DeepSeek 全景技术指南：从混合推理架构到提示语工程实战（2026.09)

- 目录
- [一、认知纠偏：2026 年的 DeepSeek 是什么格局](#一、认知纠偏：2026 年的 DeepSeek 是什么格局)
- - [1.1 "V3 还是 R1"已经是过期问题](#1.1 "V3 还是 R1"已经是过期问题)
  - [1.2 R2 为什么始终没来](#1.2 R2 为什么始终没来)
  - [1.3 当前模型矩阵（截至 2026-09-10）](#1.3 当前模型矩阵（截至 2026-09-10）)
  - [1.4 三维决策模型](#1.4 三维决策模型)
  - [1.5 5R 框架：两种模式的定性对照](#1.5 5R 框架：两种模式的定性对照)
- [二、技术演进：从 R1 到 V4.1](#二、技术演进：从 R1 到 V4.1)
- - [2.1 完整时间线](#2.1 完整时间线)
  - [2.2 三条并行技术主线](#2.2 三条并行技术主线)
- 三、核心架构解析：四代降本路线
- - [3.1 KV Cache：437 倍的压缩](#3.1 KV Cache：437 倍的压缩)
  - [3.2 DSA：把 O(L²) 变成 O(L·k)](#3.2 DSA：把 O(L²) 变成 O(L·k))
  - [3.3 CED：输入输出非对称](#3.3 CED：输入输出非对称)
  - [3.4 CSA2：三种模式动态切换](#3.4 CSA2：三种模式动态切换)
  - [3.5 DSpark：推测解码](#3.5 DSpark：推测解码)
- [四、R1 原理复盘：强化学习如何炼出推理能力](#四、R1 原理复盘：强化学习如何炼出推理能力)
- - [4.1 R1-Zero：跳过监督微调的纯强化学习](#4.1 R1-Zero：跳过监督微调的纯强化学习)
  - [4.2 GRPO：去掉 critic 的强化学习](#4.2 GRPO：去掉 critic 的强化学习)
  - [4.3 Aha Moment：模型自己学会回头检查](#4.3 Aha Moment：模型自己学会回头检查)
  - [4.4 正式版 R1：补上冷启动](#4.4 正式版 R1：补上冷启动)
  - [4.5 蒸馏：推理能力可以迁移](#4.5 蒸馏：推理能力可以迁移)
  - [4.6 基准数据（2025-02 时点快照）](#4.6 基准数据（2025-02 时点快照）)
  - [4.7 这条路线后来走通了吗](#4.7 这条路线后来走通了吗)
- 五、提示语工程：两套相反的逻辑
- - [5.1 先说一个参数陷阱](#5.1 先说一个参数陷阱)
  - [5.2 非思考模式：把话说完整](#5.2 非思考模式：把话说完整)
  - [5.3 思考模式：少即是多](#5.3 思考模式：少即是多)
  - [5.4 三个实用对话模板](#5.4 三个实用对话模板)
  - [5.5 一个反例对照](#5.5 一个反例对照)
  - [5.6 三个 2026 年验证有效的新技巧](#5.6 三个 2026 年验证有效的新技巧)
  - [5.7 迭代追问](#5.7 迭代追问)
- [六、Agent 构建：CAP 全维度提示框架](#六、Agent 构建：CAP 全维度提示框架)
- [七、API 工程实践：思考模式与成本控制](#七、API 工程实践：思考模式与成本控制)
- - [7.1 快速接入](#7.1 快速接入)
  - [7.2 思考模式的开关与强度](#7.2 思考模式的开关与强度)
  - [7.3 五个高频坑](#7.3 五个高频坑)
  - [7.4 成本优化四招](#7.4 成本优化四招)
  - [7.5 本地部署的现实边界](#7.5 本地部署的现实边界)
- 八、场景落地图谱
- - [8.1 成熟应用方向](#8.1 成熟应用方向)
  - [8.2 2026 年新增的三个能力窗口](#8.2 2026 年新增的三个能力窗口)
- 九、排障手册
- 十、速查表
- [十一、14 条过时认知纠正](#十一、14 条过时认知纠正)
- - 仍然成立、不受时间影响的部分
- 参考来源

摘要

距 DeepSeek-R1 发布已过去 19 个月。这期间模型格局发生了根本性变化------"V3 还是 R1"这个曾经的核心问题，在 2025 年 8 月就已失效 。本文基于 2026 年 9 月的官方口径，系统梳理三件事：混合推理架构到底改变了什么、提示语在两种模式下为什么写法完全相反、以及 API 调用中真正决定成本的那几个参数。

文中所有结论均标注来源级别（【官方】DeepSeek 公告与 API 文档 / 【媒体】路透社、DeepLearning.AI 等 / 【社区】未经官方确认的社区信息），文末附 14 条常见过时认知纠正。

关键词：DeepSeek、混合推理、思考模式、提示语工程、GRPO、稀疏注意力、大模型成本优化

[一、认知纠偏：2026 年的 DeepSeek 是什么格局](#一、认知纠偏：2026 年的 DeepSeek 是什么格局)
[二、技术演进：从 R1 到 V4.1](#二、技术演进：从 R1 到 V4.1)
三、核心架构解析：四代降本路线
[四、R1 原理复盘：强化学习如何炼出推理能力](#四、R1 原理复盘：强化学习如何炼出推理能力)
五、提示语工程：两套相反的逻辑
[六、Agent 构建：CAP 全维度提示框架](#六、Agent 构建：CAP 全维度提示框架)
[七、API 工程实践：思考模式与成本控制](#七、API 工程实践：思考模式与成本控制)
八、场景落地图谱
九、排障手册
十、速查表
[十一、14 条过时认知纠正](#十一、14 条过时认知纠正)

