企业官网建设流程全解析

简介：这份清华大学出品的《DeepSeek从入门到精通》PDF课程资料，面向希望系统了解DeepSeek与推理模型应用的学习者，覆盖从基础认知到进阶使用的知识层级，重点解决模型选择、任务匹配与提示语策略设计等问题。压缩包内共1个PDF文件，约4.79MB，内容围绕DeepSeek是什么、能做什么、如何使用展开，并延伸到DeepSeek-R1的开源推理能力、免费商用特点及智能对话、文本生成、语义理解、计算推理、代码生成补全等典型场景。资料还梳理推理模型与非推理模型在逻辑密度、多样性任务、响应速度与算力成本上的差异，结合快思慢想、链式思维（CoT）及提示语策略说明不同任务下的模型适配思路，并涉及文本创作、长文摘要、多语言翻译、结构化生成、情感分析、知识推理、代码调试与文档处理等应用方向。已有175人学习，适合需要建立完整知识框架、理解技术原理并提升实际应用能力的学习者。

1. 先弄明白一件事：DeepSeek 到底是什么

很多人第一次听到 DeepSeek，第一反应是“又一个聊天框吧”。我第一次也是这么想的，直到拿它算一道要绕几个弯的题，屏幕上跳出一步一步的推导过程，我才发现它跟普通问答框不是一回事。说白一点，DeepSeek 是一个国产的、可以直接上手用的大模型工具，它最拿得出手的地方是 AI 推理模型这条线——不是把网上现成的答案拼给你，而是把中间的逻辑一步步摆出来给你看。这也是大量人搜“DeepSeek 从入门到精通”的原因：会问的人一句话拿到能用的结果，不会问的人问十句还在原地打转。接下来的内容就是给完全零基础的你准备的，从它是什么、能干什么，到第一个例子怎么跑通，一步一步来，不需要任何前置知识。

2. 分清楚两类模型：为什么同一句话，换个模型效果差三倍

新手最常见的困惑是：“同一个问题，我看别人问出来特别好，我自己问就像在跟一块木头讲话。”问题往往不在你的表达水平，而在于你把任务交给了不对的那类模型。

2.1 推理模型和通用模型，像“会计”和“文案”

把大模型想成一家公司里的两个同事。一个是会计，你给他一堆票据和规则，他能给你把账算得清清楚楚，还能告诉你哪一步可能出错；另一个是文案，你给他一个主题和调性，他能给你写出花来，但你让他做年度汇算，他会给你一份看起来很像、其实数字全错的表。

推理模型就是那个会计。它在大语言模型的基础上强化了推理、逻辑分析和决策能力，训练时会用到强化学习、神经符号推理这一类技术，专精在逻辑密度高的任务上：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，它是开源的，擅长处理复杂任务，并且可以免费商用——这一点对新手特别重要，你练手不用先掏钱。

通用模型是那个文案。它侧重语言生成、上下文理解和自然语言处理，擅长文本生成、创意写作、多轮对话、开放性问答。它靠大量文本训练掌握语言规律，能生成读起来很顺的内容，但缺的正是推理模型那种“把链条一环一环扣住”的能力。

这里有个新手最容易误解的点：不是推理模型全面更强。它在自己的训练目标领域显著优于通用模型，但在发散性任务上反而不如通用模型——你让会计去写诗，他大概率给你憋出一段押韵的会议纪要。反过来，通用模型在需要严格逻辑链的任务上（比如数学证明）容易跳步，你得靠提示语去补。所以选模型的第一原则是看任务类型，不是看谁最近热度高。

2.2 快思慢想：秒回的和想一会儿的，成本完全不同

再往深一层，业界常用“快思慢想”来描述这两类模型，这个说法来自链式思维（Chain-of-Thought，简称 CoT）的出现——它把大模型分成了两类：一类靠概率预测快速反应，一类靠链式推理慢慢想。

快速反应那类，原理是基于概率预测，通过大量数据训练来快速预测可能的答案。它的表现是响应速度快、算力成本低，决策上依赖预设算法和规则，创造力限于模式识别和优化，难有真正的创新能力，人机互动上基本按预设脚本走，不太能理解复杂情感，擅长解决结构化和定义明确的问题。你问它“这句话怎么翻译更自然”，它秒回，而且回得不错。

