简介：《DeepSeek从入门到精通》是清华大学新闻与传播学院新媒体研究中心元宇宙文化实验室推出的103页PDF讲义，面向希望系统掌握DeepSeek的初学者与进阶使用者，围绕“是什么、能做什么、怎么用、如何用得更出彩”展开。内容覆盖智能对话、文本生成、语义理解、计算推理、代码生成与补全等应用场景，并延伸到长文本摘要、多语言翻译、情感分析、知识推理、代码调试与API文档生成等具体任务。讲义还重点比较推理模型与通用模型的优势边界，讲解快思考与慢思考、链式思维、提示语设计及任务匹配策略，帮助读者按数学推导、创意写作、代码生成等不同任务选择模型并优化提问方式。包内为1个PDF文件，约5.01MB，共103页，结构完整、便于通读与检索。已有363人学习，适合高校师生、AI应用开发者及希望提升DeepSeek实操效率的职场读者参考。

1. 先弄明白一件事：DeepSeek 到底是个什么工具

你多半是在某个群里第一次见到这个词的：有人发了一句「这个我让 DeepSeek 弄的」，配一张整理得挺整齐的表格。于是你打开搜索框，看到「大模型」「推理」「开源」一堆词，越看越不敢动手。先把话说白：DeepSeek 就是一个用中文跟它对话、它能替你干活的人工智能工具，网页打开、登录、把问题打进去，三步就完事。

它背后是一类叫大模型的东西，走通用人工智能方向，其中 DeepSeek-R1 是开源的推理模型，数学、逻辑、写代码这种「得想清楚才能答」的活儿它比较拿手，而且可以免费商用。这份 103 页的讲义，走的就是 DeepSeek 从入门到能自己拆任务的路子。写材料的、做汇报的、想碰点代码又怕学不会的新手，都能跟着走。

2. 为什么零基础也值得学：文本生成、语义理解、代码补全这三件事

很多人对人工智能的印象还停在「高科技公司实验室里的东西」，觉得自己一个文科生、一个做行政的、一个跑业务的，跟它没关系。真正上手以后你会发现，它最先替你省掉的不是「高深工作」，而是那些你天天在干、干着烦、又不得不干的杂活：写一段开头、把一堆会议记录压成三条要点、把一段报错信息翻译成人话。

这一章不讲原理，只讲三件最常用的活儿分别是什么、为什么值得学、第一次怎么用。看完你应该能判断：我手上哪件事，今天就可以丢给它试试。

2.1 文本生成：写不出来的时候，先要一个能改的草稿

先说最常见的一件：文本生成。写文章、写故事、写诗、写营销文案和广告语、写社交媒体推文、设计剧本或对话，这些都算。另外还有一大类是「改造已有文本」：长文本摘要（论文、报告）、文本简化（把复杂的说简单）、多语言翻译与本地化，以及生成表格、列表这种结构化内容，比如排一份日程、列一份菜谱。

为什么值得学？因为新手最卡的一步从来不是「改」，而是「从零开始写第一句」。空白文档盯半小时，一个字没有；有了一个虽然平庸但完整的草稿，你的脑子立刻就活了，知道哪里要删、哪里要加、哪里语气不对。这就是它最朴素的价值：把「从 0 到 1」变成「从 0.6 到 1」，难度差着一大截。我第一次用它写周报，本来打算磨一小时的活儿，十五分钟就交了。

怎么用？把要求说具体一点就行，别只说「帮我写个文案」。看这个例子，你可以直接照着改：

帮我写一段 150 字以内的产品介绍文案，发在朋友圈。 产品：一款给上班族用的午睡颈枕，可折叠，收起来只有手掌大。 语气：轻松、口语化，不要用「匠心」「臻选」这类词。 要求：开头用一句让人有共鸣的场景，结尾带一个行动提示。

这段里其实已经藏着入门最重要的两个习惯：给背景（产品是什么、发给谁看）、给边界（字数、语气、不要什么词）。你越像交代同事那样交代它，它交回来的东西就越像样。反过来说，如果你只说「帮我写个颈枕文案」，它大概率给你一段四平八稳、放之四海皆可的废话，你还得重写，白折腾。

