DeepSeek快速入門指北(醫(yī)生版)TopJournalClub

頂刊研

習

社G

ET

T

I

N

GST

A

R

T

E

DG

U

I

D

E

關于DeepseekDeepseek問世后Nature連發(fā)3篇DeepSeek文章Deepseek應用界面Deepseek提問界面Deepseek應用界面Deepseek回復結果Deepseek提問生成缺點問題一內容有些多、大、寬泛問題二追問后，服務器忙Deepseek提問界面

DeepSeek簡介

DeepSeek在醫(yī)學領域的應用場景

臨床科研的AI賦能

醫(yī)生個人品牌建設

醫(yī)學科普的AI助力

醫(yī)護人員的實用指南

風險與挑戰(zhàn)

未來展望●

頂刊研習社目錄CONCENTSDeepSeek簡介PART

01●

頂刊研習社AIGC，

即人工智能生成內容（Artificial

Intelligence

Generated

Content），是繼專業(yè)生產(chǎn)內容（PGC

，

Professional-generated

Content）、用戶生產(chǎn)內

容（UGC

，

User-generated

Content）之后的新型內容創(chuàng)作方式。AIGC從20世紀

50年代開始發(fā)展，其興起源于深度學習技術的快速突破和

日益增長的數(shù)字內容供給需求。與所有人工智能技術一樣，

AIGC

的能力由機器學習模型提供，這些模型是

基于大量數(shù)據(jù)進行預先訓練的大模型。像人類一樣去思考解決問題

AIGC（Artificial

IntelligenceGeneratedContent）AIGC04010203早期萌芽階段(1950s

-

1990s）由于技術限制，

AIGC僅限于小范圍實驗與應用。1957年出現(xiàn)首支電腦創(chuàng)作的音樂作品，弦樂四重奏《依利亞克組曲》。這一時期，高成本及難以商業(yè)化導致資本投入有限，

AIGC無較多較大成績。

AIGC的發(fā)展歷程《依利亞克組曲》/1957年

AIGC的發(fā)展歷程AI應用領域（1990-2010）沉淀累積階段(1990s

-2010s）

AIGC從實驗性轉向實用性。2006年深度學習算法取得進展，同時

GPU、

CPU等算力設備日益

精進，互聯(lián)網(wǎng)快速發(fā)展，為各類人工智能算法提供海量數(shù)據(jù)進行訓

練。2007年首部人工智能裝置完成的小說《在路上》

問世2012年微軟展示全自動同聲傳譯系統(tǒng)，主要基于

“深度神經(jīng)網(wǎng)絡”

自動將英文講話內容通過語音識別等技術生成中文。快速發(fā)展階段2010-至今,深度學習模型不斷迭代，AIGC取得突破性進展。尤其在2022年，算法獲得井噴式發(fā)展，底層技術的突破也使得AIGC商業(yè)落地成為可能。其中主要集中在AI繪畫領域：2014年6月，

生成式對抗網(wǎng)絡

(Generative

Adversarial

Network

，

GAN）被提出。2021年2月，

OpenAI推出了CLIP（Contrastive

Language-ImagePre-Training）多模態(tài)預訓練模型。2022年，擴散模型Diffusion

Model逐漸替代GAN。

AIGC的發(fā)展歷程AI繪畫（2010-至今）大語言模型（Large

Language

Model）是指基于深度學習和人工智能技術構建的具有巨大參數(shù)量和復雜結

構的自然語言處理模型。這種模型可以通過對大規(guī)模文本數(shù)據(jù)進行訓練，學習并理解自然語

言的語法、語義和上下文信息，從而生成具有逼真性和連貫性的文

本。大語言模型在各種自然語言處理任務中表現(xiàn)出色，

包括機器翻譯、

文本生成、問答系統(tǒng)等。近年來，隨著計算能力的提升和模型架構的不斷優(yōu)化，大語言模型

在人工智能領域的應用得到了廣泛關注和應用。

什么是大語言模型（largelanguagemodels)大語言模型（Large

Language

Model）

大語言模型能干什么？·工作助手·教學工具·寫論文、翻譯、潤色·

回復審稿專家·做PPT·診斷·寫病歷……大語言模型的作用醫(yī)學中大型語言模型的倫理和監(jiān)管挑戰(zhàn)內容來源：

Lancet

Digit

Health2024;6:e428–32一、基本信息記錄1.論文標題:記錄完整的論文標題。2.作者與合著者:列出所有作者及其所屬機構。3.發(fā)表期刊/會議:注明論文發(fā)表的具體期刊名稱、卷期號、頁碼，

或者會議全稱、年份及地點。4.發(fā)表時間:記錄論文的出版年份。5.DOI/URL:如果有DOI號或者網(wǎng)頁鏈接，確保記錄下來便于后期查找。二、摘要與關鍵詞1.摘要摘錄:簡要概述論文的主旨內容，包括研究的目的、方法、

主要結果和結論2.關鍵詞:列出論文中使用的關鍵詞或主題詞。三、研究背景與目的1.研究背景:記錄作者為何開展這項研究，涉及的領域現(xiàn)狀，存在的問題或空白2.研究目的:明確論文試圖解答的問題或達到的目標四、文獻綜述與理論框架1.文獻回顧:梳理作者對該領域前人研究成果的評述和引用。

2.理論依據(jù):記錄論文基于的理論、模型或假設。五、研究方法與設計1.研究方法:詳述論文所采用的研究方法和技術路線。2.數(shù)據(jù)來源與處理:記錄數(shù)據(jù)收集方式、樣本量、數(shù)據(jù)處理和分

析方法。六、研究結果與分析1.主要結果:摘錄關鍵數(shù)據(jù)、圖表及其解釋。2.結果討論:記錄作者對研究結果的解讀、比較和分析。七、結論與創(chuàng)新點1.研究結論:歸納論文得出的主要結論。2.創(chuàng)新點與貢獻:明確指距論文在理論或實踐上的創(chuàng)新之處。八、局限與建議1.研究局限:記錄作者提及的研究局限和不足之處2.未來研究方向:整理作者對未來工作的建議或展望。

大語言模型文獻閱讀提示語請你按照以下大綱分別整理這些論文

，

每整

理

完

一

篇

，

你

都

可

以

問

我

是

否

繼

續(xù)

:?EHR與

LLMs應用現(xiàn)狀：?

電子健康記錄改變醫(yī)療實踐，醫(yī)生在電腦記錄與查閱上耗

時多，引發(fā)職業(yè)倦怠等問題。?

LLMs

因能處理和生成類人文本，在醫(yī)療領域應用廣泛，從信息處理到復雜診斷推薦都有涉及，雖部分醫(yī)生認為用于

復雜任務風險高，但信息處理任務被視為低風險，

受醫(yī)生和

醫(yī)療機構關注。內容來源：

N

EnglJ

Med.2024Oct31;391(17):1561-1564.

大語言模型(LLMs)用于電子健康記錄(EHR)存在的問題?LLMs用于

EHR

的風險：?一、降低病歷信息質量，存在虛構內容風險，

影響信息準

確性，且即便無錯誤也可能降低信息價值；?二、削弱臨床推理，記錄病歷是臨床推理的重要部分，

使

用

LLMs可能破壞這一過程；?三、阻礙未來AI

模型發(fā)展，若病歷信息不準確，會影響LLMs在決策支持等方面的應用；?

四、固化

EHR現(xiàn)狀

，

EHR供應商可能僅將

LLMs用于維

持現(xiàn)有系統(tǒng)，而非創(chuàng)新改進。內容來源：

N

EnglJ

Med.2024Oct31;391(17):1561-1564.

大語言模型(LLMs)用于電子健康記錄(EHR)存在的問題5種大語言模型(LLMs)在重癥監(jiān)護問題上的評估研究這篇論文（右圖）通過對5種大語言模型（LLMs）在重癥

監(jiān)護問題上的評估研究：1.

