简介由清华大学新闻与传播学院新媒体研究中心团队编写的《DeepSeek从入门到精通》是一份面向AI初学者、产品与内容从业者、开发者的系统入门读本围绕DeepSeek是什么、能做什么、如何使用三条主线帮助读者建立大模型应用的整体认知并落到实际任务。内容重点辨析推理模型与非推理模型的优势边界讲解数学推导、逻辑分析、代码生成与创意写作等场景下的模型选择原则并延伸到提示语策略差异推理模型宜简洁明确目标通用模型需显式引导推理步骤同时给出指令驱动、需求导向与混合模式等表达方式及常见误区。压缩包仅含1个PDF文件约4.8MB轻量便携适合通勤或碎片时间阅读。目前已有2431人学习可作为提示工程技术与大模型推理实践的入门参考也便于团队内部培训时按章节讨论。1. DeepSeek 手册翻到第三遍我才明白它真正值钱的是那张提示语对照表第一次打开这份《DeepSeek从入门到精通》我扫了一遍目录就合上了——“是什么、能做什么、怎么用”看着像一份写给学生看的科普读物。真正让我回头重读第三遍的是一次翻车的代码评审同一个排序函数的需求我丢给 DeepSeek-R1 和另一个通用模型前者一次给出了带注释的可运行实现后者洋洋洒洒解释了两百字却没落一行代码。问题不在模型而在我把两套提示语策略混着用了。这份由某高校新媒体研究团队整理的手册价值就在这儿它把推理模型与通用模型的能力边界、提示语的三种驱动方式、五类需求的表达公式拆成了能逐条对照的条目。适合已经日常在用大模型、但输出质量长期靠运气的从业者也适合刚接触大模型推理、想把提示工程技术摸清楚的人。2. 推理模型与通用模型边界在哪、成本怎么算、任务怎么选2.1 训练目标决定了强弱项不是“谁更聪明”很多人拿到一份模型对比材料第一反应是找出“哪个更强”然后一直用强的那个。这个思路从一开始就偏了。推理模型是在传统大语言模型的基础上额外用强化学习、神经符号推理、元学习这类手段强化推理、逻辑分析和决策能力的产物它的训练目标就是把“从条件推到结论”这条链路走稳。通用模型走的是另一条路靠海量文本训练掌握语言规律侧重点落在语言生成、上下文理解和自然语言处理上不刻意强调深度推理。这两条路线直接决定了它们的强弱项分布。推理模型在数学推导、逻辑分析、代码生成、复杂问题拆解上表现突出一旦任务转向发散性创作比如写一首诗、编一个荒诞故事它反而不如通用模型放得开。通用模型擅长多样性高的任务文本生成、创意写作、多轮对话、开放性问答都是它的舒适区碰上需要严格逻辑链的任务比如数学证明它容易跳过关键步骤给出一个看起来很顺但中间断链的答案。维度推理模型通用模型优势领域数学推导、逻辑分析、代码生成、复杂问题拆解文本生成、创意写作、多轮对话、开放性问答劣势领域发散性任务如诗歌创作需要严格逻辑链的任务如数学证明性能本质专精于逻辑密度高的任务擅长多样性高的任务强弱判断并非全面更强仅在其训练目标领域显著优于通用模型通用场景更灵活但专项任务需依赖提示语补偿能力我在实际选型时会先问一个问题这个任务有没有唯一正确答案。数学证明、代码正确性、多条件约束下的方案比较——有那就走推理模型。文案风格、故事走向、多轮闲聊——没有那就走通用模型。这个判断只需要几秒钟却能省掉后面反复返工的时间。手册里把这条写成了一句关键原则优先根据任务类型而非模型热度选择。热度是会过期的任务类型不会。2.2 快思慢想概率预测与链式推理的算力账链式思维CoT出现之后大模型实际上被分成了两类一类是基于概率预测的快速反应模型一类是基于链式推理的慢速思考模型。前者靠大量数据训练快速预测最可能的答案响应速度快、算力成本低后者把问题的每个步骤逐步推理一遍再给结论慢、贵但在多步任务上不容易跳步。