Hi，大家好，我叫秋水，當(dāng)前專注于 AI Agent 和 AI 工作流自動(dòng)化。

近期 DeepSeek，全球聞名，大家紛紛在討論，我看過很多文章和視頻，很多說的有點(diǎn)夸張，23 年 AI 剛來的那些內(nèi)容，又重新說了一遍，只是把 AI 兩個(gè)字母換成了 DeepSeek。

在我看來，DeepSeek 出圈的主要原因是能力強(qiáng)、價(jià)格低、開源、可以本地部署，這個(gè)好處在于企業(yè)在 AI 方面的應(yīng)用會(huì)加速落地，我們國內(nèi)的用戶不需要那么麻煩的出海使用 ChatGPT 了。

今天這期內(nèi)容，我會(huì)結(jié)合大模型的一些底層原理，從商用的視角從理論到實(shí)踐給大家介紹一下 DeepSeek，內(nèi)容包含如下幾個(gè)部分。

第一部分，介紹大模型的運(yùn)行原理，例如什么是大模型的推理能力？它與通用大模型有何區(qū)別？通用大模型如何增強(qiáng)推理能力？具有推理能力的大模型是如何工作的？

第二部分，介紹大模型的上下文長度的概念，這也是是影響大模型輸出質(zhì)量很重要的一個(gè)方面，必看。

第三部分，介紹 DeepSeek R1 的提示詞的使用技巧，例如 DeepSeek R1 萬能提示模版，通過例子可以看到它與通用大模型 DeepSeek V3 的區(qū)別，商用場景下的提示詞示例，與 R1 交互影響輸出質(zhì)量的因素有哪些？

第四部分，拋磚引玉，介紹 DeepSeek 的商用場景都有哪些？其中開始會(huì)介紹一下 DeepSeek R1 帶給我們的驚喜有哪些？最近經(jīng)常聽到的強(qiáng)化學(xué)習(xí)和蒸餾是什么意思？它帶給我們的商業(yè)思考是什么？R1 蒸餾出來的小模型部署需要的硬件配置怎樣的？

如上這些內(nèi)容，在我們?cè)诖蛟煲粋€(gè) AI Agent 的過程中，也是花時(shí)間比較多的地方，這也是我們需要重點(diǎn)學(xué)習(xí)的知識(shí)。

只有你知道了大模型的一些基本底層原理、能力范圍，你才能在流程設(shè)計(jì)上去彌補(bǔ)這些能力缺陷。

記住，商用 AI Agent 需要重點(diǎn)考慮運(yùn)行成本、穩(wěn)定性、可實(shí)施性、準(zhǔn)確性，這期內(nèi)容重點(diǎn)也在講運(yùn)行成本和準(zhǔn)確性。

第一部分 大模型的運(yùn)行原理

首先，我們先簡單介紹一下通用大模型和推理大模型指的是什么？

什么是通用大模型

通用大模型指的是像 DeepSeek V3、OpenAI GPT-4 之類的模型。

這類模型相當(dāng)于一個(gè)擁有強(qiáng)大知識(shí)儲(chǔ)備的研究生或博士生，他們通過大量的訓(xùn)練積累了豐富的知識(shí)和經(jīng)驗(yàn)。

什么是大模型的推理能力

推理大模型指的是 DeepSeek 的 R1、Kimi 的 k1.5 和探索版、OpenAI 的 o1、o3 等模型。

這類模型是建立在通用大模型基礎(chǔ)上，增強(qiáng)了推理、邏輯分析和決策能力。

它相當(dāng)于一位大偵探福爾摩斯，可以從蛛絲馬跡的細(xì)節(jié)中，推導(dǎo)出很多隱藏的真相和答案，幫我更好的解決問題。

DeepSeek-R1 的推理能力是在 V3 的基礎(chǔ)上進(jìn)一步訓(xùn)練的。

AI Agent 的核心能力也是建立在大模型的推理能力之上的，推理能力越強(qiáng)，AI Agent 的自主解決、處理能力就越強(qiáng)。

通用大模型和推理大模型的區(qū)別

為了更好的區(qū)分兩種大模型，我們先說一個(gè)概念，“慢思考，快思考”，快思考對(duì)應(yīng)系統(tǒng) 1，慢思考對(duì)應(yīng)系統(tǒng) 2，這是獲過諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)的丹尼爾·卡尼曼在其著作《思考，快與慢》中提出的一個(gè)概念。

