我想让DEEPSEEK帮我写一篇论文，题目已经定好了，怎么给他输入指令

以下是关于 DeepSeek 的官方教程相关信息： 火山方舟 DeepSeek 申请免费额度教程，包含多种 API 使用方式，如飞书多维表格调用、Coze 智能体调用、浏览器插件调用。可以使用邀请码 D3H5G9QA，通过邀请链接 https://www.volcengine.com/activity/deepseek?utm_term=202502dsinvite&ac=DSASUQY5&rc=D3H5G9QA 邀请可拿 3000 万 tokens，畅享 671B DeepSeek R1，活动截止至北京时间 20250218 23:59:59。同时，火山方舟大模型服务平台的模型服务计费文档有更新，DeepSeekR1、V3 模型分别提供了 50 万免费额度和 API 半价活动。 有关于一线教师的 AI 需求与高效工具推荐，如让模型创作诗歌、生成宣传标语、提示库（https://apidocs.deepseek.com/zhcn/promptlibrary）、代码解释、内容分类、角色扮演（自定义人设）、散文写作、文案大纲生成、模型提示词生成等。 2 月 14 日的社区动态中，有《突破 DeepSeek R1 能力天花板，火山引擎扣子+飞书一站式企业解决方案》《羊毛快薅|字节火山上线了 DeepSeek 系列模型并悄悄更改了模型服务价格...》等内容，还附上了飞书多维表格、Coze 的接入使用方法等。此外，还有关于 DeepSeek 关键 9 篇论文及创新点的讲解，以及 DeepSeek 官方发布的 R1 模型推荐设置。

以下是将模型的输出存入到多维表中的步骤： 1. 逐步搭建 AI 智能体： 搭建整理入库工作流。 设置大模型节点提取稍后读元数据，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000，以确保能完整解析长内容网页。 进行日期转时间戳，后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳，需要使用「日期转时间戳time_stamp_13」插件进行格式转化。 把稍后读元数据转换为飞书多维表格插件可用的格式，飞书多维表格插件目前（2024 年 08 月）只支持带有转义符的 string，以 Array<Object>格式输入，所以必须将之前得到的元数据数组进行格式转换。 添加「飞书多维表格add_records」插件，只需要设置{{app_token}}与{{records}}参数，将元数据写入飞书表格。 2. 搭建 Coze 工作流： 打开 Coze 的主页，登录后，在【工作空间】创建一个智能体。 在编排页面，给智能体编辑好人设，可先写一个简单的，然后点右上角自动优化，系统会自动补全更精细的描述。点击工作流的+，创建一个工作流。 大模型节点把 input 给到 DeepSeek，让 DeepSeek 按照提前规定的输出框架生成对应文案。 生图节点将输出给到图像生成组件画图。 结束输出时，两个输出给到最终的 end 作为最终的输出。注意在编写系统提示词时，如果需要 input 可被 DeepSeek 调用，需要用{{input}}作为参数引入，不然大模型不知道自己需要生成和这个 input 相关的结果。编排完，点击【试运行】，调试至满意后点击发布。

以下是关于 DeepSeek 自动生成网站前端页面的相关内容： DeepSeek v3 能力更新后虽能生成炫目的前端页面，但多为静态且实用性有限。可结合飞书多维表格将生成的漂亮前端变为真实的系统，如【智能作业分发系统】。 该系统整体包括用户登陆（可加飞书调查表二维码实现注册）、作业类型、作业详情（含连连看游戏、AI 智能问答、考试系统）。其实现逻辑为用户登陆系统后进入页面看到老师分配的作业分类，选择分类进入作业详情页面，详情页有学习单词发音及三个模块。 对于小白，可用飞书作数据源，通过飞书 API 接口获取内容，用 DeepSeek v3 制作前端+后端（用 Trae 更方便）。获取请求参数时，测试成功后的示例代码中有完整的请求参数和请求体可直接复制使用。创建前后端时，若用 DeepSeek 官网搭建需按代码目录结构创建对应文件（用 Trae 可省略），首次运行可能遇到飞书 API 未正确配置 CORS 导致浏览器拦截请求的问题，V3 会给出修改意见。 此外，Same dev 能像素级复制任意 UI 界面并生成前端代码，支持多种文件格式和技术栈代码，但免费额度消耗快，网站被谷歌标记。360 智脑复现了 DeepSeek 强化学习效果并发布开源模型 LightR114BDS。 AI 时代生存法则：会提需求比会写代码更重要，会开脑洞比会复制粘贴更值钱，真正的大佬都是让 AI 当乙方！

