如何为DeepSeek这类推理模型编写Prompt

推荐语

掌握DeepSeek推理模型的高效交互技巧，提升问题解决能力。

核心内容：
1. 推理模型DeepSeek R1的特性解析
2. 高效Prompt编写技巧
3. 推理模型在实际应用中的优势

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

大型语言模型（LLMs）凭借强大的语言处理能力崭露头角。其中，以 DeepSeek R1 （Paper Review: DeepSeek-R1——强化学习驱动的大语言模型推理能力提升）为代表的推理模型，在逻辑推理、问题解决等任务上表现出色。然而，要充分发挥这类模型的潜力，撰写有效的 Prompt 至关重要。本文将深入探讨如何为 DeepSeek 这类推理模型撰写高质量的 Prompt，助力使用者实现更精准、高效的交互。

一、理解推理模型的特性

DeepSeek R1 这类推理模型具备独特的能力架构。与传统语言模型不同，它不仅能预测文本序列中的下一个单词，更专注于逻辑推导、问题拆解与多步推理。通过强化学习、思维链提示等先进训练技术，它在演绎推理、归纳推理、溯因推理和类比推理等方面展现出一定优势。

在演绎推理中，模型依据既定规则和前提得出结论，如根据 “所有哺乳动物都有肺，鲸鱼是哺乳动物”，准确推出 “鲸鱼有肺”。归纳推理时，它能从多个具体事例中总结规律，像多次观察到金属受热膨胀后，归纳出 “金属受热会膨胀” 的一般性结论。溯因推理要求模型根据现象推断最合理的解释，例如看到路面潮湿，推测可能是下雨导致。类比推理则是利用相似情境或概念进行推断，比如由地球围绕太阳公转，类比推断其他行星也围绕恒星公转 。

这些推理能力使 DeepSeek R1（深度解析 DeepSeek R1：强化学习与知识蒸馏的协同力量） 在数学问题求解、常识推理、符号操作和逻辑演绎等任务中表现突出。理解模型的这些特性，是撰写有效 Prompt 的基础，只有投其所 “长”，才能引导模型发挥最佳水平。

二、通用的高效 Prompt 撰写技巧

（一）简洁直接是关键

（二）避免过度使用思维链提示

虽然思维链提示（CoT）（Chain-of-Thought (CoT)：引导大型语言模型解决问题的有效策略）在提升通用语言模型推理能力方面效果显著，但对于像 DeepSeek R1 这样的推理模型，它已具备内部逻辑拆解能力。过度要求模型 “一步步思考”，不仅无法提升准确性，反而可能阻碍其发挥。以概率计算问题为例，直接询问 “掷两个骰子得到两个六的概率是多少”，模型能凭借自身推理能力快速作答。若采用思维链提示 “先解释掷出一个六的概率，再考虑掷出另一个六的概率，最后将它们相乘”，反而可能打乱模型的固有推理节奏，导致效率降低。不过，在评估非推理模型或模型出现推理失误时，思维链提示仍可作为辅助手段，帮助模型梳理思路。

（三）巧用分隔符提升清晰度

在处理结构化输出任务时，如生成 JSON、表格或代码片段，使用 Markdown、XML 标签或章节标题等分隔符，能帮助模型清晰区分 Prompt 的不同部分，准确理解输出要求。例如，在提取合同关键信息时，明确给出结构化格式：

{    "Parties": "Name of involved parties",    "Effective Date": "Start date of the contract",    "Obligations": "Main contractual duties",    "Termination Clause": "Conditions for contract termination"  }

相比 “请以结构化方式总结合同并包含所有重要细节” 这种模糊的表述，带分隔符的 Prompt 能引导模型输出更规范、更符合需求的内容，减少信息遗漏或格式混乱的情况。

（四）合理运用零样本与少样本学习

推理模型通常在零样本学习场景下就有不错的表现，即无需示例就能完成任务。在转换句子语态时，直接要求 “将‘委员会批准了新政策’转换为被动语态”，模型往往能给出正确答案。只有当输出结果需要进一步优化时，才考虑引入少样本学习。比如在模型初次转换效果不佳时，提供 “主动：‘她烤了一个蛋糕。’ 被动：‘一个蛋糕被她烤了。’” 这样的示例，帮助模型更好地理解任务要求。但要注意，示例应与目标任务高度匹配，避免过多不相关信息干扰模型。