一、认知纠偏：2026 年的 DeepSeek 是什么格局

1.1 "V3 还是 R1"已经是过期问题

如果你在 2025 年上半年接触过 DeepSeek，大概率记住的决策规则是：简单任务用 V3，推理任务用 R1。

这条规则现在错了。

自 V3.1（2025-08-21） 起，DeepSeek 转向混合推理架构 ------思考与非思考两种能力合并进同一份模型权重 ，通过一个请求参数切换。【官方】你不再需要选择模型，你需要选择的是是否开启思考。

所以：

2025 年选模型，2026 年选模式。

1.2 R2 为什么始终没来

这是搜索量极高但答案很干脆的一个问题。

问题	事实	来源
R1 还在维护吗	权重仍可下载，但不再是主推模型；推理能力已并入 V 系主线	`【官方】`
R2 发布了吗	从未发布，官方从未确认过档期	`【官方】`
为什么没发布	路透社报道：创始人梁文锋对 R2 性能不满意，压住不发	`【媒体】`
另一重原因	有报道称 R2 在昇腾芯片上训练遇稳定性问题，最终转为"英伟达训练 + 昇腾推理"	`【媒体】`
网传的 R2 规格可信吗	全部未经证实。流传的 685B 参数 / 37B 激活 / 128K 上下文等数字来自泄露与聚合站互相引用，且不同来源互相矛盾	`【社区】`

工程含义 ：不要在业务系统里为 R2 预留接口，也不要基于网传规格做容量规划。DeepSeek 当前的推理能力就落在 V4 系列的思考模式上。

1.3 当前模型矩阵（截至 2026-09-10）

模型 ID	版本	总参数 / 激活	上下文	视觉	并发上限
`deepseek-flash`	V4.1-Flash	552B / 输入 8B、输出 16B	1M（输出上限 384K）	原生支持	2500
`deepseek-v4-pro`	V4-Pro-0813	1.6T / 49B	1M（输出上限 384K）	不支持	500

【官方】

一次值得注意的产品决策 ：官方经多方测试确认 V4.1-Flash 在性能、费用、速度、总用时四项上全面超越 V4-Pro，因此：

2026-09-14 12:00 起 ，至下一代 V4.1 Pro 上线前，所有访问 deepseek-v4-pro 的请求自动路由到 V4.1-Flash，并按 Flash 单价计费。业务侧无需改动代码。【官方】

这在行业里不常见------通常是"旗舰撑能力、轻量走规模"，而这次是轻量版本反超旗舰后，旗舰主动让位。

1.4 三维决策模型

现在的选择不再是单一维度，而是三个独立开关：

维度一 · 模型档位

场景	选择	依据
聊天、摘要、分类、翻译、初稿	Flash	便宜一个数量级，生成速度约为 2 倍
前沿编码、Agent 循环、长程推理	Pro（当前已路由至 Flash）	见 1.3

维度二 · 思考开关 （thinking.type）

开启思考的场景：

多步推理且结果需要可审计（法务、财务、复杂数学）
Agent 循环------中间决策一旦出错会级联放大
愿意为输出 token 付更多钱（思维链按输出计费）

关闭思考的场景：

聊天回复、分类、格式化、翻译
绝大多数 RAG 问答------延迟和账单都不划算

维度三 · 思考强度 （reasoning_effort）

档位	适用
`low`	分诊、路由、简短事实查询
`high`	默认档；分析、代码审查、起草
`max`	数学证明、系统迁移方案、多文件重构------凡是你愿意重读两遍的任务

提示：官方映射表中 medium 与 xhigh 会被折叠到 high，不产生额外效果；该映射随版本调整，以官方文档为准。【官方】

1.5 5R 框架：两种模式的定性对照

5R 是提示工程领域用于对比通用模型与推理模型的经典框架，在 2026 年它描述的不再是"两个模型"，而是**"非思考模式"与"思考模式"**两种状态：

维度	非思考模式	思考模式
Regulation 规范性	强规范约束，操作路径明确	弱规范约束，操作路径开放
Result 结果导向	目标确定性高，结果可预期	目标开放性高，结果多样
Route 路径灵活性	线性路径，流程标准化	网状路径，多路径探索
Responsiveness 响应模式	被动适配，按规则执行	主动创新，自主决策
Risk 风险特征	低风险，稳定可控	高风险，不确定性高

