10大隐藏提示词，教你把Deepseek训练成精2025-02-05

最新推荐文章于 2025-04-20 17:35:41 发布
最新推荐文章于 2025-04-20 17:35:41 发布
阅读量337 收藏
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhangxiaomeng_01/article/details/145540799
版权

第一个技巧
1赛博人格分裂，(启动人格分裂讨论模式+问题)
2阴阳怪气模式，(问题+笑死)毒舌属性
3触发预判模式，假设性问题(如果，，，会不会，，，)
4预言家模式，预判未来(如果，，，会发生什么)
5灵魂拷问模式，(①启动杠精模式②先写方案，再模拟杠精从*个角度狂喷，最后给出V2版方案)，
6玄学编程(，，，带点蝉意)
7驯服转业话痨，(说人话！)
8人设粘贴术，
9启动老板思维(如果你是，，，你会怎么骂这个方案)
10过滤废话，(问题，+删掉所有正确的废话，只留能落地的建议)

10大隐藏提示词，教你把Deepseek训练成精！

第二个技巧
1.Deepsick会画思维导图，甘特图、鱼骨图。请让AI使用mermaid展现
2.成为AI原住民
3.倒反天罡
4.通用模板：角色，背景信息，输出的格式和要求
5.举个例子
6.涅橡皮泥一口气学会使用DeepSeek

