简介：这份PDF由清华大学@新媒沈阳团队撰写，面向希望借助大语言模型提升办公效率的职场人士与AI应用开发者，系统讲解DeepSeek在真实工作场景中的落地方法。内容覆盖团队在人机协同、人机共生方向的研究背景，DeepSeek在英伟达NIM、微软Azure、亚马逊AWS等平台的部署信息，以及基础模型V3、深度思考模型R1与联网搜索RAG三种模式在规范性、路径灵活性和风险特征上的差异对比。资源还给出RTGO与CO-STAR两套提示语框架，并延伸到可视化图表、海报设计、视频分镜、新媒体文案批量生成、市场调查与AI应用开发等场景，兼顾操作规范与人机协作意识。资源包共1个PDF文件，约10.02MB，结构完整、便于通读与检索。目前已有599人学习，适合想系统掌握DeepSeek提示词技巧与多场景实战思路的读者参考。

1. 一份被低估的职场 AI 操作手册：从提示词到多场景落地

大多数人用 DeepSeek 的方式，还停留在“帮我写个周报”这种随手一问的阶段。结果就是：同一个模型，有人用它十分钟出一份带 Mermaid 架构图的汇报 PPT 大纲，有人折腾半小时还在跟它绕圈子。差距不在模型本身，在于你有没有一套可复用的提示词结构和场景映射方法。清华大学@新媒沈阳团队出的这份《DeepSeek如何赋能职场应用？从提示词技巧到多场景应用》，核心价值就在这——它把 V3 和 R1 两种模型的提示语差异讲透了，给出了 RTGO 和 CO-STAR 两套可以直接抄的框架，还覆盖了可视化图表、海报设计、视频分镜、新媒体文案、市场调查等具体职场场景。适合谁？需要把 AI 真正嵌进日常工作流的人，而不是只想尝个鲜的围观群众。

2. 先搞懂 V3 和 R1 的底层差异：选错模型，提示词全白写

2.1 两种模型的六维对比：为什么你的提示词有时灵有时不灵

很多人抱怨“DeepSeek 有时候很聪明，有时候像换了个人”，根因往往不是网络波动，而是你在用 V3 的方式跟 R1 说话，或者反过来。这份文档里有一张很关键的对比表，我把它整理成更直观的版本：

这张表不是让你背的，是让你在写提示词之前先做一次判断：这个任务有没有标准答案？如果有，走 V3；如果没有，走 R1。判断错了，后面所有技巧都是白费。

2.2 提示语的核心分叉：V3 要“过程-结果”，R1 要“目标-开放”

文档里有一句话点得很透：V3 模型需要清晰的“过程-结果”指令，而 R1 模型需要目标清晰但结果可以模糊的推理提示。我拿两个实际场景来说明。

场景一：用 V3 生成一份标准格式的会议纪要

角色：行政助理 任务：将以下会议录音转写文本整理成标准会议纪要 目标：输出包含“会议主题、参会人员、讨论要点、决议事项、待办任务”五个部分的纪要 操作要求： 1. 讨论要点按议题分条，每条不超过 50 字 2. 决议事项必须标注负责人和截止日期 3. 待办任务用表格呈现 4. 输出格式为 Markdown

这段提示词的特点是：路径完全锁死，V3 不需要“思考”，只需要执行。你给它的约束越具体，它输出越稳定。

场景二：用 R1 做一次市场进入策略分析

目标：分析东南亚市场进入策略的可行性 背景：我们是一家做企业级 SaaS 的公司，年营收 5000 万，团队 80 人 要求：从市场规模、竞争格局、政策风险、本地化成本四个维度展开 输出：不需要给出确定结论，但需要列出每个维度的关键变量和可能的推演路径

注意这里的区别：我没有告诉 R1“先做什么再做什么”，也没有给它示例。文档里明确说了，R1 不需要角色设定、思维链提示、结构化提示词、示例或过多解释。你给它越多的“思考模板”，反而越限制它的推理能力。

提示：如果你不确定该用哪个模型，先问自己一个问题——这个任务的输出，我能不能提前画出模板？能，用 V3；不能，用 R1。

3. 两套提示词框架的实战拆解：RTGO 和 CO-STAR 怎么选、怎么改

3.1 RTGO 框架：适合 V3 的“填空题式”提示词

RTGO 是 Role（角色）、Task（任务）、Goal（目标）、Objective（操作要求）的缩写。这套框架的本质是把提示词变成一张填空题试卷，你填得越完整，V3 输出越可控。