理解了“快思考，慢思考”，我們?cè)趤砝斫馔ㄓ么竽Ｐ秃屯评硇痛竽Ｐ途腿菀锥嗔?，“快思考”?duì)應(yīng)的就是通用大模型 ，“慢思考”對(duì)應(yīng)的就是具有推理能力的大模型。

兩者之間區(qū)別是：

• 推理大模型的優(yōu)勢(shì)在于數(shù)學(xué)、邏輯分析、代碼生成、復(fù)雜問題拆解；劣勢(shì)在于創(chuàng)造力，例如內(nèi)容創(chuàng)作、創(chuàng)意、想象力等。
• 通用大模型的優(yōu)勢(shì)在于文本生成、創(chuàng)意寫作、多輪對(duì)話等通用場景，劣勢(shì)在于推理大模型的優(yōu)勢(shì)部分。

簡單的理解，可以把推理大模型看成理科生，通用大模型看成文科生。

通用大模型如何提升推理能力

接下來，我們?cè)倏纯赐ㄓ么竽Ｐ褪侨绾翁嵘评砟芰Φ摹?/span>

思維鏈

一種方式是基于思維鏈（Chain of Thought， CoT），就是讓大模型將一個(gè)復(fù)雜問題拆解為一個(gè)個(gè)的子問題，再依次解決。

簡單來說，就是在給大模型的提示中明確告訴它應(yīng)該怎么去思考，或者在提示詞后面，增加“請(qǐng)一步一步思考”，就可以“喚醒”通用大模型的推理能力，這種推理能力不是大模型的自身帶的，而是我們通過引導(dǎo)激發(fā)出來的。

我們用一個(gè)翻譯的例子進(jìn)一步說明一下。

如下圖片為在提示詞的最后追加了“請(qǐng)一步一步思考”。

可以看到大模型自己將翻譯過程自動(dòng)分成多個(gè)步驟，每一個(gè)步驟都是一次思考，最終輸出翻譯結(jié)果。

如下圖片為我們?cè)谔崾驹~中，規(guī)定了大模型的翻譯步驟。

可以看到大模型按照我們規(guī)定的步驟進(jìn)行思考，最后輸出翻譯結(jié)果。

AI 工作流編排

另外一種方式，就是 AI 工作流編排，它將復(fù)雜的任務(wù)分解為一個(gè)個(gè)有序的步驟，從而解決一些復(fù)雜問題，它本質(zhì)上是思維鏈的一種應(yīng)用。

例如 Coze 、Dify 中我們用到的工作流，流程中的每個(gè)節(jié)點(diǎn)都可以被視為思維鏈中的一個(gè)“思考步驟”。

如下為在 Coze 中編排的一個(gè)文章總結(jié)、保存到飛書中的工作流，在整個(gè)流程中，可以調(diào)用大模型、可以對(duì)接第三方平臺(tái)，可以執(zhí)行代碼等等。

這種方式擴(kuò)寬了大模型解決問題的能力邊界。

以上兩種方式都是通過外部手段提升通用大模型的推理能力，這種后期的人為提升，肯定也是因人而異，有的人會(huì)寫提示詞，有的人會(huì)設(shè)計(jì)流程，有的人啥也不會(huì)。

所以我們更希望能利用大模型自身來去解決復(fù)雜問題，我們不需要寫復(fù)雜的提示詞，只需要提出我們的需求，這個(gè)時(shí)候大模型的推理能力應(yīng)運(yùn)而生。

大模型的推理能力如何工作的

2024 年 9 月份 OpenAI 公司發(fā)布的 o1 是第一款具有推理能力的模型。

2025 年 1 月 20 日，DeepSeek 正式發(fā)布 DeepSeek-R1 推理能力模型，由于開源，且性價(jià)比相當(dāng)高，馬上火爆出圈。

這種推理能力就是將前面提到的思維鏈和工作流編排（目前只包含提示詞，不包含工具調(diào)用等）嵌入到模型自身，使得模型在生成最終答案前能夠進(jìn)行邏輯推理，考慮多種方案，然后選擇最優(yōu)方案，這種運(yùn)行方式也是我們前面提到的“慢思考”。

下面的圖片是 DeepSeek-R1 模型的內(nèi)部推理過程，從圖片中我們可以看到三輪推理過程中，期間每次都會(huì)把上一輪的問題和回答傳到下一輪，用于后面借鑒，幾輪下來后，Token 就會(huì)越來越大。