决策规则：

操作规范清晰、对结果有明确要求 → 关闭思考
操作路径多元开放、对结果没有明确要求 → 开启思考

二、技术演进：从 R1 到 V4.1

2.1 完整时间线

时间	版本	关键变化
2024-12-26	V3	671B MoE，14.8T tokens 训练；以极低训练成本对标 GPT-4 级性能
2025-01-20	R1	专用推理模型，GRPO 强化学习；开源蒸馏 6 个 dense 模型
2025-03	V3-0324	代码能力增强，仍为非推理模型
2025-05	R1-0528	数学/代码/科学提升；仍只能单跑思考模式，不支持结构化工具调用
2025-08-21	V3.1	混合推理架构；上下文 64K→128K ；采用 UE8M0 FP8 精度，官方明示"为下一代国产芯片设计"
2025-09-22	V3.1-Terminus	修复语言一致性，增强 Agent 工具调用
2025-09-29	V3.2-Exp	引入 DSA 稀疏注意力；长上下文推理成本降 6--7 倍；API 大幅降价
2025-12	V3.2 正式版	长文本能力强化 `【媒体】`
2026-04-24	V4 预览版	V4-Pro（1.6T/49B 激活）+ V4-Flash（284B/13B 激活）；1M 上下文、384K 输出；MIT 协议开源
2026-06	DSpark	开源推测解码框架（MIT），V4-Flash 生成提速 60--85%
2026-07-15	V4 正式版	启用峰谷分时计费（行业首创）
2026-07-24	---	`deepseek-chat` / `deepseek-reasoner` 两个旧别名正式退役
2026-07-31	V4-Flash-0731	官方称 Agent 能力大幅增强
2026-08	V4-Pro-0813	支持 Responses API 与 Codex 接入
2026-09-10	V4.1-Flash	全新架构系列最小尺寸；CED 非对称结构；原生视觉；CSA2 注意力；KV Cache 压至 890 B/token
2026-09-14	---	V4-Pro 请求全部路由至 V4.1-Flash

2.2 三条并行技术主线

19 个月的迭代看似版本繁杂，归纳起来始终在三条线上推进：

主线一 · 更便宜：MoE 稀疏激活 → DSA 稀疏注意力 → CED 非对称计算 → KV Cache 压缩

主线二 · 更长：64K → 128K → 1M token

主线三 · 更会想：独立推理模型 → 混合推理 → 强度可调节

下面重点拆解主线一，这是工程收益最直接的一条。

三、核心架构解析：四代降本路线

3.1 KV Cache：437 倍的压缩

大模型做 Agent 任务时最大的痛点不是算力，而是缓存。多轮工具调用堆下来，上下文轻易冲到几十万 token，历史键值对全部要占显存。

DeepSeek 官方公布的每 token KV Cache 体积变化：【官方】

版本	每 token KV Cache	相对上一代
DeepSeek-V1（2023-11）	389,120 字节	---
V3.2（2025-12）	48,068 字节	缩小 8.1 倍
V4-Flash（2026-04）	3,514 字节	缩小 13.7 倍
V4.1-Flash（2026-09）	890 字节	缩小 3.9 倍

四代累计缩小 437 倍。 V4.1-Flash 对 HBM 显存需求降至上一代的 1/4，对 SSD 需求降至 1/8。

这直接改变了长上下文与 Agent 批量任务的经济性------缓存命中的费用在 Agent 场景中占比往往最高，把 KV Cache 压下来，成本会跟着直接下降。

3.2 DSA：把 O(L²) 变成 O(L·k)

V3.2-Exp 引入的 DeepSeek Sparse Attention（DSA） 是首次实现的细粒度稀疏注意力机制。【官方】

核心思路是"先筛选、后计算"：

组件一 · Lightning Indexer

为每个查询 token 计算与所有前文 token 的重要性分数。设计上追求极致轻量：

少头设计：索引器头数仅 8--16，而传统 MHA 为 32--64
FP8 精度：全部计算走 FP8，内存占用减少 75%
ReLU 激活：无指数/对数运算，仅需比较与置零
键向量缓存：前文 token 的键向量批量计算后可复用

组件二 · 细粒度 Token 选择

对索引分数排序，取 Top-k（论文中 k=2048）个 token 做真正的注意力计算。

当序列长度 L=128K、k=2048 时，选中比例仅 1.6%，主注意力复杂度从 O(L²) 降到 O(L·k)，降低约 64 倍。

训练上的巧思：DSA 采用两阶段持续预训练------

密集热身：冻结主模型，只训练索引器，用 KL 散度让索引器的输出分布对齐主注意力的真实分布
稀疏训练：启用稀疏模式，全模型继续预训练

这个"先指导、后自主"的设计避免了直接启用稀疏导致的收敛困难。官方与 DeepLearning.AI 均确认，V3.2-Exp 在绝大多数基准上与 V3.1-Terminus 基本持平。【官方 / 媒体】

实测收益：处理 128K 上下文，成本从每百万 token 约 $2.30 降到$ 0.30。

3.3 CED：输入输出非对称

V4.1-Flash 采用的 Causal Encoder-Decoder（CED） 结构打破了传统大模型输入输出参数对称的设计逻辑：【官方】

阶段	激活参数
输入（读取、编码）	8B
输出（生成回答）	16B
总参数	552B

传统 Decoder-only 模型不管读一万字长文还是输出一个词，激活规模基本一样。CED 把这两件事拆开：输入阶段轻一点，输出阶段重一点，算力不再平均用力。

配合 FP4 精度的 KV Cache，这才有了 890 字节/token 的结果。

3.4 CSA2：三种模式动态切换

V4.1-Flash 的注意力机制 CSA2（Compressed Sparse Attention 2） 包含三种模式：【官方】

模式	触发场景
Full	首次全量建索引
Reindex	后续按需重检索
Reuse	稳定生成时直接复用索引

通过三种模式动态切换，在长上下文与 Agent 自动化任务上兼顾能力与速度。

3.5 DSpark：推测解码

2026 年 6 月开源的 DSpark 是 DeepSeek 的推测解码框架（MIT 协议）：用一个小的 draft model 批量提出候选 token，由完整模型批量验证，而非逐 token 生成。【官方】

