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出品的《DeepSeek：从入门到精通》PDF，是一份系统梳理DeepSeek-R1大模型应用与提示工程的知识手册，适合AI产品经理、内容创作者、程序员以及希望提升大模型使用效率的学习者。资源为单个PDF文件，大小4.8MB，内容围绕“DeepSeek是什么—能做什么—如何用更好”展开，覆盖文本生成、语义理解、代码辅助、推理模型与非推理模型的选型对比，以及链式思维、提示语策略差异等实用主题。其中还结合数学证明、创意写作、代码生成等典型任务，给出推理模型与通用模型的提示语设计原则，帮助读者按场景快速选择模型。读者既能借此建立对开源推理模型的整体认知，也能从任务需求出发，掌握指令驱动、需求导向、启发式提问等方法，避免常见提示误区。目前该资源已有2389人学习，适合作为大模型入门与提示工程进阶的参考材料。

1. 从“会用”到“用好”：DeepSeek-R1 的定位与最适合它的场景

DeepSeek 是专注通用人工智能（AGI）的中国科技公司，主攻大模型研发与应用，其开源的 DeepSeek-R1 是推理模型，擅长数学推导、逻辑分析、代码生成和复杂任务拆解，支持联网搜索、深度思考模式和文件上传，可免费商用。很多人第一次上手就让它写诗、闲聊，结果感觉“也就那样”——这不是模型弱，而是把推理模型用在了它不擅长的发散任务上。这份流传较广的学习手册把模型选型、提示语策略和需求表达公式讲得很透，适合两类人：刚接触大模型、想弄清它能做什么的初学者；已经在用但输出不稳定的从业者，需要一套可复用的任务分类与提示语写法。读之前先记住一个判断：模型没有绝对的强和弱，只有合不合适。

2. 推理模型与通用模型怎么选：R1 的边界与任务-模型匹配表

链式思维（CoT）出现之后，大模型实际上被分成了两类：一类是“概率预测”的快速反应模型，一类是“链式推理”的慢速思考模型。DeepSeek-R1 属于后者，它在传统大语言模型基础上强化了推理、逻辑分析和决策能力，通常会用强化学习、神经符号推理等手段来增强问题解决能力。这带来的直接后果是：R1 在数学推导、逻辑分析、代码生成这类任务上表现突出，但在诗歌创作、开放性闲聊这类发散任务上未必比通用模型好。

很多人拿到 R1 后第一反应是“这是不是所有任务的最强解”，血泪经验是：只要任务里带了严格的逻辑链，R1 的优势就非常明显；一旦任务变成“自由发挥”，它的输出反而显得保守、缺少惊喜。这个差异不是玄学，而是训练目标和推理机制决定的。理解这个差异，是后面所有提示语技巧的前提。

2.1 快思考与慢思考：两类模型的本质差异

要判断该用哪个模型，先看它响应任务的工作原理。下面这张表把两类模型的核心差异拆开：

这张表最容易误导人的地方是“创造力”这一行。通用模型看似有创造力，其实更多是在模式识别的基础上做组合；R1 的创造力体现在它能把问题拆成多步推理，再组合出新的解决方案，而不是天马行空地编故事。两者的创新路径完全不同，所以使用时不要拿同一套标准去要求它们。

从成本角度看，快速反应模型算力成本低、响应快，适合即时反馈场景；慢速思考模型算力成本高、响应慢，但能解决真正需要推理的问题。我的习惯是：日常问答和初稿生成用快速模型，遇到需要严格逻辑链的任务再切到 R1，而不是让一个模型扛下所有任务。

2.2 任务类型与模型选型：把 R1 用在刀刃上

手册里给了一张非常实用的对比表，直接回答了“什么任务该找谁”：

把这个表落地到具体场景：写一个“用 Python 实现快速排序”的代码，R1 可以直接给出完整实现，甚至会自动处理边界条件；换作通用模型，如果提示语只写“写个排序代码”，它很可能给一个能跑但缺少注释的版本，需要你追问“请先解释原理再写代码并测试”。反过来，写一段“包含某古城地标和预算限制的三日游计划”，通用模型能把风格和细节处理得更丰富；R1 虽然也能完成，但输出往往更像在解一道规划题，少了点“人味”。