最終需要幾輪，要看模型在哪一輪能發(fā)現(xiàn)最優(yōu)解決方案，則推理成功，輸出結(jié)果。

從整個(gè)推理過程中，我們可以發(fā)現(xiàn)幾個(gè)現(xiàn)象：

1. 推理時(shí)間長，需要用戶等待幾秒、幾十秒、甚至幾分鐘，那么在商用的時(shí)候就需要從用戶的角度去考慮這一點(diǎn)，讓客戶干等著？還是讓它異步執(zhí)行，執(zhí)行完后給用戶通知？
2. 過程會(huì)產(chǎn)生大量的 Token，成本就會(huì)高，它可能是通用大模型的幾十倍甚至上百倍，那么商用的時(shí)候，我們需要著重關(guān)注 Token 的消耗情況，此外是用本地部署？還是用云端？需要綜合考量。
3. 不是所有的場景都用推理模型，在一個(gè) AI Agent 中應(yīng)該根據(jù)場景特點(diǎn)，混合使用大模型。

如下圖是在 DeepSeek R1 上運(yùn)行剛才翻譯的例子，可以看到思考過程輸出的內(nèi)容很多，在商用調(diào)用 API 接口的時(shí)候，這些內(nèi)容都會(huì)消耗 Token，計(jì)算為費(fèi)用。

我們可以對(duì)比一下，三種形式的翻譯，結(jié)果基本一樣，采用推理模型雖然提示詞簡單，但是過程消耗的 Token 太多了，所以這種場景就可以不使用推理大模型。

我們?cè)倥e一個(gè)極端的例子，“1+1 等于幾”，來看看通用大模型和推理大模型的輸出情況，可以更加直觀的可以看到一個(gè)簡單的問題使用推理大模型，消耗的 Token 是通用大模型的好多倍。

這相當(dāng)于問大偵探福爾摩斯一個(gè)簡單的問題，福爾摩斯心里想問到我這里的問題能是簡單的問題嗎，然后腦子里就開始飛速的轉(zhuǎn)起來，這里推理一下，那邊在推理一下，結(jié)果到最后一看，原來謎底就在謎面上啊，費(fèi)了那么多腦細(xì)胞。

第二部分 大模型的上下文長度的概念

說完大模型的運(yùn)行原理，接下來，我們?cè)谝黄鹂匆粋€(gè)概念“上下文”。

這個(gè)知識(shí)點(diǎn)非常重要，重點(diǎn)中的重點(diǎn)，大家一定要搞清楚這個(gè)概念，很多朋友和大模型聊一會(huì)發(fā)現(xiàn)輸出的內(nèi)容越來越差，大概率是因?yàn)椴磺宄@個(gè)知識(shí)點(diǎn)。

這個(gè)也是大模型的能力邊界中的一個(gè)知識(shí)點(diǎn)，知道能力邊界后，我們?cè)陂_發(fā) AI Agent 的時(shí)候，在與大模型交互的時(shí)候，才知道采取何種策略來解決。

上下文分為上下文長度（Context Length）和上下文窗口（Context Window）。

上下文長度，決定了一次性輸出的字?jǐn)?shù)

上下文長度（Context Length）， 決定了大模型一次性可以輸出文字的數(shù)量。

它是我們與大模型單次交互中可以處理的最大 Token 數(shù)量，這個(gè)數(shù)量包含我們的輸入和大模型的輸出。

這就意味著我們?cè)谳斎胩釂枙r(shí)的提示詞越多，那么大模型返回內(nèi)容的 Token 數(shù)量就越少。

注意，有的大模型沒有注明上下文長度，例如 DeepSeek V3 和 R1 的官方文檔中約定了一次最大輸出長度為 8K Token，即大約 4000 個(gè)漢字。

簡單解釋一下 Token，它是大模型用來表示自然語言的基本單位，也是計(jì)費(fèi)單位，可以直觀的理解為“字”或“詞”，通常 1 個(gè)中文詞語、1 個(gè)英文單詞、1 個(gè)數(shù)字或 1 個(gè)符號(hào)計(jì)為 1 個(gè) Token。

不同模型的 Token 和 字?jǐn)?shù)換算情況不一樣，如下是 DeepSeek 的官方換算規(guī)則：

• 1 個(gè)英文字符 ≈ 0.3 個(gè) Token。
• 1 個(gè)中文字符 ≈ 0.6 個(gè) Token。

還有一個(gè)問題，我們需要注意的是，上下文長度中的輸入不僅僅包含我們輸入的提示詞，還包含聊天應(yīng)用底層的系統(tǒng)提示詞和我們不知道的其他輸入，我們上傳的文檔，互聯(lián)網(wǎng)搜索的內(nèi)容等等。

