简介这份PPT源自北京大学DeepSeek系列内部研讨讲座主题聚焦提示词工程与落地场景由北大青鸟人工智能研究院、计算机学院元宇宙技术研究所、教育学院学习科学实验室联合出品。内容系统拆解DeepSeek-R1的核心优势首创模型思考过程可视化推理能力跻身全球第一梯队并拥有开源、低成本、国产化三大特点训练成本仅557万美元、推理成本降低83%。讲座直面市场上对提示词的误读结合教育、金融、医疗等垂直领域及生活场景演示了可即学即用的提示词技巧帮助无需编程背景的用户快速掌握AI提效路径。同时覆盖官方APP、网页端、API调用三种直接使用方式并提及私有化部署工具Ollama、vLLM与模型蒸馏版本便于不同需求者选择。压缩包内共1个pptx文件大小808KB页面信息密度高适合作为DeepSeek入门与进阶的速览材料。目前已有376人学习下载推荐给AI学习者、产品经理及教育从业者。1. DeepSeek-R1 的提示词工程为什么把“提示词”当需求文档写比咒语更管用最近把北京大学青鸟人工智能研究院那份《DeepSeek提示词工程和落地场景》研讨 PPT 从头翻了一遍最直接的感觉是DeepSeek-R1 把提示词这件事从“调咒语”变成了“把需求讲清楚”。它不擅长你拿一段玄学提示词去撞运气反而会在你把任务、对象、限制条件、担心的问题一次性交代清楚时给出质量明显更高的回答。这份 PPT 主要讲了三件事DeepSeek-R1 为什么火、有哪些方式可以直接使用它、提示词技巧和常见场景怎么落地。对于想用 R1 写周报、做行程规划或者评估要不要本地部署一套模型的读者来说下面的内容可以照着试一遍不需要技术背景也能上手。2. 直接使用 DeepSeek 的三种方式官方网页/App、API 和本地部署怎么选2.1 官方网页与 App先认识“深度思考(R1)”这个开关PPT 里明确区分了三种层面在软件系统中调用官方 API、模型微调、直接使用。前两者对普通人技术门槛偏高这里展开讲“直接使用”。直接使用最省事的是官方渠道网页版 chat.deepseek.com以及 iOS/Android 官方 App。两者对话体验一致都保留了“深度思考(R1)”的开关。我第一次用的时候犯过一个想当然的错以为这个开关只是给所有对话统一加长回答用的结果开着和关着质量差别非常大。R1 是推理模型它会在返回正式内容之前先生成一段思考过程把题目中的条件、可能性、矛盾梳理一遍关闭“深度思考”之后的回答路径则更接近传统生成模型速度快但遇到需要推演的题会显得平。所以我的使用习惯是把“深度思考”当成一个需要主动管理的开关而不是永久开启的设置。让 R1 润色一句话、找一个名词释义没必要开做逻辑分析、代码调试、行程规划、写带业务背景的周报一定开。另外PPT 现场演示里也补了一句DeepSeek-R1 是全球首次把思考过程可视化的推理模型正是这个“看得见的过程”让它成为后来许多推理模型交互设计的参考样本。这对用户的意义是你不仅能得到答案还能看出模型是从哪几个角度入手的。提示词哪里给得不够从思考过程里能直接读出来不需要猜。提示判断开不开深度思考就看任务里有没有“需要比较、权衡、排除风险”的成分。纯机械改写不用开。2.2 官方 API 与第三方渠道一个 curl 把 DeepSeek 接进自己的工具如果你不满足于在对话框里打字想把 DeepSeek 的能力嵌进自己的脚本、表格工具或企业应用那就走 API。官方开放平台地址是 platform.deepseek.com申请 API Key 之后用 curl 就能发起一轮对话curl https://api.deepseek.com/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: deepseek-chat, messages: [ {role: system, content: 你是一个擅长数据核查的助理回答必须标注数据依据。