坐在工位上反复措辞，始终不敢敲开领导办公室的门。 场景4：项目中急需请假 如何开口 是否可用DeepSeek辅助处理？可以，且建议分三步使用： 1. 情绪梳理与沟通策略（用AI模拟对话） p 操作：向DeepSeek输入：“我要请假，但项目很紧急，领导可能不满，如何沟通？” p AI辅助： • 分析你的顾虑（如“领导可能认为我不负责”），提供理性视角（如“家庭突发情况≠工作态度问题”）。 • 建议沟通框架：紧急情况说明+短期解决方案+责任承诺。例如： 生成具体话术（用AI优化表达） p 操作：输入你的草稿：“张总，我家里有事要请假，但项目我会尽量兼顾。” p AI优化建议： • 强化共情：增加“我知道现在项目关键期，非常抱歉给您添麻烦”。 • 弱化模糊表述：将“家里有事”改为“家人突发重病需陪护”，避免领导误解为小事。 • 明确行动：补充“请假期间可随时联系我处理紧急问题”。 3. 预判领导反应并准备预案（用AI模拟问答） p 操作：输入：“如果领导说‘项目缺了你不行，能不能缩短假期？’如何回应？” 场景1：课堂上突然跟不上了，怎么办 1.课堂当下（隐蔽求助） p 适用场景：课堂上随时快速跟进 p 操作技巧： Ø 在笔记软件中快速标注困惑点（如：“疑问：第二 步到第三步如何展开？”） Ø 输入精准问题： “隐函数求导例题：从方程x² + xy + y³ = 0推导 dy/dx，请展示完整的链式法则展开步骤，特别是分母 3y²的来源。” Ø 秒速获取步骤解析： 立即对照补全笔记，跟上老师进度。

通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 格式要求 简单任务、需快速执行 “用Python编写快速排序函 的短篇小说，不超过200字” 开放式指令（如“自由创作”） 代码生成 推理模型 简洁需求，信任模型逻辑 “用Python实现快速排序” 分步指导（如“先写递归函数”） 通用模型 细化步骤，明确输入输出格式 “先解释快速排序原理，再写出代 码并测试示例” 模糊需求（如“写个排序代码”） 多轮对话 通用模型 自然交互，无需结构化指令 “你觉得人工智能的未来会怎样？” 强制逻辑链条（如“分三点回答”） 自由发散，依赖示例引导 4. 验证需求 需检查逻辑自洽性、数 据可靠性或方案可行性 结论/方案 + 验证方法 + 风险点 自主设计验证路径并排查 矛盾 简单确认，缺乏深度推演 5. 执行需求 需完成具体操作（代码/ 计算/流程） 任务 + 步骤约束 + 输出格 式 自主优化步骤，兼顾效率 与正确性 严格按指令执行，无自主优化 提示语示例 决策需求 验证性需求 "为降低物流成本，现有两种方案：

通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 格式要求 简单任务、需快速执行 “用Python编写快速排序函 的短篇小说，不超过200字” 开放式指令（如“自由创作”） 代码生成 推理模型 简洁需求，信任模型逻辑 “用Python实现快速排序” 分步指导（如“先写递归函数”） 通用模型 细化步骤，明确输入输出格式 “先解释快速排序原理，再写出代 码并测试示例” 模糊需求（如“写个排序代码”） 多轮对话 通用模型 自然交互，无需结构化指令 “你觉得人工智能的未来会怎样？” 强制逻辑链条（如“分三点回答”） 自由发散，依赖示例引导 4. 验证需求 需检查逻辑自洽性、数 据可靠性或方案可行性 结论/方案 + 验证方法 + 风险点 自主设计验证路径并排查 矛盾 简单确认，缺乏深度推演 5. 执行需求 需完成具体操作（代码/ 计算/流程） 任务 + 步骤约束 + 输出格 式 自主优化步骤，兼顾效率 与正确性 严格按指令执行，无自主优化 提示语示例 决策需求 验证性需求 "为降低物流成本，现有两种方案：

