DeepSeek从入门到精通：全面掌握AI大模型的核心能力
文章目录
- 一、DeepSeek是什么？
- 性能对齐OpenAI-o1正式版
- 二、Deepseek可以做什么？
- 能力图谱
- 文本生成
- 自然语言理解与分析
- 编程与代码相关
- 常规绘图
- 三、如何使用DeepSeek？
- 四、DeepSeek从入门到精通
- 推理模型
- 推理大模型
- 非推理大模型
- 快思慢想：效能兼顾 全局视野
- 提示语策略差异
- 推理模型
- 通用模型
- 关键原则
- 模型选择
- 提示语设计
- 避免误区
- 从“下达指令”到“表达需求”
- 任务需求与提示语策略
- 如何向AI表达需求
- 五、提示语（Prompt）
- 提示语示例
- 提示语类型
- 提示语的本质
- 提示语的类型
- 六、总结
引用
清华大学新闻与传播学院新媒体研究中心, 宇宙文化实验室. (2025). DeepSeek从入门到精通. 余梦珑（博士后主笔）. 北京: 清华大学.
一、DeepSeek是什么？
DeepSeek是中国一家专注通用人工智能（AGI）研发的科技公司，基于自主研发的大模型核心技术，提供智能对话助手（如深度求索）、开放平台API接口及企业级解决方案，涵盖智能客服、数据分析、内容生成等场景应用。
性能对齐OpenAI-o1正式版
DeepSeek-R1在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力在数学、代码、自然语言推理等任务上，性能比肩OpenAI o1正式版。
二、Deepseek可以做什么？
DeepSeek直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景，支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容。
能力图谱
文本生成
文本创作
- 文章/故事/诗歌写作
- 营销文案、广告语生成
- 社交媒体内容（如推文、帖子）剧本或对话设计
摘要与改写
- 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
- 表格、列表生成（如日程安排、菜谱）
- 代码注释、文档撰写
自然语言理解与分析
语义分析
- 语义解析
- 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
- 知识推理
- 逻辑问题解答（数学、常识推理）
- 因果分析（事件关联性）
文本分类
- 文本分类
- 主题标签生成（如新闻分类）
- 垃圾内容检测
编程与代码相关
代码生成
- 根据需求生成代码片段（Python、JavaScript）
- 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
常规绘图
SVG矢量图
基础图形/图标/简单插图/流程图/组织架构图
Mermaid图表
流程图/时序图/类图/状态图/实体关系图/思维导图
React图表
折线图/柱状图/饼图/散点图/雷达图/组合图表
三、如何使用DeepSeek？
官网：DeepSeek官网
四、DeepSeek从入门到精通
推理模型
推理大模型
推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。它们通常具备额外的技术，比如强化学习、神经符号推理、元学习等，来增强其推理和问题解决能力。
例如：DeepSeek-R1，GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出。
非推理大模型
适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。
例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译等任务。
| 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 |
快思慢想：效能兼顾 全局视野
| 1 | 概率预测（快速反应模型，如 ChatGPT 4o） | 链式推理（慢速思考模型，如 OpenAI o1） |
|---|---|---|
| 性能表现 | 响应速度快，算力成本低 | 慢速思考，算力成本高 |
| 运算原理 | 基于概率预测，通过大量数据训练来快速预测可能的答案 | 基于链式思维（Chain - of - Thought），逐步推理问题的每个步骤来得到答案 |
| 决策能力 | 依赖预设算法和规则进行决策 | 能够自主分析情况，实时做出决策 |
| 创造力 | 限于模式识别和优化，缺乏真正的创新能力 | 能够生成新的创意和解决方案，具备创新能力 |
| 人机互动能力 | 按照预设脚本响应，较难理解人类情感和意图 | 更自然地与人互动，理解复杂情感和意图 |
| 问题解决能力 | 擅长解决结构化和定义明确的问题 | 能够处理多维度和非结构化问题，提供创造性的解决方案 |
| 伦理问题 | 作为受控工具，几乎没有伦理问题 | 引发自主性和控制问题的伦理讨论 |
CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合适的模型，实现最佳效果。
提示语策略差异
推理模型
- 提示语更简洁，只需明确任务目标和需求（因其已内化推理逻辑）。
- 无需逐步指导，模型自动生成结构化推理过程（若强行拆解步骤，反而可能限制其能力）。
通用模型
- 需显式引导推理步骤（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（如要求分步思考、提供示例）。
关键原则
模型选择
优先根据任务类型而非模型热度选择（如数学任务选推理模型，创意任务选通用模型）。
提示语设计
推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。
通用模型：结构化、补偿性引导（“缺什么补什么”）。
避免误区
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。
不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。
从“下达指令”到“表达需求”
| 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、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。” | 结果精准高效；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。” | 激发模型深层推理；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 | 平衡灵活性与可控性 | “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。” | 兼顾目标与细节；需避免过度约束 |
