【Deepseek】或许是全网最全的 DeepSeek 使用指南,90% 的人都不知道的使用技巧(建议收藏)
前言从 DeepSeek R1 发布那天开始我就开始写文章介绍 DeepSeek没想到这几天这么火爆了。不过我在翻看评论区时发现很多朋友并没有很好的发挥出 DeepSeek R1 的潜能。朋友们我真是着急啊。心急之下赶紧写了这篇文章教大家一些有用的技巧并提供一些案例来让 DeepSeek R1 成为咱们的得力干将。在哪使用 DeepSeek为照顾一些新手朋友这里还是先说下在哪使用 DeepSeek老手跳过这部分就行了。目前 DeepSeek 提供了如下使用方式1. 网页版打开 https://chat.deepseek.com/ 直接使用。2. App手机扫码下载。默认情况下DeepSeek 使用的是 V3 模型点击深度思考才会切换为 R1 模型即现在让“硅谷震惊”的模型。深度思考旁边还有个联网搜索默认情况下 DeepSeek 使用的是好几个月前的训练数据如果我们想参考最新的新闻则点击联网搜索让 DeepSeek R1 基于最新的网络数据来优化回答。另外 DeepSeek 还提供了服务状态的监控可以打开 https://status.deepseek.com 查看服务状态。一般来说当服务状态为红色时会较频繁的出现“服务器繁忙请稍后再试”的提示。基础技巧好了现在正式进入正题看看用什么技巧能让 DeepSeek R1 成为我们的得力助手。直接提需求首先说下 DeepSeek 相对于 GPT 等主流大模型的区别。GPT 等主流大模型是指令型大模型。这类大模型需要我们给它说下比较详细的流程它的回答才会让我们满意。比如我们想让 GPT 4o 扮演中国妈妈让孩子相亲“请你扮演我妈用我妈的口气来教育我批评我催我结婚让我回家。给我讲七大姑八大姨家的孩子都结婚了为啥就我单身再给我安排几个相亲对象。”演示效果如下上面的提示词不仅交代了需求背景“用我妈的口气来教育我”还交代了一些额外的流程“七大姑八大姨家的孩子都结婚了”“再安排几个相亲对象”等。因此去年在 ChatGPT 这类指令型大模型很火的时候出现了很多提示词模板甚至诞生了“提示词工程师”这一岗位。而 DeepSeek R1 属于推理型大模型。这类模型不需要我们列出太详细的流程太详细的流程反而会降低它们的性能限制它们的发挥。DeepSeek R1 在发表的论文中也提到DeepSeek R1对提示词很敏感。为获得最佳效果建议用户直接描述问题。我们用问题 “当老黄看到英伟达的股价因为 DeepSeek R1 暴跌 17% 时写出他的内心独白” 为例对比下几个主流大模型就能看出一些区别。先看看豆包的回答豆包的输出只有心理描述略显空洞乏味。接着看看 GPT-4o 的回答GPT-4o 加了点人物动作回答相对于豆包丰富了一些不过仍然比较空洞。再看看 Claude 3.5 Sonnet 的回答Claude 不仅说之前英伟达也大跌过还提到了英伟达的生态系统整个回答会让人有信服感。最后看看 DeepSeek R1 的答案相对于前几个大模型DeepSeek 自己“加了很多戏”不过读起来更形象也更有画面感。所以对于 DeepSeek R1 而言我们完全可以把自己想象成老板DeepSeek R1 是我们请的一位专业助手。这位专业助手不需要我们告诉它应该怎么做我们只管“当大爷”提需求让助手干活就行了。可能几次交流之后你会得出这样的结论我们是真不如 AI 那样博学啊。下面再介绍一些技巧让你的 DeepSeek 好用到爆。万能提问模板虽然直接提问题已经能得到不错的答案但如果再加上“背景描述”这个简单的优化还能让回答更上一层楼。背景描述指的是向 DeepSeek R1 说清楚我是谁如我一个互联网打工人、我当前的水平如我是自媒体小白、我想让 DeepSeek 充当的角色如你是一名自媒体运营专家等。有时 DeepSeek 回答的内容可能不是你想要的这时我们可以增加约束条件来限制、优化它回答的内容。所以可总结成这个简单、万能的 DeepSeek 提问模板即背景需求约束条件可选。如我家小孩读初一交待背景怎样提高他的英语水平提出需求不需要考虑口语问题 约束条件可选。可以看到 DeepSeek 这位助手十分贴心不仅列了如何高效学习单词、语法、阅读和写作还提供了一些应试技巧和日常训练的方法。