这篇文章，是曾老师和 DeepSeek、豆包、ima.copilot 一起，阅读了几十篇相关文章之后写出来的。

这些阅读的文章已经加入了胡扯游戏的 ima.copilot 共享知识库，可以在文章底部找到共享知识库的入口。

DeepSeek 的优势和特点

DeepSeek 通过创新的训练方法和优化技术，显著降低了 AI 模型的训练成本。DeepSeek-R1 的训练成本仅为 OpenAI o1 模型的 1/30。

DeepSeek 的模型在多个逻辑任务（包括数学和编程）上的表现与 OpenAI-o1 旗鼓相当，而其运行成本仅为 OpenAI 费用的约 2%。

DeepSeek 作为开源模型，允许全球开发者免费下载和使用其模型，促进了 AI 技术的共享和创新。这种开源文化不仅降低了技术门槛，还激发了更多开发者的参与和贡献，推动了整个 AI 生态的发展。

DeepSeek 发布的新模型 Janus-Pro 展示了多模态 AI 的巨大潜力，能够在图像生成和理解方面超越现有的主流模型。这种多模态 AI 的发展将进一步拓展 AI 的应用场景，推动更多行业和领域的智能化升级。

DeepSeek 提示词的特点

DeepSeek 不需要复杂的提示词模板，而是直接提出具体的问题或需求。

百万爆文 这才是DeepSeek的正确使用方式！你还在用GPT那套就废了，春节前最后预警 总结了一些使用 DeepSeek 的技巧：

1. 目标：［简要说明你的最终目标］
2. 背景：［相关背景或已有信息］
3. 具体要求：［如格式、限制条件、示例等］
4. 问题：［具体问题]

或者使用更简单的方案：

我要xx，要给xx用，希望达到xx效果，但担心xx问题...

例如：

我要写一篇 DeepSeek 的文章，给胡扯游戏公众号使用，希望达到胡扯的效果，符合胡扯群友的喜好和说话风格，但我担心内容过于空洞而且不好笑……

当然，这篇文章并不是用上面的描述写出来的。因为 DeepSeek 目前关闭了联网搜索，影响了最新互联网信息的获取能力。

DeepSeek 杜撰的游戏行业故事

注意，以下内容为 DeepSeek 撰写。不要相信！不要相信！不要相信！

1. 监管镣铐下的AI探戈

欧盟AI法案2月最新修正案把多模态模型列为高风险，这意味着使用DeepSeek做全球发行可能触发数据隐私审计。某出海SLG团队已遭遇Steam下架——因为AI生成的卡面图案被指训练数据侵权。

解决方案藏在技术细节里：启用本地化部署模式，配合区块链存证工具记录创作过程。

记住避开这些雷区：玩家行为预测模型、实时语音交互功能、自动生成用户画像系统。

2. 老司机才知道的调参玄学

• 把「生成中世纪魔法咒语」改成「输出可执行Lua代码的魔咒效果」
• 在 prompt 里塞游戏引擎专有名词（UnityShader/UE5 Niagara参数）
• 开启 temperature=0.3+top_p=0.9 组合，平衡创意与可控性。
• 重要秘诀：用游戏策划文档反向训练 LORA 模型，实测任务系统生成匹配度提升62%。

某成都团队用这招，两周做出可玩性达标的肉鸽副本原型，成本不到传统外包的1/5。

3. 行业洗牌进行时：AI平权运动

春节前后出现戏剧性转折：3家使用DeepSeek的工作室估值暴涨，而 依赖传统美术外包的团队融资遇冷。

核心变量在于：

• 小团队用AI实现日均200+道具迭代
• 实时调整玩家付费点预测模型
• 自动生成合规多语言本地化方案

但真正的颠覆在于成本结构——现在8人团队能运作MMO项目，这在2023年还是天方夜谭。

注意观察Q2可能出现的新现象：AI驱动型工作室开始反向收购传统CP。

看看人类怎么说

看完 DeepSeed 编写的游戏神话（或许不一定是神话），我们再看看人类是怎么理解的：

兔主席这篇 新的一年，打工人和老板要好好想想这个问题了 提到了AI时代的企业生存策略，值得深思：

1. 企业需要利用AI技术提高生产力和效率，优化人力资源配置，以降低运营成本。
2. AI可以用于提高客户服务效率，如通过智能客服替代人工客服，提高服务质量和效率。
3. AI可以用于关键业务流程的质量控制和风险管理，如医疗器械产品的瑕疵检测。

4. 企业需要从商业和财务角度出发，清晰理解AI技术与人类劳动力之间的关系。

   AI 与小游戏团队

   曾老师认为，AI 为游戏团队带来的帮助，核心重点是将 AI 嵌入工作流。

   良好的工作流，需要有懂整合的人。曾老师在近期与外包团队合作的过程中，深深感觉到，沟通的壁垒，在于思维模式。有的人就是无法理解，有的人就是一点就通。

   在沟通的过程中，会消耗大量算力。虽然说大脑功耗只有 20W，但浪费的时间和机会成本还挺大的。

   如果能节省沟通的算力，直接通过超级个体的整合能力，利用 AI 工具来获得原型，再交给专业人士修改，效率会高得多。

   在 AI 应用上，小公司和大公司的差距越来越大。 大公司有意愿，有资金，有规划推进应用 AI 整合。小公司则要看老板的意愿和能力。

   在现存的，有成功经验的小公司中，关注 AI 的人才大多单兵作战，难以推动公司整体工作流变革。

   如果从头建立一个 AI Base 的工作流团队，或许更简单。