【大模型】DeepSeek 高级提示词技巧使用详解
congge
02-16 1万+
DeepSeek 高级提示词技巧使用详解
DeepSeek-V3 Technical Report
c_cpp_csharp的专栏
01-07 848
我们提出了DeepSeek-V3，这是一个强大的混合专家（MoE）语言模型，总参数为671B，每个token激活37B。为了实现高效的推理和经济高效的训练，DeepSeek-V3采用了多头潜在注意力（MLA）和DeepSeekMoE架构，这些架构在DeepSeek-V2中得到了充分的验证。此外，DeepSeek-V3开创了一种用于负载平衡的辅助无损失策略，并设定了多token预测训练目标以提高性能。
为什么网络中，谁都看不起谁
farewellqian的博客
11-11 963
本文是《赛博空间学与赛博学》的第二章-【赛博主体】的第二节-第一部分-下篇，原文标题为（2.2.1双向赛博化的赛博个体）。本书不定期在本公众号更新。欢迎关注。本书更新期间会进行修改，最终以出版版本为准。 上一期：JK制服、Lolita、Cosplay与女装？他们都在欲望着什么？ 赛博个体的对外赛博化，其实也是一种剥离主体的符号化。主要表现在赛博个体对其他赛博个体与自媒体的异化上。这来源于赛博个体的形而上学思想必须脱离具体的个体的人，而以普遍的概念化与意识形态将具体的个体的人异化的过程。实际上，赛博...
deepsick的发展前景
2502_90668164的博客
03-05 664
在教育领域，DeepSeek可作为智能学习辅助工具，根据学生的学习进度和知识掌握情况，提供个性化学习方案，解答学习疑问，甚至辅助教师进行教学资源的开发与设计。面对复杂问题，它能深入分析语义，给出逻辑严谨、内容丰富的回答。一方面，它与芯片制造商合作，优化模型在硬件设备上的运行效率，实现AI技术与硬件的深度融合，为用户提供更流畅、高效的使用体验。尽管面临挑战，但只要能持续创新、有效应对，必将在未来的AI市场中占据重要地位，推动AI技术的广泛应用和产业发展，为人们的生活和工作带来更多便利与创新。
DeepSeek不好用？那是你还不会这10个官方神级指令（建议收藏）
2401_85325726的博客
02-04 1541
其实，使用 DeepSeek 就像和一个聪明的朋友对话它很智能，但需要你的引导；它很强大，但需要你的指点掌握这些技巧，你就能让 DeepSeek 变成你的得力助手，帮你：写出更生动的文章解决更复杂的问题获得更专业的建议激发更多创意灵感记住一点：AI 不是万能的，但会用的人才是。
10大隐藏提示词，教你把Deepseek训练成精！
zzzzz520的博客
03-05 319
—预判未来(提问时加上“如果选择这个方案，未来三个月可能会发生什么”，DeepSeek会从行业趋势、政策因素、竞品动向等方面进行深度分析，提前预警潜在问题。——假设性问题、(使用“如果会不会”指令，提出假设性问题，激发DeepSeek的预判脑洞，它会给出方案、分析不同选择的利弊并提出优化点。、(在把方案交给领导前，输入“如果你是【具体老板名字，如张一鸣、雷军】，你会怎么骂这个方案”，获取犀利点评，帮助优化方案。——(①启动杠精模式②先写方案，再模拟杠精从*个角度狂喷，最后给出V2版方案)
【深度解析】DeepSeek-R1的五大隐藏提示词
吴师兄大模型的博客
02-02 2737
近年来，生成式AI的应用场景与技术范式发展迅猛。尤其是在构建不同任务时，推理型模型与聊天型模型的本质差异逐渐显现。聊天型模型（如传统GPT系列）往往强调流畅的对话与泛用性，致力于为用户提供自然的交流体验。而以DeepSeek-R1为代表的推理型模型则将核心聚焦在逻辑深度、领域适配与多模态交互能力上。二者的Promot设置逻辑、语义目标及模型架构均体现出截然不同的设计哲学。在这篇文章中，将以DeepSeek-R1为例，揭示推理型模型的关键特性与设计思路。
DeepSeek-V3 是怎么训练的｜我只能说它真牛！
m0_63171455的博客
01-24 7122
这两天，DeepSeek-V3 低调发布，在国际上狠狠秀了一波肌肉：只用了 500 多万美金的成本，带来了不输 Claude 3.5 的成绩，并开源！下面，让我们以更加系统的方式，来看看这次的 DeepSeek-V3，是这么炼成的。本文将从和五个纬度来拆解 V3，所用到的图表、数据源于技术报告：《DeepSeek-V3 Technical Report》。
LLMs之MoE之DeepSeek-V3：《DeepSeek-V3 Technical Report》翻译与解读(DeepSeek-V3的最详细解读)
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-23 8536
​ LLMs之MoE之DeepSeek-V3：《DeepSeek-V3 Technical Report》翻译与解读(DeepSeek-V3的最详细解读) 目录 相关文章 《DeepSeek-V3 Technical Report》翻译与解读 Abstract 1、Introduction 2、Architecture 3、Infrastructures
DeepSeek官方提示词实践——提示词大师
2401_84495872的博客
04-20 924
在需要想象力和创意的场景中，使用同样的提示词，经过DeepSeek-R1和DeepSeek-V3这两个模型的测试，结果是有区别的。在另外一些场景中，使用同样的提示词，经过DeepSeek-R1和DeepSeek-V3这两个模型的测试，结果基本相同。因此，如果需要DeepSeek发挥它在创意方面的优势，需要用DeepSeek-R1。如果不需要DeepSeek提供创意灵感，建议使用DeepSeek-V3，DeepSeek-V3能够更加严格遵守提示词指令。
【完整版】DeepSeek-R1大模型学习笔记（架构、训练、Infra、复现代码）
我的技术栈碎碎念空间
02-04 7771
