简介《DeepSeek从入门到精通》讲义由清华大学新媒体研究团队编写面向具备一定AI基础、希望系统掌握国产推理模型的研究人员与技术爱好者。内容围绕DeepSeek-R1免费开源、擅长复杂任务的特点梳理智能对话、文本生成、语义理解、计算推理、代码生成等场景对比推理模型与通用模型在数学推导、创意写作等任务上的优势与边界并讲解模型选择策略、“快思慢想”两类模型的差异以及指令驱动、需求导向、混合模式等提示语设计方法。资源包内含1个PDF文件约5.37MB是一册完整讲义按“是什么—能做什么—怎么用—如何精通”层层递进便于顺序通读或按主题检索目前已有398人学习。读者可借此建立对国产AGI发展脉络的整体认知掌握面向推理模型的简洁指令写法与面向通用模型的结构化补偿引导避免用角色扮演干扰推理模型、对通用模型过度信任等常见误区并留意伦理合规与模型局限性适合作为项目落地前的进阶参考。1. 一套把“会用”拆成任务流的国产大模型讲义拿到《国产大模型从入门到精通》这套讲义时我先翻的不是功能清单而是它把推理模型和通用模型拆开讲的那几页。很多国产AI课程喜欢把人工智能能力说成万能工具箱这份资源反而先给边界推理模型擅长数学推导、逻辑分析、代码生成和复杂任务拆解通用模型更擅长文本生成、创意写作、多轮对话和开放性问答。它适合谁适合已经会基础对话、但一遇到复杂任务就只会“再试一次”的从业者也适合要给团队做内训、需要一套能照着讲任务分流方法的人。提示语设计和多模态应用在讲义里不是点缀而是和任务类型绑在一起的操作层。2. 拆讲义的能力地图四类任务如何落到可执行流程这份讲义的价值不在“功能多”而在它把能力拆成了任务族。文本生成、自然语言理解与分析、编程与代码、常规绘图与多模态应用四类任务对应的是不同输出形态、不同约束和不同验收方式。很多人下载后直接跳到提示语模板用起来像碰运气问题往往出在跳过了能力地图还没判断任务属于哪一类就已经在纠结模型选谁、提示语怎么写。先读能力地图后面选模型和写提示语才有依据。2.1 能力地图不是功能清单先定输出形态再定模型讲义里把文本生成放在第一块但真正有用的是它没有停在“能写文章、能写文案”这种描述上而是把输出形态拆开长文、短文案、摘要改写、结构化表格、多语言翻译。输出形态一变提示语结构和验收标准就跟着变。比如长文摘要要防事实漂移短文案要防风格跑偏结构化表格要防字段缺失。判断任务时我一般先问三个问题最终交付物是段落、标签、代码还是表格有没有硬约束验证一次要花多少时间。自然语言理解与分析这块更容易被低估。语义分析、情感分析、意图识别、实体提取、文本分类、因果分析看起来都是“让模型判断一下”实际验收成本差别很大。情感分析可以抽几十条人工复核意图识别要先把标签体系定死因果分析则要模型给出证据链。讲义把这类任务放在能力地图里而不是塞进“文本生成”的附注这个处理是对的理解类任务的输出往往是一个判断判断错了后面全错提示语里必须把标签体系、边界样例和冲突处理写清楚。编程与代码相关任务在讲义里单独成块包括代码生成、调试建议、技术文档处理、代码解释和性能优化提示。这里的验收标准最硬代码能不能跑、边界条件覆盖没有、注释是否解释清楚输入输出。模型选型反而简单复杂逻辑、算法实现、错误定位优先用推理模型写注释、补文档、做示例可以用通用模型先起草再让推理模型检查逻辑。把“写代码”和“解释代码”分开是这份讲义比较实用的一点。常规绘图和多模态应用被放在能力地图靠后的位置但不是可有可无。