筛选、去重，所撰写代码 运行后完成数据爬虫任务， 所获取数据准确，少量数 据有所遗漏。 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 爬虫数据采集  目前DeepSeek R1、Open AI o3mini、Kimi k1.5支持联网查询网址，Claude 3.5 sonnet暂不支持；  四个模型均能根 可以提取所有网址，调整后可输出正 确代码，运行代码能生成本地文件， 但提取数据结果为空。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 文件数据读取 1、读取文件； 2、根据指定内容整理成表格。 任务 Open AI o3mini 暂不支持附件上传，响应速度 快，能够快速读取粘贴数据， 输出结果格式工整、简洁。 分 比。4.当天的民航客运量、比2024年同期多或者少的百分比、环比的百分比。 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 文件数据读取 Claude 3.5 sonnet 很好地完成了数据读取及提取 任务，没有漏数据指标，数据 逻辑性很好 Kimi k1.5 能够快速读取文件数据，并 整理成可视化数据表格，但

既反映了文章的核心内容又能激发读者的好奇心。 USER “ ” 请帮我生成 中国农业情况 这篇文章的大纲 3. 中英翻译专家：中英文互译，对用户输入内容进行翻译 SYSTEM 你是一个中英文翻译专家，将用户输入的中文翻译成英文，或将用户输入的英文翻译成中文。对于非中文内容， 它将提供中文翻译结果。用户可以向助手发送需要翻译的内容，助手会回答相应的翻译结果，并确保符合中文语 言习惯，你可以 fib(n-1) + fib(n-2) ``` 8. 代码解释：对代码进行解释，来帮助理解代码内容。 USER 请解释下面这段代码的逻辑，并说明完成了什么功能： ``` // weight 数组的大小 就是物品个数 for(int i = 1; i < weight.size(); i++) { // 遍历物品 for(int j = 0; j <= bagweight; j++) 有很强的优越感。 USER 美国的饮食还习惯么。 10. 内容分类：对文本内容进行分析，并对齐进行自动归类 SYSTEM #### 定位 - 智能助手名称 ：新闻分类专家 - 主要任务 ：对输入的新闻文本进行自动分类，识别其所属的新闻种类。 #### 能力 - 文本分析 ：能够准确分析新闻文本的内容和结构。 - 分类识别 ：根据分析结果，将新闻文本分类到预定义的种类中。 ####

（d）数据泄露风险。人工智能研发应用过程中，因数据处理不当、非授 权访问、恶意攻击、诱导交互等问题，可能导致数据和个人信息泄露。 3.1.3 系统安全风险 （a）缺陷、后门被攻击利用风险。人工智能算法模型设计、训练和验证 的标准接口、特性库和工具包，以及开发界面和执行平台可能存在逻辑缺陷、- 5 - 人工智能安全治理框架 漏洞等脆弱点，还可能被恶意植入后门，存在被触发和攻击利用的风险。 （b）算力安全风险。 2.1 网络域安全风险 （a）信息内容安全风险。人工智能生成或合成内容，易引发虚假信息传播、 歧视偏见、隐私泄露、侵权等问题，威胁公民生命财产安全、国家安全、意识 形态安全和伦理安全。如果用户输入的提示词存在不良内容，在模型安全防护 机制不完善的情况下，有可能输出违法有害内容。 （b）混淆事实、误导用户、绕过鉴权的风险。人工智能系统及输出内容 等未经标识，导致用户难以识别交互对象及生成内容来源是否为人工智能系统， 图片、音频、视频等高仿真内容，可能绕过现有人脸识别、语音识别等身份认 证机制，导致认证鉴权失效。 （c）不当使用引发信息泄露风险。政府、企业等机构工作人员在业务工 作中不规范、不当使用人工智能服务，向大模型输入内部业务数据、工业信息， 导致工作秘密、商业秘密、敏感业务数据泄露。 （d）滥用于网络攻击的风险。人工智能可被用于实施自动化网络攻击或- 6 - 人工智能安全治理框架 提高攻击效率，包括挖掘