以下是关于 DeepSeek 在不同方面应用的相关信息： 应用场景：包括脑爆活动方案、会议纪要、批量处理客户评论、分析总结复盘内容、生成专业软件使用过程、写小说框架、写论文、写文案、写小红书笔记、写周报、做设计头脑风暴、做网站、分析感情问题等。 优势与不足：在写文方面全面领先，但长文可能太发散、文风用力过猛导致审美疲劳，且模型多样性不够，相同 prompt 提问多次答案雷同。 应对策略：写理性文章时，可先与 DeepSeek 讨论思路，再用 Cloud 3.5 批量生成；用 O1 模型对创作的字数控制有一定效果，也可通过多轮对话让 AI 增删改查来调整字数。 创作相关：模仿特定小说家的文学方式创作小说，需在提示词中描述文风特征；邀请大家在腾讯频道发布用 AI 写的小说并鉴赏。 发展历程：DeepSeek 历时 647 天在大语言模型（LLM）领域取得突破，发布 13 篇论文。谷歌 CEO 坦言 Deep Seek 的突破标志着 AI 的全球化进程。

以下是使用 DeepSeek 写论文的一些指令模板： 1. 进阶控制技巧： 思维链引导： 分步标记法：请逐步思考：1.问题分析→2.方案设计→3.风险评估 苏格拉底式追问：在得出最终结论前，请先列举三个可能存在的认知偏差 知识库调用： 领域限定指令：基于 2023 版中国药典，说明头孢类药物的配伍禁忌 文献引用模式：以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破 多模态输出 2. 高级调试策略： 模糊指令优化： 问题类型：宽泛需求 修正方案：添加维度约束 示例对比：原句：“写小说”→修正：“创作以 AI 觉醒为背景的悬疑短篇，采用多视角叙事结构” 问题类型：主观表述 修正方案：量化标准 示例对比：原句：“写得专业些”→修正：“符合 IEEE 论文格式，包含 5 项以上行业数据引用” 迭代优化法： 首轮生成：获取基础内容 特征强化：请加强第三段的技术细节描述 风格调整：改用学术会议报告语气，添加结论部分 最终校验：检查时间逻辑一致性，列出可能的事实性错误 3. 核心原理认知： AI 特性定位： 多模态理解：支持文本/代码/数学公式混合输入 动态上下文：对话式连续记忆（约 8K tokens 上下文窗口，换算成汉字是 4000 字左右） 任务适应性：可切换创意生成/逻辑推理/数据分析模式 系统响应机制： 采用意图识别+内容生成双通道 自动检测 prompt 中的：任务类型/输出格式/知识范围 反馈敏感度：对位置权重（开头/结尾）、符号强调敏感 4. 基础指令框架： 四要素模板 格式控制语法： 强制结构：使用```包裹格式要求 占位符标记：用{{}}标注需填充内容 优先级符号：>表示关键要求，!表示禁止项 5. 高阶能力调用： 文风转换矩阵： 作家风格移植：“用鲁迅杂文风格写职场 PUA 现象” 文体杂交：“将产品说明书改写成《史记》列传格式” 学术口语化：“把这篇论文摘要翻译成菜市场大妈能听懂的话” 领域穿透技术：行业黑话破解→“解释 Web3 领域的‘胖协议瘦应用’理论” 商业决策支持 6. 场景化实战策略： 创意内容生成 技术方案论证 7. 效能增强技巧： 对话记忆管理： 上下文锚定：“记住当前讨论的芯片型号是麒麟 9010” 信息回溯：“请复述之前确认的三个设计原则” 焦点重置：“回到最初讨论的供应链问题” 输出质量控制： 问题类型：过度抽象 修正指令：“请具体说明第三步操作中的温度控制参数” 问题类型：信息过载 修正指令：“用电梯演讲格式重新组织结论” 问题类型：风格偏移 修正指令：“回归商务报告语气，删除比喻修辞” 8. 特殊场景解决方案： 长文本创作： 分段接力法：“先完成故事大纲→逐章扩展→最后进行伏笔校验”“确保新章节与前文的三处细节呼应” 敏感内容处理： 概念脱敏法：“用经济学原理类比说明网络审查机制” 场景移植法：“假设在火星殖民地讨论该议题”

