零基础入门DeepSeek：从提示语设计到模型选择，避开新手五大坑

简介：这份PDF资料源自清华大学新闻与传播学院新媒体研究中心团队，面向希望系统掌握DeepSeek大模型的初学者与进阶用户，帮助读者厘清推理模型与通用模型的差异，并掌握提示语设计的核心策略。内容围绕DeepSeek是什么、能做什么、如何使用、如何从入门到精通展开，涵盖文本生成、语义分析与情感识别、代码生成与调试、联网搜索与文件读取等应用场景，并深入对比推理大模型在数学推导、逻辑分析上的优势与通用模型在创意写作上的灵活性，同时给出两类模型在提示语策略上的差异化原则及AI伦理相关讨论。资源包共1个PDF文件，约5.5MB，结构完整、图文清晰，便于通读与查阅。已有311人学习，适合作为大模型应用入门与提示语优化的参考读本。

1. 第一次用 AI 大模型，为什么你问一句它答一句，别人却能让它写方案、改代码、做分析？

很多人第一次打开 AI 对话工具，输入“帮我写个东西”，得到的回复要么空泛得像模板，要么干脆跑题。于是心里冒出一句：这东西是不是被吹过头了？其实问题往往不在模型，而在你还没搞懂它是什么、该怎么跟它说话。DeepSeek 就是这样一个国产、免费、开源的大模型工具，背后是一家专注通用人工智能的公司，主攻大模型研发与应用，其中 DeepSeek-R1 是开源的推理模型，擅长处理复杂任务且可免费商用。它面向普通用户和开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等能力，支持联网搜索与深度思考模式，还能上传文件、扫描读取文件和图片里的文字。这份入门指南要做的，就是把你从“问一句答一句”带到“知道先学什么、第一个例子怎么跑起来”。零基础也能跟上，不需要先啃论文。

2. 先搞懂它到底能干什么：五个高频场景对号入座

2.1 文本生成：从写文章到做表格，都是它的基本功

新手最容易上手的入口就是文本生成。你不需要懂任何技术，打开对话界面，把需求说清楚就行。它能做的事包括文章、故事、诗歌写作，营销文案和广告语生成，社交媒体内容如推文和帖子，剧本或对话设计；也能做长文本摘要，比如论文和报告的浓缩，文本简化以降低复杂度，多语言翻译与本地化；还能做结构化生成，比如表格、列表，像日程安排、菜谱，以及代码注释和文档撰写。入门阶段建议先拿“摘要与改写”练手，因为这类任务对提示语要求低、反馈快，你能立刻感受到“说清楚需求”和“没说清楚”的差别。我第一次学的时候，就是拿一篇长文让它缩成五条要点，再让它把其中一条扩写成一段话，来回几次就摸到了节奏。

2.2 自然语言理解与分析：让 AI 帮你读评论、找重点

第二个高频场景是理解与分析。它涵盖语义分析和语义解析，情感分析比如评论和反馈，意图识别比如客服对话和用户查询，知识推理里的实体提取如人名、地点、事件，逻辑问题解答如数学和常识推理，文本分类，因果分析如事件关联性，主题标签生成如新闻分类，以及垃圾内容检测。对零基础的人来说，这一块最实用的切入点是情感分析：把一段用户反馈贴进去，问它“这段反馈是正面还是负面，理由是什么”，你会看到它把判断依据一条条列出来。这里有个小提醒，分析类任务对“上下文”要求高，你得把背景交代清楚，否则它只能靠猜。入门阶段不用追求一次问全，先练“给背景、提一个问题、要一个理由”这个最小闭环。

2.3 编程与代码相关：不写代码的人也能用它读代码

第三个场景是编程与代码相关，包括代码生成、代码调试、技术文档处理，具体有根据需求生成代码片段，支持 Python、JavaScript 等语言，错误分析与修复建议，代码性能优化提示，API 文档生成，代码库解释与示例生成，自动补全与注释生成，以及常规绘图。哪怕你不写代码，也可以用“代码库解释”功能让它把一段看不懂的代码翻译成大白话。入门建议从“解释这段代码在干什么”开始，而不是一上来就让它写完整项目。等你熟悉了它的表达方式，再让它生成小片段，比如一个排序函数，并明确要求“输出需包含注释”。这样你既能验证结果，又能顺便学一点代码结构。