}, {role: user, content: 把下面这段话改写成分点说明并把其中的估算值改成带来源的百分比。} ], stream: false }这段请求做的事情不复杂向聊天补全接口发一条 system 和一条 user 消息system 约束回答风格user 才是真正的任务。YOUR_API_KEY 换成自己在开放平台申请的密钥model 字段对应的模型标识要以你账号下实际可用的模型名为准不同代际的模型标识不同填错会直接报错。stream 参数建议先设 false拿到完整 JSON 再决定要不要做流式输出。我把这套 curl 当“冒烟测试”用每次要写脚本封装之前先手动跑一条真实任务确认 Key、模型标识、网络三个变量都没问题再进代码。官方渠道之外PPT 也列了一批第三方入口包括国家超算平台、硅基流动、纳米AI搜索、秘塔AI搜索、阿里百炼、火山引擎、腾讯元宝、问小白、AskManyAI、Molly R1 等。第三方渠道的好处是入口多、有些场景免费用坏处是你拿不准背后的模型版本和参数设置。我的原则是日常体验可以借第三方完成涉及要交付的数据或正式报告回到官方网页或官方 API 再验证一次。2.3 本地部署Ollama 试水vLLM 上生产再往深走一步是私有化部署。PPT 给了一个很务实的建议本地部署主要用两种方式Ollama 用于个人本地跑蒸馏量化模型vLLM 用于生产开发、垂直领域私有化部署。先记住一个结论671B 满血版不是普通个人电脑能跑的个人本地部署一般跑的是蒸馏小模型。如果想在本地最快看到效果我的做法是先装 Ollama然后拉一个最小的蒸馏模型ollama run deepseek-r1:1.5b这条命令会自动下载并启动 1.5B 的蒸馏模型。机器内存足够再往上加ollama run deepseek-r1:14b从 1.5B 换到 14B回答质量会明显上一个台阶但显存占用也跟着翻几倍。Ollama 把量化、上下文长度、端口这些参数都做了默认封装优势是快劣势是可调的东西少。PPT 里给了一份蒸馏模型清单DeepSeek-R1-Distill-Qwen-1.5B/7B/14B/32B以及 DeepSeek-R1-Distill-Llama-8B/70B底座分别是 Qwen 和 Llama 系列。选型的逻辑很简单显存小就 Qwen-1.5B 起步想要更强推理能力就看 32B 或 Llama-70B再往上就是满血 671B需要专门机房环境。关于满血版部署的成本PPT 里有张算力表大致意思是跑 DeepSeek-R1 671B 需要多卡 H 系列级别设备按整机租赁算每月在 818 万量级。这个数字对中小企业可能仍然偏贵所以我认为现阶段多数业务场景的正确姿势是小流量、非敏感数据直接用官方 API频繁调用且需要隐私隔离才考虑 vLLM 部署蒸馏模型不要一上来就追满血。3. R1 提示词技巧真诚直接 通用公式的五要素拆解3.1 “真诚是必杀技”不是让你客套而是把背景如实上桌PPT 里有一页的标题很醒目“真诚是必杀技”。第一眼看上去像口号实际拆开看这里的“真诚”指的是把真实场景里的关键信息如实交给模型。传统提示词习惯喜欢“包装”让模型写方案先来一句“你是一位资深策划师”R1 的用法是直接说这份材料是给谁看的、老板关心什么、我担心什么。举个 PPT 上的对比。低质量版本是“帮我把这份报告包装一下我要写一份周报给分析师请润色。”这个提示词里全是无效信息“包装”“润色”都是虚词模型只能自由发挥。