簡介《DeepSeek從入門到精通》是一份面向個人用戶、開發(fā)者及內(nèi)容與科研工作者的系統(tǒng)學(xué)習(xí)材料幫助讀者從基礎(chǔ)認知走向?qū)嶋H應(yīng)用重點解決模型選擇、提示語設(shè)計與復(fù)雜任務(wù)拆解等問題。資源為1個PDF文件約5.36MB內(nèi)容圍繞DeepSeek的能力邊界展開涵蓋智能對話、文本生成、語義理解、計算推理、代碼生成補全、聯(lián)網(wǎng)搜索與文件內(nèi)容讀取等場景。材料進一步區(qū)分推理大模型與非推理大模型結(jié)合DeepSeek-R1、GPT-o3、GPT-3/4、BERT等說明各自優(yōu)勢領(lǐng)域并引入“概率預(yù)測”與“鏈式推理”的快思慢想視角討論性能表現(xiàn)、決策能力、創(chuàng)造力與人機互動差異。針對提示語策略文檔比較推理模型與通用模型在指令驅(qū)動、需求導(dǎo)向、混合模式、啟發(fā)式提問上的適用方式給出模型選擇原則與常見誤區(qū)便于讀者按數(shù)學(xué)證明、創(chuàng)意寫作、代碼生成等任務(wù)匹配提示語。已有1011人學(xué)習(xí)適合希望提升DeepSeek實操與提示工程能力的中初級讀者。1. 從一份“會用”到“用透”的文檔說起DeepSeek 到底能接住哪些活我把同一段需求分別丟給 DeepSeek 的普通對話和深度思考模式前者三分鐘給了一版順滑但漏了邊界條件的代碼后者多花了十幾秒?yún)s把異常輸入和測試用例一起列了出來。這個反差正好是這份《DeepSeek 從入門到精通》講義里最值錢的部分它沒有停留在“能寫文案、能寫代碼”的功能清單而是把 Reasoning Models 和通用模型拆開講把 Prompt Engineering 從玄學(xué)拉回到可操作的步驟。講義來自某高校新媒體研究方向的內(nèi)部培訓(xùn)整理覆蓋模型分類、提示語策略、五類需求表達、代碼與長文本處理。適合剛開始用 DeepSeek 的從業(yè)者也適合已經(jīng)把 AIGC 接進日常流程、但總覺得輸出不穩(wěn)定的熟手。它解決的不是“能不能用”而是“同樣的工具為什么別人用得比你穩(wěn)”。2. 推理模型與通用模型先選對“快思”還是“慢想”2.1 兩類模型的邊界邏輯密度 vs 多樣性很多人第一次用 DeepSeek 會默認“哪個模型新就用哪個”這在一半場景里是對的在另一半場景里會翻車。講義把模型分成兩類推理模型和通用模型。推理模型在傳統(tǒng)大語言模型的基礎(chǔ)上強化了推理、邏輯分析和決策能力常見技術(shù)手段包括強化學(xué)習(xí)、神經(jīng)符號推理、元學(xué)習(xí)等它在數(shù)學(xué)推導(dǎo)、邏輯分析、代碼生成、復(fù)雜問題拆解上表現(xiàn)突出。通用模型則更側(cè)重語言生成、上下文理解、自然語言處理適合文本生成、創(chuàng)意寫作、多輪對話、開放性問答。關(guān)鍵結(jié)論是推理模型并非全面更強它只在其訓(xùn)練目標領(lǐng)域顯著優(yōu)于通用模型通用模型在通用場景更靈活但遇到專項任務(wù)需要靠提示語補償能力。這個判斷能幫你省掉大量無效嘗試。比如寫一首詩、改一段品牌文案、做一輪開放式訪談提綱用推理模型不是不行但它容易被“邏輯鏈”帶偏輸出反而緊繃反過來讓通用模型直接做一道需要嚴格驗算的數(shù)學(xué)題它可能給你一個看起來合理、中間步驟卻跳步的答案。講義用“快思慢想”來概括這個差異概率預(yù)測模型像快速反應(yīng)依賴大量數(shù)據(jù)訓(xùn)練來預(yù)測答案響應(yīng)快、算力成本低適合處理即時任務(wù)鏈式推理模型像慢速思考基于 Chain-of-Thought 逐步推理問題的每個步驟算力成本高但能處理多維度和非結(jié)構(gòu)化問題。