在 AI 应用探索中，如何正确地向模型提问是解锁AI模型强大功能的关键。今天，我们为大家带来本地部署的R1模型Prompt优化实践，涵盖优化成果、推理过程解析以及官方使用建议，优化后回答效果从效果丰富度、想象力、稳定性三块均有大幅提升。希望能通过这篇文章，帮助大家更好地驾驭DeepSeek。

R1推理模型和通用模型差异 ​

1、推理模型

a) 提示语更加简洁，只需要明确任务目标和需求（在模型思考过程中，已包含了推理逻辑） b) 无需逐步COT指导，模型自动生成结构化推理过程（若强行拆解步骤，反而可能限制其能力）

2、通用模型

a) 需要显示的引导步骤，否则可能跳过关键逻辑 b) 依赖提示语补偿能力（如要求分步骤思考，提供示例）

R1推理应用输出说明 ​

DeepSeek R1 的推理输出包括两个主要过程：推理过程和最终答案。

1、推理过程：推理过程被包含在 <think> 和 </think> 标签中，这部分内容展示了模型是如何逐步思考和推导问题的解决方案的。这种设计可以帮助用户理解模型的逻辑链条，增强对模型输出的信任。

2、最终答案：最终答案则包含在 <answer> 和 </answer> 标签中，这是模型对问题的最终结论。

说明：测试强推理效果时，一定要留意是否有推理思考过程，否在就说明大模型跳过了思考过程，需要检查prompt设计。

R1推理应用输出说明 ​

1、temperature 建议设置范围 0.5-0.7，推荐0.6，这样可以避免无限重复或者不连贯得输出。

2、不要使用系统提示词：所有指令都建议放在用户Prompt提示语中。

3、对于数学问题，建议在提示中包含一个类似这样的指令：“Please reason step by step, and put your final answer within \boxed{}.”。4、在评估模型性能时，建议进行多次测试并取结果的平均值。

不同场景Prompt实践案例 ​

说明：

1、用户输入的question，后端应用会拼接一个公共prompt，将prompt+question一并传递给大模型。

2、按照官方的建议，我们并没有把公共prompt放到system prompt中，实际测试在system 中加prompt直观感受不如现有方式。

R1无思考过程解决方案 ​

针对R1输出内容跳过思考过程的问题，在某些情况下R1可能会跳过think过程（即输出 <think>\n\n</think>），为了确保模型进行充分的推理，建议在每次输出的开头强制模型以 <think>\n 开始，以帮助模型更好地展开推理过程，从而提高输出的质量和准确性。

实践案例方式如下：

说明：针对跳过思考过程的问题官方已更新chat_template模板，在模板里面添加了<think>\\n

更新地址：https://huggingface.co/deepseek-ai/DeepSeek-R1/commit/8a58a132790c9935686eb97f042afa8013451c9f

文本生成类问题 ​

在xx银行的实践中发现，本地部署的R1回复内容的质量不如deepseek官网，具体表现在回复内容的丰富度、想象力和内容质量的稳定性。

Prompt优化方法：

典型案例：如果你成为人类你最想做什么事情？

优化前：在直观感受上，内容比较普通缺乏文学性，且内容不够丰富，实际测试多次执行效果差异。

优化后：内容更加丰富、描述更有文学性，输出内容比较稳定。

优化思路

步骤一：优化前大模型思考过程的输入，关注其对问题的理解不够深入。

步骤二：分析官网大模型思考过程，发现其对问题的理解，即客户的意图有不同的思考。

步骤三：在公共Prompt中加入，仔细揣摩用户意图这个要求，效果有较大改观。

为了保证回答内容的完整性和丰富性，Prompt加入提供逻辑清晰且内容完整的回答。如下是优化后的思考过程：