Paano Gamitin ang DeepSeek v3 at R1: Pag-prompt para sa mga Gawain sa Pangangatwiran at Chat
Kung nasobrahan mo na sa paggawa ng prompt at mas malala pa ang naging sagot, hindi ka nag-iisa. Sa mga modelong unang nag-iisip tulad ng DeepSeek R1 at mga modelong pang-chat na may mataas na throughput tulad ng DeepSeek v3, ang lumang paraan (mahahabang prompt, mabigat na chain‑of‑thought na panghihikayat) ay madalas na sumasablay. Ipinapakita ng gabay na ito kung paano mag-prompt nang tama sa DeepSeek v3 at R1 para sa mga gawain sa pangangatwiran at chat—kung ano ang dapat panatilihing simple, kailan dapat magbigay ng scaffolding, at kung paano i-tune ang mga setting para sa matatag at tumpak na mga resulta.
Paalala sa estilo: Praktikal at nakatuon sa solusyon. Magtutuon tayo sa kung ano ang gumagana, na may mga pattern at guardrail na cut‑and‑paste.
- Gamitin ang DeepSeek R1 kung kailangan mo ng matatag na multi‑step na pangangatwiran, mga patunay, at kumplikadong pagpaplano.
- Gamitin ang DeepSeek v3 para sa mabilis at tumpak na chat, tulong sa pag-coding, paggawa ng draft, at pangkalahatang Q&A sa malaking sukat.
- Huwag pilitin ang chain‑of‑thought. Humingi ng "mga huling sagot," "maikling rationale," o mga structured na output sa halip.
- Panatilihing maikli at malinaw ang mga prompt; magdagdag lamang ng mga limitasyon at pamantayan sa pagsusuri kung kinakailangan.
- Magsimula sa zero‑shot; magdagdag lamang ng mga few‑shot na halimbawa kung nakakakita ka ng mga consistent na failure mode.
Ano ang Pagkakaiba ng DeepSeek R1 sa v3
- DeepSeek R1: Isang modelong na-optimize para sa pangangatwiran na idinisenyo upang "mag-isip bago sumagot," na nagpapababa sa pangangailangan para sa tahasang step‑by‑step na pag-prompt. Maraming platform at dokumento ang nagpapayo na iwasan ang mga chain‑of‑thought na kahilingan; ang zero‑shot ay madalas na pinakamahusay na gumagana para sa R1.
- DeepSeek v3: Isang mabilis at malakas na MoE chat model (671B kabuuang parameter; 37B aktibo bawat token) na naglalayong sa mga pangkalahatang gawain sa wika na may mahusay na cost‑performance, pamilyar na API ergonomics, at modernong kalidad ng modelo. Ipinapakita ng mga opisyal na dokumento ang paggamit ng API na istilo ng OpenAI.
Sa pagsasagawa:
- Piliin ang R1 para sa: mga problema sa salita sa matematika, mga pagkasira ng estratehiya, pagpaplano na may maraming limitasyon, nakakalitong pangangatwiran na may mga latent na hakbang.
- Piliin ang v3 para sa: chat sa customer, mga pagsusuri sa coding, muling pagsulat, pagbubuod, at mabilis na mga iteration loop.
Ang Ginintuang Tuntunin: Huwag Sobrahin sa Pag-prompt ang mga Modelo ng Pangangatwiran
Ang mga modelo ng pangangatwiran tulad ng R1 ay nagsasagawa na ng panloob na deliberasyon. Ang pagpilit sa chain‑of‑thought ("mag-isip nang hakbang-hakbang at ipakita ang iyong pangangatwiran") ay madalas na nagdaragdag ng verbosity, maaaring makagambala sa modelo, at sa ilang mga setting ay maaaring hindi hinihikayat. Sa halip, gamitin ang:
- "Ibigay ang huling sagot at isang maikling paliwanag."
- "Ibigay ang sagot, pagkatapos ay ilista ang 3 pangunahing salik na humantong sa iyo doon."
- "Ibalik lamang ang resulta kasama ang isang 2‑pangungusap na pagbibigay-katwiran."
Nakahanay ito sa gabay na ang simple at zero‑shot na mga prompt ay maaaring maging kasing epektibo—o mas mahusay—kaysa sa kumplikadong step-wise na mga tagubilin para sa R1.
Mga Pattern ng Pag-prompt na Gumagana
1) Zero‑Shot, Minimalist (Pinakamahusay na unang subok para sa R1; mahusay din para sa v3)
Layunin: Lutasin ang isang nontrivial na problema na may kaunting mga limitasyon.
