企业官网建设流程全解析

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大模型应用的开发者、内容创作者与AI学习者，帮助读者从基础认知走向进阶使用。内容围绕DeepSeek是什么、能做什么、如何使用展开，涵盖文本生成、语义理解、代码生成补全等应用场景，并重点讲解推理模型与通用模型在优势领域、性能本质上的差异，以及提示语设计策略、CoT链式思维、在线使用与本地部署路径，还涉及AI伦理相关讨论。资源包共1个PDF文件，约5.5MB，结构清晰，便于按模块查阅。已有311人学习，适合需要理解模型选型逻辑、优化提示语写法、补齐大模型应用知识的学习者参考。

1. 第一次用大模型，为什么你总觉得“它不好用”？

很多人第一次打开 AI 对话工具，输入一句“帮我写个方案”，结果出来一堆不痛不痒的废话，于是得出结论：这东西也就那样。问题往往不在模型，而在你给它的那句话。就像你去理发店只说“剪短一点”，出来大概率不是你想要的发型——不是理发师不行，是你没说清楚。

这份入门资料要讲的主角，是国产大模型 DeepSeek，以及围绕它整理出的一整套“从入门到精通”的学习思路。它免费、开源、支持联网搜索和深度思考，能读文件、能写代码、能做逻辑推理。但工具再强，不会用等于零。这篇指南就是带你从“这到底是什么”一路走到“第一个例子跑起来”，让你不再对着输入框发呆。

2. 先搞懂它是什么：DeepSeek 到底能帮你干什么

2.1 一句话说清：国产、免费、开源的推理型大模型

DeepSeek 是一家专注通用人工智能的大模型研发与应用团队做出来的产品，核心亮点可以浓缩成四个词：国产、免费、开源、强大。其中 DeepSeek-R1 是它开源的推理模型，擅长处理复杂任务，而且允许免费商用——这一点对个人学习和小团队试水特别友好，你不用担心“用着用着突然收费”。

这里要先分清两个概念，后面所有用法都建立在这个区分上：

• 推理模型：在传统大模型基础上强化了推理、逻辑分析和决策能力，适合数学推导、逻辑分析、代码生成、复杂问题拆解。DeepSeek-R1 就属于这一类。
• 通用模型：侧重语言生成、上下文理解和自然语言处理，适合文本创作、创意写作、多轮对话、开放性问答。

打个比方，推理模型像一个理科尖子生，你给他一道难题，他自己在草稿纸上推演；通用模型像一个文笔很好的编辑，你给他一个主题，他洋洋洒洒写一篇。没有谁全面更强，只有谁更适合当前任务。

2.2 它能落地的场景，比你想的多

很多人以为大模型就是“聊天机器人”，其实 DeepSeek 的能力面铺得很开，入门阶段你至少要知道这几类：

对零基础的人来说，最实用的入口是“文本生成里的摘要改写”和“编程里的代码生成”——前者几乎每天都能用，后者能帮你省下大量查文档的时间。

2.3 为什么值得现在学：会用和不会用，差距在拉大

当人人都会打开对话框问两句的时候，真正拉开差距的是“谁问得更好”。这份资料里反复强调一个观点：从“下达指令”到“表达需求”，是新手到熟手的分水岭。指令是“写个方案”，需求是“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”。后者模型才知道往哪个方向使劲。

所以学 DeepSeek 不是学一个软件按钮，而是学一套“怎么把脑子里的需求翻译成模型能接住的话”的方法。这套方法一旦上手，换任何大模型都能迁移，血泪经验就是：工具会换，提问能力不会过期。

3. 第一步怎么迈：从注册到跑通第一个例子

3.1 两种用法：在线直接用，或本地部署

入门阶段强烈建议先走在线方式，打开浏览器访问对话页面就能用，零配置、零安装。等你用顺了、有隐私或离线需求，再考虑本地部署——资料里提到的路径是通过 Ollama 相关的中文站点获取本地运行方案。新手别一上来就折腾本地部署，环境配置的坑足够劝退三轮。

在线用法的第一步动作很简单：

1. 打开对话页面，注册并登录账号。
2. 在输入框里先发一句自我介绍式的测试，比如“你好，请用三句话说明你能帮我做什么”。
3. 观察它的回复结构，确认对话正常，再进入正式任务。

这一步的目的不是得到多好的答案，而是确认“通道是通的”，就像新手机先打个电话试试音。

3.2 第一个可跟做的例子：让模型帮你做文本摘要

我们拿一个最不容易翻车的任务练手——长文本摘要。假设你有一段产品反馈文字，想快速提炼要点。你可以这样输入：

请把下面这段用户反馈压缩成 3 条要点，每条不超过 20 字， 保留具体问题，不要加入你自己的评价： “最近一周登录经常卡在验证码环节，换了两个浏览器都一样； 另外订单页面的价格显示有时候和结算页对不上，差几毛钱； 客服响应倒是挺快，但第一次回复没解决问题，转接了两次。”

预期你会拿到类似“验证码环节登录卡顿”“价格显示与结算不一致”“客服首次回复未解决”这样的三条。这里的关键不是它写得多漂亮，而是你验证了一件事：给清楚格式约束（3 条、20 字内、不加评价），输出就听话。反过来，如果你只说“总结一下”，它可能给你一大段，你还得再加工。