高质量版本是“帮我把这份调研报告写成一封周报给分析师老板很看重数据请按周报格式完成润色不少于500字。”后面这个版本多了两个关键信息读者是分析师、老板看重数据。于是模型在改写时会主动把数据比例、指标变化提到显眼位置遣词也会收敛成正式汇报语气。这就是“真诚”的工程含义不给模型出谜题。你完全可以把这套理解搬到自己的提示词设计里把要处理的原始材料贴进来把阅读对象、场景、交付标准写清楚删掉“请”“谢谢”“务必”这些交际词。模型不靠礼貌程度判断任务优先级靠的是约束条件的密度。3.2 通用公式五要素任务、对象、背景、期望效果、内心戏PPT 给了一个可以直接抄走的通用公式任务做什么 给谁用对象 背景限定条件 期望效果目标 担心的问题内心戏这个公式的价值不在它名字多新而在于它把提示词从形容词堆砌变成了可填充的字段。五个字段每个都对应一类容易被忽略的问题我整理成一张参数表要素该填什么不填的后果任务以动词开头的单一动作模型不知道先干什么对象答案最终给谁看语气和详略完全随机背景手中已有的材料、限制、数据模型自行脑补一套假设期望效果结构、字数、风格、重心输出全凭运气担心的问题你怕踩的具体坑风险只有等生成完才发现这五要素不是让你全挤成一段而是建议分开写。我常用的填充格式是这样的任务把下方调研内容改写成周报 对象部门分析师需要向上汇报 背景原始报告较长关键数据分散在第三、五段 期望效果按“结论/关键数据/风险点/下周计划”四段输出数据用百分比 担心的问题不要只复述原文要能看出数据变化和结论之间的因果。这种写法让模型在深度思考阶段就把因果链和数据放进去推理而不是生成完再“润色”。实际使用中五要素不一定每次齐全但至少要命中“任务 对象 担心的问题”三个字段否则结果方差会很大。尤其是“担心的问题”这个字段很多人觉得写上它显得自己外行其实它才是 R1 推理模型最吃的部分你把风险点说清楚了模型就会把它当成检查项在思考过程中逐条过滤。比如担心“雷同”“车轱辘话来回说”“数据不一致”直接写进提示词比生成之后再回炉改要省事得多。3.3 三个常见的提示词误用习惯顺着这套公式还能反推出三个常见误区。第一个误区是总加“请一步一步思考”。R1 本身就是推理模型你在提示词里强行指定推理步数等于给它的思考过程套了个模板反而会打断它原有的推理节奏。真正该做的是把“担心的问题”讲清楚剩下交给模型自己组织思路。第二个误区是过度角色设定。给模型铺一长段角色背景、性格、说话风格在 R1 这里基本无效。它不是通用对话模型不需要“扮演”什么来激发能力它更需要的是清楚的任务边界和交付标准。角色设定可以用一句话带过比如“你是一位数据分析师”但后面必须紧跟真正有用的背景和约束。第三个误区是只给任务不给约束。直接一句“帮我写一份周报”不是错误问题是模型只能按最大概率路径来写大概率是四平八稳、没有重点的模板文。你要是愿意多写一句“老板重视数据”“下周要做项目排期”输出的可用度会完全不一样。R1 的能力已经足够强真正缺的往往不是模型能力而是任务边界。4. 常见应用场景拆解周报、父母旅行计划和垂直领域学习4.1 向上汇报型任务把调研报告改成给分析师看的周报PPT 里的第一个场景是“把市场调研总结改写成周报”。这也是上班族最高频的需求。原始提示词大概是这样的帮我把这份调研报告写成一封周报给分析师 老板很看重数据请按周报格式完成润色不少于500字。注意这个提示词和普通“帮我写周报”的区别它已经包含了对象分析师、期望效果按周报格式、不少于500字、担心的问题老板很看重数据。这三个信息是让模型在改写时自动把数据顶到前面的直接原因。如果你只是说“帮我把这个报告总结一下写周报”模型会按它自己对“周报”的统计印象来写大概率是“本周完成了…本周发现了…下周计划…”的标准三段式缺少对数据落点的专注。