简介：这是一份围绕北京大学相关团队 DeepSeek 提示词工程与产业应用的讲座整理资料，面向程序员、教师、科研人员、管理者等希望借助自然语言交互优化工作流程的从业者，无需专业技术背景即可学习。资源为单个PDF文件，大小18.66MB，目前已有311人学习。内容从DeepSeek-R1的推理能力突破、开源与低成本优势切入，系统梳理官方网页/API、第三方通道、本地私有化部署等直接使用方式，并结合公文写作、教学设计、数据分析、编程开发等真实场景示范提示词技巧，专门纠正市场对R1提示词的常见误读。文档还包含模型选择、部署建议及配套学习资源，帮助读者将专家思维转化为高质量提示词，切实提升学习和工作中的AI协作效率。
1. DeepSeek-R1 凭什么火：把思考过程摊开给你看这件事改变了提示词规则
我第一次用完 DeepSeek-R1 的深度思考模式，第一反应不是“回答真准”，而是“它居然把推理过程一行行列给我看”。这种把模型思考过程可视化的设计，在全球大模型里是头一份，直接让我从“黑匣子调用”切换到“可观测的推理协作”。加上全量开源、训练成本仅约 557 万美元、推理成本比同类降低约 83%，它迅速成了提示词工程爱好者绕不开的样本。但重点在于：因为它是推理模型，你在 GPT 时代养成的提示词习惯几乎要全部推翻。这篇笔记就围绕“推理模型的提示词工程与产业落地”来拆，适合想把 DeepSeek 用进日常办公、教学、报表、代码场景，又不想被误导性教程带偏的人。
2. 直接使用 DeepSeek 的三种方法：官方入口、第三方通道与私有化部署的取舍
2.1 官方网页与 App：零门槛体验完整推理能力
如果只是想验证提示词效果，官方渠道是首选。网页版地址是 chat.deepseek.com，API 平台在 platform.deepseek.com，手机端在 iOS 和安卓应用商店直接搜 DeepSeek 即可。这个渠道的好处是“开袋即食”，不需要处理任何部署参数，模型始终是最新版本，深度思考模式默认开启。我一般会在两种场景下走官方入口：一是测试新提示词模板，因为官方通道的模型版本最稳定，排除了第三方渠道版本滞后带来的干扰；二是给非技术背景的同事做演示，打开网页就能看到思考过程，讲解成本最低。
需要注意的是，官方网页版的上下文长度和第三方 API 不完全一致。根据 DeepSeek 公开的模型卡信息，DeepSeek-R1 在生成时会先输出一段完整的内部推理过程，再给出最终答案。如果你在做提示词调试，看到思考过程和最终回答不一致，先别急着判定模型“精分”——这正是推理模型的设计逻辑：思考过程展示的是候选路径，最终回答是收敛后的结果。
2.2 第三方通道：解决访问不稳定与场景化需求
第三方通道是很多人忽略的高性价比选项。讲座材料里提到了硅基流动（SiliconFlow）、阿里百炼（Bailian）、火山引擎（Volcengine Ark）、国家超算平台等多个渠道。以硅基流动为例，它提供网页版和 API 两种接入方式，注册后能直接调用 DeepSeek-R1 的蒸馏版本或满血版本，而且国内访问延迟比直连海外服务低得多。如果你在开发 AI 应用时需要把 DeepSeek 嵌入到自己的系统里，走第三方 API 是比官方 API 更灵活的选择——有些平台会提供模型路由、负载均衡、用量统计等额外功能。
但第三方通道有个隐藏成本：不同平台的模型版本和上下文长度可能不同。比如某些平台提供的是 DeepSeek-R1-Distill-Qwen-7B 蒸馏版，能力比满血版弱，但响应速度快很多。选型时要先问清楚平台提供的是哪个版本，别等上线了才发现“同一个提示词在两个平台输出质量差一大截”。
2.3 私有化部署：Ollama 与 vLLM 的选型边界
私有化部署是三種方式里技术门槛最高的，但也是数据敏感场景的刚需。讲座材料给出的部署路径很清晰：个人本地部署推荐 Ollama，适合量化蒸馏模型；生产环境推荐 vLLM，精度可控，更适合垂直领域私有化。这里我展开说一下参数选择的逻辑。