有的朋友可能又有疑問了，我上傳的文檔相當(dāng)之大，已經(jīng)超出了上下文長度了，為什么第一次交互的時(shí)候，輸出的結(jié)果還不錯(cuò)呢？那可能是聊天應(yīng)用端做了優(yōu)化處理，例如先將文檔讀取、識(shí)別、總結(jié)后，然后連同我們寫的提示詞一起發(fā)給大模型，具體大家需要親自測(cè)試。

如果我們發(fā)現(xiàn)大模型輸出的內(nèi)容本應(yīng)該很多，但是卻很少，就需要看看是不是我們一次性輸入的內(nèi)容是不是太多了，或者一次性讓大模型輸出不同維度的內(nèi)容太多了。

上下文窗口，決定了一次會(huì)話中可以記憶多少內(nèi)容

上下文窗口（Context Window），決定了一次會(huì)話中可以記憶多少內(nèi)容。

就是在大模型回復(fù)時(shí)可以參考前面內(nèi)容的范圍，例如在一個(gè)會(huì)話里，你已經(jīng)和大模型互動(dòng)了 10 次，在第 11 次互動(dòng)時(shí)，大模型可以參考前面 10 次互動(dòng)的內(nèi)容，這樣有助于大模型回復(fù)的時(shí)候保持與前面的內(nèi)容保持一致性。

例如我們?cè)僮尨竽Ｐ蛶臀覀儗?duì)數(shù)據(jù)進(jìn)行分析，前面幾輪互動(dòng)中，我們發(fā)給大模型一些數(shù)據(jù)，那么后續(xù)大模型回復(fù)的時(shí)候，就會(huì)依據(jù)這些數(shù)據(jù)進(jìn)行回復(fù)。

但是如果幾輪互動(dòng)后，輸入輸出的總長度超過了上下文窗口的總長度，那么最早的數(shù)據(jù)，大模型就會(huì)忘記，會(huì)導(dǎo)致后面的數(shù)據(jù)分析沒有之前的數(shù)據(jù)作為依托，出現(xiàn)胡說八道的情況。

因此如果發(fā)現(xiàn)與大模型幾輪互動(dòng)后，發(fā)現(xiàn)它輸出的內(nèi)容越來越不靠譜，那么就需要考慮一下是否超出了上下文窗口的總長度。

這種情況下，就需要和大模型在多個(gè)會(huì)話中交互，解決同一個(gè)問題。

在 DeepSeek V3 和 R1 的官方文檔中約定了上下文窗口長度為 64K Token，即大約 2-3 萬個(gè)漢字。

我們大家要注意每家大模型對(duì)于上下文長度、上下文窗口長度的定義不一樣，DeepSeeK 定義了最大輸出長度和上下文長度，這里的上下文長度就是上下文窗口長度。

需要我們?nèi)ス俜娇磳?duì)應(yīng)的解釋。

小結(jié)一下：

上下文長度和上下文窗口越大，大模型對(duì)我們提出的問題理解的就越深刻、越精準(zhǔn)，這相當(dāng)于腦容量的大小。

• 總結(jié) 500 頁書為兩頁時(shí)，大模型需理解書的結(jié)構(gòu)和核心觀點(diǎn)，較大的上下文有助于更好地把握內(nèi)容。
• 創(chuàng)作 3 萬字小說時(shí)，大模型需理解小說結(jié)構(gòu)和情節(jié)發(fā)展，較大的上下文可幫助其把握故事走向。
• 在 AI 客服應(yīng)用中，客戶與 AI 機(jī)器人可能長時(shí)間對(duì)話，較大的上下文能讓機(jī)器人記住早期聊天記錄。
• 在代碼編寫中，大模型需理解代碼上下文，如變量定義、函數(shù)調(diào)用等，較大的上下文可幫助其理解代碼結(jié)構(gòu)，一次性生成整個(gè)項(xiàng)目代碼。
• 在 RAG 場景中，模型需結(jié)合外部文檔或搜索數(shù)據(jù)生成回答，較大的上下文有助于理解檢索內(nèi)容并結(jié)合問題生成準(zhǔn)確回答。

 第三部分 DeepSeek R1 的提示詞的使用技巧

接下來我們開始聊 R1 的提示詞使用技巧。

DeepSeek V3 提示詞生成器、模版

在講 DeepSeek R1 之前，我們先看看用大模型 DeepSeek V3 的提示詞，V3 的提示詞跟其他大模型的差不多，官方網(wǎng)站也有最佳實(shí)踐的例子，其中一個(gè)例子“模型提示詞生成”，我們可以用它來生成你需要的提示詞，然后在進(jìn)行調(diào)整。