再补一句：文本生成这件事，通用型模型通常比推理型更合适，因为写东西要的是发散和语感，不是严密推导。这个分工在第四章会讲透，你现在只要记住「写文案别硬用最费脑的模式」就够了。

2.2 语义理解：把一屋子的话压成一页结论

第二类活儿叫自然语言理解与分析。翻译成人话就是：把一大段文字里真正有用的东西挖出来。它涵盖的面很宽——语义分析和语义解析（这句话到底在说什么）、情感分析（一条用户评论是夸还是骂、有多大火气）、意图识别（客服对话里这个人到底想办什么事）、实体提取（一段话里的人名、地点、时间、事件分别是什么）、知识推理和逻辑问题解答（数学题、常识推理）、文本分类和主题标签生成（给新闻打上分类标签）、因果分析（这两件事有没有关联）、垃圾内容检测。

为什么值得学？因为绝大多数人的工作里，「读」比「写」更耗人。一百条用户反馈、四十页调研报告、三小时的会议录音转出来的文字稿，你要做的是从中提炼出「到底有哪几类问题、哪类最多」。这种活儿人做起来又慢又容易漏，而且做久了会烦，一烦就开始糊弄。交给它做第一遍粗筛，你只负责复核和拍板，效率完全是两个量级。

怎么用？关键在于「给它材料」和「告诉它输出成什么形状」。比如你手上有二十条用户留言，可以这样问：

下面是我整理的 20 条用户留言。请你： 1. 按「功能缺失 / 价格疑虑 / 使用不顺 / 表扬」四类归类，每类给条数； 2. 每类下面摘 2 条最有代表性的原话，一字不改地引用； 3. 最后指出哪一类最值得优先处理，并说明依据。 如果某条留言无法归入这四类，单独列在「其他」里，不要硬塞。

注意最后那句「不要硬塞」。新手最容易犯的错，是给了一个分类框架却没给它「无处可放怎么办」的出口，结果它会把所有东西都塞进四个筐里，看着齐整，其实失真。加上这一句，你就有了核对的空间。

这类任务对模型的要求是理解准、不漏项，通用型模型和推理型模型都能做，但如果涉及多步推理（比如判断因果、算数据），走推理型会更稳。

2.3 代码与文档：不学编程，也能跑出第一段能运行的代码

第三类可能最让零基础的人意外：编程与代码相关的工作。它能根据需求生成代码片段（Python、JavaScript 都行）、做代码调试、给出错误分析与修复建议、做代码性能优化提示、自动补全和注释生成，还能处理技术文档——生成 API 文档、解释一个代码库、给示例补说明。

为什么值得学？因为对不写代码的人来说，这一块的价值不是「让你变成程序员」，而是「让你能自己搞定那些小到不好意思麻烦别人的事儿」：把一份表格里的金额按区间统计、把一百个文件名批量改掉、把一段乱七八糟的文本整理成标准格式。这些活儿请人帮忙要欠人情，自己学编程要几周。现在你把需求描述清楚，它给你一段能直接跑的代码，跑不通就把报错贴回去让它改。

怎么用？先从一个最小的例子开始。假设你想知道自己手上那批订单里，小额单、中额单、大额单各占几单，可以这样问它：

请用 Python 写一段代码，把一个金额列表按三个区间统计数量： 小于 100、100 到 500（含）、大于 500。 要求：代码里每一行都写中文注释，因为我是新手； 最后把三个区间的名字和数量打印出来。

它大概率会给你类似下面这样的东西：

orders = [128, 39, 520, 88, 1200, 66, 310] # 原始金额列表，换成你自己的数据就行 buckets = {"100以下": 0, "100-500": 0, "500以上": 0} # 三个区间先建好空桶 for amount in orders: # 从列表里一个一个取出金额 if amount < 100: # 小于 100 的丢进第一个桶 buckets["100以下"] += 1 elif amount <= 500: # 100 到 500 之间的丢进第二个桶 buckets["100-500"] += 1 else: # 剩下的就是大于 500 的 buckets["500以上"] += 1 for name, count in buckets.items(): # 把每个桶的名字和数量打印出来 print(name, count)

