导模型选型与提示语写法。

2. 推理模型与通用模型的分工逻辑：为什么同一句问话指向完全不同

2.1 快思慢想：链式推理机制决定行为差异

CoT 链式思维出现之后，大模型被清晰分成了两类：概率预测的快速反应模型，和链式推理的慢速思考模型。DeepSeek-R1 属于后者。两者处理同一个问题时，内部路径完全不同：快速模型通过大量数据训练，基于概率预测直接生成最可能的答案，响应快、算力成本低，但决策依赖预设算法和规则；慢速模型则把问题拆成一步步推理链，逐步演算，每一步都会验证上一环节的逻辑，算力成本高，但对复杂问题的正确率和稳定性明显更高。

这个机制直接体现在使用体验上。我用 R1 做过一次数据异常分析，它没有直接甩结论，而是先列了一串“数据波动可能来自哪几个层面、每个层面的证据是什么”的推理过程。当时觉得啰嗦，后来才明白这就是 CoT 在工作，中间每一步都在为最终结论做铺垫。快速模型没有这个过程，它更像一个“熟手”：一听问题就凭经验给答案，但给不出严谨的推理依据。两者的适用面差异，不应该被理解成“谁更聪明”，而是“谁更适合什么样的任务”。

2.2 任务类型决定选型：数学题和文案题不在一个赛道

选模型的第一原则是看任务类型，而不是看模型热度。推理模型的优势领域集中在数学推导、逻辑分析、代码生成、复杂问题拆解；通用模型的优势领域则集中在文本生成、创意写作、多轮对话、开放性问答。两边各有明确短板：推理模型做发散性任务会很别扭，比如诗歌创作，它给出的作品逻辑紧凑但灵气不足；通用模型做需要严格逻辑链的任务容易跳步，比如数学证明，它可能给出一个看起来合理但省略关键推导步骤的答案。

我一般把选型判断拆成四步。第一步，看任务是否依赖严格的逻辑链，如果是就优先走推理模型，像“用 Python 实现快速排序”“分析这份数据的因果关系”这类都算；第二步，看输出形态，是需要一段可直接运行的代码和推导过程，还是需要一篇有风格有张力的文案，前者选推理模型，后者选通用模型；第三步，估算算力成本，推理模型响应慢、算力成本高，简单任务比如“帮我写个请假条的模板”不必动用 R1；第四步，给复杂推理结果留复核余地，模型给结论之后，要准备一套验证方法去确认。

2.3 强度偏见：推理模型不是全面更强的“升级版”

这是最容易踩的误区。很多人拿到 DeepSeek-R1 之后把它当成通用模型的强化版，什么任务都往里丢，结果在创意写作上翻车。R1 的优势是专精于逻辑密度高的任务，它并不是处处比通用模型强，只是训练目标决定了它在推理赛道上更可靠。

提示语策略也要跟着模型走，不能一套模板打天下。推理模型需要的提示语更简洁，你只需明确任务目标和需求，它会把推理过程自动内化；通用模型则需要显式引导推理步骤，比如要求分步思考、提供示例，否则容易跳过关键逻辑。具体来说：对推理模型，直接说“用 Python 实现快速排序”即可，它知道该调什么策略；对通用模型，则要补足“先解释快速排序原理，再写出代码并测试示例”这类引导，它才能给出同样深度的输出。

从资料里总结出的关键原则有三条：优先按任务类型而不是模型热度选型；推理模型用简洁指令、聚焦目标，通用模型用结构化引导、缺什么补什么；不要对推理模型使用启发式提示（比如角色扮演会干扰逻辑主线），也不要对通用模型过度信任（复杂推理问题需要分步验证结果）。这三条配合执行，能覆盖大多数日常使用场景。

3. 提示语设计的两套思路：从下达指令到表达需求

3.1 提示语的基本结构：指令、上下文与期望

提示语是我们与 AI 对话时使用的语言，它可以是简单的问题，也可以是详细的指令或复杂的任务描述。资料里把提示语的基本结构拆成三个部分：指令、上下文和期望。指令是核心，明确告诉 AI 执行什么任务；上下文为 AI 提供背景信息，帮助它更准确地理解和执行；期望则明确或隐含地表达对输出形式和内容的要求。