官方报告的单用户生成提速：V4-Flash 提升 60--85%。

四、R1 原理复盘：强化学习如何炼出推理能力

理解 R1 的训练方法，才能理解为什么思考模式下的提示语要"反着写"。以下核心结论在 2026 年依然成立。

4.1 R1-Zero：跳过监督微调的纯强化学习

传统推理模型训练路径是"先 SFT、再 RL"。R1-Zero 直接跳过 SFT，在基座模型上做大规模强化学习。

结果：模型自发涌现出自我反思、长思维链等推理行为。

代价：可读性差、语言混合（中英文夹杂）。这说明纯 RL 能长出能力，但长不出"表达规范"。

4.2 GRPO：去掉 critic 的强化学习

为降低 RL 训练成本，DeepSeek 采用 GRPO（Group Relative Policy Optimization，组相对策略优化）：

传统 PPO 需要额外训练一个与策略模型同等规模的 critic 模型，显存与算力开销翻倍；
GRPO 直接去掉 critic ，改为对同一个问题采样一组输出，用组内的相对得分估计 baseline。

这是 R1 得以用较低成本完成大规模 RL 的关键。

4.3 Aha Moment：模型自己学会回头检查

训练过程中出现了一个被论文单独记录的现象：

在某个中间版本，R1-Zero 学会了通过重新评估自己的初始方案，来给一个问题分配更多的思考时间。

这个行为不是人工设计或注入的 ，而是强化学习自主演化的结果。它也解释了思考模式的一个使用特征------它会越想越久，且会主动推翻自己前面的判断。

4.4 正式版 R1：补上冷启动

R1-Zero 能力有了，但"话都说不利索"。正式版 R1 在 RL 之前加入：

冷启动数据：少量高质量长思维链数据，先把表达格式规范住
多阶段训练：RL 与 SFT 交替进行，兼顾能力与可读性

最终 R1 在推理任务上达到与 OpenAI-o1-1217 相当的水平。

4.5 蒸馏：推理能力可以迁移

DeepSeek 开源了从 R1 蒸馏出的 6 个 dense 模型：1.5B / 7B / 8B / 14B / 32B / 70B，基座为 Qwen 与 Llama。

实践价值：推理能力可以被蒸馏迁移，小模型也能具备链式推理能力------这是本地轻量部署可行的技术基础。

4.6 基准数据（2025-02 时点快照）

模型	AIME 2024	Codeforces	GPQA Diamond	MATH-500	MMLU	SWE-bench Verified
DeepSeek-R1	79.8	96.3	71.5	97.3	90.8	49.2
OpenAI-o1-1217	79.2	96.6	75.7	96.4	91.8	48.9
DeepSeek-V3	39.2	58.7	59.1	90.2	88.5	42.0

这张表最值得读的地方不是绝对值，而是差值结构：

V3 → R1 的差距集中在 AIME（39.2 → 79.8）与 Codeforces（58.7 → 96.3）这类需要多步推理的任务；而 MMLU 这类知识覆盖型任务差距极小（88.5 → 90.8）。

结论：不要关着思考做数学与复杂代码推理，也不要开着思考做简单事实问答------后者提升有限，还要多付推理时间。

4.7 这条路线后来走通了吗

19 个月后的验证：【官方 + 媒体】

一、纯 RL 路线被继承下来了。 V3.2-Exp 的后训练阶段用 GRPO 把推理、Agent、对齐训练合并为单一阶段 ，官方与 DeepLearning.AI 均指出这规避了多阶段 RL 常见的灾难性遗忘问题。

二、R1 的两个短板都已补上。

可读性差 → 冷启动 + 多阶段训练（R1 自身已解决）
不支持结构化工具调用 → V3.1 起原生支持 Tool Calls，V4 进一步支持 Responses API

三、R1 的一个特征被产品化了。 R1 在复杂任务上的首 token 延迟曾被测到超过 100 秒。【媒体】如今这个"慢"变成了可调参数 reasoning_effort，而不是必须全盘接受的代价。

五、提示语工程：两套相反的逻辑

核心结论只有一句：

非思考模式要结构化，思考模式不要结构化。

5.1 先说一个参数陷阱

【官方】 思考模式不支持 temperature、top_p、presence_penalty、frequency_penalty。

为了兼容旧代码，设置这些参数不会报错，但完全无效。

这造成了一个广泛存在的坑：网上仍有大量教程推荐"R1 用 temperature 0.6、top_p 0.95"（2025 年 R1 官方建议），但在 V4 的思考模式下这些参数静默失效。

正确做法：

模式	采样参数
思考模式	无效。从调参词汇表里删掉，改为调 `reasoning_effort` 与提示语本身
非思考模式	有效。官方建议：代码与数学 0.0 、数据分析 1.0 、通用对话与翻译 1.3 、创意写作 1.5

5.2 非思考模式：把话说完整

面向"被动适配"的非思考模式，提示语的作用是替模型把路径规划好。三个成熟框架：

框架 A · RTGO

text 复制代码

Role（角色）     --- 定义 AI 的角色
                   例：经验丰富的数据分析师
Task（任务）     --- 具体任务描述
                   例：写一份关于 XX 活动的小红书宣推文案（附背景信息）
Goal（目标）     --- 期望达成什么效果
                   例：通过该文案吸引潜在客户、促成消费
Objective（要求）--- 字数、段落结构、用词风格、内容要点、输出格式

