DeepSeek+DeepResearch ,让科研像聊天一样简单

通过百度网盘分享的文件：AI学术工具公测版.exe

链接:https://pan.baidu.com/s/1kPrFGhpWuwB2eiGuP33Qjg?pwd=0417

目录

1. 能做什么

1.1.爬虫数据采集

1.2.撰写文章标题

1.3.中-英、英-中 

1.4.中文学术写作润色指令

1.5. 英文学术写作润色指令

1.6. 改写降重指令

1.7.参考文件格式修改

2. DeepSeek-R1

2.1.推理能力 

2.2.推理过程

2.3.推理效率

2.4.训练方法

增强知识图谱：多维解释，溯源路径

引入优化agent：复杂任务，实现自动化

认知协作：异构智能，集群协作 

---

1. 能做什么

本质：以多agent实现从数据采集到可视全流程

1.1.爬虫数据采集

prompt搭建：

你需要完成以下两个任务：
1.阅读网页【网址】源代码【对应网页源代码】。
提取所有包含“春运2025丨X月X日，全社会跨区域人员流动量完成X万人次”的网址进行去重、筛选，合并成网址列表

2.撰写python脚本，基于步骤1输出的网址列表提取所有网址内容“截至目前2025年春运（2025年1月14日到2月8日）相关数据（如日期、全社会跨区域人员流动量、铁路客运量、公路人员流动量、水路客运量、民航客运量等）”
完成数据提取并写入文件“2025春运数据.txt”

 DeepSeekR1：

能够提取所有网址并进行筛选、去重，所撰写代码，运行后完成数据爬虫任务，所获取数据准确，少量数据有所遗漏。

目前DeepSeekR1、OpenAIo3mini、Kimik1.5支持联网查询网址，Claude3.5sonnet暂不支持；

在复杂爬虫任务上，DeepSeekR1与OpenAIo3min生成的代码均能正常执行数据采集任务，o3响应速度更快，R1数据采集结果更加完整准确；

1.2.撰写文章标题

指令：我想让您担任学术期刊编辑，我将向您提供一份手稿摘要，您将向我提供5个好的研究论文英文标题，并解释为什么这个标题是好的。请将输出结果以Markdown表格的形式提供，表格有两列，标题为中文。第一列给出英文标题，第二列给出中文解释。以下文本为摘要：【指令后加上文章的摘要】。

1.3.中-英、英-中 

指令：我想让你充当一名科研类的英汉翻译，我会向你提供一种语言的一些段落，你的任务是将这些段落准确地、学术性 地翻译成另一种语言。翻译后不要重复原文提供的段落。您应使用人工智能工具（如自然语言处理）以及有关有效写作技巧 的修辞知识和经验进行回复。我会给你如下段落，请告诉我是用什么语言写的，然后翻译。我希望你能以标记表的形式给出 输出结果，其中第一列是原文，第二列是翻译后的句子，每行只给出一个句子

 

1.4.中文学术写作润色指令

指令：作为中文学术论文写作优化助手，您的任务是改进所提供文本的拼写、语法、清晰度、简洁性和整体可读性，同时分解长句，减少重复，并提供改进建议。请仅提供文本的更正版本，并附上解释。以markdown表格的形式提供输出结果，每个句子单独成行。第一列为原句，第二列为修改后的句子，第三列为中文解释。请编辑以下文本：

1.5. 英文学术写作润色指令

指令：下面是一篇学术论文中的一个段落。润色文字以符合学术风格，改进拼写、语法、清晰度、简洁性和整体可读性。必要时，重写整个句子。此外，用标记符表格列出所有修改，并解释修改原因。

1.6. 改写降重指令

这个有用，

指令：我想让你充当科研写作专家，并提供一些英文或中文段落，你的任务是用原文改写段落。你应该使用人工智能工具（如自然语言处理）、修辞知识和你在有效科学写作技巧方面的专业知识来回答。请只提供改写后的文本，不作任何解释，请用科研语气风格重写下面的文字：

1.7.参考文件格式修改

指令：我想请你担任一份研究手稿的参考文献编辑。我将为你提供五个参考文献模板，你应将其作为指南。之后，我会提供更多参考文献，你需要检查这些参考文献的格式问题，如标点符号的位置和间距。给出一个包含三列的标记表，第一列是原文，第二列是固定文本，第三列是解释，然后提供所有固定的参考文献。以下是需要修正的五个示例模板和参考文献：

 

2. DeepSeek-R1

DeepSeekR1的核心突破在于其通过强化学习驱动的推理能力。该模型在训练过程中，通过强化学习技术，显著提升模型的推理能力，使其在数学、编程和自然语言推理等任务上表现出色。

2.1.推理能力 

强化学习驱动：DeepSeekR1-Zero是首个完全基于强化学习（RL）训练的推理模型，无需任何监督微调（SFT）步骤，打破传统模型依赖大量标注数据的惯例。

推理能力专项提升：在除了利用强化学习模型结合跨领域训练提升模型综合技能以外，还重点提升了模型在数学、代码、逻辑推理等硬核 任务上的能力。

2.2.推理过程

DeepSeekR1在推理过程中采用“深度思考”模式，通过展示完整的推理路径来提高模型的可解释性和可信度。

         思维链展示：在生成答案前展示其推理过程，让用户看到模型如何分解问题并得出结论。包括模型对问题的理解、问题分解、以及逐步求解的过程。

        推理路径：通过展示推理路径，使得用户能够理解模型的推理过程。推理路径包括模型对问题的理解、问题分解、以及逐步求解的过程。！

        自我修正：在推理过程中能够自我修正，发现并修复之前的错误。这种自我修正能力使得模型在处理复杂问题时更加可靠。

2.3.推理效率

长思维链支持：DeepSeekR1支持长链推理，能够生成数万字的 思维链，显著提高复杂任务的推理准确性，其长链推理能力在数学、 编程和自然语言推理等任务中表现出色。

多模态任务处理：DeepSeekR1在多模态任务中表现出色，能够 处理复杂场景下的逻辑、公式识别及自然图像等问题，显示出其在 多模态任务中的广泛应用潜力。

2.4.训练方法

 DeepSeekR1采用了冷启动数据和多阶段训练的策略，以进一步提升模型的推理能力和可读性。

增强知识图谱：多维解释，溯源路径

 引入优化agent：复杂任务，实现自动化

认知协作：异构智能，集群协作