這個分類比“新舊模型”更有解釋力因為它直接對應(yīng)你的任務(wù)類型。維度推理模型通用模型優(yōu)勢領(lǐng)域數(shù)學(xué)推導(dǎo)、邏輯分析、代碼生成、復(fù)雜問題拆解文本生成、創(chuàng)意寫作、多輪對話、開放性問答劣勢領(lǐng)域發(fā)散性任務(wù)如詩歌創(chuàng)作需要嚴格邏輯鏈的任務(wù)如數(shù)學(xué)證明性能本質(zhì)專精于邏輯密度高的任務(wù)擅長多樣性高的任務(wù)強弱判斷并非全面更強僅在訓(xùn)練目標領(lǐng)域顯著優(yōu)于通用模型通用場景更靈活但專項任務(wù)需提示語補償決策能力能自主分析情況實時做出決策依賴預(yù)設(shè)算法和規(guī)則進行決策創(chuàng)造力能生成新的創(chuàng)意和解決方案限于模式識別和優(yōu)化缺乏真正創(chuàng)新能力人機互動更自然地與人互動理解復(fù)雜情感和意圖按照預(yù)設(shè)腳本響應(yīng)較難理解人類情感和意圖這張表不是讓你背而是讓你在動手前先問一句這個任務(wù)的核心是“邏輯密度”還是“多樣性”。如果是前者切深度思考如果是后者用普通對話把提示語寫清楚反而更快。2.2 任務(wù)映射表什么時候切深度思考我把講義里的任務(wù)類型整理成一張可執(zhí)行的映射表。你不需要每次判斷“模型強不強”只需要判斷“任務(wù)要不要嚴格邏輯鏈”。任務(wù)類型優(yōu)先模型提示語側(cè)重點要避免的提示策略數(shù)學(xué)證明推理模型直接提問無需分步引導(dǎo)冗余拆解如“先畫圖再列公式”代碼生成推理模型簡潔需求信任模型邏輯分步指導(dǎo)如“先寫遞歸函數(shù)”邏輯分析推理模型直接拋出復(fù)雜問題添加主觀引導(dǎo)如“你認為哪種對”創(chuàng)意寫作通用模型明確約束目標避免自由發(fā)揮開放式指令如“自由創(chuàng)作”多輪對話通用模型自然交互無需結(jié)構(gòu)化指令強制邏輯鏈條如“分三點回答”長文本摘要通用模型或推理模型均可給抽取字段和輸出格式只給“幫我總結(jié)一下”實際操作可以按三步走。第一步寫下任務(wù)的核心動詞是“證明”“推導(dǎo)”“生成”“改寫”還是“分類”。第二步看這個動詞是否需要中間步驟可驗證。需要就切深度思考不需要就用普通對話。第三步按任務(wù)類型寫提示語不要把所有任務(wù)都套同一個模板。提示深度思考模式不是“更高級”它只是“更適合邏輯鏈長的任務(wù)”。對創(chuàng)意任務(wù)強行開啟可能得到結(jié)構(gòu)工整但靈氣不足的結(jié)果。2.3 一個可復(fù)現(xiàn)的對比實驗想驗證自己是否選對模型不用做復(fù)雜評測拿同一道題跑兩組就行。我一般會選一道需要三步以上推理的題比如“某倉庫有若干貨架給出入庫規(guī)則求最優(yōu)揀貨路徑”再選一道開放式題比如“給一款效率工具寫三條不同風(fēng)格的推廣語”。前者分別用深度思考和普通對話跑后者也跑兩組記錄四個指標正確性、可解釋性、耗時、返工次數(shù)。記錄項深度思考組普通對話組是否給出中間步驟最終答案是否正確輸出是否可直接使用需要人工返工幾次實驗的關(guān)鍵是固定題面和輸出格式不要中途改提示語。否則你測的不是模型差異而是提示語差異。跑完一輪你會發(fā)現(xiàn)推理模型在邏輯題上的優(yōu)勢通常體現(xiàn)在“中間步驟完整”而不是“答案一定對”通用模型在創(chuàng)意題上的優(yōu)勢體現(xiàn)在“表達更松弛”但約束一多就容易散。