DeepSeek 提示词工程完整指南
提示词工程（Prompt Engineering）是使用 DeepSeek 的核心技能。掌握提示词技巧，让你的 DeepSeek 回答质量提升一个量级。从原理到实战，从入门到精通，这本指南涵盖一切。
开始学习第一章
提示词基础原理
理解提示词工程的核心原理，是写出高质量 Prompt 的第一步。这部分适合所有 DeepSeek 用户，无论你是零基础新手还是经验丰富的开发者。
什么是提示词工程（Prompt Engineering）？
提示词工程是指通过精心设计输入文本（Prompt），引导大语言模型（LLM）生成更准确、更相关、更高质量的输出。简单来说，好的 Prompt = 好的回答。
DeepSeek 作为目前最先进的大语言模型之一，对提示词非常敏感。同样的问题，用不同的方式提问，回答质量可能天差地别。提示词工程就是帮你找到最有效的提问方式。
举个例子：
糟糕的 Prompt
"写一篇文章"
更好的 Prompt
"写一篇 800 字的公众号文章，主题是'AI 如何改变远程办公'，面向职场管理者，语气专业但不枯燥，包含 3 个具体案例，最后给出 3 条实用建议。"
LLM 如何理解 Prompt？
DeepSeek 等大语言模型本质上是"下一个 token 预测器"。当你输入一段文字，模型会根据训练数据中学到的模式，预测最可能的下一个词（token），然后逐词生成完整的回答。
这意味着：
- 上下文决定一切：Prompt 的质量直接影响模型"猜测"的方向。越清晰的 Prompt，模型越容易给出正确的回答。
- 模型没有"理解"意图：模型不会揣测你的真实想法，它只会严格按照 Prompt 的字面意思来预测下一个词。所以不要假设模型"应该知道"。
- 注意力机制：DeepSeek 使用 Transformer 架构，Prompt 中的每个词都会影响模型对上下文的注意力分配。关键词的位置和强调方式会影响输出质量。
高质量 Prompt 的四大原则
原则一
清晰明确（Clarity）
明确说明你想要什么、不要什么。避免模糊的表述。使用具体的动词和量词，例如"列出 5 个要点"比"说说看"更好。
原则二
提供上下文（Context）
告诉模型背景信息、目标受众、使用场景。上下文越丰富，回答越精准。例如告诉模型"你是资深 Python 工程师"而不是"你是一个助手"。
原则三
指定格式（Format）
明确输出的格式要求：JSON、表格、Markdown、列表、代码块等。格式约束能大幅减少模型"自由发挥"的空间，让输出更可控。
原则四
迭代优化（Iterate）
第一次 Prompt 不满意？不要放弃，调整措辞、补充细节、换个角度再试。提示词工程本质上是迭代过程，每次调整都能让回答更接近你的预期。
第二章
角色扮演提示词（Role Prompting）
角色扮演是最高效的提示词技巧之一。通过设定明确的角色（Persona），让 DeepSeek 以特定领域的专家身份来回答问题，回答质量和专业度会有质的飞跃。
为什么角色扮演有效？
DeepSeek 在训练过程中学习了大量不同领域的文本。当你在 Prompt 中设定一个角色（如"资深 Python 工程师"），模型会激活与该角色相关的知识模式和语言风格，让回答更贴近该领域的专业水平。
System Prompt（系统提示词）
System Prompt 是角色扮演最核心的工具。在 API 调用中，System Prompt 作为 messages 的第一个元素，为整个对话设定基调。DeepSeek 官方 App 和网页版也会在后台使用 System Prompt。
# API 调用示例：System Prompt
from openai import OpenAI
client = OpenAI(
api_key="sk-your-api-key",
base_url="https://api.deepseek.com",
)
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{
"role": "system",
"content": "你是一位资深 Python 后端开发工程师，拥有 10 年经验。你擅长代码优化、系统设计和安全审计。回答时请给出可直接运行的代码，并附带清晰的解释。"
},
{
"role": "user",
"content": "帮我优化这段数据库查询代码"
},
],
)
角色扮演 Prompt 模板
以下是一个通用的角色扮演 Prompt 模板，你可以根据需求替换方括号中的内容：
你是一位 [角色/身份]，拥有 [经验年限] 的经验。
你擅长 [专业技能1]、[专业技能2] 和 [专业技能3]。
你的回答风格：
- [风格要求1]
- [风格要求2]
- [风格要求3]
现在，请帮我 [具体任务]。
实战示例
# 示例 1：编程导师
你是一位经验丰富的编程导师，擅长用通俗易懂的方式讲解复杂概念。
你的学生是刚入门 Python 的初学者。
回答要求：