这两类模型的差别不只是速度还体现在决策方式、创造力和互动能力上。快速反应型依赖预设算法和规则做决策擅长解决结构化和定义明确的问题作为受控工具几乎没有额外的伦理讨论空间慢速思考型能自主分析情况、实时调整决策能处理多维度和非结构化问题但也因此带来自主性和控制方面的讨论。维度快速反应型概率预测慢速思考型链式推理性能表现响应速度快算力成本低慢速思考算力成本高运算原理基于概率预测靠大量数据训练快速给出可能答案基于链式思维逐步推理每个步骤再得出答案决策能力依赖预设算法和规则进行决策自主分析情况实时做出决策创造力限于模式识别和优化缺乏真正的创新能力能生成新的创意和解决方案人机互动按预设脚本响应较难理解人类情感和意图更自然地与人互动理解复杂情感和意图问题解决擅长结构化和定义明确的问题擅长多维度和非结构化问题伦理问题作为受控工具几乎没有伦理问题引发自主性和控制问题的伦理讨论算力账要算清楚。把慢速思考模型用在简单任务上是纯浪费——一句话翻译、一个格式转换、一段文本改写成表格开了深度思考只会让等待变长答案质量并不会提升多少。反过来用快速模型去做五步以上的推导中间任何一步错了后面全错返工成本远高于多等的那几十秒。我一般的做法是先把任务拆成步骤数三步以内走快速通道五步以上、且每步都有明确判断标准的才切到深度思考。具体到操作层面手册里提到的联网搜索和深度思考两个开关用法上有区别先判断任务是否需要外部实时信息。需要查最新数据、核对某条事实开联网搜索纯逻辑推导和文本加工不需要。再判断任务是否需要多步推理。数学证明、代码调试、方案权衡开深度思考改写、摘要、翻译不开。两个开关不要同时无脑打开。联网搜索会引入外部噪声深度思考会放大推理链长度同时开会显著拉长响应时间且中间环节一旦被噪声带偏后面整条链都跟着歪。文件上传配合语义理解类任务使用上传后先在提示语里点明“只依据文件内容作答”否则模型容易把外部知识混进来。2.3 一张按任务类型选模型的对照表手册里最实用的是这张按任务类型切分的对照表它把“选哪个模型”和“提示语怎么写”两件事绑在了一起避免了知道该用推理模型、却仍然按通用模型的习惯写提示语的尴尬。任务类型适用模型提示语侧重点有效提示示例需避免的提示策略数学证明推理模型直接提问无需分步引导“证明勾股定理”冗余拆解如“先画图再列公式”数学证明通用模型显式要求分步思考提供示例“请分三步推导勾股定理参考1. 画直角三角形…”直接提问容易跳过关键步骤创意写作推理模型鼓励发散性设定角色和风格“以海明威的风格写一个冒险故事”过度约束逻辑如“按时间顺序列出”创意写作通用模型明确约束目标避免自由发挥“写一个包含‘量子’和‘沙漠’的短篇小说不超过 200 字”开放式指令如“自由创作”代码生成推理模型简洁需求信任模型逻辑“用 Python 实现快速排序”分步指导如“先写递归函数”代码生成通用模型细化步骤明确输入输出格式“先解释快速排序原理再写出代码并测试示例”模糊需求如“写个排序代码”多轮对话通用模型自然交互无需结构化指令“你觉得人工智能的未来会怎样”强制逻辑链条如“分三点回答”逻辑分析推理模型直接抛出复杂问题“分析‘电车难题’中的功利主义与道德主义冲突”添加主观引导如“你认为哪种对”逻辑分析通用模型需拆分问题逐步追问“先解释电车难题的定义再对比两种伦理观的差异”一次性提问复杂逻辑这张表的用法不是背下来而是每次动手前扫一眼对应的行。我自己的习惯是把左列的任务类型在心里过一遍定位到行之后再决定提示语是“收”还是“放”推理模型那一栏的提示语普遍短通用模型那一栏普遍长这个反直觉的差别是后面一整章的核心。