| 启发式提问 | 通过提问引导模型主动思考（如 “为什么”“如何”） | 探索性问题、需模型解释逻辑 | “为什么选择梯度下降法解决此优化问题？请对比其他算法。” | 触发模型自解释能力；可能偏离核心目标 |
任务需求与提示语策略
| 任务类型 | 通用模型 | 提示语句重点 | 示例（有效提示） | 需避免的提示策略 |
|---|---|---|---|---|
| 数学证明 | 推理模型 | 直接提问，无需分步引导 | “证明勾股定理” | 冗余拆解（如“先画图，再列公式”） |
| 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 | 鼓励发散性，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”） |
| 通用模型 | 需明确约束目标，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”） |
| 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”） |
| 推理模型 | 需明确对话目标，避免开放发散 | “从技术、伦理、经济三方面分析AI的未来” | 情感化提问（如“你害怕AI吗？”） | |
| 逻辑分析 | 推理模型 | 直接抽出复杂问题 | “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？”） |
| 通用模型 | 需拆分问题，逐步追问 | “先解释电车难题的定义，再对比两种伦理观的差异” | 一次性提问复杂度提 |
如何向AI表达需求
| 需求类型 | 特点 | 需求表达公式 | 推理模型适配策略 | 通用模型适配策略 |
|---|---|---|---|---|
| 决策需求 | 需权衡选项、评估风险、选择最优解 | 目标+选项+评估标准 | 要求逻辑推演和量化分析 | 直接建议，依赖模型经验归纳 |
| 分析需求 | 需深度理解数据/信息、发现模式或因果关系 | 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（文本/设计方案） | 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 | 需检查逻辑自洽性、数据可靠性或方案可行性 | 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（代码/计算/流程） | 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 |
五、提示语（Prompt）
提示语示例
提示语（Prompt）是用户输入给AI系统的指令或信息，用于引导AI生成特定的输出或执行特定的任务。简单来说，提示语就是我们与AI“对话”时所使用的语言，它可以是一个简单的问题，一段详细的指令，也可以是一个复杂的任务描述。
提示语的基本结构包括指令、上下文和期望
- 指令（Instruction)： 这是提示语的核心，明确告诉AI你希望它执行什么任务。
- 上下文（Context)： 为AI提供背景信息，帮助它更准确地理解和执行任务。
- 期望（Expectation)： 明确或隐含地表达你对AI输出的要求和预期。
| 需求类型 | 实战技巧示例 |
|---|---|
| 决策需求 | * 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解。 |
| 分析需求 | * 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。 |
| 创造性需求 | * 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。 |
| 验证性需求 | * 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。 |
| 执行需求 | * 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输出单元测试案例的完整代码。 |
提示语类型
提示语的本质
| 特征 | 描述 | 示例 |
|---|---|---|
| 沟通桥梁 | 连接人类意图和AI理解 | “将以下内容翻译为法语：Hello, world” |
| 上下文提供者 | 为AI提供必要的背景信息 | “假设你是一位10世纪的历史学家，评论拿破仑的崛起” |
| 任务定义器 | 明确指定AI需要完成的任务 | “为一篇关于气候变化的文章写一个引言，长度200字” |
| 输出塑造器 | 影响AI输出的形式和内容 | “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” |
| AI能力引导器 | 引导AI使用特定的能力或技能 | “使用你的创意写作能力，创作一个关于时间旅行的短篇故事” |
提示语的类型
-
指令型提示语
直接告诉AI需要执行的任务。
示例： “生成一张2023年全球碳排放量的柱状图”。 -
问答型提示语
向AI提出问题，期望得到相应的答案。
示例： “量子纠缠的基本原理是什么？”。 -
角色扮演型提示语
要求AI扮演特定角色，模拟特定场景。
示例： “假设你是莎士比亚，写一首关于人工智能的十四行诗”。 -
创意型提示语
引导AI进行创意写作或内容生成。
示例： “创作一个未来城市中人与机器人共存的科幻故事”。 -
分析型提示语
要求AI对给定信息进行分析和推理。
示例： “根据过去十年的股票数据，预测明年科技股的走势”。 -
多模态提示语
结合文本、图像等多种形式的输入。
示例： “为这张风景照片（附链接）配一首五言绝句”。
六、总结
DeepSeek是中国一家专注于通用人工智能（AGI）研发的科技公司，其核心产品基于自主研发的大模型技术（如推理模型DeepSeek-R1和通用模型），在数学推理、代码生成、逻辑分析等复杂任务上性能比肩OpenAI顶级模型。公司提供智能对话助手、API接口及企业级解决方案，覆盖文本生成（创意写作、摘要翻译）、自然语言理解（语义分析、知识推理）、编程辅助（代码生成与调试）、多模态绘图（SVG、Mermaid图表）等多样化场景，并支持文件解析与联网搜索。用户可通过官网快速接入，其核心使用策略强调“任务导向型提示语设计”：推理模型需简洁指令以释放内化逻辑能力，通用模型依赖结构化引导（如分步示例）；同时，文档系统梳理了从需求分类（决策、分析、创造、验证、执行）到提示语类型（指令型、角色扮演、多模态等）的适配方法，助力用户高效利用AI能力，规避过度约束或模糊指令的常见误区，实现从基础操作到复杂问题解决的全面覆盖。