选择模型的关键是看任务里的“逻辑密度”。数学证明、代码调试、因果分析、方案对比，这些任务里逻辑链越密，R1 的优势越大。创意文案、社交帖子、故事开头、开放式问答，这些任务里发散空间越大，通用模型越顺手。如果你拿不准，就默认先用通用模型跑一遍看效果，不满意再切 R1，而不是反过来。

2.3 关键原则与三个常见误用

手册里总结了三条原则，值得抄下来贴在屏幕边上：

第一，优先根据任务类型而非模型热度来选模型。朋友圈都在晒 R1 效果，不代表它适合你手里的任务。第二，提示语设计要跟着模型走：推理模型的提示语要简洁、聚焦目标，你“要什么直接说”；通用模型要结构化、补偿性引导，“缺什么补什么”。第三，避开两个典型误区：不要对推理模型使用角色扮演这类启发式提示，那会干扰它的逻辑主线；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。

第一个误用我在实际使用里见得太多了。有人想用 R1 写营销文案，开头先加一句“你是一位资深品牌策划师”，结果 R1 为了扮演角色，反而忽略了文案里“需要包含促销机制和截止日期”这个硬性需求。这就是典型的提示语与模型能力错配：R1 的推理链路被角色设定带偏了，而这类风格化任务本来是通用模型的强项。

第二个误用是让 R1 处理发散任务后抱怨效果差。比如问 R1“你觉得人工智能的未来会怎样”，它给出的回答可能四平八稳，缺少观点碰撞。这不是它笨，而是它被设计成先拆解问题、再逐步推理，面对开放性问题时往往会选择最稳妥的路径。如果你想要有洞察的开放式回答，要么换一个通用模型，要么给 R1 加上“请从三个对立角度展开讨论”这类约束，把发散任务转化成结构化推理任务。

第三个误用更隐蔽：在通用模型上直接问“为什么梯度下降法能解决这个优化问题，请对比其他算法”，它可能给出一个看似全面、实则跳过关键推导步骤的答案。这种问题需要显式引导推理步骤，比如“先解释梯度下降的数学原理，再对比牛顿法和 Adam 的收敛条件，最后总结各适合什么场景”。通用模型擅长的是在给定框架里做填充，框架本身需要你来搭。这三个误用都指向同一个判断：先把任务分类，再选模型和提示语，顺序不能反。

3. 提示语策略差异：推理模型要简洁，通用模型要补偿

接上一章。选好模型之后，下一步是设计提示语，而最容易翻车的就是用同一套提示语跑所有模型。推理模型已经把推理逻辑内化进去了，你不需要教它怎么思考，只需要告诉它目标；通用模型则相反，它需要你补全推理框架，否则容易跳过关键逻辑。这里面有个反直觉的点：对着 R1 越啰嗦，效果反而越差。

提示语设计这几年已经演变成一门很实操的提示工程技术，但它不是靠花哨模板取胜，而是靠理解模型的工作方式。第一节先看策略选择，第二节是六类任务的提示语对照，第三节给一个“下达指令”到“表达需求”的改写示范，直接照着改就能用。

3.1 三种提示策略：指令驱动、需求导向、混合模式

手册把提示语策略分成三类，先看适用边界：

选择策略时我一般有个判断：如果任务本身逻辑简单，指令驱动最快；如果任务需要分析、拆解、权衡，需求导向更容易引出高质量答案；如果目标明确但细节容易跑偏，混合模式最稳。一个常见的反例是：任务本身复杂，提示语却只给一个模糊指令，比如“分析一下这个数据”，R1 不知道该按什么维度分析，输出自然泛泛而谈。

3.2 六类任务的提示语写法：有效提示与反例对照

这一节是全文最值得反复看的部分。同样的任务，提示语写法不同，效果可能天差地别。我把手册里分散的任务示例重新分类，整理成下表：

这张表的核心结论是：推理模型的提示语要“给目标，少给路径”；通用模型的提示语要“给框架，多给约束”。如果你发现自己正在给 R1 写“先做 A，再做 B，最后 C”的步骤，停下来，删掉大半，只保留目标，通常效果不降反升。文本摘要这一行是常见用法里的典型场景，推理模型给出长度和重点方向即可，通用模型则需要把摘要结构也交代清楚。