- 用生活中的比喻来解释抽象概念
- 每个概念都附带一个简单的代码示例
- 在可能出错的地方给出"常见错误"提示
- 使用中文回答
请解释：什么是 Python 中的装饰器（Decorator）？
# 示例 2：法律顾问
你是一位精通中国《劳动法》和《劳动合同法》的法律顾问，有 15 年从业经验。
请以专业但易懂的语言回答以下问题。
要求：
- 引用具体的法律条文（注明条款编号）
- 区分"法律规定"和"实务建议"
- 如果涉及争议，说明劳动者和用人单位各自的权利义务
- 最后给出总结性建议
问题：公司单方面降薪是否合法？如果遇到这种情况，我该如何维权？
# 示例 3：文案写手
你是一位资深公众号文案写手，擅长撰写爆款文章。
你的读者是 25-35 岁的职场人。
写作风格：
- 标题要有吸引力，善用数字和悬念
- 开头用故事或痛点切入
- 正文每 300 字插入一个小标题
- 结尾要有金句总结
- 全文 1500 字左右
请写一篇关于"如何克服职场焦虑"的公众号文章。
第三章
思维链提示词（Chain-of-Thought）
思维链（Chain-of-Thought，简称 CoT）是让模型展示逐步推理过程的提示技巧。对于数学、逻辑、编程等需要多步推理的复杂任务，CoT 能显著提升回答准确率。
为什么思维链有效？
大语言模型在一次前向传播中生成回答，对于复杂推理任务，如果直接跳到最终答案，容易出错。CoT 通过引导模型"一步步思考"，将复杂问题分解为多个简单子问题，每个子问题都更容易被模型正确回答。研究表明，CoT 能将数学推理的准确率提升 20%-40%。
对比效果：
不使用 CoT
"24 * 37 + 15 * 8 - 126 / 3 等于多少？"
可能直接给出错误答案，没有推理过程
使用 CoT
"计算 24 * 37 + 15 * 8 - 126 / 3。请一步步展示你的计算过程，先算乘法，再算除法，最后算加减。"
逐步展示推理过程，准确率大幅提升
CoT 提示词模板
# 通用 CoT 模板
请一步步思考以下问题，展示你的完整推理过程：
问题：[你的问题]
请按照以下步骤：
1. 分析已知条件
2. 列出解题步骤
3. 逐步计算/推理
4. 给出最终答案
5. 验证答案的正确性
实战示例
# 示例 1：数学推理
请一步步推理以下问题：
小明有 150 元，他买了 3 本书，每本 28 元，又买了 2 支笔，每支 6 元。
然后他用剩下的钱买了一些笔记本，每本 4 元。
请问他最多能买几本笔记本？还剩下多少钱？
# 示例 2：逻辑推理
请一步步推理以下逻辑题：
在一个岛上，有 5 个人，其中 2 个人总是说真话，3 个人总是说假话。
A 说："B 是说真话的人。"
B 说："C 是说假话的人。"
C 说："D 是说真话的人。"
D 说："E 是说假话的人。"
E 说："A 是说真话的人。"
请分析每个人的陈述，推理出谁是说真话的人，谁是说假话的人。
# 示例 3：代码调试
请一步步分析以下代码的问题：
def find_duplicates(arr):
seen = set()
for i in range(len(arr)):
if arr[i] in seen:
return arr[i]
seen.add(arr[i])
return None
问题：这段代码在什么情况下会出错？请逐步分析：
1. 代码的预期行为
2. 潜在的边界情况
3. 性能分析
4. 给出修复后的代码
CoT 变体：Zero-shot CoT
Zero-shot CoT 是最简单的思维链技巧，只需在 Prompt 末尾加上一句"Let's think step by step"（让我们一步步思考）或"请逐步推理"，就能触发模型的推理模式。无需提供示例，零成本激活思维链。
# Zero-shot CoT 示例
一个农夫有 17 只羊，除了 9 只以外都跑掉了。请问农夫还剩下几只羊？
请逐步推理。
# 这个看似简单的问题很容易让人犯错。加上 "请逐步推理" 后，
# DeepSeek 会仔细分析："除了 9 只以外都跑掉了" 意思是还有 9 只没跑。
第四章
少样本学习（Few-shot Prompting）
少样本学习（Few-shot Learning）是在 Prompt 中提供 1-5 个示例，让模型学习你的格式、风格和期望。这是让模型输出符合特定格式的最有效方法之一。
为什么 Few-shot 有效？
大语言模型在训练时学会了"上下文学习"（In-Context Learning）能力。当你提供几个示例后，模型会从示例中提取模式（格式、风格、逻辑），然后将这些模式应用到新任务上。Few-shot 的优势在于：无需微调模型，只需修改 Prompt 就能改变输出行为。
Few-shot 提示词模板
# Few-shot 通用模板
请将以下英文句子翻译成中文，保持原文的语气和风格。
示例 1：
英文：The future belongs to those who believe in the beauty of their dreams.
