DeepSeek教你玩转提示词（Prompt）

1. 什么是大模型？1.1 大模型的定义大模型（Large Language Model, LLM）是基于海量文本数据训练的深度学习模型，通过模拟人类语言模式实现文本生成、推理和对话等功能。其核心技术基于Transformer架构，通过自注意力机制捕捉长距离语义关联，并依赖预训练（如无监督学习）与微调（针对特定任务优化）的结合实现通用智能。其核心能力包括：语义理解：解析复杂指令（如“用鲁迅风格写辞

老叶茶馆_

1104人浏览 · 2025-02-24 21:02:27

老叶茶馆_ · 2025-02-24 21:02:27 发布

1. 什么是大模型？

1.1 大模型的定义

大模型（Large Language Model, LLM）是基于海量文本数据训练的深度学习模型，通过模拟人类语言模式实现文本生成、推理和对话等功能。其核心技术基于Transformer架构，通过自注意力机制捕捉长距离语义关联，并依赖预训练（如无监督学习）与微调（针对特定任务优化）的结合实现通用智能。其核心能力包括：

语义理解：解析复杂指令（如“用鲁迅风格写辞职信”）
知识关联：跨领域信息整合（如“量子力学与佛学的关系”）
逻辑推演：解决数学题或编程问题

1.2 主流大模型示例

ChatGPT（OpenAI）：擅长对话与创意生成，支持插件生态
DeepSeek（深度求索）：聚焦中文场景，在代码生成与数据分析领域表现突出
Claude（Anthropic）：长文本处理能力突出（支持10万token上下文）

2. 什么是提示词（Prompt）？

2.1 提示词的定义

提示词是用户输入给大模型的指令或问题，相当于“人机交互的密码本”。其本质是通过结构化语言设计，将用户需求转化为模型可执行的“钥匙”。一个优质提示词通常包含：

明确目标（如“生成产品文案”而非“写点东西”）
背景约束（如“面向Z世代用户”）
输出要求（如“包含3个卖点，每点不超过15字”）

以下是一个应用案例：

用户输入：

“用鲁迅的风格写一段关于秋天的散文，要求包含‘落叶’和‘黄昏’两个关键词，输出为300字左右的段落。”

模型输出：

“深秋的黄昏，街边的梧桐叶簌簌落下，像是被岁月撕碎的旧信笺……”

此案例中，提示词限定了风格、主题、关键词和格式，确保输出符合预期。

2.2 典型案例对比

低效提示词	优化后提示词
"介绍上海"	"作为旅游博主，为30岁商务人士设计一份上海2日游攻略，要求包含陆家嘴金融区探店和夜间黄浦江游船项目，用Markdown表格呈现"
输出结果：笼统的城市介绍	输出结果：包含特色餐厅、交通路线、预算明细的定制化方案

3. Prompt的核心要素

3.1 核心四要素

要素	说明	案例
指令（Instruction）	明确任务目标、类型	"总结以下会议纪要的核心结论"
上下文（Context）	提供背景信息或约束条件	"用户是跨境电商卖家，主营母婴用品"
输入数据（Input）	待处理的具体内容	"2024年Q4销售数据：..."
输出格式（Output）	指定结果的呈现方式	"按利润率从高到低排序，输出Excel表格"

3.2 要素组合实战

低效案例
"分析这份数据" → 模型无法理解数据含义和输出目标

优化案例

角色：您是跨境电商数据分析师  
任务：分析2023年Q4母婴用品销售数据  
输入数据：[附销售表格]  
输出要求：  
1. 找出复购率TOP3的商品类目  
2. 用柱状图对比各类目利润率  
3. 提出2024年备货建议

→ 生成包含可视化图表和可执行建议的专业报告

再来一个例子：

缺少上下文：

指令：“写一首诗” → 输出可能偏离预期主题。

补充上下文：

指令：“以李白的豪放风格，写一首关于长江的七言绝句” → 输出更精准。

4. 常用Prompt框架

4.1 RTF框架（Role-Task-Format）

Role（角色定义）："您是有10年经验的米其林主厨"
Task（具体任务）："设计一道融合川菜与法餐的创新菜品"
Format（输出格式）："包含食材清单、烹饪步骤、摆盘示意图"

示例：

作为网络安全专家，分析以下日志中的异常访问行为，用编号列表给出风险等级和应对建议。

4.2 思考链（Chain-of-Thought）

问题：某咖啡店月营收50万，租金占比20%，人力成本25%，物料成本30%，求净利润率  
请分步骤思考：  
1. 计算各项成本金额  
2. 计算总成本  
3. 计算净利润  
4. 推导利润率公式

→ 模型展示完整计算过程，避免直接跳转答案导致错误。示例：

某电商平台的用户复购率下降5%，请逐步分析可能原因：1. 用户满意度；2. 竞品策略；3. 价格变动……

4.3 RISEN框架

要素	案例
Role （角色）	"作为华为产品经理"
Input （输入）	"以下是用户对Mate60手机的500条评论"
Steps （步骤）	"1.情感分析 2.提取高频关键词 3.生成改进方案"
End （目标）	"输出可落地的产品优化建议"
Narrow （限制）	"每条建议需标注实施优先级和预估成本"

示例：

角色：市场营销经理；指令：制定新产品的社交媒体推广计划；步骤：竞品分析→受众定位→内容设计；目标：3个月内提升品牌曝光度30%；约束：预算不超过10万元。

4.4 密度链模式

通过递归生成逐步优化输出，适用于长文本创作。示例：

初始Prompt：“简述人工智能发展史”→ 迭代Prompt：“扩展‘深度学习突破’段落，增加2012年AlexNet的贡献” 。

5. 高效Prompt的核心原则

5.1 黄金三原则

原则	说明	案例
明确具体的指令	避免模糊表述	将"写首诗"优化为"模仿XX的风格，创作一首XX风格的七言绝句，主题是黄山迎客松，包含云雾、奇石的意象"
结构化输入输出	逻辑分层清晰	使用编号列表拆分复杂任务： 1.背景调研 2.SWOT分析 3.行动计划
少样本提示（Few-shot）	提供示例降低歧义	输入：“苹果” → 输出1：“水果”；输出2：“科技公司” 补充上下文：“上下文：讨论股票市场时，‘苹果’指代什么？”
可迭代	渐进式优化	首轮生成大纲 → 二轮填充案例 → 三轮调整语气
幻觉抑制	要求模型标注信息来源	根据2023年WHO报告……
交叉验证	对关键结论追加提问	该数据的最新来源是哪里？