3.3 第二个例子：用代码生成感受“推理型”的差别

再跑一个能体现推理模型特点的例子。输入：

用 Python 写一个函数，接收一个整数列表，返回其中第二大的数。 要求：处理重复元素；列表不足两个不同元素时返回 None；代码带注释。

它大概率会给你类似这样的结果：

def second_largest(nums): # 去重后排序，避免重复元素干扰“第二大”的判断 unique = sorted(set(nums), reverse=True) # 不足两个不同元素时无法取第二大 if len(unique) < 2: return None return unique[1]

拿到代码后别急着复制，先做两件事：一是自己造几组测试数据跑一遍，比如[5, 5, 3]应该返回3而不是5；二是问它“如果列表里有负数，这个逻辑还成立吗”。这一步是在训练你的验证习惯——模型给的代码是草稿，不是圣旨。我第一次用的时候直接复制进项目，结果边界条件没覆盖，翻车翻得很彻底。

3.4 提示语的基本结构：指令、上下文、期望

上面两个例子其实已经暗含了提示语的三段式结构，这里明确拆给你看：

• 指令：明确告诉模型要执行什么任务，比如“压缩成 3 条要点”。
• 上下文：提供背景信息，比如贴进去的那段用户反馈。
• 期望：表达你对输出的要求，比如“每条不超过 20 字、不加评价”。

新手最常漏的是“期望”这一段，导致输出格式全靠模型自由发挥。你只要每次多写一句“输出成表格/分三点/不超过 100 字”，可用性立刻上一个台阶。

4. 避坑指南：新手最容易踩的五个坑

4.1 坑一：对推理模型做“角色扮演式”启发

现象：你让推理模型“假装你是一位资深架构师，逐步思考”，结果它的推理反而变乱。原因：推理模型已经内化了推理逻辑，强行加角色和拆解步骤会干扰它的逻辑主线。解决：对推理模型要“要什么直接说”，简洁指令、聚焦目标，信任它自己生成结构化推理过程。

4.2 坑二：对通用模型“过度信任”，直接问复杂推理

现象：拿通用模型做数学证明，它一本正经地跳过了关键步骤，结论还错了。原因：通用模型不强调深度推理，遇到严格逻辑链任务容易“看起来对、其实漏”。解决：换推理模型，或者在提示语里显式要求“分三步推导，每步写出依据”，用提示语补偿能力短板。

4.3 坑三：以为模型越新越强，不看任务类型

现象：写诗用推理模型，结果干巴巴；做数学用通用模型，结果逻辑断链。原因：选模型看的是任务类型，不是热度。推理模型擅长逻辑密度高的任务，通用模型擅长多样性高的任务。解决：数学、代码、复杂拆解优先推理模型；创意写作、多轮闲聊优先通用模型。

4.4 坑四：提示语写成“小作文”，重点被淹没

现象：输入五百字背景，模型抓错了重点。原因：指令不突出，上下文和期望混在一起。解决：把核心指令放最前面，背景另起一段，期望用短句列清楚。宁可分段，不要堆砌。

4.5 坑五：拿到输出直接就用，不做验证

现象：代码跑不通、数据对不上、摘要漏了关键信息。原因：模型输出是概率生成的草稿，不是经过校验的成品。解决：养成“先造两组测试数据再采用”的习惯，尤其是代码和数字类任务。这一步花三十秒，能省半小时排查。

5. 下一步学什么：从会用到用得好

走到这里，你已经能完成“打开、提问、拿到可用结果”的闭环。接下来该往哪走？我的建议是按下面这条路径推进，不要跳步。

第一阶段：把提示语三段式练成肌肉记忆。每次提问前默念“指令、上下文、期望”，坚持两周。你可以建一个自己的提示语小本子，把好用的模板记下来，比如“分析需求”的公式是“问题 + 数据/信息 + 分析方法”，“决策需求”的公式是“目标 + 选项 + 评估标准”。这些公式来自资料里的需求分类，直接套用就能提升输出质量。

第二阶段：按任务类型切换模型。给自己定个规则：凡是涉及数学、代码、多步推理的，先用推理模型；凡是写文案、想创意、多轮聊天的，先用通用模型。用错一次记一次，慢慢就有直觉了。

第三阶段：尝试文件上传和联网搜索。把一份 PDF 丢进去让它摘要，或者开启联网搜索问一个时效性问题。这一步会让你真正感受到“大模型不只是聊天”。

第四阶段：理解快思与慢想的区别。资料里把模型分成“概率预测（快速反应）”和“链式推理（慢速思考）”两类，前者响应快、成本低，后者逐步推理、适合复杂问题。知道这个区别，你就能判断什么时候该等它慢慢想，什么时候要一个快速答案。

最后说个我自己的习惯：每次拿到一个觉得“还不错”的输出，我都会追问一句“这个结论有哪些不确定的地方”。这一问经常能挖出模型自己没主动说的边界条件，比事后返工划算得多。从那以后我每次采用模型给的代码或数据结论前，都强制走一遍“造测试数据 + 追问不确定性”的流程，翻车率肉眼可见地降下来。希望帮到你，从今天的第一句提问开始练起就好。

本文还有配套的精品资源，点击获取