DeepSeek从入门到精通：推理模型与通用模型选型及提示语策略指南

简介这份PDF资料源自清华大学新闻与传播学院新媒体研究中心团队面向希望系统掌握DeepSeek的开发者、内容创作者与AI初学者帮助读者从基础认知走向实际应用。内容围绕DeepSeek是什么、能做什么、如何使用三条主线展开涵盖文本生成、语义理解与分析、代码生成调试、常规绘图等应用场景并深入讲解推理模型与通用模型的维度差异、快思慢想的能力边界以及CoT链式思维下的提示语策略差异与任务匹配原则。资源包共1个PDF文件大小约5.92MB单文件结构便于通读与检索。目前已有9313人学习下载适合需要理解模型选型逻辑、优化提示语设计、提升AI使用效果的读者参考可帮助读者在人人都会用AI的环境中形成更清晰的实践判断。1. 从一张知识地图说起DeepSeek 到底该怎么学很多人第一次接触 DeepSeek会把它当成“又一个聊天框”问两句天气、写两段文案然后觉得“也就那样”。真正拉开差距的地方恰恰不在会不会打开网页而在你有没有一张清晰的知识地图它是什么、能做什么、什么时候该用推理模型、什么时候该用通用模型、提示语该怎么写。这份来自某高校新闻与传播学院研究团队的《DeepSeek从入门到精通》整理稿把这些问题串成了一条完整链路——从模型认知到能力盘点再到提示语策略与需求表达。它适合两类人一类是刚开始系统学大模型应用、想把零散经验收拢成体系的人另一类是已经在用、但总觉得自己“用得不够好”的复习者。下面按模块把这张地图拆开重点标出容易翻车的地方。2. 模型认知推理模型与通用模型的分水岭2.1 两类模型到底差在哪梳理这份材料第一件必须掰清楚的事是“推理大模型”和“非推理大模型”不是新旧关系而是分工关系。推理模型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借助强化学习、神经符号推理、元学习等技术来增强问题解决能力代表就是 DeepSeek-R1 这类开源推理模型通用模型则侧重语言生成、上下文理解和自然语言处理靠大量文本训练掌握语言规律能生成合适内容但不强调深度推理。这个区分直接决定了你该把什么任务交给谁。材料里给了一张维度对比表值得原样抄进笔记维度推理模型通用模型优势领域数学推导、逻辑分析、代码生成、复杂问题拆解文本生成、创意写作、多轮对话、开放性问答劣势领域发散性任务如诗歌创作需要严格逻辑链的任务如数学证明性能本质专精于逻辑密度高的任务擅长多样性高的任务强弱判断并非全面更强仅在其训练目标领域显著优于通用模型通用场景更灵活但专项任务需依赖提示语补偿能力最容易踩的坑是把“推理模型更强”当成普遍结论。表格最后一行说得很直白它只在训练目标领域显著占优。你让推理模型写一首讲究意象跳跃的诗它可能反而不如通用模型放得开你让通用模型直接做一道需要严密证明的数学题它容易跳过关键步骤。选型的第一原则是看任务类型不是看谁热度高。2.2 快思慢想概率预测与链式推理材料用“快思慢想”来概括另一组差异这组概念比“推理/通用”更底层。CoT链式思维出现之后大模型实际上被分成了两类一类是“概率预测快速反应”模型基于大量数据训练快速预测可能答案响应快、算力成本低典型如 ChatGPT 4o 这类另一类是“链式推理慢速思考”模型基于链式思维逐步推理每个步骤来得到答案慢但能处理复杂问题典型如 OpenAI o1 这类。这组差异落到能力上可以整理成下面这张对照能力维度快速反应模型慢速思考模型运算原理基于概率预测快速给出答案基于链式思维逐步推理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决策创造力限于模式识别和优化能生成新创意和新方案人机互动按预设脚本响应较难理解情感更自然互动理解复杂情感问题解决擅长结构化和定义明确的问题能处理多维度、非结构化问题伦理讨论作为受控工具争议较少引发自主性和控制问题的讨论这里有个反直觉的点慢速思考模型并不是“更聪明所以更慢”而是它的推理路径本身就要消耗更多算力。理解这一点你才不会在需要快速反馈的即时任务上硬套推理模型也不会在需要严密逻辑链的任务上指望快速模型一步到位。选模型的本质是在“响应速度/成本”和“推理深度”之间做权衡。2.3 提示语策略为什么必须分模型模型分了两类提示语策略就不能一套打天下。