deep seek 完整使用指南：从入门到精通的实战攻略

注册常见问题提前排雷

注册时最常见的问题是收不到短信验证码。如果超过 2 分钟还没收到，先检查手机是否开启了拦截广告短信的功能，很多手机默认会把验证码短信过滤掉。其次，确认输入的手机号没有多余空格或格式错误。如果还是不行，可以换用邮箱注册方式，通常更稳定。另外，注册过程中如果遇到「该手机号已注册」的提示，说明你之前可能用同一个号码注册过，直接点「忘记密码」通过手机号找回即可，不需要重新注册。

关于账号安全，强烈建议注册完成后立即在设置里绑定邮箱作为备用验证方式，并开启双重验证（如果平台支持）。不要把 deep seek 账号密码设置成和其他平台相同的密码，这是基本的网络安全常识。如果你是企业用户，建议申请企业账号，可以统一管理团队成员的使用权限和 API 额度。

提示词的四要素框架

用 deep seek 最常见的问题是提示词太短、太模糊。比如直接问"帮我写一篇文章"，模型不知道你要什么风格、什么主题、多长、给谁看，只能猜着写，结果往往不满意。正确的做法是把四个要素都交代清楚：角色（你希望 deep seek 扮演什么专家）、任务（具体要做什么）、约束（有什么限制或要求）、格式（希望输出成什么样子）。

举个具体例子，如果你要写一篇产品介绍文案，糟糕的提示词是："帮我写一篇关于智能手表的文章。"好的提示词是："你是一位有 10 年经验的科技产品文案策划师，请为一款面向 25-35 岁都市白领的智能手表写一段产品介绍，重点突出健康监测和续航两个卖点，字数控制在 200-300 字，语气专业但不失亲切，结尾加一句行动号召。"同样的模型，第二种提示词得到的结果会好得多。

角色设定：让 deep seek 变成你需要的专家

角色设定是提示词里最被低估的技巧。当你告诉 deep seek "你是一位资深律师"，它在回答法律问题时会自动调用更专业的术语、更严谨的逻辑框架，而不是给你一个泛泛的科普答案。角色设定不需要很复杂，一句话足够，关键是要贴合你的任务场景。

常用的角色设定模板包括："你是一位有 X 年经验的 [职业]，专注于 [细分领域]，请用 [目标受众] 能理解的方式回答以下问题……"这个模板可以套用在几乎所有场景：资深财务分析师、中学语文老师、Python 高级工程师、市场营销专家……只要角色设定合理，模型的输出质量会有明显提升。如果你不确定用什么角色，可以先问 deep seek："对于 [你的任务]，什么职业背景的专家最合适？"让它帮你选角色。

约束条件：把"不想要"的也写进去

很多人只告诉 deep seek 要什么，却忘了告诉它不要什么。约束条件包括两类：正向约束（要达到的标准）和负向约束（要避免的内容）。正向约束如"字数 500 字以内"、"必须包含数据支撑"、"使用 Markdown 格式"；负向约束如"不要使用专业术语"、"不要出现竞品名称"、"不要写成列表，用段落形式"。

实战中，负向约束往往比正向约束更有效。如果你发现 deep seek 总是给你写很多废话或者格式不对，与其一遍遍重新提问，不如在提示词里直接写："不要有开场白，不要总结段落，直接给出核心内容。"这类约束通常能立竿见影地改善输出质量。

多轮对话的技巧：把问题拆开来问

对于复杂任务，不要一次性把所有要求都堆在一个提示词里。更好的做法是把任务拆成几个步骤，分轮对话完成。比如写一篇商业计划书，可以第一轮让它给出大纲，第二轮针对每个章节分别展开，第三轮统一润色和调整语气。这种"分步骤"的方式不仅让每一步的输出更精准，也让你有机会在中间纠正方向，避免最后发现整体跑偏了才 重新返工。分步骤提问还有一个好处：每一轮的上下文都更聚焦，模型不容易"分心"，输出的逻辑连贯性更强。