3.3 从“下达指令”到“表达需求”：一个改写示范

所谓提示语升级，本质上是从“下达指令”变成“表达需求”。指令驱动的写法是“用 Python 编写快速排序函数，输出需包含注释”，模型照做，但不会多做；需求导向的写法是“我需要一个能在大型数据集上稳定运行的排序函数，请评估几种排序算法后给出推荐实现”，模型会先拆需求再动手，输出里往往多出你没想到的边界处理。这个差别在复杂任务上尤其明显。

实际使用时，我习惯把需求拆成三个要素：目标、约束、验收标准。目标告诉模型要解决什么问题，约束圈定范围，验收标准让模型知道自己做到什么程度算完成。比如“优化用户登录流程”是目标，“当前注册转化率在移动端下降了 15%”是约束，“给出三种方案并标注风险和实施成本”是验收标准。三者齐全后，R1 的输出质量会稳定很多。

再举一个更贴近日常的例子。原始需求：“帮我优化一下这个 Python 脚本，让它跑得更快。”改写后：“我有一个处理十万行日志的 Python 脚本，当前耗时约 80 秒。请先分析瓶颈，再给出三种优化方案，要求保持输出格式不变，最后用同一份测试数据对比优化前后耗时。”这两句话的差别在于：后者把数据规模、耗时基线、方案数量、验证方式全部交代清楚了。R1 拿到这种需求，会先做性能剖析，再按优化空间排序，而不是凭经验给几个泛泛的建议。下一次写提示语之前，先问自己：这句话我能直接发给一个不太熟悉的同事吗？如果不能，就该改写。

4. 五类需求表达公式：让 R1 一次听懂你要什么

提示语设计再往深走一步，就是需求表达。手册把常见需求分成五类：决策、分析、创造、验证、执行，每类都有一套表达公式和对应的模型适配策略。这一章可以作为模板库来用，遇到任务时直接套。先看总表：

这五类公式的共同点是把“模糊意图”翻译成“结构化任务”。模型不是读心术，它只能从你给的文字里提取约束。约束越多、越明确，输出越接近你想要的东西。下面逐类展开。

4.1 决策需求与分析需求：公式与实战技巧

决策需求的特征是需要权衡选项、评估风险、选择最优解。表达公式是“目标 + 选项 + 评估标准”。推理模型的适配策略是要求逻辑推演和量化分析，通用模型的适配策略是直接给建议、依赖经验归纳。手册里的实战例子是：

“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依据。”

这个例子的关键是把“评估标准”写进去了。如果只写“帮我选一个物流方案”，R1 不知道按成本选还是按灵活性选，输出就很难量化。加上 ROI 计算模型和 5 年周期后，它会把两个方案的现金流、固定成本、浮动成本摊开再比较，理由也更扎实。写决策类需求时，最怕的是“选项都不给，让模型自己编”，那样得到的方案往往脱离你的实际资源约束。

分析需求的特征是需要深度理解数据、发现模式或因果关系。表达公式是“问题 + 数据/信息 + 分析方法”。推理模型的适配策略是触发因果链推导与假设验证。手册例子：

“分析近三年新能源汽车销量数据（附 CSV），说明增长趋势与政策关联性，预测 2025 年市占率，需使用 ARIMA 模型并解释参数选择依据。”

分析类任务最容易踩的坑是不给数据分析方法。数据文件一丢，只写“分析一下”，R1 能给你十个维度的泛泛分析，但没有一个是你真正关心的。先把问题问具体，再指定分析方法和输出形式，才能拿到能直接用的结论。我在处理这类任务时，会额外加一句“如果数据缺失或存在噪声，请先说明你的处理方式”，把数据质量问题也放到推理链路里。

4.2 创造性需求与验证需求：约束条件与验证路径

创造性需求的特征是生成新内容，表达公式是“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，通用模型适合自由发散、依赖示例引导。手册例子：

“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。”

注意这里的“创意”被约束在一个具体问题上，而且要求提供三种路线。如果只写“设计一款智能家居产品”，R1 可能会给一个市场上已经很多的通用方案；加上“独居老人安全”这个场景后，它才会往跌倒检测、行为识别、紧急呼叫这些方向拆。创造力不是凭空来的，是约束逼出来的，这条在推理模型上尤其成立。