（五）明确准则和约束条件

为模型设定明确的准则和约束，能让其生成更符合期望的结果。这些约束可以涉及回答长度、格式、内容范围或语气等方面。在规划旅行行程时，“为纽约市制定一个经济实惠的旅行行程，预算不超过 500 美元，行程为 3 天，包含观光和美食推荐，且只考虑素食选项”，这样详细的要求能让模型在限定范围内进行规划，避免出现预算超支或不符合饮食偏好的情况。同时，像 “解释不超过 100 字”“只用日常例子，避免过多细节” 等指令，能进一步规范模型的回答，使其更精准、简洁。

（六）精准阐述最终目标

清晰定义成功标准，能使模型更好地契合用户需求。在阐述经济概念时，“用不到 50 字解释供需概念，表述简洁且避免专业术语”，明确的字数限制和语言风格要求，能引导模型给出精炼、通俗易懂的回答。相比之下，“描述供需关系” 这种宽泛的表述，可能导致模型输出冗长、复杂的内容，无法满足用户期望。通过设定精确的目标，用户还能根据模型的回答进行迭代优化，不断提升交互效果。

（七）按需确保 Markdown 格式

从特定时间（如 o1–2024–12–17）起，部分推理模型默认不再输出 Markdown 格式。若需要模型生成 Markdown 格式内容，应在 Prompt 中明确指示，如 “Formatting re-enabled 生成一个 Markdown 格式的量子力学总结”。如果只是简单要求 “给我一个关于量子力学的 Markdown 回答”，模型可能输出纯文本内容，无法满足结构化展示的需求。对于需要结构化呈现的内容，在 Prompt 中加入格式指示是确保输出符合预期的关键步骤。

三、针对不同任务的 Prompt 撰写策略

（一）数学问题求解

数学问题注重逻辑推导和精确计算。撰写 Prompt 时，要清晰表述问题条件和要求。对于复杂问题，可以适当引导模型逐步分析，但避免过度干预其推理过程。在求解代数方程时，“求解方程 2x + 5 = 13，展示关键计算步骤”，这样的 Prompt 既让模型明确任务，又给予其自主推理的空间，使其能够运用数学知识求解方程，并呈现中间计算步骤，方便用户理解解题思路。

（二）常识推理

常识推理依赖于对现实世界知识和普遍规律的理解。Prompt （你的AI Prompt为何不起作用？掌握这几点，让AI听你的话）应尽可能贴近实际场景，帮助模型调动相关知识储备。“判断这句话是否合理：他把钥匙忘在月球上了。请说明理由”，通过设置这样具有现实情境的问题，引导模型运用常识判断并解释，强化其对现实世界逻辑的把握，避免出现违背常识的回答。

（三）符号操作与逻辑演绎

在处理符号操作和逻辑演绎任务时，Prompt 要明确符号规则和逻辑关系。在进行逻辑电路分析时，“已知与门的输入 A 为 1，输入 B 为 0，根据与门逻辑规则，计算输出结果并解释推理过程”，清晰的规则和条件设定，能让模型依据逻辑规则进行准确推导，输出正确结果并提供合理的推理依据，确保在复杂逻辑任务中保持较高的准确性。

四、评估与优化 Prompt 效果

（一）基于多维度指标评估

使用准确率、一致性、解释质量、解决方案创新性和错误分析等指标评估模型对 Prompt 的响应。准确率衡量回答的正确程度；一致性考察在相关任务中逻辑的连贯性；解释质量反映模型对推理过程的阐述清晰度；解决方案创新性关注模型能否提出新颖且合理的思路；错误分析则帮助发现模型的薄弱环节。在一系列数学问题测试中，统计模型回答正确的比例评估准确率，检查不同问题的解题思路是否矛盾以衡量一致性，分析模型对错误答案的解释查找逻辑漏洞，通过多维度评估全面了解 Prompt 的效果。

（二）迭代优化 Prompt

根据评估结果对 Prompt 进行优化（提示词（Prompt）书写框架：解锁高效与精准的AI交互）。若模型在回答中遗漏关键信息，可在 Prompt 中进一步强调；如果回答过于冗长，调整约束条件使其精简。在要求模型总结文章时，若初次总结遗漏重要观点，优化后的 Prompt 可补充 “务必涵盖文章中关于影响因素的所有重要观点”；若总结内容过多，可添加 “总结内容不超过 200 字” 的限制，通过不断调整和优化 Prompt，逐步提升模型输出的质量和契合度。

为 DeepSeek 这类推理模型撰写 Prompt 是一门艺术，也是一项技术活。通过深入理解模型特性，运用简洁直接的表达、合理的提示策略、明确的约束条件等撰写技巧，并根据不同任务类型灵活调整 Prompt，同时持续评估和优化，我们能够充分挖掘推理模型的潜力，实现更加高效、智能的人机交互。