如果我们觉得这位助手的回答还不够深入完全可以让它针对某一点再展开详细说说。用好这个简单的模板能解决 90% 的日常问题让 DeepSeek 瞬间成为我们工作、学习、生活的好帮手。让 DeepSeek “说人话”模板虽好用但是当我们问到一些专业领域的问题时DeepSeek 的回答会掺杂很多专业名词来解释问题。如果我们是行业内的人专业名词能帮我们快速清楚的解释明白问题。但如果这个领域刚好不是我们擅长的话通常都会觉得这些专业名词晦涩难懂不知所云。碰到这种情况我们只需要在提示词中加上“说人话”、“大白话”、“通俗易懂” 等DeepSeek 给我们的用户体验会立马提升一个档次。比如我问他“DeepSeek 成本这低的原因是什么”。上面的回答并没有什么问题如果我们是业内人士自然知道 MoE 架构、蒸馏和 FP8 是什么意思。遗憾的是可能 99% 的人根本不明白上述回答到底说的是什么意思。这时我们只需要简单的加上“说人话”三个字就能得到一个通俗易懂的答案了。这里 DeepSeek 会用“100 个员工中只让 10 个员工干活”解释 MoE 架构用“高清电影转 MP4 格式”来解决 FP8。是不是一下就懂了模仿回答我们还可以用“模仿 X”、“以 X 的口吻/语气”“以 X 的内心独白”等等提示词把 DeepSeek 的使用体验拉满。比如我们可以用知乎常用格式回应 DeepSeek 导致英伟达股价暴跌的问题。用贴吧暴躁老哥的语气回应美国多名官员称 DeepSeek 偷窃了他们的技术。好家伙我都能感觉它的唾沫星子快飞到我脸上了。贴吧 10 级的喷人水平也自愧不如吧。。。我们还可以让 DeepSeek 模仿李白给我们写春联。让《雪中悍刀行》的作者烽火戏诸侯写短篇小说给我们看。有网友分享了“哲学大师”看大师说的话是不是颇有哲理可以看到使用模仿人物的方法能达到意想不到的结果。高级技巧这里再提供几个比较繁琐但高级的用法。多模型组合对于复杂场景通常一个 AI 模型并不能得到很好的效果此时我们可以将 DeepSeek R1 与 GPT-4o 或 Claude 3.5 Sonnet 组合使用。一般来说可以先让 DeepSeek R1 告诉我们应该怎么处理问题然后根据它给的答案让指令型大模型去生成结果。业务分析如果我们想分析业务可以开启“联网搜索”实时搜索内容还能上传附件来精准分析。比如我们想在小红书上起号可以直接“联网搜索”对标账号让 DeepSeek R1 给我们一个起号流程。对于不能搜索的地址先手动下载资料后再上传给 DeepSeek R1 帮助分析。DeepSeek R1 不仅能给出具体流程还会生成一些 mermaid 图表非常好用。以我测试的结果看一波策划和数据分析师要失业了。DeepSeek 不适合做什么DeepSeek 碰到一些问题类型时会提示“无法思考这类问题”。一般来说主要是如下几类问题1. 敏感内容国产审核比较严这里不说多了懂得也懂。2. 长文本内容现在 DeepSeek 模型上下文长度最长为 6 万 4 千个 token最大输出长度为 8 千个 token默认输出长度为 4 千个 token。这里科普下一个 token 指的是一个语义单元如一个单词或单词的一部分结构词根或后缀或标点符号等。而上下文长度包括输入长度如用户问题、对话历史等和输出长度。目前主流大模型服务商提供的最大上下文长度如下1. 豆包25.6 万 token2. GPT-4o、GPT-o112.8 万个 token3. Claude Pro20 万个 token (约500页文本或100张图片)4. Gemini 1.5 Flash100 万个 token5. Gemini 1.5 Pro200 万个 token不知不觉写了这么多由于篇幅有限这里就先聊到这。其实还有很多内容还没写出来大家可以先关注我后续会持续给大家带来一些干货。最后再说一句从去年 ChatGPT 的爆火到现在的 DeepSeek R1 的轰动AI 就像当年的智能手机一样开始慢慢渗透进我们的生活以后肯定会成为你我日常生活中的一部分。大家应该很难相信人类现在没有手机会变成什么样。同样的我相信再过 10 年我们也离不开 AI。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下领取方式我会放在下面希望领取了的朋友不要忘了下方名片放心添加

