简介：这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团队出品的DeepSeek学习指南，面向普通用户与开发者，帮助快速上手并进阶。压缩包为1个PDF文件，大小3.69MB，便于离线查阅。内容从DeepSeek是什么、能够做什么、如何使用三个核心问题出发，系统梳理其在智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景中的能力，重点剖析推理模型与通用模型的区别，包括链式思维中“快思慢想”两类模型的性能、运算原理与决策差异，并给出推理模型与通用模型的提示语策略差异及关键原则。通过指令驱动、需求导向、混合模式、启发式提问等策略类型，读者可学会根据任务类型选择合适的模型，避免常见误区，实现从“下达指令”到“表达需求”的进阶。这份PDF还提供了模型选择、提示语设计、避免误区等实操建议，适合希望高效运用DeepSeek的读者。目前已有2099人学习下载。
1. DeepSeek 从入门到精通（某高校整理版）：这份讲义真正解决的问题是“选型”
DeepSeek 从入门到精通（某高校整理版）这份资料，我拆完最大的感受是：它不是在教你怎么用聊天框，而是在教你怎么根据任务类型选模型、写提示语。核心观点一句话——R1 是推理模型，它的优势在数学推导、逻辑分析和代码生成，把这几个场景的提示语设计好，效率远超通用模型；但把创意写作和开放问答也丢给它，只会得到一场灾难。这份讲义适合两类人：一是想把 DeepSeek 接进实际工作流的开发者、运营和产品，二是搞不清推理模型与通用模型差别的入门者。它给出的选型表和五类需求表达公式，可以直接抄进生产环境。
2. R1 的能力边界：从文本生成到代码调试，哪些活它能接
2.1 六大应用场景：能写、能读、能推理、能补代码
R1 的能力不是“什么都行”，而是“高逻辑密度的任务特别行”。DeepSeek 面向普通用户和开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等能力，支持联网搜索与深度思考模式，还支持文件上传，能扫描读取各类文件及图片中的文字。这些能力在官方对话页上排成一排，但真正拉开差距的是你能否把业务任务拆到对的场景里。
| 场景 | 能落地的具体内容 | 我常用的切入方式 |
|---|---|---|
| 文本生成 | 文章/故事/诗歌、营销文案、广告语、推文帖子、剧本或对话设计、摘要与改写 | 长报告做摘要、双语翻译并保持风格统一 |
| 语义理解与分析 | 语义解析、情感分析、意图识别、实体提取、知识推理、文本分类、垃圾内容检测 | 客服会话打标、评论情感分析 |
| 编程与代码 | 代码生成、自动补全、调试建议、性能优化提示、API 文档生成、代码库解释 | 快速生成脚本、给老代码补文档 |
| 联网搜索与深度思考 | 实时信息补全、复杂问题链路拆解 | 先深度思考，再按需联网补事实 |
| 文件上传读取 | 扫描读取各类文件与图片中的文字 | PDF 合同抽字段、表格图片转结构化数据 |
| 常规绘图与配图 | 结构化草图、示意图描述 | 生成 UML 思路，再交给绘图工具落地 |
从实际体验看，处理长文档摘要时不要贪多。把一个 50 页 PDF 直接丢进去让它“总结所有内容”，输出会稀碎；我一般会先让它给出章节级摘要，再针对关键章节追问细节。R1 的深度思考模式在代码生成和逻辑分析场景下收益最明显，在纯文本创作场景下反而容易把句子写得太“硬”。
这里要补一句关于开源商用的话：R1 是开源推理模型，允许免费商用，但商用前我建议先检查其开源许可证对衍生模型的命名与标注要求。常见误区是直接改名打包成自有模型，这一步踩了容易吃法务函。
2.2 文件上传不是摆设：扫描件、PDF、表格图片的读取思路
R1 支持文件上传，能扫描读取各类文件和图片中的文字。我实际用得最多的是两类：一是 PDF 合同，让它抽取条款、责任人和时间节点，并输出成表格；二是表格图片，让它把截图里的金额、日期、订单号转成 CSV 结构。
常见做法是分两轮走。第一轮让它给“全文结构化摘要”，只输出维度，不展开细节；第二轮再针对抽取结果提问，比如“把第三页的付款条款单独拎出来，标注违约条件”。这样比一次性让它“看完并总结”稳定得多。
如果上传的是扫描件，注意图像质量。倾斜、低对比度、带阴影的图片会直接拉低识别准确率，这个问题我在第 5 章的避坑清单里会专门展开。
2.3 代码生成与调试：一份可直接抄的提示模板