一个典型的例子：只说“翻译成法语”和说“将以下内容翻译为法语，这是发给某法国客户的正式邮件用语”是两种完全不同的体验。前者只有指令，模型输出的是直译；后者补齐了上下文和期望，模型会调整语气和用词。提示语的另一层本质可以被理解为五个身份：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；任务定义器，明确指定任务；输出塑造器，影响输出形式和内容；能力引导器，引导 AI 使用特定能力或技能。

提示语本身也分类型。指令型直接告诉 AI 执行什么任务，问答型向 AI 提问期望得到答案，角色扮演型要求 AI 扮演特定角色模拟场景，创意型引导创造性写作或内容生成，分析型要求对给定信息进行推理，多模态提示语则结合文本、图像等多种形式的输入。实际使用时，同一类需求往往需要组合两三种类型的提示语，而不是单一类型走到底。

3.2 推理模型的提示语：要什么直接说

推理模型已经把推理逻辑内化，提示语策略的核心是简洁。以证明勾股定理为例：对 DeepSeek-R1，直接说“证明勾股定理”就够了，它会自动完成画图、推导、整理这三步，输出一份结构完整的证明；如果强行拆解成“先画图，再列公式，再推导”，反而限制了它的自主优化空间，因为分步指令会打断它原有的推理链。

代码生成场景下也一样。想写快速排序，对推理模型最有效的方式是“用 Python 编写快速排序函数，输出需包含注释”，它自己知道要选递归方案、处理基准值选取、标注时间复杂度。你要是画蛇添足地说“先写递归函数，再写主函数，再测试”，反而会把一个本来完整的过程切碎，输出变的生硬且容易遗漏步骤。

我一般会对推理模型使用两种写法。一种是纯目标式：“证明勾股定理”“写一个二分查找函数”；另一种是目标加约束式：“用 Python 写一个快速排序函数，要求时间复杂度 O(n log n)，并给出测试用例”。推理模型会自动跳过不必要的解释，直接面向目标构造逻辑链。前提是你要明确告诉它“要什么”，并给出必要的边界条件，剩下的推理过程放手让它做。

3.3 通用模型的提示语：缺什么补什么

通用模型的策略则相反，需要显式引导推理步骤来补偿能力短板。把同一个快速排序任务丢给通用模型，如果你只说“写个排序代码”，它大概率给你一个全排列式的冒泡排序，也不会解释原理。正确做法是补充指令：“先解释快速排序的原理，再写出代码，最后用一组测试示例验证”。它没有内化的推理逻辑，需要你替它把步骤排好。

创意类任务同样要按此逻辑调整。推理模型适合鼓励发散并设定角色或风格，比如“以海明威的风格写一个冒险故事”，它可以基于逻辑框架生成结构化创意；通用模型则需要明确约束目标，比如“写一个包含‘量子’和‘沙漠’的短篇故事，不超过 200 字”，否则它会自由发挥到没有边际。

给一份我整理过的速查表，按任务类型直接对照：

这张表的本质是在提醒一件事：模型和提示语是配套关系。同一句话发给不同模型，要用完全不同的写法才能得到同样质量的结果。很多“AI 不好用”的抱怨，其实问题出在提示语与模型不匹配。

4. 五类需求表达公式：让输出精度提高一档

4.1 决策需求与分析需求：把标准量化给模型

决策需求的本质是权衡选项、评估风险、选择最优解。表达公式可以写成：目标 + 选项 + 评估标准。资料里给过一个很典型的物流成本案例：

为降低物流成本，现有两种方案：①自建区域仓库，初期投入高但长期成本低；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依据。

这个提示语之所以有效，是因为三个要素全部在场。目标是“降低物流成本”，选项是两个具体方案，评估标准是“ROI 计算模型和 5 年总成本”。模型能在明确约束下做量化对比，而不是泛泛而谈“各有优劣”。如果你只丢一句“我应该自建仓库还是找第三方合作”，R1 会先跟你确认一堆前提，因为它缺少评估标准，没法下手算。

分析需求的表达公式则是：问题 + 数据/信息 + 分析方法。例如：

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 2025 年市占率，需使用 ARIMA 模型并解释参数。