慢速思考那类，原理是链式思维，逐步推理问题的每个步骤来得到答案。它响应慢、算力成本高，但能自主分析情况、实时做决策，能生成新的思路，也更擅长处理多维度和非结构化的问题。你让它“分析这三年的数据里增长和政策的关系”，它会想一会儿，然后给你一条带假设和验证的链条。

把这两类放在一起看，差异就很清楚了：

对新手来说，记住一句话就够用：要快、要顺、要好看，走快速反应；要准、要推、要经得起检查，走链式推理。

2.3 入门第一周，我建议你这样分配使用场景

刚上手那一周，不用追求“什么任务都用对模型”，先建立手感。我一般建议新手按下面这个顺序练：

第一步，拿三件你每天都在做的事去试。比如把一段会议记录压缩成五条要点、把一段中文说明翻译成英文、把一组数字算成一个结论。三件事分别试两种模型，你会非常直观地感受到差别在哪。

第二步，给每件事记一行结论。不用写笔记软件，手机备忘录就行：“摘要——通用模型更快更顺”“算成本——推理模型给的步骤我能核对”。这一行字，比看十篇教程都管用。

第三步，把“该用哪个”变成默认动作。下面这段小程序不是让你真去跑生产，而是帮你把判断习惯写下来：

# 极简任务分流练习：按关键词粗略判断该先问哪类模型 def pick_model(task_desc: str) -> str: # 偏逻辑的任务词 logic_words = ["计算", "证明", "推导", "排查", "对比", "代码", "为什么", "分析"] # 偏表达的任务词 creative_words = ["写", "起名", "文案", "故事", "润色", "翻译", "改写"] score = sum(w in task_desc for w in logic_words) \ - sum(w in task_desc for w in creative_words) if score > 0: return "先用推理模型：目标一句话说清，不要拆步骤" return "先用通用模型：把背景、格式、字数补齐再说" print(pick_model("帮我分析这三个方案的五年总成本")) print(pick_model("帮我写一条新品上市的社交文案"))

这段代码做了一件事：数一数你这句话里偏逻辑的词多，还是偏表达的词多，用一个简单的加减法给个建议。logic_words和creative_words两个列表你可以随手改，加上你工作里高频的词，比如“排期”“复盘”“校对”。它当然不是什么权威分类器，关键词判断非常粗糙，但它能逼你在提问前先想一秒“我这是哪类任务”，这一秒就是新手和老手的差距所在。

3. 第一个例子：从一句大白话到一条能用的提示语

概念讲到这里就够了，接下来直接动手。这一章的目标很朴素：让你在二十分钟内跑通第一个例子，并且明显感觉到“改过之后的问法确实更好用”。

3.1 最小闭环：打开网页、问出第一句

DeepSeek 对个人用户最省事的入口就是网页版，浏览器里打开https://chat.deepseek.com，登录之后直接就是一个输入框，不需要装任何东西，也不需要配环境。这是新手最该先走的路：先有手感，再谈工具链。

进去之后你会看到几个模式开关，入门阶段重点用这三个：

• 普通对话：默认状态，适合日常问答、写作、翻译这类任务。
• 深度思考：让模型把推理过程展开，适合数学、逻辑、代码、需要拆解的问题。
• 联网搜索：需要最新信息或者需要它去查资料时打开。

另外它支持文件上传，能读取各类文件和图片里的文字内容。这一点对办公场景特别有用——你把一份报告丢进去，让它做摘要或者找矛盾点，比你复制粘贴几千字省事得多。

第一次提问，别问“你好”，那没意义。直接拿你手头一件真实的小事去问，比如：“把下面这段话压缩成三条要点，每条不超过二十字。”然后把你的一段文字贴进去。这一步的目的是确认：输入、输出、复制结果这条链路是通的。