框架 B · CO-STAR（新加坡 GPT-4 提示工程竞赛冠军框架）

字母	含义	要回答的问题
C	Context 上下文	相关背景信息是什么？
O	Objective 目标	你希望它做什么？
S	Style 风格	什么写作风格？严肃／有趣／学术／创新？
T	Tone 语调	幽默？情绪化？中立？
A	Audience 受众	是小白用户、专业人士、还是特定人群？
R	Response 回应	要什么形式？研究报告、表格、还是 Markdown？

框架 C · 提问黄金公式

text 复制代码

明确身份 + 具体任务 + 细节约束 + 输出格式

对比一下：

text 复制代码

❌ 分析新能源汽车市场
✅ 作为市场专员，请对比 2024 年 Q4 比亚迪与特斯拉的社交媒体声量，
   分析用户对"降价策略"的情绪倾向，用表格呈现

前者只会得到一份笼统的行业报告，后者才可能直接用于决策。

5.3 思考模式：少即是多

这是与直觉相反的部分。思考模式下：

不需要角色设定
不需要思维链提示 ------ 模型已有内部 CoT，追加"请一步步思考"是冗余且持续干扰原生推理，是官方点名的常见错误
不需要结构化提示词
不需要给示例 ------ few-shot 在思考模式下稳定降低性能；但在非思考模式下有用。这是"示例"这个手段唯一的模式差异，不要一刀切
不需要做太多解释

在思考模式面前，说清楚目标，剩下的交给它推理。

5.4 三个实用对话模板

模板一 · 场景化

text 复制代码

我要【目标】，给【对象】用，希望达到【效果】，但担心【问题】。

实例：

我要设计一个 PPT 框架，要给一批 50 岁左右的制造业老板分享，主题是传统工厂出海战略布局。希望用他们能理解的生存压力类比国际竞争，让他们明白出海是必选项而非选择题。但我担心他们觉得海外市场遥远，担心法律风险和管理成本，害怕文化差异导致水土不服。你能帮我设计一个 PPT 框架吗？

关键在最后一项------主动告知你的担忧，模型会在输出中主动规避。

模板二 · 术语破解

text 复制代码

用小学生能听懂的话解释【专业术语】

难度可通过替换"小学生／初中生／高中生"微调。

模板三 · 风格迁移

text 复制代码

模仿【作家名】的【文体】写关于【主题】的【内容类型】

5.5 一个反例对照

这组对照我认为是全篇最有说服力的部分：

text 复制代码

❌ 和妈妈一起去西班牙旅行 10 天，帮我安排行程
   → 只得到一份中规中矩的常规路线

✅ 妈妈 70 岁，身体还可以，不喜欢爬山和潜水；希望住宿在安全区但离景点不要太远；
   自由行不开车，搭乘地铁或火车；愿意尝试当地食物，对集市、音乐会、博物馆也感兴趣
   → 模型主动考虑到步行强度、餐厅口味、小偷防范、药品准备、酒店是否有电梯

背景信息的收益，远大于任何提示词技巧。思考模式省掉的是"格式与路径描述"，不是"上下文"。

5.6 三个 2026 年验证有效的新技巧

技巧一 · 用 XML 标签划边界

text 复制代码

<指令>只依据以下文档回答，不得使用外部知识。</指令>
<文档>......</文档>
<输出要求>每条结论后标注来源行号。</输出要求>

防止模型把"你要它做的事"和"你要它处理的内容"混在一起。【官方】V4 推荐做法。

技巧二 · 命名一个具体的输出物

text 复制代码

❌ 帮我看看这段代码
✅ 返回 JSON 格式的改动清单：每行包含「文件路径 / 行号 / 问题 / 最小修复」，
   不要修改风格问题

把"帮我看看"换成可命名的交付物，效果提升最显著。

技巧三 · 追加自检指令

text 复制代码

在给出最终答案前，检查：是否满足以上全部约束？
列出你所做的假设。若不确定的地方，说明需要什么信息才能确定。

5.7 迭代追问

第一版不满意时，用三类指令：

text 复制代码

增加：请重点说明......
限制：排除......情况
调整：改为......风格

六、Agent 构建：CAP 全维度提示框架

当任务从"单次问答"升级为"让模型扮演一个持续履职的角色"，CAP Framework（Comprehensive Agent Prompting Framework） 提供了四层结构：

层次	模块	内容
核心层	身份定义（Identity）	角色属性、专业背景、交互特征
执行层	能力矩阵（Capability Matrix）	功能范围、专业技能、决策权限
约束层	边界系统（Boundary System）	伦理规范、安全限制、资源约束
操作层	工作引擎（Operation Engine）	输入处理、执行流程、输出规范

落地为提示语的六要素：角色 / 功能 / 技能 / 约束 / 工作流程 / 输出格式。

实战示例 · Mermaid 图表生成器

text 复制代码

角色: Mermaid 图表代码生成器
功能: 根据用户提供的流程或架构描述，自动生成符合 Mermaid 语法的图表代码。
技能:
  - 熟悉 Mermaid 的图表类型和语法
  - 理解流程分析、架构设计及结构化展示等领域知识
约束:
  - 代码必须符合 Mermaid 语法规范
  - 流程图需要有二级、三级等多层级
  - 输出的代码格式应简洁且易于理解
工作流程:
  1. 询问用户希望绘制哪种类型的图表
  2. 收集详细的流程或架构描述
  3. 分析并设计图表结构
  4. 生成并输出符合 Mermaid 语法的代码
  5. 校验代码，确保没有语法错误
输出格式: Mermaid 图表代码

