DeepSeek入门到精通：推理模型、提示语与实战避坑指南

简介：《DeepSeek从入门到精通》是一份面向AI初学者、内容创作者、开发者及企业应用人员的系统学习资料，围绕国产开源推理模型DeepSeek-R1展开，帮助读者理解其能力边界并掌握实际使用方法。压缩包内为1个PDF文件，约5.01MB，共103页，按“是什么、能做什么、怎么用、如何进阶”组织，便于通读与专题查阅。内容覆盖智能对话、文本生成、语义理解、计算推理、代码生成与调试等场景，并延伸到长文本摘要、多语言翻译、结构化输出和常规绘图。资料还重点比较推理模型与通用模型的优势、劣势及适用任务，讲解提示语策略差异、链式思维下的快速反应与慢速思考模式，以及按任务类型选择模型的关键原则。已有363人学习，适合希望从入门走向精通、提升AI实操与提示设计能力的读者。

1. 先弄明白一件事：DeepSeek 到底是个什么东西

搜 DeepSeek 入门的人，大部分都卡在同一个地方：资料存了一堆，打开第一页就犯困。这份 103 页的《从入门到精通》有点不一样，它开头几页没有公式也没有代码，先回答一个最朴素的问题：这东西到底是什么。说白了，它是一个能跟你用大白话对话的 AI 助手，你打字提问，它给答案；和普通聊天机器人不同的是，碰到绕的问题它会先“打个草稿”再开口。它开源、免费，中文理解是母语级水平，写文案、读长文、理逻辑、写代码都能接。零基础也能用，会打字就行。适合谁？被长文档淹没的人、想练写作的人、刚开始学编程的人，以及所有想把重复劳动交出去的人。

2. 为什么值得学：一个会“打草稿”的模型强在哪

很多人学 AI 工具的第一反应是背命令、记技巧，方向其实反了。先把“这类模型怎么想事”搞明白，后面写提示语、选模型、判断结果靠不靠谱，都会顺很多。这一章不讲原理，只讲三件对你上手有用的事：它和普通模型差在哪、它能接哪些活、以及你需要准备什么。

2.1 推理模型和通用模型：一个爱打草稿，一个张口就来

想象两个数学好的人。一个心算极快，你报 37×48，他张嘴就答；另一个不出声，先在心里默默列竖式，几秒后给答案。两个人算得都对，但前一个适合抢答，后一个适合啃硬题。AI 模型现在也分这两种路子。

DeepSeek-R1 属于后一种，也就是推理模型。拿到问题它不急着开口，先把推理链条一步步展开，再给结论。这类模型在训练时专门强化了推理、逻辑分析和决策能力，所以它在数学推导、逻辑分析、代码生成、复杂问题拆解上明显更稳。代价是想得久、慢一些，而且你让它写诗、做头脑风暴，它反而放不开，容易干巴巴。

通用模型是另一路。它在海量文本上训练，擅长语言生成、上下文理解、多轮对话和开放问答，反应快，写得活。但碰上严格逻辑链的任务，比如数学证明，它容易偷偷跳步，答案看着顺，过程是断的。

关键一句话：推理模型不是全面更强，它只在自己的训练目标领域里明显更强。新手最容易犯的错，是拿推理模型写营销文案，然后嫌它死板；或者拿通用模型算账，然后嫌它算错。任务匹配错了，再贵的模型也白搭。

行业里还有一种说法叫“快思慢想”。快思靠概率预测，看到问题迅速给出最可能的答案，算力成本低，适合快速反馈；慢想靠链式思维，把问题的每个步骤推一遍再下结论，算力成本高，适合复杂决策。DeepSeek 里的“深度思考”开关，本质就是让它在快思和慢想之间切一下。这段差别你现在记住一个大意就行，第 3 章会带你在真实界面上看一遍。

2.2 它能接的四类活：写、读、算、编

第一类是写，官方叫文本生成。文章、故事、诗歌、营销文案、广告语、社交媒体推文、剧本对话设计都算。再往下是摘要与改写：几千字的论文或报告压成一页，把复杂表述简化成给外行看的版本，多语言翻译和本地化，还有结构化的表格、清单、日程、菜谱生成。