我一般会在这个基础上再补一个动作输入原始材料时顺手把数据所在的位置标出来比如“第三段到第五段是销售数据请优先提取”。这不算多此一举它是在告诉模型资源在哪里省得它在长文本里反复翻找。对职场人来说周报这类任务真正要的不是文笔而是“哪些数字被看见了、哪些风险被点出来了”所以提示词里的“担忧”字段值得写重一点。4.2 生活规划型任务给父母做的 20 天日本慢节奏行程这份 PPT 里最打动我的示例是给父母安排 20 天日本行程。它把通用公式用到了极致。这个任务的特别之处在于约束条件非常多父母腿和腰不太好、怕累、不希望频繁换城市、每个城市停留时间长一点、交通要便利。模型给出的方案里出现了“东京5天 → 箱根2天 → 京都6天 → 大阪4天 → 奈良1天 → 广岛2天”这样的节奏并且在每个城市备注了无障碍通道和步行量控制。我把它拆了一下这个提示词至少管理了四个维度的约束约束维度提示词里的表达输出里的体现身体状况父母腿和腰不太好怕累每日步行控制在5000步以内每天午休2小时行程节奏避免频繁更换城市每个城市停留2~6天城市间用新干线连接景点适配奈良公园太大可能走不动换成若草山脚喂鹿区避开陡坡交通便利城市间距离要近用 Green Car 指定席减少步行和换乘这个例子的核心价值在于你不必是日本旅行专家也能通过一段提示词让模型把“父母腿不好”这个风险变成每一站的约束。我在自己的旅行规划里也复制过这套写法只要把“担心的问题”写具体模型就会自动在景点后面标注“此景点有无障碍通道”“此处需要提前预约轮椅”。这种颗粒度靠泛泛一句“帮我做个攻略”是拿不到的。提示生活场景里把“担心的问题”写成一个具体事件比写形容词更有效。比如“我妈走台阶会膝盖疼”远远好于“我妈身体不好”。4.3 垂直领域学习型任务把专家思维拆成可见的步骤PPT 提到一个目标通过提示词工程将各领域专家思维赋能于日常学习、工作和生活。落到具体做法上我理解的核心是“让模型把专家思考过程展开给你看”。R1 本来就会展示思考过程学习场景里这个特性非常值钱。比如你学一个陌生概念传统问法是“给我解释一下什么是 Attention”。R1 的好用法是任务解释什么是 Attention 机制 对象没学过机器学习的高中生 背景我懂一点 Python 基础但对概率统计不熟 期望效果先用生活化类比讲直觉再给一个最小可运行示例 担心的问题不要一上来甩公式也别用“其实就是”来掩盖关键概念。这个提示词里的对象和担心的问题直接把输出限定在“可理解”的范围内模型会在思考阶段刻意避开抽象的数学描述优先组织类比路径。和纯“解释一下”相比这种方式得到的内容更贴近教学节奏。对初学者来说等于每次提问都在请一位有经验的老师帮你预判“我哪里会听不懂”。5. 避坑排查五次值得记录的翻车现场用 DeepSeek 久了总会攒下一批“现象清楚、原因隐蔽”的翻车记录。下面五个问题我都在实际使用中踩过每条按现象、原因、解决三个步骤写希望能帮你少走点弯路。5.1 深度思考常开简单任务被“过度推理”现象让模型把一段话里的错别字改掉结果它认认真真分析了上下文语境、判断作者意图、给出三套改写方案反而没用。原因深度思考模式下R1 会把所有输入都当潜在推理题来处理对无推理需求的小任务它也会扩展出大量背景分析。这是我的使用习惯问题不是模型故障。解决判断标准改成“任务里有没有需要比较、权衡、排除风险的内容”。只是改错别字、翻译句子、提取关键词把深度思考关掉涉及逻辑分析和方案设计再打开。5.2 第三方入口“香”真到交付却翻车现象同一个提示词在某个第三方渠道体验很好换到另一个渠道输出风格差异很大有时甚至连思考过程都不显示。原因第三方入口接入的模型版本、量化档位、上下文长度可能都不一样背后系统提示词也可能不同。不同版本对同一提示词的敏感点不同思考过程也不是所有渠道都默认展示。