简介：这是一份由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团队推出的DeepSeek主题PDF讲稿，面向希望理解并上手通用人工智能工具的普通用户、学生与职场人，围绕“DeepSeek是什么、能做什么、如何提问”展开，帮助读者在工作、学习、生活与社交关系中找到可落地的AI协作方式。资源共1个PDF文件，压缩包约4.39MB，内容以图文讲稿形式呈现，便于通读与按主题检索。讲稿系统梳理DeepSeek-R1的开源推理能力、能力图谱与典型应用场景，并结合项目书撰写、学习提效、生活减负、社交沟通等案例说明提示词驱动的新生产力，还讨论了深度思考过程、提出问题、鉴别答案与选择再创造在AI时代的价值，并涉及从知识获取到创意生成的多种用法。已有202人学习，适合想建立DeepSeek整体认知、理解提示词方法与决策思路的入门到进阶读者。
1. 先弄懂一件事：DeepSeek 到底是帮你干什么的
第一次听到「普通人也能抓住 DeepSeek 红利」这句话，很多人的反应是：又一个跟我没关系的新名词。其实把它想成公司里那个随叫随到、不吃饭不睡觉、还读过很多书的实习生，就差不多了。你把要求说清楚，它给你一版草稿；你嫌不好，它改；你缺思路，它列几条。
DeepSeek 属于通用大模型，能对话、能写东西、能读文件、能推理、能生成代码和表格。对零基础的人来说，入门不需要会编程，只要会描述需求。这份某高校研究团队整理的 PDF，讲的就是普通人怎么用它处理工作、学习和生活里的具体麻烦。
2. 为什么零基础也值得学：稀缺的早就不是知识了
2.1 一个已经发生的变化：知识变便宜，判断变贵
过去我们衡量一个人厉害，常常看他记住了多少、查得到多少。现在搜一句话、问一句，资料立刻铺满屏幕。这份 PDF 里有一句话我印象很深：知识获取的成本趋近于零，拥有知识本身不再是核心竞争力。听起来有点扎心，但对新手其实是好消息——你不需要先背完一柜子书才能开始干活。
真正拉开差距的，变成了两件事。第一件是能不能把问题问清楚：模糊地说「帮我写个方案」，得到的多半是空话套话；把背景、目标、格式、字数都交代清楚，拿回来的东西才像样。第二件是能不能分辨答案好坏：模型给出的内容可能有偏差，甚至有理有据地编造，你得有能力判断哪些能用、哪些要回原始材料核对。
这两件事合起来，就是这份材料反复强调的「提出问题」和「鉴别答案」。它们听起来很虚，其实每天都能练：任何一次提问，都问自己「我有没有把要求说全」；任何一次回答，都问自己「这条数据它从哪来的」。
2.2 三类人上手最快：写材料的、刚入职的、天天回消息的
新手最容易误以为 AI 是程序员专用的。按这份 PDF 的场景拆解，真正先尝到甜头的是三类人。
一类是经常被材料追着跑的人。临时通知、明早要交、手上只有零散记录，这是职场最常见的窒息时刻。模型最擅长的恰恰是把零散信息组织成结构，先给骨架，再填内容，最后统一话术。你不需要它写得多么惊艳，只需要它把「从零开始」变成「从一版草稿开始」，心理压力立刻小一半。
二类是刚到一个新环境的人。新人要同时搞懂产品线、部门职责、内部系统、行业趋势，信息量大且散。以前靠同事口头带、靠翻厚手册，现在可以先把已有的资料喂进去，让它整理成一份「新人三十天速览」，再顺着它列出的疑点去问真人。注意，是去问真人，不是拿它的答案当公司制度。
三类是天天跟客户来回沟通的人。客户问活动规则、问订单状态、问能不能改交期，以前要翻好几个系统。现在可以把常见问题整理成一份问答底稿，让它按统一口径生成回复草稿，人只做最后确认。
2.3 别急着懂原理，先学会把一句话说完整
我刚接触这类工具时，花了两天去看它怎么训练、什么是强化学习、推理能力从哪来。看完的唯一收获是：更不敢动手了。后来才发现顺序错了。原理属于「想知道为什么」，入门阶段真正需要的是「知道怎么开口」。
一个很朴素的判断标准：你能不能在两分钟内，把下面四件事写清楚——我是谁/我在什么场景、我要你产出什么、有什么限制条件、交付成什么格式。这四件事写全了，普通模型也能给出可用结果；写不全，再强的模型也只能猜。这也是我建议所有新手的第一个练习：不谈原理，先练把一句话说完整。
提示：入门阶段不要追求一次问出完美答案，追求的是「这次比上次问得清楚一点」。这是唯一能靠练习稳定提升的部分。
