AI Agent从无到有13：DeepSeek推理模型提示词工程指南

纲要

• 推理型模型的提示词新范式
  • 与传统非推理模型的核心区别
  • 三大核心原则：简洁、信任、聚焦目标
• 提示词撰写的四种模式
  • 指令驱动：适用于明确、简单任务
  • 需求导向：适用于复杂问题的自主推理
  • 混合模式：兼顾灵活性与可控性
  • 启发式提问：适用于探索性分析
• 通用提示词公式
  • 四要素结构：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
• 新手常用的便捷指令
  • 续写、简化、总结、解释、翻译、类比、润色、扩写、步骤、举例
  • 组合使用与作用域限定技巧
• 代码实战：Python 调用 DeepSeek API 对比不同提示词策略
  • 环境准备与依赖安装
  • 完整可运行脚本
  • 过度引导 vs 简洁指令的效果对比
• 总结

推理型模型的提示词新范式

DeepSeek-R1 等推理型模型内置了强大的思维链（Chain of Thought，CoT）能力，其提示词撰写方式与传统非推理模型存在本质差异。沿用过去“手把手教模型思考”的方法，反而会限制模型内置的推理能力，导致输出质量下降。

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、CoT 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”

三大核心原则：

1. 简洁至上：无需在提示词中构造 CoT 过程，模型会自动生成结构化的推理步骤。
2. 聚焦目标：清晰描述期望的结果，而非指导模型如何思考。
3. 避免干扰：慎用角色扮演类启发式提示（如“你是一位资深律师”），此类设定可能干扰逻辑主线。

提示词撰写的四种模式

针对 DeepSeek 推理模型，以下四种提示词模式在实践中被验证为有效：

• 指令驱动：适合简单、快速执行的任务。

  • 示例：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，让模型自主完成推理链。

  • 示例：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：在提供明确约束的同时保留模型的推理空间，兼顾灵活性与可控性。

  • 示例：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。

  • 示例：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。

模式选择取决于对结果可控性的要求与任务复杂程度。

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核心要素：

• 指令：明确要执行的动作。
• 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：期望的返回格式（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。”

新手常用的便捷指令

DeepSeek 提供了一系列以 / 开头的便捷指令，内置了提示词模板，可显著提升交互效率：

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：

• 组合使用：指令可串联，例如 /总结 文章内容，然后 /续写 补充自己的观点。
• 附加要求：在指令后添加细化描述，如 /翻译 为日语，保留敬语。
• 作用域限定：使用括号 () 明确作用范围，如 /润色 (第二段)。

这些便捷指令本质上是简化版的提示词模板封装，适合新用户快速上手。

代码实战：用 Python 调用 DeepSeek API 对比不同提示词策略

本节提供一个可直接运行的 Python 脚本，通过 DeepSeek API 对比“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 Python 库调用 DeepSeek 的 deepseek-reasoner 模型。

适用版本：

• openai >= 1.0.0
• DeepSeek API：deepseek-reasoner 模型（2025-02-24 及之后版本）

准备工作：

1. 安装依赖：pip install openai
2. 前往 DeepSeek Platform 注册并获取 API Key。

import openai

# ================= 配置区 =================
API_KEY = "your-deepseek-api-key"   # 请替换为您的真实 API Key
BASE_URL = "https://api.deepseek.com"
MODEL = "deepseek-reasoner"         # 推理模型，版本 >= 2025-02-24
# ==========================================

client = openai.OpenAI(api_key=API_KEY, base_url=BASE_URL)

# 同一问题，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（非推理模型常见模式）
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 API
resp_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 虽能给出答案，但模型受限于人为预设的思维框架，输出广度与灵活性受限。
• 提示词 B 通常能生成更具创造性和实用性的决策框架，充分释放模型自身的推理潜力。

通过此对比可直观验证推理模型下“少即是多”的提示词设计哲学。

API 速览

本节梳理代码实战中涉及的 DeepSeek API 核心接口。

ChatCompletion.create

所属库：openai.OpenAI().chat.completions

方法签名：
create(model, messages, temperature, max_tokens, ...) -> ChatCompletion

核心参数：

参数	类型	说明
model	str	模型名称，推理模型使用 deepseek-reasoner
messages	List[Dict]	对话消息列表，格式为 [{"role": "user", "content": "..."}]
temperature	float	采样温度，范围 0.0 ~ 1.0，0.0 为确定性输出
max_tokens	int	最大生成 token 数

返回值：ChatCompletion 对象，通过 choices[0].message.content 获取输出文本。

参考文档

官方文档：

• DeepSeek API 官方文档
• DeepSeek-R1 模型技术报告

参考链接：

• OpenAI Python SDK 文档
• 提示词工程指南 (Prompt Engineering Guide)

总结

针对 DeepSeek 这类推理型模型，提示词工程的核心范式已从“教模型思考”转向“信任模型的思考能力”。遵循简洁、聚焦目标、避免干扰三项核心原则，灵活运用指令驱动、需求导向、混合模式与启发式提问四种提示词模式，配合内置的便捷指令组合，可显著提升交互效率与输出质量。

实际开发中，建议采用渐进式策略：先用最简洁的指令测试模型表现，若未达预期再逐步补充上下文与约束条件，而非在一开始就施加复杂的角色设定和步骤约束。