简介这份PDF讲义源自北京大学DeepSeek原理与应用系列研讨面向不具备专业AI或IT背景的初学者、教育工作者及希望厘清AIGC概念的从业者重点回应网络内容多停留在工具操作、易造成概念与思维方式误导的问题。讲义共1个PDF文件约16.61MB已有210人学习。内容从DeepSeek-R1的技术特性、优势与历史地位切入对比生成模型与推理模型的定位、能力边界和典型场景并梳理DeepSeek公司背景、产品系列及低成本开源策略对行业的影响随后深入大模型与AIGC的底层工作机制讲解AIGC发展历程、能力构成与工具选择方法帮助读者突破“只会用工具”的局限。目录涵盖详解DeepSeek-R1、AIGC概念和应用、能力揭秘、选择AIGC工具等模块并给出科学选择与高效使用AI工具的指导适合作为系统入门与教学参考。1. 一份“不需要 AI 背景”的研讨讲义实际能应用到什么程度上个月有人把一份六十多页的内部研讨讲义发给我问这东西除了当 PPT 从头念到尾还能干什么。讲义主题是 DeepSeek 与 AIGC 应用来自某高校人工智能研究团队分四块DeepSeek-R1 详解、AIGC 概念与应用、能力揭秘、工具选择。它最有价值的地方在于把“生成模型和推理模型压根不是一类东西”这件事用一张五维对照表固定下来而非又吹了一遍 DeepSeek 多强。很多人用 AI 翻车根源就是把推理模型当生成模型使或者反过来然后怪模型不行。这份材料的定位很清楚不需要 AI 或 IT 背景也能读懂但读完你得能自己判断“这个任务该派谁上”。适合谁要给团队做 AI 内训的技术负责人、刚接触 AIGC 想建立正确概念的开发者、被各种工具榜单搞晕的产品同学。下面按我拆解这份材料的顺序来讲。2. 生成模型与推理模型先把选型骨架立住这一部分对应讲义的第一块。绝大多数人拿到这类材料会直接从“DeepSeek-R1 有多强”开始读然后记住几个跑分回去发现用不上。我的建议是反过来先把术语分层理清再拿对照表建立判断力最后才去看性能数字。因为跑分会过期判断框架不会。2.1 三层术语多模态、通用模型、行业模型讲义开篇花了不少篇幅做术语铺垫很多人会快速翻过去其实这三层是整个选型的地基。第一层是模态文本、图片、音频、视频第二层是模型类型通用的大语言模型、视频模型、多模态模型以及垂直的教育、医疗、金融行业模型第三层才是具体工具也就是你在网页上点开就能用的那些对话产品和搜索产品。三层混在一起谈就会出现“某工具支持传图片所以它能做图纸审阅”这种典型误判。这里有个最常见的混淆点必须点破支持图片输入 ≠ 具备多模态理解能力。前者是接口层面的事后者要看模型在图表、公式、版式上的实际表现。我一般会让对方拿三张自家业务里的真实截图去测一张带密集表格、一张带手写批注、一张带低对比度小字能把这三张读对的才算过关宣传页上写什么不算。行业模型那层也容易被神化。垂直模型的价值主要来自训练数据分布和评测集不是名字里带个行业词就自动变强。判断方法很土但有效看它在你的业务指标上有没有可复现的对比数据没有就按通用模型处理别为“行业”两个字付溢价。提示把这三层写成一张自己的清单每引入一个新工具就往上填一行比收藏一堆测评文章管用得多。2.2 五维对照一张表决定谁上讲义里最值得抄下来的是生成模型与推理模型的五维对照。我按原文数据整理成下面这张表维度做了微调方便直接拿去开会用。