中文：未来属于那些相信梦想之美的人。
示例 2：
英文：It is during our darkest moments that we must focus to see the light.
中文：在最黑暗的时刻，我们必须专注于寻找光明。
现在请翻译：
[待翻译的英文句子]
实战示例
# 示例 1：情感分析（Few-shot）
请对以下评论进行情感分析，输出格式为：{"评论": "...", "情感": "正面/负面/中性", "置信度": 0.0-1.0}
示例 1：
评论：这个产品的质量非常好，发货速度也很快，非常满意！
输出：{"评论": "这个产品的质量非常好，发货速度也很快，非常满意！", "情感": "正面", "置信度": 0.95}
示例 2：
评论：用了三天就坏了，客服态度也很差，差评！
输出：{"评论": "用了三天就坏了，客服态度也很差，差评！", "情感": "负面", "置信度": 0.92}
示例 3：
评论：产品收到了，包装还可以。
输出：{"评论": "产品收到了，包装还可以。", "情感": "中性", "置信度": 0.80}
现在请分析以下评论：
[新评论]
# 示例 2：代码注释生成（Few-shot）
请为以下 Python 函数生成中文注释。注释风格参考示例。
示例 1：
函数：
def calculate_bmi(weight, height):
return weight / (height ** 2)
注释：
"""
计算 BMI（身体质量指数）。
参数：
weight (float): 体重，单位：千克
height (float): 身高，单位：米
返回：
float: BMI 值
公式：
BMI = 体重 / (身高 ^ 2)
"""
现在请为以下函数生成注释：
[新函数]
# 示例 3：邮件写作（Few-shot）
请根据以下信息写一封商务邮件。参考示例的格式和语气。
示例：
信息：通知客户项目延期一周，原因是技术方案需要调整
邮件：
主题：关于 [项目名称] 进度调整的通知
尊敬的 [客户姓名]：
您好！感谢您对 [项目名称] 的信任与支持。
在近期的技术评审中，我们发现当前的技术方案需要进行优化调整，以确保最终交付质量。因此，项目预计将延期一周完成。
我们深知时间对您的重要性，团队正在加班加点推进。新的交付时间预计为 [新日期]，我们会每周同步进度。
如有任何疑问，请随时与我联系。
祝工作顺利！
[你的姓名]
[公司名称]
[联系方式]
现在请根据以下信息写邮件：
[新信息]
Few-shot 最佳实践
- 示例数量：1-3 个示例通常足够，过多示例可能稀释真正任务的注意力，且消耗更多 tokens。
- 示例质量：示例要准确、规范、有代表性。错误示例会"教坏"模型。
- 示例多样性：如果任务有多种情况，尽量每种情况都提供一个示例。例如情感分析覆盖正面、负面、中性。
- 格式一致性：所有示例的格式必须完全一致，否则模型会混淆。
- 标签清晰：使用"示例 1""示例 2"或"输入""输出"等标签分隔示例和任务。
第五章
结构化输出
当你需要让 DeepSeek 输出特定格式的数据时，结构化输出提示词是最佳选择。无论是 JSON、表格、CSV 还是自定义格式，明确指定格式能让输出立即可用。
JSON 输出
JSON 是 API 调用和程序化处理中最常用的输出格式。DeepSeek 对 JSON 格式支持非常好，只需在 Prompt 中明确要求即可。
# JSON 输出示例
请以 JSON 格式输出以下信息，不要包含任何其他文字或解释：
{
"电影名称": "流浪地球",
"导演": "",
"主演": [],
"上映年份": 0,
"豆瓣评分": 0.0,
"类型": [],
"剧情简介": "",
"获奖情况": []
}
请补充完整以上信息，确保数据准确，JSON 格式正确。
# 更简洁的 JSON 输出方式
请以纯 JSON 格式输出以下三个 Python 框架的对比信息，不要包含 markdown 代码块标记：
[
{
"name": "框架名称",
"latest_version": "最新版本号",
"pros": ["优点1", "优点2", "优点3"],
"cons": ["缺点1", "缺点2"],
"best_for": "最适合的场景"
}
]
对比框架：Django、FastAPI、Flask
表格输出
DeepSeek 可以生成 Markdown 表格，非常适合做对比分析、数据整理、规格说明等。
