企业官网建设流程全解析

简介：这份PDF资料是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学习文档，面向希望系统掌握国产大模型应用的初学者与进阶用户，帮助读者厘清DeepSeek是什么、能做什么、如何用好的核心问题。资源为单个PDF文件，约4.83MB，内容围绕DeepSeek-R1开源推理模型展开，涵盖文本创作、摘要改写、多语言翻译、代码生成与调试、语义分析与情感识别等典型场景，并对比推理模型与通用模型在优势领域、性能本质上的差异。文档还深入讲解提示语策略，区分指令驱动、需求导向与混合模式，给出数学证明、创意写作、代码生成等任务下的有效提示示例与常见误区，并梳理从入门到精通的学习路径。目前已有6546人学习，适合想提升AI使用效率的内容创作者、开发者与研究者对照实践。

1. 从一张能力地图说起：DeepSeek 到底该怎么学

很多人第一次打开 DeepSeek，输入一句“帮我写个方案”，拿到一段还算通顺的文字，就以为已经“会用”了。真正拉开差距的地方，不在于谁先注册账号，而在于谁脑子里有一张清晰的能力地图：它是什么、能做什么、什么时候该用推理模型、什么时候该换通用模型、提示语该怎么写。这份笔记梳理的正是这条从入门到精通的路径，把散落的功能点收拢成一张可复习、可查漏补缺的体系图。

整张地图可以拆成四层：最底层是模型认知（推理模型与通用模型的差异），往上是能力边界（文本生成、语义理解、编程辅助、常规绘图），再往上是使用方式（对话入口、联网搜索、深度思考、文件上传），最顶层是提示语工程（指令、上下文、期望三要素与六类提示语）。四层里任何一层含糊，用起来都会翻车。下面按模块逐层拆，最后落到一份能直接照着走的复习清单。

2. 模型认知：推理模型与通用模型的分工逻辑

2.1 两类模型的本质差异

理解 DeepSeek，第一步不是记功能，而是分清模型类型。推理大模型是在传统大语言模型基础上，强化推理、逻辑分析和决策能力的模型，通常借助强化学习、神经符号推理、元学习等技术增强问题解决能力，代表就是 DeepSeek-R1 这类开源推理模型，擅长处理复杂任务且可免费商用。非推理大模型则侧重语言生成、上下文理解和自然语言处理，通过对大量文本数据的训练掌握语言规律，能生成合适内容，但不强调深度推理与决策。

这个区分不是学术概念，而是直接决定你怎么提问。用错模型，再好的提示语也救不回来。梳理下来会发现，两类模型的差异可以压成一张对比表：

最容易踩的坑是把“推理模型”当成“全面更强”。它只是在逻辑密度高的任务上占优，写诗、写广告语这类发散任务，通用模型反而更放得开。选模型的第一原则是看任务类型，而不是看哪个名字更热。

2.2 快思慢想：概率预测与链式推理

CoT（链式思维）的出现把大模型分成两类：概率预测的“快速反应”模型和链式推理的“慢速思考”模型。前者基于大量数据训练快速预测答案，响应快、算力成本低，适合快速反馈和即时任务；后者逐步推理问题的每个步骤来得到答案，慢速思考、算力成本高，适合解决复杂问题。两者在决策能力、创造力、人机互动、问题解决能力上各有长短：快速反应模型依赖预设算法和规则决策，擅长结构化和定义明确的问题；链式推理模型能自主分析情况、实时决策，能处理多维度和非结构化问题，但也因此引出自主性与控制方面的讨论。

落到使用上，这就是一个效能兼顾的全局视野问题：日常问答、文案润色走快速通道；数学证明、复杂代码重构、多步逻辑推演走慢速通道。把慢速模型拿去写朋友圈文案，是典型的资源错配。

2.3 提示语策略的差异化设计

模型选对之后，提示语策略必须跟着换。推理模型的提示语更简洁，只需明确任务目标和需求，因为它已内化推理逻辑，无需逐步指导，模型会自动生成结构化推理过程；强行拆解步骤反而可能限制它的能力。通用模型则相反，需要显式引导推理步骤，比如通过 CoT 提示，否则可能跳过关键逻辑，依赖提示语补偿能力短板。