比较维度生成模型推理模型模型定位通用自然语言处理与多模态日常对话、内容生成、翻译、图文音视频处理复杂推理与逻辑数学、编程、自然语言推理高难度问题求解推理能力日常语言任务表现均衡复杂逻辑如数学题求解准确率偏低复杂推理表现突出数学与代码任务尤为明显部分基准上高于多模态生成模型多模态支持支持文本、图像、音频乃至视频输入主要支持文本输入不具备图像处理能力适用场景对话、内容生成、多模态信息处理、多语言互译面向大众与商业应用数学竞赛、编程、科学研究、采访大纲、方案梳理、知识应用与文档分析交互体验实时对话流畅多模态输入友好适合大众使用可展示大部分链式思考过程便于专业用户理解推理路径交互节奏偏慢讲义里给的一组公开测评数字值得记一下推理模型在数学类基准上能到 90.7 分阅读理解类 F1 到 92.2%竞赛级数学通过率 79.8%代码生成通过率 65.2%对应的生成模型在数学基准上是另一档代码通过率 65.2% 那一档则由生成模型占据。数字本身会变但两类的相对位置短期内不会反转推理模型赢在需要多步推演的题生成模型赢在需要广度、速度和多模态的活。真正的判断不在表格里而在你的任务描述里。我一般用四个问题做快速分流这个任务能不能拆成有先后依赖的步骤答案能不能用规则或测试用例验证单次调用的时间预算是不是超过十秒还能接受输出需不需要给人看推导过程前两个是“是”优先推理模型后三个都是“否”老老实实用生成模型。四个问题里只要出现“要快、要便宜、要能看图”中的任意一个就不该选推理模型。2.3 能力边界推理模型什么时候会帮倒忙讲义很实在地列了推理模型的两面。优势那栏是演绎归纳能力强、链式思维出色、擅长复杂决策、能呈现思考过程劣势那栏更值得贴在显示器上响应慢且成本高、基于知识的任务更容易出错、处理简单任务效率低容易过度思考。第三条“过度思考”是最容易被忽略的成本项。我见过一个场景让推理模型把一段两百字的会议纪要改写成三条待办它输出了一千多字的分析最后待办还是错的。这不是模型坏了是任务错配——改写属于生成类任务推理链路在这里纯属浪费。判断标准很简单如果人来做这件事不需要打草稿就别让推理模型打草稿。第二条“基于知识的任务更容易出错”也是血泪经验。推理模型的强项是推理链不是事实库。问它“某标准里第几条怎么规定的”它可能会用非常漂亮的逻辑推演出一个不存在的规定。这类问题应该走检索增强先拿到原文片段再让模型基于片段做推理而不是让它凭记忆推。还有人会问既然推理模型能呈现思考过程是不是可以拿思考过程当解释给客户看。我的建议是别直接给。链式思考是模型的工作草稿里面有试错、有回头、有自我否定非技术读者看了只会更困惑。要给人看的是结论加关键依据思考过程留给自己排查用。3. AIGC 的底层机制把“会用工具”抬成“会判断工具”第二块内容是 AIGC 的概念与能力揭秘。这部分是整份材料里最“不实用”却也最能救人的一节——不理解机制你只能在工具层面反复试错出了问题也不知道往哪个方向调。3.1 从 token 预测到思维链三层机制拆开看第一层是自回归的 token 预测。模型每次输出一个 token把它接回输入再预测下一个。这决定了两个基本事实输出长度直接等于成本且生成过程没有全局规划只有局部最优。很多人抱怨模型“前面说得挺好后面跑偏了”本质是它在生成后半段时前半段已经变成了不可修改的既成事实。第二层是思维链也就是讲义里说的“让模型进行慢思考”。它的作用是把原本隐式的推理过程外化成可观察的中间 token。工程上的意义在于中间步骤一旦被写出来就变成了后续推理的上下文模型可以在上面自我检查、回头修正。所以思维链不是“让模型更聪明”而是“让模型有地方打草稿”。这也解释了为什么思维链对小任务反而有害——草稿纸比答案还长纯亏。第三层是强化学习与蒸馏。强化学习解决的是“怎么让模型自己探索出好的推理路径”核心在于有没有可验证的奖励信号。数学题能对答案、代码能跑测试这类任务天然适合开放式写作没有客观奖励就很难用同一套方法优化。蒸馏解决的是“怎么把大模型的能力压缩到小模型”代价是天花板受教师模型限制且蒸馏出来的模型在面对分布外问题时更容易崩。