DeepSeek 火起来之后,网上流传的提示词教程大多还停在 ChatGPT 时代:角色设定、思维链、分步骤、结构化模板,一样不少。原文作者的说法是,对推理模型来说,这些技巧很多不仅没用,还会帮倒忙。
他把常见的坑归成四类:提示词写太长、句式太绕、要求它分步骤思考、强行角色扮演。这四个提示词误区有一个共同点——都在替模型决定「怎么想」,而模型真正需要的是「要什么」。
一、坑一:提示词越长,关键词越容易被淹
原文的判断很直接:超过 200 字的需求描述,可能导致焦点偏移、过度思考,甚至逻辑凌乱。推理模型时代,只需要命中那个关键词,其余的交给模型发挥。
这和人直觉相反。很多人以为说得越细越保险,于是把背景、要求、格式、禁忌全塞进去,结果模型抓不住重点,回答反而四平八稳、没有锋芒。
更实用的做法是先说清楚四件事:干什么、给谁干、目的是什么(要什么)、约束是什么(不要什么)。四句话能说清,就别写四百字。
二、坑二:句式越绕,输出越糊
原文举了两组对比。第一组,错误写法是「能不能帮我写点关于现在智能手机的东西,说说它的好用地方,特别是拍照和电池」,正确写法是「请写一段关于智能手机的介绍,突出拍照和续航」。
第二组,错误写法是「列几个电动车牌子」,没说格式也没说数量;正确写法是「生成 5 个新能源汽车品牌名称,用 Markdown 列表展示」。
差别在于:前者把需求藏在口语里,让模型自己猜;后者把数量、格式、重点都摆到明面上。模糊词是提示词里最贵的词——省下的几个字,要用一轮轮返工来还。
三、坑三:别要求它「分步骤思考」
这是推理模型和普通模型最大的分野。这类模型通过强化学习自动生成完整的思维链,你再手写「第一步列出所有可能原因、第二步评估证据、第三步选择最优解释」,等于给它套了一副不合身的架子。
原文给的反例是一道电商问题:某用户下单后频繁取消订单,根本原因可能是什么?错误写法先规定三步走,正确写法只描述问题本身。
同样的道理适用于数学题。规定「先列出方程所有可能形式、再代入数值验证、最后检查整数解」,不如直接问「方程 3x+5=20 的解是什么?请通过数学逻辑推导给出过程」。你要的是过程和结论,不是它按你的剧本演一遍。
四、坑四:过度角色扮演,专家设定是多余的
「假设你是乔布斯」「假设你是数据库专家」「假设你是一名医生」——这类开场白在 2023 年很流行,但推理模型本身就是专家模型加专家思维。除非你需要它从某个特定学科视角回答,否则只提示学科就够了,不必再加一层「专家」身份。
原文的例外也说清楚了:需要特定视角时,提示学科即可;不需要时,角色设定只会占掉本可以用来描述任务的篇幅。
五、那到底该给什么
把四个坑翻过来,就是原文建议的做法:给足背景信息,但别定义过程。
它还借「乔哈里视窗」分了三类情况:人和模型都知道的,简单说就行,不用把「我是小学生、没学过物理化学」这类废话写进去;人知道、模型不知道的,用举例、定义字典、检索增强的方式喂进去;人不知道、模型知道的,核心是提出好问题。
原文有一个比喻很贴切:把自己当成有管理经验的领导,把模型当成聪明的下属。领导给的是目标和边界,不是操作手册。
另外,大白话交流完全没问题,反而要尽量多提供描述;真正要避免的是又长又绕的书面语。
这四条误区的共同点是:它们都在试图「让模型更努力」,而模型需要的是「让任务更清楚」。下一次写提示词,可以先删掉角色设定和步骤指令,只留「干什么、给谁干、要什么、不要什么」,看看结果是不是反而更好。
本文转载自腾讯云开发者社区(stark张宇) 《DeepSeek 精准使用提示词技巧和闭坑指南》,原文链接:https://cloud.tencent.cn/developer/article/2501190。版权归原作者所有,如需删除请联系我们。