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）
- 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
- 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
- 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
- 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
- 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
- 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。 ”
- 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