2026 年的重要补充 ：CAP 属于"用提示语约束行为"。但在 API 场景下，V4 系列已原生支持 Tool Calls、Responses API、FIM 补全、对话前缀续写 【官方】------能用参数约束的，就不要靠提示语。提示语约束的可靠性天然低于结构化参数。

注意：CAP 适合非思考模式或作为 Agent 设定；若开启思考模式处理开放性推理任务，应回到 5.3 的"少即是多"。

七、API 工程实践：思考模式与成本控制

7.1 快速接入

python 复制代码

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",
    api_key="YOUR_KEY",
)

# 非思考模式：快且省，适合结构化任务
resp = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "system", "content": "你是资深 Python 审查员。用 Markdown 表格输出："
                                      "第 1 列 Issue，第 2 列 Fix。若代码无问题，只回复 clean。"},
        {"role": "user", "content": "def add(a,b): return a+b"},
    ],
    temperature=0.0,
    max_tokens=400,
    extra_body={"thinking": {"type": "disabled"}},
)
print(resp.choices[0].message.content)

两个要点：

base_url 为 https://api.deepseek.com；另有 Anthropic 兼容端点 https://api.deepseek.com/anthropic
API 是无状态 的，多轮对话必须每次重发完整 messages（网页端与 App 才帮你保存历史）

7.2 思考模式的开关与强度

python 复制代码

resp = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[{"role": "user", "content": migration_brief}],
    reasoning_effort="high",                      # low / high / max
    extra_body={"thinking": {"type": "enabled"}}, # 默认即为 enabled
)

reasoning = resp.choices[0].message.reasoning_content  # 思维链
answer    = resp.choices[0].message.content            # 最终答案

Anthropic 格式用 {"reasoning": {"effort": "none/low/high/max"}}，其中 none 即关闭思考。【官方】

7.3 五个高频坑

坑 1 · 思维链和答案是两个字段

思考模式返回 reasoning_content（思维链）与 content（最终答案）两个并列字段。别只取 content 把思维链丢了，也别把 reasoning_content 当答案用。

坑 2 · 多轮回传规则不一致（最易踩）

请求是否带 `tools` 参数	中间轮 `reasoning_content` 如何处理
不带	不必参与上下文拼接；传了也会被忽略
带	必须参与拼接并在后续每轮回传，否则返回 400 错误

【官方】注意：带 tools 时，即便该轮模型没有实际调用工具，也必须回传。

坑 3 · Think Max 会撑爆上下文

官方 Hugging Face 模型卡建议：使用 reasoning_effort="max" 时，上下文窗口至少设到 384K ，否则思维链会被截断。【官方】

坑 4 · JSON 模式必须在提示语里出现 "json" 字面量

【官方】使用 JSON Output 时，若不在 system 或 user 消息中指示输出 JSON，模型可能持续输出空白直到 token 上限，表现为请求"卡死"。三条规则：

提示语中必须出现字面量 json
给出一个小示例 schema，而不只是描述
max_tokens 留足，避免 JSON 被截断

python 复制代码

resp = client.chat.completions.create(
    model="deepseek-flash",
    response_format={"type": "json_object"},
    max_tokens=800,                                  # 留足，避免 JSON 被截断
    messages=[
        # 关键点 1：必须出现字面量 json；关键点 2：给出示例 schema
        {"role": "system", "content": 'Return json only. Example: {"name": "...", "score": 0}'},
        {"role": "user", "content": user_input},
    ],
    extra_body={"thinking": {"type": "disabled"}},   # 提取类任务无需思考
)

坑 5 · 思考模式调 temperature 没用

见 5.1。设置不报错，完全无效。

7.4 成本优化四招

招式一 · 错峰调用

【官方】V4.1-Flash 峰谷分时定价（2026-09-10 12:00 生效，元 / 百万 token）：

时段	缓存命中输入	缓存未命中输入	输出
空闲时段	0.02	1	4
高峰时段	0.04	2	8

高峰时段为工作日 9:00--12:00 与 14:00--18:00 。按一周 168 小时算，高峰仅 35 小时（20.8%），空闲 133 小时，周末全部算空闲。

批量任务挪到夜间或周末，成本直接减半。

招式二 · 稳定前缀前置（收益最大）

缓存命中 0.02 元 vs 未命中 1 元，相差 50 倍。由于 API 无状态、每次重发全文：

text 复制代码

=== 固定的 system prompt、规则、示例 ===   ← 放最前面，字节级保持一致
=== 变化的文档/问题 ===                    ← 放最后

招式三 · 审计缓存命中率

每次响应读 usage 里的 prompt_cache_hit_tokens 与 prompt_cache_miss_tokens，直到确认前缀设计生效。

招式四 · 一次请求问多个问题

同一份文档要问三件事，就在一次请求里问完并规定输出格式------避免同一份长文档被计费三次，且三次全部缓存未命中。

7.5 本地部署的现实边界

如果需要本地部署，R1 蒸馏出的 1.5B--70B dense 模型仍是最现实的选择（Ollama 等框架可直接拉取）。

但要清楚两点：

蒸馏版继承的是 2025 年初的架构能力
若想本地跑 V4.1-Flash，官方明确写出门槛------552B 总参数，大规模部署需约 2000 张 GPU 加存储集群 【官方】