先用 Ollama 跑一个 7B 蒸馏模型做体验：
# 拉取 DeepSeek-R1 蒸馏 Qwen 7B 模型（约 4.7GB 量化后） ollama pull deepseek-r1:7b # 启动模型并进入交互模式 ollama run deepseek-r1:7b这段命令背后的逻辑是：7B 蒸馏模型是 DeepSeek-R1 全家桶里“性价比最均衡”的一档。1.5B 模型跑起来飞快但推理质量明显下降，70B 模型质量接近满血但需要至少 48GB 显存。Ollama 默认使用 4bit 量化，显存占用大约 5GB，一张消费级显卡就能跑。如果你只有 MacBook 的 M 系列芯片，也能通过 Metal 加速跑 7B，速度虽然比不上 NVIDIA 显卡，但做提示词验证完全够用。
如果是生产环境，我建议直接上 vLLM：
# 安装 vLLM pip install vllm # 启动 OpenAI 兼容的 API 服务（以 32B 蒸馏模型为例） python -m vllm.entrypoints.openai.api_server \ --model deepseek-ai/DeepSeek-R1-Distill-Qwen-32B \ --tensor-parallel-size 2 \ --max-model-len 8192 \ --gpu-memory-utilization 0.9这里的关键参数是--tensor-parallel-size：如果显存不足以装下整个模型，就用多卡并行，设置为显卡数量。--gpu-memory-utilization 0.9表示允许占满 90% 显存，剩下 10% 留给推理过程中的临时张量。--max-model-len 8192是上下文窗口长度，提示词加历史对话的总 token 数超过这个值会被截断。生产环境里我最常用的配置是 32B 模型 + 2 张 A100（80GB），延迟在 1.5 秒左右，吞吐量能满足大部分企业内部工具的需求。
部署层有一个容易忽略的点：DeepSeek-R1 是推理模型，它对首字延迟（TTFT）的要求比传统生成模型更敏感。因为模型在生成第一个 token 之前要跑一段“思考”过程，这个思考过程的 token 数会直接影响 TTFT。如果你用蒸馏小模型部署 API，建议把--max-model-len调小一些，避免长提示词导致思考过程过长、用户等待时间超标。
3. 提示词技巧的核心变化：推理模型不需要“角色扮演”，需要“真诚+直接”
3.1 为什么传统提示词套路在 DeepSeek-R1 上失效
很多人的第一反应是把 ChatGPT 那套提示词模板搬过来——设定角色、给示例、分步骤要求。这套方法在 GPT-4 这类生成模型上好使，但在 DeepSeek-R1 上效果反而变差。原因在于 R1 本身是推理模型，它在训练阶段就已经把“如何一步步思考”内化了，你不需要再给它 few-shot 示例教它怎么推理，它需要的是清晰的指令边界和真实的任务信息。
讲座材料里的例子非常典型。同样的任务——把调研报告改写成周报——在传统模型上要写一大段角色设定和格式要求，但在 DeepSeek-R1 上只需要这样：
帮我把这份报告包装一下，我要写成周报给分析师老板看，老板很看重数据。 这里有一份调研报告总结，需要写成周报，请按周报的格式帮我完成并进行润色，不少于500字。这个提示词的效果好，是因为它包含了三个关键要素：任务（改写报告为周报）、受众（分析师背景的老板）、隐式约束（看重数据，所以要突出数据）。模型自动在思考过程中补充了“周报结构是什么”“老板关注什么指标”“怎么把调研结论转成汇报口径”这些推理步骤。