3. 提示语策略推理模型直接说需求通用模型要补推理链3.1 三段结构指令、上下文、期望提示语是用户输入给 AI 系统的指令或信息用来引导模型生成特定输出或执行特定任务。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。不管长短合格的结构包含三段指令、上下文、期望。成分作用写法要点常见反例指令Instruction提示语的核心明确告诉模型要执行什么任务动词开头一件事一句话“关于用户登录你有啥想法”上下文Context为模型提供背景信息帮助它准确理解任务给数据、给约束、给已有结论只说“优化一下”不给现状期望Expectation明确或隐含表达对输出的要求和预期定格式、定长度、定受众、定禁用项不写格式最后拿到一大段散文这三段里最容易被省略的是上下文和期望。指令谁都会写“帮我写个方案”五个字就完事真正决定输出质量的是后面两段。我的经验是如果一段提示语写完之后把它交给另一个人看那个人能不能照着执行出你想要的东西——能说明三段齐了不能缺的一定是上下文或期望。【指令】把下面这段产品说明压缩成一段 120 字以内的介绍。 【上下文】目标读者是没有技术背景的采购负责人原文见下方不要出现任何未在原文中出现的参数。 【期望】输出一段连续文字不用列表不使用“赋能”“闭环”这类词。这段模板里指令锁定动作和字数上下文锁定读者对象和信息来源期望锁定格式和禁用词。参数说明120 字是硬约束超过就得改读者对象决定了用词层级禁止引入原文外参数是防止模型自行编造规格。把这三行拆开写的好处是输出不合预期时你能立刻定位是哪一段没写清楚而不是笼统地觉得“模型不行”。3.2 三种驱动方式与它们的适用边界按照从“下达指令”到“表达需求”的演进提示语可以分成三种驱动方式。指令驱动直接给出明确步骤或格式要求简单任务、需要快速执行时用需求导向描述问题背景与目标由模型自主规划解决路径复杂问题、需要模型自主推理时用混合模式结合需求描述与关键约束条件兼顾灵活性与可控性。策略类型定义与目标适用场景示例优势与风险指令驱动直接给出明确步骤或格式要求简单任务、需快速执行“用 Python 编写快速排序函数输出需包含注释”结果精准高效但限制模型自主优化空间需求导向描述问题背景与目标由模型规划路径复杂问题、需模型自主推理“我需要优化用户登录流程请分析当前瓶颈并提出 3 种方案”激发深层推理但需清晰定义需求边界混合模式结合需求描述与关键约束条件平衡灵活性与可控性“设计一个杭州三日游计划包含西湖和灵隐寺且预算控制在 2000 元内”兼顾目标与细节但需避免过度约束除了这三种还有一种启发式提问通过“为什么”“如何”这类提问引导模型主动思考适合探索性问题、需要模型解释逻辑的场景。它的风险很明确可能偏离核心目标你问着问着话题就从“这个方案哪里有问题”滑到了“大模型的决策机制是什么”。这里有个反复被验证的规律对推理模型使用启发式提问比如让它角色扮演、让它“先想想自己是谁再回答”反而可能干扰它内部的逻辑主线。推理模型已经把推理逻辑内化了你再套一层角色设定等于在一条本来走得很顺的路上插了几块路障。而通用模型恰恰相反你不给它结构、不给它示例它就会跳过关键逻辑。3.3 五种需求类型的表达公式手册把需求分成决策、分析、创造性、验证、执行五类每类配一个表达公式和两套适配策略。这套东西的价值在于它把“我该怎么开口”这个模糊问题变成了查表动作。