单机场景不必考虑新架构，继续使用蒸馏小模型是合理选择。

八、场景落地图谱

8.1 成熟应用方向

场景	关键做法	要点
可视化图表	让模型输出 Mermaid 代码	要求多级流程、输出前自校验语法
PPT 大纲	三段式：研究资料表 → Markdown 大纲 → 核心页流程图	三者分开输出，不要混杂
海报设计	生成供绘图工具使用的提示语	必须包含产品名称中文字；涵盖构图、色彩、风格、细节
视频生成	分镜脚本 + 分镜图 + 视频/音乐提示词	强调角色一致性与风格统一
新媒体文案批量	先明确"想要什么样的文案、具备哪些特征、针对什么生成"	再谈篇幅、用词、结构优化
市场调查	多维度打分（经济发展/创新活力/社会治理/基础设施/宜居环境）	可跨模型对比，观察评价偏差

PPT 场景的约束示例（三段分离原则值得单独记住）：

text 复制代码

输出内容及格式:
1、研究资料摘要，表格格式，包含报告主题、关键摘要、报告地址，不少于 5 份；
2、PPT 大纲，Markdown 格式，不少于 30 页；
3、核心内容的流程图，Mermaid 格式。

当用户输入特定主题时，请首先生成研究资料表格，其次生成 Markdown 格式的 PPT 大纲，
最后生成流程图，三者不要混杂到一起。

8.2 2026 年新增的三个能力窗口

窗口一 · 1M 上下文改变了"要不要切片"的判断

1M token 约合 75 万词。过去必须做 RAG 切片的场景（整本手册、中型代码库、整套招投标文件），现在可以整投并要求精确定位：

text 复制代码

你在审阅一份完整的代码库导出。不要总结。
只回答：新接手的维护者最需要先读哪三个文件？为什么？附文件路径。
总字数不超过 200 字。

窗口二 · 原生视觉理解

V4.1-Flash 原生多模态，不再依赖外挂视觉适配器，图文理解的一致性与速度均有提升。【官方】

注意这个差异化：V4.1-Flash 支持视觉，V4-Pro 不支持。要处理图片就选 Flash。

窗口三 · Agent 成为主战场

【官方】V4.1-Flash 在官方公布的 Agentic 基准中，CyberGym（网络安全）与 Automation-Bench（自动化任务）两项位列第一，DeepSWE（软件工程）表现突出；Terminal-Bench 3.0 略低于 Claude Opus5（该项所有模型得分都不高，说明终端操作是全行业短板）。

配套工具 DeepSeek Harness v0.1.5 已同步发布，针对标准模式、程序化工具调用（PTC）模式与极简模式分别做了优化。

九、排障手册

#	现象	原因	对策
1	结构化提示语效果反而变差	思考模式下路径约束压缩了自主探索空间	只给目标，不给路径
2	回答满是术语，"太能装了"	一上来就开思考模式	先用非思考模式聊几轮，再切思考
3	回答看不懂	---	直接要求"说人话"，或用术语破解模板
4	反复调 temperature 输出毫无变化	思考模式静默忽略全部采样参数	关掉思考再调，或改调 `reasoning_effort`
5	多轮对话莫名报 400	带 `tools` 时中间轮 `reasoning_content` 未回传	见 7.3 坑 2
6	JSON 模式请求"卡死"	提示语未出现 "json" 字面量	见 7.3 坑 4
7	Think Max 输出被截断	上下文窗口不足	上下文至少设 384K
8	账单远超预期	缓存未命中 + 高峰时段	稳定前缀前置 + 错峰

关于人机协作的三条意识：

能动意识：让模型主动探索，而不是替它规划每一步
边界意识：清楚模型的能力边界，尤其是事实性内容的可靠性
成本意识（2026 年新增）：思维链按输出 token 计费，长上下文按缓存命中率计费。同样的提示语，缓存设计不同，账单可能差一个数量级