2.4 它给的是选项，不是答案
这份材料里有个说法叫「选择中的再创造」：模型会给你好几种解法，人要做的是判断、筛选、组合，最后形成一个真正能落地的方案。这个定位很重要，因为它决定了你的使用姿势。
如果你把它当答案机器，你会很快失望——它偶尔会错，而且错得很自信。如果你把它当选项生成器，体验会完全不同：让它一次给三个方向，你挑一个；让它列出五个风险，你判断哪两个是真的；让它写两版不同风格的文案，你选一版再改。选择权始终在你手上，这也是普通人最该守住的位置。
3. 第一个例子跟着做：一小时攒出一份像样的项目书
3.1 开口前先想清楚三件事
在动手之前，先把「材料、目标、格式」三件事在心里过一遍。材料是你手上有什么：会议记录、旧模板、几张截图、几句口头交代。目标是这次要交出去的东西长什么样：多少字、给谁看、要解决什么问题。格式是交付形态：分几章、要不要表格、要不要编号小标题。
很多人跳过这一步直接提问，结果就是模型给了一堆正确但没用的废话。你给的信息越具体，它猜的空间越小，产出越接近你要的。这一步花三分钟，能省后面半小时。
3.2 第一步：五分钟把框架搭出来
先不要让它写正文，只让它搭目录。这一步的目标是拿到一个结构，让你知道这份东西由哪几块组成。
你是熟悉产业园区规划的方案撰写顾问。 我要写一份智能物流园区项目方案书，读者是甲方管理层，总篇幅约一万字。 请先不要写正文，只输出三级目录： 一级章节 4 到 6 个，每个一级章节下 3 到 5 个二级小节。 每个小节后面用一句话说明这一节要写什么内容、大概多少字。这段提示词里，「你是谁」定角色，「我要什么」定任务，「读者是谁、多少字」定约束，「只输出目录、每个小节带一句说明」定格式。四项都齐了，回来的目录通常可以直接用。
拿到目录后做一件事：自己删改。哪一节明显跟这次的甲方无关，删掉；哪一节是这次汇报的重点，加粗加厚。这一步不能省，因为框架决定了后面所有内容的方向，方向错了，填得再满也是白费。
3.3 第二步：一个模块一个模块填
有了目录，就进入填充阶段。这里有个血泪经验：千万不要一次性说「把全文写出来」。一次性生成的长文，越往后越水，前面认真后面敷衍，而且你很难定位问题。
正确做法是一个小节一问，同类小节用同一套模板，只换关键词。
写「功能分区」这一节，约 600 字。 必须包含三块内容：自动化立体仓库、AGV 调度中心、冷链专区。 每块写清楚它承担什么功能、关键设备有哪些、大致占地和吞吐能力。 用「小标题 + 要点列表」的形式输出，不要写成大段散文。这样问的好处是可控：不满意只重写这一节，不用推翻全文。同类小节（比如三四个分项工程）用同一段模板，只把「功能分区」换成「消防系统」「信息系统」，效率会明显提升。
关于数据，这里要说句实在话。材料里提到一个应急技巧：缺数据时可以让模型生成合理的示意值，但必须标注「示例」。我建议把它变成硬规矩——凡是模型给出的数字，一律在括号里写明「示例，待核实」，交出去之前自己回原始材料或找业务同事确认。这一条后面还会在避坑章节展开说。
3.4 第三步：把「虚但必需」的部分补齐
一份正式材料里，总有些部分看着空、但缺了就不完整：政策背景、风险评估、效益测算。这类内容人写起来最痛苦，因为要在有限时间里组织出像样的表述。
这时候问法要变，从「写一段」变成「给我素材，我来判断」。
列出 4 条与智能物流园区相关的政策方向，每条注明大致发布时间和核心要点， 并说明它对本地园区项目的参考意义。如果记不准具体发文号，就写「待核实」，不要编造。注意最后那句约束。它会显著降低模型硬编一个编号出来的概率。风险评估也一样，让它列三大类技术风险、每类给一句应对思路，你再按项目实际情况筛掉不适用的一多半。效益测算更是如此：可以让它写出计算公式和假设条件，但假设值必须由你填，因为那是要担责任的部分。
3.5 第四步：润色、自查和格式
内容堆够之后，最后一步是统一和排雷。统一指的是话术风格：政府汇报、客户提案、内部周报，语气完全不同，把全文粘进去让它整体改写一遍，比你自己一句句抠快得多。
排雷指的是提前找漏洞。有个问法我一直在用：
下面是方案的第三章和第四章。假设你是甲方评审，请列出 3 个最可能被质疑的点， 每个点说明质疑理由，并给出一句话应对思路。不要夸我，只挑毛病。它挑出来的问题不一定都对，但通常能戳中你自己看不见的盲区。挑两三条真的补上，剩下的忽略。