文件上传、图片文字读取、表格抽取、图注生成这些任务的关键不是模型能不能识别而是你有没有定义抽取字段、优先级和冲突处理。多模态任务翻车多数不是识别失败而是提示语只写了“帮我看看这个文件”没有写“抽哪几列、空值怎么填、冲突以哪一页为准”。任务族典型输出硬约束验证成本优先模型文本生成长文、短文案、摘要、表格字数、风格、事实边界中通用模型起草推理模型核查语义理解与分析标签、实体、意图、情感、因果标签体系、边界样例高简单分类用通用模型复杂因果用推理模型编程与代码代码、注释、测试、文档可运行、输入输出明确高推理模型优先多模态应用字段表、图注、抽取结果字段完整性、页码优先级高按抽取复杂度选复杂表格用推理模型这张表不是让你背结论而是让你在写提示语前先停十秒。输出形态决定提示语要不要给格式硬约束决定验收怎么写验证成本决定要不要建回归样本。模型热度在这个阶段没有意义任务密度才有意义。2.2 五步任务卡把“会用”变成可复现流程讲义里最值得抄作业的部分是把一次模型调用拆成五步写任务卡、判任务密度、选模型、写提示语、做验证。五步里最容易省掉的是第一步和第五步而这两步恰恰决定结果能不能复现。我一般会先写一张任务卡字段不多但必须填完任务名、输入、输出、约束、验收、失败回退。任务卡不是文档摆设它直接决定提示语里哪些内容必须出现。任务卡字段要写什么不写会怎样任务名一句话说明交付物提示语容易发散输入数据类型、长度、来源模型不知道哪些信息可用输出段落、表格、标签、代码格式反复返工约束字数、标签体系、禁止项输出看似合理但不可用验收正确率、字段完整率、可运行无法判断改版有没有变好失败回退换模型、拆任务、人工复核一次失败就从头再试第二步判任务密度。我的做法是看三个信号需不需要多步推理有没有唯一答案容错率高不高。需要多步推导、答案可验算的任务任务密度高开放问答、创意发散、多轮对话任务密度低但多样性要求高。任务密度高不等于一定用推理模型但至少要在提示语里给验证路径任务密度低也不等于通用模型随便写创意任务同样需要风格约束和示例。第三步选模型。讲义的原则很明确优先按任务类型选不按模型热度选。数学推导、逻辑分析、代码生成、复杂问题拆解偏推理模型文本生成、创意写作、多轮对话、开放性问答偏通用模型。这里有个常见误区把推理模型当成“全面更强”。它只是在训练目标领域显著优发散性任务反而不如通用模型灵活。选型时我会在任务卡上直接标“R”或“G”混合任务标“G 起草 R 校验”。第四步写提示语。讲义把提示语拆成指令、上下文、期望三段。指令说任务上下文给背景期望写输出要求和验收标准。对推理模型指令要简洁聚焦目标不要强行拆步骤对通用模型反而要显式引导推理步骤必要时给示例。这个差异后面单独讲但在任务卡阶段就要决定提示语策略否则会出现“模型选对了提示语把能力限制住”的情况。第五步做验证。验证不是问一句“你觉得对吗”而是抽三条样本一条常规样本、一条边界样本、一条容易混淆的样本。常规样本看基本可用性边界样本看约束有没有守住混淆样本看模型会不会把相邻标签搞混。模拟项目X里有一个客服对话处理任务输入是用户反馈输出是意图标签、摘要和回复草稿。任务卡里把标签体系限定为咨询、投诉、退款、催办四类验收要求标签准确、摘要不超过八十个字、回复草稿不能承诺具体时限。第一轮用通用模型标签经常把“催办”并进“投诉”第二轮在提示语里补了混淆样例和优先级规则准确率才稳定下来。这套流程听起来慢但真正省时间。没有任务卡提示语会越改越长没有验证样本改版全靠感觉。讲义把“会用”落到这五步是把玄学变成可复现流程的关键。3. 