企业官网建设流程全解析

简介：这份PDF是清华大学新闻与传播学院新媒体研究中心推出的《DeepSeek：从入门到精通》完整讲义，面向希望系统掌握大模型应用与提示语设计的开发者、研究者及AI爱好者。内容从DeepSeek公司与开源推理模型DeepSeek-R1讲起，覆盖智能对话、文本生成、语义理解、计算推理、代码生成补全等场景，并深入辨析推理大模型与非推理大模型的差异、CoT链式思维下的快思慢想机制，以及针对不同模型的任务选择与提示语策略。资源包为单一PDF文件，约5.36MB，结构清晰、图文并茂，便于通读与检索。目前已有14295人学习下载，读者可借此建立从基础概念到实战提示语设计的完整认知路径，理解推理模型与通用模型各自的优势边界，掌握结果精准高效、需求导向、混合模式等提示语设计原则，是一份兼具理论深度与实操指导价值的AI进阶指南。

1. 从一份 104 页 PDF 说起：推理模型到底该怎么上手

很多人第一次拿到这份《DeepSeek：从入门到精通》的 PDF，翻两页就放下了——目录里全是“提示语策略”“CoT 链式思维”“推理模型 vs 通用模型”，看着像学术讲义，跟日常写代码、写文案、做分析有什么关系？我一开始也这么想，直到把它当成一份“模型选型与提示语设计手册”重新读了一遍，才发现它解决的是一个非常具体的问题：同一个任务，为什么换个模型、换种问法，结果差出十万八千里。

这份资料的核心不是教你“DeepSeek 怎么注册”，而是把推理模型（如 DeepSeek-R1）和通用模型的能力边界、提示语差异、任务匹配逻辑讲透了。它适合三类人：一是天天跟大模型打交道但总觉得自己“问不到点上”的开发者；二是需要把 AI 能力嵌入业务流程的产品或运营；三是想搞清楚“什么时候该用慢思考模型、什么时候用快反应模型”的技术决策者。104 页不算厚，但信息密度不低，下面我按自己拆读的顺序，把能直接抄作业的部分拎出来。

2. 推理模型与通用模型：选型逻辑和提示语差异

2.1 两类模型的本质区别不在“强弱”，在“任务匹配”

资料里反复强调一个观点：推理模型不是全面更强，它只是在逻辑密度高的任务上显著优于通用模型。DeepSeek-R1 这类推理模型，训练目标里强化了强化学习、神经符号推理、元学习等技术，擅长数学推导、逻辑分析、代码生成、复杂问题拆解。而通用模型（GPT-3、GPT-4、BERT 这一类）侧重语言生成、上下文理解、多轮对话，在创意写作、开放性问答上更灵活。

这个区分直接决定了你该怎么写提示语。我见过太多人对着推理模型写“你是一位资深 Python 工程师，请一步步思考”，结果模型反而被角色扮演干扰了逻辑主线。资料里的原则很明确：推理模型要简洁指令，聚焦目标，信任它内化的推理能力；通用模型才需要显式引导推理步骤，缺什么补什么。

下面这张表是我从资料里整理出来的选型对照，建议直接存下来：

2.2 提示语策略：从“下达指令”到“表达需求”

资料里把提示语策略分成了四种类型：指令驱动、需求导向、混合模式、启发式提问。这个分类的价值在于，它告诉你不同任务该用哪种表达方式，而不是笼统地“好好写提示语”。

指令驱动适合简单任务，直接给明确步骤或格式要求。比如“用 Python 编写快速排序函数，输出需包含注释”。需求导向适合复杂问题，描述背景和目标，让模型自己规划路径。比如“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”。混合模式兼顾目标与细节，适合需要平衡灵活性和可控性的场景。启发式提问则通过“为什么”“如何”引导模型主动思考，适合探索性问题。

我自己的习惯是：先判断任务类型，再决定用哪种策略。数学证明、代码生成这类逻辑密度高的任务，直接扔给推理模型，别加戏；创意写作、多轮对话这类发散性任务，用通用模型，给足约束和示例。资料里有一句话我划了重点：“不要对推理模型使用启发式提示，可能干扰其逻辑主线；不要对通用模型过度信任，需分步验证结果。”

2.3 任务需求与提示语策略的匹配表

资料里给了一张很实用的匹配表，我把它简化成了可操作的版本：

这张表我贴在工位上用了很久，每次写提示语之前扫一眼，能省掉大量试错时间。

3. 五类需求表达公式：把“说不清”变成“可执行”

3.1 决策、分析、创造性、验证、执行：每类需求都有对应的表达结构

资料里把用户向 AI 表达需求分成了五类：决策需求、分析需求、创造性需求、验证需求、执行需求。每一类都有对应的表达公式和适配策略。这个框架解决的是“我知道要什么，但说不清楚”的问题。