# 表格输出示例
请用 Markdown 表格对比以下 5 种编程语言，列出以下维度：
| 语言 | 类型 | 学习难度 | 主要用途 | 平均薪资 | 2026 年趋势 |
|------|------|----------|----------|----------|-------------|
| | | | | | |
对比语言：Python、JavaScript、Go、Rust、Java
# 多列对比表格
请用表格对比 DeepSeek V3、R1、Coder 三个模型，表格包含以下列：
模型名称 | 参数量 | 最佳场景 | 推理速度 | API 价格 | 开源协议 | 推荐指数(1-5星)
自定义格式输出
除了 JSON 和表格，你还可以指定任何自定义格式。关键是给出清晰的格式模板。
# 自定义格式：带标签的要点列表
请按照以下格式输出 5 个 Python 性能优化技巧：
--- 技巧 1 ---
标题：[技巧标题]
难度：[入门/中级/高级]
适用场景：[一句话描述]
具体做法：
[详细说明，2-3 句话]
代码示例：
[代码块]
预期效果：
[性能提升的量化描述]
--- 技巧 2 ---
...（以此类推）
# 自定义格式：YAML 输出
请以 YAML 格式输出一个 Docker Compose 配置文件，用于部署一个包含以下服务的 Web 应用：
- Nginx 反向代理
- Python FastAPI 后端
- PostgreSQL 数据库
- Redis 缓存
请确保配置完整可用，注释清晰。
第六章
分步指令
对于复杂任务，一次 Prompt 往往很难得到完美的结果。分步指令（Step-by-Step Instruction）将复杂任务拆解为多个步骤，每个步骤独立确认后再进行下一步，像剥洋葱一样层层递进。
为什么分步指令有效？
复杂任务通常包含多个维度（内容、结构、风格、格式等），一次性让模型同时满足所有要求容易顾此失彼。分步指令将任务拆解为独立的子任务，每步只关注一个目标，最终组装成完整输出。
分步指令 vs 一次性指令：
- 一次性指令："写一篇 3000 字的 AI 行业分析报告" -- 模型可能结构混乱、内容空洞
- 分步指令：先定大纲 -> 确认后再写引言 -> 逐节展开 -> 最后总结 -- 每步质量可控
分步指令 Prompt 模板
# 分步指令模板
我要完成 [任务描述]，请按以下步骤帮我：
第1步：[步骤1描述]
第2步：[步骤2描述]（等我确认第1步后继续）
第3步：[步骤3描述]（等我确认第2步后继续）
第4步：[步骤4描述]（等我确认第3步后继续）
现在开始第1步。
实战示例
# 示例 1：长文写作
我要写一篇关于"2026 年 AI 编程工具发展趋势"的深度文章，发布在技术博客上。
目标读者：有 2 年以上经验的开发者。字数：3000 字左右。
请按以下步骤帮我：
第1步：先给出 5 个备选标题，每个标题附带一句话说明为什么吸引人
第2步：等我选定标题后，列出文章大纲（4-5 个小标题，每个小标题下 2-3 个要点）
第3步：等我确认大纲后，写出完整的文章正文
第4步：最后给我 3 条适合发朋友圈/推特的推荐语
现在开始第1步，请给出 5 个标题备选。
# 示例 2：项目方案策划
我要为一个 SaaS 产品策划一个"用户增长"方案。产品是一个面向中小企业的项目管理工具。
请按以下步骤帮我：
第1步：先分析当前 SaaS 产品用户增长的常见痛点和机会（列出 5 个要点）
第2步：根据痛点，给出 3 个核心增长策略，每个策略说明适用场景和预期效果
第3步：等我选定策略后，为选定的策略制定详细的执行计划（含时间线、资源需求、KPI）
第4步：最后评估该策略的潜在风险和应对措施
现在开始第1步。
# 示例 3：代码重构
我有一段遗留代码需要重构。请按以下步骤帮我：
第1步：先分析这段代码的问题（结构、性能、可读性、安全性）
第2步：给出重构方案（不要直接写代码，先说思路）
第3步：等我确认方案后，写出重构后的代码
第4步：对比重构前后的改进点
现在开始第1步，以下是我的代码：
[粘贴代码]
分步指令的最佳实践
- 每步一个目标：每步只让模型完成一个明确的任务，不要塞入多个目标。
- 明确等待确认：在步骤描述中明确写上"等我确认后继续"，确保模型不会一次性输出所有内容。
- 先大纲后细节：对于写作类任务，先让模型出大纲，确认方向和结构后再写正文，避免方向跑偏。