需求类型特点表达公式推理模型适配策略通用模型适配策略决策需求需权衡选项、评估风险、选择最优解目标 选项 评估标准要求逻辑推演和量化分析直接建议依赖模型经验归纳分析需求需深度理解数据或信息、发现模式或因果关系问题 数据/信息 分析方法触发因果链推导与假设验证表层总结或分类创造性需求需生成新颖内容主题 风格/约束 创新方向结合逻辑框架生成结构化创意自由发散依赖示例引导验证需求需检查逻辑自洽性、数据可靠性或方案可行性结论/方案 验证方法 风险点自主设计验证路径并排查矛盾简单确认缺乏深度推演执行需求需完成具体操作任务 步骤约束 输出格式自主优化步骤兼顾效率与正确性严格按指令执行无自主优化五个类型的实战写法我按手册给的例子做了整理可以直接改成自己领域的版本决策需求为降低物流成本现有两种方案①自建区域仓库初期投入高长期成本低②与第三方合作按需付费灵活性高。请根据 ROI 计算模型对比 5 年内的总成本并推荐最优选择。 分析需求分析近三年新能源汽车销量数据附 CSV说明①增长趋势与政策关联性②预测明年市占率需使用 ARIMA 模型并解释参数依据。 创造性需求设计一款智能家居产品要求①解决独居老人安全问题②结合传感器网络和 AI 预警③提供三种不同技术路线的原型草图说明。 验证需求以下是某论文结论“神经网络模型 A 优于传统方法 B”。请验证①实验数据是否支持该结论②检查对照组设置是否存在偏差③重新计算 p 值并判断显著性。 执行需求将以下 C 语言代码转换为 Python要求①保持时间复杂度不变②使用 numpy 优化数组操作③输出带时间测试案例的完整代码。这五段里最值得琢磨的是验证需求。它和另外四类的区别在于模型不是来给答案的是来拆答案的。用推理模型跑验证需求时它会自主设计验证路径、排查矛盾点换成通用模型你大概率只能拿到一句“该结论基本合理”深度推演是没有的。所以验证类任务如果必须用通用模型就得在提示语里把验证方法写死比如明确要求“逐项列出对照组设置”“给出 p 值重算过程”靠结构补偿能力。提示语本身的角色手册给了五个定位连接人类意图和 AI 理解的沟通桥梁、为 AI 提供必要背景的上下文提供者、明确指定任务的任务定义器、影响输出形式和内容的输出塑造器、引导 AI 使用特定能力的能力引导器。这五个定位对应的其实是提示语写作的五个检查项——写完一段提示语挨个过一遍缺哪个补哪个。检查项一沟通桥梁这句话换个人看理解的是不是同一个任务 检查项二上下文提供者模型需要知道但我没说的背景有哪些 检查项三任务定义器任务边界在哪什么算完成 检查项四输出塑造器格式、长度、受众、禁用项写了没有 检查项五能力引导器这个任务该调用推理还是生成能力我引导对了吗这五行我抄在便签上贴了两个月现在基本成了条件反射。参数说明五个检查项没有优先级任何一项缺失都会在输出里体现只是体现方式不同——缺上下文表现为答非所问缺期望表现为输出格式反复不对缺能力引导表现为明明该推理的任务给了一堆套话。4. 把手册里的场景落到工位文本、分析、代码三类任务怎么写4.1 文本生成先定风格约束再给长度手册把文本生成拆成四块创作类文章、故事、诗歌、营销类文案、广告语、社交媒体内容、剧本对话、摘要改写类长文本摘要、文本简化、结构化生成表格、列表、日程、菜谱、代码注释与文档。这四块的提示语重心完全不同混着写就会翻车。创作类最怕约束过度。写诗、写故事这类任务本身就是发散性的你给它规定“必须三段、每段四句、押 ang 韵”出来的东西大概率工整但无趣。我的做法是只给风格锚点和长度上限其余放开。营销类相反必须把受众、渠道、调性、禁用词全部写死因为这类文本的容错率极低一个用词不当就得重来。摘要改写类的核心是保真提示语里必须明确“不得引入原文没有的信息”。结构化生成的关键是给出表头或字段名让模型填空而不是自由发挥。