Template ng prompt:
Ikaw ay isang maingat na tagalutas ng problema.
Tanong: {task}
Mga Tagubilin: Ibigay ang huling sagot at isang maikling rationale (max 3 pangungusap).
Bakit ito gumagana: Hinihikayat nito ang panloob na pangangatwiran habang pinapanatili ang output na nakatuon at maikli.
2) Limitadong Output (Para sa mga API, pagiging maaasahan, o automation)
Gamitin kapag kailangan mo ng predictable na mga format.
Template ng prompt:
System: Dapat kang magbalik lamang ng valid na JSON.
User: Ibuod ang dokumentong ito sa 5 bullet points na may isang panganib at isang pagkakataon.
Ibalik ang JSON: {
"bullets": . Itinatampok ng mga tala ng balita/modelo ang kahusayan at sukat ng v3, habang ang mga model card ay nagbibigay ng karagdagang konteksto.
Pagpili sa Pagitan ng DeepSeek v3 at R1 ayon sa Use Case
- Customer support chat: v3 para sa bilis at gastos; magdagdag ng mga few‑shot na halimbawa para sa tono at pagsunod sa patakaran.
- Mga briefing ng analyst at mga memo ng desisyon: R1 para sa mas mataas na integridad ng pangangatwiran; itakda ang limitasyon na “maikling rationale”.
- Pagsusuri sa coding at mga plano sa refactor: Ang v3 ay mahusay para sa mabilis na pag-ulit; R1 kapag kailangan mo ng malalim na pangangatwiran tungkol sa mga tradeoff.
- Math, logic, pag-iskedyul na may mga limitasyon: Karaniwang mahusay ang R1.
- Malakihang pagbubuod o muling pagsulat ng mga pipeline: v3 para sa throughput.
Para sa isang tutorial na nagtatayo gamit ang R1 sa isang RAG assistant, tingnan ang mga write‑up ng komunidad at tutorial na nagpapakita ng mga end‑to‑end na pattern, mga halimbawang nakatuon sa coding para sa v3, at mga lokal na eksperimento sa pamamagitan ng mga stack ng komunidad.
Ligtas na Paghawak ng Nilalaman ng Pangangatwiran
- Huwag humingi ng buong chain‑of‑thought. Kung kailangan mo ng transparency, humiling ng maikling pagbibigay-katwiran o isang listahan ng mga pangunahing salik.
- Para sa mga sensitibong domain, magsama ng isang linya ng patakaran: "Kung hindi ka sigurado o ang gawain ay maaaring magdulot ng pinsala, magtanong ng mga naglilinaw na tanong o tumanggi."
- Magdagdag ng mga prompt sa pagpapatunay para sa mga numerical na gawain: "Suriin muli ang arithmetic bago sumagot."
Sinasalamin nito ang karaniwang pinakamahusay na kasanayan para sa mga modelong istilo ng R1: minimal na pag-prompt, iwasan ang pagkuha ng chain‑of‑thought, at umasa sa panloob na pangangatwiran ng modelo.
Prompt Library: Mga Snippet na Handa nang Kopyahin
A) Kumplikadong Pagpaplano (R1)
Layunin: Magplano ng 6 na linggong beta ng produkto para sa 1,000 user na may minimal na churn.
Ibalik:
- Mga Milestone (linggo-linggo)
- Mga pangunahing panganib (max 5)
- Mga Mitigasyon (isa bawat panganib)
Mga Limitasyon: Panatilihing nasa ilalim ng 200 salita ang kabuuan.
### B) Chat na Sensitibo sa Patakaran (v3)
System: Ikaw ay isang matulungin at sumusunod sa patakaran na assistant. Kung ang isang kahilingan ay sumasalungat sa patakaran, magtanong ng isang naglilinaw na tanong o magbigay ng isang ligtas na alternatibo.
User: Gumawa ng draft ng tugon sa refund para sa isang naantalang order. Panatilihin ang empathetic na tono at mag-alok ng dalawang opsyon.
Lutasin ang sumusunod. Ibigay ang huling sagot at isang 2-pangungusap na pagsusuri.
Problema: {word problem}
### D) Pagsusuri ng Code (v3)
Ikaw ay isang senior Python reviewer. Suriin ang snippet para sa performance at pagiging madaling basahin.
Ibalik:
- Mga Pag-aayos (naka-bullet)
- Halimbawang refactor (<=30 linya)
### E) Pagkuha ng Data sa JSON (v3)
System: Ibalik lamang ang valid na JSON.
User: Kunin ang kumpanya, kita, at HQ mula sa teksto. Kung nawawala, gumamit ng null.