- 及时纠偏：如果某一步的输出不满意，直接告诉模型"这一步不太对，我想要的其实是……"，然后重新执行该步。
第七章
DeepSeek R1 特殊提示技巧
DeepSeek R1 是推理增强模型，内置思维链（CoT）能力。与 V3 不同，R1 在回答前会自动展示思考过程。针对 R1 的特性，提示词策略需要有所调整。
R1 与 V3 的核心区别
DeepSeek V3
通用对话模型
适合日常对话、写作、翻译、知识问答。回答直接，不展示思考过程。提示词技巧：角色扮演、结构化输出、分步指令效果最好。
DeepSeek R1
推理增强模型
在数学、编程、逻辑推理方面表现更强。回答前会展示思考过程（think 标签）。提示词技巧：简洁直接，无需过度使用 CoT。
R1 提示词核心原则：简洁为王
R1 内置了强大的推理能力，不需要你手动写 CoT 提示词。过多的提示词反而可能干扰 R1 的推理过程。R1 的提示词原则是：
- 直接提问：不需要"请一步步思考"这类 CoT 前缀，R1 会自动推理。
- 明确需求：清晰说明你要什么，但不要教 R1 怎么推理。
- 避免 System Prompt：R1 对 System Prompt 的响应不如 V3 敏感，建议将角色信息放在 User Prompt 中。
- 温度参数：R1 推理时建议使用较低温度（0.1-0.3），以获得更稳定、更准确的推理结果。
R1 实战 Prompt 示例
# R1 示例：数学竞赛题
解以下数学题：
在三角形 ABC 中，AB = 13，BC = 14，AC = 15。求三角形 ABC 的面积。
# 注意：不需要 "请一步步思考" —— R1 会自动展示思考过程
# R1 示例：编程算法
用 Python 实现一个函数，判断一个链表是否有环。要求：
- 时间复杂度 O(n)，空间复杂度 O(1)
- 包含完整的测试用例
# R1 示例：逻辑推理
有 12 枚硬币，其中 1 枚是假币，重量与其他不同（但不知道是轻还是重）。
用天平称 3 次，找出假币并判断它是轻还是重。
请给出完整的称量方案。
# R1 示例：代码审查
审查以下代码的安全性和性能问题，给出修复建议：
[代码内容]
R1 的 think 标签
R1 的回答会包含 <think> 和 </think> 标签包裹的思考过程。在 API 调用中，你可以通过解析这些标签来分离"思考过程"和"最终回答"。
# R1 API 响应结构示例
<think>
这是 R1 的思考过程...
我需要分析三角形的边长...
使用海伦公式：s = (a+b+c)/2 = (13+14+15)/2 = 21
面积 = sqrt(s(s-a)(s-b)(s-c)) = sqrt(21*8*7*6) = sqrt(7056) = 84
</think>
三角形 ABC 的面积是 84 平方单位。
使用海伦公式计算：
- 半周长 s = (13 + 14 + 15) / 2 = 21
- 面积 = sqrt(21 * 8 * 7 * 6) = sqrt(7056) = 84
R1 vs V3：何时用哪个？
| 任务类型 | 推荐模型 | 原因 |
|---|---|---|
| 数学计算、证明 | R1 | R1 数学推理能力远超 V3，AIME 得分 79.8 vs 39.2 |
| 复杂编程、算法 | R1 | 算法推理和代码调试，R1 更准确 |
| 逻辑推理、谜题 | R1 | 多步推理任务，R1 的 CoT 能力天然适合 |
| 日常对话、写作 | V3 | V3 回答更直接流畅，不需要展示思考过程 |
| 翻译、润色 | V3 | V3 语言处理更快，输出更简洁 |
| 创意写作 | V3 | V3 的创意和文采更好，R1 偏理性 |
| 结构化输出、JSON | V3 | V3 对格式约束的遵从性更好 |
第八章
场景实战 Prompt 模板库
20+ 个开箱即用的 Prompt 模板，覆盖写作、编程、翻译、分析、总结、头脑风暴、代码审查、调试、文档、邮件、报告等高频场景。直接复制使用，按需修改。
写作类
# 模板 1：公众号文章
你是一位资深公众号作者，擅长撰写深度科技文章。
请写一篇公众号文章，主题：[主题]。
目标读者：[读者画像]。
字数：1500-2000 字。
语气：[专业但不枯燥/轻松幽默/严肃正式]。
要求：
- 标题要有吸引力，包含数字或悬念
- 开头用故事/痛点/数据切入
- 正文分 3-4 个小节，每节有小标题
