Table of Contents
DeepSeek AI 是什麼：從初學者到精通者
- AI + 國內 + 免費 + 開源 + 強大
DeepSeek 是一家專注於通用人工智慧（AGI）的中國科技公司，重點開發和應用大型模型。DeepSeek-R1 是其開源推理模型，擅長處理複雜任務，並且可以免費商業使用。DeepSeek 從入門到精通（清華大學）PDF 下載
DeepSeek 能做什麼？
文本生成
- 結構化生成： 表格、清單（例如，時間表、菜譜）
- 文件撰寫： 程式碼註釋、文檔
- 創意寫作： 文章、故事、詩歌、營銷文案、社交媒體內容、劇本等
- 摘要與改寫： 長文本摘要（論文、報告）、文本簡化、多語言翻譯和本地化
自然語言理解和分析
- 知識推理： 邏輯問題解決（數學、常識推理）、因果分析（事件相關性）
- 語義分析： 情感分析（評論、反饋）、意圖識別（客戶服務、用戶查詢）、實體提取（名字、地點、事件）
- 文本分類： 主題標籤（例如，新聞分類）、垃圾內容檢測
程式設計與代碼相關任務
- 代碼生成與補全： 代碼片段（Python、JavaScript）、帶註釋的自動補全
- 代碼調試： 錯誤分析與修復建議、性能優化建議
- 技術文檔： API 文檔、代碼庫解釋和示例生成
常規繪圖
- （未明確提及，但通過一般能力暗示）
如何使用 DeepSeek？
從初學者到精通者：當每個人都能使用 AI 時，你如何能更好地、更有效地使用它？
推理模型
- 示例： DeepSeek-R1、GPT-3 在邏輯推理、數學推理和實時問題解決方面表現出色。
推理模型是在傳統大型語言模型的基礎上增強推理、邏輯分析和決策能力的模型。它們通常結合了強化學習、神經符號推理和元學習等額外技術，以加強其推理和解決問題的能力。非推理模型適合大多數任務。通用模型通常專注於語言生成、上下文理解和自然語言處理，而不強調深度推理能力。這些模型通常通過大量的文本數據訓練來掌握語言模式，並能生成適當的內容，但它們缺乏推理模型的複雜推理和決策能力。
維度比較
| 維度 | 推理模型 | 通用模型 |
|---|---|---|
| 優勢 | 數學推導、邏輯分析、代碼生成、複雜問題分解 | 文本生成、創意寫作、多輪對話、開放性問題 |
| 弱點 | 發散性任務（例如，詩歌創作） | 需要嚴格邏輯鏈的任務（例如，數學證明） |
| 性能本質 | 專注於高邏輯密度的任務 | 在高多樣性的任務中表現出色 |
| 能力判斷 | 不是普遍更強，但在其訓練目標領域顯著更好 | 在一般場景中更靈活，但需要提示工程來補償能力 |
示例模型
- GPT-3、GPT-4（OpenAI）、BERT（Google）： 主要用於語言生成、語言理解、文本分類、翻譯等。
快速思考與慢速思考
- 快速反應模型（例如，ChatGPT-4）： 快速響應，計算成本低，通過大量的數據訓練進行概率預測。
- 慢速思考模型（例如，OpenAI-1）： 響應慢，計算成本高，通過鏈式思考推理來逐步解決問題。
- 決策制定： 快速反應模型依賴預設的算法和規則，而慢速思考模型可以根據實時分析進行自主決策。
- 創造力： 快速反應模型僅限於模式識別和優化，而慢速思考模型可以產生新的想法和解決方案。
- 人機互動： 快速反應模型遵循預設的腳本，難以應對人類情感和意圖，而慢速思考模型可以更自然地互動並理解複雜的情感和意圖。
- 問題解決： 快速反應模型擅長結構化和明確定義的問題，而慢速思考模型可以處理多維度和非結構化問題，提供創造性解決方案。
- 倫理問題： 快速反應模型作為受控工具，幾乎沒有倫理問題，而慢速思考模型引發了關於自主性和控制的討論。
如果你熱衷於人工智慧領域並且正在準備 AWS 或 Microsoft 認證考試，SPOTO 為你準備了全面且實用的學習材料。無論你是準備 AWS 的機器學習認證（MLA-C01）、人工智慧實踐者認證（AIF-C01），還是 Microsoft 的人工智慧相關考試（AI-900、AI-102），我提供的認證材料將幫助你高效學習並增加通過考試的機會。點擊下面的鏈接，獲取最新的考試大綱和詳細的學習指南，幫助你通過考試並在人工智慧行業達到新的高度：