这段代码你不用会写，但值得看懂三件事：orders是你要换掉的那行数据，把你的金额换成逗号隔开的数字就行；buckets是三个「空桶」，先摆好再往里扔；for那一段是「逐个检查一遍」的意思。跑出来会打印三行，分别是每个区间有几单。

跑不通怎么办？把完整的报错信息复制回去，加一句「我运行时报了这个错，请告诉我错在哪一行、怎么改」。这句话非常好用，因为它把「调试」这件原本属于老手的事，变成了对话。唯一要提醒的是：它给的代码你要自己跑一遍再拿去用，尤其是涉及删除文件、批量改名、动真实数据的脚本，先用几条假数据试。

3. 第一个例子怎么跑：从打开网页到拿到一份能用的结果

理论说多了反而发怵，这一章就从你打开浏览器那一秒开始，一步一步走完一个完整的小任务。走完这一遍，你就算真正入门了，剩下的都是在这个基础上加东西。

3.1 打开对话页面，把第一个问题问出去

流程比你想的短：

1. 浏览器搜索 DeepSeek，进官网，找到对话入口（网页上直接就能聊，不用装软件）；
2. 用手机号或邮箱注册登录；
3. 页面中间那个输入框，就是你之后所有工作的起点；
4. 输入框附近会有「联网搜索」和「深度思考」之类的开关，第一轮先都别开，就用最普通的方式问一句。

第一句话问什么？建议别问「你是什么」，那太像在测试它。拿一件你手上真实的小事开刀，比如：「我下周要给部门做一次五分钟的分享，主题是新人如何快速熟悉业务，帮我列一个提纲，分三部分。」真实的任务会让你立刻看出它靠不靠谱，也让你马上知道下一句该补什么。

这里有个心法：把它当成一个刚入职、能力很强但完全不了解你情况的同事。你不会跟这样的同事说「写个方案」，你会说「我们下周三要给客户提方案，客户是做餐饮的，老板最关心成本，你帮我起个框架」。你交代得越像交代人，它答得越像人答的。

3.2 跟着做一遍：把一段乱糟糟的周报整理成三条要点

现在做完整的第一个例子。假设你手上有一堆随手记的流水账，要变成能发给领导的周报。原始素材长这样（你自己换成真实的）：

周一跟供应商对了物料，说下周三才能到，比原计划晚了五天 周二把新版页面给设计看了，她说配色要再调，还没定 周三写了活动方案初稿，写到一半卡住了，预算那块不知道怎么算 周四开了个项目会，运营说推广位要提前一周申请 周五整理了上个月的客户反馈，一共 37 条，还没分类

第一步，把素材和要求一起丢进去：

下面是我这周的流水账，帮我整理成周报。要求： 1. 分成「已完成」「进行中」「需要协调」三块； 2. 每条压缩成不超过 25 个字的一句话，去掉「大概」「可能」这类模糊词； 3. 最后用一句话概括本周整体进度，不超过 40 字。 原文： （把上面那段流水账粘在这里）

第二步，看它交回来的东西。你会发现它把「物料延迟五天」放进「需要协调」，「配色待定」放进「进行中」，还会自己补一句整体进度。这一步先别急着满意，重点是核对：它有没有把「下周三到货」写成「本周到货」？有没有把「37 条反馈」的数字弄错？

第三步，追问修改。这一步最见功力，也是新手和老手的分水岭。别只说「再改改」，要说清楚改哪儿：

整体结构可以。「需要协调」那块把物料延迟的天数写出来， 并加一句建议：是否需要跟供应商确认一次具体到货日。 「进行中」的配色那条太含糊，改成「新版页面配色方案待设计确认」。

