,
,
,
Deepseek R1发布之后用下来有以下体会，简单说一下ds r1目前的主要使用感受：\x0a① 输出前强制思考，在推理能力链路上会增加很多透明性。每一步输出的时候遇到关键节点会自行加上反思过程，保证输出质量。其实在这些模型的系统提示词里面已经把很多过去的Prompt技巧都加上且应用上了。\x0a② 第一款加了搜索引擎的推理模型，联网搜索+深度思考的组合技对于结果的准确性会有很多保证，尽量减少了事实性错误的发生。（ps.还是需要注意一点就是虽然它的事实性尽量会减少，但是针对一些信息源，如果源头信息不能保证权威和正确，它在以此为基准的推理路径也有可能会漂移。）\x0a③ Prompt层其实将模糊需求转化为可执行的逻辑框架始终是第一要义。实现人类思维与机器推理对齐。\x0a\x0a在Prompt层面的影响，对于r1模型，我们保证自己在准确描述自己的需求上，可以根据R1模型的思维链看着它思考的方式进行实时性的调整即可，具体的效果而言，因人因场景而异了。\x0a\x0a怎么写？Prompt就是上下文（背景信息）+ 目标（我想要的）+需求（你r1要做的）表述清楚就行。另外它还有一个缺点就是，思维太发散了，容易“狂飙”，拽各种听不懂的词汇，显得有点“装x”…这时候需要让它往回收收，比如“通俗易懂朴实直白，不要过度发挥”等等，可以结合deepseek本身的v3模型和r1搭配使用。\x0a（ps. R1有时候太像书法里的草书了，大笔一挥开始狂野输出。）\x0a\x0a在数理等需要复杂性推理的场景用r1的效果比较显著，在科幻小说方面跟它协作起来比较有意思。\x0a\x0a总结出来几个点就是：\x0a1.动态交互与自我纠错能力增强。\x0a2.约束条件下的推理能力增强。\x0a3.长文本生成的质量会得到一些提高。\x0a4.教育领域的一些解题系统/实验设计方面或者是商业领域竞品报告分析/风险预测模型等等模型能力更为匹配。\x0a5.模型自我评估置信度能力其实还应该更好一些。\x0a\x0a在Prompt层其实将模糊需求转化为可执行的逻辑框架始终是第一要义。实现人类思维与机器推理对齐。（多轮互动的形式可能会更好）