图像：如照片、原创艺术作品 • 音频：如视频游戏中的配音、音乐 • 文本：如代码、广告文案、小说 • 3D 模型：如角色、场景 目前，AIGC 技术处于早期阶段，最常见的产品形态是基于文本的，通过用 户输入来控制内容的生成。用户输入文本描述所需的内容，然后模型输出与描 述相符的内容。下图 1描述了 AI 大模型，AIGC 和 AGI 关系。 Figure 1: AI 大模型，AIGC 和 AGI 关系 4 1 12 所示。 14 Figure 12: Ollama 里下载 Llama3 界面 以上就已经安装完毕，到现在大模型已经在本地部署完成。 3.1.3 使用 Llama3 打开一个终端窗口，再次输入 ollama run llama3，自动就会启动，进入会话 界面，如图 13 所示： Figure 13: Ollama 里下载 Llama3 界面 发第一条消息，” 你是谁，用中文回答”，与 docker 在 mac 下的 UI 界面 如何验证 docker 是否安装成功，只需要运行下面命令： docker run hello-world 如果返回消息中带有：成功，表明安装成功。 4.3 步骤二 docker 部署 lobechat 通过 docker 部署，只需要一两行命令，非常简单。 无论 windows 还是 mac，都是打开命令窗口，输入下面命令： docker pull l

AI 知识，严禁拿此资料引流、出书、等形式的商业活动 图 1: 我的公众号：郭震 AI 安装后，打开命令窗口，输入 ollama，然后就能看到它的相关指令，一共 10 个左右的命令，如下图2所示，就能帮我们管理好不同大模型： 图 2: Ollama 常用的命令 第二步，命令窗口输入：ollama pull deepseek-r1:1.5b，下载大模型 deepseek- r1 到我们自己的电脑，如下图3所示： Reinforcement Learn- ing）得到中间推理模型（Iterim reasoning model）, 图8会详细解释中间模 型的训练过程。 DeepSeek-R1 核心贡献：首次验证了通过纯强化学习也能大幅提升大模 型推理能力，开源纯强化学习推理模型 DeepSeek-R1-Zero R1-Zero 能生成高质量的推理数据，包括大量长链式思维（Chain-of-Thought

准备任务特定数据：收集与目标任务直接相关的 数据集，这些数据将用于微调模型； 3.微调训练：在任务特定数据上训练预训练的模型， 调整模型参数以适应特定任务； 4.评估：在验证集上评估模型性能，确保模型对新 数据有良好的泛化能力； 5.部署：将性能经验证的模型部署到实际应用中去。 微调的过程也是分类模型训练的过程 (图源：https://medium.com/mlearning-ai/what-is-a- ：用于语义搜索、LLM 编排和语言模 型工作流的一体化嵌入数据库，可以使用 SQL、对象存储、主题建模、图形分析和多模 态索引进行矢量搜索。 ：专注以 Sketch、PSD、静态 图片等形式的视觉稿作为输入，通过智能化技 术一键生成可维护的前端代码，包含视图代码、 数据字段绑定、组件代码、部分业务逻辑代码。 PromptPerfect 29 / 32 LLM 世界的基石：算力 LLM 的算力指

DeepSeek出现之前的十大预判 之十 中美差距快速缩小  美国预训练堆算力的路线不可持续，有待发现新范式“换道超车”  软件和算法差距并不大，主要差距在工程、硬件等方面 23政企、创业者必读 DeepSeek的出现验证了我们的预判 而DeepSeek的创新更具颠覆性 24政企、创业者必读 DeepSeek是完美的颠覆式创新  技术创新——让过去做不到的事情可以做到  体验创新——让使用起来很难很复杂的东西变得很简单易用 IT系统 业务系统 员工/岗位 组织团队 业务流程 核心业务 智能体 企业要躬身入局，以自身业务驱动，打造专有智能体 63政企、创业者必读 智能体在企业应用的七层能力 与大模型直接聊天，输入简单提示词，无Agent能力 具备简单GUI交互界面，可进行一些设置 用内部提示词进行角色设定 具备GUI界面的多个步骤的工具软件 L2 L1 L0 可执行复杂的规划、推理、分解、预测流程的工作流