使用 DeepSeek 写论文可以参考以下几点： 1. 给予 DeepSeek 更多自由发挥的空间，避免过度限制。 2. 注意旧模型在文学创作中可能存在的过度道德说教和正面描述趋势，导致结果生硬死板的问题。 3. 了解 DeepSeek 在文风、哲学思考和触动人情感方面的优秀表现，利用其文创能力为论文增添特色。 4. 参考提示词编写的方法，例如收集信息、重新定义问题等，以更有效地向 DeepSeek 传达需求。 5. 可以借鉴他人使用 DeepSeek 写论文的经验，如 Yvonne 的成功案例。 需要注意的是，虽然 DeepSeek 能提供帮助，但仍需您对生成的内容进行审核和修改，以确保论文的质量和准确性。

AI 在没有人工干预的情况下能保持的工作效率时长难以给出确切的固定值，其受到多种因素的影响。 一方面，AI 系统的设计和训练质量会对其持续工作效率产生重要影响。如果系统经过良好的设计和充分的训练，具备应对各种情况的能力，可能在较长时间内保持较高的工作效率。 另一方面，运行环境和所处理任务的复杂性也起着关键作用。例如，处理简单、重复性高且规则明确的任务时，AI 可能在较长时间内保持稳定的效率。但对于复杂多变、需要不断适应新情况的任务，其效率可能会随着时间有所波动。 在实际应用中，一些案例显示，如产品经理使用 GPT 解决性能问题，SQL 执行时间大幅缩短，效率显著提升。但也有观点认为，对于某些工作场景，AI 带来的效率提升有限。 此外，政策层面，如拜登签署的 AI 行政命令中，也强调了在医疗、教育等领域推进 AI 的合理使用，并关注其对劳动力市场的影响，采取措施支持工人等。 总之，AI 无人工干预下的工作效率保持时间因多种因素而异，需要综合考虑系统本身、任务特点等多方面因素。

DeepSeek 可以帮助您生成论文题目，以下是一些相关信息： 您可以参考一些案例，如向阳乔木用 Claude 做各种风格卡片的提示词在 DeepSeek V3 上的尝试，效果不错。相关链接：https://mp.weixin.qq.com/s/Cz4Xwsa5ZS6tWH5YdQzSw 。 归藏直接写了前段时间 Claude 最擅长的长文本转网页。相关链接：https://mp.weixin.qq.com/s/OFCgFrXNQgIT2ho3V4Oag 。 闻星把论文变成可视化。相关链接：https://mp.weixin.qq.com/s/U3tJyHHaTdArWMoPZLgvog 。 对于即梦 3.0 模型，您可以按照以下步骤使用： 进入即梦 AI 平台，访问即梦 AI 的官方网站 https://jimeng.jianying.com/aitool/image/generate 。 选择 3.0 模型。 输入提示词，例如“一张粉色背景的海报，上面写着‘欢迎光临’，字体是手写风格。” 点击“生成”按钮，会为您生成 4 张图片。 如果您觉得写提示词有困难，即梦 AI 接入了 DeepSeek 功能，您可以按照以下步骤使用 DeepSeek 来生成提示词： 在即梦 AI 平台上找到 DeepSeek 入口。 简单描述您想要的内容，比如“我想生成一张生日贺卡，上面有蛋糕和气球，还有‘生日快乐’的字样。” DeepSeek 会根据您的描述生成一个详细的提示词。 把这个提示词复制到生图功能的输入框，选择 3.0 模型，点击生成。 即梦官方 3.0 模型提示词手册：

