用好deepseek等大模型的一些必备知识

一、基础使用原则

1. 自然表达优先
   直接描述需求即可，无需复杂指令或角色扮演（如“用学术语言分三点回答”），例如直接提问“如何用Python写计算器程序？”更高效。但需注意，部分场景下角色扮演（如“你现在是资深营养师”）仍可提升专业性。

2. 任务描述需具体明确
   避免模糊指令（如“写好看的故事”），应细化要求（如“写800字悬疑小说，主角是快递员，结局反转”），并提供格式、风格和字数限制。

3. 多轮对话优化结果
   若首次回答不完整，可通过追问补充细节（如“详细解释第二步”“换个更简单的说法”），无需一次性完美提示。

二、提示词核心技巧

4. 提供示例与上下文
   举例说明需求，例如要求生成数学题时，可给出类似“[GESP202412二级]数位和”的样例，并明确代码实现要求（如使用特定头文件和测试数据）。

5. 活用“魔法指令”
   使用快捷指令提升效率：

• /步骤：分步骤指导操作流程

• /简化：将复杂内容转为大白话

• /示例：生成实际案例（尤其代码场景）

• /续写：自动继续中断的回答。

6. 避免五类常见错误

• 笼统描述需求

• 忽略格式和字数限制

• 未提供参考案例

• 混淆AI与人类认知差异（如依赖常识）

• 未分阶段追问优化结果。

三、功能与模式选择

7. 模型版本适配场景

• 日常问答：优先使用基础模型（如DeepSeek 7B）。

• 复杂推理：切换到R1模型，其整合CoT（逐步推理）和Pro Search（情境感知搜索），擅长数学、编程和决策任务。

• 最新信息查询：开启联网功能，但需注意联网搜索与上传附件不可同时使用。

8. 专业输出模式
   勾选“深度思考”选项以增强逻辑严谨性，尤其在法律推理、工程问题等专业领域

四、技术特性与限制

9. 推理能力优势

   DeepSeek通过推理SFT（冷启动）和强化学习优化，在数学、代码、逻辑推理任务中表现突出，支持长上下文（128K tokens）和多模态理解

10. 开源与成本优势
    

        其开源版本（如DeepSeek-V3）训练成本低至280万GPU小时，企业可免费使用或部署蒸馏后的小模型（32B/70B），节省数百万授权费

五、高级功能与技巧

11. 角色扮演与记忆功能
    连续对话中模型会自动记忆前文设定，可通过角色指令（如“作为资深营养师”）定制输出风格。

12. 数据与安全合规
    涉及企业数据时需注意隐私保护，结合知识图谱和RAG技术可增强风控能力（如NabulaGraph+LLM方案）。

13. 本地部署与扩展
    支持本地部署（如DeepSeek-V3、R1模型），需掌握Python、API调用及PyTorch框架基础，B站提供保姆级教程

六、学习资源与路径

14. 系统学习建议

• 入门：从Prompt工程和本地部署教程入手（如B站3分钟部署指南）。

• 进阶：学习Transformer架构、微调技术（如DPO）及多模态应用（如JanusFlow框架）。

• 企业应用：参考《DeepSeek入门宝典》和《2025大模型白皮书》，掌握AI提效路径

注意事项

• 版本差异：不同模型变体（如DeepSeek-R1、V3）功能侧重不同，需根据任务选择。

• 输入限制：单次输入需控制字数，避免过长导致信息丢失。

• 伦理风险：输出内容需人工审核，尤其在法律、医疗等高风险领域。

    通过结合上述要点，可充分发挥DeepSeek在效率、推理和成本方面的优势，适应多样化场景需求。

手机扫描二维码访问