DeepSeek职场应用指南：从提示词模板到工作流实操

简介：这份PDF资料是清华大学DeepSeek系列讲座第二讲，共35页，面向希望将大模型落地于职场场景的技术人员、产品经理与管理者。内容围绕DeepSeek职场赋能框架展开，涵盖Organization、Innovator、Reasoner、Chatbot四类角色定位，并延伸至文化、科研、社会科学与艺术工业等场景应用。资料还梳理了团队在人机协同与人机共生方向的研究愿景、成员赛事成果，以及英伟达NIM、微软Azure、亚马逊AWS等平台部署方式，并对比V3、R1与联网搜索三种模式及RTGO、CO-STAR提示语框架。资源包为1个PDF文件，大小约9.57MB，结构紧凑便于通读。目前已有1470人学习下载，适合需要快速建立DeepSeek职场应用认知、参考提示语技巧与多场景案例的读者。

1. 从一份 35 页讲义说起：职场人到底该怎么用 DeepSeek

上周有个做运营的朋友找我，说他们部门搞了一次内部培训，发了一份 35 页的 DeepSeek 职场应用讲义，看完更懵了——满篇都是“提示词工程”“思维链”“角色设定”，但落到自己每天写周报、做竞品分析、整理会议纪要这些事上，还是不知道从哪下手。这不是个例。我见过太多人把 DeepSeek 当成“更聪明的搜索引擎”，问一句答一句，然后抱怨“也就那样”。问题不在模型，在于没搞懂它的能力边界和调用方式。这份讲义的标题点出了一个关键命题：DeepSeek 如何赋能职场应用。注意“赋能”这个词——它不是“替代”，也不是“自动完成”，而是把你的工作流拆开，找到那些重复、耗神、需要跨领域知识的环节，用模型的能力去补位。适合谁看？三类人：每天要处理大量文本的运营/行政/市场岗，需要快速理解陌生领域的技术/产品岗，以及带团队、要做决策但没时间深挖细节的管理者。接下来的内容，我会把这份讲义背后的技术逻辑拆成能直接抄作业的步骤，不讲虚的。

2. 先搞懂 DeepSeek 在职场场景里的能力边界

2.1 它擅长什么、不擅长什么

DeepSeek 这类大语言模型的核心能力是“基于上下文的模式补全和推理”。翻译成职场语言：给它足够的背景信息，它能帮你生成结构化的文本、做信息提取和归纳、模拟不同角色的对话、把散乱的数据整理成表格。但它不擅长三件事：第一，实时性任务——它不知道今天早上刚发生的新闻，除非你手动喂给它；第二，精确计算——涉及复杂数字运算时，它可能给出看起来合理但实际错误的结果；第三，需要外部系统交互的操作——它不能直接帮你发邮件、改 Excel、查数据库。

我一般会用一个简单的判断标准：如果这个任务的结果可以用“文本”承载，且不需要实时外部数据，那 DeepSeek 就能帮上忙。比如写周报、拟合同条款、做会议纪要摘要、生成竞品分析框架、翻译技术文档、给代码写注释——这些都在射程内。反过来，让它“帮我查一下今天股价然后决定买不买”，这就超纲了。

2.2 职场高频场景的优先级排序

不是所有场景都值得用 DeepSeek。根据我自己的使用经验和带团队的经验，投入产出比最高的场景排个序：

这个排序的逻辑是：越靠近“纯文本处理”且“输入信息越完整”的任务，DeepSeek 的表现越稳定。反过来，需要多轮交互、外部工具配合的任务，虽然也能做，但搭建工作流的成本更高，适合已经熟悉基础用法的同学再往上走。

2.3 一个最小可用的调用框架

不管你用什么平台调用 DeepSeek，核心框架就四步：给角色、给背景、给任务、给格式。我把它叫做“四件套提示法”。很多人只给任务，比如“帮我写个周报”，模型只能瞎编。正确的做法是：

# 四件套提示法的结构化表达（以 Python 字典模拟） prompt_template = { "role": "你是一位有 5 年经验的互联网运营专员，擅长用数据驱动的方式总结工作", "context": """ 本周工作内容： 1. 完成了 3 场用户访谈，累计访谈 12 位用户，提炼出 5 个核心痛点 2. 上线了 A/B 测试，实验组转化率提升 8.3%，对照组提升 2.1% 3. 与产品团队对齐了下季度路线图，确定了 3 个优先功能 下周计划： 1. 输出用户访谈报告 2. 扩大 A/B 测试样本量 """, "task": "请根据以上信息，生成一份周报，包含本周成果、数据亮点、下周计划三个部分", "format": "用 Markdown 格式，每个部分用二级标题，数据亮点部分用表格呈现" }

这段代码不是让你真的去写 Python，而是展示“四件套”的结构。role 决定语气和专业度，context 决定内容质量，task 决定方向，format 决定输出是否可直接用。缺了 context，模型就会编；缺了 format，你还要手动调格式。我自己的习惯是，context 部分至少写 3-5 行，把关键数字、人名（用代称）、时间节点都放进去。