DeepSeek 官方提示詞生成器：

你是一位大模型提示詞生成專家，請(qǐng)根據(jù)用戶的需求編寫一個(gè)智能助手的提示詞，來指導(dǎo)大模型進(jìn)行內(nèi)容生成，要求：
1. 以 Markdown 格式輸出
2. 貼合用戶需求，描述智能助手的定位、能力、知識(shí)儲(chǔ)備
3. 提示詞應(yīng)清晰、精確、易于理解，在保持質(zhì)量的同時(shí)，盡可能簡潔
4. 只輸出提示詞，不要輸出多余解釋

請(qǐng)幫我生成一個(gè)“Linux 助手”的提示詞

DeepSeek R1 萬能提示詞模版

接著我們看一下 DeepSeek R1 的萬能提示詞模版。

背景 + 需求 + 【結(jié)構(gòu)化提問 + 輸出風(fēng)格 】

注：

1、背景和目的是必須的，結(jié)構(gòu)化提問、輸出風(fēng)格可以根據(jù)實(shí)際情況進(jìn)行選擇。

2、提示詞簡潔，無廢話。

3、結(jié)構(gòu)化提問、輸出風(fēng)格的作用是限定大模型的推理方向，但在一定程度上也會(huì)降低大模型的思考維度。

背景

簡潔的說明你的背景，可以讓 AI 理解你的真實(shí)需求，背景可以是你自身的角色或者知識(shí)水平，也可以是你的業(yè)務(wù)場景，也可以是一些限制條件。

可以按照「領(lǐng)域 + 知識(shí)水平 + 限制」的結(jié)構(gòu)說明。

例如："（領(lǐng)域）我要開發(fā)一款管理自媒體的 AI Agent，（知識(shí)水平）我不會(huì)編程，（限制）需要在 1 個(gè)月內(nèi)實(shí)現(xiàn)熱點(diǎn)素材自動(dòng)化采集，（問題）請(qǐng)問應(yīng)該選擇哪個(gè)無代碼開源框架？"

需求

明確你的核心問題，避免模糊提問。

例如：

錯(cuò)誤示例：“請(qǐng)幫我推薦一個(gè)采集框架”。

正確示例：“請(qǐng)幫我推薦一款不需要寫代碼，通過配置就可以采集數(shù)據(jù)的開源框架”。

結(jié)構(gòu)化提問

結(jié)構(gòu)化提問的方式，可以讓大模型有重點(diǎn)的按照指定順序輸出。

例如：分析市場時(shí)，可以在提示詞中加入結(jié)構(gòu)化的提問：“第一步：分析挖掘機(jī)市場的主要競爭者；第二步：列出每個(gè)競爭者的市場份額和產(chǎn)品特點(diǎn)；第三步：預(yù)測(cè)市場未來的趨勢(shì)。”

輸出風(fēng)格

輸出風(fēng)格一方面可以對(duì)技術(shù)類內(nèi)容，讓其通俗易懂的講解，或者模仿某個(gè)人的風(fēng)格寫作，例如提示詞中加入“通俗易懂”、“講人話”、“用脫口秀風(fēng)格”。

例如：“我是技術(shù)小白，給我講一下什么大模型？講人話”。

通用大模型和推理大模型在提示詞方面區(qū)別

接著我們看一下通用大模型和推理大模型在提示詞方面的區(qū)別。

通過示例對(duì)比，我們可以看到推理模型的提示詞我們盡可能的要寫的簡單，寫的過多會(huì)影響大模型的各個(gè)維度的思考。

但是通用大模型則不一樣，它擁有豐富的知識(shí)儲(chǔ)備，但是不會(huì)進(jìn)行“慢思考”，所以我們和它交流的時(shí)候，我們需要給它思考的步驟，即思維鏈。

 商用場景提示詞示例

接下來，我們聊一下一些商用使用場景，可以分為讓大模型幫我們做決策、做分析、想創(chuàng)意、驗(yàn)證方案、規(guī)劃執(zhí)行策略。

如下示例為拋磚引玉，具體還是需要結(jié)合自身的需求來撰寫。

每一個(gè)場景模版的第一部分是必須要寫的，后面幾部分是為了限定大模型的思考方向、輸出形式。

具體的，可以兩者都發(fā)送給大模型，看看哪個(gè)回答效果更好。

做決策

介紹：讓 AI 從多個(gè)方案中選擇一個(gè)最好的方案。

模版：目標(biāo)（想達(dá)成什么）+ 選項(xiàng)（有哪些選擇）+ 評(píng)估標(biāo)準(zhǔn)（怎么判斷好壞）。

為了加大企業(yè)在自媒體平臺(tái)的傳播力度，促進(jìn)銷售，現(xiàn)有兩種方案：

1、投放廣告 2、加大原創(chuàng)內(nèi)容制作

請(qǐng)根據(jù) AARRR 增長漏斗模型，對(duì)比 6 個(gè)月內(nèi)的數(shù)據(jù)（附件 Excel），推薦最優(yōu)方案。