以下是为您生成的几个与生活相关的计算机应用专业大三毕业论文题目，供您参考： 1. 《基于 Python 和 MySQL 的居民日常消费数据分析及可视化网站构建》 2. 《利用 Python 和 MySQL 分析城市交通流量数据并实现可视化与网站展示》 3. 《基于 Python 和 MySQL 的家庭能源消耗数据分析与可视化网站设计》 4. 《运用 Python 和 MySQL 对校园图书馆借阅数据的分析及可视化网站开发》 5. 《通过 Python 和 MySQL 研究城市空气质量数据的可视化分析与网站实现》

以下为您生成几个关于学前教育专业且包含数据分析的本科论文题目，供您参考： 1. 《基于数据分析的学前教育课程设置对幼儿发展的影响研究》 2. 《学前教育中幼儿游戏行为的数据分析与教育策略研究》 3. 《通过数据分析探究家庭环境对学前儿童心理健康的影响》 4. 《基于大数据分析的学前教育师资培训效果评估》 5. 《利用数据分析研究学前教育机构设施配备与幼儿学习效果的关系》

以下是为您提供的关于“基于机器学习的中国股市波动率预测与美股市场对比分析”的论文框架： 一、引言 1. 研究背景和意义 阐述机器学习在金融领域的应用现状 强调股市波动率预测的重要性 说明中、美股市对比的价值 2. 研究目的和问题 明确预测股市波动率的具体目标 提出中、美股市对比的关键问题 3. 研究方法和数据来源 介绍所采用的机器学习算法 说明中国股市和美股市场的数据获取途径 二、相关理论与文献综述 1. 机器学习在股市预测中的应用 列举常见的机器学习模型及其在股市预测中的效果 分析其优缺点 2. 股市波动率的理论和测量方法 解释波动率的概念和计算方法 介绍常用的波动率模型 3. 中、美股市的特点和差异 对比两国股市的交易制度、投资者结构等方面 总结已有研究中关于中、美股市波动率的差异 三、数据预处理与特征工程 1. 数据收集与清洗 详细描述中国股市和美股市场的数据收集范围和时间跨度 处理缺失值、异常值等数据问题 2. 特征选择与构建 确定影响股市波动率的关键特征 构建新的特征变量 3. 数据标准化与归一化 说明对数据进行标准化和归一化的方法和目的 四、模型构建与训练 1. 选择合适的机器学习模型 比较不同模型（如随机森林、支持向量机、神经网络等）的适用性 确定最终选用的模型 2. 模型训练与优化 描述训练过程中的参数调整和优化方法 展示模型的性能评估指标 3. 模型验证与比较 使用交叉验证等方法验证模型的准确性 对比不同模型的预测效果 五、中国股市波动率预测结果与分析 1. 预测结果展示 以图表形式呈现中国股市波动率的预测值 与实际波动率进行对比 2. 结果分析与讨论 分析预测结果的准确性和可靠性 探讨影响预测效果的因素 3. 敏感性分析 研究模型参数和输入特征对预测结果的敏感性 六、美股市场波动率预测结果与分析 1. 预测结果展示 以图表形式呈现美股市场波动率的预测值 与实际波动率进行对比 2. 结果分析与讨论 分析美股市场预测结果的特点和差异 对比中、美股市预测结果的异同 3. 影响因素分析 探讨美股市场特有的影响波动率的因素 七、中、美股市波动率对比分析 1. 波动率特征对比 比较中、美股市波动率的均值、方差、峰度等统计特征 分析波动率的周期性和趋势性 2. 影响因素对比 对比两国股市中影响波动率的宏观经济因素、政策因素等 讨论投资者行为对波动率的影响差异 3. 风险评估与管理对比 评估中、美股市的风险水平 对比风险管理制度和策略 八、结论与展望 1. 研究结论总结 概括中、美股市波动率预测的主要成果 总结对比分析的关键发现 2. 研究的局限性 指出研究过程中存在的不足之处 3. 未来研究方向 提出进一步改进模型和拓展研究的方向 对中、美股市波动率研究的展望 数据图表要求： 1. 中、美股市历史波动率的折线图 2. 不同机器学习模型预测效果的对比柱状图 3. 中、美股市波动率特征的统计表格 4. 影响中、美股市波动率的因素的相关性矩阵图 5. 中、美股市风险评估的雷达图