提示这三层不需要背但要能回答一个问题——你手上的任务属于“有明确对错”还是“只有好坏之分”前者是推理模型的舒适区后者老老实实用生成模型加人工筛选。3.2 三个关键词落到工程上是什么把思维链、强化学习、蒸馏这三个词翻译成日常判断大概是这样的看到某个模型宣称“推理能力强”先问它的训练任务里有多少是可自动验证的看到“小模型效果接近大模型”先问它是蒸馏来的还是从头训的蒸馏来的要看它在你的业务分布上还剩下多少能力看到“展示思考过程”先确认这个过程的长度是否可控因为不可控的思考长度等于不可控的成本。我自己踩过的一个坑是把蒸馏模型当主力用在一个边界很模糊的任务上——输入是用户随手写的一段投诉。头两周效果还行第三周开始出现大量“分析得很认真但结论跑偏”的案例。后来换成完整版推理模型加更严格的输出约束才稳住。蒸馏模型不是不能用是不能用在输入分布不受控的地方。3.3 一次可复现的对照实验光看对照表不够最好自己跑一遍。下面这段代码做的事很简单同一道多步推理题分别打给生成模型和推理模型记录耗时、思考内容长度和答案长度。跑十次你对两类模型的差异会有一手体感。import os, time from openai import OpenAI # 接口地址和密钥从环境变量读避免写死在代码里 client OpenAI( api_keyos.environ[DS_API_KEY], base_urlos.environ[DS_BASE_URL], ) PROMPT ( 某仓库周一入库120箱周二出库总数的三分之一周三入库80箱 周四出库剩余的一半周五盘点时剩150箱。问周一之前仓库原有多少箱 请给出计算过程。 ) def run(model: str, prompt: str, temperature: float 0.6) - dict: t0 time.time() resp client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperaturetemperature, # 对照实验里两类模型必须用同一个值 max_tokens2048, ) elapsed time.time() - t0 msg resp.choices[0].message # 推理模型通常把思考过程单独放在 reasoning_content 字段 reasoning getattr(msg, reasoning_content, None) or return { model: model, latency_s: round(elapsed, 2), think_chars: len(reasoning), answer_chars: len(msg.content or ), answer: (msg.content or ).strip().replace(\n, )[:60], } for m in [deepseek-chat, deepseek-reasoner]: for _ in range(3): # 每类跑三次看波动 print(run(m, PROMPT))逻辑说明外层循环切换模型内层循环重复三次观察稳定性run里只做三件事——计时、取回消息体、把思考字段和答案字段分开统计。参数上temperature固定在 0.6如果两类模型用不同温度测出来的差异就混入了采样随机性结论不可信max_tokens给到 2048 是为了让推理模型有足够空间写完思考链设小了会被截断你会误以为它答不出来。跑完你会看到几个典型现象推理模型的latency_s通常是生成模型的两到五倍think_chars可能上千而answer_chars只有几十生成模型反过来答案来得快但在这种多步题上正确率明显更低且三次之间波动更大。