验证需求的特征是检查逻辑自洽性、数据可靠性和方案可行性。表达公式是“结论/方案 + 验证方法 + 风险点”。推理模型的适配策略是自主设计验证路径并排查矛盾。手册例子：

“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。”

提验证需求时，最忌讳的是直接问“这个结论对不对”。R1 如果只被问到“对不对”，它会基于自身知识给出一个倾向性回答，而不是真正检验证据链。把验证方法写清楚，它才会去检查数据、对照、显著性这些硬指标。这也是让我改变使用习惯的一个例子——以前我让模型“帮我看看这段代码有没有问题”，后来改成“请检查这段代码在输入为空、超大数组、并发调用三个场景下的表现”，收获完全不同。

4.3 执行需求：步骤约束与输出格式

执行需求的特征是完成具体操作，表达公式是“任务 + 步骤约束 + 输出格式”。适用模型以推理模型为主，因为它在执行时会自主优化步骤，兼顾效率与正确性。手册例子：

“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。”

执行需求最容易犯的问题是只写任务不写约束。比如“把这段 C 代码转成 Python”，R1 可能只是机械翻译，保留了很多不必要的底层细节；加上“保持时间复杂度不变”和“使用 numpy 优化”之后，它才会真正去思考哪些循环可以向量化、哪些数据结构该换。输出格式同样重要，“带时间测试案例的完整代码”这个要求，保证了输出不是半成品，而是可以直接跑起来验收的东西。

4.4 表达不清时的四个排查方向

如果按公式写了，R1 的输出还是不满意，我一般按下面四个方向排查，而不是反复改提示语重试：

第一，任务类型是否判断错误。你要的是分析，却套用了决策公式，模型自然答非所问。先回到第 2 章的选型表重新分类。第二，评估标准或约束是否缺失。决策需求里没有“评估标准”，创造性需求里没有“约束条件”，模型就只能自己猜，猜的方向大概率不是你想要的方向。第三，数据分析方法是否为空。分析需求只给数据不给分析方法，模型的输出会退化成“描述现状”而不是“分析原因”。第四，验收标准是否模糊。执行需求里没有“输出格式”，你就得在一大段代码里自己筛选重点，而模型并不知道做到哪一步算完成。这四个方向走一遍，大部分“提示语不管用”的问题都不是玄学，而是结构缺项。

5. 避坑指南：模型选择与提示语的五个翻车点

前几章讲的是怎么做，这一章讲的是别怎么做。以下五个翻车点来自真实使用反馈，每一条都值得在项目里标注为红线。

5.1 把推理模型当通用模型用

现象：让 R1 写营销文案、朋友圈文案、品牌故事，输出中规中矩，缺少网感和情绪张力，改稿时间比从零写还长。原因：R1 的强项是逻辑推理，不是发散性创意；它的训练目标决定了它在“开放性创作”任务上会倾向于稳妥、结构化，而不是出彩。解决：创意文案类任务优先用通用模型，用 R1 负责“分析受众”“拆解卖点”“梳理文案结构”，把创作拆成推理任务后再交给它。比如先让 R1 输出“这个产品面向 25 岁都市单身人群，核心卖点是便携和续航，请列出 5 个能引发共鸣的内容方向”，再让通用模型基于这些方向写文案，两边都舒服。

5.2 对推理模型强行拆解步骤

现象：给 R1 写“先画一个直角三角形，再列出勾股定理公式，然后分三步证明”，结果它反而开始在每一步之间做解释，输出冗长且重点模糊。原因：R1 已经内化了推理逻辑，你在外部强行拆步骤，实际上把它的推理链路打断了，它需要花额外精力去对齐你给的步骤框架。解决：对推理模型只保留目标，比如直接说“证明勾股定理”，让它用自己的推理路径完成。如果担心方向跑偏，可以加一条“输出需要包含关键前提和结论逻辑”，但不要一句一步地指挥。这个习惯帮我省了很多 token，也让我意识到“提示语越短，推理模型反而越强”是真的。