给 R1 写代码需求时，最简单的公式是“目标 + 约束 + 输出格式”。下面这份模板直接替换参数就能用：
# 代码生成需求模板：目标 + 约束 + 输出格式 code_prompt = """ 用 Python 写一个快速排序函数 sort_list(nums)。 要求： 1. 输入为整数列表，输出为升序列表； 2. 使用递归实现，不调用内置 sorted()； 3. 每个关键步骤写中文注释； 4. 给出空列表、含重复元素、含负数三组测试用例的期望输出。 """关键参数是第 4 条：测试用例的期望输出。这个约束看起来不起眼，但模型为了和期望输出对齐，会自动补齐边界条件处理逻辑。没有这条，R1 可能只给核心函数，不给调用示例，你还得再补一轮追问。
对 R1 这样一个推理模型，不要写“先定义递归函数，再考虑基准值，再考虑合并”这种分步指令。它已经内化了排序算法的推理链，强行拆解反而会限制它组织和优化代码结构的能力。这是推理模型和通用模型在提示语上最大的差异点。
3. 推理模型与通用模型选型：别把“快思”当作“慢想”用
3.1 快思慢想：CoT 把大模型分成了两个物种
链式思维（CoT）出现后，大模型被清晰地分成了两类：概率预测型（快速反应）和链式推理型（慢速思考）。R1 属于后者，擅长逐步推理；而很多通用对话模型属于前者，靠数据训练快速预测下一个词，在逻辑密度高的任务上容易“看起来在思考，其实在续写”。
| 对比维度 | 快速反应模型 | 慢速思考模型（R1 这类） |
|---|---|---|
| 响应速度 | 快，算力成本低 | 慢，算力成本高 |
| 运算原理 | 基于概率预测，从海量数据中快速预测答案 | 基于链式思维，逐步推理验证每个步骤 |
| 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 | 模式识别与优化为主，缺乏真正创新 | 能生成新的创意和解决方案 |
| 人机互动 | 按预设脚本响应，较难理解复杂情感 | 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 |
这组对比直接用在工作流里，结论就是：R1 不是全面更强，它只是专精于逻辑密度高的任务。为了一个发散性任务去开启深度思考模式，得到的回答往往比通用模型的回答更“端着”。
3.2 任务选型对照表：哪类任务交给谁，直接查
下面这张表我从这份讲义里摘出来，已经按实际使用习惯调整过，贴在自己的 Prompt 管理文档里随用随查。
| 任务类型 | 适用模型 | 提示语侧重点 | 有效示例 | 要避免的提示策略 |
|---|---|---|---|---|
| 数学证明 | 推理模型直接提问，无需分步引导 | 直接抛出问题 | “证明勾股定理” | 对 R1 说“先画图，再列公式” |
| 创意写作 | 推理模型可设定角色/风格；通用模型需明确约束 | 给足风格和边界 | “以某位硬派作家的风格写一个冒险故事” | 对通用模型说“自由创作” |
| 代码生成 | 推理模型简洁需求；通用模型细化步骤 | 明确输入输出格式 | “用 Python 实现快速排序” | 对 R1 分步指导“先写递归函数” |
| 多轮对话 | 通用模型自然交互；推理模型需明确对话目标 | 带着目的对话 | “从技术、伦理、经济三方面分析 AI 的未来” | 对推理模型问“你怎么看待 AI”这类开放题 |
| 逻辑分析 | 推理模型直接抛复杂问题；通用模型需拆分追问 | 去掉主观引导 | “分析某伦理困境中两种伦理观的冲突” | 对推理模型加“你认为哪种对”的主观预设 |
这张表解决的是“模型选型”问题，但真正影响落地效果的是“提示语设计”。这两个维度经常被混在一起，实际操作时应该先选模型，再定提示策略，顺序不能反。
3.3 为什么“角色扮演”在推理模型上会翻车
对 R1 使用“你现在是资深架构师”“你是一位财务专家”这类角色设定式提示，经常出现一个反直觉结果：它开始模拟语气、输出大量背景铺垫，推理质量和响应速度反而一起下降。原因是角色扮演属于启发式提示，会生成额外的文字信息，干扰模型本来的逻辑主线。
正确做法是去掉角色词，直接把系统架构、日志片段、出错的上下文和问题目标写清楚。下面两组提示可以放在一起对比：
