When should I choose DeepSeek R1 over DeepSeek v3?

Pick DeepSeek R1 for multi‑step reasoning, complex planning, and math/logic tasks. Choose v3 for fast, general chat, drafting, coding assistance, and high‑throughput pipelines.

Should I use chain‑of‑thought prompting with DeepSeek R1?

No. Guidance suggests avoiding explicit chain‑of‑thought and relying on the model’s built‑in reasoning. Ask for final answers with brief justifications instead.

How do I get consistent JSON from DeepSeek v3?

Use a short system prompt that mandates JSON only, define a tight schema, and optionally set stop sequences. Lower temperature and cap max tokens to limit drift.

What temperature should I use for reasoning tasks?

Start low (0.0–0.3) for determinism and evaluation. Raise to 0.4–0.7 for balanced creativity in drafting or coding; use higher values for brainstorming.

Can I run DeepSeek models locally?

Community setups exist for experimentation, but production often uses hosted APIs for stability and performance. Check model cards and community guides for local instructions.

วิธีการใช้ DeepSeek v3 และ R1: การเขียน Prompt สำหรับงานด้านการให้เหตุผลและการแชท

หากคุณเคยออกแบบ Prompt ที่ซับซ้อนเกินไปแล้วได้คำตอบที่แย่ลง คุณไม่ได้อยู่คนเดียว ด้วยโมเดลที่เน้นการให้เหตุผลเป็นอันดับแรก เช่น DeepSeek R1 และโมเดลแชทที่มีปริมาณงานสูง เช่น DeepSeek v3 กลยุทธ์เดิมๆ (Prompt ที่ยาว การชักจูงด้วย Chain-of-Thought ที่หนักหน่วง) มักจะส่งผลเสีย คู่มือนี้จะแสดงให้คุณเห็นอย่างชัดเจนถึงวิธีการเขียน Prompt สำหรับ DeepSeek v3 และ R1 สำหรับงานด้านการให้เหตุผลและการแชท สิ่งที่ควรทำให้เรียบง่าย เมื่อใดควรสร้างโครงสร้าง และวิธีการปรับแต่งการตั้งค่าเพื่อให้ได้ผลลัพธ์ที่เสถียรและแม่นยำ

หมายเหตุเกี่ยวกับรูปแบบ: เน้นการปฏิบัติและมุ่งเน้นการแก้ปัญหา เราจะเน้นที่สิ่งที่ได้ผล โดยมีรูปแบบที่สามารถคัดลอกและวางได้ และมีแนวทางป้องกัน

ใช้ DeepSeek R1 เมื่อคุณต้องการการให้เหตุผลแบบหลายขั้นตอนที่แข็งแกร่ง การพิสูจน์ และการวางแผนที่ซับซ้อน

ใช้ DeepSeek v3 สำหรับการแชทที่รวดเร็วและแม่นยำ การช่วยเหลือด้านการเขียนโค้ด การร่าง และคำถามและคำตอบทั่วไปในวงกว้าง

อย่าบังคับ Chain-of-Thought ให้ถามหา “คำตอบสุดท้าย” “เหตุผลสั้นๆ” หรือผลลัพธ์ที่มีโครงสร้างแทน

เขียน Prompt ให้สั้นและชัดเจน เพิ่มข้อจำกัดและเกณฑ์การประเมินเมื่อจำเป็นเท่านั้น

เริ่มต้นด้วย Zero-Shot เพิ่มตัวอย่าง Few-Shot เมื่อคุณเห็นรูปแบบความล้มเหลวที่สอดคล้องกันเท่านั้น

อะไรคือความแตกต่างระหว่าง DeepSeek R1 กับ v3

DeepSeek R1: โมเดลที่ปรับให้เหมาะสมกับการให้เหตุผล ออกแบบมาเพื่อให้ “คิดก่อนตอบ” ลดความจำเป็นในการเขียน Prompt แบบทีละขั้นตอนอย่างชัดเจน หลายแพลตฟอร์มและเอกสารแนะนำให้หลีกเลี่ยงข้อเรียกร้อง Chain-of-Thought Zero-Shot มักจะทำงานได้ดีที่สุดสำหรับ R1

DeepSeek v3: โมเดลแชท MoE ที่รวดเร็วและแข็งแกร่ง (พารามิเตอร์ทั้งหมด 671B; 37B ทำงานต่อ Token) มุ่งเป้าไปที่งานด้านภาษาเอนกประสงค์ด้วยประสิทธิภาพด้านต้นทุนที่ยอดเยี่ยม สรีรศาสตร์ API ที่คุ้นเคย และคุณภาพโมเดลที่ทันสมัย เอกสารอย่างเป็นทางการแสดงการใช้งาน API ในรูปแบบ OpenAI