很抱歉，暂时没有关于“基于机器学习的中国股市波动率预测与美股市场对比分析”这一论文题目的详细框架相关内容。但我可以为您提供一个大致的框架思路供您参考： 一、引言 1. 研究背景和意义 阐述中国股市和美股市场的重要性 说明波动率预测的价值 2. 研究目的和问题 明确对比分析的主要目标 提出具体的研究问题 二、文献综述 1. 机器学习在股市波动率预测中的应用 总结相关方法和模型 分析其优缺点 2. 中国股市和美股市场波动率的特征 回顾已有研究成果 指出研究空白 三、理论基础与方法 1. 机器学习算法介绍 如随机森林、支持向量机等 解释其原理和适用场景 2. 数据来源和预处理 说明中国股市和美股市场的数据来源 描述数据清洗和预处理的步骤 3. 波动率计算方法 介绍常用的波动率计算指标 四、实证分析 1. 模型构建与训练 运用所选机器学习算法构建预测模型 展示训练过程和参数调整 2. 结果评估与比较 评估中国股市和美股市场预测结果的准确性 进行对比分析 数据图表要求：绘制预测结果与实际波动率的对比图 3. 影响因素分析 探讨可能影响波动率预测的因素 数据图表要求：绘制影响因素与波动率的关系图 五、结论与展望 1. 研究结论总结 概括中国股市和美股市场波动率预测的成果 对比分析的主要发现 2. 研究的局限性 指出研究中存在的不足 3. 未来研究方向 提出进一步研究的建议和方向 以上框架仅供参考，您可以根据实际研究需求进行调整和完善。

以下是为您提供的关于“基于机器学习的中国股市波动率预测与美股市场对比分析”的论文框架： 一、引言 1. 研究背景和意义 阐述机器学习在金融领域的应用现状 强调股市波动率预测的重要性 说明中美股市对比的价值 2. 研究目的和问题 明确预测中国股市波动率的目标 提出与美股市场对比的关键问题 3. 研究方法和数据来源 介绍所采用的机器学习算法 说明中国股市和美股市场的数据获取途径 二、相关理论与文献综述 1. 机器学习在股市预测中的应用 列举常见的机器学习模型 分析其在股市预测中的优缺点 2. 股市波动率的理论和测量方法 解释波动率的概念和计算方式 介绍常用的波动率测量指标 3. 中美股市的特点和差异 对比中美股市的交易制度、投资者结构等方面 总结前人关于中美股市对比的研究成果 三、数据预处理与特征工程 1. 数据收集与清洗 收集中国股市和美股市场的历史数据 处理缺失值、异常值等 2. 特征选择与构建 提取影响股市波动率的关键特征 构建新的特征变量 3. 数据标准化与归一化 对数据进行标准化处理，使其具有可比性 四、模型建立与训练 1. 选择合适的机器学习模型 比较不同模型的性能，如随机森林、支持向量机等 确定最终使用的模型 2. 模型训练与优化 使用训练数据进行模型训练 调整参数以提高模型性能 3. 模型评估指标 确定评估模型预测效果的指标，如均方误差、准确率等 五、中国股市波动率预测结果与分析 1. 预测结果展示 以图表形式呈现中国股市波动率的预测值 与实际波动率进行对比 2. 结果分析与讨论 分析预测结果的准确性和可靠性 探讨影响预测效果的因素 六、美股市场波动率预测结果与分析 1. 预测结果展示 以图表形式呈现美股市场波动率的预测值 与实际波动率进行对比 2. 结果分析与讨论 分析美股市场预测结果的特点 与中国股市预测结果进行对比 七、中美股市波动率对比分析 1. 波动率特征对比 比较中美股市波动率的均值、方差等统计特征 分析波动率的周期性和趋势性 2. 影响因素对比 探讨宏观经济因素、政策法规等对中美股市波动率的不同影响 分析投资者行为和市场结构的差异 3. 风险评估与投资策略 根据对比结果评估中美股市的风险水平 提出针对中美股市的投资策略建议 八、结论与展望 1. 研究总结 总结研究的主要成果和发现 2. 研究不足与展望 指出研究中存在的局限性 对未来研究方向提出展望 数据图表要求： 1. 展示中国股市和美股市场的历史波动率走势对比图。 2. 呈现不同机器学习模型在预测中国股市和美股市场波动率时的性能评估指标对比图。 3. 绘制中美股市波动率的统计特征（均值、方差等）对比柱状图。 4. 以图表形式展示影响中美股市波动率的关键因素的对比分析。