这里的问题、数据载体、分析方法都给了。实际操作中，分析方法这一项最容易被忽略，但恰恰最重要。不指定分析方法，模型会按最平庸的统计口径输出；指定 ARIMA，模型就会沿着时间序列、参数选择、拟合评估这条路径展开，输出从“表面总结”变成“分析过程”。验证这一步是否有意义，要看模型是否真按指定方法执行了，这一点可以在输出里核对。

4.2 创造性需求与验证需求：约束与验证路径设计

创造性需求的公式是：主题 + 风格/约束 + 创新方向。资料给的智能家居案例可以说明问题：

设计一款智能家居产品，要求：①解决独居老人安全问题；②结合传感器网络和 AI 预警；③提供三种不同技术路线的原型草图说明。

这个例子最值得学习的地方在于“在约束中发散”。主题锁定了目标人群（独居老人），约束锁定了技术框架（传感器 + AI 预警），创新方向锁定了输出形态（三种技术路线）。三者齐全后，R1 能给出结构完整、差异明显的多方案设计；缺任何一个要素，它都会往宽泛方向跑。我试过只留“帮我设计一个智能家居产品”，输出是一堆市场分析，没有任何可落地的技术方向。

验证需求的公式是：结论/方案 + 验证方法 + 风险点。例如：

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。

对推理模型来说，验证需求是它最擅长的工作。它不只核对结论本身，还会自主设计验证路径，检查数据来源、对照组偏差、统计显著性。这种提示语的效果在于让模型同时扮演“执行者”和“审计者”，输出里既包含结论证据链，也包含潜在风险点。用在评审场景里，可以把风险讨论前置，而不是等方案做完了才发现漏洞。

4.3 执行需求：步骤约束与输出格式并用

执行需求的公式是：任务 + 步骤约束 + 输出格式。典型示例来自资料里的代码转换需求：

将以下 C 语言代码转换为 Python，要求：①保持时间复杂度不变；②使用 numpy 优化数组操作；③输出带时间测试案例的完整代码。

这个提示语的精细之处在于两点。一是用“边界”来约束步骤，而不是用“流程”来约束步骤。“保持时间复杂度不变、用 numpy 优化数组操作”是工程师角度关心的问题边界，比“先读代码再转换再测试”这种废话级指导有效得多；二是输出格式直接决定可用性。“输出带时间测试案例的完整代码”会让模型顺带生成一组性能基准测试，你拿到手就能直接跑，不需要再补一步。

执行需求里还有一个容易被忽略的用法：结合文件上传。资料里明确提到 DeepSeek 支持文件上传，能扫描读取各类文件及图片中的文字。处理合同扫描件时，我一般会这样写：“这里有一份合同扫描件，请提取关键条款，按风险等级分类，并标注出可能产生歧义的表述”。模型拿到扫描件后会在读取文字的基础上做条款分类，本质上把一次信息提取变成了风险预审。

5. 避坑指南：用 DeepSeek 最常见的五个翻车现场

5.1 对推理模型强行拆步骤，输出反而变碎

现象：让 R1“先画图、再列公式、再推导”地证明勾股定理，结果输出断成三段，每段都只有半句话，反而没有直接问“证明勾股定理”时给出的完整证明清晰。

原因：推理模型已经内化了推理逻辑，分步指令打断了它原有的推理链。它本来可以一步推完，你强制拆解，反而限制了它的自主优化空间。

解决：把拆解权还给模型。只给它任务目标和边界条件，让它自己决定推导顺序。如果你担心输出结构不可控，可以让它在最后“用编号列出关键步骤”，但不要在中途打断推理过程。

5.2 对通用模型直接问复杂逻辑题，答案停留在表面

现象：向通用模型抛“分析电车难题中功利主义与道德主义的冲突”，得到的回答是两段各 50 字的概念介绍，没有真正的对比分析。

原因：通用模型缺少链式推理能力，面对复杂逻辑问题会直接给出概率最高的宽泛回答，不会自动拆分问题并逐步推导。

解决：先拆问题，再逐层提问。先让它“解释电车难题中功利主义和道德主义各自的核心主张”，再让它“基于同一个案例，对比两种主张在决策路径上的差异”，最后才问“哪种主张在什么条件下更有解释力”。每步都给它明确的推理任务，输出深度立刻不一样。

