DeepSeek V3/R1/RAG三入口：模型选型、提示词与智能体实战

简介：这是一份面向职场人士、创意工作者与研究人员的DeepSeek实践指南PDF，聚焦提示语工程与多场景智能体解决方案。内容系统梳理了DeepSeek的三种运行模式——网页版直接使用、云端平台部署与API调用，并说明英伟达NIM、微软Azure、亚马逊AWS等平台的具体配置与适用特点，方便不同技术背景的读者选择接入方式。核心部分对比了V3基础模型与R1深度思考模型在规范性、结果导向、路径灵活性、响应模式、风险特征等五个维度的差异，清晰回答了“什么场景该用高效便捷的通用模型，什么场景该交给擅长复杂推理的推理模型”。提示语设计上，资源给出了RTGO与CO-STAR两套结构化框架，覆盖角色、目标、操作要求、任务、受众等要素，可直接套用。应用案例涵盖可视化图表制作、PPT/海报/视频自动生成、新媒体文案批量生产、市场调研智能化处理等真实工作流，并延伸到人机协作与智能体落地的概念。整套资料为单个PDF文件，大小9.75MB，已有799人学习，适合经常涉及文字撰写、图形设计、多媒体制作及数据分析的从业者快速提升产出质量。

1. DeepSeek 不是开箱即用的单模型：V3、R1、RAG 三个入口先分清

DeepSeek 这个词在职场工具群里出现的频率，高到快被当成“一个 AI”来用了。但我拆完这套方案后的第一反应是：用不好它的人，多数不是输在提示词，而是输在没搞清它有三个入口。V3 基础模型适合流程明确的执行任务，R1 深度思考模型适合开放式的复杂推理，RAG 联网搜索负责给结论补时效信息。同一个问题，丢给 V3 和丢给 R1，写法完全不同；把写给 V3 的那套提示词原样贴给 R1，结果往往深度还不如默认发挥。这篇笔记整理了模型选型的 5R 框架、RTGO 与 CO-STAR 提示语模板，以及基于 CAP 框架的图表与 PPT 智能体实战，适合靠 AI 做内容、做分析、做调研的从业者直接复现。

2. 模型选型先定盘：用 5R 框架判断手里的活归 V3 还是 R1

2.1 5R 框架：五个维度把任务分类

拆这套方案时我发现，它背后是一支做人机共生方向的研究团队，成员拿过 Kaggle 金牌、法研杯、金融智能创新大赛等名次，所以他们对模型分工的判断不是段子，是拿比赛和项目喂出来的。方案里最核心的一张表叫 5R 框架，从五个维度把任务分类，决定该走 V3 还是 R1。

逐条说。Regulation 是最容易感知的差异：V3 适合“把这三段会议纪要改成周报格式”这种强规范任务，路径白纸黑字写清楚就行；R1 则不需要你教它几步完成，你教了反而限制它。Result 维度上，V3 给同样的输入，基本得到稳定结构；R1 同一个问题两次回答可能段落分布都不一样，这对最后要套固定模板的交付场景是个麻烦。Route 维度解释了为什么 R1 在复杂推理上更强——它是网状路径，会并行尝试多种解法，而不是按 A→B→C 的线性流程走。Responsiveness 是行为层面的区别：V3 更像执行者，你推一步它动一步；R1 更像协作者，给它一个枢纽级问题，它能自己决定先分析什么再判断什么。Risk 维度要特别解释一下，这里的“高风险”不是指内容危险，而是指输出结构不可控、幻觉更隐蔽，交付给客户前要多一道校验。

判断口诀可以浓缩成一句：路径清楚、结果标准，归 V3；路径未知、结果开放，归 R1。

2.2 同一任务两种写法：V3 给流程，R1 给目标

同一个任务，两种模型要写的提示词完全是两套。拿“分析 SaaS 产品一季度用户流失原因”举例，V3 我会这么写：

角色：你是一名有五年经验的 SaaS 数据分析师。 任务：基于我提供的用户行为日志，分析一季度用户流失的原因。 目标：输出一份可落地的流失原因清单，供运营团队制定留存策略。 操作要求： 1. 按“功能使用频次、付费意愿、客服介入记录”三个维度归类； 2. 每条原因给出数据佐证，没有数据的推测单独标注“待验证”； 3. 输出 Markdown 列表，总字数控制在 600 字以内。