- 结尾要有总结和金句
- 适当使用加粗、引用等排版技巧
# 模板 2：小红书文案
请写一篇小红书种草文案，主题：[产品/体验]。
要求：
- 标题用 emoji 开头，吸引眼球
- 正文口语化，像朋友分享一样
- 分段清晰，每段不超过 3 行
- 加入 3-5 个相关话题标签
- 字数 300-500 字
- 突出 3 个核心卖点或感受
# 模板 3：周报/日报
请根据以下信息，帮我写一份周报：
本周完成的工作：
- [工作项 1]
- [工作项 2]
- [工作项 3]
下周计划：
- [计划 1]
- [计划 2]
遇到的问题：
- [问题描述]
格式要求：
- 正式但不刻板
- 突出成果和进展
- 问题部分附带解决方案或求助方向
编程类
# 模板 4：代码生成
请用 [语言] 写一个 [功能描述]。
要求：
- 代码完整可运行，包含必要的 import 和依赖
- 包含错误处理
- 添加简洁的注释说明关键逻辑
- 附带一个简单的使用示例
- 时间复杂度：[要求]
# 模板 5：代码审查
请审查以下 [语言] 代码，从以下维度给出改进建议：
1. 正确性：代码逻辑是否正确？有没有边界情况的 bug？
2. 安全性：是否存在 SQL 注入、XSS、敏感信息泄露等安全问题？
3. 性能：是否有性能瓶颈？如何优化？
4. 可读性：命名是否清晰？结构是否合理？
5. 最佳实践：是否符合该语言的最佳实践？
代码：
[粘贴代码]
# 模板 6：Bug 调试
我的 [语言] 代码出现了以下问题：
预期行为：[描述预期]
实际行为：[描述实际]
错误信息：[粘贴错误信息/堆栈跟踪]
代码：
[粘贴代码]
请帮我：
1. 定位 bug 的位置和原因
2. 解释为什么会出现这个 bug
3. 给出修复方案和修复后的代码
4. 建议如何避免类似问题
翻译类
# 模板 7：中英互译
请将以下 [中文/英文] 翻译成 [英文/中文]。
翻译要求：
- 信达雅：准确传达原意，语言流畅自然
- 保持原文的语气和风格（正式/口语/文学）
- 专业术语翻译准确
- 如果遇到文化特定表达，在译文后加括号注释
原文：
[文本]
# 模板 8：多语言翻译
请将以下中文翻译成英文、日文、韩文，以 JSON 格式输出：
{
"original": "原文",
"english": "英文翻译",
"japanese": "日文翻译",
"korean": "韩文翻译"
}
原文：
[文本]
分析类
# 模板 9：数据分析
请分析以下数据，给出洞察和建议：
数据：
[粘贴数据/表格/CSV]
分析要求：
1. 数据概览：主要指标和趋势
2. 异常值：找出显著偏离正常范围的数据点
3. 相关性：指出数据之间的关联性
4. 建议：基于数据给出 3 条 actionable 的建议
5. 输出格式：用表格展示关键数据，用要点列表展示分析结论
# 模板 10：竞品分析
请对比分析 [产品A] 和 [产品B]。
分析维度：
- 核心功能对比（表格）
- 定价策略
- 目标用户群体
- 优劣势分析（各列 5 点）
- 市场定位差异
- 我的建议（如果我是 [角色]，我选择 [产品X]，因为...）
# 模板 11：SWOT 分析
请对 [项目/公司/产品] 进行 SWOT 分析，以表格形式输出：
| 维度 | 内容 |
|------|------|
| 优势 (Strengths) | 1. ... 2. ... 3. ... |
| 劣势 (Weaknesses) | 1. ... 2. ... 3. ... |
| 机会 (Opportunities) | 1. ... 2. ... 3. ... |
| 威胁 (Threats) | 1. ... 2. ... 3. ... |
最后给出基于 SWOT 的战略建议（3 条）。
总结类
# 模板 12：文章总结
请总结以下文章的核心内容：
要求：
1. 用 3 句话概括文章主旨
2. 列出 5 个关键要点（每点不超过 50 字）
3. 指出文章的核心论据和论证方式
4. 如果有数据，提取关键数据
5. 用一个问题激发读者的进一步思考
文章：
[粘贴文章]
# 模板 13：会议纪要
请根据以下会议记录，整理一份结构化会议纪要：
会议记录：
[粘贴会议记录]
纪要格式：
- 会议主题：
- 日期/时间：
- 参会人员：
- 核心议题：
1. [议题] - 讨论要点：... - 决议：...
2. [议题] - 讨论要点：... - 决议：...