做分析

介紹：提供數(shù)據(jù)給 AI，讓 AI 挖掘數(shù)據(jù)背后的規(guī)律和原因。

模版：問題（想知道什么）+ 數(shù)據(jù)/信息（手頭有什么資料）+ 分析方法（怎么挖）。

分析公司過去一年的自媒體運(yùn)營數(shù)據(jù)（附 Excel），說明：

1、內(nèi)容發(fā)布頻率與粉絲增長的關(guān)聯(lián)性；

2、使用 ARIMA 模型對(duì)下一年度的運(yùn)營方式進(jìn)行預(yù)測(cè)，并詳細(xì)解釋所選模型的參數(shù)選擇依據(jù)。

想創(chuàng)意

介紹：讓 AI 為企業(yè)的營銷、宣傳等提供創(chuàng)新的、腦洞大開的內(nèi)容。

模版：主題（搞什么）+ 風(fēng)格/約束（有什么要求）+ 創(chuàng)新方向（怎么與眾不同）。

設(shè)計(jì)一套自媒體內(nèi)容創(chuàng)新方案，要求：

1、提升內(nèi)容的吸引力和傳播力；

2、結(jié)合熱點(diǎn)話題和用戶興趣；

3、提供兩種不同內(nèi)容形式的創(chuàng)意方案說明。

驗(yàn)證方案

介紹：提供方案給 AI ，讓 AI 協(xié)助驗(yàn)證方案的可行性、可落地性或者風(fēng)險(xiǎn)點(diǎn)等。

模版：結(jié)論/方案（驗(yàn)證什么）+ 驗(yàn)證方法（怎么檢查）+ 風(fēng)險(xiǎn)點(diǎn)（可能哪里出問題）。

A 形式標(biāo)題優(yōu)于 B 形式標(biāo)題，請(qǐng)驗(yàn)證：

1、兩種形式數(shù)據(jù)指標(biāo) 2、通過 A/B 測(cè)試

如何執(zhí)行

介紹：給出目標(biāo)，讓 AI 協(xié)助輸出執(zhí)行過程，例如寫代碼、畫流程圖。

模版：任務(wù)（做什么）+ 步驟約束（怎么操作）+ 輸出格式（結(jié)果長啥樣）。

梳理<自媒體編輯>這個(gè)角色的工作流程，要求： 1、標(biāo)記哪些可以由 AI 來協(xié)助，哪些我來去做。 2、以表格的形式（工作內(nèi)容/AI 協(xié)助/人工來做）輸出。

DeepSeek R1 寫提示詞的注意事項(xiàng)

• 無須提供參考例子，否則 R1 性能會(huì)出現(xiàn)明顯下降。
• 復(fù)雜角色扮演以及 JSON 輸出，R1 的表現(xiàn)不及通用大模型 DeepSeek V3。
• 避免一次會(huì)話中與 R1 多輪交互，多輪交互后其表現(xiàn)不如 V3。
• 不要用思維鏈提示，例如一步步思考等提示詞。
• 概念解釋不需要了，R1 會(huì)自己搞明白，例如提示詞中用到“金字塔原理”，無需對(duì)其解釋。
• R1 和 V3 的單次輸出字?jǐn)?shù)在 2000 - 4000 個(gè)漢字，如果讓大模型一次性輸出的內(nèi)容太多，可以分多次輸出。
• R1 和 V3 一次會(huì)話的總字?jǐn)?shù)在 2 萬 - 3 萬個(gè)漢字，上傳附件時(shí)需要注意，否則前面的內(nèi)容 AI 會(huì)忘記。
• 原先的結(jié)構(gòu)化提示詞依然有用，但主要集中在背景和需求描述上，但需要簡潔明了。
• 背景、需求描述上不要過于籠統(tǒng)，也不要過度復(fù)雜，缺少關(guān)鍵細(xì)節(jié)會(huì)讓結(jié)果偏離預(yù)期，要求太多則會(huì)讓 R1 難以抓住重點(diǎn)，或者限制它的自由推理空間。
• 初次輸出不滿意不要放棄，一方面可以要求 AI 對(duì)輸出的內(nèi)容自我評(píng)估，提供改進(jìn)建議，另外一方面我們可以在后續(xù)提問指導(dǎo) AI 進(jìn)行改進(jìn)。

