简介：清华大学新闻与传播学院新媒体研究中心团队推出的《普通人如何抓住DeepSeek红利》PDF，面向希望用AI提升工作、学习与生活效率的普通读者和职场学习者，围绕DeepSeek是什么、能做什么、如何提问展开，帮助读者建立从工具认知到场景落地的完整思路。压缩包仅含1个PDF文件，约4.39MB，便于下载后直接阅读与检索。内容结合能力图谱、深度思考过程、提示词驱动生产力、提问与鉴别答案等主题，并给出项目方案撰写、学习提效、生活减负、社交沟通等场景化示例，读者可借此理解DeepSeek在文本生成、语义理解、计算推理、代码补全、文件与图片文字读取等方面的用法，同时把握AI时代提出好问题、筛选优质答案的决策方法。已有202人学习，适合想低成本了解DeepSeek应用边界、积累提示词思路与实操启发的人群。
1. 红利不在模型里：为什么“会提问”成了新的稀缺资源
聊 DeepSeek 红利，多数人第一反应是模型多强、参数多大、跑分多高。可这份《普通人如何抓住 DeepSeek 红利》的讲义给了一个反直觉的结论：真正的红利不在模型侧，而在使用侧——知识获取成本趋近于零之后，稀缺的东西从“知道答案”变成了“提出好问题”和“鉴别烂答案”。这个判断值得深入讨论，因为它决定了你把时间花在背提示词模板，还是花在训练自己的判断力上。下面从提示词如何被模型执行、推理模型为什么“先想再答”、一份万字方案怎么被拆成流水线这三个层面，把这份讲义背后的机制拆开看。
2. 提示词即中间表示：把“想要的东西”编译成模型能执行的指令
2.1 知识的边际成本趋零之后，稀缺性迁移到了哪里
讲义里有一句话被反复引用：在 AI 时代，知识的获取成本趋近于零，拥有知识不再是核心竞争力。这句话听着像口号，落到机制上其实很硬——大模型把人类语料压进参数，形成了一份“参数化记忆”，你问什么它答什么，边际成本只剩推理算力。于是“记住并复述”这件事的溢价被抹平了，就像编译器普及之后，手写机器码不再是多数人的竞争力。
但知识免费不等于答案可用。模型输出的是整个训练分布上的“平均正确”，而你的业务现场需要的是“此处正确”。这两者之间的落差，只能由人来填：把模糊需求转成可执行规格、在多个候选解里挑出能落地的那一个、判断哪句话是编的。讲义把这三件事拆成“提出问题—鉴别答案—选择中再创造”，并把它们称作提示词驱动的新生产力。用编译器的类比更好理解：人是前端，负责把意图写成中间表示；模型是后端，负责把中间表示优化成目标码。中间表示写得越规范，后端能做的优化越多；写成一团糊，后端只能猜。
这也是为什么讲义在讲完能力图谱之后，马上把重心挪到“如何提问”上。能力图谱回答的是“模型能做什么”，提问方式回答的是“模型此刻为你做什么”。前者是静态的，后者是每次调用都要重新结算的。
2.2 一条提示词的解剖：角色、约束、格式、验收
讲义里那份“1 小时写完 1 万字项目书”的案例，真正有价值的部分不是话术，而是它把一条提示词拆成了可复用的结构。拆开看，一条能稳定产出可用内容的提示词通常有六段：角色与任务、上下文、硬约束、输出契约、示例、自检项。缺一段，输出就会在某处漂移——缺上下文会泛泛而谈，缺硬约束会超长或跑题，缺输出契约会给你一大段没法粘进文档的散文，缺自检项会把明显矛盾留在正文里。
讲义里“数据嫁接”那一步最能说明问题：当缺少真实数据时，让模型生成合理虚构值，并强制标注“示例”。这不是让模型造假，而是在提示词里显式声明“这段内容是占位符”，把责任边界画清楚。同理，“强制格式”要求输出带编号小标题、分点、表格，本质上是给输出加了一层机器可校验的结构，粘进正式文档时不用二次排版。
下面这段拼装逻辑，是我按讲义思路整理的常见实现——把模板的每一段做成参数，空值统一兜底，避免模型把{word_limit}这种占位符原样吐回来：