这里有三条关键原则值得背下来：第一，优先根据任务类型而非模型热度选择模型；第二，推理模型“要什么直接说”，通用模型“缺什么补什么”；第三，不要对推理模型使用启发式提示（如角色扮演），可能干扰其逻辑主线，也不要对通用模型过度信任，直接问复杂推理问题时要分步验证结果。这三条是后面所有提示语技巧的总纲。

3. 能力边界：四类核心场景的复习重点

3.1 文本生成与语义理解

DeepSeek 直接面向用户或支持开发者，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，支持联网搜索与深度思考模式，还能上传文件并扫描读取各类文件及图片中的文字内容。文本生成这一块可以细成三组：文本创作（文章、故事、诗歌、营销文案、广告语、社交媒体内容、剧本对话设计）、摘要与改写（长文本摘要、文本简化、多语言翻译与本地化）、结构化生成（表格与列表生成、代码注释与文档撰写）。

语义理解与分析则是另一条主线：语义分析和语义解析打底，往上做情感分析（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）、知识推理与逻辑问题解答（数学、常识推理）、文本分类与主题标签生成（新闻分类）、因果分析（事件关联性）、垃圾内容检测。复习时不要把这些当成并列的功能清单，而要按“输入是什么、输出是什么、典型场景是什么”三列去记，才记得住。

3.2 编程与代码相关能力

编程辅助分三块：代码生成（按需求生成 Python、JavaScript 等代码片段，自动补全与注释）、代码调试（错误分析与修复建议、性能优化提示）、技术文档处理（API 文档生成、代码库解释与示例生成）。这块的重点不在“能不能生成”，而在“生成后怎么验证”。推理模型在代码生成上优势明显，提示语反而要简洁，直接说“用 Python 实现快速排序，输出需包含注释”即可，不必手把手教它先写递归函数。

一个可复用的验证习惯是：让模型同时给出测试用例。下面这段提示语结构可以直接抄：

# 提示语示例：要求模型输出代码 + 自测用例 prompt = """ 任务：实现一个函数，统计字符串中每个字符出现的次数 约束： 1. 使用 Python，不引入第三方库 2. 时间复杂度 O(n) 3. 输出包含函数定义、3 个测试用例及预期结果 """

这里的“约束”就是提示语三要素里的期望部分，明确输出格式能显著减少返工。参数上，任务描述越具体，模型越不需要猜；测试用例要求则是给自己留的后悔药，方便一眼看出生成代码是否真的跑得通。

3.3 常规绘图与多模态输入

常规绘图是容易被忽略的一块能力，配合文件上传与图片文字识别，能覆盖“读图取字再加工”的流程。多模态提示语就是结合文本、图像等多种形式输入的提示语类型，使用时要把图像里要提取的信息说清楚，比如“读取这张表格图片，转成 Markdown 表格并保留表头”。这类任务的易错点在于对图像质量的假设，图片模糊时模型可能编造内容，所以关键数据要人工复核。

4. 提示语工程：从下达指令到表达需求

4.1 提示语的基本结构与六种类型

提示语是用户输入给 AI 系统的指令或信息，用于引导生成特定输出，可以是一个简单问题、一段详细指令，也可以是一个复杂任务描述。它的基本结构包含三部分：指令是核心，明确告诉 AI 执行什么任务；上下文提供背景信息，帮助更准确理解；期望明确或隐含地表达对输出的要求和预期。

按功能可以分成六类：指令型（直接告诉任务）、问答型（提问等答案）、角色扮演型（要求扮演特定角色模拟场景）、创意型（引导创意写作）、分析型（对给定信息分析推理）、多模态型（结合文本图像输入）。提示语的本质特征可以用一张 1-1-1 表记住：它是沟通桥梁，连接人类意图和 AI 理解；是上下文提供者，为 AI 提供必要背景；是任务定义器，明确指定要完成的任务；是输出塑造器，影响输出形式和内容；是能力引导器，引导 AI 使用特定能力或技能。

4.2 三种策略：指令驱动、需求导向、混合模式

从“下达指令”到“表达需求”，策略可以分三档。指令驱动是直接给出明确步骤或格式要求，适合简单任务和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空间。需求导向是描述问题背景与目标，由模型规划解决路径，适合复杂问题和需要模型自主推理的场景，能激发深层推理，但要求清晰定义需求边界。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，但要避免过度约束。