以下是关于写作指令的相关内容： 拘灵遣将： 对文章中案例进行脱敏，替换人物姓名、时间和地点。 深化写作时，每次对话输出文章一个部分，各部分字数有规定。 敕代表告诫，明确工作中的禁忌事项和具体要求。 令包括初始化时的欢迎语，牢记符与敕的要求，先请求用户提供案例洞察报告和目标群体，用户提供并输入“依律奉行”后，先输出纲要和写作方案。 熊猫 Jay：万字解读 ChatGPT 提示词最佳实践： 最佳实践 1 是编写清晰的指令。 策略包括在查询中包含详细信息以获得更相关答案，要求模型扮演某个角色，使用分隔符清晰表示输入不同部分，指定完成任务所需步骤，提供示例，指定输出期望长度，提供参考文本。 策略 1 适用于新手，难度为 1 星，价值在于提供更多详细信息可获得更准确具体答案，减少模型猜测和误解，提高交互效率和满意度。 策略 2 适用于新手，难度为 1 星，通过指定角色使模型回答更具特色和针对性，提升输出质量。 OpenAI 官方提示工程指南： 撰写清晰的指令，模型无法读心，可根据输出情况要求调整。 技巧包括在查询中添加详细信息以获得更准确答案，请求模型扮演特定角色，使用分隔符清晰区分输入不同部分，明确指出完成任务需要的步骤，提供实例作为参考，明确指定希望输出的长度。

以下是关于 AI 降重指令的相关知识： Prompt 是用于指挥 AI 生成所需内容的一段指令，每个单独的提示词叫 tag（关键词）。支持的语言为英语（不用担心英语不好的问题，），emoji 也可以用。 语法规则： 用英文半角符号逗号,来分隔 tag，逗号前后有空格或者换行都不影响效果。 改变 tag 权重：tag 的顺序越靠前对于 SD 来说权重越大，可通过两种写法设置权重。一是 括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍。 进行 tag 的步数控制（高级玩法）：即 SD 先按输入的 tag1 开始生成，然后在达到设定的步数之后，tag1 停止产生作用，此时 tag2 再参与到对内容生成的影响，可表示为，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2，数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。

以下是关于毕业论文的 AI 指令的总结： 1. 可以指定 AI 模仿某位资深人士的风格，如律师的逻辑严谨和言简意赅。 2. 要求 AI 为您提供多个例子，例如针对案件给出至少三种不同的诉讼策略，并分析每种策略的优劣势。 3. 采用 PEMSSC 方法，包括个性化的风格（Personality）、给参考或一定的逻辑结构（Example Inquiry）、从多个角度思考（Multiple Angles）、总结概括（Summarize）、使用区分符号（Separator）、明确能力或者角色（Capacity and Role）。 4. 对于大多数实际应用，建议专注于经过调整的指令语言模型，使用时要给清晰的指令，如指定文本的语气、要求集中讨论的内容，甚至可以提前指定阅读的文本。 5. 可以直接要求 LLM 帮写论文，如提供个人背景信息和指令让其写大学申请论文，但要注意这种使用方式的道德问题。