3.2 提示语的三段式：指令、上下文、期望

提示语就是你输入给 AI 的那段话，本质是你和模型之间的沟通桥梁。新手写不好提示语，通常不是词不达意，而是缺零件。一条完整的提示语，基础结构就三段：

第一段是指令。明确告诉它你要它干什么。“把这段话压缩成三条要点”就是指令。指令要动词开头，别用“关于……的内容”这种名词堆。

第二段是上下文。给它背景，让它知道在什么场景下回答。同样是压缩要点，给老板看的和给自己看的，压缩方式完全不同。你不说，它只能猜。

第三段是期望。明确或隐含地表达你对输出的要求：多长、什么格式、什么语气、给几版。

三段缺哪一段，结果就会在哪一段上出问题。最典型的是只给指令不给期望，然后抱怨“它写得太长了”——它不知道你要短的。

3.3 亲手改一遍：三个版本对照

我们拿一个真实场景走一遍：你要为一个新产品写一条社交平台文案。看三个版本的差别。

第一版，纯大白话：

帮我写个产品文案。

这个问法能出东西，但你大概率要来回改五六次。因为它不知道产品是什么、卖给谁、发在哪个平台、多长、什么调性。它只能给你一个“平均文案”，平均意味着对谁都不合适。

第二版，补上约束：

帮我写一条新品上市的社交平台文案，产品是一款便携咖啡机，目标用户是上班族，字数80字以内，语气轻松一点。

这一版已经能用了。它有了明确的任务、对象、长度和语气。多数日常任务到这一步就够。

第三版，三段式完整版：

任务：写一条新品上市的社交平台文案，用于品牌官方账号发布。 背景：产品是一款便携咖啡机，主打“办公室三分钟出一杯”，目标用户是25到35岁的上班族，他们中午容易犯困但不想下楼买咖啡。 要求： 1. 80字以内，开头用一个具体场景切入，不要用“你是否也……”这种句式； 2. 语气轻松，不用夸张形容词； 3. 给两个版本，一个偏理性讲效率，一个偏感性讲生活感。

三版放在一起，差别不在文采，在信息密度。第三版把“我脑子里想的”全部倒出来了，模型不需要猜，猜错的空间被压到最小。这里有个反直觉的点：写长提示语不是为了显得专业，而是为了减少返工。你多写三十秒，可能省下三轮修改。

下面这段代码演示怎么把三段式做成可复用的模板，避免每次手敲：

# 把三段式提示语做成模板，填空即可复用 PROMPT_TEMPLATE = """任务：{task} 背景：{context} 要求： {requirements}""" def build_prompt(task: str, context: str, requirements: list[str]) -> str: # 要求逐条编号，模型更容易逐条对照 req_text = "\n".join(f"{i+1}. {r}" for i, r in enumerate(requirements)) return PROMPT_TEMPLATE.format(task=task, context=context, requirements=req_text) prompt = build_prompt( task="写一条新品上市的社交平台文案", context="便携咖啡机，主打办公室三分钟出一杯，目标用户是25到35岁上班族", requirements=[ "80字以内，开头用具体场景切入", "语气轻松，不用夸张形容词", "给两个版本：一个讲效率，一个讲生活感", ], ) print(prompt)

build_prompt接收三个参数：task是任务，context是背景，requirements是一个列表，每一项是一条要求。函数把列表自动编号后拼进模板，这样你每次只要改参数，不用重写整段。实际用的时候把print换成复制粘贴就行，后面接不接 API 都不影响这套写法。

3.4 第一次跑通后，检查这四件事

结果出来别急着复制走，花一分钟过一遍这四项：

第一，任务是否完成。你让它给两版，它是不是真的给了两版，而不是给了一版加一段解释。

第二，约束是否守住。字数、格式、避免的句式，有没有被违反。如果违反了，不要重开一轮对话，直接回一句“第二版超了15个字，压缩到80字以内，其他不变”，这种带定位的追问效率最高。

第三，事实是否可信。涉及数字、时间、引用，默认不信，自己核。语言模型是按概率生成内容的，它给出的具体数字看起来越权威，你越要警惕。

第四，能不能复用。如果这条提示语效果不错，把它存下来，别用完就丢。下一章我们就讲怎么系统地存。

4. 按需求类型开口：五类表达公式，覆盖八成日常任务

提示语策略不是一套通用话术，它跟任务类型强相关。入门阶段最值得背下来的，是五种需求的表达公式。它们的共同点是：不是“下达指令”，而是“表达需求”——把你要什么说清楚，让模型自己规划路径。

4.1 决策、分析、创造：三种最常用需求怎么问

决策需求，特点是你要在几个选项里选一个，需要权衡和评估。公式是：目标 + 选项 + 评估标准。比如：“为降低物流成本，现有两种方案：一是自建区域仓库，初期投入高但长期成本低；二是与第三方合作，按需付费、灵活但单价高。请按五年总成本做对比，并给出推荐和理由。”这个问法里，目标（降本）、选项（两个）、标准（五年总成本）都齐了，它才有得算。

