Deepseek提示词技巧


Deepseek提示词技巧

模型

基础模型(V3):通用模型(2024.12),高效便捷,适用于绝大多数任务

深度思考(R1):推理模型,复杂推理和深度分析任务,如数理逻辑推理和编程代码,“ ”任务

联网搜索:RAG(检索增强生成)

基础模型(V3):“过程-结果”清晰(指令)

深度思考(R1):目标清晰,结果可以模糊(推理)

推理模型

• 提示语更简洁, 只需明确任务目标和 需求(因其已内化推理逻辑)

• 无需逐步指导, 模型自动生成结构化 推理过程(若强行拆解步骤, 反而可 能限制其能力)

通用模型

• 需显式引导推理步骤(如通过CoT提示) , 否则可能跳过关键逻辑

• 依赖提示语补偿能力短板(如要求分 步思考 、提供示例)

提示语 (Prompt)

是用户输入给Al 系统的指令或信息, 用于引导Al生成特定的输出或执行特定的任务。简单来说,提 示语 就是我们与Al“对话”时所使用的语言,它可以是一个简单 的问 题,一段详细的指令,也可以是一个复杂的任务描述。

提示语的基本结构包括指令、上下文和期望

• 指令 (Instruction): 这是提示语的核心,明确告诉Al你希 望 它执行什么任务。

• 上下文 (Context): 为Al提供背景信息,帮助它更准确地理 解和执行任务 。

• 期望 (Expectation): 明确或隐含地表达你对Al输出的要求 和 预 期 。

RTGO提示语结构

Role(角色) 定义AI的角色: 经验丰富的数据分析师 具备十年销售经验的SaaS系统商务 ……

Task(任务) 具体任务描述: 写一份关于XXX活动的小红书宣推文案 写一份关于XX事件的舆论分析报告 (XX活动/事件相关背景信息如下……)

Goal(目标) 期望达成什么目标效果: 通过该文案吸引潜在客户,促成消 费……通过该报告为相关企业管理 者提供……策略支撑

Objective(操作要 求) 字数要求、段落结构、用词风格

“全维度智能体提示框架”

(Comprehensive Agent Prompting Framework, CAP Framework)

角色 +功能 + 技能 + 约束 + 工作流程 + 输出格式

核心层:1.身份定义 (Identity) •角色属性 •专业背景 •交互特征

执行层: 2. 能力矩阵 (Capability Matrix) •功能范围 •专业技能 •决策权限

约束层: 3. 边界系统 (Boundary System) •伦理规范 •安全限制 •资源约束

操作层: 4. 工作引擎 (Operation Engine) •输入处理 •执行流程 •输出规范

利用DeepSeek实现人机高效协作?

基本操作技巧+人机协作意识+能动意识 +边界意识

什么是AI幻觉?

学术:指模型生成与事实不符、逻辑断裂或脱离上下文的内容,本质是统计概率驱动的“合理猜测”

说人话:一本正经地胡说八道

事实性幻觉:指模型生成的内容与可验证的现实世界事实不一致

忠实性幻觉:指模型生成的内容与用户的指令或上下文不一致

AI为什么会产生幻觉?

 数据偏差:训练数据中的错误或片面性被模型放大(如医学领域过时论文导致错误结论)

 泛化困境:模型难以处理训练集外的复杂场景(如南极冰层融化对非洲农业的影响预测)

 知识固化:模型过度依赖参数化记忆,缺乏动态更新能力(如2023年后的事件完全虚构)

 意图误解:用户提问模糊时,模型易“自由发挥”(如“介绍深度学习”可能偏离实际需求

音乐为什么没有幻觉?

 音乐的主观性和多样性:音乐是一种高度主观的艺术形式,人们对音乐的审美和理解有很大的 差异。一段音乐是否“合理”或“正确”,往往取决于文化背景、个人偏好和上下文  音乐的抽象性:音乐本质上是抽象的,不像文本或图像那样直接对应现实世界的具体事物。文 本中的“幻觉”通常是因为模型生成的内容与事实不符,而音乐本身往往缺少明确的事实基础

 音乐的可感知性差异:音乐是时间性的艺术形式,即使某些部分听起来不协调或不符合预期, 它们也可能在整个作品的上下文中变得合理。相比之下,文本或图像中的问题往往是瞬间可见 的,容易引起注意