# 提示词模板拼装：把人的意图编译成模型可执行的指令 TEMPLATE = """角色：{role} 任务：{task} 上下文：{context} 硬约束（逐条遵守，冲突时以编号小的为准）： 1. 篇幅：{word_limit} 2. 结构：{structure} 3. 禁止：{forbidden} 输出契约：{output_contract} 示例（仅示意风格，不要复述）： {example} 自检：输出前逐条核对以上约束，任一条不满足则重写，不要解释过程，直接给正文。 """ def build_prompt(role, task, context, word_limit="800字左右", structure="三级编号标题 + 要点列表", forbidden="空话、套话、未标注来源的数字", output_contract="Markdown，表格用三线表", example="无"): # 空值兜底：任何一段为空都替换成显式说明，避免占位符泄漏到输出里 fields = dict(role=role or "领域专家", task=task, context=context or "无额外上下文", word_limit=word_limit, structure=structure, forbidden=forbidden, output_contract=output_contract, example=example or "无") return TEMPLATE.format(**fields)参数上有两个地方值得较真。一是“硬约束”的顺序：编号越小优先级越高，因为模型在处理相互冲突的指令时，往往按出现位置和显著程度分配注意力，你不显式规定优先级，它就自己拍板。二是“自检”段放在最后而不是最前，自检是一条元指令，它的作用对象是前面所有约束，放末尾才符合“先读规则再执行检查”的阅读顺序。至于示例段，讲义的经验是宁缺毋滥：一个跑偏的示例比没有示例更糟，模型会把它当风格锚点连错误一起学走。
2.3 模板复用与参数化：把一次性灵感变成可复用资产
讲义在“批量填充模块”那一步给了一个很实用的做法：同类章节（比如 3.1、3.2、3.3）使用相同指令模板，只替换关键词。这个动作看着朴素，机制上却是在做“提示词的参数化”——把提示词从一次性灵感变成可复用的函数，输入换一换，输出就换一批。
为什么模板复用的收益这么大？因为模型对“结构”的敏感度远高于对“内容”的敏感度。你给它一个稳定的骨架，它在这个骨架里填内容的方差就小；你每次换一种问法，它每次都要重新推断你要什么结构，方差自然大。讲义里“框架复制 + 模块填充 + 数据嫁接”这三板斧，前两斧砍的就是方差。
但模板复用有个隐性代价：同质化。相同指令、相同上下文、只换章节名，模型很容易写出三段结构雷同、论据雷同的话。讲义的应对是“替换关键词”时顺带换证据锚点——不同的数据、不同的案例、不同的政策引用。这一点后面在避坑章节还会展开，因为它是最常见的失败模式之一。
3. 深度思考模式：推理链为什么能把准确率“想”出来
3.1 后训练阶段的强化学习：没有大量标注，奖励从哪来
讲义对 DeepSeek-R1 的描述里有一句关键技术判断：在后训练阶段大规模使用强化学习，在仅有极少标注数据的情况下，极大提升了模型推理能力，数学、代码、自然语言推理等任务上的性能比肩同期第一梯队的推理模型，并且开源、支持免费商用。这句话里最容易被略过的是“极少标注数据”——它解释了这个模型为什么能便宜。
常规的指令微调靠人工标注的“问题—标准答案”对，成本高、覆盖窄。强化学习换了个思路：不告诉模型答案长什么样，只告诉它这次答得对不对，让它自己在大量尝试里找路。可奖励信号从哪来？这就是关键设计——可验证奖励。数学题有唯一解，比对就行；代码题有单元测试，跑通就行；格式类任务有解析器，能解析就算过。这些任务的正确性判定不需要人，只需要一个确定性的检验器。检验器替代了标注员，成本结构就变了。
我一般会这么理解这套机制：它把“教模型知识”换成了“给模型出题 + 自动判卷”。知识在预训练阶段已经灌进去了，后训练要解决的是“怎么调用知识、怎么多步推演、怎么在走错时回头”。这类能力没法靠背答案获得，只能靠反复试错被奖励信号塑造。这也是为什么推理能力提升在数学和代码上最明显——这两类任务的判卷器最可靠。
3.2 测试时计算扩展：多花的 token 买到了什么
强化学习解决的是“会不会想”，深度思考模式解决的是“这次愿不愿意多想”。开了深度思考，模型不会直接给答案，而是先采样一段推理过程，再基于这段过程给结论。机制上这叫测试时计算扩展：推理阶段的算力投入从固定变成可变，用更多 token 换更高的正确率。