决策需求的公式是：目标 + 选项 + 评估标准。比如“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。”推理模型适配策略是要求逻辑推演和量化分析，通用模型则是直接建议、依赖经验归纳。

分析需求的公式是：问题 + 数据/信息 + 分析方法。比如“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 模型并解释参数选择依据。”推理模型会触发因果链推导与假设验证，通用模型则偏向表层总结或分类。

创造性需求的公式是：主题 + 风格/约束 + 创新方向。比如“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。”推理模型会结合逻辑框架生成结构化创意，通用模型则自由发散、依赖示例引导。

验证需求的公式是：结论/方案 + 验证方法 + 风险点。比如“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。”推理模型会自主设计验证路径并排查矛盾，通用模型则简单确认、缺乏深度推演。

执行需求的公式是：任务 + 步骤约束 + 输出格式。比如“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。”推理模型会自主优化步骤，兼顾效率与正确性，通用模型则严格按指令执行。

3.2 实战技巧：每类需求怎么问才有效

资料里给每类需求都配了实战技巧，我挑几个自己常用的说一下。

决策需求的关键是量化评估标准。别问“哪个方案更好”，而是给出 ROI 计算模型、成本对比维度、时间周期，让模型有明确的推演依据。我一般会补一句“请列出计算过程”，这样能看出模型的推理链条是否合理。

分析需求的关键是提供数据或明确数据来源。如果手头有 CSV，直接上传；如果没有，就描述数据结构和范围。资料里强调“触发因果链推导与假设验证”，意思是别只让模型总结，要让它找关联、做预测、解释参数选择依据。

创造性需求的关键是约束与自由度的平衡。约束太少，模型容易跑偏；约束太多，创意被压死。我的经验是给 2-3 个硬约束（如“解决独居老人安全问题”“结合传感器网络”），剩下的让模型发挥。

验证需求的关键是要求模型自主设计验证路径。别问“这个结论对不对”，而是问“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 p 值并判断显著性”。这样模型会一步步排查，而不是给你一个模糊的“看起来没问题”。

执行需求的关键是输出格式要具体。别说“写个排序代码”，而是说“用 Python 实现快速排序，输出需包含注释，并附带时间测试案例”。格式越明确，返工越少。

3.3 一个完整的提示语设计流程

把上面的内容串起来，我自己的提示语设计流程是这样的：

第一步，判断任务类型。是数学证明、代码生成这类逻辑密度高的任务，还是创意写作、多轮对话这类发散性任务？

第二步，选择模型。逻辑密度高选推理模型，发散性任务选通用模型。如果任务兼具两者，拆成两步，分别用不同模型处理。

第三步，套用需求表达公式。决策需求用“目标 + 选项 + 评估标准”，分析需求用“问题 + 数据/信息 + 分析方法”，以此类推。

第四步，检查提示语风格。推理模型用简洁指令，通用模型用结构化引导。避免对推理模型使用角色扮演，避免对通用模型过度信任。

第五步，验证输出。推理模型的结果要检查逻辑链条是否完整，通用模型的结果要分步验证关键结论。

这个流程看起来繁琐，但跑顺了之后，写提示语的时间反而更短，因为返工少了。

4. 避坑与排查：提示语设计中最容易翻车的五个地方

4.1 对推理模型使用角色扮演，逻辑主线被干扰

现象：给 DeepSeek-R1 写“你是一位资深 Python 工程师，请一步步思考如何实现快速排序”，结果模型给出的代码逻辑混乱，甚至跳过了关键步骤。

原因：推理模型已经内化了推理逻辑，角色扮演这类启发式提示会干扰它的逻辑主线。资料里明确说“不要对推理模型使用启发式提示，可能干扰其逻辑主线”。

解决：直接说“用 Python 实现快速排序”，不加角色设定，不加分步指导。信任模型的内化能力。

4.2 对通用模型直接提问复杂推理问题，结果跳过关键逻辑

现象：用通用模型问“证明勾股定理”，模型直接给了一个结论，没有推导过程，或者推导过程有明显漏洞。

原因：通用模型缺乏推理模型那样的复杂推理和决策能力，直接提问容易跳过关键步骤。资料里说“通用模型需显式引导推理步骤，否则可能跳过关键逻辑”。

解决：显式要求分步思考，提供示例。比如“请分三步推导勾股定理，参考：1. 画直角三角形；2. 标注边长；3. 应用面积关系。”

