DeepSeek火在多重因素叠加：R1 低成本达到OpenAI o1的效果 + 技术创新且Open AI（大家都在一个起跑线） + 产品Open CoT/文笔深厚 + 国产 + 等等。
DeepSeek R1使用示例prompt模版
一、DeepSeek 市场影响
DeepSeek 的开源策略对AI市场产生了结构性冲击，从市场分层来看（这里参考拾象-李广密大佬的分类，做了进一步扩展）：
- ToC ：影响最大，Chatbot市场首当其冲，DeepSeek应用在春节前就已登顶苹果中美两区App免费榜，直接超越ChatGPT等产品的，品牌关注度加速迁移。
例如，某产品上面的功能比如“长文写作”、“诗歌”、“研究报告”等等 文字创作 均是DeepSeek R1擅长的。
2. ToB
：短期难有影响，这些大型组织一般是外包采购+私有化部署，需求复杂，周期长，依赖长期合作与合规。另外，做过ToB小伙伴应该有体会，有时候客户也不知道用来做什么，要替TA想好落地场景，是需要能嵌入企业业务流程中的成熟化产品。
以 PPT制作产品 为例，涉及大纲与文本内容生成、排版、配图，以及初稿之后的美化等，还要能ppt文件导出，DeepSeek R1主要在第一环。 3. ToD（开发者） ：短期影响有限，开发者更关注工具链成熟度与成本效率， 强推理能力 并不代表所有： 多模态、Function Call 等DeepSeek R1不支持， 多轮能力 排到第10（MultiChallenge榜单）， Code 方面Cursor官方说Sonnet在实际任务中的表现似乎仍然更好。
二、仍然是 Agent 为王？
不管是DeepSeek R1还是Agent，最终还是为了解决更实际些的问题，两者不冲突，AI Agents是依托大模型为解决问题而生的 系统 ：
-
2024年底-2025春节DeepSeek R1之前
-
Google：发布AI Agents白皮书；
-
Anthropic：2025年将是Agentic系统之年；
-
英伟达 CEO 黄仁勋：“AI Agents是一个数万亿美元的机会”；
-
OpenAI 发布首个AI Agent：Operator， 替用户完成预订机票、晚餐等联网任务；
-
2025春节 DeepSeek R1 之后
-
OpenAI 发布智能体Deep Search，用于 深度研究 ；
-
SB OpenAI Japan成立，卖“水晶智能体”，为大型企业 定制AI Agent ；
-
OpenAI Sales Agent被泄露，为 销售赋能 ；
-
Github Copilot 增加AI Agent模式， 自动迭代代码 。
三、R1+Agent > 2
DeepSeek R1 + Agent未来发展方向如何？
OpenAI 已经给出了答案，在成立SB OpenAI Japan时，OpenAI宣布，其 AI推理模型 将在2025年发展成为 Agent ——能够为用户工作的AI。
Agent系统特点是需要较强的多步推理能力以及function call，而目前 DeepSeek-R 1是不支持function call的 ，DeepSeek R1的Think如何赋能Agent的Thought？
有小伙伴就要问了，DeepSeek R1联网不是function call吗？也可以用RAG实现哈，即：把联网搜索到的结果以Prompt形式给到R1。
DeepSeek R1 赋能 Agent？
- Plan A：直接ReAct
以DeepSeek-R1-Qwen2.5-32B为基座的Good Case（ 但整体实测下来会出现较多幻觉 ）
Answer the following questions as best you can. You have access to the following tools:
Addition Tool: A tool for adding two numbers
Subtraction Tool: A tool for subtracting two numbers
Division Tool: A tool for dividing two numbers
Multiplication Tool: Atoolformultiplyingtwonumbers
Use the following format:
Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [Addition,Subtraction,Division,Multiplication]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can be repeated zero or more times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
Begin!
Question: 一种减速机的价格是750元，一家企业需要购买12台。每台减速机运行一小时的电费是0.5元，企业每天运行这些减速机8小时。请计算企业购买及一周运行这些减速机的总花费。
DeepSeek-R1-Qwen2.5-32B能给出推理逻辑与最终的答案：【9336元】
<think>
首先，需要计算购买12台减速机的总费用。每台减速机的价格是750元，因此购买总费用是750乘以12，得到9000元。
接下来，计算每天的电费。每台减速机每小时的电费是0.5元，运行8小时，所以每台每天的电费是0.5乘以8，等于4元。12台每天的总电费就是4乘以12，得到48元。
然后，计算一周的电费。一周有7天，所以总电费是48乘以7，等于336元。
最后，将购买费用和一周的电费相加，得到总花费。9000元加上336元，总共是9336元。
</think>
Thought: 首先，我需要计算购买12台减速机的总费用。每台减速机的价格是750元，所以购买总费用是750乘以12。
Action: MultiplicationTool
Action Input: 750, 12
Observation: 9000
Thought: 接下来，我需要计算每天的电费。每台减速机每小时的电费是0.5元，运行8小时，所以每台每天的电费是0.5乘以8。
Action: MultiplicationTool
Action Input: 0.5, 8
Observation: 4
Thought: 然后，计算12台减速机每天的总电费。每台每天电费是4元，所以总电费是4乘以12。
Action: MultiplicationTool
Action Input: 4, 12
Observation: 48
Thought: 接下来，计算一周的电费。每天电费是48元，一周7天，所以总电费是48乘以7。
Action: MultiplicationTool
Action Input: 48, 7
Observation: 336
Thought: 最后，将购买费用和一周的电费相加，得到总花费。购买费用是9000元，电费是336元。
Action: AdditionTool
Action Input: 9000, 336
Observation: 9336
Thought: 我现在知道最终答案了。
Final Answer: 企业购买及一周运行这些减速机的总花费是 \boxed{9336} 元。
满血版DeepSeek R1的推理逻辑与最终答案回答：【9336元】
- Plan B：特定场景训练
OpenAI Deep Research技术原理： 依托OpenAI o3进行端到端特定场景强化训练
这里对开发者而言：