高準確率和一致性：所有測試的LLMs在回答歐洲重癥監(jiān)護考試水平

的問題時，都展現(xiàn)出較高的準確率和一致性。在實踐考試中，

5種模

型里有4種表現(xiàn)優(yōu)于人類醫(yī)生，這表明LLMs在重癥監(jiān)護領域有潛在

的應用價值。2.

模型性能差異：

GPT-4o在準確率和一致性方面表現(xiàn)最佳，

但它也是

成本最高的模型，意味著更高的能源消耗。而GPT-4o-mini雖然準

確率比GPT-4o低10.3%，但成本極低，在平衡能源消耗和性能方面效率最高。3.

局限性與安全隱患：所有模型都存在始終給出錯誤答案的情況，

這

在重癥監(jiān)護這種高風險領域中會引發(fā)嚴重的安全問題。因此，在臨

床環(huán)境中使用LLMs之前，需要進行更全面、持續(xù)的評估，

尤其是關

注其臨床推理能力，以確保安全、合理地應用。LLMs生成可讀的

ICU住院總結對比從

ICU患者文本記錄中提取關鍵信息并生成出院總

結(ChatGPT、

GPT-4API和Llama2)

(如圖)LLMs能生成可讀的

ICU住院總結，GPT-4API表

現(xiàn)最佳，但在臨床廣泛應用前需進一步優(yōu)化，確保

準確記錄所有臨床有意義的事件。內容來源：

IntensiveCare

Med

Exp.2024Aug16;12(1):71.

幻覺的檢測：語義熵方法處理任務。但該方法不能解決

LLM

因訓練目標導致的系統(tǒng)性錯誤問題，未來可擴展到更多輸入變化場

景，為

LLM的可靠應用提供支持。F一語義熵方法能檢測出因

LLM知識缺乏導致的重要類幻覺，無需領域知識，有望應用于其他自然語言內容來源：

Nature.2024Jun;630(8017):625-630.文章：使用語義熵檢測大型語言模型中的幻覺

大語言模型在臨床決策中的不足基于

MIMIC-IV數(shù)據(jù)庫，構建了含2400例真實患者病例、4種常見腹部疾病

的

MIMIC-CDM數(shù)據(jù)集，并設計模擬臨床環(huán)境的評估框架。研究對

Llama2等多種開源

LLMs進行測試，發(fā)現(xiàn)它們在診斷準確性上顯著遜于臨床醫(yī)生，且存在不遵循診斷和治療指南、難以正確解釋實驗室結果、指令遵循能力差等問題。這表明當前

LLMs不適合自主臨床決策，研究提供的數(shù)據(jù)集和框架能為后續(xù)研究提供方向。結論：

無法準確診斷所有疾病，診斷表現(xiàn)顯著遜于醫(yī)生，

也不能遵

循診斷和治療指南，還無法解釋實驗室結果。此外，其難以融入現(xiàn)

有工作流程，因為經(jīng)常不遵循指令，對患者健康構成嚴重風險。醫(yī)療大語言模型的風險：易受有毒數(shù)據(jù)的攻擊研究結果：1.

網(wǎng)絡規(guī)模數(shù)據(jù)集包含易受攻擊的醫(yī)學信息：在ThePile數(shù)據(jù)集中，27.4%的醫(yī)學概念存在于易受數(shù)據(jù)中毒

攻擊的子集，如Common

Crawl。2.

數(shù)據(jù)中毒對模型的影響：僅用

0.001%的錯誤信息

替換訓練數(shù)據(jù)，模型生成有害內容的頻率就顯著增加；

中毒模型在基準測試中的表現(xiàn)與未中毒模型相當，

現(xiàn)有

基準測試無法檢測數(shù)據(jù)中毒。3.

知識圖譜檢測錯誤信息的性能：基于知識圖譜的防御

算法能有效檢測中毒模型生成文本中的錯誤信息，F(xiàn)1分

數(shù)達85.7%，召回率

91.9%。內容來源：

Nat

Med.2025

Feb;31(2):618-626.

CKLE架構文章提出CKLE框架，通過從大語言模型中提取跨模態(tài)知識并

學習多模態(tài)電子健康記錄，解決LLM應用于健康事件預測的

挑戰(zhàn)，在心力衰竭和高血壓預測任務上超越基線模型，且在

有限標簽數(shù)據(jù)下表現(xiàn)良好，還能挖掘重要醫(yī)學特征。CKLE架構（Contrastive

Knowledge

distillation

basedonLanguage

model

Embeddings），是一種用于健康事件預

測的框架。該框架旨在解決利用大語言模型（LLM）進行健

康事件預測時面臨的挑戰(zhàn)，有效整合

LLM知識和多模態(tài)電

子健康記錄（EHR）數(shù)據(jù)。內容來源：Sci

Rep.2024

Dec28;14(1):30675.CKLE架構?預訓練階段：利用無標簽數(shù)據(jù)（Unlabeled

data）和專有數(shù)據(jù)（Proprietary

data），通過自監(jiān)督學習（Self

-

supervisedlearning）的方式，在沒有人類參與的情況下訓練基礎模型（Base

model）。這個階段讓模型學習到通用的語言知識和模式。?微調階段：引入了人類反饋學習（Human

feedback

learning），使用特定的窄數(shù)據(jù)集（Narrow

datasets）對基礎模型進行進一步訓練，使其更適應特定的任務和領域。這個過程中有人類參與，

通過給予反饋來優(yōu)化模型，

得到微調模型（Fine

-tuned

model）。?提示學習階段：通過間接和直接提示（Indirect

and

direct

prompts），結合具有專業(yè)知識的人類參與，對微調模

型進行提示學習（Prompt

-

based

learning），最終得到增強模型（Augmented

model）。這個階段能讓模型更

好地響應各種具體的指令和問題。

大語言模型(LLMs)的訓練過程大語言模型（LLMs）的訓練過程主要包括預訓練（Pretraining）

、微調（Fine

-tuning）和提示

學習（Prompting）三個階段：內容來源：Ann

Intern

Med.2024

Feb;177(2):210-220.通用大語言模型：

圖左側區(qū)域呈現(xiàn)，

包括Claude（175B）、GPT-3（175B）、

Vicuna（13B）等。圓圈大小代表模型的參數(shù)

規(guī)模，不同顏色標識模型的研發(fā)主體，如GPT來自OpenAI。這些

模型適用于廣泛領域，但并非專為醫(yī)學定制。生物醫(yī)學大語言模型：圖右側區(qū)域呈現(xiàn)，像BioGPT-Large（1.5B）、

BioMedLM（2.7B）

等。部分模型標注了訓練數(shù)據(jù)來

源，如BioBERT基于學術論文訓練，ClinicalBERT基于電子健康記錄訓練。Flan-PALM和Med-PALM參數(shù)規(guī)模達540B，且與生物

醫(yī)學領域有所關聯(lián)

。

圖底部還用不同顏色標識了常見模型系列，

幫助直觀區(qū)分不同來源的模型。通用大語言模型和生物醫(yī)學大語言模型（General-Purpose

LLMs）

（Biomedical

LLMs）通用大語言模型（左側）/生物醫(yī)學大語言模型（右側）

內容來源：Ann

Intern

Med.2024

Feb;177(2):210-220.

人工智能

機器學習

深度學習

大語言模型

人工智能不同子領域之間的關聯(lián)內容來源：JAMASurg.2024Apr1;159(4):445-450.