【创作类】 以第一人称写一篇 600 字左右的短故事主题是“深夜加班的程序员遇到一段会自我修改的代码”风格偏冷峻结尾留白不要解释寓意。 【营销类】 为一场面向中小企业的财税培训写 3 条朋友圈文案每条不超过 60 字语气专业但不生硬不使用“震撼”“史无前例”这类夸张词每条结尾带一个具体行动指引。 【摘要类】 把下面这份 8000 字的行业报告压缩成 300 字摘要只保留结论和关键数据不得引入报告之外的信息数字必须与原文一致。 【结构化类】 把下面的会议记录整理成表格字段为议题、结论、负责人、截止时间。没有明确负责人的填“待定”不要自行推测。四个模板的共同点是都把“不许做什么”写在了后面。这一步很多人省掉结果是模型自由发挥出一堆你需要手动删掉的内容。参数说明600 字是软上限允许上下浮动 10%60 字是硬上限超了平台会折叠300 字摘要要能独立成段不依赖原文上下文表格字段一旦定死就不能让模型自己加列加了就说明它在你没授权的地方做了推断。多语言翻译与本地化这块单独提一句。翻译任务里“准确”和“自然”经常冲突提示语里要明确优先级。技术文档优先准确术语必须统一营销物料优先自然允许意译。不写清楚模型会按它自己的默认偏好来而你永远猜不到那个默认值是什么。4.2 语义理解与分析把结论拆成可验证的判断项自然语言理解与分析覆盖的范围很宽语义分析和语义解析、情感分析评论、反馈、意图识别客服对话、用户查询、知识推理与实体提取人名、地点、事件、逻辑问题解答数学、常识推理、文本分类与主题标签生成、因果分析、垃圾内容检测。这些任务的共同点是输出应该是结构化的判断而不是一段议论。我见过最常见的错误是让人工智能做情感分析然后拿到一段“整体来看用户情绪偏正面但也存在一些不满”的散文。这种输出没法进表格、没法统计、没法做趋势图。正确写法是把判断项和判定标准一起写进提示语。对下面 200 条用户评论逐条做情感判定输出 CSV 三列评论编号、情感极性正/中/负、判定依据不超过 15 字引用评论中的关键词。 判定标准出现明确负面词如“卡顿”“退款”“失望”判为负只有中性描述判为中出现明确正面词判为正。同一句里正负并存时以程度更强者为准并在依据里注明冲突。 不确定的条目单独列为“待人工复核”不要强行归类。这段的关键在最后一句。“不确定就单列”这个指令能大幅降低强行归类的比例而强行归类恰恰是情感分析里最难发现的问题——它不会报错只会让你的统计结果悄悄偏移。参数说明15 字限制是为了防止模型写长篇解释正负并存的处理规则必须提前定否则同一批数据两次跑出来的结果会不一致待复核条目建议控制在全量的 5% 以内超过说明判定标准定得太粗。意图识别和实体提取的写法类似核心是把标签体系先定死。知识推理类任务则要区分常识推理和严格逻辑推理前者通用模型能应付后者建议走推理模型并在提示语里要求“每一步给出依据”。因果分析最容易被过度解读提示语里加一句“只陈述数据中可见的关联不做因果断言”能挡掉一大半臆测。文本分类和主题标签生成适合批处理一次给 20 到 50 条让模型输出带编号的表格。垃圾内容检测这类任务建议给正反例各三到五条光给定义不够模型对“什么算广告”的理解和你差得远。4.3 代码任务让模型先讲思路再出实现代码相关的场景手册列了五块代码生成Python、JavaScript 等、代码调试与错误分析、性能优化建议、自动补全与注释、API 文档生成与代码库解释。这五块对提示语的要求差别很大用一套模板打天下必然出问题。代码生成的关键是把输入输出格式和边界条件写清楚。