這個結(jié)論比任何參數(shù)表都直觀也是后面提示語策略的前提。3. 提示語不是玄學(xué)把需求拆成指令、上下文與期望3.1 提示語的三段式結(jié)構(gòu)與六種類型Prompt Engineering 這個詞聽起來像調(diào)參其實大部分工作發(fā)生在寫需求之前。講義把提示語定義為用戶輸入給 AI 系統(tǒng)的指令或信息用于引導(dǎo) AI 生成特定輸出或執(zhí)行特定任務(wù)。它的基本結(jié)構(gòu)包括三部分指令、上下文、期望。指令明確告訴 AI 要執(zhí)行什么任務(wù)上下文提供背景信息幫助模型更準確理解期望明確或隱含地表達你對輸出的要求和預(yù)期。這個三段式看起來簡單但很多人只寫了“指令”漏了“上下文”和“期望”然后怪模型聽不懂。比如“幫我寫一份周報”是指令但沒給上下文本周做了什么、給誰看和期望字數(shù)、結(jié)構(gòu)、語氣模型只能猜。補全后應(yīng)該是“你是我的工作助理以下是本周三條工作記錄上下文請整理成一份 300 字以內(nèi)的周報分‘進展、風(fēng)險、下周計劃’三部分語氣正式但不官腔期望?！敝v義還列了六種提示語類型指令型、問答型、角色扮演型、創(chuàng)意型、分析型、多模態(tài)。它們不是互斥的可以組合。指令型適合翻譯、格式轉(zhuǎn)換問答型適合知識查詢角色扮演型適合模擬場景但對推理模型要謹慎因為角色設(shè)定可能干擾邏輯主線創(chuàng)意型適合內(nèi)容生成分析型適合對給定信息做推理多模態(tài)適合結(jié)合文本和圖像輸入。類型特征示例指令型直接告訴 AI 執(zhí)行任務(wù)將以下內(nèi)容翻譯為法語Hello, world問答型向 AI 提問期望答案用簡單語言解釋什么是鏈式思維角色扮演型要求 AI 扮演特定角色假設(shè)你是一位產(chǎn)品經(jīng)理評審這份需求文檔創(chuàng)意型引導(dǎo)創(chuàng)意寫作或內(nèi)容生成為一個效率工具寫三條不同風(fēng)格的推廣語分析型對給定信息進行分析推理根據(jù)這份銷售表找出轉(zhuǎn)化率下降的三個可能原因多模態(tài)結(jié)合文本、圖像等輸入讀取這張流程圖轉(zhuǎn)成步驟說明注意角色扮演型提示語對通用模型通常有效但對推理模型可能干擾其邏輯主線。講義明確提醒不要對推理模型使用“啟發(fā)式”提示比如強行安排角色可能讓它偏離核心目標。3.2 推理模型與通用模型的提示語策略差異這是整份講義里最容易被忽略、但實際使用頻率最高的一節(jié)。推理模型的提示語更簡潔只需明確任務(wù)目標和需求因為它已經(jīng)內(nèi)化了推理邏輯不需要你逐步指導(dǎo)通用模型則需要顯式引導(dǎo)推理步驟比如通過 CoT 提示否則可能跳過關(guān)鍵邏輯或者依賴提示語補償能力短板。我把差異壓縮成三條關(guān)鍵原則。第一模型選擇優(yōu)先根據(jù)任務(wù)類型而不是模型熱度。數(shù)學(xué)任務(wù)選推理模型創(chuàng)意任務(wù)選通用模型。第二提示語設(shè)計要“看模型下菜”推理模型要什么直接說通用模型缺什么補什么。第三避免兩個誤區(qū)不要對推理模型用啟發(fā)式提示比如角色扮演不要對通用模型過度信任比如直接問復(fù)雜推理問題卻不要求分步驗證。策略維度推理模型通用模型提示語長度簡潔聚焦目標結(jié)構(gòu)化補償性引導(dǎo)是否分步無需逐步指導(dǎo)顯式要求分步思考是否給示例通常不需要建議提供示例角色扮演謹慎使用可能干擾邏輯可用幫助進入場景結(jié)果驗證信任但抽檢中間步驟必須分步驗證結(jié)果一個常見誤區(qū)是“對推理模型過度拆解”。