大語言模型的倫理問題與局限性

05

算法偏見訓練數(shù)據(jù)可能存在種族、性別等偏

見，導致生成不準確信息，影響醫(yī)

療公平性，訓練時需考慮多因素避

免偏見。

02

知情同意美國缺乏全面的數(shù)據(jù)隱私法，在使

用AI處理患者數(shù)據(jù)時，難以保障患

者的知情權和選擇權，也難以協(xié)調

數(shù)據(jù)使用與患者撤回同意的權利。

04

學術不端增加了學術研究和教育中的抄襲、

作弊風險，破壞學術誠信，還可能

導致權力不平衡和就業(yè)問題。

03

患者安全LLMs輔助患者教育可能提供錯誤信

息，且其本身未經(jīng)

FDA批準，醫(yī)生

使用時可能面臨責任界定難題，醫(yī)

療決策過度依賴可能引發(fā)風險。

01

數(shù)據(jù)隱私使用

LLMs可能導致患者和醫(yī)生數(shù)

據(jù)泄露風險，因為電子健康記錄（EHR）數(shù)據(jù)接入和平臺數(shù)據(jù)存儲

管理存在安全隱患。內容來源：JAMASurg.2024Apr

1;159(4):445-450.臨床醫(yī)生應將大語言模型作為輔助工具，增強自身臨床推理能力，而非逐漸讓其承擔臨床責任。在使用時，醫(yī)生需作為保障環(huán)節(jié)，合理部署和監(jiān)督，并將其信息與自身臨床推理結合。醫(yī)療領域應用大語言模型需謹慎平衡，

一

方面要利用其提升醫(yī)療服務，將其納入醫(yī)學教育；

另一方面要像監(jiān)管醫(yī)療器械和藥品一樣對其進行監(jiān)督和規(guī)范，

以降低風險。

大語言模型在醫(yī)療領域的正確應用方式

大語言模型在應用中的挑戰(zhàn)收集門診護士與患者的真實對話數(shù)據(jù)開發(fā)特定地點提示工程聊天機器人SSPEC，并建立護士

-SSPEC協(xié)作模型，經(jīng)隨機對照試驗驗

證，該模型可提高患者滿意度、減少重復問答和負面情緒，為LLMs在醫(yī)院門診接待中的應用提供了有效范例。面對的挑戰(zhàn)：1.患者信任問題2.護士依賴風險3.回應安全分級4.隱私保護難題5.模型公平性考量6.應用場景局限

大型語言模型在醫(yī)學腫瘤學考試問題上的表現(xiàn)內容來源：JAMA

NetwOpen.2024Jun3;7(6):e2417641.DeepSeek：顛覆出圈，霸榜熱議DeepSeek

R1引發(fā)全球關注Meta成立四個專門研究小組來分析

DeepSeekR1的工作原理

，并基于此改進其大模型Llama。OpenAI的CEO奧特曼承認

DeepSeek的技術實力，并表示

將繼續(xù)加快自身模型的迭代。截至

1

月

30日，

DeepSeek

在

168個國家位居下載榜第一名。英偉達、微軟、亞馬遜等國際巨頭紛紛接入DeepSeek。DeepSeek發(fā)布后在1月27

日迅速登頂美國下載榜首。更多進展

…

…DeepSeek發(fā)展節(jié)點2024.12.26發(fā)布總參數(shù)達6710億的

DeepSeek-V3，

采用創(chuàng)新

MoE架構和FP8混合精度訓練，訓練成本大幅降低2025.01.20發(fā)布新一代推理模型DeepSeek-

R1，性能與OpenAI的o1正式版

持平，并開源2023.11.29推出670億參數(shù)的通用大模型DeepSeek

LLM，包括7B和

67B的base及chat版2023.11.02首個開源代碼大模型DeepSeekCoder發(fā)布2023.7DeepSeek成立性能對齊OpenAl-01正式版DeepSeek-R1在后訓練階段大規(guī)模使用了強化學習技術，在

僅有極少標注數(shù)據(jù)的情況下，極大提升了模型推理能力在數(shù)學、

代碼、自然語言推理等任務上，性能比肩OpenAlo1正式版。AI+國產(chǎn)+免費+開源+強大DeepSeek介紹DeepSeek是一家專注通用人工智能（AGI）的中

國科技公司，主攻大模型研發(fā)與應用。DeepSeek-R1是其開源的推理模型，擅長處理復

雜任務且可免費商用。降低了使用門檻。各類AI模型與deepseekr1數(shù)據(jù)對比直接面向用戶或者支持開發(fā)者提供等應用場景:智能對話·文本生成·語義理解·計算推理·代碼生成補全支持聯(lián)網(wǎng)搜索與深度思考模式支持文件上傳·能夠掃描讀取各類文件及圖片中的文字內容DeepSeek可以做什么？Deepseek

R1能力圖譜·DeepSeek功能-文本生成文本創(chuàng)作文章/故事/詩歌寫作營銷文案、廣告語生成社交媒體內容（如推文、帖子）

劇本或對話設計結構化生成表格、列表生成（如日程安排、菜譜）代碼注釋、文檔撰寫

)文本簡化(降低復雜度多語言翻譯與本地化長文本摘要(論文、報告)摘要與改寫DeepSeek功能-自然語言理解與分析

語義分析

01語義解析情感分析（評論、反饋）意圖識別（客服對話、用戶查詢）實體提?。ㄈ嗣?、地點、事件）

知識推理03知識推理邏輯問題解答（數(shù)學、常識推理）因果分析（事件關聯(lián)性）

文本分類02文本分類主題標簽生成（如新聞分類）垃圾內容檢測DeepSeek功能-編程與代碼相關代碼生成根據(jù)需求生成代碼片段（Python、JavaScript）自動補全與注釋生成技術文檔處理API文檔生成代碼庫解釋與示例生成代碼調試錯誤分析與修復建議代碼性能優(yōu)化提示SVGSVG矢量圖基礎圖形圖標簡單插圖流程圖組織框架圖Mermaid圖表流程圖時序圖類圖狀態(tài)圖實體關系圖思維導圖React圖表折線圖柱狀圖餅圖散點圖雷達圖組合圖表DeepSeek功能-常規(guī)繪圖DeepSeek-創(chuàng)新推動領域DeepSeek

R1將通過強化學習和多模態(tài)融合等技術手段，進一步提升推理能力、優(yōu)化語言理解和生成效果，

并拓展在復雜任務中的應用邊界；同時，將深耕垂直領域，如教育、金融、醫(yī)療等，

為不同領域提供更精準、高效的解決方案。技術創(chuàng)新

推動通過自動合成訓練數(shù)據(jù)，持續(xù)迭

代模型能力。這將使其能夠更好

地適應不同垂直領域不斷變化的需求，提升在各領域的應用效果。與機器人等硬件深度融合，實現(xiàn)物理世界的智能交互。這將拓展其在工業(yè)制造、物流配送等

領域的應用。DeepSeek未來可能會在多模態(tài)

融合方面進一步探索，將自然語

言處理、計算機視覺等技術更深度地結合。自進化系統(tǒng)構建具身智能探索多模態(tài)融合

。金融領域未來，

DeepSeek可能會進一步拓展到金融風險防控、智能投顧、金融產(chǎn)品創(chuàng)新等領域，通過深度分析金融市場數(shù)據(jù)和用戶行為數(shù)據(jù)，為金融機構提供更全面、精準的決策支持。法律領域DeepSeek在法律文書處理方面已經(jīng)具備一定的能力。未來，其有望進一步拓展到法律

