AI Agent白手起家13: DeepSeek提示词工程实战指南

纲要

  • 推理型模型的提示词新范式
    • 与传统非推理模型的区别
    • 核心原则：简洁、信任、聚焦目标
  • 提示词撰写的四种模式
    • 指令驱动
    • 需求导向
    • 混合模式
    • 启发式提问
  • 通用提示词公式
    • 指令 + 上下文 + 输入 + 输出
  • 按需求场景的分类提示词结构
    • 决策需求
    • 创造性需求
    • 执行需求
    • 分析需求
    • 验证需求
  • 新手必知的 10 个魔法指令
    • 续写、简化、总结、解释、翻译、类比、润色、扩写、步骤、举例
    • 组合使用技巧
  • 代码实战：用 Python 调用 DeepSeek API 对比不同提示词策略
    • 完整可运行代码
    • 对比简洁提示与过度引导的效果
  • 总结

推理型模型的提示词新范式

DeepSeek R1 这类推理型模型内置了强大的思维链（CoT）能力，因此它的提示词撰写方式与传统非推理模型存在显著差异。如果我们仍然沿用过去那套“手把手教模型思考”的方法，反而会限制其内置的推理能力。

核心区别：

方面非推理模型提示词推理型模型提示词
引导方式需要显式分步指导、示例驱动只需明确目标与需求
复杂度可包含角色扮演、思维链模板简洁直接，避免冗余引导
信任程度输出需要多次验证思维链透明，结果更可信
典型用法“你是一位专家，第一步…第二步…”“请分析以下问题并给出方案”

三大原则：

  1. 简洁至上：不必在提示词中构造CoT过程，模型会自动生成结构化的推理步骤。
  2. 聚焦目标：清晰描述你想要的结果，而不是教它如何思考。
  3. 避免干扰：慎用角色扮演类的启发式提示（如“你是一位资深律师”），这类设定可能干扰逻辑主线。

提示词撰写的四种模式

针对 DeepSeek，有以下几种有效的提示词模式：

  • 指令驱动：适合简单、快速执行的任务。
    例：用 Python 编写快速排序函数，输出需要包含注释。
  • 需求导向：适合复杂问题，让模型自主推理。
    例：我需要优化用户登录流程，请分析当前瓶颈并给出三种改进方案。
  • 混合模式：兼顾灵活性与可控性。
    例：设计一个杭州三日游计划，必须包含西湖和灵隐寺，且预算控制在 2000 元以内。
  • 启发式提问：适合探索性、需要解释逻辑的问题。
    例：为什么在此优化问题中选择梯度下降法？请对比其他算法并说明理由。

选择哪种模式，取决于你对结果的可控性要求和任务的复杂程度。

通用提示词公式

无论何种场景，一个结构化的 DeepSeek 提示词通常包含四个要素：

指令

完整提示词

上下文/背景

输入数据

期望输出格式

  • 指令：要做什么。
  • 上下文：任务背景或领域信息。
  • 输入：模型需要处理的具体数据。
  • 输出：期望的格式（文本、表格、JSON 等）。

按需求场景的分类提示词结构

根据任务类型，可以进一步细化提示词结构：

需求类型提示词结构要素示例
决策需求目标 + 已有选项 + 评估标准“我们需选择云服务商，选项有 AWS/阿里云/华为云，请从成本、延迟、合规三方面评估并推荐。”
创造性需求主题 + 约束条件 + 创新方向“请设计一种新的社交 App 的裂变增长策略，要求零广告预算，方向侧重游戏化邀请机制。”
执行需求任务描述 + 步骤约束 + 输出格式“用 Python 处理 sales.csv，计算每月总销售额，按月份降序输出为 Markdown 表格，禁止使用 pandas。”
分析需求问题 + 数据/信息 + 分析方法“根据过去三个月用户流失数据，用归纳法找出主要流失原因。”
验证需求现有方案 + 验证目标 + 风险点检查“以下微服务架构方案是否存在单点故障风险？请逐组件分析。”