R1 则不需要这些。我一般只给场景、问题和约束：

这是一份某 SaaS 产品一季度的用户行为日志。请找出里面最值得警惕的流失信号，说明为什么这些信号比营收下滑数字更早出现，并给出运营团队今天就能开始验证的三个动作。不套报告模板，直接说结论。

对比看差异就清楚了：V3 版给了归类维度、字数、格式，它严格执行；R1 版完全开放，由它自己决定从哪个角度切入。方案的逻辑是，R1 的推理能力内置在模型里，外部给的分步指令反而会干扰它的自主探索，你只需要告诉它“要看什么”和“别用什么形式”。实际工作中任务类型拿不准时，我会先用 R1 跑一版开放分析，再让 V3 把结论收成固定格式。一放一收，既保留深度又保证交付规范，这是这套方案里最高频的组合用法。

2.3 RAG 联网搜索的定位与混用边界

RAG 检索增强生成解决的是模型知识截止时间的问题，方案里把它单列为第三种模式。当任务涉及行业数据、竞品动态、近期政策时，先开联网搜索再作答。实用姿势是在提示词里显式写“请先联网检索最近三个月的行业报告，再回答以下问题：……”，不要默认模型会自动联网。两个边界要注意：一是 RAG 只是检索增强，不代表每个数字都准，关键数据仍要回源核对；二是 V3 和 R1 都能叠加 RAG，但叠加后的分工不同——R1 加 RAG 适合做“检索→分析→结论”的推理型任务，V3 加 RAG 适合做“检索→整理→摘要”的规整型任务。这个分工在方案的多个场景里被反复用到，比如市场调研和舆情分析。

3. 提示语结构别只靠灵感：RTGO 与 CO-STAR 模板的参数化写法

3.1 RTGO：角色、任务、目标、操作要求四件套

RTGO 是方案里最基础的提示语结构，四个字母分别对应 Role（角色）、Task（任务）、Goal（目标）、Objective（操作要求）。它的价值在于强制你填完四个信息位，而不是凭感觉写一段话丢给模型：

Role：你是【行业+年资+岗位】，例如“有十年经验的 SaaS 销售专家”。 Task：请完成【具体动作】，例如“写一份面向中小企业的产品介绍文案”。 Goal：目标是【可验收的结果】，例如“促成目标用户预约产品演示”。 Objective：操作要求包括：字数、段落结构、用词风格、内容要点、输出格式。

每个参数都有讲究。Role 越具体越好，岗位加经验年限加服务对象，比如“服务过制造业客户的供应链顾问”就比“资深顾问”有用；但别堆无关背景，比如“喜欢听民谣、养了两只猫”这类信息纯属占上下文。Task 要写成动宾短语，“写一份”“分析一下”“把…转成…”都行，保证模型知道你让它做什么动作。Goal 必须可验证，“深入了解行业趋势”是空话，要写成“读者看完能列出三个行动项”这种可验收的描述。Objective 承载所有硬约束，字数、语气、结构、格式全放这里。常见的误用是把 Objective 写成“请认真回答、保证质量”这种无法校验的废话，等于没约束——模型不知道“认真”长什么样，它只知道“输出 800 字以内”是硬指标。

3.2 CO-STAR：从上下文到响应格式的六维提示语

当任务从“执行”变成“创作”时，RTGO 的四要素就不够用了。这时候方案里推荐的是 CO-STAR 框架，来自新加坡提示工程竞赛的冠军框架，六个维度覆盖了创作型任务里最容易漏掉的上下文和受众信息：

