企业官网建设流程全解析

简介：这份PDF资料是清华大学DeepSeek系列讲座第二讲，共35页，面向希望将大模型落地于职场场景的技术人员、产品经理与管理者。内容围绕DeepSeek职场赋能展开，提出Organization、Innovator、Reasoner、Chatbot四层应用框架，并延伸到文化、科学、社会科学与艺术工业等场景，同时梳理团队在人机协同与人机共生方向的研究成果及多项赛事获奖案例。资料还对比了英伟达NIM、微软Azure、亚马逊AWS等平台部署方式，以及Cerebras、Groq的70B模型方案，并给出V3、R1与联网搜索三种模式的适用边界，附RTGO、CO-STAR提示语框架与R1开放性提问技巧。资源包为1个PDF文件，大小约9.57MB，结构紧凑便于通读。目前已有1470人学习，适合需要快速建立DeepSeek职场应用认知、对照选型与提示语设计的读者参考。

1. 从一份 35 页的职场赋能讲义说起：它到底能解决什么问题

前阵子有个做运营的朋友找我吐槽，说他们部门要求全员用大模型提效，结果两周下来，真正把模型用进日常工作的没几个。大部分人还是把它当搜索引擎使，问一句答一句，产出质量全看运气。我让他把手上那份《DeepSeek 职场赋能》的讲义翻出来，35 页，从提示词结构到场景拆解都有，他看完第一反应是「原来还能这么用」。

这份资料的核心价值不在于讲 DeepSeek 这个模型本身有多强，而在于它把「职场场景」和「模型能力」做了对齐。它回答的是一个很实际的问题：写周报、做竞品分析、整理会议纪要、生成汇报 PPT 大纲，这些每天都要干的活，怎么用一套可复用的方法让模型稳定输出可用的东西。适合谁？适合那些已经用过 DeepSeek 但产出不稳定的人，也适合团队里需要把 AI 用法标准化、沉淀成内部规范的人。它不讲底层原理，讲的是操作层面的「怎么问、怎么改、怎么验」。

2. 提示词结构拆解：把「随便问问」变成可复用的指令模板

2.1 为什么直接提问总是翻车

大部分人用 DeepSeek 的方式是「帮我写个周报」，然后拿到一段泛泛而谈的文字，改起来比自己写还累。问题不在模型，在于指令里缺少三个关键要素：角色约束、输出格式、验收标准。讲义里反复强调一个观点——模型不知道你的老板想看什么，也不知道你们团队的周报模板长什么样，你不说，它就按最通用的方式猜。

我自己的血泪经验是，早期用模型写方案，十次有八次需要大改，后来把指令拆成「角色 + 任务 + 约束 + 示例」四段式，一次通过率明显上来了。这不是玄学，是因为模型在生成时有了明确的锚点，不会在开放空间里乱跑。

2.2 四段式指令模板与参数说明

下面这个模板是我从讲义里提炼出来、又在实际工作中调了十几版的结构。它不复杂，但每一段都有明确作用。

# DeepSeek 职场任务指令模板（四段式） prompt_template = """ # 角色 你是一位有 5 年经验的{行业}从业者，擅长{具体技能}。 # 任务 请完成以下工作：{具体任务描述} # 约束 - 输出格式：{格式要求，如 Markdown 表格 / 分点陈述 / 段落} - 字数范围：{字数区间} - 语气风格：{正式 / 简洁 / 汇报体} - 必须包含：{关键要素，如数据来源、时间节点、责任人} - 禁止出现：{排除项，如空话、套话、无法验证的结论} # 示例（可选但强烈建议） 参考以下风格： {粘贴一段你认可的样例文本} """

逻辑说明：角色段让模型锁定知识域和表达习惯，避免它用通用助手口吻回答；任务段要具体到「输出物是什么」，而不是「帮我看看」；约束段是整份模板里最值钱的部分，格式、字数、语气、必含项、禁止项，每一条都在缩小模型的自由发挥空间；示例段是可选但效果最明显的，给一段你认可的文本，模型会模仿它的节奏和用词。

参数怎么改：行业和技能按你的实际岗位填，不要写「互联网」这种大词，写「电商用户运营」或「B 端产品需求分析」更有效。字数范围建议给区间而不是精确值，比如「300 到 500 字」，模型对区间的执行比精确值更稳。禁止项里一定要写「禁止编造数据」，这是职场场景的底线。

