DeepSeek 于 2024 年 11 月 20 日发布了支持深度思考的新模型 Deepseek-R1-Lite 预览版，目前已上线官方网站[1]。这是第一个做出类似 Open AI O1 深度思考模型，赶在了 Claude、Qwen、Gemini 等之前。

想必很多同学已经试用或者看过 DS 的深度思考能力了，本文的目的不是为了演示，而是探究 DS 背后的思考的逻辑，并尝试编写 Prompt 让 DS 自己推导思考过程，emmm…用魔法打败魔法。本文最后会给出推导出的较为通用的 Prompt。

1. 体验深度思考

这次我们测试两个经典问题，“9.9 和 9.11 哪个大”和“Strawberry 有几个 r”

9.9 和 9.11 哪个大

Strawberry 有几个 r

可以看出第一个问题，思考过程很清晰，步骤也很明确。而第二个问题，更像是采用反思进行 double check，然而结果依然不对。

那么我们可否通过第一个问题的思考过程推导出一个 Prompt 来解决第二个问题呢？

2. 魔法打败魔法

我们编写如下提示词，并复制第一步的思考过程，给到 Deepseek，让其深度思考推导可能得通用提示词。

这里有一份大模型针对某个问题的思考过程，如有可能将其分解为多步骤，请尝试推测它每步可能的 Prompt 提示词，推测的提示词要更为通用，而不仅限于这种类型的问题。如有可能，可以从反思、推理、规划等类型的提示词来推到提示词。

==========

问题是：9.9 和 9.11 谁大

深度思考过程是：

嗯，今天老师给我们出了一个数学题，比较 9.9 和 9.11 谁大。一开始我觉得这应该不难，但是仔细想想好像有点复杂。首先，我知道 9.9 是九点九，而 9.11 是九点一一。好像 9.11 比 9.9 大，因为 11 比 9 大？可是，这不对吧。我好像记错了什么。让我再想想，可能我理解错了小数的比较方法。小数的比较应该从整数部分开始，如果整数部分相同，再看小数点后的第一位，以此类推。所以，9.9 和 9.11 的整数部分都是 9，相同。那就要看小数点后的数字。

…

DS 深度思考过程如下：

最后给出的提示词是

1. 问题理解 - 确保明确问题的要求和背景。

2. 知识回顾 - 回顾相关知识或概念，为解决问题做准备。

3. 数据准备 - 整理和准备所需的数据或信息。

4. 详细分析 - 对问题进行详细的分解和分析。

5. 验证假设 - 通过多种方法验证分析的正确性。

6. 考虑例外情况 - 思考可能的特殊情况或边界条件。

7. 得出结论 - 综合分析结果，得出最终结论。

3. 重测

我们关闭深度思考，并使用我们刚才获得提示词，当然这个提示词需要稍微改一下才能使用。

问题 1：Strawberry 有几个 r

回答如下，这是没有启用深度思考而得出的回答，可以看到他回答正确了，比深度思考还好用。

问题 2: 9.9 和 9.11 哪个大？

我们直接贴回答，推理步骤清晰，也同样获得了正确的答案。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】