DeepSeek：从入门到精通
@新媒沈阳 团队 ：余梦珑博士后
清华大学新闻与传播学院
新媒体研究中心
元宇宙文化实验室
• Deepseek是什么？
• Deepseek能够做什么？
• 如何使用Deepseek？DeepSeek是什么？
AI+国产+免费+开源+强大
• DeepSeek是一家专注通用人工智能（AGI）的中国科技公司，主攻大模型研发与应用。
• DeepSeek-R1是其开源的推理模型，擅长处理复杂任务且可免费商用。Deepseek可以做什么？
直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景，
支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容。文本生成
表格、列表生成（如日程安排、菜谱）
代码注释、文档撰写
结构化生成
文章/故事/诗歌写作
营销文案、广告语生成
社交媒体内容（如推文、帖子）
剧本或对话设计
文本创作
长文本摘要（论文、报告）
文本简化（降低复杂度）
多语言翻译与本地化
摘要与改写
文本生成自然语言理解与分析
知识推理
知识推理
逻辑问题解答（数学、常识推
理）
因果分析（事件关联性）
语义分析
语义解析
情感分析（评论、反馈）
意图识别（客服对话、用户查询）
实体提取（人名、地点、事件）
文本分类
文本分类
主题标签生成（如新闻分类）
垃圾内容检测编程与代码相关
代码调试
• 错误分析与修复
建议
• 代码性能优化提
示
技术文档处理
• API文档生成
• 代码库解释与示
例生成
代码生成
• 根据需求生成代
码片段（Python、
JavaScript）
• 自动补全与注释
生成常规绘图如何使用DeepSeek？
https://chat.deepseek.com如何从入门到精通？
当人人都会用AI时，你如何用得更好更出彩？推理模型
• 例如：DeepSeek-R1，GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出。
推理大模型： 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。它
们通常具备额外的技术，比如强化学习、神经符号推理、元学习等，来增强其推理和问题解决能力。
非推理大模型： 适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强
调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像
推理模型那样复杂的推理和决策能力。
维度 推理模型 通用模型
优势领域 数学推导、逻辑分析、代码生成、复杂问题拆解 文本生成、创意写作、多轮对话、开放性问答
劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明）
性能本质 专精于逻辑密度高的任务 擅长多样性高的任务
强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力
• 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译
等任务。快思慢想：效能兼顾 全局视野
概率预测（快速反应模型，如ChatGPT 4o） 链式推理(慢速思考模型，如OpenAI o1)
性能表现 响应速度快，算力成本低 慢速思考，算力成本高
运算原理
基于概率预测，通过大量数据训练来快速预测可能
的答案
基于链式思维（Chain-of-Thought），逐步推理
问题的每个步骤来得到答案
决策能力 依赖预设算法和规则进行决策 能够自主分析情况，实时做出决策
创造力 限于模式识别和优化，缺乏真正的创新能力 能够生成新的创意和解决方案，具备创新能力
人机互动能力 按照预设脚本响应，较难理解人类情感和意图 更自然地与人互动，理解复杂情感和意图
问题解决能力 擅长解决结构化和定义明确的问题
能够处理多维度和非结构化问题，提供创造性的解
决方案
伦理问题 作为受控工具，几乎没有伦理问题 引发自主性和控制问题的伦理讨论
CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。
前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合
适的模型，实现最佳效果。提示语策略差异
1 推理模型 2 通用模型
• 提示语更简洁，只需明确任务目标和
需求（因其已内化推理逻辑）。
• 无需逐步指导，模型自动生成结构化
推理过程（若强行拆解步骤，反而可
能限制其能力）。
• 需显式引导推理步骤（如通过CoT提
示），否则可能跳过关键逻辑。
• 依赖提示语补偿能力短板（如要求分
步思考、提供示例）。关键原则
模型选择
• 优先根据任务类型而非模型热度选择（如数学任务选推理模型，创意任务选通用
模型）。
提示语设计
• 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。
• 通用模型：结构化、补偿性引导（“缺什么补什么”）。
避免误区
• 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。
• 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。从“下达指令”到“表达需求”
策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险
指令驱动
直接给出明确步骤或
格式要求
简单任务、需快速执行
“用Python编写快速排序函
数，输出需包含注释。
”
✅ 结果精准高效
❌ 限制模型自主优化空
间
需求导向
描述问题背景与目标，
由模型规划解决路径
复杂问题、需模型自主
推理
“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。
”
✅ 激发模型深层推理
❌ 需清晰定义需求边界
混合模式
结合需求描述与关键
约束条件
平衡灵活性与可控性
“设计一个杭州三日游计划，
要求包含西湖和灵隐寺，且
预算控制在2000元内。
”
✅ 兼顾目标与细节
❌ 需避免过度约束
启发式提问
通过提问引导模型主
动思考（如“为什
么”“如何”）
探索性问题、需模型解
释逻辑
“为什么选择梯度下降法解
决此优化问题？请对比其他
算法。
”
✅ 触发模型自解释能力
❌ 可能偏离核心目标