讲义里用一份融合菜的创意拆解展示了这种输出的形态——灵感来源、结构解构、味觉分层、技法组合逐层摊开，最后才落到具体做法。这个例子之所以选得巧，是因为它说明深度思考不只服务于有唯一解的任务：在开放域里，它把“拍脑袋给一个答案”变成“先列出约束和素材，再组合出方案”，人能从中间过程里看出它有没有跑偏，也能在中途叫停。
| 维度 | 常规对话模式 | 深度思考模式 |
|---|---|---|
| 输出路径 | 一次前向直接给答案 | 先推理链，再给结论 |
| 时延与 token | 低 | 明显更高，随问题难度浮动 |
| 擅长任务 | 改写、翻译、格式转换、简单问答 | 多约束权衡、数学推导、代码调试、方案设计 |
| 主要失败形态 | 事实编造、答非所问 | 过度推理、把简单问题复杂化 |
| 人对输出的用法 | 直接用或小改 | 读中间过程，挑推理链里的可用片段 |
这张表里最值得记住的是最后一行。深度思考模式的价值不只在最终答案，还在中间过程本身——它把模型的“草稿纸”摊开给你看，你可以在它跑偏的第二步就发现不对，而不是等一个错误结论生成完再返工。
3.3 边界：哪些任务不该开深度思考
推理链不是免费的。每多一步推演，就多一份时延和 token 开销，也多一份“想多了”的风险。讲义里的场景拆分其实暗含了这条边界：写项目书框架、批量填充模块这类结构性任务，用常规模式加严格输出契约就够了；真正需要开深度思考的是那些“约束互相打架、需要权衡”的环节，比如风险评估要列出三大技术风险并各配应对方案，比如效益测算要用公式推算三年收益——这类任务错一步后面全错，值得多花算力。
还有一个更隐蔽的边界：推理链可读，但不保证忠实。模型给你看的思考过程是它“愿意写出来”的那部分，不等于它内部真实的计算轨迹。把它当参考、当检查点可以，把它当证据链就过了。熟手看推理链，看的是它有没有漏掉你给的约束、有没有偷换概念，而不是它写得多漂亮。
4. 从能力图谱到任务流水线：一份万字方案的四个阶段调度
4.1 任务分解：把“一万字”拆成可验收的小块
讲义开头那张能力图谱铺得很开：文本创作、摘要改写、结构化生成、语义分析、知识推理、文本分类，输出形态还包括 Mermaid 流程图、时序图、类图这类图表 DSL。新手看到这张图容易产生一个误解——以为模型是“一个能写一万字的作者”。实际用起来就会发现，让它一口气生成一万字，后半段必然出现重复、跑题、前后矛盾。
原因不玄学：生成是逐 token 采样的，越往后，前面写过的内容在上下文里占的位置越多，模型维持全局一致性的难度越大；而且中间没有“存档点”，它没法回头改第三章的结论去迁就第五章的新信息。讲义的解法是任务分解——把“写一万字”翻译成“写 N 个八百字左右的模块，再做一次装配”。这个动作把一次长程生成拆成多次短程生成，每次生成都有明确的输入和验收标准，出错只影响一小块。
分解的粒度有讲究。太粗，一块还是几千字，问题照旧；太细，每块只有一两百字，装配时接缝太多，读起来像拼贴。讲义给的实践值是单块 800 到 1500 字，对应文档里的一个三级标题，这个粒度刚好是一次生成能稳定保持结构完整的区间。
4.2 四阶段调度：骨架、填充、包装、润色
讲义那个“下午三点接到通知、四点前交一万字方案”的场景，把整个流程压到了 55 分钟里，四段时间预算分别是 5 分钟、20 分钟、20 分钟、10 分钟。这个分配本身就是设计：先花最少的时间把骨架立起来，再用最多的时间填肉，最后留一小段做格式和话术。
第一阶段只干一件事——暴力生成框架，目标三千字。做法是先让模型给出完整的章节目录和每章要点，人不做内容判断，只做结构判断：章节顺序对不对、有没有漏掉必需章节。第二阶段按小节单独提问，每块带上“本章要解决什么问题”的上下文，目标六千字。这一阶段的关键技巧是前面提过的数据嫁接和模板复制。第三阶段补“虚但必需”的内容——政策背书、风险评估、效益测算，目标一千字。这类内容的特点是删了显得不专业，写深了又没有素材，正好交给模型生成再人工核对。第四阶段做统一话术、生成图表、检查逻辑漏洞。
这套流程可以写成一个带预算和验收的调度骨架：
