北京大学发布的《DeepSeek提示词工程与落地场景》课程及配套手册，系统性地探讨了如何通过优化提示词设计释放DeepSeek模型的潜力，并展示了其在不同领域的实际应用。以下是课程的核心内容总结：
一、提示词工程方法论
1. 基础原则与技巧
结构化提问：强调通过“需求锚定术”“思维脚手架构建”等五维优化体系，将任务完成率从17%提升至89%。
高效模板：例如“我是谁？我要做什么？有什么要求？应用场景是什么？”的通用公式，帮助用户快速明确需求。
进阶策略：包括“反向PUA”（通过反向激励模型深入思考）、“模仿”专家思维模式、“锐评”式反馈修正模型输出等。
2. 误区与改进方向
常见错误包括提示词过于笼统、角色混乱、场景描述不清等，需通过分步骤细化需求解决。
针对模型可能出现的“过度推理”现象（如陷入无限思考循环），课程建议通过限制推理时间或Token数量进行防御。
二、AIGC应用场景与案例
1. 垂直领域应用
教育科研：辅助论文文献综述、知识点总结、个性化教案生成，提升教学效率。
商业创新：电商运营分析、品牌故事创作、投资策略优化。
生活服务：旅行规划、菜谱生成、家庭财务管理等场景的智能化支持。
2. 跨领域协作
工具结合：例如“DeepSeek+即梦”批量生成图片、“DeepSeek+Mermaid”生成复杂图表，提升可视化效率。
本地化部署：企业通过私有化部署定制模型，满足数据安全与合规需求，同时降低成本。
三、技术特性与模型优化
1. DeepSeek-R1的核心优势
低成本与开源：训练成本仅为传统大模型的5%，且完全开源推动技术普及。
推理能力：专注于数学、编程等复杂任务，通过“慢思考”机制优化逻辑链生成。
2. 局限性与改进
通用能力弱于生成模型，存在“幻觉”问题，非中英文任务可能出现语言混杂。
需依赖提示词工程优化输出质量，未来计划通过强化学习调整奖励机制减少过度推理。
