什么是反事实推理？

Counterfactual Reasoning，它是一种通过构建与事实相反的假设性情景，探索因果关系和潜在结果的逻辑推理方法。

举个例子：

如果我是帅哥，短视频流量会怎样？

我是帅哥吗？不是，这个假设有违事实。

但基于这个假设，会怎么样呢？

探索一下其中的因果关系与潜在结果。

为什么说反事实推理对deepseek帮助极大呢？

其一，能突破数据量上限。

传统的大模型，比拼的都是数据量与参数量，需要大量的互联网数据。但互联网数据毕竟是有限的，最多把全网的数据都拿来训练，对吧？

有没有办法突破全网数据量上限呢？

有的，虚构数据，反事实推理模拟各种场景，来增强训练样本。

其二，助力因果发现，加强结果的解释性，关联性，因果性。

会有人问，虚构训练数据，那回复的置信度会打折扣吧？

与之相反，反事实推理有着严密的数学模型，因果推断三层次模型，它由美国计算机科学家Pearl提出，是因果推理理论的核心框架。

因果推断有哪三层次？

第一层：关联，Association。这一层关注条件概率P(Y|X)，是传统统计学和机器学习的主要关注点。

这一层能回答：是否具备相关性。

但无法回答：是否具备因果性。

举例，通过观察事实发现：

P(肺癌|吸烟) > P(肺癌|不吸烟)

推理得出：肺癌与吸烟相关

但无法推出：吸烟导致肺癌

第二层：干预，Aintervention。这一层关注P(Y|do(X))，即主动干预某一变量，观察对结果的影响。

这一层能够回答：如果怎么样（施加了干预），会怎么样。

举例，强制所有人抽烟，然后继续观察事实发现：

P(肺癌|do(吸烟=100%)) > P(肺癌)

P(肺癌|do(吸烟=100%)) != 100%

推理得出：

1. 吸烟会使肺癌概率上升；

2. 但吸烟不是导致肺癌的原因；

第三层：反事实，Counterfactuals。这一层研究假设性问题，关注xxoo（公式不会输入）。

这一层关注：如果采取了不同的行动，结果会如何。这里面会用到结构因果建模SCM，反事实计算，可识别性分析等知识，不详细展开。

画外音：楼主没研究透，所以打马虎眼一笔带过（这一句发布时删除）。

举例：如果某吸烟者当初未吸烟，肺癌的概率会如何变化。

反事实推理在责任判定（例如：医疗事故归因），个性化决策（如果xx怎么样，如果xx怎样），人工智能因果解释性上有大量应用。

总之，通过反事实推理，deepseek能够更好地揭示变量间的因果链。

其三：避免单一输出，加强分析维度。

这一点用过deepseek的童鞋感受上应该都比较直观。

你看，deepseek的回答丰富度极高：

1. 构造假设，尝试多方案；

2. 多方案进行数据对比；

3. 差异归因；

4. 给出结论与建议；

总的来说，deepseek在提示词优化引擎，因果推理模块，解释性增强模块，结论输出模块… 等算法、策略、工程架构中都深度结合了反事实推理，其对deepseek的崛起功不可没。

反事实推理，对我们写提示词，获取更佳的回答质量有什么启示呢？

答：参考反事实推理优化提示词，能极大提升AI输出质量。

更具体的，可以使用CREATE提示词框架：

Contrast：要求多方案比较

Risk-aware：要求评估潜在风险

Experimental：要求假设性推演

Alternative：要求备选方案

Trade-off：要求分析优缺点

Explain：要求说明决策逻辑

比较抽象，举个例子。

想优化冒泡排序，提示词我是这么写的。

非常直白。

AI的输出如上。

画外音：为了说明CREATE对提示词进行优化的效果，选择了其他AI产品，已打码。

你说AI的输出效果差吗？也不是，非常直接的给出了优化建议，但总觉得差那么点意思，回复的内容不够丰富。

参考了CREATE提示词框架进行了简单的优化。

1. 要求给出至少2种方案；

2. 两种方案要进行对比；

3. 说明推简理由；

优化之后，回复的丰富度极大地提升了。

首先，给出了多种方案。

接下来，进行了多维度对比。

最后，进行解释说明，给出了推荐理由。

CREATE的几个实践没有补全，还可以加上：

4. 假如是要对100G文件记录进行处理，分析与对比可行性（假设推演）；

5. 如果最重要选择xx方案，有什么潜在风险，有什么规避方案（假设推演+风险评估）；

每次询问deepseek，是不是觉得它的输出内容特别的丰富，它内置反事实推理提示词优化。

简单总结：

1. 反事实推理对AI输出内容丰富度提升很大；

2. 使用CREATE提示词框架，能够提升AI输出的丰富度：

    - 要求多方案比较

    - 要求评估潜在风险

    - 要求假设性推演

    - 要求备选方案

    - 要求分析优缺点

    - 要求说明决策逻辑

经常有人留言，说deepseek都这么流弊了，是不是提示词“说人话”就好了？

确实，deepseek流弊，“说人话”用户体验最好，也能有很丰富的回复。但是：

1. 啥都让deepseek干，会消耗计算资源；

2. deepseek深度思考的时间多了，解题的时间也就少了；

3. deepseek的推理逻辑，未必符合我们的预期；

通过提示词显性的告诉它你的想法，会让AI更高质也更高效；

用户体验并不是全部，效率与质量也是解题的一部分：deepseek很NB，我们的提示词也NB，叠加起来可以NB plus。了解工具的原理，让自己变得更好，不是更好吗？

一切的一切，提示词只有适配了AI的认知模式，才能最高效的发挥最大的作用。

知其然，知其所以然。

思路比结论更重要。