十、速查表

text 复制代码

【非思考模式】
我是【身份】，请【任务】，要求【细节】，用【格式】输出。

【思考模式】
我要【目标】，给【对象】用，希望达到【效果】，但担心【问题】。
（禁止追加：角色设定 / 逐步思考 / 结构化模板 / few-shot 示例）

【术语理解】
用小学生能听懂的话解释【术语】

【风格迁移】
模仿【作家】的【文体】写关于【主题】的【内容类型】

【Agent / CAP】
角色 / 功能 / 技能 / 约束 / 工作流程 / 输出格式

【迭代追问】
请重点说明【A】；排除【B】情况；改为【C】风格。

【XML 边界】
<指令>...</指令> <文档>...</文档> <输出要求>...</输出要求>

【自检追加】
在给出最终答案前，检查：是否满足以上全部约束？列出你所做的假设。

【长文档精确定位】
不要总结。只回答：【X】。附文件路径/行号。总字数不超过【N】字。

API 参数速查

python 复制代码

# 关思考（省、快）
extra_body={"thinking": {"type": "disabled"}}

# 开思考 + 强度
reasoning_effort="high"          # low / high / max
extra_body={"thinking": {"type": "enabled"}}

# Anthropic 格式关思考
{"reasoning": {"effort": "none"}}

# 取两个字段
resp.choices[0].message.reasoning_content   # 思维链
resp.choices[0].message.content             # 最终答案

# 审计缓存
resp.usage.prompt_cache_hit_tokens
resp.usage.prompt_cache_miss_tokens

十一、14 条过时认知纠正

大模型领域的知识半衰期极短。以下 14 条是 2025 年上半年广泛流传、到 2026 年 9 月已经失效或需要修正的认知，供对照自查：

#	过时认知	当前事实	性质
1	"V3 与 R1 二选一"	自 V3.1 起合并为混合推理单一模型，靠 `thinking` 参数切换	根本性失效
2	"深度思考（R1）"是独立模型	现为思考模式，默认开启，另有低/高/最大三档强度	需更正
3	R1 是推理旗舰	推理能力已并入 V 系主线，R1 不再主推	需更正
4	R2 即将发布	从未发布，官方从未确认档期	需更正
5	通过 NVIDIA NIM / Azure / AWS / Cerebras / Groq 部署	该清单为 2025-02 状态，均已变化。当前官方入口为 `api.deepseek.com`	已过时
6	上下文 64K	1M token（输出上限 384K）	数值过时
7	DeepSeek 不支持图片	V4.1-Flash 原生支持视觉理解（V4-Pro 不支持）	能力新增
8	不支持工具调用	原生支持 Tool Calls、Responses API、FIM 补全、对话前缀续写	能力新增
9	AIME 79.8 / MMLU 90.8 是最新成绩	仅为 2025-02 快照，已迭代四代，不可横向比较	仅供历史参考
10	API 统一价	2026-07-15 起峰谷分时计费；2026-09-10 起新价目生效	机制新增
11	用 `deepseek-chat` / `deepseek-reasoner`	已于 2026-07-24 15:59 UTC 退役	已失效
12	提示语"五不需要"无条件成立	需精确化：示例在非思考模式有用、思考模式有害	需精确化
13	temperature 0.6 / top_p 0.95	仅对非思考模式有效；思考模式静默忽略	已失效
14	成本只看输入输出量	缓存命中与未命中价差 50 倍，是成本第一杠杆	概念缺失

仍然成立、不受时间影响的部分

技术演进很快，但有些东西没变：

GRPO / R1-Zero / Aha Moment / 冷启动 + 多阶段训练：R1 技术报告的核心结论，且已被 V3.2 的 GRPO 单阶段训练进一步验证
5R 框架：从"两个模型"重新映射为"两种模式"后依然清晰
RTGO / CO-STAR / 提问黄金公式：非思考模式下完全适用
CAP 框架：Agent 设定的四层结构未变
"背景信息 > 提示词技巧"：5.5 那组西班牙行程的对照，是全篇最经得起时间检验的一条
三段分离、多级流程、一致性要求：方法论层面未变

参考来源

DeepSeek 官方 API 文档：api-docs.deepseek.com（模型与价格、思考模式、更新日志）
DeepSeek-AI,《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》
DeepSeek-AI,《DeepSeek-V3.2-Exp: Boosting Long-Context Efficiency with DeepSeek Sparse Attention》
DeepSeek-AI,《DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression》
Hugging Face：deepseek-ai 官方模型卡与技术报告
路透社、DeepLearning.AI《The Batch》相关报道
提示工程领域公开框架：5R 分析框架、RTGO、CO-STAR、CAP Framework

说明：本文数据截至 2026 年 9 月 10 日。大模型领域版本迭代频繁，涉及价格、模型 ID、API 参数的部分请以 DeepSeek 官方文档为准；模型原理与方法论部分不受短期版本变更影响。

如果本文对你有帮助，欢迎点赞收藏。有任何事实性错误或补充，请在评论区指出。

DeepSeek 全景技术指南：从混合推理架构到提示语工程实战（2026.09)

目录

目录

一、认知纠偏：2026 年的 DeepSeek 是什么格局

1.1 "V3 还是 R1"已经是过期问题

1.2 R2 为什么始终没来

1.3 当前模型矩阵（截至 2026-09-10）

1.4 三维决策模型

1.5 5R 框架：两种模式的定性对照

二、技术演进：从 R1 到 V4.1

2.1 完整时间线

2.2 三条并行技术主线

三、核心架构解析：四代降本路线

3.1 KV Cache：437 倍的压缩

3.2 DSA：把 O(L²) 变成 O(L·k)

3.3 CED：输入输出非对称

3.4 CSA2：三种模式动态切换

3.5 DSpark：推测解码

四、R1 原理复盘：强化学习如何炼出推理能力

4.1 R1-Zero：跳过监督微调的纯强化学习

4.2 GRPO：去掉 critic 的强化学习

4.3 Aha Moment：模型自己学会回头检查

4.4 正式版 R1：补上冷启动

4.5 蒸馏：推理能力可以迁移

4.6 基准数据（2025-02 时点快照）

4.7 这条路线后来走通了吗

五、提示语工程：两套相反的逻辑

5.1 先说一个参数陷阱

5.2 非思考模式：把话说完整

5.3 思考模式：少即是多

5.4 三个实用对话模板

5.5 一个反例对照

5.6 三个 2026 年验证有效的新技巧

5.7 迭代追问

六、Agent 构建：CAP 全维度提示框架

七、API 工程实践：思考模式与成本控制

7.1 快速接入

7.2 思考模式的开关与强度

7.3 五个高频坑

7.4 成本优化四招

7.5 本地部署的现实边界

八、场景落地图谱

8.1 成熟应用方向

8.2 2026 年新增的三个能力窗口

九、排障手册

十、速查表

十一、14 条过时认知纠正

仍然成立、不受时间影响的部分

参考来源