- AWS MLA-C01 學習材料（點擊此處）
- AWS AIF-C01 學習材料（點擊此處）
- AWS MLS-C01 學習材料（點擊此處）
- Microsoft AI-900 學習材料（點擊此處）
- Microsoft AI-102 學習材料（點擊此處）
通過這些認證，你將不僅提升自己的技能，還能在工作場所中脱颖而出，並打開更多機會。趕快行動起來，掌握人工智慧的未來！
CoT 鏈式思考
CoT 鏈式思考的出現將大型模型分為兩類：“概率預測（快速反應）”模型和“鏈式思考（慢速思考）”模型。前者適合快速反饋和即時任務，而後者通過推理解決複雜問題。了解它們的區別有助於選擇適合任務的模型，以獲得最佳結果。
提示策略差異
- 推理模型： 提示應該簡潔，直接聚焦於任務目標和要求（因為推理邏輯已經內化）。避免逐步指導，因為這可能會限制模型的能力。
- 通用模型： 提示需要明確指導推理步驟（例如，通過 CoT 提示），否則模型可能會跳過關鍵邏輯。依賴提示工程來補償能力不足。
關鍵原則
- 模型選擇： 根據任務類型選擇，而不是模型的流行度（例如，推理模型適用於數學任務，通用模型適用於創意任務）。
- 提示設計：
- 推理模型： 使用簡潔的指令，關注目標，並相信模型內化的推理能力。（“只說你想要的內容。”）
- 通用模型： 使用結構化和補償性指導。（“補充缺失的部分。”）
- 避免陷阱：
- 不要使用啟發式提示（例如，角色扮演）與推理模型，因為它可能會干擾其邏輯主線。
- 不要過度信任通用模型（例如，直接詢問複雜推理問題）；相反，逐步驗證結果。
從“給出指令”到“表達需求”
策略類型
| 策略類型 | 定義與目標 | 適用場景 | 示例（推理模型） | 優點與風險 | |
|---|---|---|---|---|---|
| 指令驅動 | 直接提供清晰的步驟或格式要求 | 簡單任務，快速執行 | “用 Python 寫一個快速排序函數並添加註釋。” | ✅ 精確且高效的結果 | ✕ 限制模型的優化空間 |
| 需求導向 | 描述問題背景和目標，讓模型規劃解決方案路徑 | 複雜問題，模型的自主推理 | “通過分析當前瓶頸並提出 3 個解決方案來優化用戶登錄流程。” | ✅ 激發模型的深度推理 | ✕ 需要明確定義需求邊界 |
| 混合模式 | 將問題描述與關鍵約束結合 | 平衡靈活性和可控性 | “為杭州設計一個 3 天的旅行計劃，包括西湖和靈隱寺，預算為 2000 元。” | ✅ 平衡目標和細節 | ✕ 避免過度約束 |
| 啟發式提問 | 通過提問（例如，“為什麼”、“如何”）引導模型積極思考 | 探索性問題，模型的解釋邏輯 | “為什麼選擇梯度下降來解決這個優化問題？與其他算法進行比較。” | ✅ 觸發模型的自我解釋能力 | ✕ 可能偏離核心目標 |
任務需求與提示策略
| 任務類型 | 適用模型 | 提示重點 | 示例（有效提示） | 避免的提示 |
|---|---|---|---|---|
| 數學證明 | 推理模型 | 直接提問，不進行逐步指導 | “證明畢達哥拉斯定理” | 多餘的分解（例如，“首先畫一個圖，然後列出公式”） |
| 創意寫作 | 推理模型 | 鼓勵發散思維，設置角色/風格 | “用海明威的風格寫一個冒險故事” | 過度約束邏輯（例如，“按時間順序列出步驟”） |
| 代碼生成 | 推理模型 | 簡潔的需求，信任模型邏輯 | “在 Python 中實現快速排序” | 逐步指導（例如，“首先編寫遞歸函數”） |
| 多輪對話 | 通用模型 | 自然互動，不進行結構化指導 | “你怎麼看待人工智慧的未來？” | 強制邏輯鏈（例如，“用三個重點回答”） |
| 邏輯分析 | 推理模型 | 直接提出複雜問題 | “分析電車難題中的功利主義和義務論衝突” | 添加主觀指導（例如，“你認為哪個更好？”） |
| 通用模型 | 通用模型 | 分解問題，逐步提問 | “首先解釋電車難題，然後比較這兩種道德觀點” | 一次性提問複雜邏輯 |
如何向 AI 表達需求
| 需求類型 | 特點 | 需求表達公式 | 推理模型適應策略 | 通用模型適應策略 |
