近期，围绕国产大语言模型DeepSeek，学界与业界掀起了一股研究热潮。继清华大学发布五部DeepSeek攻略之后，北京大学肖睿团队又分享了两份“内部秘籍”，进一步激发了人们对这一人工智能前沿领域的探索热情。对于那些刚刚接触AI大模型的初学者来说，DeepSeek无疑是一个引人入胜，却又略带神秘感的强大工具。
那么，DeepSeek究竟有何奥秘？理解它的工作原理是掌握其应用的关键。作为大语言模型家族的一员，DeepSeek的运作模式与广为人知的GPT（Generative Pre-trained Transformer，生成式预训练变换器）有着异曲同工之妙。GPT的工作流程可以概括为：首先接收用户输入的提示词（Prompt），将这些提示词分解成一个个称为“token”的最小单元，再通过Transformer这种特殊的神经网络架构来处理这些token，模型会基于已知的上下文信息预测下一个最有可能出现的token，并根据概率得分选择最佳选项。这个过程会不断重复，以“自回归”的方式生成完整的句子或段落。
正是这种机制赋予了以GPT和DeepSeek为代表的大语言模型强大的语言理解、生成和推理能力。它们不仅能够理解复杂的文本含义，还能生成流畅自然的语言内容，甚至具备一定程度的世界知识和逻辑推理能力。然而，我们也必须清醒地认识到，这些模型并非完美无缺。它们也面临着诸如“AI幻觉”（即生成不真实信息）、知识库的局限性，以及上下文窗口长度限制等挑战。例如，早期的GPT版本在处理超长文本时，由于上下文记忆长度的限制，表现会明显下降。
肖睿团队发布的秘籍之一——《DeepSeek与AIGC应用》，旨在为非专业人士揭开DeepSeek的神秘面纱。它详细介绍了DeepSeek的定义、优势以及潜在的应用场景，强调在使用这些AI大模型时，必须充分理解并尊重其能力边界。例如，针对GPT-3.5和GPT-4等模型的上下文长度限制，建议用户采取分段对话、定期总结、关键词提醒等策略，以提高模型处理长文本的效率。
在文本分析领域，大语言模型擅长诸如统计分析、自动摘要生成等任务。然而，在面对需要持续更新的知识、存在复杂语境歧义的文本时，它们的表现可能会打折扣。当模型遇到新词汇或无法准确判断语境时，可能会给出“未训练”的回答，这反映了其知识储备和泛化能力的局限性。这提醒我们，在实际应用中，需要结合具体的任务特点，选择合适的模型，并进行必要的调优和干预。
了解这些基础知识后，我们就能更好地把握AIGC工具的应用场景。目前，面向普通用户的AIGC工具主要包括聊天对话机器人、图像生成工具、音频工具、视频生成工具和搜索工具等等。DeepSeek-R1凭借其强大的逻辑推理能力脱颖而出，但在多模态处理能力方面有所欠缺，无法直接处理图像、音频等信息。相比之下，像豆包这类具备更强多模态能力的工具，可能更适合日常休闲对话和一些需要图像、音频输入的任务。
另一份秘籍——《DeepSeek提示词工程和落地场景》，则专注于DeepSeek R1的使用技巧，尤其是提示词工程（Prompt Engineering）。作为一款CoT（Chain-of-Thought，思维链）模型，DeepSeek R1更擅长逐步推理和逻辑思考。因此，在使用时，我们需要改变传统的提示词习惯，更加直接、明确地表达自己的需求。例如，我们可以尝试这样构建提示词：“我想要（做）XX，目的是给XX用，希望达到XX效果，但同时也担心XX问题。” 另外，还可以通过“反向PUA”的方式，鼓励AI进行更深入的思考，从而输出更好的结果。这种方法实际上是利用了模型的自我完善机制，引导其进行更全面的分析和更周密的考虑。
该秘籍还提供了市场营销、公文写作、编程开发、数据分析、会议纪要、学术研究等多个领域的具体应用示例，为读者提供了丰富的实践指导，帮助他们更好地将DeepSeek融入到各自的工作流程中。这些示例不仅展示了DeepSeek的强大功能，也为用户提供了宝贵的参考，鼓励他们积极探索更多可能的应用场景。
