图书馆网站建设的项目报告网站svg使用

大家好，我是大 F，深耕AI算法十余年，互联网大厂技术岗。
知行合一，不写水文，喜欢可关注，分享AI算法干货、技术心得。
更多文章可关注《大模型理论和实战》、《DeepSeek技术解析和实战》，一起探索技术的无限可能！

【数据集篇】更多阅读：

1. 大语言模型常见任务及评测数据集汇总（一）：70 余个数据集!_lcsts数据集-CSDN博客
2. 大语言模型常见任务及评测数据集汇总（二）：90个数据集！_ace02数据集-CSDN博客
3. 大语言模型实战手册：文本生成任务中，常用数据集有哪些？_故事生成领域的数据集有哪些-CSDN博客
4. 【数据集篇 】 多模态大模型 ：65 个测试常用基准数据集+ 涵盖13个任务_多模态大模型数据集通讯目录是什么-CSDN博客
5. 【数据集】多模态学习实战手册～20 余个常见任务及测试数据集_多模态通用任务-CSDN博客

【大模型篇】更多阅读：

1. 【大模型篇】万字长文从OpenAI到DeepSeek：大模型发展趋势及原理解读-CSDN博客
2. 【大模型篇】目前主流 AI 大模型体系全解析：架构、特点与应用_类似transformer、visualgpt,常见的模型架构及其作用领域介绍-CSDN博客
3. 【大模型篇 】 Grok-3 与 DeepSeek 的技术架构与性能分析_grok-3的优劣势-CSDN博客
4. 【大模型篇】速读版DeepSeek核心技术解密：与 GPT-4、Claude、LLaMA 技术路线差异对比分析_llama和deepseek的区别-CSDN博客
5. 多模态大模型（LMMs）与大语言模型（LLMs）的比较_多模态大模型和大语言模型区别-CSDN博客

一、引言

DeepSeek 作为一款强大的 AI 大语言模型工具，凭借其高效、灵活的特点，受到了众多开发者和用户的青睐。本文将全面介绍 DeepSeek 的提示词合集、使用技巧以及代码实现方法，帮助读者更好地利用这一工具，提升工作效率和创造力。

二、DeepSeek 提示词合集

（一）代码处理

1. 代码改写：优化代码，进行纠错、注释、调优等。

• • 示例：请对以下代码进行优化，提高运行效率：[代码片段]

对代码进行修改，来实现纠错、注释、调优等。
提示词USER	
下面这段的代码的效率很低，且没有处理边界情况。请先解释这段代码的问题与解决方法，然后进行优化：
def fib(n):if n <= 2:return nreturn fib(n-1) + fib(n-2)
样例输出
问题分析
这段代码实现了一个递归的斐波那契数列计算函数 fib(n)。虽然代码简洁，但它存在以下几个问题：
1. 重复计算：递归调用会导致大量的重复计算。例如，计算 fib(5) 时，fib(3) 和 fib(2) 会被多次计算，导致效率低下。
2. 边界情况处理不完善：虽然代码中处理了 n <= 2 的情况，但没有处理 n < 0 的情况。对于负数输入，函数会返回不正确的结果。
3. 递归深度限制：对于较大的 n，递归深度可能会超过 Python 的默认递归深度限制，导致 RecursionError。
解决方法
1. 使用记忆化（Memoization）：通过缓存已经计算过的斐波那契数列值，避免重复计算，提高效率。
2. 处理边界情况：增加对 n < 0 的检查，并返回适当的错误信息或默认值。
3. 使用迭代代替递归：递归虽然简洁，但在处理大规模数据时效率较低。可以使用迭代方法来计算斐波那契数列，避免递归深度限制。
优化后的代码
方法一：记忆化递归
def fib(n, memo={}):if n < 0:raise ValueError("Input must be a non-negative integer")if n <= 2:return 1if n in memo:return memo[n]memo[n] = fib(n-1, memo) + fib(n-2, memo)return memo[n]
方法二：迭代法
def fib(n):if n < 0:raise ValueError("Input must be a non-negative integer")if n <= 2:return 1a, b = 1, 1for _ in range(3, n+1):a, b = b, a + breturn b
解释
1. 记忆化递归：○ 使用一个字典 memo 来存储已经计算过的斐波那契数列值。○ 在每次递归调用前，先检查 memo 中是否已经有结果，如果有则直接返回，避免重复计算。○ 处理了 n < 0 的情况，抛出 ValueError。
2. 迭代法：○ 使用两个变量 a 和 b 来保存前两个斐波那契数列值。○ 通过循环从 3 到 n 计算斐波那契数列值，避免了递归调用，提高了效率。○ 同样处理了 n < 0 的情况，抛出 ValueError。
总结
优化后的代码不仅提高了效率，还完善了边界情况的处理。记忆化递归和迭代法都是有效的优化手段，具体选择哪种方法取决于具体需求和场景。
代码
from openai import OpenAI
client = OpenAI(base_url="https://api.deepseek.com/",api_key="" )
completion = client.chat.completions.create(model="deepseek-chat",messages=[{"role": "user","content": "下面这段的代码的效率很低，且没有处理边界情况。请先解释这段代码的问题与解决方法，然后进行优化：\n``\ndef fib(n):\n    if n <= 2:\n        return n\n    return fib(n-1) + fib(n-2)\n``"}]
)
print(completion.choices[0].message.content)

1. 代码解释：分析代码逻辑，帮助理解代码内容。

• • 示例：解释这段代码的作用：[代码片段]

对代码进行解释，来帮助理解代码内容。提示词
USER	
请解释下面这段代码的逻辑，并说明完成了什么功能：
```
// weight数组的大小 就是物品个数
for(int i = 1; i < weight.size(); i++) { // 遍历物品for(int j = 0; j <= bagweight;