2.3 三个高频场景的指令实例

讲义里拆了十几个场景，我挑三个最通用的，把指令直接写出来，改改就能用。

场景一：周报生成

weekly_report_prompt = """ # 角色 你是一位擅长结构化表达的职场人。 # 任务 根据以下本周工作记录，生成一份周报。 # 约束 - 格式：分「本周完成」「进行中」「下周计划」「风险与求助」四块 - 每块用 3 到 5 条陈述，每条不超过 40 字 - 语气：简洁汇报体，不写感受，只写事实和结果 - 必须包含：可量化的结果（如有） - 禁止：空话、套话、「继续跟进」这类无信息量的表述 # 本周记录 {粘贴你的流水账} """

场景二：竞品分析框架

competitor_prompt = """ # 角色 你是一位资深市场分析人员。 # 任务 针对{产品名}，输出一份竞品分析框架。 # 约束 - 格式：Markdown 表格，列为「维度」「本品现状」「竞品 A」「竞品 B」「差距判断」 - 维度至少覆盖：功能、定价、目标用户、渠道、优劣势 - 每个单元格内容不超过 30 字 - 禁止：没有依据的结论，不确定的地方标注「待验证」 # 补充信息 {粘贴你已知的产品信息} """

场景三：会议纪要整理

meeting_notes_prompt = """ # 角色 你是一位专业的会议记录整理者。 # 任务 将以下会议速记整理成结构化纪要。 # 约束 - 格式：分「决议事项」「待办任务」「遗留问题」三块 - 待办任务必须包含：事项、责任人、截止时间（缺失则标注「待确认」） - 删除口语重复和跑题内容 - 禁止：添加原文没有的结论 # 速记原文 {粘贴速记} """

这三个模板的共同点是：格式约束足够具体，模型不需要猜；禁止项堵住了最常见的翻车点；补充信息留了口子，你可以把已知背景塞进去，减少模型胡编的空间。

3. 职场场景落地：从单次提问到工作流嵌入

3.1 把 DeepSeek 接进日常工具链的两种方式

讲义里提到一个容易被忽略的点：如果每次都要打开网页、复制粘贴、再复制回来，用不了几天就会放弃。真正能坚持下来的用法，是把模型嵌进你本来就在用的工具里。常见做法有两种，一种是用 API 做轻量脚本，一种是用支持自定义指令的客户端做快捷调用。

API 方式适合有固定重复任务的场景，比如每天要把一批用户反馈归类打标。下面是一个最小可用的 Python 调用示例，用的是 OpenAI 兼容格式，DeepSeek 的接口可以直接套。

import requests def ask_deepseek(prompt, api_key): """调用 DeepSeek API 的通用函数""" url = "https://api.deepseek.com/v1/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } payload = { "model": "deepseek-chat", # 模型名，按官方文档填 "messages": [ {"role": "system", "content": "你是一位职场效率助手。"}, {"role": "user", "content": prompt} ], "temperature": 0.3, # 职场任务建议 0.2 到 0.5，越低越稳 "max_tokens": 2000 # 按输出长度需求调整 } resp = requests.post(url, headers=headers, json=payload, timeout=60) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"] # 使用示例 result = ask_deepseek("把以下反馈归类为：功能建议、bug 反馈、咨询、投诉。\n\n{反馈列表}", "你的 API Key") print(result)

逻辑说明：system 消息设定全局角色，user 消息放具体任务。temperature 是职场场景最关键的参数，写方案、做分析建议 0.2 到 0.5，需要创意发散时才调到 0.7 以上。max_tokens 按你的输出需求设，设太小会被截断，设太大浪费额度。timeout 建议不低于 60 秒，长文本任务容易超时。

参数怎么改：model 字段按官方最新文档填，不要照搬旧教程里的名字。temperature 如果你发现输出太飘、爱加戏，就往下调到 0.2；如果输出太死板、翻来覆去那几句话，往上调到 0.6 试试。max_tokens 和你的 prompt 长度加起来不能超过模型上下文上限，超了会直接报错。

3.2 用「分步拆解」替代「一步到位」

讲义里有一个反直觉的建议：不要指望模型一次输出完整方案。职场任务往往涉及多个环节，一步到位的结果通常是每部分都浅尝辄止。更稳的做法是把任务拆成几步，每一步的输出作为下一步的输入。

比如做一份市场进入分析，拆成四步：第一步让模型列出分析框架和所需数据清单；第二步你补充数据，让模型按框架填充；第三步让模型自查逻辑漏洞和缺失维度；第四步让模型把内容改写成汇报体。每一步的指令都带上上一步的输出，模型会在已有内容上迭代，而不是每次从零开始。