只说“写个排序”模型会给你一个能跑的版本但未必是你要的那个——稳定性、是否原地、对重复元素的处理这些它都按自己的默认来。代码调试的关键是给足错误信息堆栈、报错行、复现步骤少一样都会让模型开始猜。性能优化最容易被糊弄模型会给你一堆“可以使用更高效的数据结构”这种正确但没用的建议提示语里必须要求给出量化对比。【代码生成】 用 Python 实现一个函数 merge_intervals(intervals)输入是二维列表 [[start, end], ...]输出合并重叠区间后的二维列表。 要求①输入为空时返回空列表②区间端点相等视为重叠③不修改入参④附 5 组测试用例覆盖空输入、单区间、完全重叠、部分重叠、首尾相接五种情况。 【代码调试】 下面这段代码在数据量超过 10 万条时抛出 MemoryError堆栈信息和代码见下。请按顺序输出①最可能的三个原因按可能性排序②每个原因对应的验证方法③修改后的完整代码④修改前后的内存占用估算。 【性能优化】 下面两个函数实现同样的功能请对比它们的时间复杂度并给出在 n1000、n100000 两个量级下的预估耗时比值。不要只给结论给出推导过程。第一段里“五种情况”这个约束是核心它把测试覆盖从“随便写几个”变成了“必须覆盖边界”。第二段里“按可能性排序”和“验证方法”两个要求把输出从猜测变成了可执行的排查清单。第三段里“给出推导过程”是对付套话的唯一有效手段。API 文档生成和代码库解释这类任务建议先把代码按模块切分再喂一次性丢几千行进去模型只能给你一个笼统的概览。我一般的做法是先让它输出模块清单和每个模块的职责确认无误后再逐个模块要详细说明最后合并。这个流程多花两轮对话但省掉了后面大量的人工校对。5. 避坑排查五条提示语翻车记录与对应的修法5.1 给推理模型写角色扮演逻辑反而乱了现象让推理模型“扮演一位资深架构师先思考自己会怎么设计再来回答”结果它在开头花了两百字描述“作为一名架构师我通常关注…”真正针对问题的推理反而变浅了关键推导步骤被压缩成一句“综合以上考虑建议采用方案 B”。原因推理模型的推理逻辑是内化的角色扮演相当于在它的推理链前面插了一段无关的生成任务把注意力预算分走了一部分。手册里把这条写得很直接——不要对推理模型使用启发式提示可能干扰其逻辑主线。解决把角色设定整段删掉只留任务目标和约束条件。真需要视角切换就在期望段里写“从架构评审的角度列出三个风险点”用输出要求代替角色扮演效果一样干扰小得多。5.2 对通用模型直接问数学证明得到一本正经的错答案现象把一道需要五步推导的题直接丢给通用模型它三步就给了结论中间某一步的等式左右两边不相等但语气非常肯定读快了根本发现不了。原因通用模型的训练目标不是维护严格的逻辑链它倾向于生成“看起来合理的下一步”。手册里把通用模型的劣势领域写得很清楚需要严格逻辑链的任务如数学证明。它不是不会算是缺少“必须每步自洽”的约束。解决要么换推理模型要么在提示语里显式要求分步思考并提供示例。分步要求不能写成“请一步一步想”这句太虚模型会假装分了步要写成“请分三步推导参考1. 画出直角三角形并标注三边2. 用面积法建立等式3. 化简得证”这种带骨架的示例。示例骨架给到它才会真的按步骤走。5.3 需求边界没写清输出反复在同一个方向打转现象让模型“优化登录流程”连着三轮对话它每次都在“引入多因素认证”和“增加验证码”之间来回换措辞就是不给别的东西。你越说“再想想”它越往同一个方向深挖。原因需求导向型提示语激发了模型的推理能力但需求边界没定它只能在最典型的方案空间里搜索。这不是模型不努力是你没告诉它搜索范围。手册里对需求导向策略的风险写得很准需清晰定义需求边界。