比如你寫“先分析題意再列出公式然后代入計算最后檢查單位”這套指令對通用模型是幫助對推理模型可能是束縛。它本來會自己生成結(jié)構(gòu)化推理過程你強行拆解反而限制了它的能力。反過來對通用模型只寫“證明這個結(jié)論”它可能直接給一個跳過關(guān)鍵步驟的答案你需要補上“分三步推導(dǎo)每步說明依據(jù)”。3.3 五類需求的表達公式與實戰(zhàn)模板講義把需求分成五類決策需求、分析需求、創(chuàng)造性需求、驗證需求、執(zhí)行需求。每類都有對應(yīng)的表達公式和模型適配策略。這個分類的好處是你不用每次從零想提示語先判斷需求類型再套公式。需求類型特點表達公式推理模型策略通用模型策略決策需求需權(quán)衡選項、評估風(fēng)險、選擇最優(yōu)解目標 選項 評估標準要求邏輯推演和量化分析直接建議依賴模型經(jīng)驗歸納分析需求需深度理解數(shù)據(jù)或信息、發(fā)現(xiàn)模式或因果關(guān)系問題 數(shù)據(jù)/信息 分析方法觸發(fā)因果鏈推導(dǎo)與假設(shè)驗證表層總結(jié)或分類創(chuàng)造性需求需生成新穎內(nèi)容主題 風(fēng)格/約束 創(chuàng)新方向結(jié)合邏輯框架生成結(jié)構(gòu)化創(chuàng)意自由發(fā)散依賴示例引導(dǎo)驗證需求需檢查邏輯自洽性、數(shù)據(jù)可靠性或方案可行性結(jié)論/方案 驗證方法 風(fēng)險點自主設(shè)計驗證路徑并排查矛盾簡單確認缺乏深度推演執(zhí)行需求需完成具體操作任務(wù) 步驟約束 輸出格式自主優(yōu)化步驟兼顧效率與正確性嚴格按指令執(zhí)行無自主優(yōu)化舉一個決策需求的模板可以直接抄目標在兩種方案中選出總成本更低的方案。 選項A 方案前期投入高、長期單價低B 方案前期投入低、按量付費。 評估標準按 5 年總成本計算并考慮需求波動風(fēng)險。 要求列出計算過程給出關(guān)鍵假設(shè)最后推薦一個方案并說明觸發(fā)條件。這段提示語在推理模型上可以直接用它會自己展開計算鏈在通用模型上建議再加一句“分三步先列公式再代數(shù)計算最后做敏感性分析”。分析需求可以套“問題 數(shù)據(jù) 方法”比如“以下是某產(chǎn)品三個月的轉(zhuǎn)化數(shù)據(jù)請找出下降的三個可能原因并用分組對比驗證”。創(chuàng)造性需求要特別注意約束不能只寫“自由創(chuàng)作”否則通用模型容易給你一篇四平八穩(wěn)的模板文。驗證需求是我用得最多的一類。比如模型給了一個結(jié)論我會追加“請檢查這個結(jié)論的支撐數(shù)據(jù)是否充分列出兩個可能推翻它的反例并說明還需要補充什么信息。”這一步相當于給輸出加了一道后悔藥能攔住不少看起來合理的錯誤。執(zhí)行需求則要寫清輸入輸出格式。比如“將以下 C 語言代碼轉(zhuǎn)換為 Python保持時間復(fù)雜度不變使用 numpy 優(yōu)化數(shù)組操作輸出帶測試用例的完整代碼”。這類提示語越具體返工越少。4. 把 DeepSeek 接進工作流代碼、文件與聯(lián)網(wǎng)搜索的落地操作4.1 代碼生成與調(diào)試從需求到可運行片段代碼生成是 DeepSeek 最容易出效果、也最容易埋坑的場景。講義把編程相關(guān)能力拆成代碼生成、代碼調(diào)試、技術(shù)文檔處理三塊具體包括根據(jù)需求生成代碼片段、錯誤分析與修復(fù)建議、代碼性能優(yōu)化提示、API 文檔生成、代碼庫解釋與示例生成。