跟推理模型配合时，你不需要告诉它“先算哪个再算哪个”，一句“要求逻辑推演和量化分析”就够，它会自己排。跟通用模型配合时，你反而要补一句“请列出计算过程”，否则它可能直接给你一个结论，而这个结论是猜的。

分析需求，特点是你要从一堆信息里找出模式或因果。公式是：问题 + 数据/信息 + 分析方法。比如：“分析近三年新能源汽车销量数据（附文件），说明两点：一是增长趋势与政策的关联性；二是预测明年市场占比，说明你用的方法和参数依据。”这里的关键是把“分析方法”写进去，因为分析类任务最容易出现的情况是它给你一堆看起来很有道理的定性描述，却没有一条能验证的推理链。

创造性需求，特点是你要新的内容、新的方案。公式是：主题 + 风格/约束 + 创新方向。这里有个新手常犯的错：以为创意任务就该放飞，于是只写“帮我写个故事”。结果拿到一个四平八稳的东西。创意任务的约束不是束缚，是方向。“以海明威的风格写一个冒险故事，主角是一个不敢下水的救生员，800字以内”，比“写个冒险故事”有用得多。

4.2 验证与执行：让结果能检验、能直接落地

验证需求，特点是你要检查一个结论、一份数据、一套方案靠不靠谱。公式是：结论/方案 + 验证方法 + 风险点。这个类型是新手最容易忽略、但收益最高的一类。比如你手上有一份材料说“方案 A 优于方案 B”，你可以直接问：“请检查这个结论：一是现有数据是否支持，二是对照组的设置有没有偏差，三是如果重新计算，最可能出问题的环节在哪。”它未必能替你做完验证，但能把你的检查清单补齐。

执行需求，特点是你要一个能直接用的东西：一段代码、一份表格、一套流程。公式是：任务 + 步骤约束 + 输出格式。比如：“把这段 C 语言代码转成 Python，要求保持原有的时间复杂度，数组操作尽量用向量化写法，最后附一个测试用例和运行时间对比。”注意这里“输出格式”写得很死，因为执行类任务最怕的是它给你三段解释、一段代码，你还得自己去挑。

这五类需求放在一张表里，贴在显示器旁边都行：

还有一条容易被忽略的原则：给推理模型写提示语要简洁，聚焦目标，信任它内化的推理能力，你说“要什么”就行；给通用模型写提示语要结构化、补偿性引导，缺什么补什么。反过来操作就是灾难——对推理模型搞角色扮演加逐步指导，会干扰它的逻辑主线；对通用模型过度信任，直接甩一个复杂推理问题过去，它可能跳过关键步骤还答得很自信。

4.3 建一个自己的提示语模板库

从第二个星期开始，你会有一些反复用的问法。这时候别再靠记忆，建个文件夹。下面几条命令在本地建一套最简结构：

# 按五类需求分目录，一个任务一个文件 mkdir -p prompts/{decision,analysis,creative,verify,execute} # 每类先放一个模板文件，文件名用任务名，别用日期 touch prompts/decision/五年成本对比.md touch prompts/analysis/三句话摘要.md

mkdir -p的意思是目录不存在就建、存在也不报错，{...}是 bash 的展开写法，一条命令建五个目录。文件命名用任务名而不是日期，是因为你以后是靠“我要干什么”去找它，不是靠“我什么时候写的”。

每个模板文件里写三样东西：三段式的空模板、一个你验证过效果不错的真实例子、一行备注说明这个模板的坑在哪。第三样最重要，比如“这个模板对推理模型有效，换成通用模型要补一句‘分步说明’”。这就是你自己的血泪经验积累，比任何通用教程都贴身。

5. 新手避坑清单：五个翻车现场和它们的解法

这一章的五条，是我见过频率最高的翻车现场。共同点是：看起来像模型不行，实际是用法不对。

坑一：对推理模型搞角色扮演，越问越乱。

现象：你写“假设你是一位有二十年经验的资深分析师，请你先思考再分三步回答……”，结果它给的答案绕来绕去，反而不如直接问。

原因：推理模型已经把推理逻辑内化了，它会自动生成结构化的推理过程。你强行给它套一个角色和一套步骤，等于在它的逻辑主线上插了几道路障，它要花力气去兼顾你的剧本。

解决：把角色扮演和分步指导删掉，只留目标。“用五年总成本对比这两个方案，给出推荐。”就这么一句。如果你确实需要特定视角，把它写成约束而不是角色，比如“从财务视角评估”，而不是“你是一位财务总监”。这个区别很小，但效果差很多。