第二类是读，也就是自然语言处理和分析。一堆用户评论，它能判断整体是夸还是骂，这是情感分析；一长串客服对话，它能归出用户到底想干什么，这是意图识别；从新闻里挑出人名、地点、事件，这是实体提取；此外还有文本分类、主题标签生成、垃圾内容检测。你做运营、做调研，这一类用得最多。

第三类是算和编。按需求生成代码片段，Python、JavaScript 都行；帮你调试代码，分析报错给修复建议；解释一段看不懂的代码库；生成 API 文档和代码注释；给性能优化建议。它不是替你当程序员，是替你当那个随叫随到的同桌。

第四类是常规绘图，做一些简单示意图没问题，但别把它当专业设计工具用，复杂图形还是要换工具。这段话里的关键词你记住：文本生成、自然语言处理、语义理解、代码生成补全，这些就是它能力的主干，剩下的都是分支。

放到真实场景里是这样：你是做运营的，一周要写十条推文外加一份周报，它能先帮你把选题铺开、再压缩成 60 字一条；你是学生，要读十几篇论文，它能先给你每篇的三条结论，你再决定精读哪几篇；你想学 Python，卡在第一个作业上，它能边讲思路边给可运行的代码。判断要不要用它的标准很简单：这件事是不是“有输入、有输出、规则说得清”。

2.3 零基础要准备什么：一台能上网的设备，加一个具体问题

不需要数学基础，不需要英语六级，不需要会编程。真的。它已经把“怎么把话说清楚”这件事降到了日常水平，你要准备的只有三样东西。

第一样，一台能上网的设备，手机电脑都行。第二样，一个真实的小问题，越具体越好。别说“教我用 AI”，说“帮我把这段会议记录整理成待办清单，按负责人分组”。问题越具体，它给你的东西越能直接用，你也就越有信心继续。第三样，一点耐心。第一次结果不满意是常态，不是你的问题，也不是它的问题，是话还没说清。

入门第一周别贪多。每天只做一件事，把一件事做透。比如周一专门练“压缩长文”，把三篇不同长度的文章丢进去，观察它在 300 字、3000 字、3 万字时的表现差异。这种笨办法比看十篇教程有用。

2.4 什么时候别指望它：三条边界

第一条，需要最新事实的时候。模型的知识有截止时间，越是时效性强的内容越容易出错。要么开联网搜索让它去查，要么你自己核实。

第二条，需要绝对精确的计算和条文引用的时候。让它算没问题，但关键数字自己再按一遍计算器；法规条款、合同细节，它给的只能当线索，不能当依据。

第三条，需要有人担责的判断。医疗、法律、财务这类决策，它只能当参考意见。它不是搜索引擎，不是计算器，也不是许愿池。把边界摸清楚，你反而敢用得更狠。

3. 第一个例子怎么跑：从打开页面到拿到能用的结果

这一章全是手把手。先别管什么提示语工程，跑通两个例子，找到“它真能干活”的感觉，比看二十页概念有用。

3.1 第一个例子：把一篇长报告压成三条要点

第一步，打开 DeepSeek 的对话页面，注册登录。界面很朴素，一个大输入框，下面几个按钮，一个是上传文件，一个是深度思考开关，一个是联网搜索开关。新手先都别开，就用最基础的模式。

第二步，把你手头一篇长文粘进去。找一篇你本来就要读的东西，比如一份项目复盘、一篇行业报告、一篇论文，别用示例文本，用真东西你才有判断力。

第三步，输入这条提示语：

下面是一份项目复盘，请压缩成三条要点，每条不超过 30 字，保留具体数字，不要加评论和评价。

第四步，看结果。大概率它给你的东西已经能用，但会有一两条偏笼统。这时候别重开一轮，直接追问：

第二条太笼统了，“效率提升明显”这种话没用，把具体数字补上。

第五步，把满意的那版复制走。整个过程不超过三分钟。

这条提示语为什么有效？它干了三件事：说清任务（压缩成三条）、给了约束（每条 30 字、保留数字）、划了禁区（不要评论）。如果你只说“帮我总结一下”，它可能给你五段话、每段两百字，你还得再删一遍。这就是新手和老手的第一个分水岭——不是模型不一样，是话不一样。