落到操作上我通常按“四步法”走先寫清輸入輸出和邊界條件再讓模型先解釋思路再給代碼然后本地跑測試最后把報錯貼回去讓它修復(fù)。下面是一個可復(fù)現(xiàn)的 Python 示例任務(wù)是把一份 CSV 里的重復(fù)記錄按規(guī)則去重并保留最新時間戳。代碼塊里的注釋標出了關(guān)鍵參數(shù)。import pandas as pd def dedup_csv(input_path: str, output_path: str, key_col: str, time_col: str) - pd.DataFrame: 按 key_col 去重保留 time_col 最新的一條。 參數(shù) input_path: 輸入 CSV 路徑 output_path: 輸出去重后 CSV 路徑 key_col: 業(yè)務(wù)主鍵列名 time_col: 時間戳列名必須是可比較類型 df pd.read_csv(input_path) # 關(guān)鍵參數(shù)先轉(zhuǎn)時間類型避免字符串排序?qū)е隆?0”排在“2”前面 df[time_col] pd.to_datetime(df[time_col], errorscoerce) # 丟棄時間解析失敗的行避免排序時被空值干擾 df df.dropna(subset[time_col]) # 按主鍵分組取時間最大的一行 result df.sort_values(time_col).drop_duplicates(subset[key_col], keeplast) result.to_csv(output_path, indexFalse) return result if __name__ __main__: dedup_csv(raw.csv, clean.csv, key_colorder_id, time_colupdated_at)這段代碼的邏輯說明pd.to_datetime負責(zé)把時間列轉(zhuǎn)成可比較類型errorscoerce會把無法解析的值變成空值后面用dropna清掉避免排序時出現(xiàn)意外。sort_values按時間升序排列drop_duplicates的keeplast保留每組最后一條也就是時間最新的一條。參數(shù)上key_col必須根據(jù)業(yè)務(wù)主鍵改不要直接套order_idtime_col要確認時區(qū)一致否則跨時區(qū)數(shù)據(jù)會排錯。讓模型生成這類代碼時提示語不要只寫“寫一個去重腳本”。我一般會寫“用 pandas 實現(xiàn)按主鍵去重保留時間戳最新的一條要求處理時間解析失敗的行輸出函數(shù)帶類型注解和參數(shù)說明給兩個邊界測試用例?！边@樣模型會主動考慮空值和類型問題。代碼跑失敗后把完整報錯和最小復(fù)現(xiàn)數(shù)據(jù)貼回去不要只貼“報錯了”三個字否則模型只能猜。4.2 文件上傳與長文本處理摘要、抽取與結(jié)構(gòu)化DeepSeek 支持文件上傳能夠掃描讀取各類文件及圖片中的文字內(nèi)容。這個能力在長文本摘要、合同字段抽取、報告結(jié)構(gòu)化上很實用但直接把整份文件丟進去常常得到“正確的廢話”。我的做法是先預(yù)處理再給抽取 schema最后抽樣核對。預(yù)處理包括三步去掉頁眉頁腳和重復(fù)水印按章節(jié)拆分成可管理的小塊給每塊加一個編號。提示語里不要寫“幫我總結(jié)”而要寫清輸出字段。比如處理一份調(diào)研紀要我會要求輸出 JSON字段包括“受訪者類型、核心訴求、反對意見、待驗證假設(shè)”。