解决补三样东西——现状、约束、评估维度。现状是“当前登录平均 4.2 秒失败率 8%”约束是“不能改动现有认证服务商”评估维度是“响应时间、失败率、改造成本”。三样补上输出方向立刻就散开了因为模型知道了什么方案不在射程内。5.4 一次塞进去太多约束模型开始丢条件现象一段提示语里写了八条要求输出满足六条漏掉的两条往往是你最在意的那两条而且漏得毫无提示。原因约束条件之间有优先级竞争。模型在处理长提示语时靠后的、表述更具体的约束更容易被保留靠前的、偏抽象的约束容易被稀释。八条约束一次性给等于让模型自己排优先级而它的排序逻辑和你不一致。解决两条路。一是拆成两轮第一轮给核心的三条约束出初稿第二轮把剩下的约束作为修改要求提。二是在提示语开头写一句“以下四条为硬约束任何一条不满足即视为不合格”用元指令把约束的权重提上来。我一般走第一条路因为第二轮能顺便检查第一轮有没有跑偏。5.5 拿单次输出当结论没有做验证现象用模型分析一份数据拿到一份条理清晰的分析报告直接贴进了周报。两周后数据口径变了回头核对才发现当初那份报告里有两个数字是模型“补”出来的。原因验证需求的提示语缺失。绝大多数人写完分析需求就结束了没有把“结论 验证方法 风险点”这个公式用完整。模型在没有验证要求的情况下会优先保证输出的完整性而不是可核查性。解决分析类任务的提示语末尾固定加一段验证要求——“列出本分析中所有依赖假设的结论标注每个假设的来源无法从给定数据中得出的数字标注为‘不可得’而不是估算”。这一句话能挡掉大部分编造。另外重要结论至少跑两次看两次的关键数字是否一致不一致的地方就是需要人工核的地方。6. 进阶把高频提示语固化成模板用三列法做验收提示语工程做到后面拼的不是灵感是复用。我现在的做法是把三类高频任务固化成模板文件需求导向型的分析任务、混合模式的方案设计、验证型的结论复核。每个模板固定三段结构中间留占位符用的时候只填参数不改结构。【模板方案权衡】 目标{要达成的业务目标} 选项{选项A及关键参数}{选项B及关键参数} 评估标准{标准1}、{标准2}、{标准3} 输出要求按评估标准逐项对比给出推荐项并说明淘汰项的原因无法量化的维度标注为“需人工判断”不要自行赋分。这个模板的占位符只有四个但每个都对应一个容易漏的要素。目标不写清模型会自己猜选项参数不给它会去编评估标准不列它会用一套通用标准输出要求不写“不要自行赋分”它就会给你一个看起来很专业的评分表而那些分数全是编的。验收环节我用三列法预期、实际、偏差。每次跑完模板把这三列填进一张表里连着填十次就能看出哪些占位符经常出问题哪些输出要求和实际输出对不上。列填什么判断标准预期你在写提示语时心里的输出形态越具体越好最好能写出字段名实际模型给出的输出原样粘贴不要手动美化偏差两者的差异点按类型归类缺字段、多内容、格式错、事实错四类偏差归类完之后修法就很明确了缺字段说明期望段没写全多内容说明禁用项没给格式错说明没给示例事实错说明上下文没锁死。四类偏差对应四个修法比笼统地“再改改提示语”高效得多。还有个习惯值得说一下模板不要一次改太多。我吃过这个亏一次同时改了三处结果输出质量下降却判断不出是哪一处改坏的。后来强制自己每次只改一个占位符或一条约束改完跑三遍对比确认有效再动下一处。慢是慢了点但每一次改动都是可归因的。从那以后我每次新建模板都强制先跑五组对照输入再投入使用——同一模板换不同参数看输出结构是否稳定。结构不稳的模板不上生产宁可多写两段提示语。这份手册我常备在本地提示语写不动的时候就翻到对应章节对一遍。希望帮到你。本文还有配套的精品资源点击获取