顺手再练一个变体：让它把同样的内容改成给外行看的版本，提示语换成“假设读者完全不懂这个行业，用大白话重写，不要出现专业术语”。同一个输入，两种输出，你立刻能感觉到“说清楚要什么”有多值钱。

3.2 第二个例子：让它写一段真能跑的代码

这一步是给“我不会编程但想试试”的人准备的。不会装环境也没关系，先看懂逻辑，跑不跑得起来是第二步。

输入提示语：

用 Python 写一个函数，统计一段中文文本里出现频率最高的 5 个词。要求：用 jieba 分词；过滤掉单字；返回词和次数；代码带注释；最后给一个可以直接运行的例子。

它给你的代码大概长这样：

import jieba from collections import Counter def top_words(text, n=5): # jieba.cut 把句子切成词，中文没有空格，必须靠分词库 words = [w for w in jieba.cut(text) if len(w) > 1] # 过滤“的”“了”这类单字 counter = Counter(words) # 统计每个词出现的次数 return counter.most_common(n) # 取前 n 个，返回(词, 次数) if __name__ == "__main__": sample = "人工智能正在改变写作方式，人工智能也在改变编程方式。" print(top_words(sample, 3))

运行之前要先装依赖，打开命令行输入：

pip install jieba

代码逐行说一下。jieba.cut(text)是分词，中文句子没有空格，不切词的话整句话会被当成一个“词”，统计就没意义了。列表推导里的if len(w) > 1是过滤单字，因为“的”“了”“在”这种字出现频率最高但没信息量。Counter是 Python 标准库自带的计数器，专门干统计这活。most_common(n)里的 n 就是你要几条，改这个数字就能改输出条数，比如改成 10 就是前十个词。最后那个if __name__ == "__main__":是让脚本能直接双击运行的写法，删掉也不影响函数本身。

跑出来大概是这样：

[('人工智能', 2), ('改变', 2), ('写作', 1)]

如果终端里跳出ModuleNotFoundError: No module named 'jieba'，意思是依赖没装上，回到上一步重新执行 pip 命令。如果输出里全是“我们”“这个”“然后”，说明停用词没过滤，跟它说一句“加一个停用词列表，过滤掉常见虚词”，它会给你改好。这些“失败时看什么”的判断，比代码本身更值钱。

想再改一改也简单：把n=5改成n=10；把sample换成open("你的文件.txt").read()就能读文件；想统计英文也行，但 jieba 对英文效果一般，直接按空格切更合适。

3.3 看懂“深度思考”：那段小字是干什么的

打开深度思考开关再问一个问题，你会看到它先输出一大段推理过程，再给最终答案。新手第一反应是“这段废话能关掉吗”。先别关，这段是它的草稿，有两个实用价值。

第一个价值，检查它有没有理解错。草稿的第一两句往往在复述你的问题，如果它把“帮我改简历”理解成“帮我写简历”，你立刻能发现，赶紧打断重说，省下后面全盘返工。

第二个价值，复杂任务必开。数学题、多步逻辑、代码调试、方案对比，这些开了明显更稳。反过来，改一句话、翻译一个词、闲聊几句，开着纯属浪费时间，关掉更快。

要注意的是，草稿里也可能有错。它推着推着拐错弯的情况不少见，别把草稿当标准答案看，它只是过程展示。

3.4 上传文件：让扫描件里的文字变成能改的文本

点上传按钮，选文件，等它读完。这里有个九成新手会漏的动作：先让它复述结构，再让它干活。提示语：

先别分析，告诉我这份文件一共几个部分，每部分讲什么，列出小标题和关键数字。

为什么要多这一步？因为文件读取会出错，表格读串行、扫描件识别偏差、超长文档后半段漏掉，都是常事。它要是复述的结构跟你肉眼看到的一致，后面才能放心用；对不上，立刻换方式重传或者分段处理。翻车基本都发生在“没确认就往下做”这一步。