- 待办事项：
- [ ] [任务] - 负责人：[姓名] - 截止日期：[日期]
- 下次会议时间：[日期]
头脑风暴类
# 模板 14：创意头脑风暴
请帮我进行头脑风暴，主题：[主题]。
要求：
- 给出 20 个创意点子，不拘一格，鼓励大胆的想法
- 每个点子用一句话描述
- 分类为：保守方案（5个）、创新方案（10个）、颠覆方案（5个）
- 最后从中选出你认为最值得尝试的 Top 3，并说明理由
# 模板 15：问题解决
我面临以下问题：[问题描述]
请帮我从不同角度思考解决方案：
1. 从技术角度：有什么技术方案可以解决？
2. 从流程角度：能否通过改变流程来规避或解决？
3. 从资源角度：需要什么资源（人力、资金、时间）？
4. 从替代角度：有没有完全不同的替代方案？
5. 请给出综合建议，推荐一个最优方案
邮件与报告类
# 模板 16：商务邮件
请帮我写一封商务邮件，场景：[场景描述]
收件人：[收件人身份/关系]
语气：[正式/半正式/亲切]
要求：
- 主题行清晰明确
- 开头礼貌问候
- 正文简洁，直奔主题
- 如果有请求，明确说明需要的行动和时间
- 结尾礼貌收尾
# 模板 17：项目报告
请帮我写一份项目进度报告。
项目名称：[名称]
报告周期：[日期范围]
报告对象：[上级/客户/团队]
报告结构：
1. 项目概览（1-2 句话）
2. 本周期完成的工作（要点列表）
3. 关键指标/数据（如有）
4. 遇到的问题与风险
5. 下周期计划
6. 需要支持的事项
学习与教育类
# 模板 18：概念解释
请用通俗易懂的方式解释 [概念]。
要求：
- 先用一句大白话解释
- 再用一个生活中的比喻帮助理解
- 给出一个简单的例子
- 指出常见的误解
- 如果可能，用 50 字以内总结核心要点
目标读者：[完全零基础/有一定基础/专业人士]
# 模板 19：学习路线
我想学习 [技能/领域]，目前的基础是 [零基础/入门/中级]。
请帮我制定一个学习路线图：
1. 学习路径（从入门到进阶的分阶段路线）
2. 每个阶段推荐的学习资源（书籍、课程、网站）
3. 每个阶段应该达到的水平
4. 建议的实践项目（由浅入深）
5. 常见的学习误区
6. 预计学习时间（每周投入 X 小时，大概需要多久）
文档与说明类
# 模板 20：API 文档
请为以下代码生成 API 文档：
[代码]
文档格式：
- 接口名称
- 请求方法 (GET/POST/PUT/DELETE)
- 请求 URL
- 请求参数（参数名、类型、必填/可选、说明）
- 响应格式（JSON 示例）
- 错误码说明
- 调用示例（curl 命令）
# 模板 21：README 文档
请为以下项目生成一份 README.md：
项目信息：
- 项目名称：[名称]
- 项目简介：[一句话描述]
- 技术栈：[技术栈]
- 主要功能：[功能列表]
README 结构：
- 项目名称和徽章
- 简介
- 功能特性
- 快速开始（安装、配置、运行）
- 使用示例
- API 文档（如有）
- 贡献指南
- 许可证
第九章
常见错误与优化
即使掌握了所有技巧，写 Prompt 时仍然可能踩坑。以下是最常见的 Prompt 错误及其优化方法，帮你快速排查和修复问题。
错误 1：Prompt 过于模糊
| 错误示例 | "写一篇关于 AI 的文章" |
| 问题 | 没有指定主题角度、字数、风格、受众，模型只能随机发挥 |
| 优化后 | "写一篇 800 字的科普文章，主题是'AI 如何改变医疗诊断'，面向普通大众，语气轻松易懂，包含 2 个真实案例，最后给出未来展望。" |
错误 2：信息过载
| 错误示例 | 在一个 Prompt 中要求模型同时完成 5 个不同任务（写文章、翻译、分析数据、生成代码、总结文档） |
| 问题 | 注意力分散，每个任务都做不好。模型会在不同任务间切换，导致输出质量下降 |
| 优化后 | 拆分为多个独立的对话或使用分步指令，每次只完成一个核心任务 |
错误 3：忽略上下文窗口限制
| 错误 | 在长对话中，早期的上下文会逐渐被"遗忘"。DeepSeek 本地部署版本默认 128K tokens 上下文，但对话越长，模型对早期信息的关注度越低 |
| 优化 | 对于长对话，定期"总结回顾"前面的关键信息。在关键指令前用"回顾一下之前的讨论..."来重新激活上下文。必要时开启新对话 |
错误 4：过度依赖模型的"常识"
| 错误 | 假设模型知道你的特定项目背景、公司内部术语、或最新的事件信息（模型训练数据有截止日期） |
| 优化 | 在 Prompt 中提供必要的背景信息。对于需要最新信息的问题，使用 DeepSeek 的联网搜索功能。对于项目特定内容，在 Prompt 中明确说明 |
错误 5：忽视 R1 的 think 输出
| 错误 | 在 API 中调用 R1 时，直接使用完整输出（包含 think 标签），没有分离思考过程和最终回答 |
| 优化 | 解析 R1 输出，提取 <think> 和 </think> 之间的内容作为思考过程，标签之后的内容作为最终回答。在面向用户的场景中，通常只展示最终回答 |
Prompt 调试方法论