Schema: {"company":"string","revenue":"string|null","hq":"string|null"}
Text: {paste}
Pag-troubleshoot: Kapag Lumihis o Nag-hallucinate ang mga Output
- Masyadong verbose? Ibaba ang max tokens o magdagdag ng “Max 120 salita.”
- Hindi consistent na format? Magdagdag ng JSON‑only na system prompt at isang stop sequence.
- Maling mga pagpapalagay? Magdagdag ng isang‑linyang limitasyon: “Kung hindi sigurado, magtanong ng 1 naglilinaw na tanong.”
- Mga error sa matematika? Magdagdag ng “Suriin muli ang arithmetic bago ang huling sagot.”
- Marupok na mga gawain sa chain? Hatiin sa dalawang tawag: plano → execute.
Mabilis na Pagsisimula ng API (Konseptuwal)
- Ang endpoint at key management ay sumusunod sa isang interface na istilo ng OpenAI. Asahan ang mga karaniwang field tulad ng
model, messages, temperature, max_tokens, at mga opsyon sa streaming.
- Ang mga detalye at pag-angkin sa pagganap ng DeepSeek v3 ay ibinubuod sa opisyal na balita/pag-update ng modelo at mga model card.
Kapansin-pansin: Paggamit ng Sider.AI para sa Pag-ulit ng Prompt
Kung nag-e-explore ka ng mga pattern nang mabilis—pagsubok ng zero‑shot vs. few‑shot, pagpapalit ng mga format, o paghahambing ng mga tugon ng R1 vs v3—ang isang overlay assistant ay maaaring mapabilis ang loop. Sa paraan, pinapadali ng Sider.AI ang paggawa ng draft, pag-ulit, at A/B na mga prompt sa mga pahina at tool sa isang solong workflow, upang maaari kang mag-zero in sa minimal na prompt na pinakamahusay na gumagana para sa iyong gawain. Mga Pangunahing Takeaway
- Mas gusto ang minimal at zero‑shot na mga prompt para sa DeepSeek R1; iwasan ang tahasang mga kahilingan sa chain‑of‑thought.
- Gamitin ang DeepSeek v3 para sa mabilis at scalable na chat at mga structured na gawain; umasa sa mga limitadong format para sa pagiging maaasahan.
- Magdagdag lamang ng mga few‑shot na halimbawa upang itama ang mga consistent na failure mode.
- Ipatupad ang istraktura gamit ang mga JSON schema, maikling mga system prompt, at mga stop sequence.
- Para sa kumplikadong pangangatwiran, humingi ng mga huling sagot kasama ang maikling mga pagbibigay-katwiran—hindi buong mga log ng pangangatwiran.
FAQ
Q1: Kailan ko dapat piliin ang DeepSeek R1 kaysa sa DeepSeek v3?
Piliin ang DeepSeek R1 para sa multi‑step na pangangatwiran, kumplikadong pagpaplano, at mga gawain sa math/logic. Piliin ang v3 para sa mabilis at pangkalahatang chat, paggawa ng draft, tulong sa coding, at mga high‑throughput na pipeline.
Q2: Dapat ba akong gumamit ng chain‑of‑thought na pag-prompt sa DeepSeek R1?
Hindi. Iminumungkahi ng gabay na iwasan ang tahasang chain‑of‑thought at umasa sa built‑in na pangangatwiran ng modelo. Humingi ng mga huling sagot na may maikling mga pagbibigay-katwiran sa halip.
Q3: Paano ako makakakuha ng consistent na JSON mula sa DeepSeek v3?
Gumamit ng maikling system prompt na nag-uutos lamang ng JSON, tukuyin ang isang mahigpit na schema, at opsyonal na magtakda ng mga stop sequence. Ibaba ang temperatura at limitahan ang max tokens upang limitahan ang paglihis.
Q4: Anong temperatura ang dapat kong gamitin para sa mga gawain sa pangangatwiran?
Magsimula sa mababa (0.0–0.3) para sa determinism at pagsusuri. Itaas sa 0.4–0.7 para sa balanseng pagkamalikhain sa paggawa ng draft o coding; gumamit ng mas mataas na mga halaga para sa brainstorming.
Q5: Maaari ko bang patakbuhin ang mga DeepSeek na modelo nang lokal?
Mayroong mga setup ng komunidad para sa pag-eeksperimento, ngunit ang produksyon ay madalas na gumagamit ng mga naka-host na API para sa katatagan at pagganap. Suriin ang mga model card at mga gabay ng komunidad para sa mga lokal na tagubilin.