咨詢、案件預測、法律知識圖譜構建等領域，為法律專業(yè)人士和普通用戶提供更便捷、高

效的法律服務。DeepSeek-垂直深耕領域教育領域DeepSeek已經(jīng)在醫(yī)療輔助診斷方面有所應用，未來有望進一步深化，如通過流程優(yōu)化，提高診斷的準確性和效率。通過與醫(yī)療設備的結合，實現(xiàn)更精準的醫(yī)學影像分析和疾病預測。醫(yī)療領域DeepSeek已經(jīng)在醫(yī)療輔助診斷方面有所應用，未來有望進一步深化，如通過流程優(yōu)化，提高診斷的準確性和效率。通過與醫(yī)療設備的結合，實現(xiàn)更精準的醫(yī)學影像分析和疾病預測。工業(yè)領域DeepSeek在工業(yè)質檢智能化方面已經(jīng)取得顯著成效。未來，其可能會進一步拓展到工業(yè)生產(chǎn)流程優(yōu)化、設備故障預測與維護、供應鏈管理等領域，提供更高效05040302的工業(yè)生產(chǎn)和運營的解決方案。01特性/模型DeepSeekOpenAIGPT-4GoogleGeminiAnthropicClaude語言理解與生成在中文語境下表現(xiàn)優(yōu)于GPT-4，生成文本更符合中文表達習慣英文任務表現(xiàn)優(yōu)異，但中文任務偶爾出現(xiàn)語義偏差多模態(tài)任務表現(xiàn)突出，生成內容安全性高，但靈活性和創(chuàng)造力稍顯不足純文本生成稍遜推理與邏輯能力在數(shù)學和邏輯推理任務中表現(xiàn)出色，超越GPT-4推理能力強，但偶爾出現(xiàn)

“幻覺”問題多模態(tài)推理任務表現(xiàn)優(yōu)異，純文本推理稍顯不足推理任務表現(xiàn)中規(guī)中矩，生成內容更加謹慎計算效率與資源消耗計算效率高，適合資源有限的環(huán)境模型規(guī)模大，計算資源需求

高，部署成本高模型規(guī)模大，計算資源

需求高計算效率較好，但生成速度略慢應用場景智能客服、內容創(chuàng)作、教育輔助、數(shù)據(jù)分析等，高效且靈活，支持多種語言內容創(chuàng)作、代碼生成、學術

研究等，部署成本高多模態(tài)任務（如圖像描述、視頻分析），適合多媒體應用法律咨詢、醫(yī)療輔助等高安全

要求場景用戶體驗界面簡潔易用，支持多種語言和定制化功能，響應速度快功能豐富，但響應速度較慢界面注重多模態(tài)交互，

純文本任務稍遜界面簡潔，但生成速度慢DeepSeek和其他模型比較-性能優(yōu)勢DeepSeek和其他模型比較-精度優(yōu)勢該項測試包括3000多個多項選擇題和簡答題，

涵蓋了從語言學到火箭科學、古典文學到生態(tài)學的100多個學科。數(shù)據(jù)來源：

/index/introducing-deep-research26.6%人類終極考試，準確率突破Deepseek與其他模型精度比較輸出結果的可靠性DeepSeek的輸出結果可能存在一定的誤差和不準確之處，尤其是在處理復雜問題和需要專業(yè)知識的領域時，其回答可能需要進一步

驗證和核實。聯(lián)網(wǎng)搜索的局限性DeepSeek的聯(lián)網(wǎng)搜索功能雖然能夠獲取最新信息，但其搜索結果的準確性和可靠性可能受到搜索引擎和網(wǎng)絡環(huán)境的影響，有時可能會出現(xiàn)搜索結果不準確或不相關的情況。對用戶提問的要求較高為了獲得準確和有用的回答，用戶需要掌握一定的提問技巧，明確表達自己的需求和目的，否則可能會導致DeepSeek無法準確理解問題，從而給出不符合要求的回答?？赡艽嬖诘乃惴ㄆ頓eepSeek的算法可能存在一定的偏差，這可能導致其在處理某些問題時存在不公平或不準確的情況，尤其是在涉及社會、文化等領域的敏感問題時，需要特別注意其輸出結果的公正性和客觀性。數(shù)據(jù)隱私和安全問題DeepSeek在處理用戶數(shù)據(jù)時可能存在隱私泄露的風險，尤其是在聯(lián)網(wǎng)搜索和知識庫構建過程中，用戶的敏感信息可能會被暴露。因此，用戶需要謹慎處理數(shù)據(jù)，避免上傳敏感信息，并查

看服務條款以確保數(shù)據(jù)的安全。知識庫構建的難度構建知識庫需要一定的技術知識和操作步驟，對于一些非技術用戶來說可能存在一定的難度，同時，知識庫的更新和維護也需要一定的精力和時間對復雜問題的理解能力有限盡管DeepSeek在處理多步驟任務和復雜問題方面表現(xiàn)出色，但

在面對一些高度復雜、需要深度專業(yè)知識和經(jīng)驗的問題時，其理解能力可能仍然有限，無法完全達到人類專家的水平。DeepSeek存在的缺點5764123

如何使用DeepSeek？http://chat.應用倉庫直接下載A秘塔AI、納米AI等本地配置部署S網(wǎng)頁版T手機APPR第三方MAI助手Cherry

Studio文本生成、創(chuàng)意寫作、多輪對話、開放

性問答需要嚴格邏輯鏈的任務(如數(shù)學證明)擅長多樣性高的任務通用場景更靈活，但專項任務需依賴提示

語補償能力數(shù)學推導、邏輯分析、代碼生成、復雜問題拆解發(fā)散性任務(如詩歌創(chuàng)作)專精于邏輯密度高的任務并非全面更強，僅在其訓練目標領域

顯著優(yōu)于通用模型

推理模型與通用模型優(yōu)劣對比DeepSeek-R1

，GPT-o3推理模型通用模型GPT-3、GPT-4（OpenAI）劣勢領域性能本質優(yōu)勢領域強弱判斷

CoT鏈式思維CoT鏈式思維的出現(xiàn)將大模型分為了兩類了解它們的差異有助于根據(jù)任務需求選擇合適的模型，實現(xiàn)最佳效果。通過推理解決

復雜的問題概率預測（快速反應）模型

CoT鏈式思維

鏈式推理（慢速思考）模型適合快速反饋處理即時任務

概率預測與鏈式推理優(yōu)劣對比概率預測與鏈式推理優(yōu)劣對比圖通用模型推理模型簡潔需顯式引導推理步驟（如通過CoT提示），

否則

可能跳過關鍵邏輯提示語更簡潔，只需明確任務目標和需求（因其已內

化推理邏輯）步驟依賴提示語補償能力短板（如要求分步思考、提

供示例）無需逐步指導，模型自動生成結構化推理過程（若強

行拆解步驟，反而可能限制其能力）

推理模型與通用模型的區(qū)別推理模型與通用模型的區(qū)別Deepseek

應用功能Deepseek應用功能文本生成自然語言理解與分析編程與代碼相關常規(guī)繪圖網(wǎng)頁鏈接：

https://名稱標號模型類別特征任務特點基礎模型V3通用模型高效便捷、

大多數(shù)任務規(guī)范性深度思考R1推理模型復雜推理和深度分析任務

，

如數(shù)理邏輯推理和編

程代碼開放性聯(lián)網(wǎng)搜索RAG檢索增強知識庫更新2024.07DeepSeek三種模式的適配性過程驅動VS結果驅動聰明聽話VS沒那么聽話DeepSeek三種模式的適配性DeepSeek完整訓練過程DeepSeek完整訓練過程

——郭震是擁有超級助理團隊？

還是靠眼神？No！學會使用Prompt

Engineering基本技巧即可！提示語基本技巧?

從簡單開始?指令?

具體性?