|---|---|---|---|---|
| 決策制定 | 需要權衡選項、評估風險、選擇最佳解決方案 | 目標 + 選項 + 評估標準 | 請求邏輯推導和定量分析 | 直接建議，依賴模型的經驗 |
| 分析性 | 需要深入理解數據/信息，發現模式或因果關係 | 問題 + 數據/信息 + 分析方法 | 觸發因果鏈推導和假設驗證 | 表面總結或分類 |
| 創造性 | 需要生成新穎內容（文本/設計/解決方案） | 主題 + 風格/約束 + 創新方向 | 結合邏輯框架生成結構化創造力 | 自由聯想，依賴示例指導 |
| 驗證性 | 需要檢查邏輯一致性、數據可靠性或解決方案可行性 | 結論/解決方案 + 驗證方法 + 風险點 | 獨立設計驗證路徑並識別矛盾 | 簡單確認，缺乏深入推導 |
| 執行性 | 需要完成特定操作（代碼/計算/流程） | 任務 + 步驟約束 + 輸出格式 | 自主優化步驟，平衡效率和正確性 | 嚴格遵循指令，不進行自主優化 |
提示示例
決策制定需求：“有兩種選項可以降低物流成本：① 建立區域倉庫（初始投資高，長期成本低）② 與第三方合作（按需支付，靈活性高）請使用 ROI 計算模型比較 5 年內的總成本並推薦最佳解決方案。”驗證需求：“這是一篇論文的結論：‘神經網絡模型 A 優於傳統方法 B。’請驗證：① 實驗數據是否支持這一結論；② 檢查對照組設置是否存在偏差；③ 重新計算 p 值並確定其顯著性。”分析性需求：“分析過去三年新能源汽車的銷售數據（附帶 CSV 文件），並解釋：① 增長趨勢與政策之間的相關性；② 使用 ARIMA 模型預測 2025 年的市場份額並解釋參數選擇的依據。”執行性需求：“將以下 C 語言代碼轉換為 Python，要求如下：① 保持相同的时间复杂度；② 使用 numpy 优化数组操作；③ 输出完整的代码及时间测试用例。”创造性需求：“设计一款针对独居老人安全问题的智能家居产品，结合传感器网络和 AI 早期预警。提供三种不同技术路线的原型草图及说明。”验证性需求：“以下是某篇论文的结论：‘神经网络模型 A 优于传统方法 B。’请验证：① 实验数据是否支持该结论；② 检查对照组设置是否存在偏差；③ 重新计算 p 值并确定其显著性。”
我們是否仍需學習提示？
提示 是用戶輸入到 AI 系統中的指令或信息，用以指導它生成特定的輸出或執行特定的任務。簡單來說，提示就是我們用來與 AI“交談”的語言。它可以是一個簡單的問題、詳細的指令或複雜的任務描述。提示由三個基本元素組成：
- 指令（Instruction）： 提示的核心，明確告訴 AI 要執行什麼任務。
- 上下文（Context）： 提供背景信息，幫助 AI 更好地理解和執行任務。
- 期望（Expectation）： 明確或隱含地表達對 AI 輸出的要求和期望。
提示的類型
- 指令性提示： 直接告訴 AI 要執行什麼任務。
- 問答式提示： 向 AI 提問，期望得到相應的答案。
- 角色扮演提示： 要求 AI 扮演特定角色並模擬特定情境。
- 創意性提示： 引導 AI 進行創意寫作或內容生成。
- 分析性提示： 要求 AI 分析並推理給定的信息。
- 多模態提示： 結合文本、圖像和其他形式的輸入。
提示的本質
| 特點 | 描述 | 示例 |
|---|---|---|
| 溝通橋樑 | 連接人類意圖與 AI 理解 | “將以下內容翻譯成法語：Hello, world” |
| 上下文提供者 | 為 AI 提供必要的背景信息 | “假設你是一位 19 世紀的歷史學家，評論拿破崙的崛起” |
| 任務定義者 | 明確指定 AI 需要完成的任務 | “為一篇關於氣候變化的文章寫一個 200 字的引言” |
| 輸出塑形者 | 影響 AI 輸出的形式和內容 | “用簡單的語言解釋量子力學，就像對一個 10 歲的孩子說話一樣” |
| AI 能力引導者 | 引導 AI 使用特定的能力或技能 | “運用你的創意寫作能力，寫一個關於時間旅行的短故事” |
文章來源：
團隊：于梦龙，
博士后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
Comments