我拿“批量生成新媒体文案”这个场景来演示。假设你要为一款新上市的智能手表生成 5 条小红书风格的种草文案。

Role：你是一名小红书数码博主，擅长用口语化、有场景感的方式推荐产品 Task：为一款主打“健康监测+长续航”的智能手表生成 5 条种草文案 Goal：每条文案能让读者产生“我也想买一个试试”的冲动 Objective： 1. 每条文案 150-200 字 2. 开头用痛点场景切入（如熬夜后心跳异常、运动时不想带手机） 3. 中间自然带出产品卖点，不要硬广 4. 结尾加 3-5 个相关话题标签 5. 语气轻松，可以用“姐妹们”“真的绝了”等口语词 6. 输出格式：每条文案用分隔线隔开，标注序号

这段提示词里，Role 决定了语气，Task 决定了内容方向，Goal 决定了质量底线，Objective 决定了格式和边界。四个要素缺一个，输出就会偏。比如你不写 Objective 里的字数限制，V3 可能给你生成 500 字的长文；你不写“不要硬广”，它可能直接写成产品说明书。

3.2 CO-STAR 框架：适合 R1 的“开放式命题”提示词

CO-STAR 来自新加坡 GPT-4 提示工程竞赛冠军的框架，包含 Response（回应类型）、Context（上下文）、Objective（目标）、Style（风格）、Tone（语调）、Audience（受众）。这套框架比 RTGO 更灵活，适合 R1 这种需要推理和发散的模型。

我用“市场调查”场景来演示。假设你要分析“Z 世代对预制菜的消费态度”。

Response：分析报告，不需要给出确定结论，但需要列出关键发现和可能的解释 Context：我们是一家食品品牌，正在考虑推出面向 Z 世代的预制菜产品线。目前手头有 500 份问卷数据，但还没有做深度分析。 Objective：从消费动机、决策因素、价格敏感度、品牌信任四个维度，梳理 Z 世代对预制菜的态度，并指出数据中可能存在的矛盾点 Style：学术研究风格，但不要过于晦涩，能用大白话解释的概念就不用术语 Tone：客观中立，不要刻意讨好 Z 世代，也不要贬低他们的消费习惯 Audience：公司产品部和市场部负责人，他们没有时间看原始数据，需要直接可用的洞察

这段提示词的关键在于：我没有告诉 R1“先分析什么再分析什么”，而是给它一个开放的目标和足够的上下文，让它自己决定推理路径。文档里强调 R1 不需要思维链提示，原因就在这里——你给它思维链，等于给它画了一条它本来不需要走的路。

3.3 两套框架的混用边界：什么时候该切换

实际工作中，很多任务不是纯粹的 V3 或 R1 场景。比如“生成一份带数据可视化的季度汇报”，前半段需要 R1 做数据分析，后半段需要 V3 生成 Mermaid 图表代码。我的做法是拆成两步：先用 R1 跑分析，拿到结论后，再用 V3 生成格式化的图表代码。

第一步（R1）： 目标：分析以下销售数据，找出三个最值得在季度汇报中呈现的趋势 数据：[粘贴 CSV 数据] 要求：不需要生成图表，只需要用文字描述趋势和可能的业务含义 第二步（V3）： 角色：数据可视化专家 任务：将以下分析结论转化为 Mermaid 图表代码 目标：生成一个适合放在 PPT 中的流程图，展示三个趋势之间的逻辑关系 操作要求： 1. 使用 Mermaid flowchart 语法 2. 每个节点不超过 10 个字 3. 用不同颜色区分趋势类型 4. 输出纯代码，不要额外解释

这种拆法看起来多了一步，但实际比“一个提示词让 R1 又分析又画图”要稳定得多。R1 画图容易跑偏，V3 做分析又太死板，各干各的活才是正解。

4. 多场景落地的具体操作：从 Mermaid 图表到视频分镜脚本

4.1 用 DeepSeek 生成 Mermaid 图表和 PPT 大纲

文档里提到 DeepSeek 可以生成 Mermaid 图表代码和 PPT 大纲，这个场景在实际工作中非常高频。我拿“制作一份技术架构汇报”来演示完整流程。

第一步：用 R1 梳理架构逻辑

目标：帮我梳理一个电商后端系统的技术架构，用于向非技术背景的领导汇报 背景：系统包含用户服务、商品服务、订单服务、支付服务、推荐服务五个模块 要求：不需要画图，只需要用文字描述模块之间的依赖关系和数据流向