走完这三步，你就会有一个明显的感觉：它的第一版从来不是终点，而是一个起点。真正决定质量的是你后面那两三轮追问。很多人第一次用完觉得「也就那样」，多半是卡在了第一步之后就没再说话。

3.3 文件上传与联网搜索：让它先读你的资料再动笔

再往前一步，是让它读你的东西。DeepSeek 支持文件上传，能读取各类文件和图片里的文字内容——扫描件、截图、PDF 转出来的资料，它都能先「看」一遍再回答。这一步的意义很大：前面你是一段一段往里粘，现在是整份材料丢进去，让它一次看全。

适合上传的场景很具体：一份几十页的报告要提炼要点、一份合同要找出所有涉及付款的条款、一份课程资料要整理成复习提纲、一张表格截图要转成可编辑的清单。做法就是点输入框旁边的上传按钮，选文件，然后在文字框里写清楚你要什么：

这份报告一共传上来了。请帮我做三件事： 1. 用五条以内概括它的核心结论； 2. 找出文中所有提到「时间节点」的句子，原文引用； 3. 指出哪一部分的数据支撑最弱。 如果你在文件里找不到某部分内容，直接说找不到，不要推测。

如果你要问的是「最近行业里有什么新动静」这种需要外部信息的问题，就打开联网搜索开关，它会去检索再回答。这时候的习惯是：让它把来源一起给出来，你自己点开核对一两条。这不是不信任它，是保护自己——凡是你要拿去汇报、发表、给客户看的内容，事实部分必须自己过一遍眼。

至于「深度思考」开关，它对应的是让模型走推理路径、把过程一步步想清楚，适合数学、逻辑、代码、复杂决策这类任务。写文案、改句子、做摘要这种活儿，开着它反而慢，也没必要。第四章会把这件事讲清楚。

4. 让回答变好用：推理模型与通用模型的分工，以及提示语怎么写

同一个问题，有人问出来是干货，有人问出来是套话，差别常常不在运气，而在两件事：有没有选对模型、有没有把需求说清楚。这一章讲的就是这两件事，是入门阶段性价比最高的知识。

4.1 推理模型和通用模型：快思与慢想，别拿菜刀拧螺丝

先把两个词分清。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，靠强化学习、神经符号推理、元学习之类的技术来增强推理和解决问题的能力，代表就是 DeepSeek-R1 这类，在逻辑推理、数学推理和实时问题解决上表现突出。非推理的通用大模型，侧重语言生成、上下文理解和自然语言处理，通过对大量文本的学习掌握语言规律，能写出很顺的内容，但不强调深度推理。

有个更好记的说法：快思与慢想。一类是「概率预测（快速反应）」型，根据大量数据快速预测一个可能的答案，响应快、算力成本低，靠预设的算法和规则决策，擅长解决结构明确的问题；另一类是「链式推理（慢速思考）」型，像链式思维那样一步步推下去，慢、费算力，但能处理多维度、非结构化的问题，还能给出新的思路。这个分野是链式思维出现之后才被说清楚的，理解它，你就知道什么时候该用哪把刀。

落到实际判断上，用一句特别好用的话：这件事有没有「唯一正确答案」？

• 有明确对错、要一步步推的——数学证明、逻辑分析、代码生成、复杂问题拆解、数据核算，选推理模型。
• 要好看、要发散、要语感的——写诗、写故事、起标题、头脑风暴、多轮闲聊、开放式问答，选通用模型。

还有一句必须记住：推理模型不是「全面更强」。它只是在训练目标相关的领域显著更好，写诗这类发散任务它反而不如通用模型灵活；通用模型在通用场景更灵活，但碰上需要严格逻辑链的任务，得靠你在提示语里补。搞混这一点，是新手最常见的浪费。

4.2 提示语的三段结构：指令、上下文、期望

提示语就是你输入给它的那段话，用来引导它产出你要的结果。可以是一句简单的问题，也可以是一段详细的任务描述。别把它想玄了，它本质就是你和它之间的沟通桥梁，作用是把你的意图翻译成它能执行的指令。