4.3 提示语过度约束，模型创造力被压死

现象：让模型写一个创意故事，结果给了十几条约束条件，生成的内容干巴巴，毫无新意。

原因：过度约束限制了模型的发散能力。资料里说“推理模型鼓励发散性，设定角色/风格；通用模型需明确约束目标，避免自由发挥”。约束太多，模型只能在狭窄空间里打转。

解决：给 2-3 个硬约束，剩下的让模型发挥。比如“写一个包含‘量子’和‘沙漠’的短篇小说，不超过 200 字”，而不是“写一个关于量子物理学家在沙漠里遇到外星人、最后发现是梦境、语言风格要幽默、结构要三幕式”的故事。

4.4 提示语过于模糊，模型输出不可控

现象：让模型“写个排序代码”，结果模型用了冒泡排序，而你需要的是快速排序；或者模型用了递归，而你需要的是迭代。

原因：模糊需求导致模型自由发挥，输出不可控。资料里说“通用模型需细化步骤，明确输入输出格式；推理模型需简洁需求，信任模型逻辑”。但简洁不等于模糊。

解决：明确任务、步骤约束、输出格式。比如“用 Python 实现快速排序，要求：①使用递归；②输出需包含注释；③附带时间测试案例。”

4.5 不验证输出，直接使用模型结果

现象：模型生成了一个数学证明或代码方案，看起来没问题，直接用到项目里，结果发现逻辑漏洞或边界条件没处理。

原因：资料里强调“不要对通用模型过度信任，需分步验证结果”。推理模型虽然逻辑能力强，但也不是万无一失。

解决：对推理模型的结果，检查逻辑链条是否完整；对通用模型的结果，分步验证关键结论。验证需求可以用“结论/方案 + 验证方法 + 风险点”的公式来问模型，让它自己排查矛盾。

5. 进阶用法：把 104 页 PDF 变成可复用的提示语模板库

5.1 从资料到模板：三步拆解法

这份 PDF 最大的价值不是让你读完，而是让你拆完。我自己的做法是三步：

第一步，把资料里的五类需求表达公式抄下来，每类配一个自己的真实任务。比如决策需求配“选择云服务商”，分析需求配“分析用户留存数据”，创造性需求配“设计产品文案”，验证需求配“检查代码逻辑”，执行需求配“转换代码语言”。

第二步，针对每个任务，分别写推理模型版和通用模型版的提示语。推理模型版用简洁指令，通用模型版用结构化引导。写完之后对比输出结果，记录差异。

第三步，把验证有效的提示语存成模板，标注适用场景、模型类型、注意事项。下次遇到类似任务，直接套模板，微调参数即可。

5.2 一个可复用的提示语模板示例

以“代码生成”为例，我整理了两个模板：

推理模型版（简洁指令）：

# 提示语模板：推理模型 - 代码生成 # 适用场景：快速排序、二分查找等逻辑密度高的算法实现 # 模型：DeepSeek-R1 或其他推理模型 prompt = """ 用 Python 实现快速排序函数。 要求： 1. 使用递归 2. 输出需包含注释 3. 附带时间测试案例 """

通用模型版（结构化引导）：

# 提示语模板：通用模型 - 代码生成 # 适用场景：需要明确步骤和输入输出格式的代码任务 # 模型：GPT-4 或其他通用模型 prompt = """ 请按以下步骤完成代码生成任务： 步骤 1：解释快速排序的原理，包括分区操作和递归逻辑。 步骤 2：写出 Python 实现，要求使用递归，输出需包含注释。 步骤 3：提供一个时间测试案例，对比快速排序和冒泡排序的性能差异。 输出格式： - 原理说明（不超过 200 字） - 代码块（带注释） - 测试案例（可运行） """

两个模板的差异很明显：推理模型版只给目标和约束，通用模型版给步骤和格式。我实测下来，推理模型版生成的代码更简洁，通用模型版生成的代码更规范但稍显冗长。选哪个取决于你的任务需求。

5.3 验证方法：怎么判断提示语模板是否有效

模板写完不是终点，得验证。我的验证方法很简单：同一个任务，用模板跑三遍，看输出是否稳定。如果三次输出的结构、质量、关键结论都一致，说明模板有效；如果差异很大，说明提示语还有模糊地带，需要继续细化。

另外，资料里提到的“验证需求”公式也可以用来验证模板本身。比如问模型：“以下提示语模板是否清晰？是否存在歧义？请指出可能影响输出稳定性的地方。”模型会给你一些意想不到的反馈。

5.4 我踩过的一个坑：模板不是万能的

最后说一个我自己的血泪经验。有段时间我沉迷于建模板，把每个任务都套进公式里，结果发现有些任务根本不适合模板化。比如创意写作，过度结构化的提示语反而会限制模型的发散能力。资料里说“推理模型鼓励发散性，设定角色/风格；通用模型需明确约束目标，避免自由发挥”，但没说所有任务都要套公式。

从那以后我每次用模板之前，都强制走一遍“任务类型判断”：这是逻辑密度高的任务，还是发散性任务？前者套模板，后者给约束但留足空间。希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取