避免不精確性可參考提示工程指南網(wǎng)站：

https://www.promptingguide.ai/zh

使用超級助理團的秘訣-咒語（PromptEngineering）提示語的官方文檔靈感:https://api-docs.deepseek.com/zh-cn/prompt-library/Deepseek提示庫

提示語官方文檔

提示語設計框架-RTGO（Role-Task-Goal-Objective）RTGO（Role-Task-Goal-Objective）是一種簡單高效的提示語設計框架，適用于大多數(shù)場景：Task任務具體描述任務內容

包含背景信息和明確要求示例：分析近三年心臟病學研究的增長趨勢，

并提供圖表支持。明確期望達成的效果設定可衡量的成功標準示例：生成一份包含關鍵數(shù)據(jù)和趨勢解讀的報告。Goal目標提出詳細的格式和內容規(guī)范Objective操作

要求定義AI的專業(yè)角色示例：經(jīng)驗豐富的心內科醫(yī)生、國際頂級期刊編輯等。示例：報告需包含不少于3張圖表，使用專業(yè)術語，語言風格正式。Role角色RTGODeepSeek提問法則明確需求Definerequirements提供背景Provide

background指定格式Designatedformat控制長度Control

length02

企業(yè)級部署私有化部署：企業(yè)級部署注重安全性、高性能和自主可控。支持

多機分布式推理，可運行超大規(guī)模模型國產(chǎn)硬件適配：

DeepSeek已適配包括昇騰、海光、摩爾線程等在內的國產(chǎn)GPU，支持在國產(chǎn)硬件上實現(xiàn)自主可控的私有化部署。

高并發(fā)與低延遲：在高并發(fā)場景下，火山引擎等平臺通過優(yōu)化推理引擎，支持高達500萬TPM的并發(fā)量，并將延遲降低至30ms。01

本地部署本地部署：適合個人開發(fā)者和小團隊，通過工具如Ollama或GPUStack實現(xiàn)單機部署。GPUStack支持一鍵安裝部署，兼容Linux、macOS和Windows全平臺，并支持多種硬件資

源。桌面端應用：通過桌面端工具快速部署，支持多

模態(tài)模型、圖像生成模型、語音模型等03

云平臺部署通過云平臺（如火山引擎）部

署，支持大規(guī)模并發(fā)請求，并

提供實時聯(lián)網(wǎng)內容支持DeepSeek的部署DeepSeek提供了多種靈活的部署方式，包括本地部署、企業(yè)級私有化部署以及云部署等，以滿足不同用戶的需求。01首先打開ollama官網(wǎng):02下載，

一步步安裝即可。CMD命令窗口運行，啟動deepseek-r1模型：ollama

run

deepseek-r1:7b根據(jù)自己顯卡大小

，選擇對應

的參數(shù)規(guī)模DeepSeek的部署-本地部署03DeepSeek的部署-本地部署在本地部署和聯(lián)網(wǎng)搜索的基礎上，通過運行以下命令下載文本嵌入模型：ollama

pull

nomic-embed-text

然后在設置中選擇文本嵌入模型，并保

存。接著在左側菜單中選擇“管理知

識”，添加本地資料并提交，完成知識庫的搭建。在本地部署的基礎上，通過安裝PageAssist插件實現(xiàn)聯(lián)網(wǎng)搜索功能。安裝完成后，在設置中選擇合適的搜索引擎，

并調整搜索結果的數(shù)量，最后在聊天框下方

打開“搜索互聯(lián)網(wǎng)”開關即可。聯(lián)網(wǎng)搜索功能配置知識庫搭建

DeepSeek-建立知識庫https://cherry-ai.com/

DeepSeek-建立知識庫秘塔AI

DeepSeek-幻覺類型幻覺類型：·可解釋性

·計算成本

·數(shù)據(jù)偏見

·實時更新

·數(shù)據(jù)安全

·個人隱私

·惡意輸出DeepSeek在醫(yī)學領域的

應用場景PART

02●

頂刊研習社身份描述：

心血管內科醫(yī)生場景：

患者為65歲男性，有高血壓病史，近期因心悸、頭暈就診。

心電圖顯示頻發(fā)室性早搏，偶有短陣室速，

動態(tài)心電圖提示24小

時室性早搏1

500次。目前患者在門診等待進一步評估。任務目標：請評估該患者心律失常的病情嚴重程度，并制定后續(xù)

治療方案，包括藥物治療和可能的介入治療建議。約束條件：

輸出內容需包含病情評估、治療方案及預后提示，語

言風格需專業(yè)且簡潔，適合門診醫(yī)生快速參考。

DeepSeek-臨床應用場景不同科室的醫(yī)生可以根據(jù)自己的需求，用簡單明了的方式輸入指令：

身份描述（是哪個科室的）+場景表述

（現(xiàn)在遇到什么情況）+任務目標（希望DeepSeek幫我完成什么任務）+約束條件舉例：心血管內科（有沒有特別的要求，選填）身份描述：骨科醫(yī)生場景：

患者為70歲女性，因股骨頭壞死行全髖關

節(jié)置換術，術后第3天?；颊吣壳霸诓》?，需要康

復指導。任務目標：請?zhí)峁┬g后康復訓練計劃，包括關節(jié)活

動度訓練、負重指導等，并說明康復過程中的注意

事項。約束條件：輸出內容需包含康復訓練計劃及注意事

項，語言風格需簡潔明了，適合病房護士和患者家屬參考。身份描述：

檢驗科醫(yī)生場景：

患者為40歲男性，體檢發(fā)現(xiàn)白細胞12×10?/L，

中性粒細胞百分比80%，血紅蛋白100g/L，血小板

200×10?/L?；颊吣壳霸陂T診，需要進一步檢查。任務目標：

請分析血常規(guī)異常結果的可能原因，并

建議進一步檢查項目，以明確病因。約束條件：

輸出內容需包含可能病因分析及后續(xù)檢

查建議，語言風格需專業(yè)且簡潔，適合門診醫(yī)生參

考。

DeepSeek-臨床應用場景舉例：檢驗科舉例：骨科在使用DeepSeek生成病歷時，

一是輸入主訴要盡量詳細

，

包括癥狀、

持續(xù)時間、

伴隨癥狀等

，

這樣能生成更準確的病歷框架

。

比如

，

詳細主訴應為

“患者女

，

48歲

，

突發(fā)劇烈頭痛30分鐘

，

伴惡心、

嘔吐

，

既

往有高血壓病史

”

，

而不是簡單說

“患者女

，

48歲

，

頭痛

”。

二是使用優(yōu)化指令

，

明確告訴DeepSeek輸出結果需要包含哪

些內容

，

比如

“生成包含鑒別診斷的病歷模板

，

重點突出神

經(jīng)系統(tǒng)檢查和影像學檢查

”

，

而不是簡單說

“

生成病歷模

板”

，這樣輸出的病歷模板會更符合實際需求。

DeepSeek-病例助手F身份描述：

醫(yī)學研究者場景：

我正在進行一項關于心血管疾病患者預后因素的研究，已

經(jīng)收集了患者的臨床數(shù)據(jù)（包括年齡、性別、血壓、血脂等指標）

并存儲在Excel表格中。任務目標：

請DeepSeek對這些數(shù)據(jù)進行清洗，糾正明顯的錯誤

數(shù)據(jù)（如年齡異常值），計算各項指標的平均值、中位數(shù)和標準

差，并生成柱狀圖展示不同性別患者的平均血壓差異。約束條件：

輸出結果需包含數(shù)據(jù)清洗后的表格、統(tǒng)計分析結果和

可視化圖表，語言風格需簡潔明了，適合科研人員快速查看。

DeepSeek-科研利器1.科研數(shù)據(jù)分析身份描述：

醫(yī)學博士研究生場景：

我正在撰寫關于阿爾茨海默病早期診斷的綜述論文，已經(jīng)