推理模型与通用模型选型任务密度、试跑与边界选型讨论最容易变成站队有人说推理模型更强有人说通用模型更灵活。讲义没有站队它把两类模型放回任务里看。推理模型强化推理、逻辑分析和决策能力适合逻辑密度高的任务通用模型侧重语言生成、上下文理解和自然语言处理适合多样性高的任务。这个区分不新鲜但讲义把“强弱判断”写得很克制并非全面更强仅在其训练目标领域显著优于通用模型。选型时如果忽略这句话后面提示语再精细也会跑偏。3.1 性能本质不是“谁更强”而是任务密度讲义里有一组对比维度很实用优势领域、劣势领域、性能本质、强弱判断。推理模型的优势在数学推导、逻辑分析、代码生成、复杂问题拆解劣势在发散性任务比如诗歌创作、开放文案。通用模型的优势在文本生成、创意写作、多轮对话、开放性问答劣势是需要严格逻辑链的任务比如数学证明、复杂因果推断。性能本质不是“智力高低”而是训练目标不同一个专精逻辑密度高的任务一个擅长多样性高的任务。“快思慢想”这个说法在讲义里用来解释两类模型的差异。快速反应模型基于概率预测响应快、算力成本低适合即时反馈和结构化明确的任务链式推理模型逐步推理算力成本高适合复杂问题拆解。这里不要误解成“慢的一定更好”。快速反应模型在创意发想、多轮对话、格式转换上效率很高链式推理模型在需要中间步骤可检查的任务上更稳。选型时我一般看四个参数逻辑链长度、答案唯一性、创意发散度、验证成本。逻辑链长度指任务需要多少步中间推理。三步以内的格式整理、信息抽取通用模型足够多步推导、条件嵌套、代码调试推理模型更合适。答案唯一性指结果能不能验算。数学题、费用核算、代码运行结果唯一性高推理模型有优势文案风格、故事走向、产品命名唯一性低通用模型更灵活。创意发散度指任务是否鼓励多方案。发散度高的任务给推理模型过多约束会压掉多样性发散度低的任务给通用模型太少步骤引导会跳过关键逻辑。验证成本指一次输出要花多少人工复核。验证成本高的任务宁可先用小样本试跑也不要一次生成一大片。维度推理模型通用模型优势任务数学推导、逻辑分析、代码生成、复杂拆解文本生成、创意写作、多轮对话、开放问答劣势任务发散性创作、需要风格跳跃的任务严格逻辑链、需要中间步骤可检查的任务提示语倾向简洁指令聚焦目标信任内化推理显式引导步骤给示例补能力短板常见误用强行拆步骤干扰逻辑主线直接问复杂推理跳过关键验证验收重点中间过程是否可检查输出是否满足约束和风格这张表可以直接贴在任务卡旁边。选型不是选“更高级”的模型而是选“更适合这类任务密度”的模型。讲义里有一句话我印象很深不要对推理模型使用启发式提示比如角色扮演可能干扰逻辑主线也不要对通用模型过度信任直接问复杂推理问题需要分步验证结果。两句话合起来就是选型的边界。3.2 三次试跑法与选型决策表真到项目里只看维度还不够我一般会做三次试跑。第一次用推理模型跑同一张任务卡第二次用通用模型跑第三次做混合通用模型先发散推理模型做校验。三次试跑不追求大样本但必须包含一条常规样本和一条边界样本。记录四个指标首次正确率、返工次数、解释成本、输出可用性。首次正确率看第一版能不能用返工次数看改提示语的代价解释成本看模型能不能说清中间理由输出可用性看格式和约束是否稳定。任务类型首选提示语策略验收指标费用核算、逻辑校验推理模型直接给目标和约束不拆步骤复算结果一致、中间步骤可查对外文案、故事草稿通用模型给风格样例、字数、禁止项风格匹配、事实无虚构代码生成与调试推理模型给输入输出、边界条件、运行环境可运行、边界用例通过意图识别、文本分类通用模型标签体系、边界样例、冲突规则标签准确率、混淆项可解释多模态表格抽取推理模型或混合字段表、页码优先级、空值规则字段完整率、冲突处理正确模拟项目X里有两个子任务很适合试跑一个是费用核算一个是对外说明文案。