ในทางปฏิบัติ:

เลือก R1 สำหรับ: โจทย์ปัญหาคำศัพท์ทางคณิตศาสตร์ การแบ่งย่อยกลยุทธ์ การวางแผนแบบมีข้อจำกัดหลายข้อ การให้เหตุผลที่ซับซ้อนพร้อมขั้นตอนแฝง

เลือก v3 สำหรับ: การแชทกับลูกค้า การรีวิวโค้ด การเขียนใหม่ การสรุป และวงจรการทำซ้ำที่รวดเร็ว

กฎทอง: อย่าเขียน Prompt ที่ซับซ้อนเกินไปสำหรับโมเดลการให้เหตุผล

โมเดลการให้เหตุผล เช่น R1 ทำการพิจารณาภายในอยู่แล้ว การบังคับ Chain-of-Thought (“คิดทีละขั้นตอนและแสดงเหตุผลของคุณ”) มักจะเพิ่มความเยิ่นเย้อ อาจรบกวนโมเดล และในบางสถานการณ์อาจไม่ได้รับการสนับสนุน ให้ใช้:

“ให้คำตอบสุดท้ายและคำอธิบายสั้นๆ”

“ให้คำตอบ จากนั้นระบุปัจจัยสำคัญ 3 ประการที่นำคุณไปสู่คำตอบนั้น”

“ส่งคืนเฉพาะผลลัพธ์พร้อมเหตุผลประกอบ 2 ประโยค”

สิ่งนี้สอดคล้องกับคำแนะนำที่ว่า Prompt ที่เรียบง่ายแบบ Zero-Shot สามารถมีประสิทธิภาพเทียบเท่า หรือดีกว่า คำแนะนำทีละขั้นตอนที่ซับซ้อนสำหรับ R1

รูปแบบการเขียน Prompt ที่ได้ผล

1) Zero-Shot, Minimalist (ลองใช้เป็นครั้งแรกสำหรับ R1; เหมาะสำหรับ v3 ด้วย)

เป้าหมาย: แก้ปัญหาที่ไม่สำคัญโดยมีข้อจำกัดน้อยที่สุด

เทมเพลต Prompt:

คุณเป็นนักแก้ปัญหาที่รอบคอบ
คำถาม: {task}
คำแนะนำ: ให้คำตอบสุดท้ายและเหตุผลที่กระชับ (สูงสุด 3 ประโยค)

เหตุผลที่ได้ผล: สนับสนุนการให้เหตุผลภายในในขณะที่ทำให้ผลลัพธ์มีสมาธิและสั้น

2) Constrained Output (สำหรับ APIs ความน่าเชื่อถือ หรือระบบอัตโนมัติ)

ใช้เมื่อคุณต้องการรูปแบบที่คาดการณ์ได้

เทมเพลต Prompt:

System: คุณต้องส่งคืน JSON ที่ถูกต้องเท่านั้น
User: สรุปเอกสารนี้ใน 5 Bullet Point โดยมีความเสี่ยงหนึ่งอย่างและโอกาสหนึ่งอย่าง
Return JSON: {
"bullets": . หมายเหตุเกี่ยวกับข่าว/โมเดลเน้นประสิทธิภาพและขนาดของ v3 ในขณะที่ Model Card ให้บริบทเพิ่มเติม

การเลือกระหว่าง DeepSeek v3 และ R1 ตาม Use Case

แชทสนับสนุนลูกค้า: v3 เพื่อความเร็วและต้นทุน เพิ่มตัวอย่าง Few-Shot เพื่อโทนเสียงและการปฏิบัติตามนโยบาย

Analyst Briefing และ Decision Memo: R1 เพื่อการให้เหตุผลที่มีความสมบูรณ์สูงขึ้น กำหนดข้อจำกัด “เหตุผลสั้นๆ”

การรีวิวโค้ดและแผนการปรับปรุงโค้ด: v3 เหมาะอย่างยิ่งสำหรับการทำซ้ำอย่างรวดเร็ว R1 เมื่อคุณต้องการการให้เหตุผลเชิงลึกเกี่ยวกับข้อดีข้อเสีย

