简介这份PDF资料是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团队出品的DeepSeek教程PPT共104页面向希望系统掌握DeepSeek的开发者、内容创作者与AI初学者帮助读者从入门走向精通。资源包内仅含1个PDF文件大小约5.07MB以图文并茂的幻灯片形式呈现便于按章节浏览与对照学习。目前已有664人学习下载。内容围绕DeepSeek是什么、能做什么、如何使用三条主线展开涵盖文本创作、摘要改写、多语言翻译、代码生成与调试、语义分析与知识推理等应用场景并重点对比推理模型与非推理模型在优势领域、性能本质、决策能力与伦理问题上的差异给出提示语策略与任务匹配建议还提供官方体验入口适合作为快速建立认知框架的参考读物。1. 推理模型不是“更聪明的通用模型”而是被重新训练过的另一类引擎很多人第一次用 DeepSeek-R1会下意识把它当成“升级版 GPT”——参数更大、回答更长、看起来更聪明。但真正翻车往往就发生在这个假设上你给它一个角色扮演的提示语它反而答得比通用模型还僵你让它写一首诗它给你整出一段逻辑严密但毫无诗意的分析。这不是模型不行而是你拿错了引擎。这份 104 页的教程 PPT 里最值得反复咀嚼的一句话是推理模型和通用模型不是强弱关系而是训练目标不同导致的能力分布不同。推理模型在数学推导、逻辑分析、代码生成、复杂问题拆解上显著更强但在发散性任务上反而可能不如通用模型。搞懂这条分界线你才知道什么时候该切模型、提示语该怎么写、为什么同样的问法换个模型效果天差地别。这也是“从入门到精通”真正要跨过的那道坎。2. 推理模型与通用模型为什么“更强”的模型反而写不好诗2.1 两类模型的训练目标分叉点在哪要理解推理模型为什么在诗歌创作上可能输给通用模型得先看它们在训练阶段被“往哪个方向推”。通用大模型的训练目标本质上是下一个 token 的概率预测给定前文预测最可能出现的下一个词。这个目标逼着模型学会语言的统计规律、上下文衔接、风格模仿所以它在文本生成、创意写作、多轮对话这些“多样性高”的任务上天然占优。推理模型则在这个基础上加了一层强化通过强化学习、链式思维CoT数据、过程奖励等手段把模型往“逐步推理、逻辑自洽”的方向训练。教程里把这两类模型分别对应到“概率预测快速反应”和“链式推理慢速思考”两个系统——前者像直觉后者像演算。常见的实现思路是推理模型在训练时会大量使用带推理步骤的样本并对中间步骤的正确性给予奖励这就导致模型倾向于“把每一步都想清楚再回答”。这个训练目标的差异直接决定了能力分布。推理模型在数学证明、逻辑推理、代码生成这类“逻辑密度高”的任务上表现突出因为它的训练信号就是在奖励严密推导。但代价是它在需要发散、跳跃、反逻辑的任务上会被自己的推理惯性束缚——写诗需要的是意象跳跃和语言游戏而推理模型被训练成“每句话都要有逻辑依据”反而放不开。2.2 快思慢想响应速度与算力成本的取舍教程里用“快思慢想”来区分两类模型这个类比很准确。通用模型的响应速度快、算力成本低因为它本质上是一次前向推理生成每个 token 的计算量是固定的。推理模型则不同它在给出最终答案前会生成大量中间推理步骤这些步骤本身也是 token也要消耗算力。所以同一个问题推理模型的响应时间可能是通用模型的好几倍算力成本也相应更高。这个成本差异不是缺陷而是设计取舍。对于“今天天气怎么样”这种即时任务用推理模型就是杀鸡用牛刀响应慢还费算力对于“证明勾股定理”这种需要严密推导的任务通用模型可能跳过关键步骤直接给结论反而不可靠。教程里给出的判断原则很直接优先根据任务类型而非模型热度选择。数学任务选推理模型创意任务选通用模型这个分界线比“哪个模型更新”重要得多。2.3 一个容易被忽略的维度伦理与控制性教程里还提到一个容易被忽略的点推理模型作为受控工具几乎没有伦理问题而具备更强自主性的模型会引发自主性和控制问题的讨论。这个说法的底层逻辑是推理模型的输出被约束在“推理链”里它的行为可解释、可追溯每一步都能看到依据。而通用模型在开放性任务上的自由度更高输出空间更大可控性相对弱一些。这不是说通用模型不安全而是说在选择模型时除了看能力还要看任务对可控性的要求。需要严格审计推理过程的场景推理模型的可解释性反而是优势需要自由发挥的创意场景通用模型的开放性才是价值。理解这一点就不会陷入“哪个模型更强”的单一维度比较。