第二步：用 V3 生成 Mermaid 代码

角色：Mermaid 图表专家 任务：根据以下架构描述，生成 Mermaid flowchart 代码 描述：[粘贴 R1 的输出] 操作要求： 1. 使用 flowchart TD 语法 2. 每个服务用矩形节点表示 3. 数据流向用箭头标注 4. 用 subgraph 区分前端、后端、数据层 5. 输出纯代码，不要额外解释

生成的 Mermaid 代码可以直接粘贴到支持 Mermaid 的编辑器里渲染。如果你用的是 Typora 或者 Obsidian，直接贴进去就能看到图。

第三步：用 V3 生成 PPT 大纲

角色：技术汇报顾问 任务：根据以下架构描述和 Mermaid 图表，生成一份 10 页 PPT 的大纲 操作要求： 1. 每页包含标题、3-5 个要点、备注（给演讲者看的提示） 2. 第一页是封面，最后一页是总结和下一步计划 3. 中间页按“背景-架构总览-模块详解-数据流-技术选型-风险与应对”排列 4. 输出格式为 Markdown 表格

注意：Mermaid 代码在不同渲染器里的兼容性有差异，建议生成后先在目标平台测试一遍。我遇到过 flowchart TD 在某些编辑器里渲染错位的情况，换成 graph TD 就正常了。

4.2 海报设计和视频分镜脚本的提示词写法

文档里提到 DeepSeek 可以用于海报设计和视频创作，包括分镜脚本生成和美学意象风格的短片创作。这两个场景的提示词写法跟前面的技术任务不太一样，更依赖“意象描述”而不是“逻辑约束”。

海报设计提示词示例：

角色：资深平面设计师 任务：为一款主打“东方美学”的茶饮品牌设计一张新品海报的提示语 目标：生成一段可以直接输入 AI 绘图工具的提示词 操作要求： 1. 包含产品名称、海报主题、风格要求、色彩方案、构图方式 2. 风格关键词：新中式、留白、水墨渐变、暖光 3. 不要出现具体品牌名，用“产品名”代替 4. 输出格式：一段中文描述 + 一段英文关键词

视频分镜脚本提示词示例：

角色：短片导演 任务：为一个 60 秒的品牌短片生成分镜脚本 目标：脚本需要包含镜头编号、画面描述、运镜方式、时长、旁白文案 操作要求： 1. 全片分为 6-8 个镜头 2. 风格：美学意象风格，参考是“清晨茶园里的第一缕光” 3. 旁白文案不超过 100 字，要留白 4. 输出格式为 Markdown 表格

这两个场景的共同点是：你给 DeepSeek 的不是“步骤”，而是“感觉”。R1 在这类任务上的表现通常比 V3 好，因为它能理解模糊的意象描述，而 V3 更擅长处理明确的格式要求。

4.3 批量生成新媒体文案的参数调优

批量生成文案是文档里提到的一个高频场景。我自己的经验是，批量任务的关键不在提示词写得多漂亮，而在“参数控制”和“去重机制”。

角色：新媒体运营专家 任务：为以下 5 个产品卖点分别生成 3 条不同风格的微博文案 卖点列表： 1. 续航 14 天 2. 心率异常提醒 3. 50 米防水 4. 睡眠监测 5. 轻至 38 克 操作要求： 1. 每条文案 80-120 字 2. 三种风格分别为：种草型、科普型、场景型 3. 同一卖点的三条文案不能使用相同的开头句式 4. 每条文案结尾加 2 个话题标签 5. 输出格式：按卖点分组，每组下列出三条文案

这段提示词里，“不能使用相同的开头句式”是一个关键约束。如果不加这一条，V3 很容易生成 15 条开头都是“你知道吗”的文案。批量任务的血泪经验就是：你不在提示词里禁止的东西，模型一定会重复。

5. 避坑与排查：那些文档没写但你会遇到的问题

5.1 现象：R1 输出太长，停不下来

原因：R1 的推理模式是“网状路径”，它会在多个方向之间反复探索，如果没有明确的停止条件，就会一直输出。

解决：在提示词末尾加一句“输出不超过 500 字”或者“给出三个可能的路径即可，不需要穷举”。另外，R1 对“目标清晰但结果模糊”的提示词响应最好，如果你给了它一个过于开放的目标，它就会一直推理下去。