材料里把差异讲得很清楚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经内化了推理逻辑无需逐步指导模型会自动生成结构化推理过程通用模型则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同时依赖提示语来补偿能力短板。用一句话概括关键原则推理模型“要什么直接说”通用模型“缺什么补什么”。具体到操作上有三条要记住。第一优先按任务类型选模型数学任务选推理模型创意任务选通用模型。第二推理模型用简洁指令、聚焦目标、信任其内化能力通用模型用结构化、补偿性引导。第三避免两个误区——不要对推理模型使用“启发式”提示比如角色扮演可能干扰它的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得要求它分步并验证结果。提示判断该不该拆步骤看模型类型而不是看任务难度。推理模型强行拆解反而可能限制能力通用模型不拆则容易漏逻辑。3. 能力盘点DeepSeek 能接住哪些任务3.1 文本生成与自然语言理解把材料里的能力清单按“输入—处理—输出”重新归拢会发现 DeepSeek 的直接能力大致落在四块文本生成、自然语言理解与分析、编程与代码相关、常规绘图。文本生成这一块覆盖面很宽往下可以拆成三类。文本创作包括文章、故事、诗歌写作营销文案与广告语生成社交媒体内容如推文和帖子以及剧本或对话设计文本生成包括长文本摘要论文、报告、文本简化降低复杂度、多语言翻译与本地化结构化生成包括表格和列表生成如日程安排、菜谱以及代码注释和文档撰写。自然语言理解与分析则是另一条线包含语义分析语义解析、情感分析、意图识别、知识推理实体提取、逻辑问题解答、因果分析、文本分类主题标签生成、垃圾内容检测。这部分最容易被低估因为它的输出不像写文章那样显眼但在客服对话意图识别、评论情感分析、新闻主题分类这些场景里它才是真正干活的部分。复习时建议把“能力—典型场景”成对记而不是只背能力名。3.2 编程代码与文件读取编程与代码相关的能力材料列了三项代码生成根据需求生成 Python、JavaScript 等代码片段自动补全与注释生成、代码调试错误分析与修复建议、代码性能优化提示、技术文档处理API 文档生成、代码库解释与示例生成。这三项其实对应开发流程的三个阶段——写之前、写错了、写完了要交付复习时按流程记比按功能记更牢。另外两个常被忽略的能力是联网搜索与深度思考模式以及文件上传后扫描读取各类文件及图片中的文字内容。前者决定了它能不能拿到训练数据之外的信息后者决定了它能不能处理你手头的 PDF、图片这类非纯文本材料。很多人只把 DeepSeek 当纯文本对话框用恰恰漏掉了这两块。3.3 任务与模型的匹配清单把能力盘点和模型差异合起来看就能得到一张“任务—模型—提示语侧重点”的匹配表这是整份材料里最实用的部分之一任务类型适用模型提示语侧重点有效提示示例需避免的策略数学证明推理模型直接提问无需分步引导“证明勾股定理”冗余拆解如“先画图再列公式”数学证明通用模型显式要求分步思考提供示例“请分三步推导勾股定理参考1. 画直角三角形…”直接提问易跳过关键步骤创意写作推理模型鼓励发散设定角色/风格“以海明威的风格写一个冒险故事”过度约束逻辑如“按时间顺序列出”创意写作通用模型明确约束目标避免自由发挥“写一个包含‘量子’和‘沙漠’的短篇小说不超过200字”开放式指令如“自由创作”代码生成推理模型简洁需求信任模型逻辑“用 Python 实现快速排序”分步指导如“先写递归函数”代码生成通用模型细化步骤明确输入输出格式“先解释快速排序原理再写出代码并测试示例”模糊需求如“写个排序代码”多轮对话通用模型自然交互无需结构化指令“你觉得人工智能的未来会怎样”强制逻辑链条如“分三点回答”逻辑分析推理模型直接抛出复杂问题“分析‘电车难题’中的功利主义与道德主义冲突”添加主观引导如“你认为哪种对”这张表的价值在于它把“选模型”和“写提示语”两件事绑在一起。同一道数学证明交给推理模型就一句话交给通用模型就得拆步骤加示例同一个创意写作交给推理模型要鼓励发散交给通用模型反而要收紧约束。复习时如果只记“推理模型适合数学”遇到通用模型做数学就不知道怎么办了。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类型材料对提示语的定义很朴素它是用户输入给 AI 系统的指令或信息用于引导 AI 生成特定输出或执行特定任务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。