收集了大量相關文獻（包括PDF和Word格式）

。任務目標：

請DeepSeek提取這些文獻中的核心要點，

包括研究

背景、方法、主要結果和結論，并為每篇文獻生成簡短的摘要。

同時，將所有文獻的核心內容整理成一個Word文檔，方便我進

一步分析和引用。約束條件：

輸出內容需包含文獻摘要和核心要點，

語言風格需專

業(yè)且簡潔，適合學術寫作。

DeepSeek-科研利器2.文獻整理身份描述：

臨床醫(yī)學研究者場景：

我剛剛完成了一篇關于新型糖尿病治療方法的研究論文，

初稿是用中文撰寫的。任務目標：

請DeepSeek將我的論文中文初稿翻譯成英文，并潤

色成符合SCI期刊要求的學術語言。特別關注以下幾個方面：將

實驗步驟改寫為學術被動語態(tài)，優(yōu)化論文結構，確保語言流暢，

術語一致，并提供可能的引用建議。約束條件：

輸出內容需包含潤色后的英文摘要和正文。

DeepSeek-科研利器3.論文潤色

DeepSeek-醫(yī)學科普新機遇近年來，國家大力倡導醫(yī)學科普工作，旨在提升公眾的健康素養(yǎng)和疾病預防意識。然而，醫(yī)學科普的開展面臨諸多挑戰(zhàn)。

一方面，醫(yī)學知識的專業(yè)性強，涉及領域廣泛且更新速度快，

普通人難以全面掌握。另一方面，

一些科普內容語言風格晦澀，甚至直接摘抄自古代藥典，解釋與轉譯不到位，導致公眾理解困難。此外，部分醫(yī)學科普與廣告營

銷界限模糊，可能挑戰(zhàn)科普的專業(yè)權威性。針對這些挑戰(zhàn)，

DeepSeek的出現(xiàn)為醫(yī)學科普帶來了新的機遇。為了讓科普內容更具生動性和說服力，

DeepSeek可以生成相關的案例。比如在講解“糖尿病的危害”時，可以結合自己的臨床經(jīng)驗讓DeepSeek生成“一位糖尿病患者因血糖控制不佳引發(fā)并發(fā)癥”的具體案例。案例中可以詳細描述患者的生活習慣（如高糖飲食、缺

乏運動等）、癥狀表現(xiàn)（如多飲、多尿、視力下降等）以及治療過程（如胰島素注射、血

糖監(jiān)測、飲食調整等）。通過真實的案例，大眾能夠更直觀地感受到糖尿病的危害，從而

增強科普內容的可信度和吸引力。

DeepSeek-醫(yī)學科普新機遇醫(yī)學知識的專業(yè)性常常讓人望而卻步。但通過DeepSeek，我們可以將這些復雜知識轉化為通俗易懂的語言。例如，當需要向大眾科普“血糖是如何調節(jié)的”時，可以向DeepSeek輸入“用適合理解的語言，解釋人體血糖是如何保持平衡的”。經(jīng)過轉化后的內容，可以用簡單有趣的語言向大眾科普。復雜知識簡化案例生成在社交媒體或線上平臺進行健康科普時，實時互動是增強科普效果的重要方式。借助DeepSeek，可以實時回答觀眾的問題。對于一些常見問題，如“過敏了怎么辦”等，DeepSeek可以快速給出準確且通俗的答案。例如，

它可以解釋說：“過敏是因為身體對某些物質（如花粉、灰塵等）產(chǎn)生了過度反應。如果過敏了，首先要遠離過敏原，然后可以服用抗過敏藥物，比如氯雷他定，但最好在醫(yī)生指導下使用?！贬t(yī)生再結合實際情況進行補充和完善，這樣既能保證答案的準確性，又能滿足大眾的即時需求。

DeepSeek-醫(yī)學科普新機遇不同人群對健康知識的需求各有不同。利用DeepSeek可以根據(jù)人群的特點，如年齡、性別、職業(yè)等，提供個性化的科普內容。例如，為學生群體提供“如何預防近視”的知識，

包括正確的用眼姿勢、定時休息眼睛、多吃富含維生素A的食物等；為孕婦提供“孕期營

養(yǎng)與保健”的知識，如合理搭配飲食、定期產(chǎn)檢、避免接觸有害物質等。這種針對性的健康知識，能夠更好地滿足不同人群的實際需求，提高科普的有效性和實用性。個性化科普在線答疑

DeepSeek-醫(yī)療知識檢索我們還可以把DeepSeek當做檢索助手，

DeepSeek能夠快速檢索最新的醫(yī)學文獻和臨床指南，并提供精準的解讀和分析。DeepSeek提供了基礎模型（V3）

、深度思考（R1）

和聯(lián)網(wǎng)搜索三種模式以滿足不同需求?；A模型（V3）自2024年12月升級后

性能大幅提升，知識更新至2024年7月，能夠快速回答日常百科類問

題；深度思考（R1）作為深度推理模型，知識更新至2025年1月20日，

擅長解決復雜推理和深度思考問題；聯(lián)網(wǎng)搜索則基于RAG技術，結合

互聯(lián)網(wǎng)實時搜索結果，能夠回答任何時間的問題。

DeepSeek-快速檢索最新醫(yī)學文獻和臨床指南使用關鍵詞組合進行檢索，可以幫助DeepSeek快速定位到最相關的文獻和指南。例如：

輸入“2024年美國臨床腫瘤學會（ASCO）指南，乳腺癌，HER2陽性，治療方案”，DeepSeek可以快速提供最新的乳腺癌

治療指南中關于HER2陽性患者的治療建議，

包括靶向治療藥物、

化療方案和手術時機等。指南解讀，包括最新的診斷標準、治療建議和臨床實踐要點。這種功能對于醫(yī)生在日常工作中快速了解最新的醫(yī)學進展至關重要。人士提供權威的參考。例如：

輸入“2024年歐洲心臟病學會（ESC）高血壓指南更新要點”，

DeepSeek可以立即提供詳細的DeepSeek能夠迅速獲取最新的醫(yī)學文獻和臨床指南，為醫(yī)學專業(yè)使用技巧臨床科研的

AI賦能PART

03●

頂刊研習社加速藥物研發(fā)：從“十年磨一劍”到“精準狙擊”傳統(tǒng)藥物研發(fā)耗時長、成本高，而DeepSeek通過自然語言處

理（NLP）技術，能快速解析海量文獻與患者數(shù)據(jù)，

優(yōu)化臨床

試驗設計。例如：精準匹配受試者：通過分析電子健康記錄（EHR），

AI可篩選出符合入組標準的

患者，縮短試驗周期。預測藥物反應：結合基因組數(shù)據(jù)，模型可預測癌癥患者對特定化療方案的敏

感性，減少試錯成本。虛擬藥物篩選：類似AlphaFold的蛋白質結構預測技術，

DeepSeek或可加速

靶點發(fā)現(xiàn)，推動類似“AI設計新藥”的突破。

機遇篇：

DeepSeek如何為醫(yī)學科研按下“快進鍵”？提升臨床決策：從“經(jīng)驗依賴”到“數(shù)據(jù)驅動”醫(yī)生日常工作中，

DeepSeek已展現(xiàn)強大輔助能力：智能病歷助手：將病歷撰寫時間從30分鐘壓縮至10分鐘，結構化模板自動生

成主訴、診斷依據(jù)等關鍵信息。個性化診療方案：輸入患者基本信息，

AI可生成定制化健康指導（如飲食、運

動方案），提高患者依從性。多模態(tài)診斷支持：DeepSeek開源模型可融合CT影像、病理切片等數(shù)據(jù)，

未來

或實現(xiàn)“全維度病情分析”。

機遇篇：

DeepSeek如何為醫(yī)學科研按下“快進鍵”？優(yōu)化資源管理：破解“醫(yī)療資源不均衡”難題流行病預警：通過分析社交媒體與醫(yī)療報告數(shù)據(jù)，AI可提前預測傳染病