3. 把 DeepSeek 接进日常工作流的四个实操步骤

3.1 第一步：建立你的“提示词模板库”

不要每次从零写提示词。职场场景高度重复，建一个模板库，用的时候改几个变量就行。我自己的模板库分三类：汇报类（周报、月报、项目复盘）、沟通类（邮件、通知、跨部门协作请求）、分析类（竞品分析、用户反馈归纳、数据解读）。

以周报模板为例，我把它存成一个文本文件，用占位符标记需要替换的部分：

# 周报生成模板 v3 角色：你是一位[岗位名称]，负责[业务范围]，直接向[汇报对象]汇报。 背景： - 本周核心目标：[目标1]、[目标2] - 实际完成情况：[完成情况描述] - 关键数据：[数据1]、[数据2]、[数据3] - 遇到的问题：[问题描述] - 下周重点：[下周计划] 任务：生成一份周报，要求： 1. 本周成果部分用“完成度+具体产出+数据支撑”的结构 2. 问题部分用“现象+原因+已采取行动”的结构 3. 下周计划部分按优先级排序，标注预期完成时间 格式：Markdown，总字数控制在 500 字以内

用的时候，把方括号里的内容替换掉，直接丢给 DeepSeek。这个模板我迭代了 7 个版本，最大的改动是加了“问题部分用现象+原因+行动的结构”——之前模型总是把问题一笔带过，加上这个约束后，输出的周报直接能发给领导。

3.2 第二步：会议纪要的“三段式”处理法

会议纪要是职场最高频的文本任务之一。我的做法是分三段处理：会前给议程，会中记关键词，会后用 DeepSeek 整理。

会前，把会议议程丢给 DeepSeek，让它生成一个“预期输出清单”：

任务：根据以下会议议程，列出本次会议应该产出的决策项和行动项清单。 议程： 1. Q3 目标复盘 2. 新功能优先级讨论 3. 跨部门协作流程优化 要求：每个议程项下列出 2-3 个可能的产出，用“决策：xxx”或“行动：xxx”的格式。

会中，我只记关键词和关键数字，不记完整句子。会后，把关键词、议程、预期输出清单一起丢给 DeepSeek：

角色：你是一位专业的会议记录员。 背景： - 会议议程：[粘贴议程] - 预期输出清单：[粘贴会前生成的清单] - 会议关键词记录：[粘贴你的速记内容] 任务：生成正式会议纪要，包含： 1. 会议基本信息（时间、参与人、议题） 2. 各议题讨论要点（每个议题 3-5 条） 3. 决策事项（明确标注“已决策”） 4. 行动项（包含负责人、截止时间、交付物） 格式：Markdown 表格 + 列表混合

这个方法的效率提升非常明显。以前整理一次 1 小时的会议纪要要 40 分钟，现在 10 分钟以内搞定。关键是会前的“预期输出清单”这一步——它让模型知道该重点提取什么，而不是泛泛地总结。

3.3 第三步：竞品分析的“信息投喂+框架生成”

竞品分析是很多职场人的痛点：信息散落在各处，整理起来耗时，分析框架又容易漏维度。我的做法是分两步：先让 DeepSeek 生成分析框架，再投喂信息让它填充。

第一步，生成框架：

角色：你是一位资深市场分析师。 任务：针对[产品品类]领域，生成一份竞品分析框架。 要求： 1. 包含 5-7 个分析维度 2. 每个维度下列出 3-5 个具体指标 3. 标注哪些指标需要定量数据，哪些可以定性描述 格式：Markdown 表格，列为“分析维度 | 具体指标 | 数据类型 | 信息来源建议”

第二步，投喂信息。把你从官网、财报、用户评论里摘出来的信息，按框架的维度整理好，一起丢给 DeepSeek：

背景：以下是我整理的[竞品A]和[竞品B]的信息： [按维度粘贴信息] 任务：根据以上信息，生成竞品对比分析，要求： 1. 每个维度给出对比结论 2. 标注信息缺口（哪些维度信息不足） 3. 给出 3 条差异化建议 格式：Markdown，结论部分用加粗标注

这里的关键是“标注信息缺口”——模型会告诉你哪些地方你没喂够信息，这比它直接编一个结论要有用得多。我一般会把这个缺口清单作为下一轮信息收集的指引。

3.4 第四步：用“追问链”把模糊需求变具体

很多时候，你自己也没想清楚要什么。比如领导说“做个用户增长方案”，你直接问 DeepSeek，它给的东西大概率很泛。我的做法是用“追问链”：先让模型帮你把问题拆开，再逐个击破。