当 DeepSeek 的输出不满足预期时，按照以下步骤系统性排查和优化：
- 检查 Prompt 是否清晰：有没有模糊的词汇？有没有隐含的假设？补充具体细节。
- 检查是否缺少上下文：模型是否知道你需要的背景信息？添加角色设定或背景说明。
- 检查格式是否明确：你是否指定了输出格式？如果没有，加上格式要求。
- 尝试换一个角度：同样的任务，用不同的措辞、不同的结构重新提问。
- 使用 Few-shot：提供 1-2 个期望输出的示例，让模型模仿。
- 拆分为多步：如果一次性输出不理想，拆分为分步指令，逐步确认。
- 切换模型：V3 和 R1 各有优势，如果当前模型效果不好，试试另一个。
- 开启新对话：长对话中累积的上下文可能干扰模型，开启新对话重新开始。
迭代优化示例
以下是一个 Prompt 从"糟糕"到"优秀"的迭代优化过程：
# 第 1 版（糟糕）
写一个 Python 爬虫
# 第 2 版（加入目标）
写一个 Python 爬虫，爬取新闻网站
# 第 3 版（加入具体网站和格式）
写一个 Python 爬虫，爬取 news.ycombinator.com 首页的新闻标题和链接，输出为 JSON 格式
# 第 4 版（加入要求和约束）
写一个 Python 爬虫，爬取 news.ycombinator.com 首页的新闻标题和链接。
要求：
- 使用 requests + BeautifulSoup
- 输出为 JSON 格式：[{"title": "...", "link": "...", "score": 0}]
- 添加请求头伪装浏览器
- 添加请求间隔（每次请求间隔 2 秒）
- 添加错误处理（网络异常、解析失败）
- 代码包含完整注释
- 附带一个 main 函数演示用法
常见问题
DeepSeek 提示词工程常见问题
DeepSeek 提示词和 ChatGPT 提示词一样吗？
基本思路相同，但有一些差异。DeepSeek 对中文理解更好，中文 Prompt 直接用中文写效果更好，不需要翻译成英文。DeepSeek R1 内置思维链，不需要像 ChatGPT 那样手动添加 CoT 提示词。另外，DeepSeek 对 System Prompt 的遵循度与 ChatGPT 略有不同，建议将关键指令放在 User Prompt 中。
Prompt 应该用中文还是英文？
取决于任务。如果希望输出中文，Prompt 用中文写效果最好。如果任务是编程相关的，英文 Prompt 可能更精准（因为编程术语多为英文）。DeepSeek 对中英文混合 Prompt 支持也很好，关键术语用英文、指令用中文是常见的最佳实践。总的原则：用你表达最准确的语言写 Prompt。
DeepSeek R1 需要写 CoT 提示词吗？
不需要。R1 内置了思维链推理能力，会自动展示思考过程。不需要手动添加"请一步步思考"这类提示词。对于 R1，Prompt 应该简洁直接，明确说明你要什么即可。过多的 CoT 指令反而可能干扰 R1 的推理过程。对于 V3，手动添加 CoT 提示词仍然有效。
如何让 DeepSeek 输出纯 JSON 不带额外文字？
在 Prompt 中明确要求"以纯 JSON 格式输出，不要包含任何其他文字、解释或 markdown 代码块标记"。同时提供一个 JSON 模板（空值即可），让模型知道期望的字段结构。如果仍然出现额外文字，可以尝试降低 temperature（0.1-0.3），并添加"只输出 JSON，不要输出任何其他内容"的强调。
Prompt 应该多长？越详细越好吗？
不是越长越好，而是越精准越好。关键信息（目标、格式、约束、背景）要清晰，但不需要冗余的重复和无关信息。一个经验法则：如果你能在 3 句话内说清楚任务，Prompt 就应该是 3 句话。如果需要更多上下文，就提供更多上下文。避免"又长又模糊"的 Prompt，那比"短但清晰"的 Prompt 效果更差。
DeepSeek 的 temperature 参数怎么设置？
temperature 控制输出的随机性：0-0.3 适合需要精确和一致性的任务（代码生成、翻译、数学推理）；0.5-0.7 适合通用对话和问答；0.8-1.2 适合创意写作和头脑风暴。R1 推理时建议使用较低温度（0.1-0.3），V3 创意写作时可以适当提高。注意：temperature 为 0 不代表完全确定，模型仍可能产生微小变化。
延伸阅读
DeepSeek 更多学习资源
入门教程
DeepSeek 模型怎么用
零基础入门，四种方式手把手教你使用 DeepSeek。
完全指南
DeepSeek Model 完全指南
技术架构、Benchmark 性能对比、模型选型指南。
模型列表
DeepSeek 开源模型
6 大系列、20+ 模型完整目录，快速找到适合的模型。
下载教程
DeepSeek 模型下载
Ollama、Hugging Face、GitHub 三种下载方式详解。
部署教程
DeepSeek 本地部署
Ollama、Docker、vLLM 部署方案，从单机到集群。
生态工具
DeepSeek 生态工具
30+ 款周边工具，WebUI、IDE 插件、Agent 框架全覆盖。