暴發(fā)趨勢（如流感、

COVID-19）

，輔助制定防控策略。動態(tài)資源調度：預測各地區(qū)藥品需求、急診負荷，優(yōu)化三甲醫(yī)院床位分配，

緩解“看病難”問題。

機遇篇：

DeepSeek如何為醫(yī)學科研按下“快進鍵”？推動科研范式轉型：從“單點突破”到“全局智F能”文獻綜述革命：研究者借助DeepSeek，可在3天內完成原本需數(shù)周的文獻梳

理，快速定位研究熱點。跨學科知識整合：模型通過醫(yī)學、生物學、化學等多領域數(shù)據(jù)訓練，

助力突破

學科壁壘，例如探索基因突變與疾病表型的復雜關聯(lián)。

機遇篇：

DeepSeek如何為醫(yī)學科研按下“快進鍵”？數(shù)據(jù)隱私與合規(guī)性：在“效率”與“安全”間走鋼絲醫(yī)療數(shù)據(jù)涉及敏感個人信息，需嚴格遵守《個人信息保護法》

與《數(shù)據(jù)安全法》

。例如：數(shù)據(jù)脫敏難題：如何在不損失信息價值的前提下，實現(xiàn)患者身份匿名化？跨境數(shù)據(jù)流動：國際合作研究中，需平衡數(shù)據(jù)共享與本地化存儲的沖突。

機遇篇：

DeepSeek如何為醫(yī)學科研按下“快進鍵”？模型可解釋性：打破“黑箱”困局醫(yī)生日常工作中，

DeepSeek已展現(xiàn)強大輔助能力：智能病歷助手：將病歷撰寫時間從30分鐘壓縮至10分鐘，

結構化模板自動生

成主訴、診斷依據(jù)等關鍵信息。個性化診療方案：輸入患者基本信息，

AI可生成定制化健康指導（如飲食、運

動方案），提高患者依從性。多模態(tài)診斷支持：DeepSeek開源模型可融合CT影像、病理切片等數(shù)據(jù)，

未來

或實現(xiàn)“全維度病情分析”。

機遇篇：

DeepSeek如何為醫(yī)學科研按下“快進鍵”？

挑戰(zhàn)篇：

DeepSeek背后的“未解之謎”跨學科協(xié)作壁壘：技術與醫(yī)學的“雙向奔赴”流行病預警：通過分析社交媒體與醫(yī)療報告數(shù)據(jù)，AI可提前預測傳染病暴發(fā)趨勢（如流感、

COVID-19），

輔助制定防控策略。動態(tài)資源調度：預測各地區(qū)藥品需求、急診負荷，優(yōu)化三甲醫(yī)院床位分配，緩解“看病難”問題。

挑戰(zhàn)篇：

DeepSeek背后的“未解之謎”

臨床驗證與政策適配：

從“實驗室”到“手術臺”的最后一公里流行病預警：通過分析社交媒體與醫(yī)療報告數(shù)據(jù)，AI可提前預測傳染病暴發(fā)

趨勢（如流感、

COVID-19），輔助制定防控策略。動態(tài)資源調度：預測各地區(qū)藥品需求、急診負荷，優(yōu)化三甲醫(yī)院床位分配，緩

解“看病難”問題。F

未來展望：技術與生態(tài)的“雙重進化”技術迭代方向多模態(tài)融合：整合文本、影像、基因組數(shù)據(jù)，

構建“立體化”醫(yī)療知識圖譜。動態(tài)知識更新：建立實時學習機制，同步醫(yī)學前沿進展（如新藥上市、診療指南更新）。生態(tài)共建路徑產(chǎn)學研合作：DeepSeek需與藥企（如恒瑞醫(yī)藥）、頂級醫(yī)院（如協(xié)和醫(yī)院）共建數(shù)據(jù)平臺，打通研發(fā)-臨床閉環(huán)。開源社區(qū)賦能：通過開源模型，吸引開發(fā)者共建醫(yī)療AI工具生態(tài)。

實戰(zhàn)手冊：三大場景全程拆解-從0到1的課題孵化系統(tǒng)智能選題引擎輸入指令：「基于本院肝膽外科現(xiàn)有病例庫，

請生成5個符合以下條件的RCT研究課題：

創(chuàng)新性≥3分（參照JAMA評分標準）； 樣本量需求＜200例；附帶預算測算模板」，輸出結果自動標注可行性星級

與所需倫理審查要點。場景一預判提問：

讓AI提取論文核心創(chuàng)新點與潛在缺陷。圖表解析：

自動生成實驗設計邏輯圖，標注對照

組設置盲區(qū)。批判思考：對比最新預印本研究結論，預警方法

學過時風險。文獻攻堅術使用「三階速讀法」：

實戰(zhàn)手冊：三大場景全程拆解-從0到1的課題孵化系統(tǒng)基因數(shù)據(jù)分析輸入指令：「將10萬例乳腺癌患者SNP數(shù)據(jù)與TCGA數(shù)據(jù)庫比

對，篩選突變頻率＞5%且與預后顯著相關的位點

（p＜0.01）」，5分鐘輸出可視化熱圖+統(tǒng)計學

注釋。醫(yī)學影像分析流水線DeepSeek

V3模型可本地部署（支持斷網(wǎng)運行）在CT/MRI圖像中：腫瘤體積測算誤差＜0.3mm3

,自動生成結構化報告框架。場景二

實戰(zhàn)手冊：三大場景全程拆解-從0到1的課題孵化系統(tǒng)場景三摘要生成術示例指令：「我的研究是'二甲雙胍對結直腸癌肝轉移患者的

免疫調節(jié)作用'

，請按JCO格式撰寫摘要，突出生存期改善數(shù)據(jù)（HR=0.67），限制在250詞以內」；AI輸出直接滿足期刊語言風格要求。動態(tài)降重策略使用「學術化改寫+同義庫替換+句式重組」三級

體系，查重率從38%降至7.2%，

且保證學術邏輯

連貫性。01模塊1：知識庫定制構建科室專屬數(shù)據(jù)庫：上傳歷年病例、指南、會議PPT，

實現(xiàn)「@肝癌診療方案調取2024版CSCO推

薦用藥」秒級響應，自動監(jiān)測知識庫時

效性，推送最新臨床證據(jù)更新。02模塊2：跨學科協(xié)作網(wǎng)絡輸入：「將本研究方案翻譯為FDA申報要求的CTD格式

，

重點標注藥代動力學數(shù)據(jù)」，AI自動適配監(jiān)管語言體系03模塊3：職業(yè)發(fā)展加速器科研競爭力分析：輸入個人成果清單，

DeepSeek生成「目標院校人才引進匹配度報告」，標注影響因子缺口與補強策略。

高階應用：打造個人科研操作系統(tǒng)

風險防控：AI時代的科研倫理守則數(shù)據(jù)安全紅線敏感數(shù)據(jù)必須脫敏處理（如「某三甲醫(yī)院2015-2020年肺癌病例」代替真實名稱），

禁用AI直接處理涉及患者隱私的原始數(shù)據(jù)。學術原創(chuàng)性保衛(wèi)戰(zhàn)嚴格核查AI生成內容的事實準確性（如藥物機制描述需對照UpToDate），重要結論必須經(jīng)過人工臨床驗證。

大語言模型在科研和寫作中的作用數(shù)據(jù)分析-從LLM獲取分析想法和代

碼片段-使用具有代碼執(zhí)行功能的LLMS生成數(shù)據(jù)可視化編輯和完成-使用

LLM評論模擬同行評

審-生成標題、摘要、關鍵詞

候選-使用LLM輔助撰寫求職信

草稿文獻搜索-使用基于LLM的工具搜索

相關論文-使用與PDF文件連接的LLM

機器人理解論文-基于參考文獻生成研究計

劃大綱撰寫文章-使用LLM的提綱結構-將LLM內容與個人筆記結

合-撰寫初稿，迭代改進，使

用LLM反饋韓國生理藥理學雜志KoreanJ

Physiol

Pharmacol2024;28(5):393-401

輔助建立系統(tǒng)評價中的PICO檢索式01ChatGPT-3.5和ChatGPT-4被用于在正畸領域生成基于pico的搜索查詢，展示了它們幫助系統(tǒng)審查過程的能力。