费用核算用通用模型时答案表面合理但中间少了一步税率处理复算对不上换推理模型后提示语只写“按给定规则核算并列出每一步”首次正确率明显提高。对外说明文案反过来推理模型写得很稳但干瘪通用模型给两段风格样例后更接近可用状态。混合模式用在“先让通用模型出三版文案再让推理模型检查事实和承诺边界”返工次数最少。三次试跑后选型决策表要落到项目里而不是停在纸面。我的做法是把任务卡、模型标记、试跑结果写在同一张表里下次同类任务直接查表不再从零讨论。边界也要写清楚如果任务同时要求创意和严格逻辑不要指望一个模型全包拆成“发散”和“校验”两段更稳。如果验证成本极高比如涉及对外承诺、费用、代码上线宁可多一道人工复核也不要把模型自检当最终验收。4. 提示语设计从指令驱动到五类需求表达提示语设计是这套讲义里最容易被误读的部分。很多人以为提示语就是“把话说得客气一点”或者“加一句你是专家”但讲义把提示语拆成指令、上下文、期望三段先解决的是信息结构问题。指令明确任务上下文提供背景期望写清输出要求和验收标准。三段缺一段模型就会用自己默认的假设补位补出来的结果往往不是你想要的。提示语设计不是话术是把需求拆成模型能执行的字段。4.1 提示语三段式指令、上下文、期望指令是核心告诉模型要执行什么任务。上下文帮助模型理解背景包括数据来源、使用场景、已有约束。期望是输出要求包括格式、长度、风格、禁止项和验收标准。讲义里有一个很实用的判断提示语是沟通桥梁、上下文提供者、任务定义器、输出塑造器、能力引导器。这个描述听起来抽象落到操作上就是不要只写“帮我分析一下”要写“分析什么、基于哪些信息、输出成什么形式、什么算合格”。三段式要写什么常见缺失指令任务动词、交付物、范围只写“看看”“优化一下”上下文数据、场景、已有规则模型不知道业务边界期望格式、字数、风格、验收输出反复返工对推理模型提示语要更简洁。它已经内化了推理逻辑你只需要明确任务目标和需求不需要逐步指导。强行拆步骤反而可能限制能力。比如“按给定规则核算费用并列出每一步”比“先读第一条再读第二条然后加总”更稳。对通用模型反而要显式引导推理步骤因为它可能跳过关键逻辑。常见做法是给一个两步示例再要求“按同样步骤处理新输入”。这不是模型能力差异而是提示语策略差异。这里有一个容易翻车的点对推理模型使用角色扮演、启发式提问可能干扰逻辑主线。不是说角色扮演永远不能用而是在严格逻辑任务里角色设定会引入不必要的风格约束。对通用模型则不能过度信任直接问复杂推理问题模型可能给一个“像答案”的答案中间步骤经不起检查。讲义的关键原则是推理模型“要什么直接说”通用模型“缺什么补什么”。这句话我一般会写在提示语模板最上面提醒自己不要用错策略。4.2 五类需求公式把“说清楚”拆成可填字段讲义把需求分成五类决策需求、分析需求、创造性需求、验证需求、执行需求。每类需求都有表达公式和适配策略。这个分类比“写一个好提示语”有用得多因为它把“说清楚”拆成了可填字段。决策需求要目标、选项、评估标准分析需求要问题、数据或信息、分析方法创造性需求要主题、风格或约束、创新方向验证需求要结论或方案、验证方法、风险点执行需求要任务、步骤约束、输出格式。