好用的提示语通常有三个部件：

• 指令（Instruction）：核心，明确告诉它要执行什么任务。「把下面这段文字压缩成三条要点」就是指令。
• 上下文（Context）：背景信息，帮它更准确地理解任务。你手上的素材、你的读者是谁、这份东西要用在哪，都属于上下文。
• 期望（Expectation）：你对输出的要求，明确的或隐含的。字数、格式、语气、不要出现什么，都算。

拿 3.2 那段周报提示语对照一下：先说「帮我整理成周报」是指令，粘上流水账是上下文，三条编号要求是期望。三段齐了，它就不会跑偏。反过来，只给指令不给上下文，它只能靠猜；只给上下文不说要什么，它会给你一段读后感。

再往深一层，提示语在整件事里扮演的角色其实有五种：当沟通桥梁（连接你的意图和它的理解）、当上下文提供者、当任务定义器（明确指定要完成什么）、当输出塑造器（影响输出的形式和内容）、当能力引导器（引导它调用某种能力，比如「用你的创意写作能力」）。这几个身份听着抽象，其实就是一句话：你说的话，同时决定了它做什么、按什么背景做、做成什么样子。

4.3 六种提示语类型，各配一句能直接抄的例子

入门阶段不必背分类，但认识这六种，遇到任务时你就能立刻反应「这该用哪种问法」：

• 指令型：直接告诉它要做什么。例：「把下面这段话翻译成英文，保留原有的分号结构。」
• 问答型：提一个问题，等一个答案。例：「劳动合同里的试用期一般有哪些常见约定？」
• 角色扮演型：让它扮演某个身份、进入某个场景。例：「假设你是一位带过很多新人的部门主管，帮我点评这份入职培训提纲。」
• 创意型：引导它做内容生成。例：「为一篇讲城市夜跑的文章写三个不同风格的开头，各 80 字。」
• 分析型：让它对给定信息做分析和推理。例：「下面是 30 条客户反馈，请归纳出主要问题类型并排序。」
• 多模态型：结合文字、图片等多种输入。例：上传一张手绘流程图，问「这张图里的流程有哪几步，帮我转成文字步骤」。

新手最该先练的是指令型和问答型，因为它们最不容易翻车。角色扮演型和创意型更容易出彩，但也更容易出「看着漂亮其实没用」的东西，等你对任务本身足够熟再用。

4.4 两类模型的写法差异：一个要「少说」，一个要「多说」

这一节是很多人用了半年都没搞明白的地方：同一段提示语，换个模型效果天差地别。

对推理模型，写法要简洁，只需明确任务目标和需求，因为它已经把推理逻辑内化了，你不需要教它怎么想。强行拆步骤反而可能限制它的能力，用「你先画个图，再列个公式，然后……」这种指导，容易把它的思路带窄。也不要对它用启发式的、角色扮演式的引导，那可能干扰它的逻辑主线。一句话总结：要什么直接说。

对通用模型，逻辑反过来。它不会自动展开推理，你得显式引导思考步骤，比如要求「请分三步推导」「先分析再结论」，否则它可能跳过关键环节直接给答案，看着流畅其实站不住。它依赖提示语来补偿能力短板，所以给示例、给格式、给分步要求，都是在帮它。

把常见任务摊开看更清楚：

看这张表你会发现，真正的门道不是「哪个模型更强」，而是「配错写法」。推理模型配了婆婆妈妈的拆解，等于给会开车的人念科目一；通用模型配了一句「帮我分析下」，等于让没做过这道题的人直接交卷。