这个方法的代价是交互轮次变多，但产出质量明显更可控。我一般会在第二步和第三步之间加一个「挑刺」环节，专门让模型找自己上一轮输出的问题，经常能揪出一些我没想到的盲区。

3.3 输出质量的验收清单

模型给的东西能不能直接用，不能靠感觉判断。讲义里给了一个验收清单，我把它简化成四个问题：事实有没有编造？格式对不对？关键要素齐不齐？语气像不像人话？四个问题里任何一个不过关，就回到指令模板里补约束，而不是手动改输出。手动改是治标，补约束才是治本。

提示：涉及数据、引用、结论的内容，务必人工核对来源。模型在职场场景最大的风险不是写得不好，是写得像真的但经不起查。

4. 避坑与排查：那些用久了才会暴露的问题

4.1 输出越来越「水」，翻来覆去那几句话

现象：同一个指令用了几次之后，模型输出的内容越来越模板化，换汤不换药。

原因：对话上下文里积累了太多相似内容，模型在已有文本上做微调，而不是重新生成。另外 temperature 设得太低也会加剧这个问题。

解决：长对话里定期开新会话，把必要的背景信息重新粘贴进去。temperature 从 0.3 调到 0.5 到 0.6 之间试一次。如果还不行，在指令里加一句「避免使用上一轮出现过的表述」。

4.2 格式约束不生效，说好表格却给段落

现象：指令里明确要求 Markdown 表格，模型还是输出大段文字。

原因：格式约束的位置太靠后，或者被其他更长的约束淹没了。模型对指令开头和结尾的内容更敏感。

解决：把格式要求提到任务描述之后的第一条，并且用明确的标记，比如「输出格式必须是 Markdown 表格，列名为……」。如果还不行，给一个两行的示例表格，模型模仿格式的能力比理解格式描述强得多。

4.3 模型编造数据，且看起来非常合理

现象：输出里出现了具体的数字、日期、引用来源，但你根本没提供这些信息。

原因：模型在缺乏数据时会用「合理猜测」填充，这是生成式模型的固有行为，不是 bug。

解决：在约束段里强制写「禁止编造任何数据，缺失信息标注『待补充』」。同时在验收环节把「事实核查」作为固定动作。涉及对外输出的内容，所有数字必须回到原始来源核对一遍。

4.4 长文本任务被截断，输出到一半没了

现象：让模型处理一份长文档，输出到一半突然中断，或者只处理了前半部分。

原因：输入加输出的总长度超过了模型的上下文窗口，或者 max_tokens 设得太小。

解决：先确认模型的上下文上限，把输入文本控制在安全范围内。超长文档拆成几段分别处理，再让模型做汇总。max_tokens 按预期输出长度的 1.5 倍设置，留出余量。

4.5 多轮对话后模型「忘记」最初的指令

现象：聊了七八轮之后，模型的输出开始偏离最初设定的角色和格式要求。

原因：对话历史太长，早期指令的权重被稀释了。

解决：每三到四轮就把核心指令复述一遍，或者干脆开新会话、把关键上下文重新粘贴。我自己的习惯是，重要任务不超过五轮就重开一次，把上一轮的有效输出带过去当输入。

5. 进阶技巧：把 35 页讲义压成一张自己的指令卡

讲义翻完容易，用起来难。我的做法是把它压缩成一张 A4 大小的指令卡，贴在显示器旁边，每次用模型之前扫一眼。卡片上只留四样东西：四段式模板的骨架、三个高频场景的指令开头、验收四问、以及最常踩的五个坑。剩下的细节，用到再翻。

具体怎么压：先把你过去一个月用模型做的任务列出来，按频率排序，取前三个。每个任务写一条最顺手的指令，存进一个文本文件，命名成「场景_指令_日期」。用的时候直接复制，不用每次重新想。这个文件积累到二十条左右，你会发现大部分职场任务都能找到对应的模板，新任务只需要在旧模板上改几个参数。

验证方法也很简单：拿一个你之前手动做过、知道正确答案的任务，用新指令跑一遍，对比输出和你的预期。差距在哪里，就在指令里补哪条约束。跑通三个任务之后，这套方法基本就长在你手上了。

注意：指令卡不是写完就固定了，每遇到一次翻车就补一条约束，三个月后它会变成你自己最有价值的职场资产之一。

从那以后我每次拿到新的模型或新的讲义，都强制自己先压成一张卡再用，不压完不动手。这个习惯帮我省下了大量「好像会用但实际用不好」的时间。希望帮到你。

本文还有配套的精品资源，点击获取