2.4 推理模型和通用模型：别拿螺丝刀去敲钉子

这是新手最容易翻车的地方。推理大模型是在传统大语言模型基础上强化了推理、逻辑分析和决策能力的模型，通常借助强化学习、神经符号推理、元学习等技术增强推理和问题解决能力，比如 DeepSeek-R1 在逻辑推理、数学推理和实时问题解决方面表现突出。非推理大模型也就是通用模型，侧重语言生成、上下文理解和自然语言处理，不强调深度推理，比如主要用于语言生成、语言理解、文本分类、翻译等任务。两者的强弱判断很关键：推理模型并非全面更强，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。用一张表看清楚：

入门的话建议先记住一句话：数学任务选推理模型，创意任务选通用模型。不要因为某个模型热度高就什么都丢给它，这是血泪经验。

2.5 快思慢想：两种模型背后的选择逻辑

CoT 链式思维的出现把大模型分成了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者基于概率预测，通过大量数据训练快速预测可能的答案，响应速度快、算力成本低，依赖预设算法和规则决策，擅长解决结构化和定义明确的问题；后者基于链式思维逐步推理问题的每个步骤来得到答案，慢速思考、算力成本高，能自主分析情况、实时做出决策，能够生成新的创意和解决方案，更自然地与人互动、理解复杂情感和意图，能够处理多维度和非结构化问题。了解它们的差异，有助于你根据任务需求选择合适的模型，实现最佳效果。对新手来说，这意味着：赶时间要快速反馈，用快速反应模型；遇到需要一步步推的复杂问题，切到慢速思考模式。别在简单任务上硬开深度思考，也别在复杂推理上指望秒回。

3. 为什么提示语设计是新手最该先练的基本功

3.1 提示语到底是什么：指令、上下文、期望三件套

提示语（Prompt）是用户输入给 AI 系统的指令或信息，用于引导 AI 生成特定的输出或执行特定的任务。简单来说，提示语就是我们与 AI“对话”时所使用的语言，它可以是一个简单的问题、一段详细的指令，也可以是一个复杂的任务描述。它的基本结构包括三部分：指令是核心，明确告诉 AI 你希望它执行什么任务；上下文为 AI 提供背景信息，帮助它更准确地理解和执行任务；期望则明确或隐含地表达你对 AI 输出的要求和预期。入门阶段，你只要在每次提问时自觉补齐这三样，输出质量就会明显不一样。比如“帮我写个总结”只有指令，加上“这是一份项目周报，面向团队负责人，控制在 200 字以内”就有了上下文和期望。

3.2 六种提示语类型：从指令型到多模态

提示语的本质是连接人类意图和 AI 理解的沟通桥梁，是任务定义器，也是输出塑造器和能力引导器。常见类型有六种：指令型提示语直接告诉 AI 需要执行的任务，比如“将以下内容翻译为法语：Hello, world”；问答型提示语向 AI 提出问题，期望得到相应答案；角色扮演型提示语要求 AI 扮演特定角色、模拟特定场景，比如“假设你是一位 19 世纪的历史学家，评论拿破仑的崛起”；创意型提示语引导 AI 进行创意写作或内容生成，比如“为一篇关于气候变化的文章写一个引言，长度 200 字”；分析型提示语要求 AI 对给定信息进行分析和推理，比如“用简单的语言解释量子力学，假设你在跟一个 10 岁的孩子说话”；多模态提示语结合文本、图像等多种形式的输入。新手先练指令型和问答型，熟练后再试角色扮演和分析型，别一上来就堆复杂结构。

3.3 推理模型和通用模型的提示语策略差异

这是提示语设计里最容易被忽略、又最影响结果的一条。推理模型的提示语更简洁，只需明确任务目标和需求，因为它已内化推理逻辑，无需逐步指导，模型会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。通用模型则需要显式引导推理步骤，比如通过 CoT 提示，否则可能跳过关键逻辑，它依赖提示语补偿能力短板，比如要求分步思考、提供示例。关键原则有三条：第一，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；第二，推理模型要简洁指令、聚焦目标、信任其内化能力，也就是“要什么直接说”，通用模型要结构化、补偿性引导，也就是“缺什么补什么”；第三，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，也不要对通用模型过度信任，直接询问复杂推理问题需分步验证结果。我第一次学的时候就在这里踩过坑，对着推理模型写了一长串“先这样再那样”的步骤，结果它反而绕晕了，后来改成一句话说清目标，输出立刻干净了。