格式这一步容易被低估。同样的内容，加上编号小标题、要点列表、两三个表格，可读性完全不一样。可以让它把关键参数整理成表格，也可以让它把某段流程改写成步骤清单。视觉上的清晰，本身就是专业感的一部分。
3.6 换两个场景再练一遍
第一个例子跑完，建议立刻换场景再练一次，把方法迁移出去。
场景一：刚入职，要快速摸清一个陌生行业。做法是把手上能找到的行业报告、产品手册、竞品资料一起上传，先问「这份材料里，这家公司主要有几条产品线，各自卖给谁」，验证它真的读到了内容；再问「这个行业最近三年有哪些明显变化，哪些是共识、哪些还有争议」。它会给你一版行业概览，你拿着这版概览去问老同事，提问质量会完全不同。
场景二：客户沟通。把常见问题整理成一份底稿，让它按统一口径生成回复草稿，你只做确认和补充。这里的关键不是快，而是口径一致——同一个问题，三个人回复不能有三个版本。让模型基于同一份底稿生成，一致性天然更好。
这两个场景都有一个共同点：先给材料，再提要求，最后人来把关。把这个顺序记住，比记住任何一句提示词都有用。
4. 提示词的四段骨架：照着改就能用
4.1 角色、任务、约束、格式，缺一段就容易跑偏
提示词听起来玄，拆开看就是四段话。角色给它一个身份，任务说清要产出什么，约束划定边界，格式规定交付形态。四段齐全，输出稳定的概率大幅提高；缺哪一段，它就在那一段上自由发挥。
| 段落 | 作用 | 写不好时的典型表现 |
|---|---|---|
| 角色 | 决定用词和专业深度 | 语言像百科词条，泛泛而谈 |
| 任务 | 决定产出物是什么 | 答非所问，写了一堆相关但不用的内容 |
| 约束 | 决定边界和取舍 | 内容注水，把无关信息也塞进来 |
| 格式 | 决定能不能直接用 | 大段散文，粘进文档还要重排 |
新手最常缺的是「约束」和「格式」。角色和任务大家都会写，但很少人说「不要写背景介绍」「不要用第一人称」「控制在 500 字以内」「用表格输出」。而恰恰是这些限制，决定了产出能不能直接用。
一个可以当模板用的完整句式是这样的：
你是（某领域）的（某角色）。 帮我完成（具体任务），产出物是（文档/表格/清单/回复草稿）。 限制：（字数范围）（必须包含的内容）（必须避免的内容）（不确定时如何处理）。 格式：（分几部分）（是否用表格）（是否用编号小标题）。括号里的内容每次替换，句式保持不变。用熟之后你会发现，改的从来不是句式，而是你对任务本身的理解。
4.2 一次只让它干一件事
新手第二个高频问题，是把五件事塞进一段话：帮我分析这份报告、总结要点、写成推文、再配三个标题、顺便翻译成英文。结果每件事都做得半生不熟。
更有效的做法是拆成接力：第一步只做提炼，第二步基于提炼写推文，第三步基于推文起标题。每步的产出都是下一步的输入，中间你还有机会检查一次。这跟做菜一样，切配、下锅、调味分开放，混在一起就只能炒出一锅糊。
拆步骤还有个隐性好处：出错时你知道错在哪一步。一次性生成的五百字里有个数据不对，你得从头找；分四步生成的，你一眼能看出是第二步的素材有问题。
4.3 让它自己挑毛病
模型有个特点：你问它「这样写对吗」，它倾向于说对；你让它「扮演质疑者」，它才认真挑刺。所以自查要换个问法。
三个我常用的自查句式。第一个是挑漏洞：「列出这段话里三个可能被反驳的地方」。第二个是找缺失：「这份方案的评审通常会关注哪些方面，我这份里缺了哪些」。第三个是查一致性：「检查全文的数字和口径有没有前后矛盾，逐条列出」。
第三个尤其有用。长文档最容易出的问题不是写得好不好，而是前面说占地五百亩、后面写成三百亩这种低级错。人眼扫十遍都未必发现，让它逐条比对反而快。
4.4 答得不好，先改问法
输出不满意时，很多人的第一反应是「你怎么这么笨」，然后重开一个对话再问一遍，结果还是差不多。问题多半不在模型，而在输入。
按这个顺序排查：先看任务是否太模糊，把「写得好一点」换成「每段不超过三句、去掉形容词」；再看约束是否缺失，补上字数、读者、必须包含的要点；然后看材料是否不足，它不知道你的业务背景，当然只能写通用内容；最后看是不是一次问太多，拆开重来。
一句经验：当你觉得它「不懂你」的时候，八成是你没告诉它你是谁、给谁写、要什么。这三件事补上，同一句话的效果会有明显差别。
5. 新手避坑：5 个最容易翻车的地方