5.2 现象：V3 生成的 Mermaid 代码渲染报错

原因：V3 对 Mermaid 语法的掌握并不完美，尤其是节点命名包含特殊字符、箭头类型混用、subgraph 嵌套过深时容易出错。

解决：在提示词里明确指定“节点名称只用中文和数字，不要用括号和引号”“只使用 --> 箭头”“subgraph 不超过两层”。生成后先在 Mermaid Live Editor 里测试一遍，确认无误再贴到目标平台。

5.3 现象：批量生成的文案风格趋同

原因：V3 在批量任务中会倾向于复用相同的句式和词汇，这是模型概率生成机制的固有特性。

解决：除了在提示词里加“不能使用相同开头”之外，还可以把批量任务拆成多次单条生成，每次换一个风格关键词。比如第一次用“种草型”，第二次用“科普型”，第三次用“场景型”。虽然多花几分钟，但输出质量明显更稳定。

5.4 现象：R1 在分析数据时给出看似合理但实际错误的结论

原因：R1 的推理能力很强，但它不会验证数据的真实性。如果你给它的数据本身有缺失或矛盾，它会“脑补”出一个合理的解释。

解决：在提示词里加一句“如果数据中存在缺失值或矛盾点，请先指出，不要自行填补”。另外，R1 的输出一定要人工复核关键数字，尤其是涉及金额、比例、日期的部分。

5.5 现象：同一提示词在不同平台上的输出差异很大

原因：文档里提到了 DeepSeek 在英伟达 NIM 微服务、微软 Azure、亚马逊 AWS、Cerebras、Groq 等多个平台上的部署，不同平台的模型版本和参数配置可能不同。

解决：如果你需要稳定的输出，建议固定用一个平台。我一般会在提示词里加上“请严格按照以下格式输出”，然后在同一个平台上做 A/B 测试，确认稳定后再迁移到其他平台。

6. 进阶技巧：把提示词变成可复用的“职场工具箱”

6.1 建立自己的提示词模板库

我自己的习惯是：每跑通一个场景，就把提示词存成一个模板文件，按“场景-模型-框架”三层分类。比如：

templates/ ├── v3/ │ ├── 会议纪要.md │ ├── PPT大纲.md │ └── 批量文案.md ├── r1/ │ ├── 市场分析.md │ ├── 架构梳理.md │ └── 创意发散.md └── hybrid/ ├── 数据分析+图表.md └── 调研+报告.md

每个模板文件里只放提示词正文和一段简短的“参数说明”，比如“这个模板适合 500 字以内的输出，超过 500 字需要拆成两步”。这样下次遇到类似任务，直接复制粘贴改几个关键词就行，不用从头想。

6.2 用“反向提示词”做质量校验

这是一个文档里没写但我自己常用的技巧：在生成完内容后，用另一个提示词让模型自己检查一遍。

角色：质量审核员 任务：检查以下文案是否存在以下问题 检查项： 1. 是否有事实性错误 2. 是否有重复句式 3. 是否有不符合平台规范的表述 4. 是否有逻辑跳跃 输出：列出发现的问题，并给出修改建议 待检查文案：[粘贴生成的内容]

这个技巧在批量生成文案时特别有用。V3 生成 10 条文案后，用这个提示词跑一遍，能筛掉大部分低级问题。

6.3 人机协作的边界意识

文档最后提到了人机高效协作的“能动意识”和“边界意识”。我的理解是：能动意识是指你知道什么时候该让 AI 上，边界意识是指你知道什么时候该自己上。

举个例子：用 R1 做市场分析，它能帮你梳理出五个可能的分析框架，但最终选哪个框架、怎么解读数据、怎么跟业务方沟通，这些事它替不了你。用 V3 生成 PPT 大纲，它能帮你把内容排成 10 页，但哪一页该重点讲、哪一页该一笔带过，这些判断它做不了。

从那以后我每次用 DeepSeek 处理职场任务，都强制走一遍“模型选择-框架匹配-输出校验”三步流程。模型选错了就换，框架不匹配就调，输出不校验就不用。这套流程看起来多花了几分钟，但省下来的返工时间远不止这几分钟。希望帮到你。

本文还有配套的精品资源，点击获取