你打开联网就是想查个新闻，结果模型直接给你编了一篇假新闻。这不是个别现象——很多人在用DeepSeek的时候，压根没搞明白联网机制、幻觉成因还有参数设置这三者是怎么互相影响的，结果反复掉坑。这篇文章就把这三个东西串起来，给你一套能直接上手的决策方法，从底层逻辑说到具体操作，一次性把该补的课补上。

联网的两面性：什么时候该把它关掉

好多人以为“联网就等于更准确”，这其实是最大的误解。离线模式下，DeepSeek全靠自己的训练数据回答问题，至少它拿不准的时候会说“我不知道”；但一旦开了联网，模型会把搜索结果跟预训练知识混在一起，而且不再主动告诉你“我不确定”，反而把搜到的错误或者过时信息当成权威来输出。

到底什么时候该开联网？

建议开启联网的情况：

• 实时新闻、股价、比赛比分这类时效性强的信息
• 需要从多个来源对比结果（注意：模型不会告诉你它到底对比了哪些来源）
• 要引用最新的政策、法规条文

必须关掉联网的情况：

• 历史事实，比如“唐朝哪年灭亡的”，模型内部已经存了
• 数学计算、逻辑推理——联网搜到的百科条目不一定比模型自己算得准
• 法律条文解析，联网可能搜到已经废止的条款或者被人篡改的文本
• 代码调试，联网模式会把社区回答里的错误样本带进来
• 你希望模型“只根据你给的文档回答”的时候

事实核查的最好方式

如果任务涉及事实性内容，建议用“两步走”：先开联网拿到信息，然后关掉联网、把温度调低，让模型基于刚拿到的东西再输出一遍。这样能有效避免联网状态下“搜索→混合→胡编”的连锁反应。

幻觉的真实面貌：五种类型和怎么抓

很多人以为幻觉就只有一种——模型胡说八道。其实不同类型的幻觉，触发的原因和能看出来的标志都不一样。下面这五种是DeepSeek最常见的，每种我都给了具体的识别方法。

混淆概念

模型把两个相似但不相同的概念搅到一起。典型表现就是解释A概念的时候，突然冒出B概念的属性。联网模式下尤其容易出这个问题，因为搜索结果里A和B经常出现在同一页面上。

怎么看出来：一段话里连续用了两个不同领域的术语来描述同一个东西。修正方法很简单：追问一句“你刚才提到的XX概念具体从哪里来的？给一下原始定义。”

虚构引用

模型凭空编造出看起来很靠谱的参考文献、数据或者人名。离线模式里，这通常是因为模型对某个领域了解不够；联网模式下，模型可能把某个小论坛的帖子标成“权威研究”。

怎么看出来：参考文献在合理范围内根本查不到全文，或者作者名跟领域对不上。最实用的招数就是让模型“逐条列出事实来源，然后用中文写成完整段落”，同时把温度设在0.4以下。

时间错乱

把事件的时间顺序搞反了，或者把过时信息当成当前事实。联网模式下最常见——模型可能搜到一篇几年前的旧文章，却当成最新消息输出。

怎么看出来：描述里出现“目前”“最新”“当前”这类时间词，但内容跟常识明显对不上。应对办法：在提示词里明确要求“只采纳2024年以后发布的来源”，然后关掉联网让模型自己校验时间逻辑。

因果倒置

把相关性说成因果关系，或者把因果完全反过来。离线模式下多见于经济学、医学这些因果关系复杂的领域；联网模式下，模型可能直接把某个搜索结果里的错误因果推断拿过来用。

怎么看出来：出现“因为A所以B”这样的句式时，追问一句“如果去掉A，B还会发生吗？请给出逻辑推导过程。”配合低温度（0.2）来做。

数字错误

数字移位、单位混淆、比例搞错。联网模式下，模型可能从不同来源抓到了单位不一致的数据，直接拼在一起就输出了。

怎么看出来：所有涉及数字的地方，要求模型“按1-2-3逐个列出并标注单位”。同时把frequency_penalty（频率惩罚）设在0.1到0.3之间，避免模型因为重复生成同样的句式而跳过了数字校验。

参数调优实战：让DeepSeek听你的

参数不是什么玄学。下面这张速查表覆盖了11个常用场景，每个场景都给了具体的temperature、top_p、frequency_penalty、presence_penalty推荐值。这些数值是社区里实测出来的，能帮你省掉很多试错的时间。

参数推荐速查表

场景	temperature	top_p	frequency_penalty	presence_penalty
学术摘要	0.2	0.85	0.1	0.1
小红书文案	0.7	0.92	0.3	0.4
代码注释	0.15	0.8	0.1	0.1
故事续写	0.8	0.95	0.4	0.5
合同条款起草	0.1	0.75	0.05	0.05
邮件正式	0.3	0.88	0.15	0.15
翻译任务	0.2	0.85	0.1	0.1
头脑风暴	0.9	0.98	0.5	0.6
事实问答	0.1	0.7	0.05	0.05
考试答题	0.15	0.8	0.1	0.1
长文润色	0.4	0.9	0.2	0.2