C（上下文）：某品牌在社交平台出现一次负面事件，事件起因为产品交付延期，已发酵约 48 小时。 O（目标）：产出一份舆情研判简报，供公关团队早上 10 点例会使用。 S（风格）：结构清晰，结论先行，正文按“事件概述—传播路径—风险研判—应对建议”展开。 T（语调）：冷静、客观，不在措辞上引导立场。 A（受众）：公关团队负责人，无舆情专业背景，需要减少术语。 R（响应格式）：Markdown，正文不超过 1000 字，风险等级用高/中/低标注，应对建议按优先级排序。

逐项拆开看。Context 写的是模型看不到但你希望它知道的背景，包括任务来由、事件状态、约束条件。Objective 和 RTGO 里的 Goal 作用一致，但 CO-STAR 更强调“给谁用”，放在受众维度里。Style 和 Tone 是最容易被混用的两项：Style 是文本的组织方式和表达形态，比如结论先行、按模块展开；Tone 是措辞的情绪色彩，比如冷静客观还是热情活泼。很多人写提示词只写风格不写语调，结果输出“结构清楚但语气不对”。Audience 这维容易被忽略，但影响很大，“无舆情专业背景，需要减少术语”这一句，能直接决定模型用不用“声量峰值”这类黑话。Response 统一管输出格式，代码、表格、Markdown 目录，都在这条里固定。

3.3 跟 5R 衔接：什么时候叠用两个框架

这两个框架不是非此即彼的关系，而是按 5R 判断结果来选。V3 的执行型任务，RTGO 四件套够用；V3 的创作型任务，在 RTGO 基础上加 CO-STAR 的 Style、Tone、Audience 三个维度，替换掉 Objective 里笼统的“写得好一点”；R1 任务则只保留 Goal 和输出格式两个信息位，角色、风格、流程全部删掉。一个经验是：提示词不是越长越好，框架也不是越全越好。框架的价值在于提醒你哪些信息位没填，而不是每格都要塞满。尤其是 R1，你给它越多的“怎么做”，它越容易放弃自己的推理路径，最后给你交一份按部就班的平庸答案。

4. 常见问题排查：DeepSeek 职场应用里最常翻车的五个现场

4.1 模型、提示词、上下文：三类高频翻车点

坑 1：把结构化提示词整段抛给 R1，推理反而变浅

现象：把写给通用对话模型那套“你是资深专家，请分五步分析”的提示词贴给 R1，输出变得模板化，东一句西一句，甚至出现半天不出结果的情况。

原因：R1 的深度思考能力内置在自身推理链路里，外部给的流程指令会干扰它的自主探索；角色堆砌也占掉了宝贵的上下文空间。

解决：把 R1 提示词压缩成“场景 + 目标 + 约束 + 输出格式”四行。要带身份的话一句话带过，比如“你是一名数据分析师”，后面直接给数据和问题，不要展开人物设定。

坑 2：上下文被截断，长文档分析丢内容

现象：把 50 页研报直接粘进对话框，模型回答到一半突然停了，或者开头几页里明确出现过的数据，后文分析里完全没用到。

原因：提示词、历史消息、上传文档一起挤占上下文窗口，窗口超限后被静默截断，模型只看到了中间一段。

解决：先让 R1 生成摘要框架，再按章节分批喂入。另开新对话时，把上一轮的结论用三四句话带进来，不要重贴整份文档——对话到达上限后，新对话只会保留你手动粘贴进输入框的内容，你贴得越少，留给模型处理正事的窗口就越多。

坑 3：加“请一步一步思考”反而触发拒绝或空回复

现象：复杂任务里加上“请一步一步思考”，模型回复“我无法协助”或者直接空回复。

原因：显式思维链提示在一些平台会命中安全策略；而 R1 本来就有内部推理，根本不需要你喊口号。

解决：删掉分步指令，改成“给出可执行的结论和依据”。让推理留在模型内部，把结论留在回答里。

4.2 部署、参数、跨模型对账：API 与本地场景的坑

坑 4：本地部署全量模型，推理慢到没法用

现象：本地跑 671B 全量模型，生成一句完整回答要等几十秒，甚至直接内存溢出。

原因：全量模型对显存和内存的要求远高于普通办公机器，普通笔记本只能带动量化后的小模型。

解决：只是体验流程的话，直接走云端托管入口，英伟达 NIM、Azure、AWS、Groq、Cerebras 都有 DeepSeek 接入；要在本地跑，就选蒸馏版本，比如方案里提到的 70B 级蒸馏模型，再配 vLLM 做推理加速。vLLM 对生产环境的吞吐提升非常明显，本地单机跑小模型也能感受到差别。