相关新闻

系统分析师近年以来考点背诵版

系统分析师近年以来考点背诵版

一、综合知识必背短句 软件工程与系统分析1. DFD四要素:外部实体、数据流、加工、数据存储,遵循数据流守恒,杜绝黑洞、奇迹。2. UML核心图:用例图定需求边界,类图画静态结构,时序图表交互流程,活…

2026/10/18 10:49:49 阅读更多 →
To B 科技公司宣传物料指南:为什么技术公司也要做实体画册?

To B 科技公司宣传物料指南:为什么技术公司也要做实体画册?

很多技术创业者觉得,我们是互联网 / 科技公司,宣传全靠线上就够了,做实体画册是传统公司才干的事,过时又浪费钱。但做了五年 To B SaaS 公司的我想说:一本好的实体画册,在 To B 获客里的作用,比…

2026/10/14 7:06:38 阅读更多 →
剪辑气口前后对比,2026年剪气口工作流,5款深度对比

剪辑气口前后对比,2026年剪气口工作流,5款深度对比

剪辑气口前后对比,到底差在哪做口播、课程、直播切片的朋友,大概率都经历过这种场景:一条 3 分钟的视频,观众在第 20 秒就划走。回放一看,不是内容不行,而是开头几句之间塞满了「嗯、啊、那个」和两三秒的空…

2026/10/17 1:33:13 阅读更多 →

最新新闻

光伏电站灰损治理:轨道式智能清洁机器人全栈方案

光伏电站灰损治理:轨道式智能清洁机器人全栈方案

做光伏电站的人都知道组件脏了要洗,但真正把“灰尘偷走多少度电”这笔账算清楚的人不多。业内把灰尘遮挡组件导致的发电损失叫“灰损”,听着专业,本质很简单:组件表面被蒙上一层灰,光线进不去,电池片出力直…

2026/10/18 10:49:51 阅读更多 →
掌握Prompt工程核心技巧,让AI用大白话解释技术概念

掌握Prompt工程核心技巧,让AI用大白话解释技术概念

直接让 AI 解释一个技术概念,十次里有八次会得到一篇“字都认识但连起来看不懂”的答案。就拿标题里这个例子来说,一句“用简单语言解释 Transformer”,看起来问得很清楚,大模型也确实给了回应,但你仔细读一遍就会发现…

2026/10/18 10:49:51 阅读更多 →
飞控计算机硬实时操作系统选型与实操指南

飞控计算机硬实时操作系统选型与实操指南

1. 飞控计算机为什么非用硬实时系统不可搞飞控的人都有一个共识:飞控计算机跟咱们平时用的电脑、手机完全是两码事。你手机上的操作系统卡个半秒,顶多就是滑动不跟手;但飞控计算机要是卡个几毫秒,飞机可能就已经偏离姿态了。这就是…