# 错误：带角色设定的提示 bad_prompt = "你是一位拥有10年经验的数据库专家，请分析这段慢查询日志……" # 修正：直接给背景和目标 good_prompt = "下面是一段MySQL慢查询日志，请找出耗时最高的三条SQL，并给出索引优化建议。"这并不是说“所有提示语里都不能出现角色”，而是角色设定只对通用模型有效，它能靠角色设定补足上下文；R1 这类推理模型不需要这些补丁，它需要的是干净、明确、指向单一任务的推理起点。给 R1 套角色，就像给一台计算器加了一个语音播报模块，听着热闹，算得反而更慢。
同样的逻辑也适用于通用模型：不要对通用模型过度信任。直接拿一道复杂数学题去问通用模型，它能给你整段像模像样的推导，但关键步骤可能藏着错误。正确姿势是显式要求“分步思考并验算”，把它当实习生来带，每一步都要看到依据。
4. 提示语策略：从“下达指令”到“表达需求”的四个层级
4.1 四种策略与适用边界
这份讲义把提示语策略分成四类：指令驱动、需求导向、混合模式、启发式提问。它们的核心差异在于“谁在规划路径”。
| 策略类型 | 定义与目标 | 适用场景 | 优势与风险 |
|---|---|---|---|
| 指令驱动 | 直接给出明确步骤或格式要求 | 简单任务、需要快速执行 | 结果精准高效，但限制模型自主优化空间 |
| 需求导向 | 描述问题背景与目标，让模型规划解决路径 | 复杂问题、需要模型自主推理 | 激发深层推理，但需求边界必须清晰 |
| 混合模式 | 需求描述 + 关键约束条件 | 兼顾目标与细节 | 灵活性与可控性平衡，但避免过度约束 |
| 启发式提问 | 通过“为什么、如何”引导模型主动思考 | 探索性问题、需要模型解释逻辑 | 触发模型自解释能力，但可能偏离核心目标 |
我在生产环境里一般按“需求导向定背景 + 混合模式加约束 + 启发式提问做追问”串成一条流水线。第一轮把问题背景和目标讲清楚，第二轮追加约束条件和输出格式，第三轮对可疑结论连续追问。这套组合对 R1 的效果最稳。
4.2 五类需求表达公式：决策、分析、创造、验证、执行
把需求表达成公式，是这个资源里最“能直接抄作业”的部分。整理成代码模板如下：
# 五类需求表达公式模板汇总 decision_template = "目标：{goal}；选项：{options}；评估标准：{criteria}，请量化对比后给出推荐依据。" analysis_template = "问题：{question}；数据：{data_ref}；分析方法：{method}，说明结论与假设验证过程。" creation_template = "主题：{topic}；风格/约束：{style}；创新方向：{innovation}，输出一版可直接落地的方案。" verify_template = "结论：{conclusion}；验证方法：{method}；风险点：{risks}，检查逻辑自洽性并指出可能失效的前提。" execute_template = "任务：{task}；步骤约束：{steps}；输出格式：{format}，请生成完整可执行结果。"这五个模板的替换参数要特别注意三点。决策需求里“评估标准”不能省，没有标准，模型只能凭训练数据里的经验给偏好；分析需求里“分析方法”建议写具体，比如指定 ARIMA 模型，否则它默认套一套通用分析模板；验证需求里“风险点”是关键，强制模型在输出结论后同时列出可能推翻结论的前提，这让它的“自信”变成可检查的东西。
以决策需求为例，完整提示长这样：
decision_prompt = """ 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。 请基于 ROI 计算模型，对比 5 年内的总成本，给出推荐选择依据。 """这个例子的结构就是“目标 + 选项 + 评估标准”，正好对应决策公式的骨架。R1 会自己完成总成本预测、对比、敏感性分析这些推理步骤，不需要你在提示语里教它怎么算。
4.3 提示语基础结构：指令、上下文、期望
不管提示策略怎么变，提示语的基本结构始终是三层：指令、上下文、期望。指令告诉模型“做什么”，上下文提供“背景信息”，期望明确“输出长什么样”。三者缺位任何一个，输出质量都会明显滑坡。
举个例子：指令是“把这段客服回复改得更温和”，上下文是“客户是老年人，对退款流程不熟，在意语气”，期望是“语气礼貌、步骤清晰、不超过 120 字”。三个要素补齐后，R1 的输出几乎不需要返工。
对推理模型和通用模型的配比差异在于：推理模型可以高度精简，直接给“指令 + 期望”，它自己会补推理过程；通用模型则必须把上下文写足，不然它容易跳步骤或者答非所问。核心原则概括成两句话：推理模型“要什么直接说”，通用模型“缺什么补什么”。