 音乐“幻觉”的潜在表现:逻辑断裂的歌词、结构混乱的旋律、风格混杂的编曲

AI幻觉的潜在风险

 信息污染风险:由于DeepSeek的低门槛和普及度高,大量AI生成内容涌入中文互联网,加剧 了虚假信息传播的“雪球效应”,甚至污染下一代模型训练数据

 信任危机:普通用户难以辨别AI内容的真实性,可能对医疗建议、法律咨询等专业场景的可 靠性产生长期怀疑

 控制欠缺:DeepSeek的对齐工作较其他闭源大模型有所欠缺,其开源特性也允许使用者随意 使用,可能会成为恶意行为的工具

 安全漏洞:若错误信息被用于自动化系统(如金融分析、工业控制),可能引发连锁反应

AI幻觉评测

测试1:随机生成100条通用提示语,模仿普通用户的真实使用场景,获取大模型回答后 进行人工判断与标注,并进行交叉验证

事实性幻觉评测  测试2:随机抽取300道事实性幻觉测试题,涵盖健康、科学、历史、文化、音乐等等多 个领域,获取大模型回答后与正确答案比对,人工标注幻觉类型,并进行交叉验证

应对AI幻觉的三种方式

”请使用联网功能“、联网功能选项

双AI验证/大模型协作 例如,利用DeepSeek生成答案后,再应用其他大模型进行审查,相互监督,交叉验证

提示词工程

• 知识边界限定:通过时空维度约束降低虚构可能性(本质:约束大模型)

  1. 时间锚定法:“基于2023年之前的公开学术文献,分步骤解释量子纠缠现象” → 规避未来时态虚构
  2. 知识锚定法:”基于《中国药典》回答,若信息不明确请注明“暂无可靠数据支持” →限定权威来源
  3. 领域限定符:“作为临床医学专家,请列举FDA批准的5种糖尿病药物” → 添加专业身份限定
  4. 置信度声明:“如果存在不确定性,请用[推测]标签标注相关陈述“ → 减少绝对化错误断言
  5. 上下文提示:“根据《2024全球能源转型报告》(国际能源署,2024年1月发布)显示:”2030年 光伏发电成本预计降至0.02美元/千瓦时,但储能技术突破仍是普及瓶颈。“请基于此数据,分析中国 西部光伏基地发展的三个关键挑战,并标注每个挑战与原文结论的逻辑关联。 → 嵌入权威数据片段
  6. 生成参数协同控制:“请以temperature=0.3的严谨模式,列举2024年《柳叶刀》发表的传染病研究”

对抗性提示:强制暴露推理脆弱点,用户可见潜在错误路径(本质:大模型自我审查) 1. 植入反幻觉检测机制: “请用以下格式回答:- 主要答案(严格基于公开可验证信息)- [反 事实检查] 部分(列出可能导致此答案错误的3种假设)“

2.预设验证条件,迫使模型交叉检查信息:“请先回答“量子纠缠能否证明灵魂存在?”,然 后从以下角度验证答案的可靠性: 1. 物理学界主流观点; 2. 近五年相关论文数量; 3. 是否存在可重复实验证据。 ”

  1. 链式验证:请完成以下验证链:1. 陈述观点:______2. 列出支撑该观点的三个权威数据源 3. 检查每个数据源是否存在矛盾信息4. 最终结论(标注可信度等级)

误区

缺乏迭代陷阱:期待一次性完美结果

陷阱症状:

▪ 过度复杂的初始提示语

▪ 对初次输出结果不满意就放弃

▪ 缺乏对AI输出的分析和反馈

应对策略:

▪ 采用增量方法: 从基础提示语开始, 逐步添加细节和要求 。

▪ 主动寻求反馈: 要求AI对其输出进行自我评估, 并提供改进建议 。

▪ 准备多轮对话: 设计一系列后续问题, 用于澄清和改进初始输出 。

过度指令和模糊指令陷阱: 当细节淹没重点或意图不明确

陷阱症状:

▪ 提示语异常冗长或过于简短

▪ AI输出与期望严重不符

▪ 频繁需要澄清或重新解释需求

应对策略:

▪ 平衡详细度: 提供足够的上下文, 但避免过多限制 。

▪ 明确关键点: 突出最重要的2-3个要求 。

▪ 使用结构化格式: 采用清晰的结构来组织需求 。

▪ 提供示例: 如果可能, 给出期望输出的简短示例


文章作者: 读序
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 读序 !
  目录