解决把官方入口当基线重要交付内容先用官方复现一遍。如果官方复现结果稳定说明提示词本身没问题如果官方结果也不对那问题就更可能在提示词身上先回第三章调公式。不要在第三方渠道里埋头无限调参那是黑匣子你调不出确定性的。5.3 对话超上限后新对话不认前文现象一段很长的对话进行到中途提示“达到对话上限”。我开一个新对话只发“继续”模型完全不知道我在说什么。原因每个对话有独立的上下文窗口超限后旧内容会被截断。新对话的上下文是空的一个“继续”没有任何锚点模型只能按最大概率继续一段虚构内容。解决把上一个对话的最终结论、任务、对象、担心的问题复制进新对话重新填一遍五要素。我一般会先把上一轮的关键输出粘贴进来再用一句话说清楚“基于以上内容继续做第四步”。这个动作看着原始却最有效能保证新对话完整继承之前的约束。5.4 本地部署 Ollama拉大模型直接卡死现象用 Ollama 拉取 32B 甚至 70B 蒸馏模型启动后机器风扇狂转内存占用拉满几分钟不出一个字最后进程被系统杀掉。原因量化模型依然按参数量消耗内存70B 量化后也要几十 GB 级别。普通 16GB 内存的机器强行启动会触发内存交换系统把所有资源都耗在磁盘换页上表现就是假死。解决先看硬件再拉模型。16GB 内存机器从 1.5B 和 7B 开始试14B 是体验和资源之间的平衡点32B 以上就必须确认硬件。生产环境用 vLLM 做部署它能把显存管理和并发调度做得更可控但前提依然是选对模型规格别拿小机器跑大模型。5.5 提示词堆了好几屏回答依然跑偏现象自认为把背景、角色、历史脉络、多轮示例都写进了提示词结果回答信息密度低重点全被稀释。原因约束信息如果与交付目标关联不强模型会把注意力分散到无关背景上。尤其是大段的“角色设定”和“背景铺垫”在 R1 这里更像噪声它真正优先处理的是任务和明确约束。解决做一次提示词精简只保留任务、对象、两个以内的关键背景、期望效果、担心的问题。背景超过三句就要怀疑它是不是在服务交付目标。每次写完提示词回头通读一遍凡是删掉后不影响任务理解的句子直接删掉。排查这些问题时有个总原则先拿着提示词回官方网页对照一遍确认模型版本和开关状态再调整提示词本身。模型和渠道层面的变量没锁定之前花多久调词都是在盲调。6. 提示词落地的小技巧先让 R1 复述任务再放它去做把提示词工程用到实际工作中之后我留下来一个习惯关键任务不让模型直接输出先让它用一两句话复述任务、对象、担心的问题。这个动作看起来多余却是成本最低的对齐检查。当提示词写得不严谨时比如把“给数据分析师看的周报”写成了“给部门主管看的总结”模型很容易在执行时跑偏。让模型在正式回答前先复述它理解到的约束条件是为了让偏差尽早暴露。如果复述不对重写提示词再让它开始如果复述正确再让它进入正式输出。这一轮额外对话的成本远低于生成一大篇之后发现方向错了再返工。可以把复述检查直接并入提示词写法很简单任务基于下面材料写一份交付给数据分析师的周报 对象数据分析师最终要转给高管 期望效果先结论再方法数据用百分比呈现 担心的问题数据口径不要写错不要遗漏我标注的来源 开始前先复述一遍你对任务和约束的理解确认无误后再输出正文。最后一句是关键。R1 会先输出一小段理解这段理解里能清楚看到它抓取的字段是否齐全。如果它复述时漏了“数据口径”或“数据分析师”这两个点说明提示词里这两个信息被其他内容盖住了调整一下位置或措辞再试比生成完再改要快得多。从那以后我每次让 R1 出正式交付物都强制走一遍这个复述动作哪怕提示词已经写得顺手也会执行。因为翻车记录里有一半以上的问题根源都是在刚开始那一步对齐就没做好到后面再发现就晚了。这套流程花的时间不到半分钟但它能省下的大改时间远不止这些。希望这个习惯也能帮到你。本文还有配套的精品资源点击获取