新手必知的 10 个魔法指令

DeepSeek 提供了一套以/开头的快捷指令，相当于内置的提示词模板，能极大提升日常使用效率：

指令用途示例
/续写延续现有内容/续写 在上文基础上增加市场分析部分
/简化将复杂内容通俗化/简化 下面这段技术白皮书
/总结提炼长文核心要点/总结 这篇 5000 字调研报告
/解释解释专业名词或概念/解释 什么是 Transformer 自注意力机制
/翻译多语言互译/翻译 为英文：大模型驱动的智能体
/类比用相似事物解释复杂概念/类比 解释 RAG，请用图书馆借书做类比
/润色优化文本流畅度与专业性/润色 (这段产品文案)
/扩写丰富现有内容细节/扩写 第三段关于成本分析的论述
/步骤分解复杂操作流程/步骤 在 AWS 上部署微服务
/举例获取具体实例帮助理解/举例 高并发场景下的缓存策略

使用技巧：

  • 指令可以组合使用，例如：/总结 文章内容，然后 /续写 补充自己的观点。
  • 在指令后添加具体要求，如/翻译 为日语，保留敬语。
  • 用括号()明确作用范围：/润色 (第二段)。

这些魔法指令本质上是简化版的提示词模板，非常适合刚接触 DeepSeek 的用户快速上手。

代码实战：用 Python 调用 DeepSeek 对比不同提示词策略

下面提供一个可直接运行的 Python 脚本，通过 DeepSeek API 演示“过度引导”与“简洁指令”对推理模型输出质量的影响。脚本使用openai库调用 DeepSeek 的deepseek-reasoner模型。

准备工作：

  1. 安装依赖：pip install openai
  2. 前往 platform.deepseek.com 注册并获取 API Key。
importopenai# ================= 配置区 =================API_KEY="your-deepseek-api-key"# 替换为你的真实 API KeyBASE_URL="https://api.deepseek.com"MODEL="deepseek-reasoner"# 推理模型# ==========================================client=openai.OpenAI(api_key=API_KEY,base_url=BASE_URL)# 同一个问题，使用两种不同的提示词风格question="某公司需要从三个候选人中选拔项目经理，请给出决策框架。"# 提示词 A：过度引导（非推理模型习惯）prompt_a=("你是一位资深 HR 专家。请按以下步骤思考：""第一步，列出候选人评估维度；""第二步，为每个维度分配权重；""第三步，基于假设的数据打分；""第四步，综合排序并给出最终推荐。\n"f"问题：{question}")# 提示词 B：简洁聚焦目标（推理模型推荐方式）prompt_b=f"问题：{question}\n请提供一个可直接用于高管会议的决策框架。"# 调用 APIresp_a=client.chat.completions.create(model=MODEL,messages=[{"role":"user","content":prompt_a}],temperature=0.0,max_tokens=800)resp_b=client.chat.completions.create(model=MODEL,messages=[{"role":"user","content":prompt_b}],temperature=0.0,max_tokens=800)print("===== 提示词 A（过度引导）=====")print(resp_a.choices[0].message.content)print("\n===== 提示词 B（简洁指令）=====")print(resp_b.choices[0].message.content)

运行预期：

  • 提示词 A 虽然也能得到答案，但模型可能会受到人为框架的束缚，思维广度受限。
  • 提示词 B 往往能给出更具创造性和实用性的框架，因为它完全释放了模型自身的推理潜力。

通过这种对比，你可以直观感受到推理模型下“少即是多”的提示词设计哲学。

总结

针对 DeepSeek 这类推理型模型，提示词工程的核心发生了转变：从“教模型思考”变为“信任模型的思考能力”。遵循简洁、聚焦目标的原则，灵活运用指令驱动、需求导向等模式，配合内置的魔法指令，可以显著提升交互效率与输出质量。

在实践中，建议先用简洁指令测试模型表现，如未达到预期再逐步补充上下文，而不是一上来就给出一套复杂的角色设定和步骤约束。