什么是 Temperature？

有的朋友可能不知道 Temperature 參數(shù)是起什么作用？

Temperature 設(shè)置的值越高，AI 輸出的內(nèi)容更有創(chuàng)意，更加天馬行空，例如詩歌創(chuàng)作。

反之，輸出的內(nèi)容更加嚴(yán)謹(jǐn)，例如代碼生成、數(shù)學(xué)解題。

在 DeepSeek 官方聊天窗口，Temperature 參數(shù)默認(rèn)設(shè)置為 1.0，但在其他平臺(tái)上是可以配置這個(gè)參數(shù)，如下為官方提供的建議。

小結(jié)一下

DeepSeek 官方對(duì) R1 的能力描述，它在數(shù)學(xué)、代碼、自然語言推理等任務(wù)上表現(xiàn)很不錯(cuò)，因此不要把它當(dāng)成萬能的 大模型。

DeepSeek-R1 在后訓(xùn)練階段大規(guī)模使用了強(qiáng)化學(xué)習(xí)技術(shù)，在僅有極少標(biāo)注數(shù)據(jù)的情況下，極大提升了模型推理能力。在數(shù)學(xué)、代碼、自然語言推理等任務(wù)上，性能比肩 OpenAI o1 正式版。

- 官方技術(shù)白皮書

第四部分 DeepSeek R1 的商用場景

接下來，我們聊一下 DeepSeek R1 的商用場景。

DeepSeek R1 帶給我們的驚喜

在開始聊商用場景之前，我們先看看 DeepSeek 帶給我們哪些驚喜。

• 推理能力強(qiáng)：DeepSeek R1 的性能優(yōu)于其他推理模型，在某些測(cè)試中，它與 OpenAI 的 01 模型表現(xiàn)相當(dāng)，有時(shí)甚至更好。
• 性價(jià)比高：DeepSeek R1 的定價(jià)非常便宜，相比較性能相同的推理模型，價(jià)格便宜幾十倍。
• 多種版本可選：R1 提供多種不同大小推理模型，我們可以根據(jù)自己的計(jì)算資源選擇合適的版本。
• 開源免費(fèi)：DeepSeek R1 是一個(gè)完全開源的模型，采用 MIT 許可證，免費(fèi)使用，且可以用于商業(yè)。
• 降低提示詞使用門檻：R1 自身會(huì)一步步的去推理解決問題，這樣就降低了我們使用 AI 的門檻。
• 展示思考過程：DeepSeek-R1 會(huì)向我們展示了思考過程，如果你想學(xué)習(xí)某件事，能夠看到大型語言模型的思考過程是非常重要的。

這些驚喜極大推動(dòng) AI Agent 商用場景的落地以及中小企業(yè)的在 AI 應(yīng)用上的普及。

接下來我們?cè)倭囊幌聝蓚€(gè)技術(shù)，我們同樣也會(huì)得到一些驚喜。

什么是強(qiáng)化學(xué)習(xí)

先說一下強(qiáng)化學(xué)習(xí)。

DeepSeek-R1 技術(shù)論文中，講到直接使用強(qiáng)化學(xué)習(xí)。

簡單的說，強(qiáng)化學(xué)習(xí)就是通過不斷“試錯(cuò)”來找到最好解決問題的辦法。

想象一下一個(gè)小孩剛學(xué)著站立，它開始不知道如何站立，會(huì)嘗試各種方法，最終找到了站的穩(wěn)的方法。

這意味著，當(dāng)你問 DeepSeek-R1 一個(gè)問題時(shí)，它會(huì)多次思考解決方案。

它會(huì)先提出答案，然后重新評(píng)估其答案，思考這個(gè)答案可能出錯(cuò)的地方，再想一個(gè)更優(yōu)的答案，這樣一步步的思考、完善答案，直到大模型認(rèn)為最好的一個(gè)答案，然后輸出給我們。

這也是為什么與推理模型進(jìn)行交互的時(shí)候，提示詞需要說的簡練，說的過于復(fù)雜，會(huì)限制推理大模型的思考發(fā)揮。

什么是“蒸餾”

再說一下“蒸餾”