坑二：拿通用模型硬啃复杂推理，还信了它的答案。

现象：你问一个需要多步推导的问题，它三秒钟给你一段条理清晰的回答，你复制走，后来发现中间某一步的假设是错的。

原因：通用模型侧重语言生成和上下文理解，不强调深度推理。它擅长把话说得漂亮，不擅长把链条扣死。它对严格逻辑链任务的处理方式是“按概率生成一个看起来合理的下一步”，跳步是常态。

解决：两条路。要么换推理模型，要么在提示语里显式要求分步思考、提供示例、说明每一步的依据，然后你自己挑一步验算。最危险的做法是什么都不做，直接信。

坑三：一条提示语里塞八件事，结果只完成三件。

现象：你写了一屏的提示语，列了七八条要求，结果输出只满足了一半，还有两条互相打架。

原因：要求太多会互相冲突，模型只能做取舍。而且它不一定会告诉你它舍弃了哪条，你如果不逐条核对，就会以为它全做了。

解决：把任务拆开，一次一件事，最多三到四条强相关的要求。如果确实需要多条，给它们排序，明确写“第一优先是……，如果冲突以此为准”。另外，拿到结果后逐条打勾核对，别整体扫一眼觉得“差不多”。

坑四：文件传上去了，就以为它全懂了。

现象：你上传了一份几十页的报告，问“这里面有什么问题”，它给了一堆泛泛而谈的意见，跟你的报告关系不大。

原因：文件上传只是把内容给了它，不代表它知道你要看哪一部分、要什么形式的结果。范围不指定，它只能覆盖性地泛泛回答。

解决：把问题收窄到具体位置和具体动作。“文档第三部分的成本测算里，哪几项假设最可能被质疑？逐条列出并说明理由，不超过五条。”指向越具体，输出越有用。这条对图片里的文字识别也是一样，先让它把识别到的文字复述一遍确认，再让它分析，别一步到位。

坑五：输出直接复制去用，不核事实。

现象：它给你一段带数字、带引用、带时间的回答，你直接粘进文档，发出去之后被人指出数据是编的。

原因：语言模型的工作方式是按概率预测下一个词，不是查数据库。它给出的具体数字和出处，看起来越精确，越可能是生成的。这不叫“它故意骗你”，这叫“它的机制就是这样”。

解决：养成一个硬习惯——凡是涉及数字、时间、人名、引用、政策条款，全部自己核一遍。要降低这个成本，可以在提示语里加一条：“涉及具体数据的地方，请标注这是你推断的还是你确信的，不确定的请直接说不确定。”它有时会老实标注，有时不会，但至少给你一个提醒。

6. 下一步学什么：一条三个月的练习路线

入门阶段最容易犯的错，是学完一堆概念就停了。提示语这东西，看十篇教程不如自己改二十条。下面这条路线是我建议新手走的，每周花两三个小时就够。

第十二周之后，可以往两个方向延伸。一个方向是把重复性任务固化下来，把模板变成带参数的脚本，你只填变量。另一个方向是练“审查”能力——不是练怎么写更好的提示语，而是练怎么更快发现输出里的问题。后一个方向对实际工作的价值更大，因为你的产出最终是要给人看的，错的比少的麻烦得多。

最后说一个我自己的教训。刚开始那阵子，我特别迷信“高级提示语”，喜欢写很长的角色设定、很复杂的指令结构，觉得越复杂越专业。结果有一次做一个成本测算，我写了三百多字的角色扮演加分步引导，它给我的数字错得离谱；后来我把那段全删了，只留一句“对比这两个方案的五年总成本，列出计算过程”，一次就对。从那以后我每次开一个新任务，都强制先花三十秒写清楚“任务、背景、要求”三行再发出去，写完先看一眼有没有多余的废话，返工次数少了一大半。这个习惯不值钱，但真的很省时间。希望帮到你。

本文还有配套的精品资源，点击获取