4. 提示语怎么写：从“下达指令”到“表达需求”

提示语就是你跟 AI 说话的方式。新手总以为要背什么咒语，其实核心就一句话：把你要什么、背景是什么、要成什么样，说清楚。这一章把这件事拆成可操作的几步。

4.1 一条提示语的三块积木

一条有效的提示语，基本由三块组成。指令，明确告诉它做什么任务，动词开头最好；上下文，给它必要的背景，谁在用、给谁看、基于什么材料；期望，说清你要的输出长什么样，字数、格式、风格、必须包含什么、不许出现什么。

拿写文案举例。烂的写法是“帮我写个文案”，它只能猜，猜出来八成不是你想要的。好的写法是：

我要给一款面向大学生的记账 App 写一条朋友圈文案（上下文），目标是让人看完想点进详情页（期望），控制在 60 字以内，口语化，不要用“赋能”“闭环”这类词（约束）。

三块积木不一定每次都要齐，但缺哪块，结果就容易在哪块出问题。缺上下文，它写得泛；缺期望，它给的长度格式全随缘；缺约束，它就可能用一堆你讨厌的词。

再补一组对照，你感受一下差别。模糊的：“分析一下这份数据。”具体的：“分析这份三个月的销量数据，找出增长最快和最慢的两个品类，各给一个可能原因，不要超过 200 字。”任务、数据、输出格式全在里面，它想跑偏都难。

4.2 推理模型要“少说”，通用模型要“多扶”

这是新手最容易忽略的一条。对推理模型，提示语越简洁越好，因为它自己会展开推理，你只要把目标和边界说清，剩下交给它。你如果像教小孩一样把步骤一条条拆开写，反而可能干扰它自己的逻辑主线，效果变差。

对通用模型，反过来，你得扶着它走。因为它不会主动展开推理，需要你显式引导步骤，或者给一个示例让它照着来，不给它就容易跳步。

所以有个口诀：推理模型“要什么直接说”，通用模型“缺什么补什么”。别对推理模型搞角色扮演那套花活，容易把它的逻辑带偏；也别对通用模型过度信任，直接甩一个复杂推理题过去，它的答案你得一步步验。