坑 5：把 V3 和 R1 当同一个模型调参数

现象：同一段代码，V3 输出稳定，R1 输出像“换了个性格”，有时发散到没法看。

原因：两者对生成参数的敏感度不一样。R1 的网状路径生成策略放大了采样随机性，同样的 temperature 在 V3 上表现正常，在 R1 上就放飞。

解决：先保持平台默认参数跑一轮基线，再按任务类型微调。做批量实验时固定随机种子，给每轮输出打上模型与参数标签，方便对账。别把 V3 调参的经验直接搬到 R1 上，那是玄学，老老实实按模型重新测。

5. 从提示词到智能体：CAP 框架搭出图表与 PPT 自动化工作流

5.1 CAP 框架：四层把提示词变成“岗位说明书”

CAP（Comprehensive Agent Prompting Framework，全维度智能体提示框架）是这套方案里从“提示词”走向“智能体”的关键。RTGO 和 CO-STAR 解决的是单次对话怎么写，CAP 解决的是一个长期岗位怎么设定。它分四层：

Identity 层回答“你是谁”，比如“Mermaid 图表代码生成器”；Capability Matrix 层回答“你会什么、能决定什么”，比如判断该用 flowchart 还是 sequenceDiagram；Boundary System 层回答“你不能干什么”，比如代码必须符合语法、不输出解释文字；Operation Engine 层回答“你接到输入后按什么顺序干活”，比如先询问类型、再设计结构、最后自检输出。四层合起来就是一个岗位说明书。实际使用中 R1 更适合承载 CAP 智能体的执行层，因为自主决策这个动作只有 R1 做得好；V3 也可以跑 CAP，但边界系统要写得更死，防止它路径发散。

5.2 图表智能体：一套可直接抄写的 Mermaid 图表生成提示词

方案里给了一个完整的 Mermaid 图表生成器角色设定，可以直接复制使用：

你是 Mermaid 图表代码生成器。 【身份】与【能力】 你熟悉 Mermaid 的图表类型和语法，能高效把用户对流程和架构的文字描述转换为图表代码。你理解流程分析、架构设计及结构化展示等知识。 【能力范围与决策权限】 - 根据用户描述，判断应使用 flowchart、sequenceDiagram、classDiagram、gantt 中的哪一种； - 对不清晰的描述，先向用户提问确认，再生成代码； - 复杂流程必须拆出二级、三级等层级，不能用单层节点堆砌。 【边界与输出约束】 - 代码必须符合 Mermaid 语法规范； - 流程和结构表达要准确清晰； - 输出格式简洁，只输出 Mermaid 代码，不要附加解释； - 生成后校验一遍语法，确保节点命名合法、无中英文符号混用。 【工作流程】 1. 询问用户希望绘制哪种类型的图表，或直接接收流程描述； 2. 分析描述的结构层级； 3. 设计图表结构并生成代码； 4. 对代码做语法自检，确认无多余括号和标点； 5. 输出最终代码。

使用流程是：把这段角色设定粘贴到 R1 对话里，输入你的流程描述，它会返回一段 Mermaid 代码。拿到代码后粘贴到支持 Mermaid 的编辑器，比如 Typora、Obsidian 或 mermaid.live，验证能渲染再交付。注意两个参数细节：一是“复杂流程必须拆出二级、三级层级”这一条不能删，不然它会把十几个节点画成一张大饼；二是“无中英文符号混用”是血泪经验，Mermaid 渲染失败一半以上是因为中文语境下的全角逗号或括号。