格式控制：让输出直接可用

deep seek 支持 Markdown 格式输出，合理利用这一点可以让输出结果直接复制粘贴使用。在提示词里明确要求格式，比如"用 Markdown 表格输出对比结果"、"用有序列表列出步骤"、"用代码块包裹所有代码"，可以省去大量后期整理时间。如果你要把输出内容放进 Word 文档，可以要求"不使用 Markdown，用纯文本段落格式"。如果要放进 PPT，可以要求"每个要点不超过 15 字，用短语而非完整句子"。格式要求越具体，输出越省心。

代码生成与补全

deep seek Coder V2 在代码生成上的表现非常出色，支持约 338 种编程语言，在 HumanEval 评测上得分超过 90%。实际使用中，描述越具体，生成的代码越可用。糟糕的提示词："帮我写一个爬虫。"好的提示词："请用 Python 3.11 写一个网页爬虫，目标是爬取某电商网站的商品名称、价格和评分，使用 requests + BeautifulSoup，加入请求头模拟浏览器，每次请求间隔 1-3 秒随机延迟，把结果保存为 CSV 文件，包含错误处理和日志输出。"

生成代码后，建议再追问一句："这段代码有什么潜在的性能问题或安全隐患？"让 deep seek 自己审查自己生成的代码，通常能发现 1-3 个值得优化的点。这个"生成+自审"的两步流程，比直接把代码拿去用要安全得多。

Bug 调试与错误排查

把报错信息和相关代码一起粘贴给 deep seek，是最高效的调试方式。格式建议是：先说明运行环境（Python 版本、操作系统、相关库版本），然后粘贴报错信息，再粘贴出错的代码段，最后说明你期望的行为是什么。这样 deep seek 能快速定位问题，通常在 1-2 轮对话内给出可用的解决方案。

对于复杂的逻辑 bug（程序不报错但结果不对），可以让 deep seek 帮你做"代码走读"：把代码粘贴给它，说"请逐行解释这段代码的执行逻辑，并指出可能导致 [描述错误现象] 的地方"。这种方式比直接问"哪里有 bug"更有效，因为它强迫模型真正理解代码逻辑而不是猜测。

代码重构与性能优化

把一段写得比较乱的代码交给 deep seek，让它重构成更符合最佳实践的版本，是很多开发者日常使用的场景。提示词模板："请重构以下代码，要求：① 遵循 PEP 8 规范；② 把重复逻辑抽取成函数；③ 添加类型注解；④ 添加必要的注释；⑤ 保持功能完全不变。重构后请说明主要改动了什么。"这样的提示词能得到质量很高的重构结果，而且附带的改动说明对学习也很有价值。

文档与注释生成

写文档是很多开发者最不愿意做的事，但 deep seek 可以帮你把这件事变得轻松。把函数或类的代码粘贴给它，让它生成 docstring、README 或 API 文档，通常一次就能出一个质量不错的版本。对于整个项目的 README，可以把项目结构和主要功能描述给它，让它生成包含安装说明、使用示例和 API 参考的完整文档。

获取 API Key

访问 platform.deepseek.com，用你的 deep seek 账号登录（或单独注册开放平台账号）。进入控制台后，在左侧菜单找到「API Keys」，点击「创建 API Key」，给它起一个有意义的名字（比如"生产环境"或"测试用"），然后复制生成的密钥。注意：密钥只显示一次，务必立即保存到安全的地方，比如密码管理器。如果丢失，只能重新创建新的密钥。

新注册的开放平台账号通常有约 500 万 token 的免费试用额度，足够做大量测试。超出后按量计费，V3 模型的输入约 1 元/百万 token，输出约 2 元/百万 token；R1 模型的输入约 4 元/百万 token，输出约 16 元/百万 token（以官方当前定价为准，价格可能调整）。建议在控制台设置用量告警，避免意外超支。