这三个数字就是你跟业务方沟通成本时的依据——不是“推理模型更贵”而是“这道题上它要多花三倍时间写草稿”。4. 科学选择 AIGC 工具四步流程和一张决策表第三、四块内容讲的是能力揭秘与工具选择讲义里那句“当前网络内容多停留在工具应用层面容易误导初级使用者”说得比较客气实际情况是大部分人选工具的方式是看榜单和热度然后在第一个真实任务上翻车。4.1 选型前先算清四个约束我一般把选型约束压成四条按顺序过一遍过不了就直接排除不进入比价环节。约束具体问法不满足时的处理任务可验证性这个任务的输出有没有客观对错或可自动检查的标准有 → 可考虑推理模型无 → 生成模型加人工抽检数据边界输入内容能不能离开内网不能 → 只看私有化或本地部署方案成本上限单次调用可接受的时间与费用是多少高并发低预算 → 生成模型或小模型蒸馏版输出可审计性是否需要留存推理过程以备复核需要 → 选支持思考过程回传的接口形态第三条要特别算清楚。很多人做预算只算 token 单价忘了推理模型的输出 token 里有很大一部分是思考内容。同样一个问题生成模型可能消耗 200 个输出 token推理模型轻松上千。按调用量放大之后差距不是百分比是量级。4.2 决策表任务类型直接映射到模型类型任务类型典型例子建议模型类型常见误用多步推导数学计算、排期冲突排查、方案可行性推演推理模型用生成模型答案看着像对实则算错代码生成与审查写脚本、找逻辑漏洞、写测试用例推理模型用生成模型代码能跑但边界没处理长文改写与摘要会议纪要、文案润色、多语言翻译生成模型用推理模型输出冗长且贵图文混合处理票据识别、图纸比对、视频内容提取多模态生成模型用纯文本推理模型直接不支持知识问答制度查询、标准条款定位检索增强 生成模型直接用推理模型凭记忆答幻觉率高结构化抽取从合同里抽字段、从日志里抽异常小模型或蒸馏模型用大推理模型成本失控这张表不能替你决策但能挡住八成明显错配。用的时候从左边找最接近的任务类型再看“常见误用”那列自己有没有中招。4.3 四步选型流程第一步拆任务。把一个笼统需求拆成若干子任务每个子任务单独判断类型。比如“做一个合同审核助手”实际包含条款抽取、风险条款比对、修改建议生成三个子任务前两个可以走推理模型第三个更适合生成模型。第二步定类型。拿子任务去对上面那张决策表注意一个子任务只能落一个类型落不进去说明拆得还不够细。第三步定形态。同一类模型有网页端、API、私有化部署三种接入形态差别不在能力而在边界下一节展开。第四步小样本回测。从真实业务数据里抽三十到五十条人工标注期望输出跑一遍算通过率。这一步最容易被跳过也最不该跳过——榜单分数和你业务上的通过率之间通常没有稳定关系。提示回测样本一定要包含“脏数据”比如错别字、表格串行、多语言混排。干净样本上的通过率没有参考价值。4.4 三种接入形态的边界形态适合谁优势硬约束网页端个人试用、轻量办公零成本上手多模态体验完整无法批量、无法留存调用记录、数据出内网API 接入有研发能力、要做集成可编排、可记录、可做提示词版本管理需要自己处理限流、重试、成本监控私有化/本地部署数据敏感、调用量大数据不出内网单位成本可控需要算力与运维投入模型版本更新滞后实际项目里通常是混合的敏感数据走私有化非敏感的高频任务走 API探索性需求先用网页端验证可行性。我见过有团队一上来就全套私有化结果模型版本落后半年效果比网页端差一截白折腾。5. 避坑与排查五条真实翻车记录5.1 把推理模型当生成模型用输出又长又飘现象让它写一段产品介绍输出三倍长度中间还夹杂大段自我质疑最后一段推翻了第一段的说法。原因任务本身没有推理需求模型却被强制进入慢思考模式思考链里没有可验证的中间结论只能在语义空间里反复打转。