需求类型表达公式推理模型适配通用模型适配决策需求目标 选项 评估标准要求逻辑推演和量化分析直接建议依赖经验归纳分析需求问题 数据/信息 分析方法触发因果链推导与假设验证表层总结或分类需补步骤创造性需求主题 风格/约束 创新方向结合逻辑框架生成结构化创意自由发散依赖示例引导验证需求结论/方案 验证方法 风险点自主设计验证路径并排查矛盾简单确认需给检查清单执行需求任务 步骤约束 输出格式自主优化步骤兼顾效率与正确性严格按指令执行少自主优化决策需求的公式最容易被省略评估标准。只写“两个方案选哪个”模型会给一个看起来合理的建议补上“按五年总成本、实施周期、失败风险三项打分”输出才可比较。分析需求要防止“只有结论没有证据”提示语里要写“每个判断给出来源字段或计算过程”。创造性需求不是越自由越好风格样例和禁止项反而能提高可用性。验证需求不能只问“对不对”要写“列出支持证据、反例和复算步骤”。执行需求要把输出格式写死否则模型会在步骤里自由发挥。模拟项目X里有一个多模态抽取任务上传一份扫描表格要求抽出字段并生成摘要。第一版提示语只写“读取文件并总结”模型读到了内容但字段缺项、页码冲突没有处理。第二版按五类需求里的“执行需求”重写任务是从表格中抽取指定字段步骤约束是先识别表头再逐行匹配输出格式是字段表加一段摘要冲突处理以最新页码为准。返工次数明显下降。这个例子说明多模态应用不是“上传就完事”它仍然要回到提示语结构指令、上下文、期望一个都不能少。五类需求不是让你每次写五段而是让你在写提示语前先分类。分类错了公式再完整也没用。决策需求写成执行需求模型会只给步骤不给比较验证需求写成分析需求模型会给你一段解释而不是检查清单。提示语设计做到这一步才算从“下指令”走到“表达需求”。5. 避坑与排查五类翻车现场和一张排查清单提示语和选型讲清楚之后剩下的就是踩坑。这套讲义里关于边界的提醒很密但真正到项目里翻车往往不是大方向错而是小字段没定义、模型分工没拆开、验证路径没写。下面五类现场是我在模拟项目X和几次内训里反复见到的按“现象、原因、解决”拆开写方便直接对照排查。5.1 五类翻车现场现象、原因、解决第一类对推理模型强行拆步骤。现象是输出变得机械中间推理被切成碎片最后答案反而漏条件。原因不复杂推理模型已经内化了推理逻辑强行规定“先做第一步再做第二步”会干扰它的逻辑主线。解决方式是只给任务目标、输入边界和验收标准要求它列出关键中间步骤但不要替它规定每一步怎么做。比如费用核算写“按规则核算并列出每一步依据”就够了不要写“先读税率再乘基数”这种过度指导。这个坑我吃过一次提示语越写越长结果正确率反而下降血泪经验。第二类对通用模型直接问复杂推理。现象是答案看起来很顺但逻辑链断在中间追问一步就露馅。原因是通用模型侧重语言生成和上下文理解不强调深度推理缺少显式步骤引导时会跳过关键逻辑。解决办法是补 CoT 式引导给两步示例要求“按示例步骤处理新输入”最后加一条“列出假设和不确定点”。不要指望通用模型自己发现矛盾它更擅长把现有信息组织得像答案。第三类创意任务交给推理模型且过度约束。现象是文案干瘪、方案趋同模型像在写说明书。原因是推理模型在发散性任务上没有优势过多约束会进一步压掉多样性。解决方式是换通用模型或者用混合模式通用模型先出三到五版方向推理模型只做事实核查和承诺边界检查。创意任务的提示语要给风格样例、目标人群、禁止项但不要给太细的句式模板否则输出会变成填空。第四类多模态上传文件不写抽取指令。现象是模型说“已读取”但回答答非所问字段缺项、页码冲突、空值处理混乱。原因是提示语只给了文件没有定义抽取字段、优先级和冲突规则。