5.3 PPT 大纲智能体：30 页起步的结构化产出

做 PPT 大纲是方案里另一个高频场景，角色设定比图表生成器更长，因为它的输出物更复杂：

你是 PPT 大纲辅助生成器。 【技能】 - 资料收集：快速收集并分析与主题相关的最新数据和报告，整理成表格，提取关键信息； - 内容结构化：提供清晰、条理化的 PPT 结构，确保内容流畅且有逻辑； - 领域知识：掌握各行业术语、法规、技术发展，熟练使用麦肯锡分析方法提供洞察。 【约束】 - 内容通俗易懂且有深度，规避明显的 AI 生成痕迹； - PPT 大纲不少于 30 页，内容必须完整，不能缺关键信息； - 行业数据和市场分析须标注来源，确保可回源核验。 【工作流程】 1. 询问 PPT 主题、内容重点和风格偏好； 2. 收集研究资料，整理成表格（字段：报告主题、关键摘要、报告地址），不少于 5 份； 3. 基于资料构建 Markdown 版 PPT 大纲，不少于 30 页； 4. 对核心页面生成 Mermaid 流程图。 【输出的内容与顺序】 - 先输出研究资料表格； - 再输出 PPT 大纲； - 最后输出核心页面流程图。 - 三者不要混杂到同一段里。 【页面层级规范】 - 第一层级：封面、目录页、章节页标题； - 第二层级：页面标题； - 第三、四层级：页面内容要点。

几个参数为什么要这么设，说清楚你才能改得动它。“不少于 30 页”的作用是逼着模型把“章节—页面—要点”的层级铺满，因为页数一旦放宽，模型就会偷懒，给你 8 页完事；“先资料后大纲”的顺序是为了防止模型凭空编造行业数据，先让它把资料表格交出来，这份表格就是你后续核对的索引；三部分分开输出，是为了让你分步验收——资料表格不合格，大纲就不用看了，直接让模型重新查。实际跑这个流程时我会加一步：R1 出大纲骨架，V3 逐页润色文案。骨架要的是判断力，文案要的是稳定性，两个模型各干一段，正好落在 5R 框架各自舒服的位置上。

5.4 平台智能体与 Python 自建智能体，怎么选

这套方案里还涉及一个问题：同样是把 DeepSeek 做成智能体，在 Coze、扣子这类平台搭，和用 Python 调 API 自己写，区别在哪。对比直接看表：

选型建议很直接：业务部门搭考勤问答、文案助手这类工具，用平台型，省维护成本；要对接公司数据库、做多步骤自动分析、把智能体嵌进产品流程，用 Python 调 DeepSeek API 自己写编排，控制力完全不一样。不管哪种，都要给智能体留输入输出日志——这是最朴素的行为审计，出了问题有据可查，也能回头分析是哪一轮的提示词把流程带偏了。

6. 验证产出的三个土办法：先渲染后核对，不然后果自负

6.1 代码类输出先跑一遍渲染或执行

Mermaid 代码、Python 片段这类结构化输出，别只看格式像就对。我一般会把 Mermaid 代码复制到本地编辑器渲染一次，Python 脚本拿到命令行跑一遍。能出图、能运行，才算第一步过。这一条特别针对 5.2 节的图表智能体，渲染失败时优先检查全角符号和节点命名。

6.2 信息类输出抽查来源

批量生产文案、市场调研报告时，凡是出现具体数字、报告名称、政策条款，挑两三条回源搜索。R1 的幻觉不容易被肉眼识别，但搜索引擎一搜就露馅。PPT 资料表格里的报告地址尤其要查，生成结果经常是真实报告配了假链接，核对地址比核对标题更关键。

6.3 用 V3 审 R1 的稿子

R1 生成深度内容后，把内容丢给 V3，让它“挑错、压缩、标出不严谨处”。两个模型交叉验证，比让同一个模型自检靠谱。V3 的规范性恰好补 R1 的开放性短板，这一步成本很低，但能拦住大部分结构性错误。

从那以后，我每次用 DeepSeek 产出要交付的图表或大纲，都强制走一遍“先渲染、后核对来源、再让 V3 挑错”的流程。有一回偷懒没查来源，客户当场搜出数据对不上，那次之后就不敢再赌了。这套验证流程和前面的提示词模板一起用，希望帮到你。

本文还有配套的精品资源，点击获取