解决按任务类型分流改写、摘要、翻译类一律走生成模型如果必须用推理模型在提示词里明确“直接给最终结果不需要分析过程”并把输出长度上限压到合理值。5.2 拿推理模型做知识问答幻觉反而更多现象问某个内部规范的条款细节生成模型会说“资料不足”推理模型却能给出一段逻辑严密、细节完整的错误答案。原因推理模型擅长在给定前提下推演但前提本身是错的或缺失时它会用推理能力把缺口补圆看起来比“我不知道”可信得多。解决知识类问题一律先检索后生成把原文片段作为上下文喂进去并要求“只依据给定片段作答片段中没有的内容直接说明未提及”。这条规则写进系统提示词不要靠临时嘱咐。5.3 提示词里堆“请一步步思考”把小任务拖成大任务现象一个简单的字段分类任务加了“请一步步思考”之后准确率没涨延迟涨了三倍。原因思维链提示对需要多步推导的任务有效对单步判断类任务只是增加了输出长度稀释了关键信息。解决把“一步步思考”从通用模板里删掉只在高复杂度任务上按需开启。判断标准还是那句人做这件事需不需要打草稿。5.4 跟着热榜选工具第二周就发现场景不匹配现象某工具在测评里排第一接进业务两周后发现它在长文本结构化抽取上频繁丢字段。原因榜单测的是通用能力你的业务测的是特定分布的稳定性两者不是一回事。解决任何工具进场前跑一遍自己的三十条回测样本通过率不达标就不进生产。回测集要版本化管理每次换模型都重跑别凭印象。5.5 把讲义里的基准分数当成自家场景的预期现象看到代码通过率 65.2% 这类数字就认为自家代码任务也能到这个水平实际跑出来不到一半。原因基准任务的题目分布、判分方式、提示词模板都是标准化的业务场景的输入更脏、要求更细、判分更严。解决基准分数只用来做相对比较不用来做绝对预期。对外沟通时给区间不给点值比如“这类任务目前通过率大概在四到六成需要人工复核兜底”。6. 进阶用法把一份讲义变成可复用的判断力这份材料真正的用法不是从头读到尾而是拆成四块分别落地。第一块 DeepSeek-R1 详解抽出来做成一页“模型能力卡”写清它擅长什么、不擅长什么、成本量级贴在团队文档首页。第二块 AIGC 概念用来统一团队语言避免有人把“支持图片上传”说成“多模态能力”。第三块能力揭秘做成排查手册出现幻觉先查检索出现冗长先查任务错配出现不稳定先查温度。第四块工具选择做成上面那张决策表每季度更新一次。我自己还会加一道工序把讲义里的每个结论翻译成一条可执行的检查项。下面这张表是我常用的版本换项目时改中间一列就行。检查项通过标准不通过怎么改任务类型是否明确能一句话说清是推导、生成还是抽取重新拆任务拆到能落进决策表模型类型是否匹配与决策表一致或有书面理由换模型别靠提示词硬掰回测是否做过三十条真实样本通过率有记录补做样本必须含脏数据幻觉是否有兜底知识类问题全部走检索且有“未提及”出口加系统提示词加人工抽检成本是否算过有单次调用与月度估算含思考 token补算必要时换蒸馏模型思考过程是否外泄对外输出不含原始思维链做一层后处理只留结论和依据还有一个我反复验证过的技巧给推理模型的提示词里把“输出格式”和“推理要求”分开写。前半段说清楚要什么结构、多长、给谁看后半段才说需要哪些中间校验。混在一起写模型经常把格式要求也当成推理对象在思考链里反复纠结“到底该用几号字体”纯属浪费。最后说个教训。早些年我做模型选型习惯先看参数和榜单选完再想怎么用结果有两次都是上线后才发现任务类型压根不匹配回头改架构的成本是当初省下的选择时间的几十倍。从那以后我每次引入一个新模型都强制先走一遍“拆任务—定类型—小样本回测”这三步哪怕只是内部试用也把回测记录留档。这习惯救过我不少次也让我少说了很多“这个模型不行”的错话——大多数时候不是模型不行是派错了活。希望帮到你。本文还有配套的精品资源点击获取