北京大学DeepSeek人工智能研究资料

这份资料的主题很集中：北京大学围绕 DeepSeek 做的两份研究性材料，一份讲提示词工程和落地场景，一份讲 DeepSeek 与 AIGC 应用的结合。它不是那种从零开始的编程入门包，更像是一组偏研究视角的技术文档，适合已经具备一定深度学习基础、想搞清楚大模型在实际场景里怎么用起来的人对照阅读。

资料构成与技术定位

两份 PDF 各自有明确的侧重点。提示词工程那份，讨论的是如何把模型能力稳定地引导到具体任务上，涉及任务拆解、上下文组织、输出约束这些工程化问题；AIGC 应用那份则更偏向生成式 AI 的整体技术脉络，把 DeepSeek 放进 AIGC 的框架里去看它的位置和适用边界。

从技术栈角度看，这类材料的价值不在于教你调某个 API，而在于帮你建立一套判断标准：什么任务适合用提示词直接解决，什么任务需要外挂检索或工具调用，什么任务根本不该交给当前这代模型。这种判断力，比记住几个模板句式要耐用得多。

两份材料怎么配合着看

建议的读法是把两份文档当成一组对照。先看 AIGC 应用那份，建立对生成式 AI 能力边界的整体认知；再回到提示词工程那份，看具体场景里怎么把这些能力落到可执行的输入输出上。

• 提示词工程部分适合边读边改：拿自己手上的实际任务去套文档里的思路，看哪些结构能直接复用，哪些需要按领域调整。
• AIGC 应用部分适合做技术地图：读完后应该能说清楚 DeepSeek 这类模型在文本生成、知识问答、内容处理上的强项和短板分别在哪。
• 两份材料都偏方法层，不依赖某个具体版本的模型，所以即使模型迭代，里面的分析框架仍然有参考价值。

可复用的工程思路

提示词工程这部分最容易转化成工程资产。文档里对落地场景的讨论，实际上是在回答一个反复出现的问题：怎么把不稳定的模型输出变成可用的系统组件。这背后涉及输出格式约束、失败重试、上下文裁剪、多轮状态管理这些在真实项目里绕不开的环节。读的时候可以留意它给出的场景分类，哪些是单轮任务，哪些需要多轮交互，哪些需要和外部数据源配合——这三类的工程复杂度差别很大，混在一起做容易踩坑。

AIGC 应用那份则更接近技术选型参考。它帮你理解 DeepSeek 在生成式 AI 生态里的定位，以及和检索、向量化、工作流编排这些组件怎么组合。对于要设计方案的人来说，这部分决定了架构的起点，而不是实现的细节。

适合谁来读，以及怎么读

如果你已经在做深度学习相关的工作，或者正在把大模型能力接入自己的产品，这份资料能提供一套偏学术视角的分析框架，比零散的博客文章更成体系。如果你只是对 AI 感兴趣但还没写过代码，建议先补上基础的 Python 和模型调用经验，否则读起来容易停在概念层，落不了地。

具体做法上，不要一次性通读。挑一个你手头真实的任务，带着问题去翻对应的章节，读完就动手试。提示词那部分尤其如此——它的价值只有在反复调整输入、观察输出变化的过程中才会显现出来。文档是静态的，但用法是动态的，把它当成一套可以随时回来查的参考手册，比当成需要背下来的教材更合适。