4.3 五类需求的表达公式

大部分日常需求，都能归到这五类里。每类有个简单的表达公式，照着套就行。

具体到提示语长这样。决策类：

为降低物流成本有两个方案：一是自建仓库，初期投入高但长期成本低；二是与第三方合作，按需付费但灵活。请按五年总成本对比，给出推荐和理由。

分析类：

下面是近三年某品类的销量数据（附 CSV），请说明增长趋势，以及增长与促销活动之间的关联性，预测下一年时请说明你用的方法和假设。

创造类：

设计一款智能家居产品，要求解决独居老人的安全问题，结合传感器和提醒机制，给出三种不同技术路线的草图说明。

验证类：

下面是某份报告的结论：新方案优于旧方案。请验证：实验数据是否支持这个结论；对照组设置有没有偏差；如果重算，结论会不会变。

执行类：

把下面这段 C 代码转成 Python，要求保持时间复杂度不变，用 numpy 优化数组操作，输出完整可运行代码并附带一个测试案例。

看出来了吗？公式不是让你背，是让你别漏。新手写提示语最常漏的是“评估标准”和“输出格式”，补上这两样，结果质量立刻上一个台阶。

4.4 存一个自己的模板本

别每次都从零想。准备一个记事本，把好用的提示语存下来，按场景分类。我自己常用的是一个四行模板：

背景：谁在用，给谁看，基于什么材料 任务：要它做什么，动词开头 约束：字数、风格、禁用词、必须包含的信息 输出格式：列表、表格、分段、代码

四行填完，提示语就有了。用了一个月你会发现，真正高频的场景不超过十个，模板攒够十个，日常八成任务都能直接套。

5. 新手最容易翻车的五个地方

下面这五条，是新手踩得最多、也最容易反复踩的。每条按“现象、原因、怎么办”写，对号入座就行。

5.1 坑一：答案读着通顺，一查全是错的

现象：它给的时间、人名、数据看着特别像真的，一核实全对不上，甚至能给你编出一本书的具体页码。

原因：模型是按概率生成文字的，不是查数据库。它追求的是“像”，不是“对”。行业内管这叫幻觉。

怎么办：凡是关键事实，要么让它开联网搜索并给出处，要么自己核实一遍；提示语里加一句“不确定的地方直接说不确定，不要编”；数字自己按一遍计算器。养成一个习惯：结论可以用，事实必须验。这不是它不靠谱，是你得知道哪部分能信。

5.2 坑二：代码跑不起来，报错看不懂

现象：复制过来一堆红字，ModuleNotFoundError、IndentationError轮着来，改一个冒一个。

原因：你没告诉它运行环境，Python 版本、操作系统、装了什么库，它只能猜；或者它给的是示意版代码，本来就没打算让你直接跑。

怎么办：把报错原文整段贴回去，附一句“这是我的环境：Windows、Python 3.11，已装 jieba，请先解释这个报错再改”；让它一次只改一个问题，别一口气改五处；改完自己跑一遍再继续。报错信息是最好的提示语，别嫌它长就删掉。

5.3 坑三：提示语越写越长，效果越来越差

现象：怕它不懂，把步骤一条条拆开写，结果它反而变笨，答得又慢又僵。

原因：对推理模型来说，你拆的步骤可能干扰它自己的推理主线。它内部已经内化了推理逻辑，你只要说清目标和边界，它自己会走。

怎么办：先给一句话目标，不满意再加一条约束，一次加一条，边加边看效果。别一上来写三百字说明书。真要拆步骤，留给通用模型。

5.4 坑四：一口气问十个问题，每个都答得很浅

现象：一条消息里塞了写文案、做表格、翻译三件事，结果三件都敷衍。

原因：上下文被摊薄了，模型的注意力分散到多个任务上，每个都只能给个大概。

怎么办：一次一个任务，做完再下一个。长任务拆成几轮，每轮确认一次再往下。这跟找人办事一个道理，你一次托十件事，对方也只能每件都糊弄一下。

5.5 坑五：文件传上去，它读得乱七八糟

现象：表格读串行，扫描件识别出错，长文档后半段直接漏掉，你基于错的内容继续问，全盘皆输。

原因：文件清晰度、排版复杂度、长度限制，任何一项都可能让读取出偏差。

怎么办：先让它复述目录和关键数字，对不上就换方式；扫描件尽量拍清楚、摆正、别反光；超长文档分段传，或者先让它列大纲，再逐段处理。记住 3.4 节那个动作，先确认再干活，能省掉一大半返工。

6. 下一步学什么：把这份文档读成自己的手艺

先说读法。103 页别从头读到尾，那样读到三十页就放弃了。前面讲“是什么、能做什么”的部分快速翻一遍，建立地图；中间讲提示语策略和模型差异的部分精读，那是全书最值钱的地方；后面的案例挑三个跟你工作最相关的，照着做一遍，做完再回头看理论，理解会完全不一样。

再说节奏。给你一张四周的表，每天花二十分钟就够：

最后分享一个笨办法：提示语笔记本。每次效果好的提示语，存下来，标上场景和日期。一个月后你就有自己的模板库，比任何教程都贴身。这件事没有捷径，但有复利。

我第一次用的时候，觉得它什么都能干，结果第一周就让它查一个当月的数据，它编得头头是道，我差点写进稿子。从那以后，凡是涉及数字和事实，我都强制自己核一遍再用，这个习惯救过我好几次。希望帮到你。

本文还有配套的精品资源，点击获取