5. 新手最容易踩的五个坑：现象、原因和补救办法

下面这五个坑，几乎每个入门的人都会踩至少两个。提前知道，能省下不少来回折腾的时间。

5.1 关于怎么问的三个坑

坑一：一句话丢过去，等着收成品。

现象：输入「帮我写篇好文章」，它给回来一篇四平八稳、放哪儿都能用、但哪儿都不合适的稿子，你还得从头改。

原因：提示语缺了上下文和期望两个部件。它不知道给谁看、多长、什么调性，只能按最常见的平均值输出。

解决：至少补三样——给谁看、要多长、不要什么。比如「给刚入职的应届生看，800 字以内，不要用『赋能』『抓手』这类词」。补完这三样，命中率立刻上一个台阶。

坑二：一个提示语里塞五件事。

现象：它答是答了，但五件事里有两件敷衍，或者干脆漏了一件。

原因：任务太多，注意力被摊薄，而且输出结构容易乱。

解决：拆开问。先让它把五件事列成清单确认理解，再一件一件来。多轮对话本来就是它的强项，别指望一句话解决所有问题。我自己的习惯是：一件事一段，最多两件。

坑三：把它当搜索引擎，问完就走，不追问。

现象：第一版看着还行，直接用，交上去被领导指出「这个地方数据不对」「这个说法太笼统」。

原因：第一版是草稿不是成品，你却当成了终稿。

解决：养成至少追问一轮的习惯。追问要说具体：「第二条太笼统，给一个具体例子」「这个结论的依据是什么，原文哪一段支持它」。一句话：它是能改的，你不用一次到位。

5.2 关于选模型和信不信的两个坑

坑四：什么活儿都用推理模型，或者反过来。

现象：写个节日祝福开深度思考，等半天；或者拿通用模型去算一长串数据，结果算错。

原因：没分清「有没有唯一正确答案」这条线。

解决：有对错、要推导的走推理模型，要语感、要发散的走通用模型。前面 4.1 那两句话，值得抄在便签上。

坑五：它说什么就信什么。

现象：它给了一个数据、一条规定、一段引用，你直接写进材料，结果发现查无此事。

原因：它擅长的是把语言组织得像真的，不是保证每条事实都准确。这是一个「黑匣子」式的输出，你看到的是结果，不是过程。

解决：凡是准备对外发布、拿去汇报、涉及数字和规定的内容，一律自己核一遍。让它给出处、给原文、给推理过程，然后点开看一眼。这不是不信任，是省后悔药。

6. 下一步学什么：从「会问一句」到「能拆一件事」

走到这儿，你已经能打开页面、提出问题、上传文件、追问修改、判断该用哪类模型。剩下的路不需要再学新概念，只需要有节奏地练。我给一个四周的小计划，每天二十分钟就够。

练的时候有三条建议。第一，用真活儿练。编出来的练习题你不上心，真活儿逼着你判断好坏。第二，把好用的提示语存下来。我自己有个备忘录，专门攒那些一次就命中的问法，按场景分类，下次直接改两个字复用，比每次重新想快得多。第三，每次交付前留一分钟复核事实、数字、引用，这一分钟是整套流程里最值钱的一分钟。

还有一个容易被忽略的进阶方向：学会给它「角色」以外的约束。入门时我们常用「你是一位资深编辑」这种角色设定，它确实能让输出更像样，但对推理类任务要慎用，可能干扰它的逻辑主线。更稳的做法是给判断标准，比如「按这三条标准评估：成本、可执行性、风险」，把评价尺子交给它，比给它一个身份有用。

顺便说一句，这份 103 页的讲义本身就是一个很好的练习素材库。它把 DeepSeek 能做什么、怎么问、提示语怎么设计、推理模型和通用模型怎么分工，分门别类摊开了。你可以拿它当字典：今天想练摘要，翻到文本生成那部分照着改；明天想练代码，翻到编程那部分找一个最小例子跑一遍。别指望一口气读完，那玩意儿读完了也记不住。

最后说个我自己的教训。刚上手那阵子，我图省事，直接把一段没核对的数据丢进材料里，会上被人当场问住，那种感觉真的不想再来一次。从那以后我每次用它出的东西，都强制走一遍「事实核对、数字复核、原文对照」这三步，哪怕只花一分钟。慢这一分钟，能省掉后面一小时的尴尬。

希望帮到你。

本文还有配套的精品资源，点击获取