参数跟幻觉到底有什么关系

温度升高跟幻觉率之间有明显的正相关。根据社区用户实测，当temperature从0.2升到0.8时，虚构引用（人名、文献、数据）的出现概率大概增加了3倍。原因很简单：高温度迫使模型在概率分布里选择更低概率的token组合，而这些低概率token往往对应着更不可靠的信息。

联网模式下，这个关联被进一步放大。联网搜索会给模型提供一些“看起来挺靠谱”但实际没经过验证的token候选，而高温度会让模型倾向于优先选这些候选——所以“联网+高温度”是最危险的组合。

Top_p的作用是限制模型每次只从累计概率达到p值的最小token集合里选。联网模式下建议把top_p设在0.9以下，这样能有效抑制模型去采纳那些不常见的搜索结果（这些结果往往因为来源质量低、点击少而排名靠后）。

长文本的分段参数策略

当文本长度超过2000字时，不同段落对参数的需求其实不一样。推荐用“渐进参数”策略：

• 开头段落（0-500字）：temperature=0.2，先打好事实基础，确保定性准确
• 中间段落（500-1500字）：temperature=0.5，允许适度扩展和连接，但还在可控范围内
• 结尾段落（1500字以上）：temperature=0.7，增加语气变化，收束更自然

这种策略能明显减少长文本里“前半部分很准、后半部分胡编”的老问题。

参数调整的基本原则

如果输出结果不满意，按这个顺序来排查：先调temperature（最敏感），再调top_p（第二敏感），最后微调frequency_penalty和presence_penalty。不要同时大幅度动好几个参数，一次只改一个，看看效果再调下一个。

三角联动：搭一套完整的防御系统

真正有效的做法不是孤零零地调参数，而是让联网开关、参数设置、提示词这三样东西协同工作。下面两个完整案例，可以看到这个联动机制具体怎么操作。

案例一：写一份3000字的行业分析报告

第一步（联网阶段）：打开联网，temperature=0.2，presence_penalty=0.05。提示词：“请搜索并列出2024年新能源汽车行业前十大事件，每条附来源链接标题。用列表形式输出，不要做任何扩展。”

第二步（离线验证）：关掉联网，temperature=0.15，top_p=0.8。提示词：“基于你刚才列出的事件，按时间顺序整理成200字摘要。对每个事件，标注你确认其内容是否基于内部训练数据。如果跟训练数据不一致，请在需要进一步验证的事件后面标注‘待核查’。”

第三步（正式撰写）：temperature=0.4（长文本中间段），presence_penalty=0.2。提示词：“现在基于上述核实后的摘要，用中文写第一部分（行业现状分析）。每引用一个事件，在段落后标注它的原始来源。输出时先写段落，再写标注。”

案例二：调试一段Python代码

强制模式：关掉联网，启用“深度思考”模式。这个模式对推理和步骤验证类的任务特别有效，尤其适合需要逐行分析的任务。

参数设定：temperature=0.1，top_p=0.75，frequency_penalty=0.1。提示词：“请逐行分析以下代码的错误。输出格式：行号 -> 错误类型 -> 修改建议 -> 理由。禁止给出未经验证的解决方案。”

修正反馈的正确写法：如果模型给了错误的修正方案，不要只说“这是错的”。正确的反馈格式：先指出错误位置——“你建议修改的第15行变量名有误”，再给出正确依据——“根据Python官方文档，该函数返回类型为列表，不应使用字符串方法”，最后加上来源约束——“请仅基于以上信息重新分析”。

提示词与参数的协同组合

下面这三组提示词-参数组合，社区用户测试下来，能明显降低DeepSeek在常用任务中的幻觉率：

1. 逐条验证型：提示词“请先逐条列出事实来源，再将它们整合成段落” + temperature=0.2。效果：虚构引用减少约70%。

2. 自我校验型：提示词“完成回答后，请在文末标注你确定每个判断的置信度（高/中/低）” + top_p=0.85。效果：模型会更谨慎地选择用词，减少混淆概念。

3. 来源约束型：提示词“仅基于我提供的文档回答，不得引入其他信息” + temperature=0.1 + frequency_penalty=0.15。效果：完全消除联网引入的外部错误。

日常使用自查清单

每次开始一个重要的任务前，先问自己三个问题：

1. 这个任务真的需要联网吗？ 如果任务是事实性的，优先关掉联网，依赖内部知识。如果需要联网，能不能先联网收集资料，然后关掉联网再输出？

2. 你的参数设置是凭感觉选的，还是基于对应任务的推荐值？ 查表是最快的入门方式，不要随便猜。

3. 你提供了足够的提示约束吗？ 包括来源约束、输出格式约束、自我校验要求。提示词越具体，模型越不容易跑偏。

这三个问题覆盖了联网管理、参数调优、提示词工程三个维度。持续用这套自查体系，你很快就能建立起对DeepSeek的行为直觉，大幅减少“踩坑”的次数。