基本结构包含三部分——指令明确告诉 AI 执行什么任务、上下文提供背景信息帮助理解、期望明确或隐含表达对输出的要求和预期。这三段式是写任何提示语的骨架。按用途分提示语有六种类型指令型直接告诉任务如“将以下内容翻译为法语Hello, world”、问答型提问并期望答案、角色扮演型要求扮演特定角色如“假设你是一位 19 世纪的历史学家评论拿破仑的崛起”、创意型引导创意写作、分析型要求对给定信息分析推理如“用简单的语言解释量子力学假设你在跟一个 10 岁的孩子说话”、多模态提示语结合文本、图像等多种输入。材料还给了提示语本质的四个特征沟通桥梁连接人类意图和 AI 理解、上下文提供者、任务定义器、输出塑造器与能力引导器。这四个特征解释了为什么同一句话换个说法输出质量会差很多。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”是这份材料里最有启发的一段。它把提示语策略分成三类策略类型定义与目标适用场景示例推理模型适用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、需快速执行“用 Python 编写快速排序函数输出需包含注释。”精准高效限制模型自主优化空间需求导向描述问题背景与目标由模型规划解决路径复杂问题、需模型自主推理“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。”激发深层推理需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“设计一个杭州三日游计划要求包含西湖和灵隐寺且预算控制在 2000 元内。”平衡灵活性与可控性需避免过度约束这三种策略不是越复杂越好。简单任务用指令驱动最省事复杂问题用需求导向才能激发模型的推理能力而混合模式适合那些“目标明确但路径开放”的任务。最容易翻车的是把简单任务写成需求导向模型反而会过度发挥或者把复杂问题写成指令驱动模型只能机械执行你给的步骤漏掉你没写到的关键环节。4.3 五类需求的表达公式材料把用户需求归成五类每类给了一个表达公式和适配策略这部分建议直接背下来当模板用需求类型特点表达公式推理模型适配通用模型适配决策需求需权衡选项、评估风险、选最优解目标 选项 评估标准要求逻辑推演和量化分析直接建议依赖经验归纳分析需求需深度理解数据、发现模式或因果问题 数据/信息 分析方法触发因果链推导与假设验证表层总结或分类创造性需求需生成新颖内容主题 风格/约束 创新方向结合逻辑框架生成结构化创意自由发散依赖示例引导验证需求需检查逻辑自洽、数据可靠、方案可行结论/方案 验证方法 风险点自主设计验证路径并排查矛盾简单确认缺乏深度推演执行需求需完成具体操作任务 步骤约束 输出格式自主优化步骤兼顾效率与正确性严格按指令执行无自主优化每类需求材料都配了实战示例挑两个最能说明问题的。决策需求的例子是“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。”这个提示语把目标、选项、评估标准三要素都写全了模型才有得算。验证需求的例子是“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。”这类提示语的关键是把验证路径也写进去否则模型容易只做表面确认。4.4 还要不要学提示语材料专门用一节回答这个问题结论是要学但学的重点变了。当人人都会用 AI 时拉开差距的不是“会不会问”而是“问得准不准、选得对不对”。提示语是用户输入给 AI 的指令或信息本质是人与模型之间的沟通桥梁。模型能力越强提示语的作用越从“教它怎么做”转向“把需求说清楚”。所以复习提示语工程重点不该放在背模板句式上而该放在三件事判断任务类型、选对模型、把需求三要素指令、上下文、期望写完整。模板是拐杖理解结构才是本事。5. 易错点清单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容易错推理模型在数学、逻辑、代码上表现突出很容易让人产生“它全面更强”的错觉。但材料明确写了它在发散性任务如诗歌创作上是劣势领域强行使用反而限制发挥。怎么补选型前先问一句“这个任务的核心是逻辑链还是发散创意”前者给推理模型后者给通用模型别按热度选。5.2 易错点二对推理模型做启发式提示为什么容易错很多人学了一套“角色扮演分步引导”的提示语技巧就到处套用。