คณิตศาสตร์ ตรรกะ การจัดตารางเวลาพร้อมข้อจำกัด: โดยทั่วไป R1 จะโดดเด่น

ไปป์ไลน์การสรุปหรือการเขียนใหม่ขนาดใหญ่: v3 สำหรับปริมาณงาน

สำหรับบทช่วยสอนเกี่ยวกับการสร้างด้วย R1 ใน RAG Assistant โปรดดูชุมชนและบทช่วยสอนที่แสดงรูปแบบ End-to-End ตัวอย่างที่เน้นการเขียนโค้ดสำหรับ v3 และการทดลองในเครื่องผ่าน Community Stack

การจัดการเนื้อหาการให้เหตุผลอย่างปลอดภัย

อย่าขอ Chain-of-Thought แบบเต็ม หากคุณต้องการความโปร่งใส ให้ขอเหตุผลสั้นๆ หรือรายการปัจจัยสำคัญ

สำหรับโดเมนที่ละเอียดอ่อน ให้ใส่บรรทัดนโยบาย: “หากคุณไม่แน่ใจหรืองานอาจก่อให้เกิดอันตราย ให้ถามคำถามเพื่อความกระจ่างหรือปฏิเสธ”

เพิ่ม Prompt การตรวจสอบความถูกต้องสำหรับงานที่เป็นตัวเลข: “ตรวจสอบเลขคณิตอีกครั้งก่อนตอบ”

สิ่งนี้สะท้อนถึงคำแนะนำแนวทางปฏิบัติที่ดีที่สุดทั่วไปสำหรับโมเดลสไตล์ R1: การเขียน Prompt ที่น้อยที่สุด หลีกเลี่ยงการชักจูง Chain-of-Thought และพึ่งพาการให้เหตุผลภายในของโมเดล

คลัง Prompt: Snippet ที่พร้อมคัดลอก

A) การวางแผนที่ซับซ้อน (R1)

เป้าหมาย: วางแผน Beta ผลิตภัณฑ์ 6 สัปดาห์สำหรับผู้ใช้ 1,000 รายโดยมีการยกเลิกน้อยที่สุด Return:

Milestone (ทีละสัปดาห์)

ความเสี่ยงหลัก (สูงสุด 5)

การลดความเสี่ยง (หนึ่งรายการต่อความเสี่ยง) ข้อจำกัด: ให้อยู่ภายใต้ 200 คำ


### B) การแชทที่ละเอียดอ่อนต่อนโยบาย (v3)

System: คุณเป็นผู้ช่วยที่เป็นประโยชน์และปฏิบัติตามนโยบาย หากคำขอขัดแย้งกับนโยบาย ให้ถามคำถามเพื่อความกระจ่างหรือเสนอทางเลือกที่ปลอดภัย User: ร่างการตอบกลับการคืนเงินสำหรับคำสั่งซื้อที่ล่าช้า รักษาน้ำเสียงที่เห็นอกเห็นใจและเสนอสองทางเลือก


### C) คณิตศาสตร์/ตรรกะ (R1)

แก้ปัญหาต่อไปนี้ ให้คำตอบสุดท้ายและตรวจสอบ 2 ประโยค Problem: {word problem}


### D) การรีวิวโค้ด (v3)

คุณเป็นผู้รีวิว Python อาวุโส วิเคราะห์ Snippet เพื่อประสิทธิภาพและความสามารถในการอ่าน Return:

ปัญหา (แบบ Bullet)

การแก้ไข (แบบ Bullet)

ตัวอย่างการปรับปรุงโค้ด (<=30 บรรทัด)


### E) การดึงข้อมูลไปยัง JSON (v3)

System: ส่งคืน JSON ที่ถูกต้องเท่านั้น User: ดึงข้อมูลบริษัท รายได้ และสำนักงานใหญ่จากข้อความ หากไม่มี ให้ใช้ Null Schema: {"company":"string","revenue":"string|null","hq":"string|null"} Text: {paste}

การแก้ไขปัญหา: เมื่อผลลัพธ์เบี่ยงเบนหรือสร้างภาพหลอน

เยิ่นเย้อเกินไป? ลด Max Tokens หรือเพิ่ม “Max 120 words”

รูปแบบไม่สอดคล้องกัน? เพิ่ม System Prompt ที่เป็น JSON เท่านั้นและ Stop Sequence

ข้อสมมติฐานผิด? เพิ่มข้อจำกัดหนึ่งบรรทัด: “หากไม่แน่ใจ ให้ถามคำถามเพื่อความกระจ่าง 1 ข้อ”

ข้อผิดพลาดทางคณิตศาสตร์? เพิ่ม “ตรวจสอบเลขคณิตอีกครั้งก่อนตอบ”

งาน Chain ที่เปราะบาง? แบ่งออกเป็นสอง Call: วางแผน → ดำเนินการ

API Quick Start (เชิงแนวคิด)