以推理模型为例，指令驱动可以写“用 Python 编写快速排序函数，输出需包含注释”；需求导向可以写“我需要优化用户登录流程，请分析当前瓶颈并提出 3 种方案”；混合模式可以写“设计一个三日游计划，要求包含某两个景点，且预算控制在 2000 元内”。三种写法没有绝对优劣，关键看任务复杂度和你对结果确定性的要求。

4.3 五类需求的表达公式

把需求分类，能让提示语从“凭感觉写”变成“按公式填”。五类需求的表达公式和适配策略如下：

每类需求都有实战写法。决策需求可以写“为降低物流成本，现有两种方案：自建区域仓库（初期投入高、长期成本低）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 年总成本并推荐最优选择”。分析需求可以写“分析近三年某类销量数据（附 CSV），说明增长趋势与关联性，并预测下一年市占率，需使用 ARIMA 模型并解释参数选择依据”。创造性需求可以写“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、提供三种技术路线的原型草图说明”。验证需求可以写“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、检查对照组设置偏差、重新计算显著性”。执行需求可以写“将以下 C 语言代码转换为 Python，要求保持时间复杂度不变、使用 numpy 优化数组操作、输出带时间测试案例的完整代码”。

4.4 任务类型与提示语的匹配表

不同任务类型对提示语的敏感度不同，这张匹配表值得贴在复习笔记首页：

5. 易错点：五个最容易翻车的地方

5.1 易错点一：把推理模型当万能模型

为什么漏：被“推理”两个字误导，以为它全面更强。实际上推理模型在发散性任务上反而受限，写诗、起标题这类任务交给通用模型更合适。怎么补：每次提问前先给任务贴标签——逻辑密度高还是多样性高，再决定模型，把这张判断表练成条件反射。

5.2 易错点二：对推理模型过度拆解步骤

为什么漏：习惯了“手把手教 AI”，把通用模型的写法套到推理模型上。推理模型已内化推理逻辑，强行拆解反而限制能力，甚至干扰逻辑主线。怎么补：对推理模型只写目标、约束和输出格式，把过程留给它；发现输出结构混乱时，先删掉多余步骤提示再试。

5.3 易错点三：对通用模型过度信任

为什么漏：直接拿复杂推理问题问通用模型，拿到看似合理的答案就采信。通用模型缺乏严格逻辑链，容易跳过关键步骤。怎么补：复杂问题要求分步思考、提供示例，并对结果做分步验证；涉及数据结论时，要求给出验证方法和风险点。

5.4 易错点四：提示语缺上下文和期望

为什么漏：只写指令，不写背景和输出要求，模型只能猜。提示语三要素里，上下文和期望最常被省略。怎么补：套用“任务 + 背景 + 输出格式”的固定骨架，尤其是执行类需求，把输出格式写死，返工率会明显下降。

5.5 易错点五：把功能清单当能力边界

为什么漏：记住了“能生成代码、能做情感分析”，却不知道每项能力的适用条件和失败场景。怎么补：复习时给每个功能补一列“失败时看什么”，比如代码生成失败先看约束是否明确、图像取字失败先看图片清晰度，把能力清单升级成带边界的判断表。

6. 复习清单：把地图变成可执行的查漏补缺

复习这件事，最怕的是“感觉都会，一用就废”。下面这份清单按四层地图组织，每一条都能独立自测，建议逐条打勾，卡住的条目回到对应章节重读。

清单之外，再补一个具体技巧：建立自己的提示语错题本。每次输出不理想，不要只重写一遍，而是记录三件事——当时用的是哪类模型、提示语缺了哪个要素、下次改哪一句。坚持一段时间会发现，翻车的模式高度重复，改掉两三个高频错误，整体效果就上一个台阶。

还有一个查漏补缺的笨办法但很有效：拿同一道题分别喂给推理模型和通用模型，对比两者的输出结构。推理模型的答案通常步骤完整、逻辑链清晰，通用模型的答案更流畅但可能跳步。对比几次，你对“什么任务该配什么模型、提示语该写多细”的直觉就建立起来了，这比背任何表格都牢。

我自己的习惯是，每次要处理一个稍复杂的任务前，强制走一遍“贴标签—选模型—套公式—写输出格式”四步，哪怕只花三十秒。这个动作帮我避开了大量本可避免的返工，也让提示语从玄学变成了可复现的流程。希望这份梳理能帮到你，把这张地图真正用起来。

本文还有配套的精品资源，点击获取