对比之下，传统提示词的“你现在是一个资深分析师……”这类开场白在推理模型上反而会干扰判断——模型在思考过程中会纠结“资深分析师的语气是什么”，而不是专注于“这份报告的核心结论是什么”。
3.2 通用公式：做+给用+效果+担心
讲座材料给出了一个四段式公式，我拆给你看：
我要【做什么】，要给【谁用】，希望达到【什么效果】，但我担心【什么问题】。以材料里的日本旅游攻略为例：
我要做一个从北京到日本的旅游攻略，要给爸妈用， 希望让他们在日本开心地玩20天，但我担心他们玩得累，腿和腰不太好。注意 DeepSeek 的输出里不只是行程表，它还自动考虑了“每日步行不超过5000步”“景点之间优先选出租车或包车”“每两天安排半天休息”这些约束条件。这就是“担心”参数的价值——它给推理模型提供了一个负面约束条件，让模型在生成方案时主动规避风险。
我在实际使用中会在这个公式上再加两个可选参数：格式要求和背景信息。比如：
我要做一个新能源汽车市场分析报告，要给CEO用，希望用一页PPT讲清楚竞争格局， 但我担心信息太杂没有重点。背景：公司正在考虑是否进入15万以下价位段。 请输出PPT大纲，按市场现状、竞品分析、进入策略三段式结构组织。这里的“背景”参数能让模型从“泛泛分析”收敛到“基于公司战略的分析”，输出内容和你的业务直接挂钩，而不是一篇通用的行业报告。
3.3 深度思考模式的正确打开方式：把思考过程当调试窗口
DeepSeek-R1 的深度思考模式把模型内部的推理路径可视化，这不是给你看的“表演”，而是提示词优化的重要反馈信号。我在调试提示词时有一个固定习惯：先看思考过程中模型理解了什么，再看最终回答。如果思考过程里模型频繁出现“用户可能指的是……”“换个角度理解……”，说明提示词存在歧义；如果思考过程简短且直接，说明提示词清晰。
一个具体的调试案例。我最初写提示词时习惯用“请帮我分析一下”开头，但发现 DeepSeek 的思考过程经常反问“分析的具体维度是什么”。改成“请从成本、效率、风险三个维度分析”之后，思考过程瞬间收敛到三个维度展开推导。这就是推理模型的特性：它是“先思考再回答”，所以提示词里写清楚思考的边界条件，比写清楚格式要求更重要。
3.4 提示词长度与上下文窗口的平衡
推理模型的提示词不是越长越好。DeepSeek-R1 的上下文窗口是 64K token（官方 API），看起来很大，但思考过程本身会消耗大量 token。我实测过，一个 2000 字的提示词 + 5000 字的参考材料，DeepSeek 的思考过程可能长达 3000 token，最终回答 1000 token，合计消耗约 11000 token。如果提示词里堆了大量无关背景，模型会在思考过程中反复权衡哪些信息有用，既浪费 token 又拖慢响应时间。
我的经验是：提示词控制在 500 字以内，参考材料单独贴，用分隔符标注。比如：
以下为参考材料，仅在需要引用数据时使用： 【材料开始】 …… 【材料结束】 基于上述材料，回答以下问题：……4. 提示词在真实场景里的应用：公文写作、教学设计与数据分析的提示词拆解
4.1 公文写作：把“格式化”交给模型，把“立场”留给自己
公文写作是 DeepSeek-R1 最容易见效的场景之一。难点不在于语言组织，而在于文种规范、语气尺度和政策依据的把握。R1 的推理能力在“拆解文种结构”上表现突出，你只需要把材料要点给它，它能自动推理出“通知/报告/请示”的格式差异。
举一个实际例子。假设你要写一份项目延期说明，传统做法是自己套模板，但 DeepSeek 能帮你从“延期原因→影响评估→应对措施→后续计划”四个层面组织：
我要写一份项目延期的情况说明，要给公司管理层用， 希望语气诚恳但客观，不推卸责任，但我担心写得像在找借口。 项目情况：XX系统原定3月上线，因第三方接口调试延迟2周，目前已完成80%。 请按“延期原因、影响评估、应对措施、后续计划”四段式输出。这个提示词的巧妙之处在于“担心写得像在找借口”这个负面约束。DeepSeek 在推理过程中会刻意避免“由于”、“因为”等推责措辞，改用“受……影响”“经协调后”等中性表达。如果你直接把初稿给领导，大概率会被打回重写；但用 R1 生成一个“零推责语气”的底稿，再自己调整立场表述，效率翻倍。