第一轮追问：

任务：我要做一份用户增长方案，但不确定应该包含哪些部分。请帮我列出 5 个关键问题，回答这些问题就能形成一份完整的方案。

模型会给出类似“目标用户是谁”“当前增长瓶颈在哪”“可用渠道有哪些”“预算和资源”“衡量指标”这样的问题。然后你逐个回答，把答案作为下一轮的输入：

背景：根据上一轮的问题，我的回答如下： 1. 目标用户：[你的回答] 2. 增长瓶颈：[你的回答] ... 任务：根据以上信息，生成用户增长方案框架，包含策略、执行步骤、预期效果、风险点。

这个方法的好处是，它逼你把模糊需求变具体。我带的实习生用这个方法，第一次交上来的方案框架就有模有样，比之前直接让模型“写个方案”出来的东西强太多。

4. 避坑指南：用 DeepSeek 做职场输出时最容易翻车的五个地方

4.1 坑一：把模型当搜索引擎，问实时性问题

现象：问“今天有什么热点可以追”，模型给出一堆过时信息，或者直接说“我无法获取实时信息”。

原因：DeepSeek 的训练数据有截止日期，它不知道之后发生的事情。这不是 bug，是这类模型的工作方式。

解决：实时信息你自己查，查完之后把关键内容粘贴给模型，让它基于你给的信息做分析。比如“以下是今天的热点列表：[粘贴内容]，请帮我筛选出与[我的业务]相关的 3 个热点，并给出结合建议”。

4.2 坑二：上下文给太少，输出全是“正确的废话”

现象：让模型写个方案，它输出“要加强用户调研、优化产品体验、提升品牌影响力”这种放之四海而皆准的话。

原因：你给的信息太少，模型只能从训练数据里找“最大公约数”式的表达。

解决：context 部分至少写 3-5 行具体信息，包含数字、时间、人名（代称）、具体问题。我自己的经验是，context 的字数应该是 task 的 3 倍以上。比如 task 是“写个周报”，context 就要写清楚本周做了什么、数据如何、遇到什么问题。

4.3 坑三：不指定格式，拿到结果还要手动调

现象：模型输出一大段文字，你还要自己分段、加标题、调成表格。

原因：你没有在提示词里指定输出格式。

解决：在提示词最后加一句“格式要求”，明确说用 Markdown、用表格、用列表、字数限制。比如“用 Markdown 格式，包含二级标题和表格，总字数不超过 800 字”。这个习惯能帮你省掉大量后期调整的时间。

4.4 坑四：一次让模型做太多事，结果每件都做不好

现象：一个提示词里让模型“分析数据、写报告、生成 PPT 大纲、翻译成英文”，结果每部分都很粗糙。

原因：模型的注意力有限，任务太多会分散。

解决：拆成多轮。第一轮做分析，第二轮基于分析写报告，第三轮基于报告生成大纲。每轮只做一件事，但每轮都把上一轮的输出作为输入。这样虽然交互次数多了，但每步的质量都可控。

4.5 坑五：不校对就直接用，数据错误没发现

现象：模型生成的报告里，数字加总不对、百分比算错、引用的信息张冠李戴。

原因：模型在做数学运算和事实核查时并不可靠，它是在“生成看起来合理的文本”，不是在“计算”。

解决：所有涉及数字的地方，自己用计算器验一遍。所有涉及事实的地方，自己查一遍。我一般会把模型输出里的数字全部标黄，逐个核对。这个习惯救过我好几次——有一次模型把“转化率提升 8.3%”写成了“提升 83%”，差点闹笑话。

5. 进阶技巧：用“角色链”和“格式锚点”把输出质量再拉高一档

前面讲的都是基础操作，如果你已经用顺了，可以试试两个进阶技巧。第一个叫“角色链”：不要只给一个角色，而是给一串角色，让模型依次扮演。比如做竞品分析时，先让它扮演“市场分析师”生成框架，再扮演“数据专员”填充数据，最后扮演“战略顾问”给出建议。每个角色的提示词单独写，上一轮的输出作为下一轮的输入。这样做的好处是，每个环节的视角不同，输出会更立体。我试过用单角色和角色链做同一份分析，角色链的输出在“建议”部分的深度明显更好。

第二个叫“格式锚点”：在提示词里给一个具体的输出样例，让模型照着这个样例的格式来。比如你要生成会议纪要，可以先给一个你之前写过的纪要片段作为样例，然后说“请按照以上样例的格式，生成新的会议纪要”。模型对格式的模仿能力很强，给一个锚点比用文字描述格式要有效得多。我一般会准备 3-5 个常用格式的锚点样例，存在模板库里，用的时候直接粘贴。

最后说一个我自己的习惯：每次用 DeepSeek 处理完一个任务，我会花 2 分钟把这次用的提示词存下来，标注场景和效果。攒了三个月之后，我有了一个 40 多条提示词的库，覆盖了 80% 的日常工作场景。现在遇到新任务，先翻库找相近的模板，改几个变量就能用。这个习惯的回报率极高——前期花 2 分钟，后期省 20 分钟。希望帮到你。

本文还有配套的精品资源，点击获取