3. 提示语策略为什么对推理模型“少说废话”反而更有效3.1 推理模型已内化推理逻辑强行拆解反而添乱这是整份教程里最反直觉、也最容易踩坑的一条对推理模型提示语应该更简洁只需明确任务目标和需求不需要逐步指导。原因是推理模型在训练阶段已经把推理逻辑内化了你给它一个目标它会自动生成结构化的推理过程。如果你强行拆解步骤比如“先画图再列公式最后求解”反而可能限制它的推理路径把它挤进你预设的窄轨道里。教程里举的例子很典型数学证明任务对推理模型直接说“证明勾股定理”就够了不需要“先画图再列公式”这种冗余拆解对通用模型则相反必须显式要求分步思考并提供示例否则它容易跳过关键步骤直接给结论。这个差异的底层原因是推理模型的训练信号已经教会它“遇到数学问题要一步步推”而通用模型没有这个内化过程需要你用提示语临时补上。3.2 通用模型的“补偿性引导”缺什么补什么通用模型的提示语策略可以概括为“缺什么补什么”。它擅长语言生成和上下文理解但缺乏严格的逻辑链所以你需要用提示语补偿这个短板。具体做法包括显式要求分步思考、提供示例、明确输入输出格式、拆分复杂问题逐步追问。教程里给了一张任务类型与提示语策略的对照表核心逻辑是推理模型要“信任其内化能力”通用模型要“结构化补偿”。比如代码生成任务对推理模型说“用 Python 实现快速排序”就行它会自己处理递归和边界条件对通用模型则要细化步骤明确输入输出格式甚至先解释原理再写代码。这个差异不是谁好谁坏而是两类模型的“默认行为”不同提示语要顺着它们的默认行为走而不是逆着来。3.3 从“下达指令”到“表达需求”三种策略的适用边界教程把提示语策略分成三类指令驱动、需求导向、混合模式。指令驱动是直接给出明确步骤或格式要求适合简单任务和需要快速执行的场景优势是结果精准高效风险是限制模型自主优化空间。需求导向是描述问题背景与目标由模型规划解决路径适合复杂问题和需要模型自主推理的场景优势是激发深层推理风险是需要清晰定义需求边界。混合模式结合两者兼顾目标与细节平衡灵活性和可控性。这三种策略的适用边界本质上取决于任务的不确定性和模型的能力分布。任务越确定、越需要精确执行越适合指令驱动任务越复杂、越需要模型自主规划越适合需求导向。而推理模型因为内化了推理能力在需求导向策略下表现更好通用模型则需要更多指令驱动或混合模式的引导。理解这个映射关系就不会出现“对推理模型写了一大段分步指令”或者“对通用模型只丢一句话”这类常见误用。4. 五类需求的表达公式把“我想要”翻译成模型能接住的结构4.1 决策需求与分析需求目标、选项、评估标准怎么给教程把用户需求分成五类决策、分析、创造性、验证、执行。每类需求都有对应的表达公式和模型适配策略。决策需求的公式是“目标 选项 评估标准”比如“为降低物流成本现有两种方案自建区域仓库和第三方合作请根据 ROI 计算模型对比 5 年总成本并推荐最优选择”。这个公式的关键是把选项和评估标准都摆出来让模型在约束条件下做推演而不是让它自由发挥。分析需求的公式是“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说明增长趋势与政策关联性预测市占率需使用 ARIMA 模型并解释参数选择依据”。这里的方法指定很重要因为分析任务如果没有方法约束模型可能给出泛泛而谈的结论。对推理模型这类需求可以直接抛出复杂问题它会自主设计分析路径对通用模型则需要拆分问题、逐步追问否则容易停留在表层总结。4.2 创造性需求与验证需求发散与收敛的两种引导创造性需求的公式是“主题 风格/约束 创新方向”比如“设计一款智能家居产品解决独居老人安全问题结合传感器网络和 AI 预警提供三种不同技术路线的原型草图说明”。这类需求对推理模型要鼓励发散、设定角色/风格避免过度约束逻辑对通用模型则要明确约束目标避免自由发挥导致跑偏。教程里特别提醒对推理模型不要用“启发式”提示如角色扮演可能干扰其逻辑主线——这和第 3 章的结论一致。验证需求的公式是“结论/方案 验证方法 风险点”比如“以下是某论文结论神经网络模型 A 优于传统方法 B请验证实验数据是否支持该结论检查对照组设置是否存在偏差重新计算 p 值并判断显著性”。这类需求要求模型自主设计验证路径并排查矛盾推理模型在这类任务上有优势因为它擅长逻辑自洽性检查通用模型则需要你给出具体的验证步骤否则容易只做表面确认。