Endpoint และการจัดการ Key เป็นไปตามอินเทอร์เฟซสไตล์ OpenAI คาดหวังฟิลด์มาตรฐาน เช่น model, messages, temperature, max_tokens และตัวเลือกการสตรีม

รายละเอียดเฉพาะของ DeepSeek v3 และการอ้างสิทธิ์ด้านประสิทธิภาพสรุปไว้ในข่าว/การอัปเดตโมเดลและ Model Card อย่างเป็นทางการ

สิ่งที่ควรทราบ: การใช้ Sider.AI สำหรับการทำซ้ำ Prompt

หากคุณกำลังสำรวจรูปแบบอย่างรวดเร็ว การทดสอบ Zero-Shot กับ Few-Shot การสลับรูปแบบ หรือการเปรียบเทียบการตอบสนองของ R1 กับ v3 ผู้ช่วยแบบ Overlay สามารถเร่งวงจรได้ อย่างไรก็ตาม Sider.AI ทำให้การร่าง การทำซ้ำ และ A/B Prompt ข้ามหน้าและเครื่องมือใน Workflow เดียวเป็นเรื่องง่าย คุณจึงสามารถเจาะจง Prompt ที่น้อยที่สุดที่เหมาะกับงานของคุณได้

ประเด็นสำคัญ

ชอบ Prompt แบบ Minimal, Zero-Shot สำหรับ DeepSeek R1 หลีกเลี่ยงคำขอ Chain-of-Thought ที่ชัดเจน

ใช้ DeepSeek v3 สำหรับการแชทที่รวดเร็วและปรับขนาดได้ และงานที่มีโครงสร้าง พึ่งพารูปแบบที่จำกัดเพื่อความน่าเชื่อถือ

เพิ่มตัวอย่าง Few-Shot เพื่อแก้ไขโหมดความล้มเหลวที่สอดคล้องกันเท่านั้น

บังคับใช้โครงสร้างด้วย JSON Schema, System Prompt สั้นๆ และ Stop Sequence

สำหรับการให้เหตุผลที่ซับซ้อน ให้ถามหาคำตอบสุดท้ายพร้อมเหตุผลประกอบสั้นๆ ไม่ใช่บันทึกการให้เหตุผลแบบเต็ม

คำถามที่พบบ่อย

Q1: ฉันควรเลือก DeepSeek R1 มากกว่า DeepSeek v3 เมื่อใด เลือก DeepSeek R1 สำหรับการให้เหตุผลแบบหลายขั้นตอน การวางแผนที่ซับซ้อน และงานคณิตศาสตร์/ตรรกะ เลือก v3 สำหรับการแชททั่วไปที่รวดเร็ว การร่าง การช่วยเหลือด้านการเขียนโค้ด และไปป์ไลน์ที่มีปริมาณงานสูง

Q2: ฉันควรใช้ Chain-of-Thought Prompting กับ DeepSeek R1 หรือไม่ ไม่ คำแนะนำแนะนำให้หลีกเลี่ยง Chain-of-Thought ที่ชัดเจนและพึ่งพาการให้เหตุผลในตัวของโมเดล ให้ถามหาคำตอบสุดท้ายพร้อมเหตุผลประกอบสั้นๆ แทน

Q3: ฉันจะรับ JSON ที่สอดคล้องกันจาก DeepSeek v3 ได้อย่างไร ใช้ System Prompt สั้นๆ ที่กำหนดให้เป็น JSON เท่านั้น กำหนด Schema ที่รัดกุม และเลือกที่จะตั้งค่า Stop Sequence ลด Temperature และจำกัด Max Tokens เพื่อจำกัดการเบี่ยงเบน

Q4: ฉันควรใช้ Temperature เท่าใดสำหรับงานการให้เหตุผล เริ่มต้นต่ำ (0.0–0.3) เพื่อความแน่นอนและการประเมิน เพิ่มเป็น 0.4–0.7 เพื่อความสมดุลของความคิดสร้างสรรค์ในการร่างหรือการเขียนโค้ด ใช้ค่าที่สูงขึ้นสำหรับการระดมความคิด

Q5: ฉันสามารถเรียกใช้โมเดล DeepSeek ในเครื่องได้หรือไม่ มีการตั้งค่าชุมชนสำหรับการทดลอง แต่การผลิตมักจะใช้ Hosted API เพื่อความเสถียรและประสิทธิภาพ ตรวจสอบ Model Card และคู่มือชุมชนสำหรับคำแนะนำในเครื่อง