以下是一些用 DeepSeek 写课题申报书的相关指令和要点： 1. 思维链引导： 分步标记法：请逐步思考，如问题分析→方案设计→风险评估。 苏格拉底式追问：在得出最终结论前，先列举三个可能存在的认知偏差。 2. 知识库调用： 领域限定指令：基于特定的标准或文献，如 2023 版中国药典，说明相关内容。 文献引用模式：以特定的论文为参考，解释相关突破。 3. 多模态输出： 模糊指令优化：对于宽泛需求添加维度约束，将主观表述量化标准。 迭代优化法：包括首轮生成获取基础内容、特征强化、风格调整和最终校验等步骤。 4. 在课题申报书的内容方面： 关于提示词编写及 AI 应用的探讨：介绍用于不确定世界中理性决策的提示词编写方法，包括收集信息、重新定义问题、运用 Mini Max Regret 方法等步骤。注意示例的价值，自用与他用提示词在稳定性、经济性、可维护性等方面的区别。 AI 应用于软件开发：未来借助 AI 模型的 API 和编写提示词，可快速实现软件开发。 关于写作与模型：用 DeepSeek 写小说要能引起共鸣和考虑人类共性，文字要感动人。注意模型特点与推荐，如 Cloud 3.5 模型多样性差，DeepSeek R1 有缺陷但也不错。 以上内容仅供参考，您可以根据具体的课题需求进一步调整和完善。

以下是关于 Deepseek 课题申报书的相关内容： Deepseek 时代提示词之关键诉求： 怕模型理解偏差的补救指令：“方向 OK，但 X 部分要更...” 需求临时变更的追加符号：“+❗️增加二手市场评价” 多需求冲突时的优先级标记：“❗️防水>颜值>价格” 最终心法：把 LLM 当作会读心术的聪明朋友，不用解释“怎么呼吸”，只说“想要栀子花香”。不用担心它不懂，只要标记雷点和嗨点，越放松的表达，越能激发它的真正实力，就像给画家说“要夏天的海”，而不是规定“蓝色占比 30%+浪花画法”，留白处才是艺术诞生地。 集合 Deepseek 提示词方法论： 进阶控制技巧： 思维链引导：分步标记法，如请逐步思考“1.问题分析→2.方案设计→3.风险评估”；苏格拉底式追问，即在得出最终结论前，请先列举三个可能存在的认知偏差。 知识库调用：领域限定指令，如“基于 2023 版中国药典，说明头孢类药物的配伍禁忌”；文献引用模式，如“以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破”。 高级调试策略： 模糊指令优化：包括宽泛需求添加维度约束，如原句“写小说”→修正“创作以 AI 觉醒为背景的悬疑短篇，采用多视角叙事结构”；主观表述量化标准，如原句“写得专业些”→修正“符合 IEEE 论文格式，包含 5 项以上行业数据引用”。 迭代优化法：首轮生成获取基础内容，特征强化请加强第三段的技术细节描述，风格调整改用学术会议报告语气并添加结论部分，最终校验检查时间逻辑一致性并列出可能的事实性错误。 AIIP 共学模版自媒体全域运营： 以“Deepseek+即梦，包装设计步骤来啦。”为例，介绍了以下流程： 打开 Deepseek 提供文字需求，发送指令，需求不明确时，可进行多次对话，直到 Deepseek 输出的提示词与自己的想法贴近为止。 提示词生成完成后，将提示词粘贴在即梦里，等待几分钟就可得到精美图片，如果对图片不满意，可修改提示词直到生成的图满意为止。 将生成好的图片放进 PS 里处理，再进行排版设计。 最后将设计好的图，贴上样机（样机也可以根据自己的需求进行 AI 生成）就完成了。