Python 调用示例

以下是一个完整的 Python 调用示例，使用 openai 库（版本 1.0+），只需把 base_url 改成 deep seek 的地址即可：

from openai import OpenAI

client = OpenAI(
    api_key="your-deepseek-api-key",
    base_url="https://api.deepseek.com/v1"
)

response = client.chat.completions.create(
    model="deepseek-chat",   # V3 模型
    messages=[
        {"role": "system", "content": "你是一位专业的数据分析师"},
        {"role": "user", "content": "请解释什么是标准差，并给出一个生活中的例子"}
    ],
    temperature=0.7,
    max_tokens=1024
)

print(response.choices[0].message.content)

如果要使用 R1 推理模型，把 model 参数改为 deepseek-reasoner，其他参数保持不变。R1 的响应会包含一个 reasoning_content 字段，里面是模型的推理链，可以通过 response.choices[0].message.reasoning_content 访问。

关键参数说明

temperature：控制输出的随机性，范围 0-2。0 表示最确定性的输出（适合代码、数学），1 表示平衡，2 表示最有创意但也最不可预测（适合头脑风暴）。日常使用建议 0.6-0.8。max_tokens：限制单次回复的最大 token 数，1 个中文字约等于 1.5-2 个 token。如果你需要长文输出，把这个值设高一些，比如 4096 或 8192。top_p：另一种控制随机性的参数，通常和 temperature 二选一使用，不建议同时调整两个。stream：设为 True 时启用流式输出，回复会像打字机一样逐字出现，适合需要实时显示的应用场景。

常见集成场景

企业集成 deep seek API 最常见的三个场景：① 客服机器人——把公司的产品文档、FAQ 作为 system prompt 传入，让 deep seek 扮演专属客服，处理常见问题；② 文档处理流水线——批量处理合同、报告等文档，提取关键信息或生成摘要；③ 代码审查工具——集成到 CI/CD 流程，对每次提交的代码自动做安全检查和规范审查。这三个场景的 ROI 都很高，通常能在 1-3 个月内收回集成成本。

系统提示词（System Prompt）的威力

如果你通过 API 使用 deep seek，系统提示词（system role 的 message）是最强大的工具之一。它在整个对话开始前就设定了模型的"人格"和行为规范，比用户消息里的角色设定更稳定、更持久。一个设计良好的系统提示词可以包含：角色定义、专业背景、回复风格、输出格式要求、禁止事项，以及特定的知识库或规则。比如，一个客服机器人的系统提示词可以包含整个产品手册，让模型在回答时始终以这些内容为准，不会随意发挥。

多轮对话的上下文管理

deep seek 的上下文窗口约为 128K token（V3 和 R1），这意味着一次对话可以包含约 10 万字的内容。但上下文越长，模型的注意力越分散，对早期内容的"记忆"会逐渐减弱。实际使用中，当一个对话超过约 20-30 轮时，建议开启一个新对话，并把关键信息重新告诉模型。对于需要长期持续的项目，可以维护一份"项目背景文档"，每次新对话时把这份文档粘贴进去作为上下文，确保模型始终有完整的背景信息。

Few-shot 示例引导

Few-shot 提示是一种非常有效的进阶技巧：在提问时先给模型 2-3 个"示例对"（输入-输出的例子），让它学习你期望的格式和风格，然后再给出真正的任务。比如，如果你要批量处理一批产品描述，可以先给 2 个示例："输入：[产品A描述]，输出：[你期望的格式A]；输入：[产品B描述]，输出：[你期望的格式B]；现在请处理：[产品C描述]。"这种方式比单纯描述格式要求更直观，模型的输出稳定性会提高约 40%。

输出格式的精细控制

当你需要 deep seek 的输出直接对接下游系统时，格式控制尤为重要。要求输出 JSON 格式时，在提示词里给出 JSON schema 的示例，并明确说明"只输出 JSON，不要有任何额外文字"。要求输出表格时，指定列名和数据类型。要求输出代码时，指定语言版本和编码规范。对于批量处理任务，可以要求输出带分隔符的格式（比如每条结果用"---"分隔），方便后续程序解析。这些细节处理好了，可以省去大量的后处理工作。