3.4 从下达指令到表达需求：五种需求类型的表达公式

提示语设计正在从“下达指令”走向“表达需求”。按需求类型分，有五种常见公式：决策需求用“目标 + 选项 + 评估标准”，适合需要权衡选项、评估风险、选择最优解的场景，推理模型适配策略是要求逻辑推演和量化分析，通用模型是直接建议、依赖模型经验归纳；分析需求用“问题 + 数据/信息 + 分析方法”，适合需要深度理解数据、发现模式或因果关系的场景，推理模型触发因果链推导与假设验证，通用模型做表层总结或分类；创造性需求用“主题 + 风格/约束 + 创新方向”，适合生成新颖内容，推理模型结合逻辑框架生成结构化创意，通用模型自由发散、依赖示例引导；验证需求用“结论/方案 + 验证方法 + 风险点”，适合检查逻辑自洽性、数据可靠性或方案可行性，推理模型自主设计验证路径并排查矛盾，通用模型做简单确认、缺乏深度推演；执行需求用“任务 + 步骤约束 + 输出格式”，适合完成具体操作如代码、计算、流程，推理模型自主优化步骤、兼顾效率与正确性，通用模型严格按指令执行、无自主优化。入门阶段不用背全，先记住“决策”和“执行”两种，覆盖你八成日常场景。

3.5 一个能直接照抄的提示语示例

拿决策需求举例，实战技巧是这样的：

为降低物流成本，现有两种方案： ① 自建区域仓库（初期投入高，长期成本低） ② 与第三方合作（按需付费，灵活性高） 请根据 ROI 计算模型，对比 5 年内的总成本并推荐最优选择。

这段提示语里，“目标”是降低物流成本，“选项”是两个方案，“评估标准”是 ROI 和 5 年总成本，三件套齐全，模型不需要猜。再看执行需求的例子：

将以下 C 语言代码转换为 Python，要求： ① 保持时间复杂度不变； ② 使用 numpy 优化数组操作； ③ 输出带时间测试案例的完整代码。

任务、步骤约束、输出格式都写明了，结果就稳定。新手可以先把这两个模板抄下来，换成自己的内容，练三五次就能找到感觉。注意，示例里的语言和格式要求是给你参考结构用的，实际使用时按你的真实需求替换。

4. 新手避坑：这五个坑我替你踩过了

4.1 现象：问什么都只回一句“好的，以下是……”；原因：提示语只有指令没有上下文；解决：补齐背景和期望

这是最常见的翻车现场。你输入“写个方案”，它回你一段放之四海而皆准的套话。原因很简单，提示语只有指令，缺少上下文和期望，模型只能按最通用的理解去生成。解决办法是每次提问前问自己三件事：这件事的背景是什么、给谁看、要多长什么格式。把这三样补进去，输出立刻具体。比如把“写个方案”改成“这是一份面向新员工的入职培训方案，公司规模 50 人，控制在 500 字以内，分三个部分”，差别肉眼可见。

4.2 现象：数学题算错、逻辑题绕圈；原因：用通用模型硬扛推理任务；解决：按任务类型选模型，数学和逻辑优先推理模型

很多人默认“模型越新越强”，拿通用模型去做数学证明，结果它跳过关键步骤，答案看着像那么回事，一验算就错。原因在于通用模型侧重语言生成和上下文理解，不强调深度推理。解决办法是按任务类型选模型，数学推导、逻辑分析、代码生成、复杂问题拆解优先用推理模型。如果你不确定当前用的是哪类，就看它是否会自动展开推理过程，会展开的通常是推理模型。选对模型，比反复改提示语省力得多。

4.3 现象：对推理模型写了一大段角色扮演，结果逻辑反而乱了；原因：启发式提示干扰了推理主线；解决：推理模型只给目标和约束，别替它拆步骤

这个坑很隐蔽。你出于好意，对推理模型说“假设你是一位资深工程师，先这样再那样”，结果它把精力花在扮演角色上，推理主线被打断。原因是对推理模型使用启发式提示可能干扰其逻辑主线。解决办法是推理模型只给目标和约束，比如“用 Python 实现快速排序，输出需包含注释”，别替它拆步骤。它自己会生成结构化推理过程，你强行拆解反而限制其能力。我第一次学的时候不信邪，试了三次才服气。