但材料提醒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强行拆解步骤反而可能限制其能力。怎么补推理模型用简洁指令聚焦目标信任它内化的推理逻辑需要它展示过程时直接要求“给出推理过程”即可不必替它设计步骤。5.3 易错点三对通用模型过度信任为什么容易错通用模型对话自然、响应流畅容易让人直接抛复杂推理问题给它然后被一个看似合理实则跳步的答案带偏。材料说得很清楚通用模型缺乏推理模型那样的复杂推理和决策能力需要提示语补偿。怎么补复杂推理任务要么换推理模型要么在提示语里显式要求分步思考、提供示例、分步验证结果。5.4 易错点四提示语只写指令丢了上下文和期望为什么容易错新手最常写的就是一句话指令比如“写个方案”“分析一下数据”。材料把提示语结构拆成指令、上下文、期望三部分缺了后两者模型只能靠猜。怎么补写之前对照三要素检查一遍——任务是什么、背景信息给没给、输出形式和预期说没说。五类需求的表达公式本质上就是这三要素的不同组合。5.5 易错点五把“会用”当成“用得好”为什么容易错打开网页问两句谁都会于是很多人停在“会用”这一层不再深究模型差异和提示语策略。材料开篇那句“当人人都会用 AI 时你如何用得更好更出彩”问的就是这个。怎么补把复习重心从“功能会不会用”转到“任务—模型—提示语”的匹配判断上每接一个任务先做一次选型和结构检查形成习惯。6. 复习落地一张自查表和一个固定动作复习到这一步最怕的是“看的时候都懂用的时候全忘”。我的做法是把整份材料压缩成一张自查表每次接任务前过一遍比反复翻原文有效得多。表格按“任务判断—模型选择—提示语结构—结果验证”四步走检查步骤自查问题对应材料要点任务判断这个任务的核心是逻辑链还是发散创意属于决策/分析/创造性/验证/执行哪类需求五类需求表达公式模型选择逻辑密度高选推理模型多样性高选通用模型是否按任务类型而非热度选推理/通用模型对比表提示语结构指令、上下文、期望三要素齐了吗推理模型是否写得太啰嗦通用模型是否缺分步引导提示语基本结构与策略差异结果验证复杂推理结果是否分步验证过通用模型给的结论是否检查了逻辑自洽验证需求实战示例除了这张表还有一个固定动作值得养成每次写完提示语先自己判断“这句话是给推理模型还是通用模型用的”如果判断不出来说明提示语本身就没想清楚任务类型。这个动作看起来简单但能挡掉大部分“模型答非所问”的情况。再补一个查漏补缺的顺序建议。先补模型认知因为选错模型后面全错再补提示语结构因为结构不全模型只能猜然后补五类需求的表达公式这是把结构落到具体场景的桥梁最后补易错点清单用来做考前自检。这个顺序和材料的展开逻辑基本一致复习时顺着走不容易乱。代码这块也留一个最小示例方便把“任务—模型—提示语”的匹配落到手上。下面这段是给推理模型的简洁提示注意它没有分步指导只给目标和输出要求# 给推理模型的提示语只给目标和输出格式不替它设计步骤 prompt_for_reasoning_model 用 Python 实现一个函数判断给定字符串是否为回文。 要求 1. 忽略大小写和非字母数字字符 2. 输出函数定义和 3 个测试用例 3. 在注释中说明时间复杂度。 # 关键点没有“先做什么再做什么”的分步指令 # 因为推理模型会自行生成结构化推理过程强行拆解反而可能限制它。如果同样的任务交给通用模型提示语就得补上步骤和示例否则它容易跳过边界条件# 给通用模型的提示语显式分步 示例补偿其推理短板 prompt_for_general_model 请分三步完成 第一步解释回文判断的基本思路 第二步写出 Python 函数要求忽略大小写和非字母数字字符 第三步给出 3 个测试用例其中至少 1 个包含标点符号。 参考示例输入 A man, a plan, a canal: Panama 应返回 True。 # 关键点分步要求 参考示例是通用模型做逻辑任务时的补偿手段。这两段提示语的差别就是整份材料反复强调的那件事模型不同提示语策略就不同选型和写法是一体的。最后说个我自己的教训。早先我总习惯把所有问题都丢给同一个模型结果数学题偶尔跳步、创意文案又显得死板还以为是模型不行。后来强制自己每次接任务先走一遍“任务判断—模型选择—提示语结构—结果验证”这四步翻车次数明显少了。从那以后我每次写提示语前都强制先问一句“这是给哪类模型用的”答不上来就先想清楚任务再动手。希望这份梳理能帮到你把零散的使用经验收成一张真正能复习、能查漏补缺的地图。本文还有配套的精品资源点击获取