5.1 坑一：数字看着特别真，直接抄进汇报
现象：让模型估算某个园区的设备配置，它给出一张工整的表格，数字精确到个位，看着像从报告里摘的。你顺手贴进方案，会上被问「这个数怎么来的」，当场卡住。
原因：模型的任务是生成像样的内容，不是保证数据真实。当它不确定时，倾向于补一个「看起来合理」的值，而不是留空。数字越具体，越容易让人放松警惕。
解决：养成一个硬习惯——凡是模型产出的数值，一律加「（示例，待核实）」后缀，交出去前逐个回源。涉及金额、产能、比例这类要担责任的数据，宁可留空写「待测算」，也不要拿一个漂亮但无出处的数字充数。这不是小心过头，是保命的后悔药。
5.2 坑二：一段话塞五个任务，结果样样稀松
现象：提示词写了三百字，让它分析、总结、改写、起标题、翻译一起做。回来一大坨，每一块都浅，你还得自己拆开重排。
原因：一次生成的内容越长，注意力越分散，后面的部分明显比前面敷衍。加上多个任务互相干扰，格式也容易混在一起。
解决：拆成接力，一次一件事。第一轮只提炼要点，第二轮基于要点写正文，第三轮起标题。每轮结束你检查一次，再进入下一轮。多花两分钟，省下半小时返工。
5.3 坑三：上传了文件，就以为它全读完了
现象：上传一份几十页的材料，问一个很细的问题，它答得似是而非，甚至和原文相反。你以为是模型不行。
原因：长文档在读取时可能被截断或只取片段，细节问题它未必真看到了。另外，多个文件混在一起，它可能把 A 文件的结论安到 B 文件头上。
解决：先做一次「阅读理解测试」——问它「这份材料一共分几个部分，第三部分主要讲什么」，答对了再往下问。关键结论要求它注明出自哪一节，对不上就自己翻原文。真正要紧的段落，直接复制进对话里，比上传整份文件可靠。
5.4 坑四：拿到初稿就交，不做人工复核
现象：模型给的一版看着挺顺，改两个错别字就发出去了。结果里面有一条不存在的政策、一个对不上的时间节点。
原因：语言流畅会带来「可信感」，读起来顺，脑子就不核对了。这是所有人都会中的招，跟聪不聪明没关系。
解决：把复核做成固定动作，不要靠自觉。三个必查项：所有专有名词和政策表述、所有数字和时间、所有涉及承诺的句子。查的时候不要通读，要逐项对照原始材料打勾。这一步花十分钟，能挡住绝大部分事故。
5.5 坑五：指望一次成型，不改不迭代
现象：第一版不满意，觉得工具没用，关掉不用了。
原因：把模型当打印机，而不是当合作者。实际上第一版的作用是给你一个可以修改的东西，而不是最终成品。
解决：把预期调成「第一版只要能看就行」。拿到后做三件事：删掉一半废话，补上它不知道的业务细节，把它写得含糊的地方换成具体表述。改完的第二版，通常比你自己从零写的第一版好，而且快得多。
6. 下一步学什么：三周练习路线和我的笨习惯
入门之后别急着学新工具，先把这一套练熟。我给新手的路线是三周，每周一个重点。
第一周练「说清楚」。每天挑一件真实的小事，用四段骨架写一条提示词：角色、任务、约束、格式。写完后自己检查一遍四段齐不齐，再发出去。这一周不看结果好坏，只看输入是否完整。
第二周练「拆步骤」。找一件稍微复杂的事，比如整理一份会议纪要、写一份活动方案，强制自己拆成三步以上，每步单独提问。这一周的目标是体会「接力」和「一次性生成」的差距。
第三周练「判卷」。把前两周产出的内容翻出来，逐条核对事实，标出哪些是模型编的、哪些是你没交代清楚导致的。这一周最枯燥，但收获最大。
| 任务类型 | 推荐问法 | 常见失败点 |
|---|---|---|
| 写材料 | 先要目录，再逐节填 | 一次性生成全文 |
| 查资料 | 要求注明出处，自己回源 | 直接采信具体数字 |
| 做总结 | 限定字数和小标题层级 | 没给范围，越写越散 |
| 客户回复 | 先给统一口径底稿 | 每次单独问，口径不一致 |
最后说个我自己的笨习惯。刚开始用的时候，我吃过一次亏：一份内部材料里有个数字是模型补的，我没核就发了，后来被同事指出来，虽然没造成什么后果，但那种「差点出事」的感觉记得很清楚。从那以后，凡是让模型产出要交出去的东西，我都强制走一遍三步：所有数值标示例、所有事实回源核、所有结论问一句「可能被质疑什么」。宁可慢五分钟，也不返工五小时。
这套动作不聪明，但管用。你从今天挑一件小事试一次，把四段骨架写全，看看产出和以前有什么不一样。希望帮到你。
本文还有配套的精品资源，点击获取