2026/10/18 10:49:51 阅读更多 →
境外市场行情接入实战:WebSocket实时行情与K线聚合全解析

境外市场行情接入实战:WebSocket实时行情与K线聚合全解析

接了个活儿,要把某境外证券市场(按习惯大家都叫它美股)的实时行情和K线数据接进内部系统,做量化分析和实时盯盘展示。这类项目看着不算复杂,但实际操作起来有不少暗坑,尤其是行情源选型、WebSocket消息解析…

2026/10/18 10:49:51 阅读更多 →
香港云服务器访问慢、不稳定?从线路选型到内核调优的优化指南

香港云服务器访问慢、不稳定?从线路选型到内核调优的优化指南

做香港云服务器这几年,我接过的“为什么这么慢、这么不稳定”类咨询,至少几十次起步。大部分朋友第一反应是“机房带宽不够”或者“配置太低”,但实际排查下来,真正的问题往往出在线路选型、网络路径和系统参数上。香港机房本身处…

2026/10/18 10:49:51 阅读更多 →
OpenRT实战:多模态大模型红队安全评估从入门到落地

OpenRT实战:多模态大模型红队安全评估从入门到落地

如果你最近在盯多模态大模型的安全测评,大概已经听过OpenRT这个名字——一个开源的LLM红队框架,主打对多模态模型做系统化的健壮性评估。前阵子我正好把它用在一个客服问答系统的上线前检查里,发现很多人对它的理解还停留在“又一个提权工具”…

2026/10/18 10:48:51 阅读更多 →

日新闻

基于GMM的语音识别系统原理与MATLAB实现详解

基于GMM的语音识别系统原理与MATLAB实现详解

说到基于高斯混合模型(GMM)的语音识别系统,很多人第一反应就是一堆数学公式,觉得门槛很高。但如果你真的在MATLAB里把它落地跑通,会发现核心其实就是三件事:把声音变成特征向量,用GMM给每个类别…

2026/10/18 0:00:55 阅读更多 →
数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理这四个字听起来挺唬人,但落到具体操作上,无非就是让计算机按你的想法“摆弄”像素。我在一个模拟项目X里用了一套特别经典的基础处理流程:对图像做反白、改调色板、彩色转灰度,最后把像素数据导出成txt文件。单看每一…

2026/10/18 0:00:55 阅读更多 →
机器人大脑技术盘点:具身智能的感知、决策与数据闭环

机器人大脑技术盘点:具身智能的感知、决策与数据闭环

如果你的信息流最近也天天刷到“机器人大脑”这个词,你会发现一个很有意思的现象:每个人说的“大脑”根本不是同一个东西。有人指的是大语言模型,有人指的是运动控制系统,还有人指的是能理解物理世界的端到端模型。在2026年这个时…

2026/10/18 0:00:55 阅读更多 →

周新闻

基于GMM的语音识别系统原理与MATLAB实现详解

基于GMM的语音识别系统原理与MATLAB实现详解

说到基于高斯混合模型(GMM)的语音识别系统,很多人第一反应就是一堆数学公式,觉得门槛很高。但如果你真的在MATLAB里把它落地跑通,会发现核心其实就是三件事:把声音变成特征向量,用GMM给每个类别…

2026/10/18 0:00:55 阅读更多 →
数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理这四个字听起来挺唬人,但落到具体操作上,无非就是让计算机按你的想法“摆弄”像素。我在一个模拟项目X里用了一套特别经典的基础处理流程:对图像做反白、改调色板、彩色转灰度,最后把像素数据导出成txt文件。单看每一…

2026/10/18 0:00:55 阅读更多 →
机器人大脑技术盘点:具身智能的感知、决策与数据闭环

机器人大脑技术盘点:具身智能的感知、决策与数据闭环

如果你的信息流最近也天天刷到“机器人大脑”这个词,你会发现一个很有意思的现象:每个人说的“大脑”根本不是同一个东西。有人指的是大语言模型,有人指的是运动控制系统,还有人指的是能理解物理世界的端到端模型。在2026年这个时…

2026/10/18 0:00:55 阅读更多 →

月新闻

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/18 0:55:02 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/17 17:22:31 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/16 14:23:36 阅读更多 →