蒸餾就是讓大模型教小模型本事，簡單的理解就是老師把自己某些方面的能力移植到學(xué)生身上的一個(gè)過程。

這樣小模型的能力會(huì)變強(qiáng)，資源耗用方面不會(huì)提升太大。

具體過程就是：

首先，需要一個(gè)能力強(qiáng)的大模型，例如 DeepSeek R1。

其次，讓 DeepSeek R1 生成用于訓(xùn)練小模型的數(shù)據(jù)樣本（問題、答案、思維鏈的思考過程），這些數(shù)據(jù)樣本側(cè)重訓(xùn)練推理能力的。

然后，在小模型 Qwen-7B 上用數(shù)據(jù)樣本進(jìn)行訓(xùn)練。

最后，得到新的小模型 Qwen-7B 在推理能力上會(huì)大大提高。

這意味著，小模型也可以擁有大模型的能力，降低了模型運(yùn)行成本，為商業(yè) AI 應(yīng)用的發(fā)展提供基礎(chǔ)。

因此在未來我們做一個(gè) AI Agent 的場景，是可以混合使用大模型、小模型的。

DeepSeek R1 蒸餾出來的小模型運(yùn)行硬件配置

接下來，我們看一下蒸餾出來的小模型的運(yùn)行硬件配置。

這個(gè)表格來自網(wǎng)絡(luò)，僅供參考，大家也可以問 Kimi，我個(gè)人不建議中小型企業(yè)獨(dú)立購買硬件部署，會(huì)增加很多額外的成本，例如服務(wù)器的運(yùn)維、模型自身升級(jí)的運(yùn)維，建議還是用 API 接口，或者云服務(wù)。

拋磚引玉，商用場景應(yīng)用

最后我們說一下商用場景，AI 從 2023 年到目前，大部分集中在寫作、出圖、出視頻方面，但是大面積的在企業(yè)業(yè)務(wù)流程上使用還是少數(shù)，主要因素還是是 Token 消耗的成本過高，大模型的幻覺。

OpenAI 的 o 系統(tǒng)面世，雖然將大模型的幻覺進(jìn)行了改進(jìn)，但是其高昂的費(fèi)用，在企業(yè)商用上還是一筆不小的開銷。

但是 DeepSeek R1 的面世，在提升大模型能力的前提下，價(jià)格一下子降下了幾十倍，我們也可以不用云端 API，可以自己獨(dú)立部署，這對(duì)企業(yè)來說，是一個(gè)極好的消息。

下面是我搜集的大家都在用 DeepSeek 在哪些商業(yè)場景上開始應(yīng)用了。

內(nèi)容生成與營銷

使用 DeepSeek R1，可以撰寫出吸引眼球的廣告文案，并生成極具吸引力的社交媒體內(nèi)容。此外，它還能根據(jù)關(guān)鍵詞進(jìn)行 SEO 優(yōu)化。

改進(jìn)客戶服務(wù)

DeepSeek R1 驅(qū)動(dòng)的聊天機(jī)器人能響應(yīng)常見客戶咨詢，協(xié)助安排預(yù)約，甚至提供基礎(chǔ)的咨詢，從而提升客戶滿意度。

軟件開發(fā)

在軟件開發(fā)中，DeepSeek R1 可以協(xié)助我們進(jìn)行代碼開發(fā)和調(diào)試。并且能夠自動(dòng)化生成技術(shù)文檔，大大提高了開發(fā)人員的效率。

財(cái)務(wù)與數(shù)據(jù)分析

在金融領(lǐng)域，DeepSeek R1 提供預(yù)測(cè)分析功能。同時(shí)，憑借其強(qiáng)大的數(shù)據(jù)分析能力，它還能有效進(jìn)行風(fēng)險(xiǎn)評(píng)估。

合同審閱

想想我們審閱合同所花費(fèi)的時(shí)間。DeepSeek R1 能夠分析這些文檔，提取關(guān)鍵條款，識(shí)別潛在風(fēng)險(xiǎn)，并提出改進(jìn)建議。

律師助手

DeepSeek R1 可自動(dòng)化起草訴狀、合同和證據(jù)請(qǐng)求等標(biāo)準(zhǔn)化法律文件，節(jié)省時(shí)間、降低錯(cuò)誤。

RPA 操控瀏覽器

最后就是給大家演示使用 browser-use 如何寫一個(gè)指令，讓瀏覽器自動(dòng)執(zhí)行，DeepSeek 沒有出來之前，browser-use 執(zhí)行一次簡單的命令也需要消耗大量的 Token，現(xiàn)在雖然還有些缺陷，隨著推理大模型能力的不斷提升、Token 成本的進(jìn)一步降低，相信過不了多久就可以商用了。