4.4 现象：通用模型给的复杂结论不敢用；原因：过度信任，没有分步验证；解决：把大问题拆成小问题，逐步追问并核对

通用模型在开放性问答上很灵活，但遇到需要严格逻辑链的任务，它可能跳过关键环节。如果你直接问一个复杂推理问题，得到的答案可能表面通顺、内里站不住。解决办法是把大问题拆成小问题，逐步追问，每一步都让它给出理由，你再核对。比如验证一个结论，先问“实验数据是否支持该结论”，再问“对照组设置是否存在偏差”，最后问“重新计算 p 值并判断显著性”。分步验证虽然多花几分钟，但能避免拿着错误结论去做决策。

4.5 现象：上传文件后它读不出重点；原因：文件格式或扫描质量影响文字提取；解决：先确认文字可读，再明确让它提取哪部分

DeepSeek 支持文件上传，能扫描读取各类文件及图片中的文字内容，但这不是万能的。如果扫描件模糊、排版混乱，提取出来的文字可能残缺，模型自然读不出重点。解决办法是先确认文件里的文字能被正常识别，再明确告诉它你要提取哪部分，比如“只提取第三页的表格数据”。另外，长文件建议分段处理，一次丢进去太多内容，重点容易被淹没。入门阶段，先用清晰的文本文件练手，熟悉了再挑战扫描件。

5. 第一步怎么迈：从在线试用到本地部署，再到下一步学什么

5.1 在线使用：零安装，打开就能练

对零基础新手来说，最省事的第一步是在线使用。DeepSeek 提供直接面向用户的在线对话入口，你不需要安装任何软件，打开网页就能开始。入门阶段建议按这个顺序练：第一天，用“摘要与改写”任务熟悉基本对话，拿一篇长文让它缩成要点；第二天，练“情感分析”，贴一段用户反馈让它判断正负面并给理由；第三天，试“代码解释”，找一段简单代码让它翻译成大白话。每天 20 分钟，三天下来你就摸清了它的脾气。注意，在线使用时把需求说清楚比反复重试更有效，别指望它读心。

5.2 本地部署：想离线用或做开发时的入门路径

如果你希望离线使用，或者后续想做开发集成，可以走本地部署路线。项目正文给出的路径是访问 Ollama 相关的中文站点获取本地部署方式，按页面指引下载安装即可。入门阶段不用一上来就折腾本地部署，先把在线版用熟，确认自己真的需要离线能力再动手。本地部署对电脑配置有一定要求，第一次装建议跟着页面上的步骤一步步来，别跳步。装好之后，先用一个简单任务验证，比如让它做一次文本摘要，确认模型能正常响应，再去试复杂任务。这一步的坑在于环境配置，遇到报错先看提示信息里的关键词，再对照页面说明排查，别急着重装。

5.3 下一步学什么：三条路径按需选

用熟基础功能之后，下一步学什么取决于你想往哪走。第一条路径是提示语设计进阶，重点练五种需求类型的表达公式，把决策、分析、创造性、验证、执行五类需求各写十个提示语，形成自己的模板库。第二条路径是模型选择与组合，搞清楚什么任务用推理模型、什么任务用通用模型，以及两者如何接力，比如先用通用模型发散创意，再用推理模型验证逻辑。第三条路径是场景落地，挑一个你工作或学习中的真实场景，比如周报生成、代码审查、资料整理，把整个流程跑通一遍。三条路径没有先后，按你的实际需求选。入门的话建议先走第一条，因为提示语是所有场景的地基。

5.4 一个具体技巧：建立自己的提示语模板库

最后给一个能立刻用上的技巧：建一个自己的提示语模板库。做法很简单，准备一个文本文件，按“决策、分析、创造性、验证、执行”五类分栏，每类下面放三到五个你验证过有效的提示语，标注适用场景和注意事项。每次遇到新任务，先翻模板库找最接近的，改一改再用，比从零想快得多。这个习惯我坚持了很久，最大的好处是避免重复踩坑，同一个错误不会犯第二次。从那以后我每次遇到新场景，都强制先翻一遍模板库再动手，效率高了不少。希望帮到你。

本文还有配套的精品资源，点击获取