4.3 执行需求步骤约束与输出格式的精确控制执行需求的公式是“任务 步骤约束 输出格式”比如“将以下 C 语言代码转换为 Python保持时间复杂度不变使用 numpy 优化数组操作输出带时间测试案例的完整代码”。这类需求的特点是任务明确、约束具体模型的主要价值是精确执行而非自主规划。对推理模型可以自主优化步骤兼顾效率与正确性对通用模型则要严格按指令执行明确输入输出格式避免自由发挥。五类需求的表达公式本质上是一套“把模糊意图翻译成结构化输入”的方法。教程里反复强调的一个原则是需求表达越清晰模型输出越可控。但这个“清晰”不是把所有细节都写死而是根据模型类型调整约束的粒度——推理模型给目标和边界通用模型给步骤和示例。这个粒度差异就是“从入门到精通”的分水岭。5. 避坑与排查五条血泪经验背后的机制解释5.1 现象对推理模型写角色扮演提示语输出变得僵硬原因推理模型的训练信号奖励逻辑推导角色扮演这类“启发式”提示会引入非逻辑约束干扰它的推理主线。教程里明确提醒不要对推理模型使用角色扮演类提示。解决把角色设定换成目标描述比如不说“你是一位历史学家”而说“分析拿破仑崛起的历史条件”让模型在逻辑框架内工作。5.2 现象对通用模型直接问复杂推理问题答案看似合理但经不起推敲原因通用模型缺乏内化的推理链直接问复杂问题它会跳过关键步骤用概率预测拼出一个“看起来对”的答案。解决显式要求分步思考、提供示例、拆分问题逐步追问用提示语补偿它的推理短板。教程里把这叫“补偿性引导”核心是缺什么补什么。5.3 现象同一个提示语换个模型效果天差地别以为是玄学原因不是玄学是两类模型的默认行为不同。推理模型自动生成推理过程通用模型依赖提示语引导。同一个提示语对一类模型是“刚好”对另一类可能是“过度约束”或“约束不足”。解决先判断任务类型选模型再根据模型类型调提示语粒度。数学任务选推理模型配简洁指令创意任务选通用模型配明确约束。5.4 现象推理模型响应慢、算力成本高怀疑是不是哪里配置错了原因推理模型在给出答案前会生成大量中间推理步骤这些步骤消耗算力和时间是设计使然而非故障。解决根据任务需求选择模型即时任务用通用模型复杂推理任务才用推理模型。不要用推理模型处理“今天天气怎么样”这类快速反馈任务。5.5 现象提示语越写越长效果反而没有变好原因提示语的长度不等于信息量。对推理模型过长的提示语可能包含冗余约束干扰其自主推理对通用模型长提示语如果没有结构化模型可能抓不住重点。解决按需求表达公式组织提示语目标、选项、评估标准、输出格式各归其位删掉不影响任务定义的修饰性内容。教程里的原则是“要什么直接说”而不是“把所有想到的都写上”。6. 设计取舍的思考为什么“选对模型”比“写好提示语”更根本把这份教程读透之后我最大的体会是提示语策略的差异本质上是模型训练目标差异的外溢。推理模型和通用模型的分叉不是参数量的分叉而是训练信号的分叉——一个被奖励严密推导一个被奖励语言统计规律。这个底层差异决定了它们对提示语的“默认反应”不同也决定了你不可能用一套提示语模板通吃两类模型。教程里给出的判断原则值得反复看优先根据任务类型而非模型热度选择。这句话的深层含义是模型选择是提示语策略的前提而不是反过来。你先把任务归类——是数学证明还是创意写作是逻辑分析还是多轮对话——再选模型最后根据模型类型调提示语粒度。这个顺序如果搞反了先写提示语再选模型就会出现“用通用模型的提示语去喂推理模型”这类错配效果自然翻车。另一个值得琢磨的取舍是可控性与自由度的平衡。推理模型的推理链可追溯、可审计适合需要严格验证的场景通用模型的输出空间更大适合需要发散和创意的场景。这个取舍没有标准答案取决于任务对可解释性和多样性的要求。教程里把伦理问题单独拎出来讨论其实也是在提醒模型选择不只是能力匹配还涉及控制性的考量。验证方法上我一般会这么做同一个任务分别用两类模型跑一遍对比输出的推理过程和结论可靠性。如果推理模型的中间步骤明显更严密、结论更可验证说明任务适合推理模型如果通用模型的输出更多样、更贴合风格要求说明任务适合通用模型。这个对比不需要复杂工具手动跑几轮就能看出分界线。从那以后我每次拿到一个新任务都强制先问自己三个问题这个任务的核心是逻辑推导还是语言生成需不需要可追溯的推理过程响应速度和算力成本是不是约束条件三个问题答完模型和提示语策略基本就定了。希望这套判断顺序能帮你少走一些“拿错引擎”的弯路。本文还有配套的精品资源点击获取