5. 避坑指南：五个把 DeepSeek 用翻车的现场与排查路径
5.1 给 R1 拆解题步骤，它反而不思考了
现象：某开发者在提示里写“先画图，再列公式，最后补说明”，让 R1 证明一个几何定理，结果输出机械生硬，甚至出现自相矛盾。 原因：R1 已经内化推理逻辑，冗余拆解会打断它的逻辑主线，相当于给它戴上手脚架。 解决：直接把问题完整抛给它，让它自己输出推理过程。要控制分步时，可以把控制权交给模型：“请先输出推理计划，再逐步执行”，而不是替它分步。
5.2 把逻辑题交给通用模型，答案像“感觉”不像推导
现象：拿一道贝叶斯计算题去问通用对话模型，得到的推导看起来完整，实际关键一步的公式用错了。 原因：通用模型擅长语言生成，不擅长严格逻辑链，它会先给出结论再“补写”理由，理由里藏着幻觉。 解决：这类任务换 R1 等推理模型，或者强制通用模型“分步思考并验算”，并在最后抽查中间步骤。不要因为它语气自信就直接采信。
5.3 扫描件太糊，OCR 读出来的数字对不上
现象：上传一张发票扫描件，R1 把金额 25000 读成 23000，导致后续分析全错。 原因：文件上传读取图片文字依赖图像质量，倾斜、低对比度、阴影都会干扰识别，这不是模型本身的问题。 解决：上传前先预处理图片——裁剪边缘、转灰度、拉高对比度，或者先用 OCR 工具跑一遍，再把文字内容贴给模型。表格类图片尤其要注意行列对齐，倾斜超过一定角度必出乱码。
5.4 深度思考与联网搜索叠加，推理链路被实时信息打断
现象：同时开启深度思考模式和联网搜索，R1 有时大段引用网页原文，分析反而变浅。 原因：联网搜索是外部信息输入，深度思考是内部逻辑链路，两者同时开启时，模型需要同时处理推理链和实时文本，冲突时容易被外部说法带偏。 解决：先本地深度思考，生成一版不依赖实时信息的分析；再根据需求决定要不要联网补时效性数据。把两个模式拆成两轮使用，而不是叠在一次请求里。
5.5 代码生成“看起来能用”，一跑就崩
现象：让 R1 生成一个数据处理脚本，输出的代码结构完整，运行后立刻报 KeyError。 原因：需求里没交代输入数据格式和字段映射，模型只能猜字段名，猜错就崩。 解决：把报错信息回填给模型，形成第二轮修复。回填模板如下：
# 错误回填模板：把失败信息变成第二次提问的输入 debug_prompt = f""" 以下代码运行报错，请定位根因并输出修复后的完整代码。 代码片段： {code_snippet} 报错信息： {error_message} 要求：先解释出错原因，再给修复代码；不要只贴补丁。 """这里的 code_snippet 替换成当前代码全文，error_message 替换成运行报错原文。注意报错信息不要只贴最后一行，保留“Traceback + 堆栈 + 错误类型”全段，模型才能定位到具体调用链。
6. 验证性提问的进阶技巧：让模型“自证”而不是“自说”
6.1 用验证公式倒逼模型自查
AI 给出结论后，不要急着采纳。验证性需求公式“结论 + 验证方法 + 风险点”，是让模型自己证明自己。对 R1 这类推理模型，直接套下面的模板：
verify_prompt = """ 以下结论是否成立：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 对照组设置是否存在偏差； ③ 重新计算 p 值并判断显著性； ④ 指出该结论成立的前提条件。 """四个子问题缺一不可，尤其最后一条“前提条件”，经常能挖出模型结论里的隐藏假设。我在实际使用时发现，加入这一条后，模型的回答会从单一的“支持结论”变成“在什么条件下支持，在什么条件下不成立”，可用性完全不一样。
6.2 两轮追问：从“结论”下钻到“证据”
进阶用法是两轮追问。第一轮让模型给出整体判断；第二轮针对判断中最薄弱的环节继续深挖。比如模型说“对照组偏差较大”，立刻追问“偏差来自采样方式还是特征分布？重新采样后结论是否翻转？”这种连续追问能把 R1 的推理能力压榨出来，得到的是一个经过抗压测试的结论，不是一句场面话。
此前做一组用户行为数据评估，我图省事，直接让模型给“最优策略”就上线，复盘时发现样本偏差很大，结论完全站不住。从那以后我每次拿到结论都强制跑一遍验证公式：先让它列出支持结论的证据，再让它指出结论成立的前提，最后专门问它“什么情况下你会推翻自己”。这一套流程对 R1 尤其有效。希望帮到你。
本文还有配套的精品资源，点击获取