4.2 教学设计：用推理模型生成“可执行”的教案而非“正确”的教案
教师群体是 DeepSeek 的高频用户，但很多人的提示词还停留在“帮我写一份教案”这种粗糙指令上。R1 的优势在于能推理出“教学对象认知水平”和“教学目标之间的逻辑关系”，所以提示词要聚焦“教学对象特征”和“课堂约束条件”。
我要设计一堂45分钟的初中物理课，主题是“浮力”，给八年级学生用， 希望学生能理解浮力公式并完成实验操作，但我担心学生觉得公式枯燥。 请输出教案，包含课堂引入、知识点讲解、实验设计、互动提问、课后作业五个环节， 实验部分需要说明器材和步骤。DeepSeek 输出的教案里，实验设计部分会具体到“弹簧测力计、量筒、石块、盐水”，互动提问会设计“为什么轮船是铁做的却能浮在水上”这种生活化问题。这说明推理模型在接收到“担心枯燥”这个约束后，在思考过程中主动检索了“物理教学生活化”的策略。
4.3 数据分析：让模型生成分析框架，而不是替你算数
数据分析场景里，DeepSeek-R1 更适合做“分析框架生成器”，而不是“计算器”。因为 R1 的数学推理能力虽然强，但直接让它计算具体数值容易翻车，尤其是在数据量大、口径不清晰时。我的用法是让 R1 先设计分析维度，再用 Python 或 Excel 去执行计算。
我有一份门店销售数据，包含日期、门店、品类、销售额、客流量五个字段。 我要做一份月度经营分析报告，给区域经理用， 希望找出各门店的增长点和问题，但我担心指标太多导致分析失焦。 请给出分析框架，包括核心指标、对比维度、异常预警规则。DeepSeek 输出的框架通常包含：同比环比增长率、坪效人效、品类结构占比、周末/工作日销售差异、TOP3 和 BOTTOM3 门店清单。这个框架的价值在于它把“经营分析的通用套路”推理出来了，你再针对自己的业务做调整。
5. 避坑指南：提示词工程的五个常见误区与排查方法
5.1 误区一：给推理模型强加“角色设定”，输出反而变油腻
现象：提示词写了“你现在是一个拥有20年经验的营销专家”，结果 DeepSeek 的回答充满了空泛的行业黑话，结论反而没有“不带角色”时具体。
原因：推理模型已经在训练阶段内化了通用专业知识，外部强加的角色描述会干扰模型对任务本身的理解。它会在思考过程中纠结“营销专家会怎么说话”，而不是“这个活动的具体问题是什么”。
解决：去掉角色设定，直接描述任务、受众和约束条件。把“你是营销专家”换成“我要做一次针对Z世代的咖啡品牌推广，希望突出性价比，但避免显得廉价”。
5.2 误区二：把 DeepSeek 当搜索引擎用，提示词写成关键词堆砌
现象：有人直接在 DeepSeek 里输入“新能源汽车 2025 销量 比亚迪 特斯拉”，期望它给出数据对比表格，结果模型给了一篇流水账式叙述。
原因：DeepSeek-R1 是推理模型，不是检索模型。它擅长“基于已知信息做推理”，但不擅长“从互联网实时抓取最新数据”。
解决：把关键词扩展成完整任务描述。更关键的是，如果需要最新数据，应该先自己查好再贴给模型，让 DeepSeek 做“分析和对比”而非“搜索和罗列”。
5.3 误区三：一个提示词想同时完成多个任务，推理过程混乱
现象：提示词里同时要求“总结这份报告、给出行动建议、做一页PPT大纲、写出邮件回复”，DeepSeek 的输出经常是“报告总结不完整、PPT大纲只有标题、邮件语气不对”。
原因：推理模型的“深度思考模式”在收到复杂任务时，会试图同时满足所有需求，导致注意力分散。思考过程里会出现“这个任务需要分几步完成”的纠结，而不是专注于每一步的执行质量。