MoE在每次推理时选择性地激活部分模型参数，在不成比例增加计算成本的情况下，可以扩展模型参数。在DeepSeek-V2中就提出了用于FFN层的DeepSeekMoE，DeepSeek-R1在DeepSeek-V2基础上进一步优化。
DeepSeek-V3 技术报告
mingo_敏
12-31 3283
本文介绍了 DeepSeek-V3，一个强大的混合专家（MoE）语言模型，总参数量为 6710 亿，每个 token 激活的参数量为 370 亿。为了实现高效的推理和经济高效的训练，DeepSeek-V3 采用了多头潜在注意力（MLA）和 DeepSeekMoE 架构，这些架构在 DeepSeek-V2 中得到了充分验证。此外，DeepSeek-V3 率先采用了无辅助损失的负载均衡策略，并设定了多 token 预测训练目标，以提升性能。
基于STM32的数控线性稳压电源设计：恒压恒流输出与过流保护
05-08
内容概要：本文详细介绍了一种基于STM32单片机的数控线性稳压电源设计方案。该电源采用220V市电输入，经过工频变压器降压、全桥整流及电容滤波，最终输出稳定的直流电压。设计中采用了线性稳压调整器方案，通过STM32单片机控制TLC5615数模转换器，实现了电压的数控调整。系统具备恒压恒流输出、过流保护、温度监测等功能，并配有LCD1602显示屏和声光报警装置。所有设计资料（源程序、原理图、PCB）均经过验证，具有较高的学习和设计参考价值。 适合人群：电子工程专业学生、嵌入式系统开发者、硬件工程师。 使用场景及目标：适用于实验室、工业自动化等领域，需要稳定电源供应的场合。目标是帮助读者理解和掌握基于STM32的数控线性稳压电源设计方法，提高电源系统的可靠性和安全性。 其他说明：文中提供的设计资料详尽完整，有助于读者深入理解每个环节的工作原理和技术细节。
LeddarTech客户案例研究.pdf
05-08
LeddarTech客户案例研究.pdf
mybatis-spring-2.0.6.jar中文文档.zip
最新发布
05-08
# 压缩文件中包含： 中文文档 jar包下载地址 Maven依赖 Gradle依赖 源代码下载地址 # 本文件关键字： jar中文文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册 # 使用方法： 解压最外层zip，再解压其中的zip包，双击 【index.html】 文件，即可用浏览器打开、进行查看。 # 特殊说明： ·本文档为人性化翻译，精心制作，请放心使用。 ·只翻译了该翻译的内容，如：注释、说明、描述、用法讲解 等； ·不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码 等。 # 温馨提示： （1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）； （2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件；
毕业论文-手机壁纸-整站商业源码.zip
05-08
毕业论文-手机壁纸-整站商业源码.zip
毕业论文-二手跳蚤市场V5.4.1带微信支付、广告插件-整站商业源码.zip
05-08
毕业论文-二手跳蚤市场V5.4.1带微信支付、广告插件-整站商业源码.zip
毕业论文-体育新闻-整站商业源码.zip
05-08
毕业论文-体育新闻-整站商业源码.zip
deepseek数据分析提示词
02-14
### DeepSeek 数据分析 使用指南 和 最佳实践 #### 一、理解DeepSeek的数据处理能力 DeepSeek具备强大的数据处理功能，能够高效地管理和解析大规模数据集。这使得该平台非常适合于需要快速迭代和测试不同模型的企业和个人开发者[^3]。 #### 二、准备阶段：数据收集与预处理 在开始任何深入的数据挖掘之前，确保所使用的数据源既广泛又具有代表性非常重要。对于结构化表格形式的数据，应当清理缺失值并标准化数值范围；而对于非结构化的文本或其他媒体文件，则要通过诸如分词、去除停用词等方式来进行初步加工[^1]。 #### 三、探索性数据分析(EDA) 利用可视化工具和技术来直观展示数据特征是不可或缺的一环。比如绘制直方图查看分布情况、散点图观察变量间关系等方法可以帮助发现潜在模式以及异常点所在位置。此外，在此期间还可以尝试聚类算法找出隐藏群体特性[^2]。 #### 四、建立预测模型 当完成前期准备工作之后就可以着手构建机器学习或深度学习模型了。考虑到计算资源的有效利用率问题，建议先采用简单线性回归作为基线对比方案，再逐步引入复杂度更高的神经网络架构进行优化改进。值得注意的是，为了防止过拟合现象发生，务必重视交叉验证环节的设计。 #### 五、评估与调整 一旦训练完毕后的新颖模型诞生出来，紧接着便是对其性能进行全面评测的过程。除了常见的准确率指标外，还应关注召回率、F1分数等多个维度的表现差异。如果实际效果未能达到预期目标，则应回溯整个流程查找可能存在的漏洞之处加以修正完善。 ```python from sklearn.model_selection import train_test_split, cross_val_score from sklearn.linear_model import LinearRegression import pandas as pd # 假设df是一个已经加载好的DataFrame对象 X = df.drop('target', axis=1).values y = df['target'].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = LinearRegression() scores = cross_val_score(model, X_train, y_train, cv=5) print(f'Cross-validation scores: {scores}') ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值