5.3 对通用模型直接抛复杂问题

现象：在通用模型上问“为什么梯度下降法能解决此优化问题，请对比其他算法”，回答看似全面，但仔细看会发现收敛性分析、适用条件这些关键点讲错了或直接跳过。原因：通用模型不会主动拆解复杂推理，它优先给一个“像样的整体回答”，细节漏洞要靠显式引导才能补上。解决：给通用模型补上推理框架，比如“先解释梯度下降的数学原理，再对比牛顿法和 Adam 的收敛条件，最后各给出一个适用场景”，让它按要求填空。复杂任务想省事，最稳的做法还是直接切到 R1，而不是指望通用模型自己推演。

5.4 给推理模型加大量角色设定

现象：让 R1 扮演“资深运营专家”“某行业顾问”等多重角色后再做分析，输出里充斥着套话，关键数据和推导反而变少。原因：推理模型的逻辑主线是任务目标，角色设定属于额外的风格噪声，模型为了维持角色一致性，会优先输出符合角色预期的语言，而不是针对问题本身的推理。解决：非必要不角色扮演。真正需要角色语境的任务（比如“以某位作家的风格改写这段文字”），应该交给通用模型。R1 上如果要加角色，也只在提示语末尾补一句“基于以上分析，以某角色口吻输出结论”，把角色限定在输出层，不影响推理层。

5.5 输出不验证就上线

现象：R1 生成了一段代码或一份分析报告，直接复制到工程里或发给业务方，后续发现边界条件处理错误、统计量算错，返工成本远高于预期。原因：大模型输出本质是概率采样，即使 R1 的推理能力强，也可能在细节上出错；它不会主动告诉你“这一步我不确定”。解决：把验证步骤写进任务要求，比如“请为上述代码附上边界测试”或“请说明分析结论对应的数据来源”，拿到输出后再人工复核关键路径。如果模型生成了代码，至少跑一遍边界用例；如果生成了分析报告，抽查三处数据计算的原始出处。现在我每次用 R1 生成代码，都会强制加一条“请给出测试用例”，这比事后 review 高效得多。

6. 提示语还值不值得学：从“会问”到“会验收”

提示语本质上是人与 AI 之间的“沟通桥梁”，它把人类意图翻译成模型能理解的任务描述。很多人觉得 AI 变强了就不用学提示语了，我的看法正好相反——模型越强，对“需求表达质量”的敏感度越高，差一句话结果可能差一个量级。

6.1 提示语的基本结构与六种类型

提示语的基本结构是“指令 + 上下文 + 期望”。指令是核心，明确告诉 AI 做什么；上下文提供背景信息；期望表达输出要求。六种常见类型各有用途：指令型、问答型、角色扮演型、创意型、分析型、多模态型。实际使用时，不用刻意区分类型，但要知道自己正在用哪一种。比如“假设你是一位 19 世纪的历史学家，评论某位政治人物的崛起”是角色扮演型，它的作用是为 AI 提供叙述视角，而不是真的让它变成历史学家。指令型最直接，问答型适合获取解释，创意型引导发散，分析型推动推理，多模态型则把文本、图像等多种输入组合成一个任务。知道类型不是目的，目的是在设计提示语时能准确判断：我这句话到底在要求模型做什么。

6.2 需求验收：比写提示语更重要的一步

我真正养成习惯的是“先写验收标准，再写提示语”。以前我拿到一个任务就急着输入，模型给什么我看什么；后来在某个模拟项目 X 里，R1 生成的数据清洗脚本在跑批时漏了空值处理，导致后续报表全部重跑。那次翻车之后，我给自己定了一条规矩：凡是让模型生成代码或分析结果，提示语里必须包含“验收方式”和“测试用例”两个要素。比如生成代码时加“请为输入为空、超长文本、特殊字符三种情况各写一个测试断言”，分析任务时加“请说明每一步结论的支撑数据来源”。这样做之后，返工率明显下降。

提示语从“会问”到“会验收”，就是从关注“模型说了什么”转向关注“我如何确认它对”。那一套需求表达公式，本质上是把验收标准提前到提问环节。从那以后，我每次给模型发任务前都强制走一遍：任务类型是什么、用哪个模型、提示语缺不缺验收标准。这套流程算不上精巧，但确实把 AI 从“黑匣子”变成了“可复核的协作工具”。希望帮到你。

本文还有配套的精品资源，点击获取