模型返回后用腳本檢查字段是否齊全再人工抽查兩條。文件類型預(yù)處理動作提示語要點長篇報告按章節(jié)拆分保留標題層級要求按章節(jié)輸出要點不要跨章合并合同/協(xié)議去掉頁眉頁腳標注條款編號指定抽取字段要求保留原文依據(jù)會議紀要按發(fā)言人或議題分段要求區(qū)分“結(jié)論”和“待辦”圖片掃描件先確認文字識別質(zhì)量要求對模糊處標注“不確定”不要硬猜提示長文本處理不要一次性追求“全”先抽一張表再補細節(jié)。輸出格式越固定后面校驗越省事。4.3 聯(lián)網(wǎng)搜索與深度思考模式的組合用法聯(lián)網(wǎng)搜索和深度思考解決的是兩類不同問題。聯(lián)網(wǎng)搜索補的是“信息時效性”深度思考補的是“邏輯鏈完整性”。組合用法有兩種先搜后推適合需要基于最新信息做判斷的任務(wù)先推后搜適合先形成假設(shè)、再用檢索驗證的任務(wù)。我一般按“檢索—歸納—驗證”三步走。第一步讓模型聯(lián)網(wǎng)搜索時帶上時間范圍和來源類型比如“近兩年內(nèi)的公開行業(yè)報告或官方公告”不要讓它在沒有邊界的情況下自由發(fā)揮。第二步要求它把檢索結(jié)果歸納成表格列出“結(jié)論、來源類型、發(fā)布時間、可信度備注”。第三步切深度思考讓它檢查這些結(jié)論之間是否矛盾并指出還需要補充什么信息。任務(wù)核實某個行業(yè)趨勢判斷是否成立。 步驟 1. 聯(lián)網(wǎng)檢索近兩年內(nèi)的公開報告或公告列出至少三條不同來源的信息 2. 用表格輸出結(jié)論、來源類型、發(fā)布時間、支持或反對該判斷 3. 切換深度思考檢查三條信息之間是否存在矛盾 4. 最后給出“當前可采信程度”和“還需補充的證據(jù)”。 約束不要引用無法核實的匿名帖子對過期信息標注“時效風(fēng)險”。這段提示語的關(guān)鍵參數(shù)是“時間范圍”和“來源類型”。沒有這兩項聯(lián)網(wǎng)搜索容易給你一堆過期或低質(zhì)內(nèi)容。深度思考階段不要讓它重新搜而是讓它基于已有材料做邏輯檢查否則容易陷入反復(fù)檢索。最后一步的“可采信程度”不是讓模型拍腦袋而是讓它把證據(jù)強弱說出來方便你決定要不要繼續(xù)用。5. 避坑與排查五個最容易翻車的使用現(xiàn)場5.1 對推理模型做“手把手拆解”反而限制能力現(xiàn)象你寫了一大段步驟指令要求模型“先分析題意、再列公式、然后分步計算、最后檢查”結(jié)果推理模型輸出變得僵硬甚至漏掉它本來能自己發(fā)現(xiàn)的邊界條件。原因推理模型已經(jīng)內(nèi)化了推理邏輯強行拆解會干擾它的邏輯主線相當于讓一個會開車的人每一步都聽你指揮踩離合。解決把提示語壓到“目標 約束 輸出格式”中間步驟交給模型。比如“證明這個結(jié)論要求每步說明依據(jù)最后檢查單位是否一致”不要寫“第一步做什么、第二步做什么”。如果輸出仍然不理想先檢查任務(wù)是否真的需要推理模型而不是繼續(xù)加指令。5.2 拿通用模型硬做復(fù)雜推理結(jié)果看似合理但經(jīng)不起驗算現(xiàn)象通用模型給出一段邏輯順暢的答案你復(fù)制進方案后來發(fā)現(xiàn)中間某一步偷換了概念或者數(shù)據(jù)引用對不上。原因通用模型側(cè)重語言生成和上下文理解不強調(diào)深度推理能力遇到嚴格邏輯鏈任務(wù)容易“用表達補邏輯”。解決復(fù)雜推理任務(wù)優(yōu)先切推理模型如果只能用通用模型提示語里必須顯式要求“分步思考、給出計算過程、標注假設(shè)”并在拿到結(jié)果后做一次外部驗算。