生成參考文獻的“幻覺”02使用ChatGPT-3.5生成50個醫(yī)學研究主題，并為每個主題創(chuàng)建研究方案，參考文獻的準確率為84%。

輔助文獻計量分析此外，ChatGPT-4被用于分析歐洲復蘇委員會會議上發(fā)表的2491篇摘要，突出了其在學術摘要文獻計量分析方面的能力及其對學術寫作和出版的潛在影響0304ChatGPT-3.5展示了從臨床試驗關鍵字和數(shù)據(jù)表生成高質量摘要的能力，顯示出令人印象深刻的準確性和微小的錯誤。

生成摘要提示語：撰寫一篇250字的關于兒童足底筋膜炎的摘要，

包括標題、

引言、方法、結果和討論部分，使用以下數(shù)據(jù)。添加2篇

參考文獻。雙盲隨機對照試驗，比較口服潑尼松龍和安慰劑10天。意向性治療。安慰劑組89例，類固醇組88例。兒童年齡8

-

12歲。結果：

1、

3和6個月時足部功能恢復正常。無不

良事件。生成摘要示例，右側為示例要求翻譯

生成摘要示例

生成摘要示例AI生成結果(右側由豆包AI生成)05雖然ChatGPT-3.5可以生成的摘要很難與關節(jié)成形術領域的人類撰寫的摘要區(qū)分開來，但人類撰寫的摘要的質量明顯更好。人類與人工智能生成的關節(jié)置換術文獻:對溝通、質量和作者來源的單盲分析

生成摘要的能力

生成摘要的能力06使用ChatGPT-3.5和ChatGPT-4為隨機對照試驗撰寫摘要表明，盡管它們具有潛力，但質量并不令人滿意，這突出了生成式人工智能工具進一步開發(fā)和完善的必要性。

生成摘要的能力使用ChatGPT-3.5和ChatGPT-4為隨機對照試驗撰寫摘要表明，盡管它們具有潛力，但質量并不令人滿意，這突出了生成式人工智能工具進一步開發(fā)和完善的必要性。07?

在2023年初進行的一項研究中，研究人員為頭頸外科相關的

10個常見主題關鍵詞生成了50篇參考文獻，

發(fā)現(xiàn)生成的參考

文獻中只有10%是準確的?

然而，在一項比較多個基于llm的工具性能的研究中，ChatGPT-3.5在腎臟病參考生成方面的準確率為38%，優(yōu)于

Bing

Chat

(Microsoft

Copilot的舊版本)和谷歌Bard(谷歌Gemini的舊版本)?ChatGPT-4顯示出實質性的改進，耳鼻喉科主題的正確參考

率達到74.3%?

生成被引最多的耳鼻喉科論文全文引用的準確率在73%

~

87%之間

撰寫Case

reports?在手稿的

171個錯誤中，ChatGPT-4檢測到86個錯誤（50.3%），包括詞匯

（N

=

36）、限定詞

（N

=

27）、介詞

（N

=24）、大寫

（N

=20）

和數(shù)字（N

=

11）。

ChatGPT-4對72個

（83.7%）

錯誤進行

了適當?shù)母?，而一些錯誤檢測不佳（例如，大寫

[5%]和詞匯

[44.4%]錯誤）?有用，但不可全用。

文稿核對標題：ChatGPT-4在耳鼻

喉科-頭頸外科手稿

的校對中準確嗎？人工智能生成的評論與人類評論者有31%-39%的重疊，而人與人

之間的重疊為29%35%。一項前瞻性研究表明70%的學者發(fā)現(xiàn)人工智能評論至少部分與人類

評論一致，

20%的學者認為人工智能反饋比人類評論更有幫助。一項相對較小的研究使用了21篇研究論文，

并有2名人工審稿人和人工智

能進行審稿評論，結果表明，雖然ChatGPT-3.5和ChatGPT-4.0與被接受

的論文表現(xiàn)出良好的一致性，但它們對被拒絕的論文提供了過于積極的評

論。大語言模型可以幫助審稿人對手稿產(chǎn)生意見和評論，潛在地減少審稿人的疲勞，并簡化同行評審過程。

審稿內容來源：

Diabetes

Metab

Syndr.2（糖尿病代謝綜合征）024;18:102946.04030102大語言模型可能缺乏深入的領域知識，特別是在醫(yī)學領域，可能無法檢測到具體細節(jié)中的微小錯誤。為了減輕這些問題，在同行評審過程中，人為監(jiān)督和最終決策仍然是必不可少的。同行評議的局限性同行評議中對大語言模型的過度依賴可能導致語言壓縮和認知多樣性的減少，而認知多樣性是科學進步的重要因素。.0203

給研究者的建議為了確保在醫(yī)學寫作中負責任地使用大語言模型，

研究人員應優(yōu)先驗證法學碩士生成內容的準確性和可靠性。最近

一項關于最先進的LLM-GPT-4V的研究強調了這一領域的挑戰(zhàn)，雖然GPT-4V在新英格蘭醫(yī)學雜志(NEJM)圖像挑戰(zhàn)

中的多選題準確性優(yōu)于人類醫(yī)生，但即使答案是正確的，它也經(jīng)常提出有缺陷的基本原理。標題：在多模態(tài)GPT-4醫(yī)學視覺專家級準確性背后的隱藏缺陷

給研究者的建議?

在提高研究人員個人的研究能力方面，建議利用人工智能來

生成建議或發(fā)人深省的問題，而不是生成答案。?

例如，與其要求LLM聊天機器人從大綱或想法列表中生成手

稿，不如要求指導和解釋如何改進手工制作的草稿。?

保持大語言模型使用的透明度是至關重要的，研究人員應該

披露這些工具在研究和寫作過程中的使用情況，提供LLM的

程度和性質的細節(jié)。?

開發(fā)一個協(xié)作的人-人工智能工作流，利用LLM的優(yōu)勢，同時

認識到它們的局限性，可以幫助優(yōu)化輸出的質量。?

研究人員應該迭代地與大語言模型合作，并確保在每個步驟

中都有適當?shù)娜藶楦深A和監(jiān)督。

大語言模型+R語言繪圖網(wǎng)頁鏈接：https:///?

Perplexity?網(wǎng)址：

https://www.perplexity.ai/?

優(yōu)點：支持對話、繪圖等功能，模型可選擇多，如GPT4o、

Claude、

sonar

large

，是非常好用的拓展插件。?

平替產(chǎn)品：秘塔AIDeepSeek輔助選題方法

如何用AI輔助智能搜集學術資料（提示語）搜集資料提示詞：?

你是一名優(yōu)秀的科研助手，有十余年的工作經(jīng)驗，

成果斐然。請根據(jù)我提出的問題”*****”

，查詢與之相關的

最新英文資料。全面閱讀資料的內容，

一步步思考后用簡體中文回答該問題。?

注意我不想聽任何陳詞濫調。所以你不要給我一個平庸的總-分-總式的總結。我希望你從文獻中找到那些能給讀

者帶來信息增量與認知變化的觀點、論斷、數(shù)據(jù)和細節(jié)。不要著急，深吸一口氣，滿滿閱讀、理解、反思，甚

至是找尋新的資料。當你感覺有信心已經(jīng)找到合適的答案后，再開始回答。?

每一段首先提出你的論點，之后給出你的論證過程，后面提供證據(jù)(最好包括詳實的數(shù)據(jù))，以及來源鏈接。資料

引用