5.3 给推理模型加角色扮演，逻辑主线被带偏

现象：让 R1“以资深律师的角色分析某合同条款的风险”，输出里频繁出现“作为资深律师，我认为”这类套话，真正针对条款逻辑的风险分析反而被稀释。

原因：角色扮演属于启发式提示，它的作用是引导模型发散联想，和推理模型的逻辑主线天然冲突。推理模型需要的是冷静的目标描述，角色设定只会分散注意力。

解决：推理任务不用角色，直接描述任务本身。“分析这份合同第三条第 2 款中违约责任条款的风险，对比两种不同解释路径的后果”比“你是一位资深律师”有效得多。角色扮演留给通用模型的创意写作场景。这是从资料里的关键原则推出来的：不要对推理模型使用启发式提示。

5.4 提示语只有指令没有上下文，输出全是样板

现象：丢给模型一句“写一篇产品推广文案”，它返回一个放之四海而皆准的模板，换掉产品名就能套到任何品类上，没有任何针对性。

原因：缺上下文。模型不了解目标用户、产品定位、投放渠道，只能按最稳妥的套路生成。

解决：补上背景、对象和边界。把“写一篇产品推广文案”扩成“这款产品是面向独居老人的智能药箱，核心卖点是自动提醒和家人远程查看用药记录，投放渠道是社区公告栏和家庭医生微信群，写一篇 300 字内、语气温和的推广文案”。输出会从样板模板变成可落地的具体内容。我一般在写提示语时多花半分钟补这三要素，输出质量能提高一个档次。

5.5 拿推理模型写剧本，文风干涩内容僵硬

现象：让 R1 写一段包含情感冲突的剧本对话，它的对白逻辑严谨但完全没有情绪张力，每个角色说话都像在提交工作报告。

原因：任务类型与模型不匹配。剧本依赖发散性创意和情感表达，这正是推理模型的劣势领域。

解决：先横向选型，再写提示语。创意任务交给通用模型，逻辑任务交给推理模型，把“让 R1 什么都干”换成“不同任务用不同模型”。如果项目环境里同时有两个模型可用，这是最优解；如果只有 R1，那就在提示语里增加风格参考样例，比如“参考这段对白的语气，重写下面的场景”，用示例补偿发散性输出的短板。

6. 进阶技巧：把 R1 的推理过程变成验证工具

一个具体习惯，从“问答案”改成“要验证路径”。这个习惯是我在一次评审翻车后总结出来的。当时我用 R1 做一组销售数据的异常归因，它给出了三个可能原因，我只取了第一个原因就交给某导师复核，结果那个原因建立在错误假设上，整条分析被推翻，白白浪费了两天时间。

从那以后，我给 R1 发每次带结论的任务，都强制走一套模板：结论 + 验证方法 + 风险点 + 替代解释。模板大概是：

当前结论：库存周转率下降 16% 源于某大客户订单波动。请验证：①该结论是否有数据支撑；②是否存在季节性因素干扰；③给出一个依赖数据最少的替代解释。

这个写法的关键在于告诉模型“我要的不是更详细的结论，而是验证方案”。R1 会输出一条完整的验证链：先说明该结论能被哪些字段验证，再指出季节性因素是否被排除，最后给出一个备选解释。它不是用来替代人工复核的“黑匣子”，而是用来缩小讨论范围的推理辅助。R1 推过的每一步，都可以回头再让它在反方向验证一遍，这一招对付复杂归因尤其有效。

文件上传类任务也可以走同样的流程。扫描合同提取条款时，不要只让它提取，在后面加一句“列出该条款对甲方和乙方分别有利的部分，以及可能的争议点”。一个被动的信息提取任务就变成了风控预审。多模态提示语在这里的用法很直接：描述文件内容时要具体，指清楚“第二页的表格”或“红色标注的部分”，模型对焦越准，提取结果越可用。

验证模板的终点是“反证尝试”。让 R1 证明“当前结论是错的”，它会找出支撑原结论的隐含假设并逐条挑战。每次都能暴露出至少一个此前被忽略的假设，这正是推理模型相比通用模型最值得用对的地方。从那以后我每次拿到 R1 给出的关键结论，都强制走一遍这个模板，确认它在反证尝试里站得住脚再采纳。多花两分钟，少走两天弯路。希望帮到你。

本文还有配套的精品资源，点击获取