解决方式是先列表格字段名、类型、是否必填、冲突以哪一页为准、空值怎么填再要求模型先输出识别到的表头再逐行抽取最后加一段自检标出缺失字段。多模态应用的难点不在识别而在抽取规则。第五类验证需求只问“对不对”。现象是模型自证正确给出一段看似合理的解释但没有证据、没有反例、没有复算。原因是验证需求缺少验证方法和风险点模型只能用语言能力补一个“确认”。解决方式是要求列出支持证据、反例、复算步骤和不确定项必要时把大问题拆成三个小检查。验证类提示语里“请检查”不如“请按以下三项检查并给出通过或不通过的证据”。5.2 排查清单先查需求边界再查模型分工出现问题时我一般先查需求边界再查模型分工最后才改提示语措辞。顺序反了容易陷入“改一句话试一次”的循环。需求边界包括输出形态有没有写清、标签体系有没有定死、冲突规则有没有给、验收标准能不能执行。模型分工包括这个任务该用推理模型还是通用模型、要不要拆成两段、验证环节谁来做。提示语措辞放在最后因为前两项没对齐措辞再好也只是把错误包装得更顺。症状第一检查点第二检查点修复动作输出格式反复变期望段有没有写格式是否给了示例固定字段和示例禁止自由发挥答案像但经不起追问是否直接问复杂推理模型分工是否错补步骤引导或换推理模型创意文案干瘪是否过度约束是否用错模型换通用模型给风格样例多模态抽取缺字段字段表是否完整冲突规则是否明确补字段优先级和空值规则模型自证正确验证方法是否缺失是否要求证据和反例加检查清单和复算步骤这张清单不能替代验证样本但能快速定位问题。比如输出格式反复变先看期望段不要急着换模型答案经不起追问先看是不是把复杂推理直接丢给通用模型多模态缺字段先补字段表不要反复上传同一份文件。排查顺序稳定了改版才有积累。6. 把提示语迭代做成回归测试三张表与一个强制习惯提示语改到后面最容易变成玄学今天加一句“请认真检查”明天删一句“你是专家”效果时好时坏。我的做法是把迭代做成小型回归测试只维护三张表。第一张是任务卡写清输入、输出、约束、验收和失败回退第二张是对照表记录每次改动的提示语版本、模型选择、首次正确率、返工次数和解释成本第三张是回归集固定二十条样本包含常规、边界和混淆样本。每次改提示语不只看新样本还要把回归集跑一遍防止修好一个场景、弄坏另一个场景。表名最少字段用法任务卡输入、输出、约束、验收、回退每次任务开始前填对照表版本、模型、正确率、返工、解释成本每次改动后记录回归集样本类型、输入、期望输出、通过标准每次改版全量跑具体操作不复杂。先固定回归集不要每次临时找样本再给每个版本打标记比如“V3-加字段优先级”最后只看三个指标首次正确率有没有升返工次数有没有降解释成本有没有变得不可接受。模拟项目X里多模态抽取任务从 V1 到 V4字段完整率上去了但解释成本也上去了最后保留的是 V3不是最新版。回归测试的价值就在这里它不追求“看起来更高级”只追求“这一类任务稳定可用”。有一个技巧我后来一直用把输出格式和验收标准写进任务卡不要只写在提示语里。提示语会改任务卡相对稳定改版时先看任务卡有没有变再看提示语动了哪一段。这样即使换模型验收标准也不会丢。多模态任务尤其如此字段表、页码优先级、空值规则写在任务卡里提示语只负责调用排查时一眼就能看出是规则问题还是措辞问题。从那以后我每次改提示语都强制走一遍回归集哪怕只改了一个词。看起来麻烦但比上线后翻车再回头找原因省事得多。如果你手头正好缺一套能把推理模型、通用模型和提示语设计串起来的讲义这份资源值得下下来按第2章到第5章的顺序过一遍再拿自己的任务卡做一次对照。希望帮到你。本文还有配套的精品资源点击获取