不要因為答案讀起來順就跳過驗算這是最常見的翻車點。5.3 長文檔直接整篇丟進去摘要漏掉關(guān)鍵結(jié)論現(xiàn)象上傳一份長報告讓模型“總結(jié)重點”返回的摘要覆蓋了背景和過程卻漏掉了最后的結(jié)論和風(fēng)險提示。原因長文本里信息密度不均勻模型容易按開頭和結(jié)尾的顯眼內(nèi)容做概括中間的關(guān)鍵表格或小字結(jié)論被忽略。解決先按章節(jié)拆分給每一塊編號提示語里明確“按章節(jié)輸出要點最后單獨列出結(jié)論和風(fēng)險項”要求模型對不確定的地方標注“原文未明確”。拿到結(jié)果后用關(guān)鍵詞回查原文確認沒有漏項。5.4 代碼生成不寫測試用例復(fù)制進項目才報錯現(xiàn)象模型給的代碼在對話里看起來沒問題復(fù)制到本地一跑就報錯常見的是空值、類型不一致、路徑不存在。原因提示語只描述了主流程沒有給邊界條件模型傾向于生成“理想輸入”下的代碼。解決生成代碼時強制要求“帶兩個邊界測試用例”和“列出可能的異常輸入”。代碼跑通后再讓模型做一次代碼審查重點是空值處理、類型轉(zhuǎn)換和資源釋放。不要跳過本地測試對話里的“運行成功”不等于你的環(huán)境能跑。5.5 聯(lián)網(wǎng)搜索不加時間與來源約束拿到過期信息現(xiàn)象模型聯(lián)網(wǎng)后給出一組看似權(quán)威的數(shù)據(jù)你引用到材料里后來發(fā)現(xiàn)是幾年前的舊聞或者來源不可靠。原因聯(lián)網(wǎng)搜索沒有時間范圍和來源類型約束模型會優(yōu)先抓取容易獲取的內(nèi)容而不是最新、最可靠的內(nèi)容。解決提示語里寫清“近兩年內(nèi)”“公開報告或官方公告”“列出發(fā)布時間和來源類型”對關(guān)鍵數(shù)據(jù)要求給出至少兩個獨立來源最后讓模型標注“時效風(fēng)險”。如果任務(wù)對時效要求高先搜后推不要先推后搜。6. 進階驗證用“可復(fù)現(xiàn)的檢查表”把輸出質(zhì)量穩(wěn)住做到前面幾步你已經(jīng)能避開大部分明顯坑。剩下的是穩(wěn)定性問題同一個提示語今天好用明天可能因為輸入變化而失準。我的習(xí)慣是給每類任務(wù)配一張檢查表不讓模型自己判卷而是用外部標準逐項打勾。比如代碼任務(wù)檢查“是否有邊界用例、是否處理空值、是否說明時間/空間復(fù)雜度”長文本任務(wù)檢查“是否覆蓋結(jié)論、是否標注不確定、是否有原文依據(jù)”決策任務(wù)檢查“是否列出假設(shè)、是否做敏感性分析、是否給出觸發(fā)條件”。任務(wù)類型檢查項通過標準失敗動作代碼生成邊界用例、空值處理、依賴說明本地能跑通兩個異常輸入補提示語要求給測試用例長文本抽取字段完整、原文依據(jù)、不確定標注抽取字段無缺失關(guān)鍵結(jié)論可回查拆分文本縮小單次處理范圍決策分析假設(shè)、計算過程、觸發(fā)條件假設(shè)可驗證計算可復(fù)算切推理模型要求列公式聯(lián)網(wǎng)核實時間范圍、來源類型、交叉驗證至少兩個獨立來源標注時效縮小時間范圍重新檢索這張表的價值在于它把“感覺不對”變成“哪一項沒過”。沒過就回到對應(yīng)章節(jié)補提示語而不是反復(fù)重試同一句話。還有一個具體技巧讓模型做“自檢”時不要問“你覺得這個答案對嗎”它會傾向于給自己打高分。要問“請列出這個答案最可能被推翻的兩個點并說明需要什么證據(jù)才能確認”。這相當于把自檢變成找反例比讓它自我評價有效得多。從那以后我每次把 DeepSeek 接進流程都先跑一遍這張檢查表再決定要不要把結(jié)果交給下游。希望幫到你。本文還有配套的精品資源點擊獲取