北京大学DeepSeek人工智能研究资料

这份资料适合放在手边当参考，而不是从头到尾刷一遍。它来自北京大学，主题集中在两处：DeepSeek 这类大模型的运行逻辑，以及提示词在真实场景里怎么用。如果你已经会调 API、能跑通一个对话 demo，却说不清「同样一句话为什么换个问法结果差很多」，或者接手 AIGC 需求时拿不准从哪下手，那这份资料正好补这两块。

它解决的是哪一类「说不清」

很多人用大模型的状态是：能跑，但不敢改。参数、上下文、提示词结构之间的关系没理清，一旦效果不好就只能反复试。这份资料的价值在于把「试」变成「推」——从模型侧讲清楚 DeepSeek 的能力边界和设计取舍，再从应用侧讲清楚提示词为什么那样写。两块内容合在一起看，才不至于只背几个提示词模板却不知道什么时候该改。

另一类缺口是 AIGC 的落地判断。做文本、图像、多模态相关需求时，常见问题不是「能不能做」，而是「值不值得用大模型做」。资料里关于 AIGC 应用的部分，讨论的正是场景与技术的匹配，这类判断比单纯会用工具更难补。

建议的阅读顺序

• 先看提示词工程部分。它门槛低、反馈快，看完当天就能在自己手上的任务里验证，容易建立手感。
• 再看 DeepSeek 相关的技术解析。有了前面的使用经验，再看模型层面的解释会更顺，不容易卡在概念上。
• AIGC 应用部分放在最后，用前面攒下的判断力去评估具体场景，而不是一上来就被案例带着走。
• 每一节读完，挑一个自己正在做的任务试改一版提示词，把「读到的」变成「改过的」。

配套练习怎么做才有效

资料本身偏讲解，练习要靠自己补。比较实用的做法是选一个你熟悉的重复性任务——比如把会议记录整理成待办、把一段代码注释补全、把长文压缩成摘要——先用你平时的写法跑一遍，记下结果；再按资料里的思路重写提示词，对比两次输出差在哪。差别通常来自三处：角色设定、约束条件、输出格式。逐项改、逐项看变化，比一次性重写更容易看出规律。

如果条件允许，同一组任务在不同模型上各跑一遍。DeepSeek 的表现和其他模型未必一致，这种差异本身就是理解模型特性的好材料。

看完应该能回答的问题

• 一个提示词效果不稳定，可能的原因有哪些，按什么顺序排查？
• DeepSeek 在处理长上下文、推理类任务时，和常见模型的差异体现在哪？
• 什么样的 AIGC 需求适合直接上大模型，什么样的应该先退回传统方案？
• 把提示词从「能用」调到「稳定可用」，通常要补哪些约束？

如果这些问题你现在答不上来，或者只能凭感觉答，那这份资料值得花时间。它不负责把你变成研究者，但能让你在用 DeepSeek 和做 AIGC 应用时，少一点「不知道为什么行」的运气成分。