北大最近公开了《DeepSeek提示词工程和落地场景》手册。

这份文档在学术圈引起广泛讨论，它是国内首个系统分析推理大模型（DeepSeek-R1）实际应用的公开文献。

不仅展示了国产模型的工程实践，同时反映了大模型技术从研究到产业化的转变路径。（老规矩，文末提供下载方式）

北大版与清华版的主要区别？

1、技术定位：应用导向vs底层技术

北大版本是实用工具，解决实际工作问题。

清华版则更侧重技术原理，包含许多前沿技术细节。

2、使用门槛：入门级vs专业级

北大团队文档使用简单直接的语言。

相比之下，清华版本包含更多专业术语和复杂概念。

3、应用场景：实用功能vs理论探索

北大版在实用性方面表现突出，包含多种工作效率工具。

清华版则提供更深入的技术实现和实验性功能。

4、目标用户：普通用户vs技术专家

北大关注普通用户体验，清华侧重技术突破和创新。

北大版核心内容从技术特性、应用逻辑与局限性三个方面进行了分析。

DeepSeek-R1的特点：高性能低成本的推理模型

与GPT-4o这类追求全能的模型不同，DeepSeek-R1专注提高复杂推理能力。它有三大优势：

1. 技术创新：采用先进技术组合，在数学推理和代码生成方面的准确率分别达到79.8%和92.2%，比GPT-4o高12-15%；

2. 降低成本：通过特殊训练方法，将大型模型每次使用成本降到0.003美元，比同类产品低83%；

3. 中文表现优秀：在中文测试中比GPT-4o得分高8.7分，特别适合政府文件和教育内容制作。

提示词使用方法：从简单指令到深度思考

DeepSeek-R1的提示词用法与常见模型有所不同：

1. 思维过程可视化：通过"先找缺点再回答"的方式增强推理能力。测试显示，这种方法使商业分析的逻辑性提高了37%；

2. 示例问题：R1不擅长处理少量示例。医疗测试中，提供5个示例反而使准确率下降22%，它更适合直接使用；

3. 专业模式：文档提供的"政务模式"和"教育模式"等是针对特定场景优化的设置。例如教育模式能让试题的认知层级匹配度达到89%。

实际应用的局限性

尽管应用案例丰富，实际使用仍面临三个主要问题：

1. 准确性：虽然长文本生成的错误率(6.3%)低于GPT-4o(9.8%)，但在金融、法律等重要领域仍有不足。银行测试显示合同条款中关键数据的错误率为1/200；

2. 设备需求：尽管使用成本低，但完整版需要128块高端显卡，部署难度大。中小企业需要在精度和成本间做选择；

3. 学习难度：教育领域测试表明，教师需要平均17.5小时才能熟练使用提示词模板，比普通生成模型的9小时学习时间长很多。

以下是PDF重点内容：

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】