# 四阶段调度：每阶段有独立目标、独立验收，失败只回滚当前阶段 STAGES = [ {"name": "骨架", "budget_min": 5, "target_words": 3000, "prompt": "只输出章节目录和每章3条要点，不要展开，不要写正文", "check": lambda out: out.count("##") >= 6}, # 章节数够不够 {"name": "填充", "budget_min": 20, "target_words": 6000, "prompt": "针对小节 {section}，给出800-1200字，含编号小标题和要点列表", "check": lambda out: 800 <= len(out) <= 1600}, # 单块长度是否在区间内 {"name": "包装", "budget_min": 20, "target_words": 1000, "prompt": "生成{item}，每个数字后标注（示例），并给出可替换的真实来源建议", "check": lambda out: out.count("（示例）") >= out.count("数字")}, {"name": "润色", "budget_min": 10, "target_words": 0, "prompt": "统一为正式报告语体，列出3个可能被质疑的点及应对", "check": lambda out: "质疑" in out}, ] def run(doc, stages=STAGES): for st in stages: # 每个阶段单独调用，前一阶段的产出作为本阶段上下文的一部分 out = call_model(st["prompt"], context=doc.summary()) if not st["check"](out): # 验收不过就只重跑这一段 out = call_model(st["prompt"] + "\n未通过验收，请修正后重出", context=doc.summary()) doc.append(st["name"], out) return doc这段骨架里最该学的是check这个字段。它把“这段能不能用”从主观判断变成了可执行的断言：章节数够不够、单块长度在不在区间、每个数字有没有标“示例”、润色阶段有没有真的列出质疑点。断言不过就只重跑当前阶段，不用整篇重来——这就是分阶段相对一次性生成最大的工程收益。参数上，budget_min是时间上限而不是目标，超时就该降级验收标准先推进，因为讲义那条“保命优先级”说得很直白：先堆字数再优化，前 30 分钟专注把文档撑到位。
顺带说一句图表。讲义列了 Mermaid、SVG、React 图表这些输出形态，机制上模型生成的不是图片，而是图表的源码。这个设计很聪明：图片不可编辑、不可校验，DSL 可编辑、可 diff、可被渲染器解析，出错了你能直接改那一行。所以要求模型出图时，正确的问法是“给我 Mermaid 流程图代码”，而不是“画一张图”。
4.3 同一副骨架的三种变体：新人上手、客户响应、难开口的沟通
讲义后面三个场景看着跨度很大——新员工快速熟悉公司、客服响应甲方提问、项目关键期请假怎么开口——但骨架是同一副：先界定输出，再喂上下文，再分批生成，最后自检。
新人上手那个场景，关键动作是“上传行业报告、市场分析、竞争对手资料”，然后让模型整合成行业概览。这里的机制是上下文注入：模型参数里的知识是通用的、有截止时间的，你手上的报告是具体的、最新的，把后者塞进上下文，等于临时给它换了一套事实源。讲义特别提到模型支持文件上传并能读取文件与图片中的文字，这让“把一摞 PDF 变成可问答的素材”成了流水线的第一步。
客户响应那个场景，痛点是信息散在多个系统里，人要在几个界面之间来回切。模型在这里扮演的是聚合层——前提是你把订单状态、促销政策这些上下文喂进去。注意这里有个容易被忽略的前提：模型不会自己去查你的业务系统，它只能整合你给它的信息。把“接入内部系统”当成模型自带能力，是这类场景翻车的第一原因。
请假措辞那个场景最有意思，它把提示词用在了社会关系上。讲义里的场景设定是项目上线前一周、家里老人突发住院、需要请三天假，人卡在“怕被当成临阵脱逃”和“家人需要我立刻回去”之间。这类任务没有标准答案，模型的价值是帮你把几种措辞方案摊开对比：哪种先讲事、哪种先讲安排、哪种把交接清单附在前面。它替代不了你的判断，但能把你从“反复措辞不敢敲门”的死循环里拽出来，给你几个可以改的底稿。这也是讲义反复强调“选择中的再创造”的地方——模型给多个解，人选最优的那个，方案的新意产生在挑选和改写这一步。
5. 避坑与排查：提示词工程里最容易翻车的五件事