解决：把多任务拆成多次对话。先让它总结报告，再基于总结输出行动建议，最后在单独会话中生成 PPT 大纲。每一步的输入是上一步的输出，这样模型能专注在单一任务上，质量明显提升。
5.4 误区四：直接使用网页版进行批量 API 调用，触发限流
现象：用网页版手动复制粘贴跑 50 条提示词，跑到第 20 条左右开始出现“服务器繁忙”或“请稍后再试”。
原因：官方网页版对大流量有隐式限流策略，尤其是频繁提交问题会被临时封禁 IP。网页版是为“人机交互”设计，不是为“批量任务”设计。
解决：批量任务切换到 API 通道。DeepSeek 的 API 按 token 计费，价格远低于网页版的隐性成本。注册 platform.deepseek.com 获取 API key，用 Python 脚本批量请求：
from openai import OpenAI client = OpenAI( api_key="你的API_KEY", base_url="https://api.deepseek.com" ) response = client.chat.completions.create( model="deepseek-reasoner", messages=[ {"role": "system", "content": "你是周报生成助手，输出格式为三段式：业绩回顾、问题分析、下周计划。"}, {"role": "user", "content": "以下是本周工作记录：……"} ], temperature=0.7, max_tokens=1024, stream=False ) print(response.choices[0].message.content)注意model参数用deepseek-reasoner，这是 DeepSeek-R1 的 API 模型标识。如果传成deepseek-chat，调用的是 V3 生成模型，推理能力完全不同。temperature=0.7是我在公文场景里测试出“创造力与准确性均衡”的值，如果做数据清洗或格式转换，建议调到 0.2 以下。
5.5 误区五：用蒸馏小模型跑复杂推理任务，效果和满血版差距巨大
现象：本地部署了 DeepSeek-R1-Distill-Qwen-1.5B，跑“分析这份财报的风险点”，结果回答空洞，甚至出现事实错误。
原因：蒸馏模型是“能力压缩”的产物。7B 以下模型保留了基本对话能力，但复杂推理、多步逻辑、长文本理解能力衰减严重。1.5B 模型适合做文本分类、关键词提取、格式转换这类“浅层任务”，不适合做“深度推理任务”。
解决：按任务复杂度匹配模型规模。简单任务用 1.5B 或 7B，追求速度和成本；复杂推理任务必须用 32B 以上或直接调用官方 API。
6. 提示词调试方法论：用“追问法”验证模型是否真的理解了你的意图
最后分享一个我一直在用的调试习惯。每次拿到 DeepSeek-R1 的输出，我不会直接验收，而是追问三个问题：它为什么这么答？它漏了哪些约束条件？如果换一种问法，答案会不同吗？
具体操作上，我会在提示词后面额外加一条指令：
在回答完上述问题后，请额外说明：你对任务的理解是什么？你做了哪些关键假设？这个“追问”能让模型把思考过程中的关键假设显式输出。我曾经用它发现一个隐藏问题：让 DeepSeek 分析“北京奶茶市场进入策略”时，它默认假设了目标客群是 20-30 岁女性，但实际上品牌定位是“中老年健康茶饮”。追问以后，模型在思考过程中补了一条“目标客群需与品牌定位匹配，本报告最初未确认该信息”，我才意识到自己的提示词漏了最关键的定位信息。
从那以后，我每次用 DeepSeek 做重要任务，都会强制在提示词里加“请说明你的关键假设和我可能忽略的信息”，把模型的隐性推理变成显性反馈。这个习惯帮我避开了大量“答案看着对、实际上方向错了”的坑。希望帮到你。
本文还有配套的精品资源，点击获取