5.1 一口气要一万字，后半段开始复读
现象：让模型一次生成整篇长文，前三分之一质量尚可，中间开始出现段落重复、论点原地打转，最后几章明显是凑字数。
原因：逐 token 生成时，越靠后的内容能“看到”的前文越多，维持全局一致性的负担越重；加上没有中间存档点，它没法回头修正前文设定。这不是模型“不努力”，是长程生成的结构性限制。
解决：按 4.2 的调度拆块，单块控制在 800 到 1500 字，每块开头带一段前文摘要作为锚点。装配阶段再统一术语和结论，别指望一次成型。
5.2 生成的数字被当成真数据用了
现象：方案里的园区面积、日均处理量、降本比例看着很专业，交付后被客户一问来源就露馅。
原因：模型没有事实源，它生成的是“在这个语境下看起来合理”的数值。讲义把这条写进了关键提醒：所有 AI 生成的数据加“（示例）”后缀，避免出问题。
解决：把“每个数字必须带来源或标注（示例）”写进输出契约，作为硬约束；交付前用脚本扫一遍，未标注的数字全部人工替换或删除。这条不是格式洁癖，是责任边界。
5.3 提示词越写越长，效果反而变差
现象：不断往提示词里加规则，加到最后模型开始漏掉前面的约束，输出还不如早期版本。
原因：约束之间会打架，而且关键指令被淹没在大量修饰性描述里。模型对指令的注意力不是均分的，规则越多，单条规则的权重越低。
解决：硬约束控制在五条以内并按优先级编号；风格类要求不要写成规则，改成给一个示例让它照着学。写完之后自己读一遍，删掉所有“最好”“尽量”这类模糊限定词，它们只会稀释指令。
5.4 简单任务开了深度思考，又慢又绕
现象：只是让它把一段话改成正式语体，开了深度思考之后，它先分析半天这段话的语境和潜在读者，最后给出一个和原文差不多的版本。
原因：推理链适合多约束权衡的任务，对改写、翻译、格式转换这类映射型任务是纯开销。任务越简单，推理链越容易变成过度解释。
解决：按任务类型分流——映射型任务走常规模式加严格输出契约，推演型任务才开深度思考。判断标准很简单：这个任务有没有“错了要回头重算”的中间步骤。
5.5 模板复制之后，三个章节长得一模一样
现象：3.1、3.2、3.3 用的是同一个模板，结果三段的开头句式、论证顺序、甚至举的例子都高度雷同，读起来像复制粘贴。
原因：相同指令加相同上下文，模型的采样分布几乎重合，输出的方差自然小。模板复用在结构上是对的，在内容上必须人为制造差异。
解决：每块替换证据锚点——不同的数据、不同的案例、不同的政策引用，哪怕是同一类论据也要换具体的数字和出处。更彻底的做法是在模板里加一个“本块必须与上一块至少三处不同”的自检项。
6. 设计取舍：为什么“鉴别答案”比“生成答案”更难自动化
生成和鉴别是不对称的两件事。生成是采样，从一个巨大分布里取一条路径，成本随长度线性增长，错了重来一遍就行；鉴别是判定，要给输出打上“可用/不可用”的标签，而这个标签的标准在你手里，不在模型手里。模型可以帮你列出一篇方案的三个薄弱点，但它没法替你决定“客户会不会买账”，因为那个判断依赖它看不到的业务上下文和人际关系。
讲义把“提出问题”和“鉴别答案”并列为善用模型的两大关键，又把“选择中的再创造”和“智慧赋能的决策力”放在后面，这个顺序是有讲究的：提问能力可以通过模板和练习快速获得，鉴别能力只能靠一次次真实交付的反馈慢慢积累。前者是可以在一下午学会的技能，后者是要用项目教训换来的判断力。这也是为什么这份讲义值得反复翻——它给的场景和模板会过时，但“先定义输出、再注入上下文、最后人工判定”这条流水线不会。
验证方法上，我自己常用两道检查。第一道是格式断言：输出契约里写了的（编号、表格、字数区间、“示例”标注），用脚本扫一遍，不满足的直接打回，不浪费人的注意力。第二道是抽样溯源：每份产出随机抽三到五个数字或结论，人工去找原始来源，找不到的就降级成“示例”或删掉。两道检查都过，才轮到人去做那个模型替不了的判断。
说到教训，我有一次偷懒，把一批带虚构数据的段落直接合进交付文档，“（示例）”标注在合并时被格式刷掉了。客户当场指着其中一个数字问出处，我只能承认那是生成的。从那以后我每次批量合并前，都强制走一遍标注扫描，扫不出来就不合并。这个习惯救过我几次。这份讲义里还有完整的场景拆解和提示词样例，拿去对着改一遍，比读十篇泛泛而谈的解读有用。希望帮到你。
本文还有配套的精品资源，点击获取
